Pourquoi la distribution normale n'est-elle pas normale ? - page 3

 
AlexEro писал(а) >>

C'est bon, tu as une belle courbe !

Nishchak.

(Grande bannière dans le dortoir des 5èmes années : TOUT EST NORMAL !)

Vous n'avez pas besoin de multiplication pour cette méthode. C'est vrai.

 
Urain писал(а) >>

Je calcule la fonction de référence en utilisant cette formule :

Ainsi, avec un x de 50, par exemple, la valeur absolue ne peut tout simplement pas être de plusieurs milliers, comme dans l'histogramme, et vous devez donc toujours vous adapter,

Mais pour que l'ajustement soit correct, il est nécessaire de l'appliquer à tous les membres de la courbe, de sorte que l'aspect de la courbe ne change pas (en particulier sur l'échelle mobile).

Pourtant, pour l'estimation de la normalité, il n'est pas nécessaire de multiplier quoi que ce soit. Mais peut-être que je ne comprends pas bien votre question.

 
AlexEro писал(а) >>

Chers collègues, que faites-vous ?

Un chercheur émet l'hypothèse qu'un processus aléatoire étudié est NORMAL et modélise sa probabilité ou sa courbe de densité de probabilité sur la base de l'hypothèse NORMALE.

L'hypothèse n'est pas confirmée. Les graphiques ne correspondent pas.

C'est tout.

C'est la première étape. Oui, anormal. Ensuite, vous pouvez spéculer sur la manière dont elle diffère des données expérimentales d'approximation maximale de HP. >> parler purement :)

 
Vous n'avez pas besoin de dessiner d'histogrammes et de discuter de la façon de les mettre à l'échelle pour vérifier la normalité. Il suffit de sortir M et sigma... Bon sang, epsilon (kurtosis). Le fait que M soit autour de zéro est évident, il ne reste donc plus qu'à voir si l'epsilon est autour de 3.
 
marketeer писал(а) >>
Pour vérifier la normalité, il n'est pas nécessaire de dessiner des histogrammes et de discuter de leur échelle. Il suffit de dériver M et sigma. Le fait que M soit autour de zéro est évident, il reste donc à savoir si sigma est autour de 3.

Il est également possible de dessiner un histogramme sur une échelle logarithmique. Pour une distribution normale, on obtient une parabole.

 
marketeer >> :
Vous n'avez pas besoin de dessiner d'histogrammes et de discuter de la façon de les mettre à l'échelle pour vérifier la normalité. Il suffit d'afficher M et sigma. Vous pouvez voir que M est autour de zéro, donc tout ce que vous devez faire est de voir si sigma est autour de 3.

La forme de la distribution ne joue-t-elle pas un rôle ?

 
Urain >> :

La forme de distribution n'a-t-elle pas d'importance ?

La forme de la distribution est déterminée par deux paramètres : l'asymétrie gamma et le kurtosis et epsilon. Il est souhaitable de déduire également le gamma, mais pour l'instant vous pouvez l'estimer à l'œil.

 
Je suis complètement débordé... ;-) L'espérance zéro n'est bien sûr pas importante pour la normalité.
 
lea >> :

Il est également possible de dessiner un histogramme sur une échelle logarithmique. Pour une distribution normale, nous obtiendrons une parabole.

Si je comprends bien, le problème de l'approximation optimale de la distribution normale ne peut pas être résolu analytiquement. Mais il n'y a pas besoin de cela. Si nous traçons la série de la première différence pour le prix VR, nous obtiendrons une distribution avec zéro MO et étant donné que la valeur absolue de l'amplitude de la distribution n'est pas importante pour nous, nous n'aurons qu'un seul paramètre définissable - la largeur de la distribution.

Ici, par exemple, la figure du haut montre une série de points caractéristiques en haut et sa première différence à droite. En bas à gauche se trouve la densité de la distribution de probabilité, à droite la même distribution de probabilité sur une échelle logarithmique. Si la distribution était normale, nous aurions ici une parabole, ce qui n'est pas le cas, en raison des queues "grasses". En gros, nous devons ajuster une gaussienne des moindres carrés ici, et ensuite tout se mettra en place. Je dois ajouter une formule pour l'ajustement optimal...

 

Eh bien, voici Neutron qui remet tout à sa place. Au fait, Marketeer a également raison en ce qui concerne l'aplatissement et l'asymétrie.

La courbe gaussienne correspondante peut être tracée comme vous le souhaitez, mais ici le plus simple est de calculer simplement la variance de l'échantillon et de tracer une courbe gaussienne avec les paramètres 0 et sigma. C'est alors que vous pouvez voir la différence entre un véritable histogramme et une telle courbe gaussienne.

À propos, cette approximation gaussienne devrait être significativement plus basse que l'histogramme réel au centre de la courbe (au point zéro).

Urain, par combien avez-vous multiplié le s.c.o. des échantillons ?

D'un autre côté, l'estimation du c.c.o. pour une distribution à queue fortement épaisse dépend de la taille de l'échantillon, donc ce n'est pas si simple ici.