Calculez la probabilité d'inversion - page 6
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Donc c'est un lissage.
)
C'est une approximation du mélange gaussien...
)
C'est une approximation du mélange gaussien...
L'approximation par mélange est un peu différente.
)
C'est une approximation par un mélange de gaussiens...
Eh bien, je suis intéressé par le résultat final, pas par les gaussiennes individuelles.
Alors vous devez trouver "applied statistics" de Kobzar et regarder le deuxième chapitre qui s'y trouve).
Cherché, mais même un mot comme "approximation" n'a pas trouvé).
En général, c'est étrange. Il y a un million de façons compliquées d'estimer. Sauf une, la plus claire, la plus simple et la plus précise : l'approximation.
Peut-être que je ne comprends pas quelque chose ?
J'ai cherché, mais je n'ai même pas trouvé le mot "approximation").
C'est bizarre. Il existe un million de méthodes d'estimation intelligentes. Sauf une, qui est la plus claire, la plus simple et la plus précise : l'approximation.
Peut-être que je ne comprends pas quelque chose ?
Il est possible d'établir un très grand nombre d'estimations différentes. Il suffit ensuite d'établir leur cohérence et leur impartialité, à tout le moins. Ce n'est pas vrai pour tous les estimateurs "précis, simples et directs", un exemple typique étant le dénominateur n-1 dans un estimateur de variance sans biais.
Si l'estimation existante est également efficace et suffisante, alors l'invention de nouvelles estimations est soit inutile, soit doit avoir un fondement supplémentaire. Il s'agit généralement de considérations de robustesse, qui permettent de traiter les petits échantillons, les valeurs aberrantes, les valeurs manquantes, etc.
Il ne s'agit pas d'une série chronologique, mais d'un histogramme proche de la normale.
A quel point les gens s'enfoncent dans les approches probabilistes et oublient même qu'un histogramme n'est qu'un "moyen de représenter graphiquement des données tabulaires" (Wiki), ce qui ne dit rien sur son contenu. Pour autant que je puisse le deviner, vous parlez d'un tableau de fréquences d'échantillonnage relatives (par rapport à leur somme totale) Hi d'un certain événement x>xi, vraisemblablement proche d'une distribution de probabilité normale. Et de le remplacer par des valeurs de probabilités de distribution normale afin que l'erreur soit minimale en quelque sorte. Qu'est-ce qui ne vous plaît pas dans les formules de calcul direct de ces paramètres, l'espérance et la variance selon leur définition ?
Si les xi du tableau sont équidistants, alors :
- L'espérance est ajustée simplement comme la moyenne arithmétique de toutes les réalisations = la moyenne pondérée des valeurs du tableau avec des poids égaux à Íi de ce tableau ;
- dispersion - comme la racine carrée de l'écart-type (les poids sont les mêmes Hi), ou, si vous voulez une plus grande précision d'estimation, non pas l'écart-type, mais l'écart-type (la seule différence est de savoir s'il faut diviser par n ou par n-1). L'estimation de l'écart-type est sans biais.
...
Ici, sur l'axe des x, vous pouvez voir combien de pas la personne a fait par rapport au point de départ, de -10 (à gauche) à +10 (à droite) et le % de probabilité avec lequel elle l'a fait. Comment trouver la probabilité de faire demi-tour à chaque étape ?
Votre exemple est très probablement le résultat d'une simulation de la vénérable planche de Galton avec des réflecteurs.
En tout cas, c'est très similaire.
est très plausible à 10
itérations (c'est-à-dire un tableau de type "maison") pour une chaîne de Markov avec une matrice de probabilité de transition -
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
état initial 0 0 0 0 0 1000 0 0 0 0 0. c'est-à-dire à partir du zéro relatif)
Quel est votre problème avec les formules permettant de calculer directement ces paramètres, l'espérance et la variance de leur définition ?
Par exemple, ils ne présentent pas de queue de poisson.
Par exemple, ils ne montrent pas de queue de poisson. Et les gaussiennes, basées sur elles, sont susceptibles de ne pas converger avec les données, que ce soit dans les queues ou au centre.
Mais néanmoins la différence significative ne se situe que dans les bunkers les plus extérieurs. Comme je l'ai dit plus haut, c'est à cause des murs réfléchissants).
Par exemple, ils ne montrent pas de queue épaisse.
Ce ne sont pas du tout les manières d'estimer les paramètres d'une distribution normale (ajustement, approximation) qui le montrent. C'est la distribution normale elle-même qui n'a pas de queues épaisses. Demandez à Alexander_K2, il cherchait ces queues. Il suffit de regarder le tableau avec les paramètres des unités. Il existe des tableaux dans tous les manuels de télévision, je pense, et dans tous les ouvrages de référence en mathématiques. Quelle que soit la façon dont vous l'ajustez, vous devez modifier la distribution des variantes pour attraper les grosses queues. Et pourquoi avez-vous besoin d'une distribution de type exactement ? Exactement la distribution de probabilité ? Pourquoi ces timbres pour "certaines données" ? Ou bien ne s'agit-il pas de données après tout, mais plutôt de fréquences relatives d'échantillons, comme je l'avais deviné ?
Peut-être que le point est que la représentation probabiliste ne décrit pas du tout vos données ? Rappelez-vous, comment les danses d'attente sur les photos de Yuriy Asaulenko https://www.mql5.com/ru/forum/221552/page162#comment_6399653 sur les taux de change. Ne voulez-vous pas utiliser la représentation probabiliste pour eux ? On comprend alors d'où viennent les queues lourdes.