A log-skála a relatív változásokról (multiplikatív), míg a lineáris skála az abszolút változásokról (additív). Mikor használja mindegyiket? Ha törődik a relatív változásokkal, használja a log-skálát; amikor törődnek az abszolút változásokkal, használjon lineáris skálát. Ez igaz az eloszlásokra, de bármilyen mennyiségre vagy mennyiségváltozásra is.
Megjegyzés: itt nagyon pontosan és szándékosan használom a „gondozás” szót. Modell vagy cél nélkül a kérdésére nem lehet választ adni; a modell vagy a cél meghatározza, hogy melyik skála fontos. Ha valamit modellezni próbál, és a mechanizmus relatív változáson keresztül hat, a napló-skála kritikus fontosságú az adatokban tapasztalt viselkedés rögzítéséhez. De ha az alapul szolgáló modell mechanizmusa additív, akkor lineáris skálát kell használnia.
Példa. Tőzsde t.
A részvény az 1. napon: $ \ $$ 100. A 2. napon $ 101 $. A világ minden részvénykövető szolgáltatása kétféleképpen számol be erről a változásról! (1) + $ \ $$ 1. (2) + 1%. Az első az abszolút, additív változás mértéke; a második a relatív változás mértéke.
A relatív változás és az abszolút ábra szemléltetése: A relatív változás ugyanaz, az abszolút változás más
Az A részvény $ \ $$ 1 értékről származik a $ \ $$ 1.10 értékre. A B részvény $ 100 $ -ról 110 $ -ra vált.
Az A részvény 10% -ot, a B részvény 10% -ot (relatív skála, egyenlő)
... de az A részvény 10 centtel, míg a B részvény $ \ $ $ 10-rel (B több abszolút dollárral gyarapodott)
Ha naplótérre konvertálunk, akkor a relatív változások abszolút változásokként jelennek meg.
Az A részvény $ \ log_ {10} (\ $ 1) $ és $ \ log_ {10} (\ $ 1.10) $ = 0 és .0413 között mozog
A B részvény $ \ log_ {10} (\ $ 100) $ -tól $ \ log_ {10} (\ $ 110) $ = 2-től 2,0413-ig
Most, figyelembe véve az abszolút különbséget a naplótérben , azt találjuk, hogy mindkettő.
A változás mindkét lépése fontos, és hogy melyik az Ön számára fontos, az kizárólag a befektetési modelljétől függ. Két modell létezik. (1) Fix összegű tőke befektetése, vagy (2) befektetés rögzített számú részvénybe.
1. modell: Befektetés rögzített tőkeösszeggel.
Mondjuk a tegnapi részvény A részvényenkénti ára $ 1 $, a B részvény ára pedig $ 100 $ részvény. Ma mindketten egy dollárral drágultak $ 2 $ -ra, illetve $ 101 $ -ra. Abszolút változásuk azonos ($ \ $$ 1), de relatív változásuk drámai módon eltér (100% A-nál, 1% B-nél). Tekintettel arra, hogy fix összege van befektetésre, mondjuk 100 USD $ 100, akkor csak 1 B vagy 100 A részvényt engedhet meg magának. Ha tegnap fektetett be, akkor 200 USD $ A dollárral vagy $ 101 dollár B-vel. Tehát itt "érdekel" a relatív nyereség, különösen azért, mert véges mennyiségű tőkéje van.
2. modell: rögzített számú részvény .
Más esetben tegyük fel, hogy bankja csak 100 részvényből álló blokkokban enged vásárolni, és úgy döntött, hogy 100 A vagy B részvénybe fektet be. Az előző esetben akár A-t, akár B-t vásárol, a nyeresége azonos lesz ($ \ $$ 100 - azaz 1 USD minden részvényért).
