A Distribuição Q Dirichlet é uma distribuição de dados e tem sido estudada há muito tempo por estatísticos e outros cientistas sociais. Um exemplo muito simples ajudará a explicar o processo. Digamos que você seja um pesquisador da área de marketing empresarial. Você tem um conjunto de amostra do mercado que não está em seu ponto mais baixo; portanto, você gostaria de saber quando chegará ao fundo do poço. Agora, como você consegue essa informação? Simples, você obtém os dados de mercado tomando o preço médio de todos os produtos vendidos no mercado; mas, como o mercado é tão complexo, isso significa que tirar uma amostra é o segundo melhor.
Você pega o preço médio de todos os produtos vendidos pelas diferentes empresas que gostaria de comparar e, em seguida, pega essa amostra para descobrir quando ela chegará ao fundo do poço. Agora, se você fizesse isso manualmente, teria que usar os dados de cerca de 50 ou mais variáveis e poderia ficar com uma grande confusão para classificar. Portanto, para simplificar as coisas, você deve examinar o que outros estatísticos fizeram no passado. Todos eles fizeram a distribuição Q Dirichlet para suas amostras e usaram seu tamanho de amostra, bem como seus dados, para determinar quando o preço médio cairá. Em muitos casos, eles pegaram o preço médio de todas as amostras de seus produtos. Eles então multiplicaram o tamanho da amostra com os dados atuais para obter um número. Esse número foi então comparado com o preço médio e determinado se iria cair no final do dia.
O problema de fazer isso é que os tamanhos das amostras são muito pequenos e o resultado pode variar amplamente. A melhor maneira de lidar com isso é usar estatísticas para estimar quando o mercado chegará ao fundo do poço, em vez de tentar obter uma amostra. Ao fazer isso, você pode fazer uma estimativa muito mais precisa e, assim, dar uma imagem melhor do comportamento futuro do mercado.
