Bir lognormal dağılımın örneklemesini ve örneklemesini ve anları anlarını iki yöntemle tahmin etmeye çalışan bazı sayısal deneyler yapıyorum :
- örnek ortalamasına bakmak
- Tahmin ve için örnek bir yöntem kullanarak , ve daha sonra bir lognormal dağılım için, var olduğu gerçeğini kullanarak .
Soru şudur :
Deneysel olarak, ikinci yöntemin, örnek sayısını sabit faktörden çok daha iyi sonuç verdiğini ve bazı faktör T ile değerini artırdığımı tespit ediyorum . Bu durum için basit bir açıklama var mı?
X ekseninin T olduğu bir rakam ekliyorum, y ekseni ise değerlerini karşılaştırarak değerleridir. Tahmini değerlere (turuncu çizgi). yöntem 1 - mavi noktalar, yöntem 2 - yeşil noktalar. y ekseni günlük ölçeğinde
DÜZENLE:
Aşağıda, bir T için sonuçları elde etmek üzere asgari bir Mathematica kodu verilmiştir:
ClearAll[n,numIterations,sigma,mu,totalTime,data,rmomentFromMuSigma,rmomentSample,rmomentSample]
(* Define variables *)
n=2; numIterations = 10^4; sigma = 0.5; mu=0.1; totalTime = 200;
(* Create log normal data*)
data=RandomVariate[LogNormalDistribution[mu*totalTime,sigma*Sqrt[totalTime]],numIterations];
(* the moment by theory:*)
rmomentTheory = Exp[(n*mu+(n*sigma)^2/2)*totalTime];
(*Calculate directly: *)
rmomentSample = Mean[data^n];
(*Calculate through estimated mu and sigma *)
muNumerical = Mean[Log[data]]; (*numerical \[Mu] (gaussian mean) *)
sigmaSqrNumerical = Mean[Log[data]^2]-(muNumerical)^2; (* numerical gaussian variance *)
rmomentFromMuSigma = Exp[ muNumerical*n + (n ^2sigmaSqrNumerical)/2];
(*output*)
Log@{rmomentTheory, rmomentSample,rmomentFromMuSigma}
Çıktı:
(*Log of {analytic, sample mean of r^2, using mu and sigma} *)
{140., 91.8953, 137.519}
yukarıda, ikinci sonuç, diğer iki sonucun altında olan örnek ortalamasıdır.