伯努利、莫布-拉普拉斯定理；科尔莫戈罗夫准则；伯努利方案；贝叶斯公式；切比雪夫不等式；泊松分布规律；费雪、皮尔逊、学生、斯米尔诺夫等定理、模型，语言简单，没有公式。 - 页 5 12345678910 新评论 Sceptic Philozoff 2011.12.10 23:11 #41 让我们继续前进。当地的莫布-拉普拉斯定理。来自同一地点的图片。 图中显示，随着试验次数的增加，二项式频率分布趋于正常，即曲线越来越像高斯曲线（钟形）。而且甚至还有对近似误差的定性估计。因此，举例来说，如果我们想计算，在n=200次掷骰子时，m0=20到m1=30落下5的概率是多少（我提醒，落下5的概率是1/6），那么我们就不需要用阶乘来总结11个数字，只要计算相应的曲线下面积就可以了，这个方程式我们已经知道。那里的公式很繁琐，我就不在这里说了。 实际上，在我们这个个人电脑的时代，这个定理对于实际计算来说并不十分实际，但在200年前，它是相当有意义的。此外，它在理论研究中发挥着重要作用，因为正态分布已经被研究得上上下下，而且容易操作。 我们将进一步讨论它，讨论正态分布，尽管它不是由话题发起人宣布的。 Юсуфходжа 2011.12.11 01:29 #42 Mathemat:当然，我不是在拉，至少我想做一些杂烩......但现在还没有人愿意帮助我。如果只有一个五星级厨师，那么什么是五星级？水平线（阴标）上是整个测试系列的成功次数。在垂直方向上（纵轴）是相对频率，即成功的比例在总的试验数中。我忘了补充：二项分布不仅在n*p>=5时变得与正态分布相似，而且在额外条件下也是如此：p不应该太接近于1。好比说，在p~0.5时，n~10已经很相似了。自己开始，同时尝试向自制的 人道主义者解释为什么他们需要皮尔逊发行版。在你向我讲话之前，我甚至不知道它们的存在......并解释为什么要通过球状马 "皮尔逊分布 "来表达泊松和正态（都是相当实用的分布）。但我要考虑一下伽马分布。这不是那么简单。但科尔莫戈罗夫准则肯定应该在接近尾声的地方。切比雪夫不等式只需要进行相当粗略的估计。让一切保持原样，我们将根据我们所学的知识选择我们可以解释的内容。 皮尔逊分布也被称为χ2分布。chi-square分布是gamma分布的一个特殊情况，http://risktheory.ru/distr_images/gammadis.gif，通过指数分布进行建模。伽马分布的随机变量的值是通过独立实现指数随机变量来模拟的，而指数分布的随机变量的值是通过规律和均匀分布来模拟的。 在大多数现代编程系统中，可以对具有区间[0,1]上的均匀分布和MO=0.5的随机变量的数值进行建模。例如，在VBA中，这个角色由Rnd()函数扮演，而在Pascal和Delphi中，则由随机函数扮演。我们可以看到，伽马分布与通常的分布有关，其起源是通常的均匀分布，它被应用于这种分布的复杂情况，这无疑包括市场，特别是外汇。因此，所有坐在显示器屏幕前的交易者，出于习惯认为他们是在用0.5的概率与市场博弈，但没有意识到他们面对的是一个伽马分布，这让他们获得积极结果的概率大大降低，这不是偶然的。伽马分布可以通过交易者熟悉的斐波那契数字来解释，斐波那契数字在市场上具有典型性，因为它的特性是一个系列的下一个数字是由前两个数字的总和形成的，而伽马函数是由一个系列中所有数字的值的乘积形成的。现在你应该感受到它的力量，因为你已经熟悉了斐波那契水平 的可能性，它作为数列属性的集成器，比伽马函数更弱。我认为，伽马水平出现在外汇市场的日子不会太远了，也许你会记得，这个概念是由你本人首先引入市场的。 Sceptic Philozoff 2011.12.11 01:59 #43 我搜索了一下，发现了这个。我看到卡方和伽马是皮尔逊分布的特例。 我不认为有任何理由在这里谈论皮尔逊分布，因为我无法向该分支的读者解释这种深层真空球状马的实际作用。 我一定会在这里谈一谈chi-squared。 是的，也许我们也可以谈一谈游戏规则。 参数为b的n个独立指数分布的随机变量之和服从参数为b，n的二朗分布。 Юсуфходжа 2011.12.11 02:37 #44 Mathemat: 我搜索了一下，发现了这个。我看到chi-squared和gamma是Pearson分布的特殊情况。 我不认为有任何理由在这里谈论皮尔逊分布，因为我无法向该分支的读者解释这种深层的真空球状马的实际作用。 我一定会在这里谈一谈chi-squared。 是的，也许我们也可以谈一谈游戏规则。 参数为b的n个独立指数分布的随机变量之和服从参数为b，n的二朗分布。 