Calcular a probabilidade de inversão - página 8

 
Aleksey Nikolayev:

OK, vamos então tomar uma densidade de distribuição Cauchy ou Laplace.

Não estou interessado na distribuição de Cauchy ou Laplace, e não pretendo defini-la)

E eu não preciso de parâmetros gaussianos. A questão é diferente.

 
secret:

... Quão perto está do Gaussiano, onde se afasta dele e por quanto ...

Eu só queria entender como você responderia a esta pergunta no caso hipotético em que se sabe que os dados são distribuídos exatamente de acordo com a distribuição padrão da Cauchy. Então, seria mais fácil responder também no caso de dados reais. Por exemplo, algo parecido com aquele gaussiano para o qual a soma dos módulos de desvios dos deciles é mínima, etc.

Ou eu não entendo nada da pergunta.

 
Aleksey Nikolayev:

Eu só queria ver como você responderia a esta pergunta no caso hipotético em que você sabe com certeza que os dados são distribuídos exatamente de acordo com a distribuição padrão da Cauchy. Então, seria mais fácil responder também no caso de dados reais. Por exemplo, algo parecido com aquele gaussiano para o qual a soma dos módulos de desvios dos deciles é mínima, etc.

Ou eu não entendo nada da pergunta.

Alexey, como a analogia da distribuição Cauchy pode ser aplicada na prática?

Interessante pós-escrito, ele não chegou a

 
Aleksey Nikolayev:

Eu só queria ver como você responderia a esta pergunta no caso hipotético em que você sabe com certeza que os dados são distribuídos exatamente de acordo com a distribuição padrão da Cauchy. Então, seria mais fácil responder também no caso de dados reais. Por exemplo, algo parecido com aquele gaussiano para o qual a soma dos módulos de desvios dos deciles é mínima, etc.

Ou eu não entendo nada da pergunta.

Bem, a habitual aproximação linear por MNC. Tomamos o gaussiano para o qual a soma dos quadrados de desvios é mínima.

A questão é que, no centro da distribuição, o valor dos desvios será, digamos, da ordem de 0,1. E nas caudas, digamos, da ordem de 0,01.

Isto é, a montagem ocorrerá principalmente em pontos do centro da distribuição.

E me parece que todos os pontos devem participar igualmente.

Para isto você pode tomar uma escala logarítmica no eixo vertical, ou em vez de desvios-diferenças tomar desvios parciais, ou seja, dividir uma distribuição por outra, e depois já aproximada.

 
secret:

Bem, a habitual aproximação linear por ANC. Tomamos o gaussiano para o qual a soma dos quadrados dos desvios é mínima.

A questão é que, no centro da distribuição, o valor dos desvios será, digamos, da ordem de 0,1. E nas caudas, digamos, da ordem de 0,01.

Isto é, a montagem ocorrerá principalmente em pontos do centro da distribuição.

E me parece que todos os pontos devem participar igualmente.

Para isso, pode-se tomar uma escala logarítmica no eixo vertical, ou tomar desvio-parcial em vez de desvio-diferenças, ou seja, dividir uma distribuição por outra, e depois já aproximar...

Há alguma razão para que a "participação" de pontos que ocorrem raramente deva ser a mesma que a de pontos próximos à mediana (centro) que ocorrem com muito mais freqüência? Por que essa amplificação de papéis na aproximação? Não sairia que "a cauda abana o cão"?

Na verdade, existem MNCs com pesos para controlar o papel de diferentes pontos. Por exemplo, estabeleça-os como valores inversos à função de densidade de probabilidade de distribuição normal e pronto. O principal é manter a soma dos pesos em 1. A propósito, o que é "aproximação linear por MNC" se não uma aproximação em linha reta?

Ядерная оценка неизвестной плотности вероятности
Ядерная оценка неизвестной плотности вероятности
  • www.mql5.com
Совершенствование языка MQL5 в плане его быстродействия и постоянный рост производительности персональных компьютеров привели к тому, что пользователи платформы MetaTrader 5 все чаще для анализа рынка стали использовать достаточно сложные, развитые математические методы. Эти методы могут принадлежать различным областям экономики, эконометрики...
 
Vladimir:

Há alguma razão para que a "participação" de pontos que ocorrem raramente deva ser a mesma que aqueles próximos à mediana (centro), que ocorrem com muito mais freqüência? Por que um tal reforço do papel na aproximação? Não sairia que "a cauda abana o cão"?

