为什么正态分布不是正态？ - 页 3 12345678910...47 新评论 Сергей 2009.12.01 16:15 #21 AlexEro писал(а)>> 没关系，你有一个漂亮的 曲线! Nishchak. (五年级宿舍的大横幅：一切正常！) 不过，这种方法不需要任何乘法。这就对了。 Сергей 2009.12.01 16:17 #22 Urain писал(а)>> 我使用这个公式来计算参考函数。 因此，如果x在50以内，绝对值根本不可能像直方图中那样有几千个，所以你还是要进行拟合。 但为保证拟合的正确性，有必要将其应用于所有的曲线成员，那么曲线的外观就不会改变（特别是在滑动比例上）。 不过，对于正态性估计来说，没有必要进行任何乘法。但也许我并没有完全理解你的问题。 Avals 2009.12.01 16:22 #23 AlexEro писал(а)>> 同事们，你们在做什么？ 研究人员假设被调查的随机过程是正常的，并在正常假设的基础上建立其概率或概率密度曲线模型。 该假设未被证实。图形并不匹配。 就这样了。 嗯，这是第一步。是的，不正常。接下来你可以推测一下它与惠普最大限度地接近实验数据有什么不同。>> 纯粹的交谈 :) Stanislav Korotky 2009.12.01 17:16 #24 你不需要画任何直方图，也不需要争论如何缩放它们来检查常态性。输出M和sigma就足够了...天啊，伊普西隆（峰度）。M在0左右的事实是显而易见的，所以剩下的就是看epsilon是否在3左右。 Evgeniy Logunov 2009.12.01 17:21 #25 marketeer писал(а)>> 为了检查正态性，你不需要画任何直方图，也不需要争论如何调整它们的比例。只要推导出M和sigma就足够了。M在0左右的事实是显而易见的，因此，还需要找出西格玛是否在3左右。 还有一个选项是在对数尺度上画直方图。对于正态分布，我们得到一个抛物线。 Mykola Demko 2009.12.01 17:21 #26 marketeer >> : 你不需要画任何直方图，也不需要争论如何缩放它们来检查常态性。显示M和sigma就足够了。你可以看到M在0左右，所以你需要做的就是看sigma是否在3左右。 分布的形状没有起到作用吗？ Stanislav Korotky 2009.12.01 17:22 #27 Urain >> : 分配的形式是否不重要？ 分布的形状由两个参数决定：伽马不对称性和峰度及ε值。最好也能推导出伽玛值，但现在你可以用眼睛来估计它。 Stanislav Korotky 2009.12.01 17:25 #28 我完全被淹没了...。;-)当然，零期望值对常态并不重要。 Neutron 2009.12.01 18:45 #29 lea >> : 还有一个选项是在对数尺度上画直方图。对于正态分布，我们将得到一个抛物线。 根据我的理解，正态分布的最佳近似问题不能用分析法解决。但没有必要这样做。如果我们绘制价格VR的第一差值系列，我们将得到一个MO为零的分布，鉴于分布振幅的绝对值对我们来说并不重要，我们将只有一个可定义的参数--分布宽度。 例如，这里的上图在顶部显示了一系列的细微差别，在右侧显示了它的第一个差别。左下方是概率分布的密度，右边是对数尺度上的同一概率分布。如果分布是正态的，我们在这里会有一个抛物线，但它不是，因为有 "胖 "尾巴。基本上，我们需要在这里拟合一个最小二乘法的高斯，然后一切都会归位。我需要抛出一个最佳配合的公式... Sceptic Philozoff 2009.12.01 19:13 #30 好了，中子 来了， 把一切都放在它的位置上。顺便说一下，marketeer 对峰度和不对称性也有看法。 相应的高斯曲线可以随心所欲地绘制，但这里最简单的是简单地计算样本方差并绘制参数为0和sigma的高斯曲线。这时你可以看到真正的直方图和这样的高斯曲线之间的区别。 顺便说一下，这个高斯近似值应该明显低于曲线中心（零点处）的真实直方图。 Urain，你把样品的s.c.o乘以多少？ 另一方面，强厚尾分布的c.c.o.估计值取决于样本量，所以这里不是那么简单。 12345678910...47 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
没关系，你有一个漂亮的 曲线!
Nishchak.
(五年级宿舍的大横幅：一切正常！)
不过，这种方法不需要任何乘法。这就对了。
我使用这个公式来计算参考函数。
因此，如果x在50以内，绝对值根本不可能像直方图中那样有几千个，所以你还是要进行拟合。
但为保证拟合的正确性，有必要将其应用于所有的曲线成员，那么曲线的外观就不会改变（特别是在滑动比例上）。
不过，对于正态性估计来说，没有必要进行任何乘法。但也许我并没有完全理解你的问题。
同事们，你们在做什么？
研究人员假设被调查的随机过程是正常的，并在正常假设的基础上建立其概率或概率密度曲线模型。
该假设未被证实。图形并不匹配。
就这样了。
嗯，这是第一步。是的，不正常。接下来你可以推测一下它与惠普最大限度地接近实验数据有什么不同。>> 纯粹的交谈 :)
为了检查正态性，你不需要画任何直方图，也不需要争论如何调整它们的比例。只要推导出M和sigma就足够了。M在0左右的事实是显而易见的，因此，还需要找出西格玛是否在3左右。
还有一个选项是在对数尺度上画直方图。对于正态分布，我们得到一个抛物线。
你不需要画任何直方图，也不需要争论如何缩放它们来检查常态性。显示M和sigma就足够了。你可以看到M在0左右，所以你需要做的就是看sigma是否在3左右。
分布的形状没有起到作用吗？
分配的形式是否不重要？
分布的形状由两个参数决定：伽马不对称性和峰度及ε值。最好也能推导出伽玛值，但现在你可以用眼睛来估计它。
还有一个选项是在对数尺度上画直方图。对于正态分布，我们将得到一个抛物线。
根据我的理解，正态分布的最佳近似问题不能用分析法解决。但没有必要这样做。如果我们绘制价格VR的第一差值系列，我们将得到一个MO为零的分布，鉴于分布振幅的绝对值对我们来说并不重要，我们将只有一个可定义的参数--分布宽度。
例如，这里的上图在顶部显示了一系列的细微差别，在右侧显示了它的第一个差别。左下方是概率分布的密度，右边是对数尺度上的同一概率分布。如果分布是正态的，我们在这里会有一个抛物线，但它不是，因为有 "胖 "尾巴。基本上，我们需要在这里拟合一个最小二乘法的高斯，然后一切都会归位。我需要抛出一个最佳配合的公式...
好了，中子 来了， 把一切都放在它的位置上。顺便说一下，marketeer 对峰度和不对称性也有看法。
相应的高斯曲线可以随心所欲地绘制，但这里最简单的是简单地计算样本方差并绘制参数为0和sigma的高斯曲线。这时你可以看到真正的直方图和这样的高斯曲线之间的区别。
顺便说一下，这个高斯近似值应该明显低于曲线中心（零点处）的真实直方图。
Urain，你把样品的s.c.o乘以多少？
另一方面，强厚尾分布的c.c.o.估计值取决于样本量，所以这里不是那么简单。