![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数学
文章平均质量分 65
肥宅_Sean
在UCB,Stanford各做过一段时间的RA。去牛津访学过一段时间。
现在在某家头部量化当研究员。
个人站: https://seanquant.github.io/
展开
-
证明:无理数的无理数次方是否还是无理数
作为一个Quant的面试官,之前面试的时候,我经常会问这个小问题。主要测试一下逻辑or反应水平吧。其实是挺简单的,但是却可以很短时间看出反应速度,逻辑推理能力。所以,我会比较喜欢这么问。原创 2022-11-11 13:26:05 · 1242 阅读 · 0 评论 -
信息论中平稳概念--离散平稳信源
定义信源X具有有限符号集信源X具有有限符号集合信源产生随机序列 xii=..,1,2,...xii=..,1,2,...{x_i} i = .., 1, 2 ,...对所有i,j,hi,j,hi,j,h,都有, p(xi1=aj1...xiN=ajN)=p(xi1+h=aj1...xiN+h=ajN)p(xi1=aj1...xiN=ajN)=p(xi1+h=aj1...xiN+h=...原创 2018-07-11 17:00:53 · 9099 阅读 · 1 评论 -
Tutte定理
图G有完美对集,等价于,对于图G去掉任意一个点集之后的,图的奇分支的个数小于等于点集的模奇分支: 有奇数个点的分支原创 2018-07-16 22:07:40 · 3317 阅读 · 0 评论 -
牛顿-柯特斯公式
理论积分区间[a,b][a,b][a,b],划分为n等份。步长为 h=b−anh=b−anh=\frac{b- a}{n}等距节点:xk=a+khxk=a+khx_k = a + khIn=(b−a)∑k=0nC(n)kf(xk)In=(b−a)∑k=0nCk(n)f(xk)I_n = (b-a) \sum_{k=0}^n{C^{(n)}_kf(x_k)}其中 C(n)kCk(...原创 2018-07-13 16:57:07 · 4619 阅读 · 0 评论 -
【R语言】迫松分布估计--判断是否符合迫松分布
简述一道概率论和数理统计的题。在1秒钟区间内的观测数。迫松分布的期望数是多少?能与之匹配吗?n观测052671443621800353441115+21解思路先算均值作为λ\lambdaλ的估计。样本均值为迫松分布的参数的无偏估计。然后代入迫松分布之中,再逐个计算即可R语言实现先简单的看下数据x = ...原创 2019-01-05 15:59:16 · 7576 阅读 · 0 评论 -
【笔记】大数定理证明
简述复习一下概率论大数定理的证明。证明大数定理,需要先证明切比雪夫(Chebyshev)不等式。Chebyshev不等式证明定理 设随机变量X具有数学期望E(x)=μE(x)=\muE(x)=μ,方差为D(x)=σ2D(x) =\sigma^2D(x)=σ2,则对任意正数ε\varepsilonε,不等式P{∣X−μ∣≥ε}≤σ2ε2P\{|X-\mu| \geq \varepsilon...原创 2018-12-27 15:07:15 · 15061 阅读 · 1 评论 -
常微分方程数值求解【python】
简述这里只考虑最为简单的一种常微分方程dydx=f(x,y)\frac{dy}{dx} = f(x,y)dxdy=f(x,y)然后这里的实例都是以下面这个方程来做展示的。dydx=y∗(1−y2)\frac{dy}{dx} = y*(1-y^2)dxdy=y∗(1−y2)初值给定y(0)=2y(0) = 2y(0)=2这个方程的精确解结果是下面这个方程y(x)=4∗e2x4∗...原创 2018-11-27 20:36:05 · 3479 阅读 · 2 评论 -
离散问题的最大似然估计