现在你可以在文章中看到https://www.mql5.com/ru/articles/250，这个双参数Erlang分布 是如何引入的，以及为什么我引入的另一个双参数分布出现在公式（18）的正文中。 Роман 2011.12.11 03:28 #45 yosuf: 现在你可以在文章中看到https://www.mql5.com/ru/articles/250，这个双参数Erlang分布 是如何引入的，以及为什么我引入的另一个双参数分布出现在公式（18）的正文中。 尤素福，你刚才在和谁说话？ Sceptic Philozoff 2011.12.11 03:49 #46 yosuf: 现在你可以在文章中看到https://www.mql5.com/ru/articles/250，这个双参数埃朗分布 和另一个双参数分布是如何以及为什么被引入到公式（18）的主体中的。 我再看看。但我仍然不明白你是如何得到这些概率分布 的，而文章中并没有说到特维尔。 Юсуфходжа 2011.12.11 05:25 #47 Mathemat: 我再看看。我仍然不明白你是如何得到这些概率分布的，而文章中并没有说到特维尔。 这表明，材料平衡方程的解决方案和terver规律性是一致的，在解释现象的分析结果时，它们是相互补充的。 John 2011.12.11 08:47 #48 Mathemat: 你说。有几种生成正态分布的方法--例如，这里。但它们也是以均匀分布为基础的。 当然，你也可以 "直接"。我们将首先生成一个正态分布，然后将正态分布的积分函数的逆函数应用于结果。但问题是一样的：有必要首先生成一个统一的。 文献中描述了良好的均匀生成器。而最后一个用于Windows的64位也不错，比标准的C型好很多。 但标准的也不是那么糟糕。总之，其 "不自然 "的影响并不那么容易察觉。 自然正常 - 你需要它做什么，S？ 我不需要它。对于那些想了解理论家的人来说，我需要感受到为什么自然（非人工）分布是 "正常 "的。它在自然界的结果如何。理解（从内心感受）是理解定理中90%的关键。99%的人没有感受到理论的本质，只学会了如何正确应用公式。例如，对我来说，不存在所谓的积分，只有一个总和。请原谅我把自己作为一个例子。但在这种情况下，我只是告诉你我的学习方法。 John 2011.12.11 08:53 #49 yosuf: 这表明，材料平衡方程的解决方案和特维尔定律是一致的，它们在解释现象分析的结果时是相互补充的。 尤素福，很抱歉，我个人总是被科学所 "压"。埃尔朗分布有什么关系？ 让我们再试一次 "感知"--回答，既然你的用语如此磨人，为什么会有不同的分布？谁会注册一个由别人发现的新分布？我可以编造所有这些分配......。一大堆，但没有人会把它们当作新东西来接受。那么，什么是尚不为人所知的新分布呢？ sergeyas 2011.12.11 10:23 #50 让我们先听听阿列克谢的演讲，因为他是第一个这样做的人。 优素福和其他所有人，请不要把它看作是对你在这个问题上的知识的贬低。 这样一来，序列就开始被额外的术语弄得杂乱无章了，而且越走越远。 12345678910 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
让我们继续前进。当地的莫布-拉普拉斯定理。来自同一地点的图片。
图中显示，随着试验次数的增加，二项式频率分布趋于正常，即曲线越来越像高斯曲线（钟形）。而且甚至还有对近似误差的定性估计。因此，举例来说，如果我们想计算，在n=200次掷骰子时，m0=20到m1=30落下5的概率是多少（我提醒，落下5的概率是1/6），那么我们就不需要用阶乘来总结11个数字，只要计算相应的曲线下面积就可以了，这个方程式我们已经知道。那里的公式很繁琐，我就不在这里说了。
实际上，在我们这个个人电脑的时代，这个定理对于实际计算来说并不十分实际，但在200年前，它是相当有意义的。此外，它在理论研究中发挥着重要作用，因为正态分布已经被研究得上上下下，而且容易操作。
我们将进一步讨论它，讨论正态分布，尽管它不是由话题发起人宣布的。
当然，我不是在拉，至少我想做一些杂烩......但现在还没有人愿意帮助我。如果只有一个五星级厨师，那么什么是五星级？
水平线（阴标）上是整个测试系列的成功次数。在垂直方向上（纵轴）是相对频率，即成功的比例在总的试验数中。
我忘了补充：二项分布不仅在n*p>=5时变得与正态分布相似，而且在额外条件下也是如此：p不应该太接近于1。好比说，在p~0.5时，n~10已经很相似了。
自己开始，同时尝试向自制的 人道主义者解释为什么他们需要皮尔逊发行版。在你向我讲话之前，我甚至不知道它们的存在......
