Legen Sie ein Wort über den gelegentlichen Wanderer ein... - Seite 3
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
как это не связаны? Нормальное распределение стационарно и приращения СБ распределенные по НР - стационарны, а я изначально говорил именно о приращениях.
...
Вы считаете что НР нестационарно? Или нельзя для каждого непрерывного распределения сказать - является оно стационарным или нет? :)
Das ist die Definition von Stationarität, wo steht da etwas von Verteilung? Stationarität ist eine Eigenschaft eines Prozesses, nicht einer Verteilung. Der Prozess hat eine Art von Verteilung. Ein Prozess mit Normalverteilung kann stationär sein oder auch nicht. Sie hängt nicht von der Verteilung ab. Natürlich kann man nichts über die Stationarität eines Prozesses sagen, wenn man nur seine Verteilung kennt.
Was SB selbst betrifft (als kumulative Summe von Inkrementen): Es wird keine "dicken Schwänze" geben, die Sie in Ihrem vorherigen Beitrag beschrieben haben
.Denn SB selbst ist ebenfalls normalverteilt, aber mit einer Varianz, die t-mal größer ist als bei einem einzelnen Inkrement (zum Zeitpunkt t vom Ursprung). Ja, die Varianz der SB-Verteilung nimmt mit der Zeit zu, und diese Verteilung ist eigentlich die Summe unabhängiger normalverteilter Zufallsvariablen (Inkremente), was der Definition von Stabilität in Ihrem Link entspricht. Heavy Tails über 3 Sigmas zum Beispiel, aber für SB, wenn Sie die Varianz zu einem bestimmten Zeitpunkt berechnen (und Sie können es analytisch tun) - alles wird wie für normal sein. Sie wird normal sein mit spezifischen Parametern - endliche Varianz und Mo
Bevor ich schreibe, habe ich die Situation in Matlab simuliert, d.h. ich bin für meine Worte verantwortlich. Und Sie plappern hier nur wahllos vor sich hin. Wenn man "manchmal" den Wert der Inkremente verdoppelt, wie Avatar es wollte, dann nimmt die Varianz der "großen" Abweichungen zu, und die Kurtosis steigt. Die Inkremente sind nicht mehr normalverteilt, auch wenn sie es ursprünglich waren. Aber SB selbst hat keine Schwänze, SB hat eine Normalverteilung und ist nicht stationär, unabhängig von der Art der Inkremente.
Hier ist die Definition der Stationarität, wo steht ein Wort über die Verteilung?
Ich will damit sagen, dass man für jede Verteilung herausfinden kann, ob sie stationär ist oder nicht, oder ob der gleiche Prozess stationär sein wird oder nicht. Und ich habe geschrieben, dass die SB-Inkremente durch stationäre Verteilungen modelliert werden. Ist die Verteilung z. B. normal, so ist der Prozess stationär. Kann ein normalverteilter Prozess nichtstationär sein?
Stationarität ist eine Eigenschaft des Prozesses, nicht der Verteilung. Der Prozess hat eine Art von Verteilung. Ein Prozess mit Normalverteilung kann stationär sein oder auch nicht. Sie hängt nicht von der Verteilung ab. Und natürlich kann man, wenn man nur die Verteilung eines Prozesses kennt, nichts über seine Stationarität sagen.
Woher haben Sie das? Nennen Sie mir ein Beispiel für einen nicht-stationären Prozess, dessen Verteilung normal ist.
Bevor ich geschrieben habe, habe ich die Situation in Matlab simuliert, was bedeutet, dass ich für meine Worte verantwortlich bin. Und Sie plappern hier nur wahllos vor sich hin. Wenn man "manchmal" den Wert der Inkremente verdoppelt, wie Avatar es wollte, dann nimmt die Varianz der "großen" Abweichungen zu, und die Kurtosis steigt. Die Inkremente sind nicht mehr normalverteilt, auch wenn sie es ursprünglich waren. Aber die SB selbst hat keine Schwänze, die SB hat eine Normalverteilung und ist zudem nicht stationär, unabhängig von der Art der Inkremente.
Ich verstehe nicht ganz, was Sie modelliert haben und wie Sie die schweren Schwänze bekommen haben. So wie ich die Anfrage des Avatars verstanden habe, sollte es keine Schwänze geben. Wahrscheinlich falsch verstanden :( Bitte geben Sie mir zumindest ein Histogramm der resultierenden Verteilung und wie Sie diese modelliert haben
SB ist nicht-stationär, ist I(1) - die erste Differenz ist stationär (inkrementell), wie ich geschrieben habe. Sie ist ebenfalls stationär und stellt eine Normalverteilung für einen festen Zeitpunkt dar. Zum Zeitpunkt t0 ist die Verteilung stationär und eine, zum Zeitpunkt t1 eine andere. Aber SB selbst ist als Prozess ab dem Zeitpunkt x=F(t) nicht stationär und nicht normalverteilt. Der Grund dafür ist, dass die Varianz bei t->unendlich unendlich ist. Die erste Differenz (Inkremente) ist normal verteilt. Ich habe in einem früheren Beitrag einen Link zu der Quelle angegeben.
Откуда ты это взял? Приведи пример нестационарного процесса, распределение которого будет нормальным.
Ich habe dieses Beispiel bereits dreimal gegeben - der Random Walk ist ein nicht-stationärer Prozess mit einer Normalverteilung.
