¿Por qué la distribución normal no es normal? - página 3
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
¡Está bien, tienes una bonita curva!
Nishchak.
(Gran pancarta en el dormitorio de 5º año: ¡TODO NORMAL!)
Sin embargo, no necesitas ninguna multiplicación para este método. Así es.
Calculo la función de referencia utilizando esta fórmula :
Así que con x en digamos 50 el valor absoluto simplemente no puede ser de unos pocos miles como en el histograma, por lo que todavía tiene que ajustar,
Pero para que el ajuste sea correcto es necesario aplicarlo a todos los miembros de la curva, entonces el aspecto de la curva no cambia (especialmente en la escala deslizante).
Aun así, para la estimación de la normalidad no es necesario multiplicar nada. Pero quizás no entiendo bien su pregunta.
Colegas, ¿qué están haciendo?
Un investigador plantea la hipótesis de que un proceso aleatorio investigado es NORMAL y modela su probabilidad o curva de densidad de probabilidad en función de la hipótesis NORMAL.
La hipótesis no se confirma. Los gráficos no coinciden.
Eso es todo.
Bueno, ese es el primer paso. Sí, anormal. A continuación, puede especular en qué se diferencia de los datos experimentales de máxima aproximación de HP. >> hablar puramente :)
Para comprobar la normalidad no hace falta dibujar ningún histograma ni discutir cómo escalarlo. Basta con derivar M y sigma. El hecho de que M esté en torno a cero es evidente, por lo que queda por averiguar si sigma está en torno a 3.
También existe la opción de dibujar un histograma en una escala logarítmica. Para una distribución normal obtenemos una parábola.
No es necesario dibujar ningún histograma ni discutir cómo escalarlo para comprobar la normalidad. Basta con mostrar M y sigma. Puedes ver que M está alrededor de cero, así que todo lo que tienes que hacer es ver si sigma está alrededor de 3.
¿No influye la forma de la distribución?
¿No importa la forma de distribución?
La forma de la distribución viene determinada por dos parámetros: la asimetría gamma y la curtosis y épsilon. Es deseable deducir también la gamma, pero por ahora se puede adivinar a ojo.
También existe la opción de dibujar un histograma en una escala logarítmica. Para una distribución normal obtendremos una parábola.
Según tengo entendido, el problema de la aproximación óptima de la distribución normal no se puede resolver analíticamente. Pero no es necesario. Si trazamos la serie de la primera diferencia para el precio VR, obtendremos una distribución con MO cero y dado que el valor absoluto de la amplitud de la distribución no es importante para nosotros, sólo tendremos un parámetro definible: la amplitud de la distribución.
Aquí, por ejemplo, en la parte superior de la figura, se muestra una serie de puntos característicos en la parte superior y su primera diferencia está a la derecha. Abajo a la izquierda está la densidad de la distribución de probabilidad, a la derecha está la misma distribución de probabilidad en una escala logarítmica. Si la distribución fuera normal, tendríamos aquí una parábola, que no lo es, debido a las colas "gordas". Básicamente, tenemos que ajustar una gaussiana de mínimos cuadrados aquí, y entonces todo encajará en su sitio. Tengo que echar una fórmula para el ajuste óptimo...
Bueno, aquí viene Neutrón y pone todo en su lugar. Por cierto, marketeer también tiene un punto sobre la curtosis y la asimetría.
La curva gaussiana correspondiente se puede trazar como se quiera, pero aquí lo más fácil es calcular simplemente la varianza de la muestra y trazar una curva gaussiana con los parámetros 0 y sigma. Es entonces cuando se puede ver la diferencia entre un histograma real y una curva gaussiana de este tipo.
Por cierto, esta aproximación gaussiana debe ser significativamente menor que el histograma real en el centro de la curva (en el punto cero).
Urain, ¿por cuánto has multiplicado el s.c.o. de las muestras?
Por otra parte, la estimación del c.c.o. para una distribución de cola gruesa depende del tamaño de la muestra, por lo que no es tan sencillo en este caso.