The Q–Q plot is more widely used, but they are both referred to as "the" probability plot, and are potentially confused. A P–P plot plots two cumulative distribution functions (cdfs) against each other:[1] given two probability distributions, with cdfs "F" and "G", it plots as z ranges from to As a cdf has range [0,1], the domain of this...
那么，就没有估计分布参数的任务了)
除了指定参数外，还有什么方法可以在其他高斯中选择一个特定的高斯？任何对特定参数值的选择（基于样本）都被称为估计。
1.他们并非不重要。一个这样的 "小 "案件可能会导致 "大 "案件所赢得的一切损失。
3.线性相关。MNC都一样，线性我叫近似，不是MNC。
1.所以概率方法不适合这种分析。
3.如果你用一条直线进行近似，为什么要谈论 "高斯"？
除了指定高斯的参数外，还有什么方法可以在其他高斯中选择一个特定的高斯？对某一特定参数值的任何选择（基于样本）被称为估计。
例如，最小方差之和。由此产生的高斯参数甚至可以不计算，它们对于分析两条曲线之间的差异并不重要。
1.所以概率方法不适合这种分析。
3.如果你用一条直线进行近似，为什么要谈论 "高斯"？
1.相反，参数化的方法并不适合。
3.在P-P图上得到一条直线，这就是它的近似值。
例如，偏差的最小平方之和。由此产生的高斯参数甚至可以不计算，它们对于分析两条曲线之间的差异并不重要。
那里的参数是相当计算出来的（从最小SC的条件上看），然后用来寻找最小SC。关于函数极值的通常学校问题。
1.相反，参数化的方法是不适合的。
3.直线是在P-P图上得到的，并在那里近似。
好吧，这就是观点的交流。对于用正态分布对某些数据进行线性逼近的问题，我想我无法帮助你。对我来说，线性近似是指用直线近似，即1度的多项式。
好吧，这就是观点的交流。关于用正态分布对一些数据进行线性逼近的问题，我想我不能再帮你了。对我来说，线性近似是指用直线近似，即1度的多项式。
它是。
https://en.wikipedia.org/wiki/P-P_plot
以两个不同的抛物线为例。它们之间存在着一种线性关系。虽然这两条曲线都是非线性的。谁懂数学，请帮我解决这个问题，我想不出该怎么做。
这很简单，反转的概率总是50%，但如果反转的概率与50%不同，那么概率密度图就会不同。
你们都知道，任何问题都可以通过各种不同的方式来解决......。
比如说。
1.你可以尝试为未来的趋势反转做准备...
2.你可以在市场的当前情况下记录趋势的逆转...
正如你所理解的，变体№1非常难以解决，而且可靠性很高......。
选项2要容易得多，因为你不必像万加那样成为一个灵媒，而且积极的结果会比第一个选项高得多......
总而言之：设定问题的正确方法给出了一半以上的解决方案！这就是为什么我们要把它作为一个问题。