Die Verteilung ist die Form der Person, und die Nicht-Stationarität ist die Höhe: ein dicker Mensch kann groß oder klein sein (das ist die Verteilung), und er wächst bis zum Alter von 25 Jahren und dann abwärts, und seine Breite ändert sich, er wird mit dem Alter immer dicker, d. h. er ist nicht stationär. Das Wachstum ist jedoch nicht an die Form gebunden.
Stationarität ist keine Eigenschaft der Verteilung, sondern eine Eigenschaft des Prozesses.
Ich habe dieses Beispiel bereits dreimal gegeben - der Random Walk ist ein nicht-stationärer Prozess mit einer Normalverteilung.
Die Verteilung ist die Form der Person, und die Nicht-Stationarität ist die Höhe: ein dicker Mensch kann groß oder klein sein (das ist die Verteilung), und er wächst bis zum Alter von 25 Jahren und dann abwärts, und seine Breite ändert sich, er wird mit dem Alter immer dicker, d. h. er ist nicht stationär. Das Wachstum ist jedoch nicht an die Form gebunden.
Stationarität ist keine Eigenschaft der Verteilung, sondern eine Eigenschaft des Prozesses.
Die Zuwächse und die Verteilung von SB zu einem bestimmten festen Zeitpunkt ab dem Bezugspunkt t sind stationär und normalverteilt. Es ist möglich, mo und Varianz für sie zu berechnen, im Gegensatz zu SB als eine Funktion der Zeit
Несовсем понял что ты смоделировал и как получил тяжелые хвосты. Как я понял что просил аватара - никаких хвостов быть не должно. Возможно неправильно понял :( Приведи, пожалуйста хотя бы гистограмму полученного распределения и как моделировал
war:
(d.h. |y(i)-y(i-1)|>= die Stärke des Helden auf der i-ten Stufe, dann sollte seine generierte Stärke (einschließlich Minus - Zweifel) auf der i+1 Stufe verdoppelt werden.
Rot hervorgehoben muss i-1 sein, sonst ist immer Gleichheit gegeben. D.h. wenn das erzeugte Inkrement groß genug ist, sollte es auch mit zwei multipliziert werden. Dadurch erhöht sich die Varianz gerade im Bereich der großen Inkremente, was die Ausläufer verdickt.
e(i) = s(i)-b(i);
wenn abs(e(i)) > abs(e(i-1))
e(i) = e(i) * 2
Ende
Wir haben es hier mit Psychologie zu tun, nicht mit Mathematik, und keine Formel wird uns helfen.
Sie irren sich - SB als Funktion der Zeit ist nicht HP, sondern nichtstationär.
Sie argumentieren mit dem Einmaleins, nicht ich. Und das ist bedauerlich.
Hier ist ein 1000-Zufallsspaziergang mit einer gleichmäßigen Verteilung der Inkremente. Sie können sich immer wieder den Kopf darüber zerbrechen, dass es sich nicht um eine Normalverteilung handelt. Und ich habe es langsam satt.
Wir haben es hier mit Psychologie zu tun, nicht mit Mathematik, und keine Formel wird uns helfen.
Du widersprichst dir selbst. Wenn "völlig unvorhersehbar", dann werden nicht nur Formeln nicht helfen, sondern nichts. Und wenn es noch Hoffnung gibt, dann lässt sich die von Ihnen vorgeschlagene Psychologie vielleicht mit Formeln beschreiben.
Du streitest mit dem Einmaleins, nicht mit mir. Und das ist bedauerlich.
Hier sind 1.000 zufällige Spaziergänge mit einer gleichmäßigen Verteilung der Inkremente. Sie können sich immer wieder den Kopf darüber zerbrechen, dass es sich nicht um eine Normalverteilung handelt. Und ich habe es langsam satt.
timbo, das ist das 3. Mal, dass ich das Gleiche geschrieben habe. Ja, SB wird in einem bestimmten Zeitintervall generiert, z. B. 0-1000 (wie auf Ihrem Bild) F(t1000)-Verteilung ist sowohl normal als auch stationär. mo=0, disp=1000*Disp_adjustment. In jedem anderen festen Zeitintervall ist die Verteilung stationär und normal, und die Varianz ist proportional zu ihrer Länge. Aber der SB-Prozess selbst ist als Funktion der Zeit F(t) nicht nichtnormal instationär. Sein mo ist ebenfalls=0, aber die Varianz ist unendlich. Für stationär und HP ist die Varianz unabhängig von t gleich und eine feste Zahl - sie ändert sich nicht im Laufe der Zeit, was die Bedingung der Stationarität ist.
timbo уже 3 раз пишу одно и тоже. Да СБ сгененрированное на каком-то отрезке времени например 0-1000 (как на твоей картинке) F(t1000)- распределение и нормально и стационарно. мо=0, дисп=1000*Дисп_приращения. И в любой другой фиксированный промежуток времени распределение будет стационарным и нормальным, а дисперсия будет пропорциональна его длине. Но сам процесс СБ, как функция от времени F(t) не является не нормальным не стационарным. его мо так же будет=0 но дисперсия бесконечна. Для стационарного и НР, какое t не взять - дисперсия будет одинаковой и фиксированным числом- она не меняется во времени, что и есть условие стационарности.
Im Allgemeinen ergibt jedes Segment mit variabler Länge eine Normalverteilung. Welche Art von Verteilung hat die SB Ihrer Meinung nach, ist sie nicht stationär? Entfernen Sie sich von diesen Inkrementen, betrachten Sie den Prozess aus einem anderen Blickwinkel. Wenn Sie eine wohldefinierte begrenzte Glocke sehen, bedeutet das nicht, dass der Prozess, der sie bildet, stationär ist.