Jump to content

Искажение нормального распределения

Перекос нормальный
Функция плотности вероятности
Графики плотности вероятности асимметричных нормальных распределений
Кумулятивная функция распределения
Графики кумулятивной функции распределения асимметричного нормального распределения
Параметры местоположение ( реальное )
масштаб (положительный, реальный )
форма ( настоящая )
Поддерживать
PDF
CDF
это Т-функция Оуэна
Иметь в виду где
Режим
Дисперсия
асимметрия
Избыточный эксцесс
МГФ
CF

В теории вероятностей и статистике асимметричное нормальное распределение — это непрерывное распределение вероятностей , которое обобщает нормальное распределение , допуская ненулевую асимметрию .

Определение

[ редактировать ]

Позволять обозначаем стандартную нормальную функцию плотности вероятности

с кумулятивной функцией распределения, определяемой выражением

где «erf» — функция ошибки . Тогда функция плотности вероятности (pdf) косонормального распределения с параметром дается

Это распределение было впервые введено О'Хаганом и Леонардом (1976). [1] Альтернативные формы этого распределения с соответствующей функцией квантиля были предложены Ашуром и Абдель-Хамидом. [2] и Мудхолкар и Хатсон. [3]

Случайный процесс, лежащий в основе распределения, был описан Анделом, Нетукой и Зварой (1984). [4] И распределение, и его основа стохастического процесса были следствием аргумента симметрии, развитого Чаном и Тонгом (1986): [5] что применимо к многомерным случаям, выходящим за рамки нормальности, например, асимметрическому многомерному t-распределению и другим. Распределение является частным случаем общего класса распределений с функциями плотности вероятности вида где является ли любой PDF-файл симметричным относительно нуля и — это любой CDF , PDF которого симметричен относительно нуля. [6]

Чтобы добавить к этому параметры местоположения и масштаба , делается обычное преобразование . Можно проверить, что нормальное распределение восстанавливается, если , и что абсолютное значение асимметрии увеличивается с увеличением абсолютного значения увеличивается. Распределение искажено вправо, если и остается перекошенным, если . Функция плотности вероятности с местоположением , шкала и параметр становится

Неровность ( ) распределения ограничено чуть меньшим интервала ( см . Оценка ).

Как было показано, [7] режим (максимум) дистрибутива уникальна. Для общего нет аналитического выражения для , но вполне точная (численная) аппроксимация:

максимального правдоподобия для Оценки , , и могут быть вычислены численно, но выражение для оценок в закрытой форме недоступно, если только . Напротив, метод моментов имеет выражение в замкнутой форме, поскольку уравнение асимметрии можно обратить с помощью

где и знак то же самое, что и знак . Следовательно, , , и где и среднее и стандартное отклонение. Пока асимметрия выборки не слишком велика, эти формулы обеспечивают метод оценки моментов , , и на основе образца , , и .

Максимальная (теоретическая) асимметрия получается установкой в уравнении асимметрии, что дает . Однако возможно, что асимметрия выборки больше, и тогда не может быть определена из этих уравнений. Поэтому при автоматическом использовании метода моментов, например, для получения начальных значений для итерации максимального правдоподобия, следует, например, позволить (например) .

Была выражена обеспокоенность по поводу влияния асимметричных нормальных методов на надежность выводов, основанных на них. [8]

[ редактировать ]

Экспоненциально модифицированное нормальное распределение — это еще одно трехпараметрическое распределение, которое является обобщением нормального распределения на асимметричные случаи. Нормаль перекоса по-прежнему имеет хвост, похожий на нормальный, в направлении перекоса и более короткий хвост в другом направлении; то есть его плотность асимптотически пропорциональна для позитива . Таким образом, с точки зрения семи состояний случайности это показывает «правильную мягкую случайность». Напротив, экспоненциально модифицированная нормаль имеет экспоненциальный хвост в направлении перекоса; его плотность асимптотически пропорциональна . В тех же терминах это демонстрирует «пограничную легкую случайность».

Таким образом, асимметричная нормаль полезна для моделирования асимметричных распределений, которые, тем не менее, не имеют больше выбросов, чем нормальное, в то время как экспоненциально модифицированная нормаль полезна для случаев с увеличением частоты выбросов (только) в одном направлении.

См. также

[ редактировать ]
  1. ^ О'Хаган, А.; Леонард, Том (1976). «Байесовская оценка подвержена неопределенности в отношении ограничений параметров». Биометрика . 63 (1): 201–203. дои : 10.1093/biomet/63.1.201 . ISSN   0006-3444 .
  2. ^ Ашур, Самир К.; Абдель-Хамид, Махмуд А. (октябрь 2010 г.). «Приблизительное перекос нормального распределения» . Журнал перспективных исследований . 1 (4): 341–350. дои : 10.1016/j.jare.2010.06.004 . ISSN   2090-1232 .
  3. ^ Мудхолкар, Говинд С.; Хатсон, Алан Д. (февраль 2000 г.). «Эпсилон-асимметричное нормальное распределение для анализа данных, близких к нормальному». Журнал статистического планирования и выводов . 83 (2): 291–309. дои : 10.1016/s0378-3758(99)00096-8 . ISSN   0378-3758 .
  4. ^ Андел Дж., Нетука И. и Звара К. (1984) О пороговых авторегрессионных процессах. Кибернетика, 20, 89-106
  5. ^ Чан, Канзас; Тонг, Х. (март 1986 г.). «Заметка о некоторых интегральных уравнениях, связанных с анализом нелинейных временных рядов» . Теория вероятностей и смежные области . 73 (1): 153–158. дои : 10.1007/bf01845999 . ISSN   0178-8051 . S2CID   121106515 .
  6. ^ Аззалини, А. (1985). «Класс распределений, включающий нормальные». Скандинавский статистический журнал . 12 : 171–178.
  7. ^ Аззалини, Адельчи; Капитанио, Антонелла (2014). Косонормальные и родственные семьи . стр. 32–33. ISBN  978-1-107-02927-9 .
  8. ^ Пьюси, Артур. «Проблемы вывода асимметричного нормального распределения Аззалини». Журнал прикладной статистики 27.7 (2000): 859-870.
[ редактировать ]
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 9651b6c618b5fb55791319a60666be2f__1721395620
URL1:https://arc.ask3.ru/arc/aa/96/2f/9651b6c618b5fb55791319a60666be2f.html
Заголовок, (Title) документа по адресу, URL1:
Skew normal distribution - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)