Warum ist die Normalverteilung nicht normal?
Ich habe schon oft von den dicken Schwänzen der Verteilung gehört, aber ich verstehe immer noch nicht, woran das liegt. Ich habe einen Indikator erstellt, der die Verteilung der Balkengröße (aufgetragen auf der Differenz Close[i]-Close[i+1]) ausgibt, um sie zu trennen. Kann mir jemand erklären, warum die Verteilung schmaler als normal ist?
Eigentlich sollte sie höher und schmaler sein. Dies liegt daran, dass es die Eigenschaft der Preisrückzahlung ist, die sie beeinflusst.
Was meinen Sie mit "bereits"?
>> bereits
Die wichtigste und einzige Bedingung für den Erhalt von HP ist die Unabhängigkeit von den Bedingungen der Serie. Dies ist der Beweis dafür, dass die Unabhängigkeit nicht erfüllt ist.
Das ist irgendwie nicht ganz normal. :) Dies wurde bereits in der Intuition erörtert. Sie sagen, es ist eine Erlang-Distribution. Und sie sagen, dass es keine Schwänze gibt, aber es sollte welche geben. :)
Ich habe über Erlang gesprochen, aber das ist hier nicht das Thema. Die Normalverteilung hat 2 Parameter - MO und Varianz. In diesem Fall ist MO = 0, aber die Varianz ist nicht Null, und um ein Diagramm zeichnen zu können, müssen wir ihren Wert festlegen. Ich frage also: Wie hat Urain den Varianzwert gewählt?
Um Diagramme vergleichen zu können, müssen sie im Allgemeinen auf eine gemeinsame Basis reduziert werden. Je nach Wahl dieser Unterlage kann es ganz unterschiedliche Muster geben.
Nimmt man die Varianz als gemeinsame Basis, wird das Diagramm schmaler, aber es entstehen dicke Schwänze.
Ich habe über Erlang gesprochen, aber das ist hier nicht das Thema. Die Normalverteilung hat 2 Parameter - MO und Varianz. In diesem Fall ist MO = 0, aber die Varianz ist nicht Null, und um ein Diagramm zeichnen zu können, müssen wir ihren Wert festlegen. Ich frage also: Wie hat Urain den Varianzwert gewählt?
Um Diagramme vergleichen zu können, müssen sie im Allgemeinen auf eine gemeinsame Basis reduziert werden. Je nach Wahl dieser Unterlage kann es ganz unterschiedliche Muster geben.
Nimmt man die Varianz als gemeinsame Basis, wird das Diagramm schmaler, aber es entstehen dicke Schwänze.
Ich vermute stark, dass Urain ähnliche Merkmale der resultierenden Reihen als Eingabeparameter für Erwartung und Varianz verwendet hat. Dies ist jedoch möglicherweise nicht der Fall.
Die wichtigste und einzige Bedingung für den Erhalt von HP ist die Unabhängigkeit von den Bedingungen der Serie. Dies ist der Beweis, dass die Unabhängigkeit nicht gegeben ist.
Bei einer mechanischen Glühbirnenproduktionslinie ist eine Normalverteilung von REAL zufälligen Ausfällen, d. h. von Gerätefehlern, wahrscheinlich. Daher ist es wahrscheinlich, dass die Anzahl der normal produzierten Glühbirnen (ihre Helligkeit, ihr Widerstand, ihre Glühwendeldicke) einer Normalverteilungskurve entspricht. An den Rändern dieser normalen Kurve (den dünnen Schwänzen) gibt es BORDER-Fälle, in denen die Dicke des Glühfadens über oder unter der Norm liegt und die Birne durchbrennt. Aber die Gesamtzahl solcher Grenzfälle kann im Voraus berechnet werden (durch Integration der Verteilungskurve oder ähnliches). Deshalb weiß die Glühbirnenfabrik im Voraus, dass eine Schachtel Glühbirnen durchschnittlich drei schlechte Glühbirnen enthält, die in naher Zukunft durchbrennen werden. Da sie im Rahmen der Garantie ersetzt werden müssen, meldet der örtliche Glühbirnenhändler im Glauben an die Wissenschaft der Statistik durchschnittlich 3 zusätzliche Glühbirnen pro Kiste. Die Fehler in den Glühlampenparametern fallen in den Bereich des NORMALEN LOKALEN ERREIGNISSES (nicht die Parameter selbst, sondern ihre Fehler). Das zufällige Ereignis ist hier nicht das Auslösen der Glühbirne selbst, sondern der ERROR des Glühbirnenparameters.
Wenn der Prozess der Glühlampenproduktion (genauer gesagt die Bildung der Glühlampenparameter) nicht in eine normale Kurve passt, z.B. die Leitung ist unterbrochen und defekt, der Lieferant hat schlechtes Wolfram geschickt, dann steigt die Fehlerrate dramatisch an, die Glühlampenparameter "streunen". Wenn man dann die Parameter einer Charge von Blumenzwiebeln genau misst, passen sie nicht in die Normkurve. In diesem Fall weiß das Werk nicht, wie viele Zwiebeln es an den Händler liefern muss.
Wenn wir einen nicht zufälligen Prozess messen, dann... können Sie überhaupt nichts sagen. Man kann die Wahrscheinlichkeitsverteilungskurve eines Ereignisses darstellen, indem man einfach das Auftreten des Ereignisses innerhalb eines Intervalls misst, aber... es sagt uns nichts.
Elektroingenieure und die Mathematiker und Statistiker, die sie beschäftigen, LIEBEN es, mit Messfehlern umzugehen. Diese sind höchstwahrscheinlich NORMAL (wenn das Gerät selbst von einem normalen Ingenieur hergestellt wurde). Daher alle ihre Formeln.
Bei Preisreihen sind erste Differenzen (oder andere Kombinationen) kein zufälliges Ereignis, und ihre Verteilungskurve KANN IRGENDWAS SEIN. Und selbst wenn sie genau bekannt ist, ist sie für den Handel nicht von Nutzen.
Nimm mich nicht auf den Arm, ich hatte eine 2 in Theorie und Mathe.
Die Candlestick-Analyse kann also mit einer Wahrscheinlichkeit von 60-40 oder sogar 70-30 funktionieren. Das ist gut.
Die Abhängigkeiten können sehr unterschiedlich sein. Sie hängt nicht unbedingt von den Werten früherer Inkremente ab, wie es bei der Candlestick-Analyse der Fall ist. Es kann zum Beispiel die Abhängigkeit vom Modul des Wertes der Inkremente (Volatilität) sein. Die Tatsache, dass die Volatilität autokorreliert ist, ist allgemein bekannt, und Volatilitätsmodelle wie GARCH (unter Verwendung der Autokorrelation) haben einen Nobelpreis erhalten. Es ist nicht schwer, sich selbst ein Bild davon zu machen. Und dies ist eine der Varianten, warum die Verteilung "schwere Schwänze" hat.
P.S. Im weiteren Sinne wird die Unabhängigkeit durch die Definition der Stationarität beschrieben.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Ich habe viele Male über dicke Schwänze der Verteilung gehört, aber ich verstehe immer noch nicht, was der Punkt ist, ich habe einen Indikator, der Bar Größe Verteilung (basierend auf Close[i]-Close[i+1] Differenz) in trennt, kann jemand erklären, warum Verteilung der Bars ist schmaler als normal?
Der Benchmark ist ein gelbes Histogramm mit roter Linie.
Und der Indikator, mit dem er gebaut wurde. Originaltitel (Distribution_GCF_&_norm_test)