简述一般来说,会查到这个问题,相比都是遇到了更一般的问题。数学课就是上课1+1=2,下课黎曼问题证明的感觉。本文不会讲解最大似然法只是给需要解决离散型的最大似然法问题人用的解决办法一般来说,离散型的最大似然估计,我们极大话的对象是什么?这时就不是类似于连续型,会有一个连续型的变量x这里,我们就需要借助离散型的抽样了。我们极大的对象就是,抽样样本的概率例如有样本例子...原创 2018-10-24 21:58:10 · 30304 阅读 · 4 评论 -
可简单图化算法(Havel算法)
算法分析(推理过程)首先,我们很容易通过握手定理(所以点的度数加起来是偶数)知道,对应的度序列是否可图化。在确定了可图化之后。但是担心会出现不可简单图化的情况。我们只需要对于这种可能进行讨论就好了。在可图化,但是不可简单图化的这种图中,就是因为会出现一些点上,一定会出现环(或者重边)的情况所以,我们只需要确定了一个固定的顺序,这样就可以解决掉这里重边的情况。(在操作系统中,关于解决死...原创 2018-07-14 23:32:00 · 9589 阅读 · 0 评论 -
Python分式计算
简述用python来进行分式计算,降低了数学工作者的压力。方法使用sympy库。(在这个库中的运算都是分式的) 下面文章内容就是用sympy来进行分式计算https://blog.csdn.net/a19990412/article/details/81035066使用python原装库(fractions.Fraction,老版本的话,应该是直接用Fraction)关于2的...原创 2018-07-13 17:39:06 · 4317 阅读 · 0 评论 -
柯特斯系数计算
柯特斯系数理论知识在下面的这个链接中(也是我的blog)牛顿-柯特斯公式代码用上面的blog的公式生成对应的柯特斯系数,运用代码如下:from sympy import *def C(n=int(), k=int()): if (n - k) % 2 == 0: ans = 1 else: ans = -1 fo...原创 2018-07-13 17:26:03 · 5280 阅读 · 0 评论 -
证明连通简单图是哈密顿图
定理对于v阶无向简单图,如果对于图中任意两点的度数之和都大于等于顶点数,那么该图就是哈密顿图原创 2018-07-16 21:44:33 · 4557 阅读 · 0 评论 -
n阶图定义
定义υ = |V(G)|,ε = |E(G)|分别表示图 G 的顶点数和边数,|V(G)| = n称 为 n 阶图所谓的阶数,就是点数原创 2018-07-16 21:42:09 · 16015 阅读 · 0 评论 -
牛顿插值多项式
简述牛顿插值多项式的思想很有趣。就是先保证第一个是正确的。即, P0(x0)=f(x0)P0(x0)=f(x0)P_0(x_0) = f(x_0)然后,既然我们选取了后续的节点,那么,我只要需要保证在前面的这个情况不变的条件下,再实现将下一个点上的插值也满足就好了。这点有点想玩魔方中,先拼下面的两层的方法一样这个保证的方法是很漂亮的一个公式P1(x)=P0(x)+f[x0,...原创 2018-07-08 18:58:18 · 6403 阅读 · 0 评论 -
均差定义及性质(python实现)
简述k阶均差 f[x0,x1,...,xk]=f[x0,x1,...,xk−2,xk]−f[x0,x1,...,xk−1]xk−xk−1f[x0,x1,...,xk]=f[x0,x1,...,xk−2,xk]−f[x0,x1,...,xk−1]xk−xk−1f[x_0, x_1,..., x_k] = \frac{f[x_0, x_1,..., x_{k-2},x_{k}] - f[x_0...原创 2018-07-08 18:44:33 · 7990 阅读 · 0 评论 -
拉格朗日插值一个公式概括
