Perché la distribuzione normale non è normale? - pagina 3
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Va tutto bene, hai una bella curva!
Nishchak.
(Grande striscione nel dormitorio del 5° anno: TUTTO NORMALE!)
Non c'è bisogno di alcuna moltiplicazione per questo metodo, però. Proprio così.
Calcolo la funzione di riferimento usando questa formula:
Quindi, con x, diciamo 50, il valore assoluto non può semplicemente essere diverse migliaia come nell'istogramma, quindi dovete ancora adattarvi,
Ma per la correttezza dell'adattamento è necessario applicarlo a tutti i membri della curva, poi l'aspetto della curva non cambia (specialmente sulla scala mobile).
Tuttavia, per la stima della normalità non è necessario moltiplicare nulla. Ma forse non ho capito bene la sua domanda.
Colleghi, cosa state facendo?
Un ricercatore ipotizza che un processo casuale in esame sia NORMALE e modella la sua curva di probabilità o densità di probabilità sulla base dell'ipotesi NORMALE.
L'ipotesi non è confermata. I grafici non corrispondono.
Questo è tutto.
Questo è il primo passo. Sì, anormale. Poi si può speculare su come differisce da HP che approssima al massimo i dati sperimentali. >> parlare puramente :)
Per controllare la normalità non c'è bisogno di disegnare istogrammi e discutere su come scalarli. È sufficiente ricavare M e sigma. Il fatto che M sia intorno allo zero è evidente, e quindi resta da vedere se sigma è circa 3.
C'è anche la possibilità di disegnare un istogramma su una scala logaritmica. Per una distribuzione normale si ottiene una parabola.
Non c'è bisogno di disegnare istogrammi e discutere su come scalarli per verificare la normalità. È sufficiente visualizzare M e sigma. Potete vedere che M è intorno allo zero, quindi tutto quello che dovete fare è vedere se sigma è intorno a 3.
La forma della distribuzione non gioca un ruolo?
La forma di distribuzione non ha importanza?
La forma della distribuzione è determinata da due parametri: asimmetria gamma e curtosi ed epsilon. È auspicabile dedurre anche la gamma, ma per ora si può indovinare a occhio.
C'è anche la possibilità di disegnare un istogramma su una scala logaritmica. Per una distribuzione normale otterremo una parabola.
Da quanto ho capito, il problema dell'approssimazione ottimale della distribuzione normale non può essere risolto analiticamente. Ma non ce n'è bisogno. Se tracciamo la serie della prima differenza per il prezzo VR, otterremo una distribuzione con zero MO e dato che il valore assoluto dell'ampiezza della distribuzione non è importante per noi, avremo solo un parametro definibile - la larghezza della distribuzione.
Qui, per esempio, nella parte superiore della figura, una serie di minuzie è mostrata in alto e la sua prima differenza è a destra. In basso a sinistra c'è la densità della distribuzione di probabilità, e a destra la stessa distribuzione su scala logaritmica. Se la distribuzione fosse normale, qui avremmo una parabola, cosa che non è, a causa delle code "grasse". Fondamentalmente, abbiamo bisogno di adattare una gaussiana ai minimi quadrati qui, e poi tutto andrà a posto. Ho bisogno di inserire una formula per l'adattamento ottimale...
Bene, ecco che arriva Neutron e mette tutto al suo posto. A proposito, marketeer ha anche un punto sulla curtosi e l'asimmetria.
La curva gaussiana corrispondente può essere tracciata come volete, ma qui è più facile calcolare semplicemente la varianza del campione e tracciare una curva gaussiana con i parametri 0 e sigma. È allora che si può vedere la differenza tra un vero istogramma e una tale curva gaussiana.
A proposito, questa approssimazione gaussiana dovrebbe essere significativamente più bassa dell'istogramma reale al centro della curva (al punto zero).
Urain, di quanto hai moltiplicato il s.c.o. dei campioni?
D'altra parte, la stima del c.c.o. per una distribuzione fortemente a coda spessa dipende dalla dimensione del campione, quindi non è così semplice in questo caso.