Calcular la probabilidad de inversión - página 6
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
Así que se está suavizando.
)
Es una aproximación de la mezcla gaussiana...
)
Es una aproximación de la mezcla gaussiana...
La aproximación por mezcla es un poco diferente.
)
Es una aproximación por una mezcla de gaussianos...
Bueno, me interesa el resultado final, no los gaussianos individuales.
Entonces tienes que encontrar la "estadística aplicada" de Kobzar y mirar el segundo capítulo de la misma).
Buscó, pero incluso una palabra como "aproximación" no encontró)
En general, es extraño. Hay un millón de formas complicadas de estimación. Salvo una, la más clara, sencilla y precisa: la aproximación.
¿Quizás no entiendo algo?
Lo he buscado, pero no he encontrado la palabra "aproximación").
Es raro. Hay un millón de formas inteligentes de estimación por ahí. Excepto una, que es la más clara, sencilla y precisa: la aproximación.
¿Quizás no entiendo algo?
Es posible llegar a un enorme número de estimaciones diversas. Sólo hay que establecer entonces su coherencia e imparcialidad, como mínimo. Esto no es cierto para todos los estimadores "precisos, simples y sencillos", un ejemplo típico es el denominador n-1 en un estimador de varianza insesgado.
Si la estimación existente también es eficiente y suficiente, entonces la invención de nuevas estimaciones no tiene sentido en absoluto, o debe tener alguna base adicional. Por lo general, se trata de consideraciones de robustez, que tienen que ver con muestras pequeñas, valores atípicos, valores perdidos, etc.
No se trata de una serie temporal, sino de un histograma cercano a la normalidad.
Qué profundo es el planteamiento probabilístico que se hace aquí y hasta se olvida que un histograma es sólo "una forma de representar gráficamente datos tabulares" (Wiki), lo que no dice nada de su contenido. Por lo que puedo adivinar, estás hablando de una tabla de frecuencias muestrales relativas (relativas a su suma total) Hi de algún evento x>xi, presumiblemente cercano a una distribución de probabilidad normal. Y sobre sustituirlo por valores de probabilidades de distribución normal para que el error sea mínimo en algún sentido. ¿Qué es lo que no te gusta de las fórmulas para el cálculo directo de estos parámetros, la expectativa y la varianza por su definición?
Si xi en la tabla son equidistantes, entonces:
- La expectativa se ajusta simplemente como la media aritmética de todas las realizaciones = la media ponderada de los valores de la tabla con pesos iguales a Íi de esa tabla;
- la dispersión - como la raíz cuadrada de la desviación estándar (los pesos son los mismos Hi), o, si se quiere una mayor precisión de la estimación, no la desviación estándar, sino la desviación estándar (la única diferencia es si se divide por n o por n-1). La estimación de la desviación estándar es insesgada.
...
Aquí, en el eje de abscisas, se puede ver cuántos pasos se alejó la persona del punto de partida, de -10 (izquierda) a +10 (derecha) y el % de probabilidad con que lo hizo. ¿Cómo se averigua cuál era la probabilidad de dar la vuelta en cada paso?
Lo más probable es que su ejemplo sea el resultado de una simulación de la venerable tabla Galton con reflectores.
En cualquier caso, es muy similar.
es muy plausible al 10
iteraciones (es decir, un tablero tipo "casa") para una cadena de Markov con matriz de probabilidad de transición -
0.75 0.25 0 0 ... 0
0.25 0.5 0.25 0 ... 0
...
0 ... 0.25 0.5 0.25
0 ... 0 0.25 0.75
estado inicial 0 0 0 0 1000 0 0 0 0. es decir, desde el cero relativo)
¿Cuál es tu problema con las fórmulas para calcular directamente estos parámetros, la expectativa y la varianza de su definición?
Por ejemplo, no muestran cola de grasa.
Por ejemplo, no muestran la cola gorda. Y los gaussianos, basados en ellos, probablemente no converjan con los datos ni en las colas ni en el centro.
Pero, sin embargo, la diferencia significativa está sólo en los búnkeres más exteriores. Como ya he dicho, esto se debe a las paredes reflectantes).
Por ejemplo, no muestran una cola gruesa.
No son las formas de estimar los parámetros de una distribución normal (ajuste, aproximación) las que lo demuestran en absoluto. Es la propia distribución normal la que no tiene colas gruesas. Pregúntale a Alexander_K2, él estaba buscando esas colas. Basta con mirar la tabla con los parámetros de las unidades. Hay tablas en todos los libros de texto de televisión, creo, y en todos los libros de referencia de matemáticas. No importa cómo se ajuste, hay que cambiar la distribución de las variantes para captar las colas gordas. ¿Y por qué se necesita exactamente una distribución de probabilidad? ¿Exactamente la distribución de la probabilidad? ¿Por qué estos sellos para "algunos datos"? ¿O no se trata de unos datos, sino de frecuencias relativas de muestras, como yo suponía?
¿Quizá la cuestión es que la representación probabilística no describe en absoluto sus datos? Recuerde, como la expectativa baila en las fotos de Yuriy Asaulenko https://www.mql5.com/ru/forum/221552/page162#comment_6399653 en las tasas de Forex. ¿No quieres usar la representación probabilística para ellos? Entonces está claro de dónde vienen las colas pesadas.