要把所有那些负面的信息当做对自身行为的评价，而不是对自身价值的评判。

【代码】matlab概率论例子。

马尔可夫转移矩阵是按照行排列的。马尔科夫链的极限分布。

bootstrap方法用于样本数较少时的数学统计和参数估计。其数学原理基于格里汶科定理。以下知识来自于浙江大学版的《概率论与数理统计》一书第10章"Bootstrap方法"。与总体分布函数F(x)只有微小的差别，在实际上可以当多F(x)来使用。bootstrap由美国数学家Efron于20世界70年代创建。对于任意实数x当n充分大时，经验分布函数的任一观察值。

正太分布概率密度推导：设I∫−∞∞​2π​1​e−2x2​dx则：I2∫−∞∞​2π​1​e−2x2​dx∫−∞∞​2π​1​e−2y2​dyI2∫−∞∞​2π​1​e−2x2​dx∫−∞∞​2π​1​e−2y2​dy∫−∞∞​∫−∞∞​2π1​e−2y2x2​dxdy。

若n个相互独立的随机变量ξ₁，ξ₂，…,ξn ，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布（chi-square distribution）。的方差是3n-n = 2n。

σx−μ​PX≤nσ2​∑i1n​xi​−nμ​∫−∞X​2π​1​e−2x2​dx即：PX≤n​σ​xˉ−μ​∫−∞X​2π​1​e−2x2​dxχ2σ2n−1S2​∼χ2n−1)sxˉ−μ​∼t2n−1。

核心知识如下图：

复合函数的概率密度

所谓卷积公式

F分布概率密度

T分布的概率密度

两个标准正态分布随机变量之和的概率密度

样本的方差为什么要除以n-1

平均数的期望和方差

标准化随机变量的几处说明

max{x,y}和min{x,y}的概率分布

GAMMA分布的可加性

鉴于繁琐的证明过程，一直没怎么关注这个定理的证明，后来发现，该定理在统计学中有大量应用，该定理是学习统计学绕不开的核心定理之一。为了加深印象和进一步领会证明过程，根据教材的讲解，再一次复述一下该定理的证明过程。由于u是z的线性变换，根据上面的（1.3）可得，若i=j则协方差为1，否则协方差为0。由此可以证明z的线性无关性，进一步的，结合上图课本中的截图，可以证明。上式中，若i=j则为1，否则为0。是一个重要的基础知识，需要理解的基础上牢记。服从自由度为n-1的。

李雅普诺夫定理以及其条件的完美解释

从该例题，我们可以得出结论，初始值为0的独立增量随机过程一定是马氏过程，而且x(0) = 0是必要条件，不可或缺。但是反过来，马氏过程不一定是初始值为0的独立增量随机过程。上述结论的证明通过马氏过程的定义完成，即证明第j个和第n个独立增量相互独立，且该结论用到了第3章第4节的一个重要定理。泊松过程、维纳过程两者都是独立增量过程。题目虽然简单，但是理解起来还是有一些深度的。下面简单阐述一下自己对上图中两个结论的理解。因此可以简略的证明，上图中的结论是充分的。满足以上两个条件的随机过程都是马氏过程。

是不同的，前者是标准差，后者是平方差。该形式在标准高斯分布和统计学中多有涉及。关于大数定律的两个题目。

然而，仔细考虑之后发现不妥。在我自己的理解中，此题的解法跟上一个题目一样，第二级传输后，一共有4中可能性，按照平均概率相加即可。这个逻辑的本质区别就在于，它是利用后验概率去推算先验概率的，这是一种理论上的优越性。我们想要求解的概率P，它依赖于其概率矩阵的乘法运算，而不是说简单把4种转换相加。可以得出结论，此种题目的解题方法还是要回到马尔可夫概率转移矩阵中去找答案。这个解释和模型比较简单易懂。似乎抓到了什么，但是又特别模糊。

但是，平稳过程的方差和均方值也是常数。此结论该如何证明呢？图中已经证明了，平稳过程的期望值是常数。

(2)求得正交特征向量。

马尔可夫的重要性质如下：

理解了上面的思路才能更好的理解泊松过程的数学模型和本质。注意：此处需要求解一阶非齐次微分方程。带入上述一元非齐次微分方程可得。

随机变量的期望值