Pourquoi la distribution normale n'est-elle pas normale ?

 

J'ai entendu de nombreuses fois parler de queues de distribution épaisses, mais je ne comprends toujours pas à quoi cela sert, j'ai créé un indicateur qui sort la distribution de la taille des barres (basée sur la différence Close[i]-Close[i+1]) dans des séparateurs, quelqu'un peut-il expliquer pourquoi la distribution des barres est plus étroite que la normale ?

Le point de référence est un histogramme jaune à ligne rouge.

Et l'indicateur qui a été utilisé pour le construire. Titre original (Distribution_GCF_&_norm_test)

 
Comment ça, déjà ? Comment avez-vous choisi les paramètres de la distribution normale ?
 
Ce n'est pas tout à fait normal. :) On en a déjà parlé dans l'intuition. Ils disent que c'est la distribution Erlang. Et ils disent qu'il n'y a pas de queue, mais il devrait y en avoir. :)
 
Urain >> :

J'ai entendu de nombreuses fois parler des queues épaisses de la distribution, mais je ne comprends toujours pas à quoi cela sert. J'ai créé un indicateur qui sort la distribution de la taille des barres (tracée sur la différence Close[i]-Close[i+1]) pour séparer, quelqu'un peut-il expliquer pourquoi la distribution est plus étroite que la normale ?


En fait, il devrait être plus haut et plus étroit. En effet, c'est la propriété du remboursement du prix qui l'affecte.

 
Yurixx >> :
Comment ça, déjà ?

>> déjà

 

La principale et unique condition pour obtenir le HP est l'indépendance des termes de la série. C'est la preuve que l'indépendance n'est pas réalisée.

 
IlyaA писал(а) >>
Ce n'est pas tout à fait normal. :) Ce point a déjà été abordé dans l'intuition. Ils disent que c'est une distribution Erlang. Et ils disent qu'il n'y a pas de queue, mais il devrait y en avoir. :)

Je parlais d'Erlang, mais ce n'est pas le problème ici. La distribution normale a 2 paramètres - MO et variance. Dans ce cas, MO = 0, mais la variance n'est pas nulle et pour dessiner un graphique, nous devons fixer sa valeur. Donc je demande, comment Urain a choisi la valeur de la variance ?

Et en général, pour pouvoir comparer des graphiques, il faut les ramener d'une manière ou d'une autre à une base commune. Selon le choix de cette base, il peut y avoir des motifs complètement différents.

Si nous prenons la variance comme base commune, le graphique sera plus étroit, mais des queues épaisses apparaîtront.

 
Yurixx писал(а) >>

Je parlais d'Erlang, mais ce n'est pas le problème ici. La distribution normale a 2 paramètres - MO et variance. Dans ce cas, MO = 0, mais la variance n'est pas nulle et pour dessiner un graphique, nous devons fixer sa valeur. Donc je demande, comment Urain a choisi la valeur de la variance ?

Et en général, pour pouvoir comparer des graphiques, il faut les ramener d'une manière ou d'une autre à une base commune. Selon le choix de cette base, il peut y avoir des motifs complètement différents.

Si nous prenons la variance comme base commune, le graphique sera plus étroit, mais des queues épaisses apparaîtront.

Je soupçonne fortement qu'Urain a pris des caractéristiques similaires des séries résultantes comme paramètres d'entrée pour l'espérance et la variance. Mais peut-être que ce n'est pas le cas.

 
Avals >> :

La principale et unique condition pour obtenir le HP est l'indépendance des termes de la série. C'est la preuve que l'indépendance ne tient pas.


L'analyse des chandeliers peut donc fonctionner à 60-40 ou même 70-30. C'est bien.
 

Une chaîne de production mécanique d'ampoules électriques est susceptible de présenter une distribution normale de défaillances aléatoires RÉELLES, des erreurs d'équipement. Par conséquent, il est probable que le nombre d'ampoules produites normalement (luminosité, résistance, épaisseur du filament) s'inscrive dans une courbe de distribution normale. Sur les côtés de cette courbe normale (ses queues fines), il y aura des cas limites où l'épaisseur du filament est supérieure ou inférieure à la norme et où l'ampoule brûle. Mais le nombre total de ces cas limites et anormaux peut être calculé à l'avance (en intégrant la courbe de distribution ou autre). C'est pourquoi l'usine d'ampoules sait à l'avance qu'une boîte d'ampoules peut contenir en moyenne trois ampoules défectueuses qui grilleront dans un avenir très proche. Elles doivent être remplacées sous garantie, et le distributeur local d'ampoules, croyant en la science des statistiques, signale une moyenne de 3 ampoules supplémentaires par caisse. Les erreurs dans les paramètres de l'ampoule se situent dans le cadre du CRIQUE NORMAL DES ÉVÉNEMENTS LOCAUX (pas les paramètres eux-mêmes, mais leurs erreurs). L'événement aléatoire ici n'est pas le déclenchement de l'ampoule elle-même, mais l'ERREUR du paramètre de l'ampoule.

Si le processus de production de l'ampoule (ou plus exactement la formation des paramètres de l'ampoule) ne s'inscrit pas dans une courbe normale, par exemple si la ligne est cassée et qu'elle est défectueuse, si le fournisseur a envoyé du mauvais tungstène, alors le taux de défectuosité augmentera considérablement, les paramètres de l'ampoule " s'égareront ". Si l'on mesure alors avec précision les paramètres d'un lot de bulbes, ils n'entreront pas dans la courbe des normes. Dans ce cas, l'usine ne sait pas combien de bulbes elle doit livrer au distributeur.

Si nous mesurons un processus non aléatoire, alors... vous ne pouvez rien dire du tout. Vous pouvez tracer la courbe de distribution de probabilité d'un événement - simplement en mesurant l'occurrence de l'événement dans un intervalle, mais... ça ne nous dit rien.

Les ingénieurs électriciens, ainsi que les mathématiciens et les statisticiens qu'ils emploient, aiment bien traiter les erreurs de mesure. Qui sont très probablement NORMALES (si l'appareil lui-même a été fabriqué par un ingénieur normal). D'où toutes leurs formules.

Pour les séries de prix, les premières différences (ou autres combinaisons) ne sont pas un événement aléatoire, et leur courbe de distribution PEUT ÊTRE N'IMPORTE QUOI. Et même si elle est connue précisément, elle n'est d'aucune utilité pour le commerce.

Ne vous en prenez pas à moi, j'ai eu un 2 en théorie et en maths.

 
IlyaA писал(а) >>

L'analyse des chandeliers peut donc fonctionner avec une probabilité de 60-40 ou même 70-30. C'est bien.

Les dépendances peuvent être très différentes. Elle ne dépend pas nécessairement des valeurs des incréments précédents, ce que fait l'analyse des chandeliers. Il peut s'agir, par exemple, de la dépendance au module de la valeur des incréments (volatilité). Le fait que la volatilité soit autocorrélée est bien connu et les modèles de volatilité tels que GARCH (utilisant l'autocorrélation) ont reçu un prix Nobel. Il n'est pas difficile de le constater par soi-même. Et c'est l'une des variantes pour lesquelles la distribution a des "queues lourdes".

P.S. Au sens large, l'indépendance est décrite dans la définition de la stationnarité.