b0步進與b2步進區別？

區別在于特性不同，b0步進可以更好更容易超頻，默認使用基本相同。效果強烈，采用最新設計風格，同時在布局上更加夸張，b2步進表現更加豐富。更精致，同樣吸引人。

creo曲面收斂的影響？

確定數值模擬的收斂程度，如果模型總體收斂，收斂準則對結果影響不大，具體精度需要根據實際研究內容確定。一般建議按10-3。如果過大，可能會導致后續施工步驟的發散。。。

模型檢驗常用方法有哪些？

正確性分析；效度分析；有用性分析；效率分析

正確性分析:(模型穩定性分析、穩健性分析、收斂性分析、變化趨勢分析、極值分析等。)

有效性分析:誤差分析、參數敏感性分析、模型對比檢驗。

有用性分析:關鍵數據解，極值點，拐點，變化趨勢分析，用數據進行動態模型驗證。

準。

效率分析:時空復雜度分析與已有分析進行比較。

在金融研究中，常用的模型包括以下理論模型:

一般用于解釋重要理論，尤其是微觀層面的理論。一般模型中的參數不能直接估計，或者理論結果不需要真實數據擬合，比如MM定理。驗證模型需要做一些改變或者遵循模型的推論。

結構化理論模型:

模型是理論推導出來的，但可以用實際數據或參數驗證，也可以直接計算出結果。比如BS期權定價。

簡化模型:

為了找到線性關系，我們不不要直接使用理論模型，而是從模型中尋找一些支持性的語句進行研究，比如時間序列模型。

樣本方差的期望和方差？

方差的定義

方差在我們的日常生活中很常見，主要是提供樣本的離群程度的描述。舉個簡單的例子，讓讓我們買一袋薯片。一般來說，一袋薯片的數量是固定的。讓假設平均每個袋子里有50個籌碼。即使是機器灌裝，也不可能做到每袋正好50片，或多或少都會有一些誤差。平均值可以不要測量這個誤差。

如果現在有兩個薯片品牌，味道都差不多，平均每袋50片。但是A牌籌碼一半是80塊，另一半是20塊。品牌B，99%在45到55之間。你覺得你會買哪個牌子？(不考慮過磅)。

在現代社會，方差的概念基本上與工廠交付的所有產品密不可分。方差越低，工廠的生產能力就越強，這樣每一件產品都能做好。反之，如果方差較大，則說明缺陷較多，不夠精細。換句話說，方差衡量樣本平均距離的期望值。

應該已經寫好了:E|X-E(X)|.

但是因為公式中有一個絕對值，我們一般都是平方，這樣就消除了絕對值。寫:

這里的e是期望的意思，寫在統計學里。如果我們不這樣做。;如果不理解，我們也可以將公式展開成:

其中n代表樣本數，X條代表樣本的平均值。Var是英文variance的縮寫，我們也可以寫成D(X)。

既然方差是用平方計算的，我們也可以求它的根，得到標準差。根號D(X)也可以寫成σ(X)。

方差的性質

關于方差有幾個著名的性質，如果x是變量，c是常數。所以:

也就是說，每個變量乘以一個常數，那么整體的方差就被c的平方展開了，這個很好理解，因為樣本值被放大了c倍，又因為我們在計算方差的時候用了平方，自然就放大了c的平方倍，代入上面展開的公式就很容易證明了。

下一個屬性是:

也就是說，所有樣本加一個常數，整體的方差不變。如果我們的樣本不是一個值，而是一個向量，那么這個公式可以推廣到樣本加上一個常數向量，樣本的方差不變。這也很好理解。給樣本加一個常數向量，相當于整體向向量的方向移動了一段距離，不會影響整體的分布。

如果樣本x的方差為0，說明樣本中只有一個值。

以下屬性稍微復雜一些:

也就是說方差等于樣本的期望平方減去樣本的期望平方。我們很難從定義中得出這個結論，需要嚴謹的推導:

在某些情況下，我們不方便直接求解樣本的方差，但很容易求解平方的期望。這個時候可以考慮用這個公式進行代入。

方差和協方差

一般來說，我們不。;不要在機器學習中直接使用方差，而是更多地在特征分析中使用。我們通過觀察特征的方差來感知其離散度，并決定是否對特征進行一些處理。因為對于某些模型來說，如果特征的方差過大，模型可能難以收斂，或者收斂的效果可能受到影響。這時候往往需要考慮一些方法來規范特征值。

除了方差之外，還有一個類似的概念，常用來度量兩個變量之間相關性的協方差。

其實協方差的公式也離不開方差。讓先簡單推導一下。

首先，讓我們s看D(XY)，這里X和Y是兩個變量，D(XY)代表XY的方差，設讓我們看看D(X，Y)和D(X)和D(Y)之間的關系。

根據方差的定義，我們可以推導出:

這里的n是常數，我們可以忽略，只看分子。讓讓我們擴展公式:

讓讓我們來看看上面簡化后的結果:

在這公式中的D(X)和D(Y)是固定的，不會隨著XY的相關性而變化。但后一項不是，跟XY的相關性有關。

我們可以用這一項來反映x和y的相關性，這就是協方差的公式:

所以協方差反映的不是變量的離差和分布，而是兩個變量之間的相關性。在這一點上，我們可能看不清楚。它不沒關系。讓讓我們對它做一個簡單的變形，然后用它除以兩者的標準差:

這種形式非常類似于兩個向量之間夾角的余弦，也就是著名的皮爾遜值。皮爾遜值類似于余弦值，可以反映兩個分布之間的相關性。如果p值大于0，說明兩組變量正相關，否則負相關。我們可以通過計算證明p的值是-1到1之間的一個數。

如果p的值等于0，說明X和Y是完全獨立的，沒有相關性。如果p的值等于1，就意味著可以找到相應的系數w和b使YWXb