首页 > TAG信息列表 > 服从
市场风险_VaR_参数法
市场风险_VaR_参数法市场风险VaR值估计参数法一、1. Normal VaR1. 1. 1 假设2. 1.2 公式二、2. Lognormal VaR1. 2.1 假设2. 2.2 公式三、3. QQ plot四、4. 补充点 一、1. Normal VaR 1. 1. 1 假设 算术收益服从正态分布$ r_t \approx N(\mu, \sigma)$ enter description h最简单的离散概率分布，伯努利分布 《考研概率论学习之我见》 -by zobol
上文讲了离散型随机变量的分布，我们从最简单的离散型分布伯努利分布讲起，伯努利分布很简单，但是在现实生活中使用的很频繁。很多从事体力工作的人，在生活中也是经常自觉地“发现”伯努利分布，它很容易理解。 1.为什么要先从伯努利分布来学？ 2.在生活中什么样的事情可能服从伯努利分布卡方检验
卡方检验——好的资料介绍推荐：https://wenku.baidu.com/view/36f0a603a1c7aa00b42acb59.html 用途：1.拟合优度检验（比如检验是否服从泊松分布，是否服从9:3:3:1分布） 2. 独立性检验（比如检验药物种类和治疗成功人数的关联，比如检验某特征和标签，如果不显著，可以不加入模型中） 3. 卡方分桶（特概率论与数理统计-数理统计基础（一）
前面关于概率的内容总结的很少，因为老师在给我们上课的时候根据专业特点很快就进入了数理统计的内容，这个内容会详细一点。 一、总体与样本 研究对象的全体称为总体，构成总体的每个成员称为样本。总体一般指研究对象的某个指标。总体中个体的numpy计算服从指数分布的概率
目标： 从一个分布服从指数分布的随机变量中去抽取1000个变量，问这1000个变量中至少有20个变量数值大于18的概率 其中指数分布的 lamb = 0.2 import numpy as np ''' 从一个分布服从指数分布的随机变量中去抽取c个变量，问这c个变量中至少有t个变量数值大于h的概率 其中指数分布的 lamb六级词汇
A subject to B A服从于B - cred - = believe 相信，信任 partial 一部分的，偏袒的 impartial 公平的 rational 合理的 plausible 合理的 feasible 可行的 ridiculous 荒谬的 absurd 荒唐的 motionless = immobile 静止的 motive 动机；目的 mo从众和服从
从众的概念 明确从众的定义，并与顺从，服从和接纳相比较。 从众：根据他人而做出的行为或信念的改变。 顺从：由外部力量施压而违心的从众行为。 服从：顺从行为由明确的命令所引起。 接纳：发自内心真诚的从众行为。 经典的从众和服从研究。 了解社会心理学家在实验室进行的从众研究。 解释用 QQ-Plot 验证正太分布
一、问题： 检验一序列是否服从正态分布 序列为X = {x1,x2...xN} 二、QQ图验证法： 1、将原序列按开序重新排列 x1<x2<...xi...<xN 2、计算QQ序列： （1）、样本均值和标准差 （2）、分位数： （3）、通过正态分布表可以查得 ti对应的分位数Q'，计算如下： 3、画出QQ图： 即Q--Q'图，与y = x线进ICA独立成分分析个人理解
隐含变量模型 x：观测信号，A：混合矩阵，s：独立成分、源信号、隐含变量 [模型假设]1， si之间是统计独立的(s1的取值对s2的取值没有提供信息，互不干连；不相关指不存在线性关系，不排除存在其他关系)；2， si服从非高斯分布； 3， 混合矩阵可逆 D(x)=E[x-E(x)]2 多个独立的自由变量的和近似服从高斯分卡尔曼滤波和最大后验
卡尔曼滤波和最大后验之间的关系 卡尔曼滤波分为两个部分，一是预测，一是更新。由于假设服从高斯分布，那么只需要在整个运动过程中维护均值和协方差即可。这里的推导形式是估计最大后验概率，即似然乘以先验。其物理含义就是，我们在更新参数的时候是更相信估计值还是测量值，这里的估人类(行为)动力学（3）——分布规律
人类行为动力学分布规律 随着数据存储能力、数据挖掘算法和分析处理技术的长期发展和广泛应用，人们从大量数据中总结出不同的分布规律。 1、正态/高斯分布 正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，机器学习问答
文章目录 1.为什么机器学习的训练数据和测试数据要服从相同分布？2.为什么假设数据服从独立同分布3.汉明距离和编辑距离4.数据平滑 1.为什么机器学习的训练数据和测试数据要服从相同分布？ 通俗理解： 机器学习就是利用当前获取到的信息（或数据）进行训练学习，用以对未来的数据怎么判断数据是否符合某个统计学分布
1、判断是否符合正态分布：[mu,sigma]=normfit(A); p1=normcdf(A,mu,sigma); [H1,s1]=kstest(A,[A,p1],alpha); n=length(A); if H1==0 disp('该数据源服从正态分布。') else disp('该数据源不服从正态分布。') end2、判断是否符合伽马分布拟合phat=gamfit(A,alpha)什么是独立同分布
参考来源（我只是做个概念性的笔记）：https://zhuanlan.zhihu.com/p/134230464 所有的事物都是具有一定结构的系统，而我们常听说的“研究”，都以构建研究对象的模型为目的。“模型”指的是描述事物结构或运行机制所用的文字、公式、图形等等。 什么是“同分布 获取的观测数据集一般【ML】Gaussian Discriminant Analysis
文章目录 模型假设.极大似然估计参数.与朴素贝叶斯.与逻辑回归. 模型假设. 在【判别模型与生成模型】中已经介绍了生成模型的基本思路，这是一类针对条件概率分布 P ( xJonathan Richard Shewchuk的德劳内三角化生成器Triangle研读笔记
写在前面 Jonathan Richard Shewchuk巨佬是美国伯克利大学的cs教授，他在十几年前开发出的这款Triangle程序。最近在研习3d模型布尔操作时，发现了不少开源项目都用巨佬的triangle代码来实现模型remesh(重新三角网格化)。Triangle代码注释详尽，但苦于个人是数学苦手，有些就算每个单词都两独立随机变量，变上线积分加联合分布函数，中断概率中有两个随机变量
1、随机变量服从复高斯分布，即，则服从指数分布，即。 的密度函数可以记作 ， 的分布函数可以记作 。 2、在通信求中断概率的过程中，可能会遇到的形式，其中为两个服从指数分布的随机变量，为常数，则计算方法如下：序贯高斯模拟
很好懂的一张图。也可见高斯序贯模拟的局限性：要求原始数据场服从高斯分布，或者是经过正态变换（N-S normal-score）后服从高斯分布。