Por que a distribuição normal não é normal? - página 3

 
AlexEro писал(а) >>

Está tudo bem, você tem uma curva agradável!

Nishchak.

(Grande faixa no dormitório do 5º ano: ALL NORMAL!)

Mas não é necessário multiplicar este método. É isso mesmo.

 
Urain писал(а) >>

Calculo a função de referência usando esta fórmula :

Assim, com x em, digamos, 50 o valor absoluto simplesmente não pode ser de vários milhares como no histograma, então você ainda tem que caber,

Mas para que o encaixe seja correto é necessário aplicá-lo a todos os membros da curva, então a aparência da curva não muda (especialmente na escala de deslizamento).

Ainda assim, para a estimativa da normalidade não é necessário multiplicar nada. Mas talvez eu não entenda totalmente sua pergunta.

 
AlexEro писал(а) >>

Colegas, o que vocês estão fazendo?

Um pesquisador faz a hipótese de que um processo aleatório sob investigação é NORMAL e modela sua curva de probabilidade ou densidade de probabilidade com base na hipótese NORMAL.

A hipótese não está confirmada. Os gráficos não corresponderam.

É isso aí.

Bem, esse é o primeiro passo. Sim, anormal. Em seguida, você pode especular como ele difere da HP aproximando ao máximo os dados experimentais. >> falar puramente :)

 
Você não precisa desenhar nenhum histograma e discutir sobre como escalá-los para verificar a normalidade. É o suficiente para produzir M e sigma... geez, epsilon (kurtosis). O fato de M estar em torno de zero é óbvio, então tudo o que resta ver é se o epsilon está em torno de 3.
 
marketeer писал(а) >>
Para verificar a normalidade, você não precisa desenhar nenhum histograma e discutir sobre como escalá-los. É suficiente derivar M e sigma. O fato de M estar em torno de zero é evidente, portanto resta saber se sigma equivale a aproximadamente 3.

Há também a opção de desenhar um histograma em uma escala logarítmica. Para uma distribuição normal, obtemos uma parábola.

 
marketeer >> :
Você não precisa desenhar nenhum histograma e discutir sobre como escalá-los para verificar a normalidade. É suficiente exibir M e sigma. Você pode ver que M está por volta de zero, então tudo o que você precisa fazer é ver se sigma está por volta de 3.

A forma da distribuição não desempenha um papel?

 
Urain >> :

A forma de distribuição não importa?

A forma da distribuição é determinada por dois parâmetros: assimetria gama e curtose e epsilon. É desejável deduzir também a gama, mas por enquanto você pode estimar isso a olho nu.

 
Estou completamente inundado... ;-) A expectativa zero não é, naturalmente, importante para a normalidade.
 
lea >> :

Há também a opção de desenhar um histograma em uma escala logarítmica. Para uma distribuição normal, receberemos uma parábola.

Segundo entendi, o problema da aproximação ideal da distribuição normal não pode ser resolvido de forma analítica. Mas não há necessidade disso. Se traçarmos a série da primeira diferença para o preço VR, teremos uma distribuição com MO zero e dado que o valor absoluto da amplitude de distribuição não é importante para nós, teremos apenas um parâmetro definível - a largura de distribuição.

Aqui, por exemplo, no topo da figura, uma série de minúcias é mostrada na parte superior e sua primeira diferença é para a direita. Na parte inferior esquerda está a densidade da distribuição de probabilidade, na direita está a mesma distribuição de probabilidade em uma escala logarítmica. Se a distribuição fosse normal, teríamos aqui uma parábola, o que não é, por causa das caudas "gordas". Basicamente, precisamos encaixar aqui um Gaussiano de mínimos quadrados, e então tudo se encaixará no lugar. Preciso de lançar uma fórmula para o ajuste ideal.

 

Bem, aí vem o Neutron e coloca tudo em seu lugar. A propósito, o marketeer também tem um ponto sobre a curtose e assimetria.

A curva gaussiana correspondente pode ser traçada como você quiser, mas aqui é mais fácil simplesmente calcular a variância da amostra e traçar uma curva gaussiana com os parâmetros 0 e sigma. É quando você pode ver a diferença entre um histograma real e uma curva tão gaussiana.

A propósito, esta aproximação gaussiana deve ser significativamente inferior ao histograma real no centro da curva (no ponto zero).

Urain, por quanto você multiplicou o s.c.o. das amostras?

Por outro lado, a estimativa do c.c.o. para uma distribuição de cauda muito grossa depende do tamanho da amostra, portanto não é tão simples aqui.