Tegyük fel, hogy egy részvényértéket véletlen változónak vélünk, amely idővel ingadozik, és egy olyan modellt akarunk előállítani, amely általában tükrözi a részvények viselkedését. Tegyük fel, hogy ezt a modellt akarjuk használni a profit maximalizálása érdekében. Kiszámítunk egy valószínűségi eloszlást, amelynek x-értékei a „részvényár” egységeiben vannak, az y-értékek pedig az adott részvényárfolyam megfigyelésének valószínűségében. Ezt az A és a B részvényekre tesszük. Ha feliratkozik az első forgatókönyvre, ahol rögzített összegű tőkével rendelkezik, amelyet be akar fektetni, akkor ezen elosztások naplójának felvétele informatív lesz. Miért? Amit érdekel, az a relatív térbeli eloszlás alakja. Az, hogy egy részvény 1-től 10-ig, vagy 10-től 100-ig megy, nem számít neked, igaz? Mindkét eset 10- szeres relatív nyereség. Ez természetesen logaritmikus eloszlásban jelenik meg abban, hogy az egységnyereségek közvetlenül a hajtásnyereségnek felelnek meg. Két olyan részvény esetében, amelyek átlagértéke különbözik, de relatív változásuk azonos eloszlású (a napi százalékos változások megoszlása azonos), a log-eloszlásuk csak azonos alakú lesz eltolódott. Ezzel szemben a lineáris eloszlásaik nem lesznek azonos alakúak, a magasabb értékű eloszlásnak nagyobb a szórása.
Ha ezeket az eloszlásokat lineáris vagy abszolút térben vizsgálná, azt gondolná, hogy magasabb -értékelt részvényárfolyamok nagyobb ingadozásoknak felelnek meg. Az Ön befektetési céljaira azonban, ahol csak a relatív nyereség számít, ez nem feltétlenül igaz.
2. példa Kémiai reakciók. Tegyük fel, hogy két A és B molekulánk van, amelyek reverzibilisek reakció.
$ A \ Balra mutató nyíl B $
amelyet az egyes sebességállandók határoznak meg
($ k_ {ab} $) $ A \ Rightarrow B $ ($ k_ {ba} $) $ B \ Rightarrow A $
Egyensúlyukat a kapcsolat határozza meg:
$ K = \ frac {k_ {ab}} {k_ {ba}} = \ frac {[A]} {[B]} $
Két pont itt. (1) Ez egy szorzó összefüggés a $ A $ és a $ B $ koncentrációi között. (2) Ez a kapcsolat nem önkényes, hanem közvetlenül azokból az alapvető fizikai-kémiai tulajdonságokból fakad, amelyek a molekulák egymásba ütközését és reakcióját vezérlik.
Tegyük fel, hogy van némi A vagy B koncentráció eloszlás. Ennek az eloszlásnak a megfelelő skálája a log-térben van, mert a koncentráció változásának modelljét multiplikáltan definiáljuk (A koncentrációjának szorzata a B koncentrációjának inverzével). Néhány alternatív univerzumban, ahol $ K ^ * = k_ {ab} -k_ {ba} = [A] - [B] $, ezt a koncentrációeloszlást abszolút, lineáris térben vizsgálhatjuk.
Ez azt mondta, ha van modellje, legyen az tőzsdei előrejelzés vagy kémiai kinetika, akkor mindig "veszteségmentesen" konvertálhat a lineáris és a logaritmikus tér között, amennyiben az értéktartománya $ (0, \ inf) $. Az, hogy a lineáris vagy a log-skála szerinti elosztást választja-e, attól függ, hogy mit próbál meg szerezni az adatokból. Egy érdekes párhuzam, amely segített nekem az intuíció felépítésében, az számtani középértékek és a geometriai középértékek példája. Az aritmetikai (vanília) átlag kiszámítja a rejtett modellt feltételező számok átlagát, ahol az abszolút különbségek számítanak. Példa. Az 1 és 100 számtani átlaga 50,5. Tegyük fel, hogy mégis koncentrációkról beszélünk, ahol a koncentrációk közötti kémiai kapcsolat multiplikatív. Ekkor az átlagos koncentrációt valóban a log skálán kell kiszámítani. Ezt nevezzük geometriai átlagnak. Az 1 és 100 geometriai átlaga 10! A relatív különbségeket tekintve ennek értelme van: 10/1 = 10 és 100/10 = 10, azaz az átlagos és a két érték közötti relatív változás megegyezik. Ráadásul ugyanazt találjuk; 50,5-1 = 49,5 és 100-50,5 = 49,5.