并解释为什么要通过球状马 "皮尔逊分布 "来表达泊松和正态（都是相当实用的分布）。
但我要考虑一下伽马分布。
这不是那么简单。但科尔莫戈罗夫准则肯定应该在接近尾声的地方。切比雪夫不等式只需要进行相当粗略的估计。
让一切保持原样，我们将根据我们所学的知识选择我们可以解释的内容。
我搜索了一下，发现了这个。我看到卡方和伽马是皮尔逊分布的特例。
我不认为有任何理由在这里谈论皮尔逊分布，因为我无法向该分支的读者解释这种深层真空球状马的实际作用。
我一定会在这里谈一谈chi-squared。
是的，也许我们也可以谈一谈游戏规则。
参数为b的n个独立指数分布的随机变量之和服从参数为b，n的二朗分布。
我搜索了一下，发现了这个。我看到chi-squared和gamma是Pearson分布的特殊情况。
我不认为有任何理由在这里谈论皮尔逊分布，因为我无法向该分支的读者解释这种深层的真空球状马的实际作用。
我一定会在这里谈一谈chi-squared。
是的，也许我们也可以谈一谈游戏规则。
参数为b的n个独立指数分布的随机变量之和服从参数为b，n的二朗分布。
现在你可以在文章中看到https://www.mql5.com/ru/articles/250，这个双参数Erlang分布 是如何引入的，以及为什么我引入的另一个双参数分布出现在公式（18）的正文中。
尤素福，你刚才在和谁说话？
现在你可以在文章中看到https://www.mql5.com/ru/articles/250，这个双参数埃朗分布 和另一个双参数分布是如何以及为什么被引入到公式（18）的主体中的。
我再看看。我仍然不明白你是如何得到这些概率分布的，而文章中并没有说到特维尔。
你说。有几种生成正态分布的方法--例如，这里。但它们也是以均匀分布为基础的。
当然，你也可以 "直接"。我们将首先生成一个正态分布，然后将正态分布的积分函数的逆函数应用于结果。但问题是一样的：有必要首先生成一个统一的。
文献中描述了良好的均匀生成器。而最后一个用于Windows的64位也不错，比标准的C型好很多。
但标准的也不是那么糟糕。总之，其 "不自然 "的影响并不那么容易察觉。
自然正常 - 你需要它做什么，S？
这表明，材料平衡方程的解决方案和特维尔定律是一致的，它们在解释现象分析的结果时是相互补充的。
尤素福，很抱歉，我个人总是被科学所 "压"。埃尔朗分布有什么关系？
让我们再试一次 "感知"--回答，既然你的用语如此磨人，为什么会有不同的分布？谁会注册一个由别人发现的新分布？我可以编造所有这些分配......。一大堆，但没有人会把它们当作新东西来接受。那么，什么是尚不为人所知的新分布呢？
让我们先听听阿列克谢的演讲，因为他是第一个这样做的人。
优素福和其他所有人，请不要把它看作是对你在这个问题上的知识的贬低。
这样一来，序列就开始被额外的术语弄得杂乱无章了，而且越走越远。