Устойчивые распределения являются классом вероятностных распределений, подходящих для моделирования тяжелых хвостов и скошенности. Линейная комбинация двух независимых, тождественно распределенных устойчиво распределенных случайных переменных имеет то же распределение как отдельные переменные. Другими словами, если X 1, X 2..., X n независим и тождественно распределил устойчивые случайные переменные, то для каждого n
где постоянный c n> 0 и .
Устойчивое распределение является приложением Обобщенной Центральной предельной теоремы, которая утверждает, что предел нормированных сумм независимых тождественно распределенных переменных устойчив.
Несколько различной параметризации существуют для устойчивого распределения. Реализация в Statistics and Machine Learning Toolbox™ использует параметризацию, описанную в [2]. В этом случае случайная переменная X имеет устойчивое распределение если его характеристической функцией дают:
Устойчивое распределение использует следующие параметры.
Параметр | Описание | Поддержка |
---|---|---|
alpha | Сначала сформируйте параметр | 0 < α ≤ 2 |
beta | Второй параметр формы | -1 ≤ β ≤ 1 |
gam | Масштабный коэффициент | 0 < γ < ∞ |
delta | Параметр положения | -∞ < δ < ∞ |
Первый параметр формы, α, описывает хвосты распределения. Программное обеспечение вычисляет плотность устойчивого распределения с помощью метода прямой интеграции. Как объяснено в [1], числовые трудности существуют с точным вычислением PDF и cdf, когда α параметр близко к 1 или 0. Если α близко к 1 (а именно, ), затем программное обеспечение округляет α до 1. Если α близко к 0, то плотность не может быть точной.
Второй параметр формы, β, описывает скошенность распределения. Если β = 0, то распределение симметрично. Если β> 0, то распределение скашивается правом. Если β <0, то распределение лево-скашивается. Когда α мал, скошенность β является значительной. Как α увеличения, эффект уменьшений β.
У большинства членов устойчивого семейства распределений нет явной функции плотности вероятности (PDF). Вместо этого PDF описана в терминах характеристической функции [2].
Некоторые особые случаи устойчивого распределения, такой как нормальное, Коши, и распределения Леви, имеют функции плотности закрытой формы. Смотрите Отношение к Другим Распределениям для получения дополнительной информации.
Использование pdf
вычислить функцию плотности вероятности для устойчивого распределения. Программное обеспечение вычисляет PDF с помощью метода прямой интеграции. Как объяснено в [1], числовые трудности существуют с точным вычислением PDF, когда α параметр близко к 1 или 0. Если α близко к 1 (а именно, ), затем программное обеспечение округляет α до 1. Если α близко к 0, то плотность не может быть точной.
Следующий график сравнивает функции плотности вероятности для устойчивых распределений с различным alpha
значения. В каждом случае, beta = 0
, gam = 1
, и delta = 0
.
pd1 = makedist('Stable','alpha',2,'beta',0,'gam',1,'delta',0); pd2 = makedist('Stable','alpha',1,'beta',0,'gam',1,'delta',0); pd3 = makedist('Stable','alpha',0.5,'beta',0,'gam',1,'delta',0);
Вычислите PDF для каждого распределения.
x = -5:.1:5; pdf1 = pdf(pd1,x); pdf2 = pdf(pd2,x); pdf3 = pdf(pd3,x);
Постройте все три функции PDF на той же фигуре для визуального сравнения.
figure plot(x,pdf1,'b-'); hold on plot(x,pdf2,'r-.'); plot(x,pdf3,'k--'); title('Compare Alpha Parameters in Stable Distribution PDF Plots') legend('\alpha = 2','\alpha = 1','\alpha = 0.5','Location','northwest') hold off
График иллюстрирует эффект alpha
параметр на хвостах распределения.
Следующий график сравнивает функции плотности вероятности для устойчивых распределений с различным beta
значения. В каждом случае, alpha = 0.5
, gam = 1
, и delta = 0
.
pd1 = makedist('Stable','alpha',0.5,'beta',0,'gam',1,'delta',0); pd2 = makedist('Stable','alpha',0.5,'beta',0.5,'gam',1,'delta',0); pd3 = makedist('Stable','alpha',0.5,'beta',1,'gam',1,'delta',0);
Вычислите PDF для каждого распределения.
x = -5:.1:5; pdf1 = pdf(pd1,x); pdf2 = pdf(pd2,x); pdf3 = pdf(pd3,x);
Постройте все три функции PDF на той же фигуре для визуального сравнения.
figure plot(x,pdf1,'b-'); hold on plot(x,pdf2,'r-.'); plot(x,pdf3,'k--'); title('Compare Beta Parameters in Stable Distribution PDF Plots') legend('\beta = 0','\beta = 0.5','\beta = 1','Location','northwest') hold off
Использование random
сгенерировать случайные числа от устойчивого распределения. Программное обеспечение генерирует случайные числа для устойчивого распределения с помощью метода, предложенного в [3]
У большинства членов устойчивого семейства распределений нет явной кумулятивной функции распределения (cdf). Вместо этого cdf описан в терминах характеристической функции [2].
Использование cdf
вычислить кумулятивную функцию распределения для устойчивого распределения. Программное обеспечение вычисляет cdf использование метода прямой интеграции. Как объяснено в [1], числовые трудности существуют с точным вычислением cdf, когда α параметр близко к 1 или 0. Если α близко к 1 (а именно, ), затем программное обеспечение округляет α до 1. Если α близко к 0, то плотность не может быть точной.
