¿Por qué la distribución normal no es normal?
He oído hablar muchas veces de las colas gruesas de la distribución, pero sigo sin entender de qué se trata. He creado un indicador que muestra la distribución del tamaño de las barras (trazada sobre la diferencia Close[i]-Close[i+1]) para separarlas, ¿alguien puede explicar por qué la distribución es más estrecha que la normal?
En realidad, debería ser más alto y más estrecho. Esto se debe a que es la propiedad del reembolso del precio lo que le afecta.
¿Qué quiere decir ya?
>> ya
La principal y única condición para obtener HP es la independencia de los términos de la serie. Esta es la prueba de que la independencia no se cumple.
No es muy normal. :) Esto ya se ha discutido en la intuición. Dicen que es una distribución Erlang. Y dicen que no hay colas, pero debería haberlas. :)
Me refería a Erlang, pero ese no es el tema aquí. La distribución normal tiene 2 parámetros: la MO y la varianza. En este caso MO = 0, pero la varianza no es cero y para dibujar una gráfica necesitamos fijar su valor. Así que pregunto, ¿cómo ha elegido Urain el valor de la varianza?
Y en general, para poder comparar los gráficos, hay que reducirlos de alguna manera a una base común. Dependiendo de la elección de esta base, puede haber patrones completamente diferentes.
Si tomamos la varianza como base común, el gráfico será más estrecho, pero aparecerán colas gruesas.
Me refería a Erlang, pero ese no es el tema aquí. La distribución normal tiene 2 parámetros: la MO y la varianza. En este caso MO = 0, pero la varianza no es cero y para dibujar una gráfica necesitamos fijar su valor. Así que pregunto, ¿cómo ha elegido Urain el valor de la varianza?
Y en general, para poder comparar los gráficos, hay que reducirlos de alguna manera a una base común. Dependiendo de la elección de esta base, puede haber patrones completamente diferentes.
Si tomamos la varianza como base común, el gráfico será más estrecho, pero aparecerán colas gruesas.
Tengo la firme sospecha de que Urain tomó características similares de las series resultantes como parámetros de entrada para la expectativa y la varianza. Pero puede que no sea así.
La principal y única condición para obtener HP es la independencia de los términos de la serie. Esta es la prueba de que la independencia no se mantiene.
Es probable que una línea de producción de bombillas mecánicas tenga una distribución normal de fallos aleatorios REALES, errores del equipo. Por lo tanto, es probable que el número de bombillas producidas normalmente (su brillo, resistencia, grosor del filamento) se ajuste a una curva de distribución normal. A los lados de esta curva normal (sus colas finas), habrá casos BORDES en los que el grosor del filamento esté por encima o por debajo de la norma y la bombilla se queme. Pero el número total de estos casos anormales, al límite, puede calcularse de antemano (integrando la curva de distribución o lo que sea). Por eso la fábrica de bombillas sabe de antemano que una caja de bombillas puede contener una media de tres bombillas malas que se fundirán en un futuro muy próximo. Hay que sustituirlas en garantía, por lo que el distribuidor local de bombillas, con fe en la ciencia de la estadística, informa de una media de 3 bombillas extra por caja. Los errores en los parámetros de la bombilla entran dentro de la CRIVA NORMAL DE EVENTOS LOCALES (no los parámetros en sí, sino sus errores). El evento aleatorio aquí no es la liberación de la bombilla en sí, sino el ERROR del parámetro de la bombilla.
Si el proceso de producción de la bombilla (o más exactamente la formación de los parámetros de la bombilla) no se ajusta a una curva normal, por ejemplo, la línea está rota y es defectuosa, el proveedor ha enviado tungsteno malo, entonces la tasa de defectos aumentará dramáticamente, los parámetros de la bombilla se "desviarán". Si entonces se miden con precisión los parámetros de un lote de bombillas, no se ajustarán a la curva de las normas. En este caso, la planta no sabe cuántos bulbos tiene que entregar al distribuidor.
Si medimos un proceso no aleatorio, entonces... no puedes decir nada en absoluto. Se puede trazar la curva de distribución de probabilidad de un suceso, simplemente midiendo la ocurrencia del suceso en un intervalo, pero... no nos dice nada.
Los ingenieros eléctricos y los matemáticos y estadísticos a los que emplean, AMAN a lidiar con los errores de medición. Que muy probablemente sean NORMALES (si el aparato en sí fue hecho por un ingeniero normal). De ahí todas sus fórmulas.
En el caso de las series de precios, las primeras diferencias (u otras combinaciones) no son un evento aleatorio, y su curva de distribución PUEDE SER CUALQUIER COSA. Y aunque se conozca con precisión, no sirve para comerciar.
No te metas conmigo, tuve un 2 tanto en teoría como en matstat.
Así, el análisis de velas puede funcionar con una probabilidad de 60-40 o incluso 70-30. Esto es bueno.
Las dependencias pueden ser muy diferentes. No depende necesariamente de los valores de los incrementos anteriores, que es lo que hace el análisis de velas. Puede ser, por ejemplo, la dependencia del módulo del valor de los incrementos (volatilidad). El hecho de que la volatilidad esté autocorrelacionada es bien conocido y los modelos de volatilidad como GARCH (que utiliza la autocorrelación) han recibido un premio Nobel. No es difícil verlo por uno mismo. Y esta es una de las variantes por las que la distribución tiene "colas pesadas".
P.D. En un sentido amplio, la independencia se describe en la definición de estacionariedad.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
He escuchado muchas veces sobre las colas gruesas de la distribución, pero todavía no entiendo cuál es el punto, hice un indicador que emite la distribución del tamaño de las barras (basado en la diferencia Close[i]-Close[i+1]) en separadas, ¿puede alguien explicar por qué la distribución de las barras es más estrecha que la normal?
El punto de referencia es un histograma amarillo de línea roja.
Y el indicador que se utilizó para construirlo. Título original (Distribution_GCF_&_norm_test)