简述拉格朗日插值函数公式就是下面的L(x)L(x)L(x) :L(x)=∑i=0nyi∗li(x)L(x)=∑i=0nyi∗li(x)L(x) = \sum_{i=0}^{n}{ y_i * l_i(x) } li(x)=∏j!=m(x−xj)∏j!=m(xi−xj)li(x)=∏j!=m(x−xj)∏j!=m(xi−xj)l_i(x) = \frac{\prod_{j!=m}(x-x_...原创 2018-07-08 18:26:26 · 2573 阅读 · 0 评论 -
牛顿法求根号数(Python)
简述以前也是用过这个东西的,但是一直都不是很清楚原理。 后来理解了牛顿法了之后,发现这个东西,就是牛顿法的一个简单的应用而已。代码target:就是目标数 我们在下面就是为了求这个数的开根号。同样的原理,我们只需要修改方程中的对应的指数,我们就可以实现了 func部分from sympy import *x = symbols("x")target = 10fu...原创 2018-06-26 16:13:34 · 6240 阅读 · 0 评论 -
牛顿法求解方程(python和C++)
简述牛顿迭代法跟之前的不动点迭代法系列的区别,就在于这里考虑的function就是函数本身,而不是之前所说的函数迭代函数。 但是实际上还是类似的。因为这时候的表达式比较清楚而已 迭代函数: xk+1=xk−f(xk)f′(xk)xk+1=xk−f(xk)f′(xk)x_{k+1} = x_k - \frac{f(x_k)}{f'(x_k)}上述的迭代函数,本质上,其实是关于f(......原创 2018-06-26 15:44:36 · 10999 阅读 · 0 评论 -
斯特芬森迭代法(Python)
简述斯特芬森迭代法,本质上就使用了埃特金加速法的不动点迭代法。可以结合不动点迭代法来看,点击访问代码from sympy import *import randomx = symbols("x")func = (x + 1) ** (1 / 3)begin = 1end = 2MAXSTEP = 100step_count = 0x0 = random....原创 2018-06-26 15:10:47 · 6406 阅读 · 0 评论 -
不动点迭代法求方程的根(Python实现)
简述不动点迭代法求方程的根:是迭代法解方程的根当中经典的方法。将求解f(x) = 0的问题变成x = h(x)这样的问题。转变的方程很简单,一般是移项,平方,开根号什么的。难点: 问题难点就得到的对应不动点迭代方程是否收敛上。 因为对于一个方程来说,对应的不动点迭代方程会有很多种的。而收敛性的考究,最为经典的定理有两个。全局上的一个定理: 这个定理就是在全局上使用的。具体...原创 2018-06-26 14:13:32 · 11329 阅读 · 1 评论 -
多线程读取矩阵文件+多线程矩阵乘法(C++实现)
算法概述矩阵乘法可以在算法层面上进行并行。vector< vector > Mat[3]; 这个二维向量数组就是来放做矩阵乘法中的那些矩阵的。Mat[0]是矩阵A,Mat[1]是矩阵B,Mat[2]是乘法的结果矩阵。所以下图中关于这个就做了类似的修改。readMat就是用来读取特定的矩阵。注意,这里的target矩阵要用指针,如果改成用引用的模式,就会报错。这可能跟引用的机制...原创 2018-06-07 11:02:51 · 2722 阅读 · 0 评论 -
牛顿插值多项式(python实现)
理论知识牛顿插值多项式(理论知识)目标函数 f(x)=11+x2f(x)=11+x2f(x) = \frac{1}{1+x^2}插值点为[-10, 10]上的整数点。图片代码实现import sympyimport numpy as npfrom matplotlib import pyplot as pltdef f(X): return...原创 2018-07-08 19:18:53 · 10176 阅读 · 1 评论 -
差分形式的牛顿插值公式(理论)
