No estoy seguro si interpreto su pregunta correctamente, así que avíseme y podría adaptar o eliminar esta respuesta. Primero, no probamos las cosas con respecto a nuestros datos, solo mostramos que algo no es irrazonable. Eso se puede hacer de varias maneras, una de las cuales es a través de pruebas estadísticas. En mi opinión, sin embargo, si tiene una distribución teórica preespecificada, el mejor enfoque es hacer un diagrama qq . La mayoría de las personas piensan que las parcelas qq solo se usan para evaluar la normalidad, pero puede trazar cuantiles empíricos contra cualquier distribución teórica que pueda especificarse. Si usa R, el paquete del automóvil tiene una función aumentada qq.plot ()con muchas características agradables; dos de los que me gustan son que puede especificar una serie de distribuciones teóricas diferentes más allá del gaussiano (por ejemplo, podría hacerlo t
para una alternativa de cola más gruesa), y que traza una banda de confianza del 95%. Si no tiene una distribución teórica específica, pero solo quiere ver si las colas son más pesadas de lo normal de lo esperado, eso se puede ver en un diagrama qq, pero a veces puede ser difícil de reconocer. Una posibilidad que me gusta es hacer un diagrama de densidad del kernel , así como un diagrama qq y podría superponer una curva normal para arrancar. El código básico de R es plot(density(data))
. Para un número, podrías calcular la curtosis, y ver si es más alto de lo esperado. No conozco las funciones enlatadas para la curtosis en R, debe codificarlo usando las ecuaciones que figuran en la página vinculada, pero no es difícil de hacer.
gung - Restablece a Monica
fuente
library(moments); apply(matrix(1:5,5,1), 1, function(p) kurtosis((1:100)^p))
: observe cómo aumenta la curtosis a medida que la cola derecha se estira bajo poderes más altos.kurtosis
función que puede usar aquí.