Лямбда-распределение Тьюки
Функция плотности вероятности | |||
Обозначения | Тьюки( λ ) | ||
---|---|---|---|
Параметры | λ ∈ ℝ — параметр формы | ||
Поддерживать | х € [ - 1 / л , 1 / λ ] если λ > 0 , Икс ∈ ℝ, если λ ≤ 0 . | ||
CDF | (общий случай) (частный случай точного решения) | ||
Иметь в виду | |||
медиана | 0 | ||
Режим | 0 | ||
Дисперсия | | ||
асимметрия | |||
Избыточный эксцесс | | ||
Энтропия | [1] | ||
CF | [2] |
Формализованное Джоном Тьюки , лямбда-распределение Тьюки представляет собой непрерывное симметричное распределение вероятностей, определенное через функцию квантиля . Обычно он используется для определения подходящего распределения (см. комментарии ниже) и не используется напрямую в статистических моделях .
Лямбда-распределение Тьюки имеет единственный формы параметр λ и, как и другие распределения вероятностей, его можно преобразовать с помощью местоположения параметра µ и масштаба параметра σ . Поскольку общий вид распределения вероятностей можно выразить через стандартное распределение, последующие формулы приводятся для стандартного вида функции.
Квантильная функция [ править ]
Для стандартной формы лямбда-распределения Тьюки функция квантиля: (т.е. функция, обратная кумулятивной функции распределения ) и функция плотности квантиля, являются
Для большинства значений параметра формы λ функция плотности вероятности (PDF) и кумулятивная функция распределения (CDF) должны рассчитываться численно. Лямбда-распределение Тьюки имеет простую, замкнутую форму для CDF и/или PDF только для нескольких исключительных значений параметра формы, например: λ ∈ { 2, 1, 1/2 равномерное λ , 0 } (см. распределение [случай λ = 1 и ] = 2 ] и логистическое распределение [случай λ = 0 .
Однако для любого значения λ как CDF, так и PDF могут быть сведены в таблицу для любого количества кумулятивных вероятностей p с использованием функции квантиля Q для расчета значения x для каждой кумулятивной вероятности p с плотностью вероятности, определяемой выражением 1 / q — обратная функция плотности квантиля. Как это обычно бывает со статистическими распределениями, лямбда-распределение Тьюки можно легко использовать, найдя значения в подготовленной таблице.
Моменты [ править ]
Лямбда-распределение Тьюки симметрично относительно нуля, поэтому ожидаемое значение этого распределения, если оно существует, равно нулю. Дисперсия существует при λ > − 1/2 за , , исключением случая, когда λ = 0 определяется по формуле
В более общем смысле момент n -го порядка конечен, когда λ > −1 / n и выражается (кроме случаев, когда λ = 0 ) через бета-функцию Β ( x , y ) :
Заметим, что в силу симметрии функции плотности все моменты нечетных порядков, если они существуют, равны нулю.
L-моменты [ править ]
В отличие от центральных моментов, L-моменты могут быть выражены в замкнутой форме. Для тот L-момент, дается [3]
Первые шесть L-моментов можно представить следующим образом: [3]
Комментарии [ править ]
Лямбда-распределение Тьюки на самом деле представляет собой семейство распределений, которые могут аппроксимировать ряд распространенных распределений. Например,
λ ≈ −1 ок. Коши С ( 0, π ) λ = 0 именно логистический λ ≈ 0,14 ок. нормальный Н ( 0, 2,142 ± ) λ = 1 / 2 строго вогнутая ( -образный) λ = 1 точно равномерный U ( −1, +1 ) λ = 2 точно равномерный U ( − 1 / 2 , + 1 / 2 )
Чаще всего это распределение используется для создания лямбда- графика Тьюки PPCC для набора данных . На основе значения λ с наилучшей корреляцией, как показано на графике PPCC , предлагается соответствующая модель данных. Например, если наилучшее соответствие кривой данным происходит при значении λ, равном или близком к 0,14 , то эмпирически данные могут быть хорошо смоделированы с помощью нормального распределения. Значения λ менее 0,14 предполагают распределение с более тяжелым хвостом.
Веха при λ = 0 ( логистический ) будет указывать на довольно толстые хвосты с крайним пределом при λ = −1 , аппроксимируя Коши и небольшие выборочные версии Стьюдента t . То есть, поскольку наиболее подходящее значение λ варьируется от тонких хвостов 0,14 до толстых хвостов -1 , предлагается колоколообразная PDF со все более тяжелыми хвостами. Аналогичным образом, оптимальное значение аппроксимации кривой λ, превышающее 0,14, предполагает распределение с исключительно тонкими хвостами (исходя из точки зрения, что само нормальное распределение изначально имеет тонкий хвост; экспоненциальное распределение часто выбирается в качестве примера хвосты — промежуточные между толстыми и тонкими).
За исключением значений λ, приближающихся к 0 и значений ниже, все обсуждаемые PDF-функции имеют конечную поддержку между −1 / | λ | и +1 / | л | .
Поскольку лямбда-распределение Тьюки является симметричным распределением, использование лямбда-графика Тьюки PPCC для определения разумного распределения для моделирования данных применимо только к симметричным распределениям. Гистограмма . данных должна свидетельствовать о том, можно ли разумно смоделировать данные с помощью симметричного распределения [4]
Ссылки [ править ]
- ^ Васичек, Олдрич (1976). «Тест на нормальность, основанный на энтропии выборки». Журнал Королевского статистического общества . Серия Б. 38 (1): 54–59.
- ^ Шоу, WT; Маккейб, Дж. (2009), «Выборка Монте-Карло с учетом характеристической функции: квантильная механика в пространстве импульсов», arXiv : 0903.1592 [ q-fin.CP ]
- ^ Перейти обратно: а б Карванен, Юха; Нуутинен, Арто (2008). «Характеризация обобщенного лямбда-распределения по L-моментам». Вычислительная статистика и анализ данных . 52 (4): 1971–1983. arXiv : math/0701405 . дои : 10.1016/j.csda.2007.06.021 . S2CID 939977 .
- ^ Джойнер, Брайан Л.; Розенблатт, Джоан Р. (1971). «Некоторые свойства диапазона в выборках из симметричных лямбда-распределений Тьюки». Журнал Американской статистической ассоциации . 66 (334): 394–399. дои : 10.2307/2283943 . JSTOR 2283943 .
Внешние ссылки [ править ]
- «Распределение Тьюки-Лямбды» . Галерея раздач. Справочник по инженерной статистике. NIST США Лаборатория информационных технологий . 1.3.6.6.15. ЭДА 366Ф.
Эта статья включает общедоступные материалы Национального института стандартов и технологий.