理论Pn(x0+t∗h)=f0+tΔf+...+t∗(t−1)...(t−n−1)n!ΔnfPn(x0+t∗h)=f0+tΔf+...+t∗(t−1)...(t−n−1)n!ΔnfP_n(x_0 + t*h) = f_0 + t \Delta f + ...+ \frac{t*(t-1)...(t-n-1)}{n!}\Delta^nf上面的ΔfΔf\Delta f其实是算子来的表示的是差...原创 2018-07-08 19:50:35 · 4245 阅读 · 0 评论 -
迪杰斯特拉算法(Dijkstra)证明
首先,这篇文章是在讲《图论》时候写文章(所以,还是以理论为主,以后有空的时候,会把代码发上来,不过我觉得大家看完理论,如果讲得好,代码也就比较容易了。如果讲得不好,网上的代码也是大把,不看这篇文章也罢了)下图为老师的课件内容部分,我觉得虽然详尽,但也有些枯燥。可能是为了凝练语言吧。如果有耐心看的话,倒真的是一篇非常好的文章。(反正这个应该是比百度百科要强的….) 我在后面会用自己的语言阐...原创 2018-05-07 22:34:11 · 9495 阅读 · 4 评论 -
上凸函数的判定方法(两种)
简述1) 在某个区间的二阶导数小于0,则在此区间内为严格上凸函数。 2) 利用Jenson不等式f[∑qk=1λkxk]≥∑qk=1λkf(xk)f[∑k=1qλkxk]≥∑k=1qλkf(xk)f[\sum_{k=1}^q \lambda_kx_k]\geq\sum_{k=1}^q\lambda_kf(x_k)...原创 2018-06-28 15:40:15 · 10004 阅读 · 0 评论 -
自信息跟信息熵的区别
简述这个其实很好理解: 就比如自信息是表述每个子弹的威力的话。信息熵就是描述的发射子弹的枪的威力的。自信息的单位是 bit(比特),或者是其他类似的单位(奈特或者哈特) 信息熵的单位是bit/信源符号。(类似于平均每个子弹的威力 (杀伤力/子弹)) 可以看出,信息熵的单位还是基于自信息的~...原创 2018-06-28 15:13:44 · 4584 阅读 · 0 评论 -
条件自信息跟互信息区别简述
简述(PS部分,可以是拓展部分,可不看) 条件自信息: 条件自信息,本质上还是自信息。定义上,明确指出,是在已知事件y=bjy=bjy = b_j发生的条件下,x=aix=aix = a_i的自信息。互信息: 互信息的话,并没有想象中的那么独立。其实,在互信息的定义中,就是依据自信息来定义的。本质上是通过数学表达式定义的。但是通过这个定义式,不难直接退出一个跟自信息相关的公式。 I(X...原创 2018-06-28 15:01:13 · 5890 阅读 · 0 评论 -
Python求偏导
from sympy import *x, m = symbols('x m')Y = 1 / (1 + x ** 2 + m ** 2)print(diff(Y, m))原创 2018-05-27 13:43:47 · 14488 阅读 · 0 评论 -
正交多项式族(勒让德多项式跟切比雪夫多项式)理论
简述这里显示两种,分别是,勒让德多项式跟切比雪夫多项式勒让德多项式区间是 x∈[−1,1]x∈[−1,1]x\in[-1, 1],权函数为ρ(x)≡1ρ(x)≡1\rho(x)\equiv1 P0(x)=1P0(x)=1P_0(x) = 1 Pn(x)=12nn!dndxn(x2−1)nPn(x)=12nn!dndxn(x2−1)nP_n(x) = \frac{1}{2^nn!}\...原创 2018-07-09 23:34:00 · 12994 阅读 · 0 评论 -
重根迭代法解方程(两种方法)(Python实现)
简述通过两种不同的重根迭代的来解方程。处理的方程是 (sin(x) - x/2) ^2 = 0代码采用的第一种迭代重根迭代方法:xk+1=xk−mf(xk)f′(xk)xk+1=xk−mf(xk)f′(xk)x_{k+1} = x_k - m\frac{f(x_k)}{f'(x_k)}这里取m为2。from sympy import *x = symbols(...原创 2018-06-27 00:16:34 · 4663 阅读 · 0 评论