Na verdade, existem MNCs com pesos para controlar o papel de diferentes pontos. Por exemplo, estabeleça-os como valores inversos à função de densidade de probabilidade de distribuição normal e pronto. O principal é manter a soma dos pesos em 1. A propósito, o que é um MNC "linear"?

1. É claro que há. Os rabos são de grande magnitude, afinal de contas. Aplicado ao mercado - perdas raras, mas grandes. Não é reforço de papéis, é compensação pela falta de papéis, resultando em dar papéis iguais a todos os pontos.

2. Sobre MNC com pesos que eu conheço. A questão não é a técnica de aproximação, mas sua ideologia.

3. Quando uma relação linear é assumida entre quantidades.

 
secret:

1. É claro que há. Afinal de contas, há caudas grandes. Aplicadas ao mercado, raras mas grandes perdas.

2. Eu sei sobre MNC com pesos. A questão não está na técnica de aproximação, mas em sua ideologia.

3. Quando uma relação linear é assumida entre valores.

1. esta não é mais uma abordagem probabilística. As caudas da distribuição de probabilidade significam casos pequenos e raros, enquanto os principais e significativos têm sua própria distribuição, diminuindo rapidamente em direção às bordas.

2. A pergunta era: "A propósito, Alexey e Vladimir, digam-me. Suponha que queremos aproximar alguns dados por distribuição normal.Cauda e meio de distribuição devem ter o mesmo peso em aproximação, suponho?" .

A resposta é não. Se modelamos o problema com métodos probabilísticos, então é claro que aqueles eventos que ocorrem mais freqüentemente do que outros são mais importantes, ou seja, mais prováveis. Isto é ideológico.

3. Causalidade linear, você quer dizer? O ISC se importa com o tipo de relacionamento que existe?

 
secret:

Bem, a habitual aproximação linear por ANC. Tomamos o gaussiano para o qual a soma dos quadrados dos desvios é mínima.

A questão é que, no centro da distribuição, o valor dos desvios será, digamos, da ordem de 0,1. E nas caudas, digamos, da ordem de 0,01.

Isto é, a montagem ocorrerá principalmente em pontos do centro da distribuição.

E me parece que todos os pontos devem participar igualmente.

Para fazer isso, pode-se tomar uma escala logarítmica no eixo vertical ou, em vez de desvios, tomar desvios parciais, ou seja, dividir uma distribuição por outra, e depois já aproximá-la.

Faz lembrar um pouco o teste de adequação de Pearson (qui-quadrado). Dê uma olhada em Kobzar no capítulo três. Só é necessário entender claramente a diferença entre a hipótese simples nula e a hipótese complexa, quando os parâmetros de distribuição são desconhecidos e são estimados a partir da amostra (por exemplo, minimizando a estatística qui-quadrada).

 
Vladimir:

1. esta não é mais uma abordagem probabilística. Os rabos da distribuição de probabilidade referem-se a casos pequenos, raros, e os maiores, significativos, têm sua própria distribuição, diminuindo rapidamente em direção às bordas.

2. A pergunta era: "A propósito, Alexey e Vladimir, digam-me. Suponha que queremos aproximar alguns dados por distribuição normal.Cauda e meio de distribuição devem ter o mesmo peso em aproximação, suponho? ".

A resposta é não. Se modelamos o problema com métodos probabilísticos, então é claro que aqueles eventos que ocorrem mais freqüentemente do que outros são mais importantes, ou seja, mais prováveis. Isto é ideológico.

3. Causalidade linear, você quer dizer? O ISC se importa com o tipo de relacionamento que existe?

1. eles NÃO são insignificantes. Um desses casos "menores" poderia resultar na perda de tudo o que os "maiores" ganharam.

3. uma relação de correlação linear. MNC mesmo assim, linear eu chamei de aproximação, não MNC.

 
Aleksey Nikolayev:

Algo que lembra o teste de adequação de Pearson (qui-quadrado). Ver Kobzar no capítulo 3. Só é necessário entender claramente a diferença entre o caso simples da hipótese nula e o caso complexo, quando os parâmetros de distribuição são desconhecidos e são estimados a partir da amostra (por exemplo, minimizando a estatística qui-quadrado).

Bem, não há tarefa para estimar parâmetros de distribuição)