Nächste Seite: Zusammenfassung
Aufwärts: Zur zeitlichen Analyse von
Vorherige Seite: -Verteilung
Bei einer Gauß-Verteilung ist der Erwartungswert der Schiefe und des Exzesses
gleich null. Die Varianz dieser Größen hängt allerdings vom Datenumfang ab
(s. Gleichungen (13) und (14)). Schiefe und Exzeß
der - und der -Verteilung mit Freiheitsgraden
folgen aus den Gleichungen (15) und (22). Nun kann man
fragen, wie wahrscheinlich Schiefe und Exzeß einer
Verteilung von Realisationen
einer Gauß-verteilten Zufallsvariable einen mindestens so großen
Abstand von null haben,
wie Schiefe und Exzeß einer
vorgegebenen - bzw. -Verteilung mit
Freiheitsgraden. Unter der Annahme, daß Schiefe und Exzeß annähernd
Gauß-verteilt sind, folgt für die Wahrscheinlichkeit
dafür, daß die Schiefe einer
Gauß-verteilten Variable näher an null ist,
als die der -verteilten Variable
|
(23) |
Diese Gleichung gilt entsprechend auch für den Exzeß und für eine
-verteilte Variable. Sie wird hier aber nur für den einen Fall
gelöst, da die Lösung auf die anderen Fälle übertragbar ist.
Um Gleichung (23) zu lösen, wird zunächst
die Schiefe der -Verteilung mit Freiheitsgraden
mit der Standardabweichung der Schiefe der Gauß-Verteilung normiert, d.h.
. Damit folgt
|
(24) |
Da das Integral über eine um null symmetrische Funktion gebildet wird,
folgt weiter
|
(25) |
Durch die Transformation
entsteht daraus
|
(26) |
was der Errorfunktion entspricht, so daß folgt
|
(27) |
Abbildung 5 zeigt die Wahrscheinlichkeit dafür, daß
Realisationen einer Gauß-verteilten Variable zu einer Verteilung mit
einer betragsmäßig mindestens gleichgroßen Schiefe führen, wie eine
- bzw. eine -Verteilung. Man sieht, daß die Schiefe der
-Verteilung schon für wenige Freiheitsgrade nicht mehr signifikant
von der Schiefe der Gauß-Verteilung mit z.B. hundert Realisationen abweicht.
Bei der -Verteilung hingegen, ist die Schiefe selbst bei 30
Freiheitsgraden und sehr kurzen Reihen noch deutlich von der Schiefe
der Gauß-Verteilung zu unterscheiden.
Abbildung:
Wahrscheinlichkeit , mit der die Schiefe einer a) -verteilten
und b) -verteilten Zufallsvariable stärker von null abweicht,
als bei Realisationen einer Gauß-verteilten Zufallsvariable.
|
Abbildung 6 zeigt die Ergebnisse für die Untersuchung des
Exzesses. Auch hier sieht man die deutliche Überlegenheit der
-Verteilung, auch wenn hier die -Verteilung selbst kein
so fatales Bild abgibt, wie bei der Untersuchung der Schiefe.
Abbildung:
Wahrscheinlichkeit , mit der der Exzeß einer a) -verteilten
und b) -verteilten Zufallsvariable stärker von null abweicht,
als bei Realisationen einer Gauß-verteilten Zufallsvariable.
|
Damit läßt sich sagen, daß sich gezeigt hat, daß eine Reihe
von gleitenden Standardabweichungen, auch wenn diese jeweils nur aus wenigen
Werten berechnet werden , nicht von einer Reihe Gauß-scher Zufallszahlen
zu unterscheiden ist, falls die Reihe der gleitenden Mittel nicht zu lang ist.
Nun kann man die Schiefe der -Verteilung mit dem
90%-Signifikanzniveau
der Schiefe der Verteilung
von Gauß-verteilten Zufallszahlen gleichsetzen und nach auflösen.
Man erhält
|
(28) |
Solange man keinen einfachen analytischen Ausdruck für
findet, kann man nicht die minimal notwendige Fensterlänge in Abhängigkeit
von der Länge der Datenreihe berechnen, wohl aber Glg. (28)
anwenden, und dann gegen abbilden. Das Ergebnis ist in Abbildung
7 dargestellt und ist verblüffend einfach. Der linear erscheinende
Zusammenhang , spiegelt wider, daß die Schiefe der -Verteilung
proportional zu ist. Es folgt dann aus Abbildung 7
der Zusammenhang
|
(29) |
Dabei stellt die Länge der Zeitreihe der gleitenden Standardabweichungen
dar. Diese folgt aus der Länge der Originalreihe durch
. Daraus folgt für die Anwendung
|
(30) |
Abbildung:
Minimal notwendige Fensterbreite in Abhängigkeit
von der Zeitreihenlänge
für die Untersuchung gleitender Standardabweichungen.
|
Nächste Seite: Zusammenfassung
Aufwärts: Zur zeitlichen Analyse von
Vorherige Seite: -Verteilung
ich
2000-01-25