Normal dağılım neden normal değil? - sayfa 3

 
AlexEro писал(а) >>

Evet, öyle bir şey yok, normal bir eğriniz var!

Nishchak.

(5. yılda birlik yurdunda büyük pankart: HER ŞEY NORMAL!)

Ancak bu yöntem için herhangi bir çarpma işlemine gerek yoktur. Bu doğru.

 
Urain писал(а) >>

Referans fonksiyonunu şu formüle göre hesaplıyorum:

yani 50'de x için, mutlak değer histogramdaki gibi birkaç bin olamaz, bu yüzden yine de ayarlamanız gerekir,

ancak uyumun doğru olması için eğrinin tüm üyelerine uygulamanız gerekir, o zaman eğrinin şekli değişmez (özellikle kayan ölçekte).

Ancak normalliği değerlendirmek için hiçbir şeyin çarpılmasına gerek yoktur. Ama sorunuzu tam olarak anlayamamış olabilirim.

 
AlexEro писал(а) >>

Meslektaşlarım, ne yapıyorsunuz?

Araştırmacı, incelenen rastgele sürecin NORMALİYETİ HAKKINDA bir HİPOTEZ ortaya koyar ve NORMAL HİPOTEZ'e dayalı olarak olasılık veya olasılık yoğunluğunun eğrisini modeller.

Hipotez doğrulanmadı. Grafikler eşleşmedi.

Bu kadar.

Pekala, bu ilk adım. Evet, anormal. Ayrıca, deneysel verilere maksimum düzeyde yaklaşan NR'den nasıl farklı olduğu konusunda spekülasyon yapılabilir. temiz konuş :)

 
Normalliği kontrol etmek için herhangi bir histogram çizmenize ve bunları nasıl ölçeklendireceğinizi tartışmanıza gerek yoktur. M ve sigma'yı türetmek yeterlidir ... kahretsin, epsilon (kurtosis). M'nin sıfıra yakın olduğu gerçeği görülebilir ve bu nedenle epsilon'un yaklaşık 3 olup olmadığını bulmak için kalır.
 
marketeer писал(а) >>
Normalliği kontrol etmek için herhangi bir histogram çizmenize ve bunları nasıl ölçekleyeceğinizi tartışmanıza gerek yoktur. M ve sigma türetilmesi yeterlidir. M'nin sıfır bölgesinde olduğu gerçeği görülebilir ve bu nedenle sigmanın yaklaşık olarak 3'e eşit olup olmadığını bulmak için kalır.

Ayrıca logaritmik ölçekte bir histogram oluşturma seçeneği de vardır. Normal dağılım için bir parabol elde ederiz.

 
marketeer >> :
Normalliği kontrol etmek için herhangi bir histogram çizmenize ve bunları nasıl ölçeklendireceğinizi tartışmanıza gerek yoktur. M ve sigma türetilmesi yeterlidir. M'nin sıfır bölgesinde olduğu gerçeği görülebilir ve bu nedenle sigmanın yaklaşık olarak 3'e eşit olup olmadığını bulmak için kalır.

Ve dağıtım şekli bir rol oynamıyor mu?

 
Urain >> :

Ve dağıtım şekli bir rol oynamıyor mu?

Dağılımın şekli sadece iki parametre tarafından belirlenir: gama - asimetri ve basıklık - epsilon. Gama da ortaya çıkarmak için arzu edilir, ancak şimdilik gözle tahmin edebilirsiniz.

 
Tamamen tükendim... ;-) Normallik için sıfır beklenti elbette önemli değil.
 
lea >> :

Ayrıca logaritmik ölçekte bir histogram oluşturma seçeneği de vardır. Normal dağılım için bir parabol elde ederiz.

Anladığım kadarıyla, normal dağılımın optimal yaklaşımı problemini analitik bir biçimde çözmek mümkün değil. Ancak bu gerekli değildir. VR fiyatı için bir birinci fark serisi oluşturursak, sıfır MO'lu bir dağılım elde ederiz ve dağılımın genliğinin mutlak değerini önemsemediğimize göre, belirlenecek tek bir parametremiz vardır. - dağılımın genişliği.

Burada, örneğin, Şekil 2'de. en üstte, sağda bir dizi dakika gösterilir - ilk farkı. Sol altta olasılık dağılımı yoğunluğu, sağda - aynı zamanda logaritmik bir ölçekte. Dağılım normal olsaydı, burada bir parabolümüz olurdu, ama yok - çünkü "şişman" kuyruklar. Prensip olarak, burada en küçük kareler yöntemini kullanarak Gauss'a girmeniz gerekir, o zaman her şey yerine oturacaktır. Optimum uyum için bir formül atmanız gerekiyor ...

 

Eh, Neutron geldi ve her şeyi yerine koydu. Bu arada pazarlamacı basıklık ve asimetriden de bahsediyor.

Karşılık gelen Gauss eğrisi herhangi bir şekilde oluşturulabilir, ancak burada sadece örnek varyansını hesaplamak ve 0 ve sigma parametreleriyle bir Gauss eğrisi oluşturmak en kolay yoldur. Daha sonra gerçek histogram ile böyle bir Gauss eğrisi arasındaki fark görülecektir.

Bu arada, bu Gauss yaklaşımı, eğrinin merkezindeki (sıfır noktasında) gerçek histogramdan önemli ölçüde düşük olmalıdır.

Urain , ne kadar s.k.o. çoğaltılmış örnekler?

Öte yandan, s.c.d. güçlü bir yağ kuyruklu dağılım için numunenin boyutuna bağlıdır, bu yüzden burada o kadar basit değil.