Следующий график сравнивает кумулятивные функции распределения для устойчивых распределений с различным alpha
значения. В каждом случае, beta = 0
, gam = 1
, и delta = 0
.
pd1 = makedist('Stable','alpha',2,'beta',0,'gam',1,'delta',0); pd2 = makedist('Stable','alpha',1,'beta',0,'gam',1,'delta',0); pd3 = makedist('Stable','alpha',0.5,'beta',0,'gam',1,'delta',0);
Вычислите cdf для каждого распределения.
x = -5:.1:5; cdf1 = cdf(pd1,x); cdf2 = cdf(pd2,x); cdf3 = cdf(pd3,x);
Постройте все три функции cdf на той же фигуре для визуального сравнения.
figure plot(x,cdf1,'b-'); hold on plot(x,cdf2,'r-.'); plot(x,cdf3,'k--'); title('Compare Alpha Parameters in Stable Distribution CDF Plots') legend('\alpha = 2','\alpha = 1','\alpha = 0.5','Location','northwest') hold off
График иллюстрирует эффект alpha
параметр на форме cdf.
Следующий график сравнивает кумулятивные функции распределения для устойчивых распределений с различным beta
значения. Во всех случаях, alpha = 0.5
, gam = 1
, и delta = 0
.
pd1 = makedist('Stable','alpha',0.5,'beta',0,'gam',1,'delta',0); pd2 = makedist('Stable','alpha',0.5,'beta',0.5,'gam',1,'delta',0); pd3 = makedist('Stable','alpha',0.5,'beta',1,'gam',1,'delta',0);
Вычислите cdf для каждого распределения.
x = -5:.1:5; cdf1 = cdf(pd1,x); cdf2 = cdf(pd2,x); cdf3 = cdf(pd3,x);
Постройте все три функции PDF на той же фигуре для визуального сравнения.
figure plot(x,cdf1,'b-'); hold on plot(x,cdf2,'r-.'); plot(x,cdf3,'k--'); title('Compare Beta Parameters in Stable Distribution CDF Plots') legend('\beta = 0','\beta = 0.5','\beta = 1','Location','northwest') hold off
Среднее значение устойчивого распределения не определено для значений α ≤ 1. Для α> 1, среднее значение устойчивого распределения
Использование mean
вычислить среднее значение устойчивого распределения.
Дисперсия устойчивого распределения не определена для значений α <2. Для α = 2, дисперсия устойчивого распределения
Использование var
вычислить дисперсию устойчивого распределения.
Устойчивое распределение имеет три особых случая: нормальное распределение, распределение Коши и распределение Lévy. Эти распределения известны, потому что у них есть функции плотности вероятности закрытой формы.
Нормальное, или Гауссово, распределение является особым случаем устойчивого распределения. Устойчивое распределение с α = 2 соответствует нормальному распределению. Другими словами,
μ является средним значением, и σ является стандартным отклонением нормального распределения.
Несмотря на то, что значение β не оказывает влияния, когда α = 2, нормальное распределение обычно сопоставляется с β = 0.
Функция плотности вероятности для нормального распределения
График плотности для нормального распределения симметричен и имеет колоколообразную кривую.
Распределение Коши является особым случаем устойчивого распределения с α = 1 и β = 0. Другими словами,
где γ является масштабным коэффициентом, и δ является параметром положения распределения Коши.
Функция плотности вероятности для распределения Коши
График плотности для распределения Коши симметричен и имеет колоколообразную кривую, но имеет более тяжелые хвосты, чем плотность нормального распределения.
Распределение Lévy является особым случаем устойчивого распределения где α = 0.5 и β = 1. Другими словами,
где γ является масштабным коэффициентом, и δ является параметром положения распределения Lévy.
Функция плотности вероятности для распределения Lévy
График плотности для распределения Lévy высоко скашивается и имеет тяжелые хвосты.
Следующий график сравнивает функции плотности вероятности для нормального стандарта, Коши и распределения Леви.
Создайте объект вероятностного распределения для нормального стандарта, Коши и распределения Леви.
pd_norm = makedist('Stable','alpha',2,'beta',0,'gam',1/sqrt(2),'delta',0); pd_cauchy = makedist('Stable','alpha',1,'beta',0,'gam',1,'delta',0); pd_levy = makedist('Stable','alpha',0.5,'beta',1,'gam',1,'delta',0);
Вычислите PDF для каждого распределения.
x = -5:.1:5; pdf_norm = pdf(pd_norm,x); pdf_cauchy = pdf(pd_cauchy,x); pdf_levy = pdf(pd_levy,x);
Постройте все три функции PDF на той же фигуре для визуального сравнения.
figure plot(x,pdf_norm,'b-'); hold on plot(x,pdf_cauchy,'r.'); plot(x,pdf_levy,'k--'); title('Compare Stable Distributions pdf Plots') legend('Normal','Cauchy','Levy','Location','northwest') hold off
[1] Нолан, Джон П. “Числовое вычисление устойчивой плотности и функций распределения”. Коммуникации в Статистике: Стохастические Модели. Издание 13, № 4, 1997, стр 759–774.
[2] Нолан, Джон П. Унивэриэт Стэйбл Дистрибушнс: Модели для Тяжелых Хвостатых Данных. Springer International Publishing, 2020. https://doi.org/10.1007/978-3-030-52915-4.
[3] Верон, А. и Р. Верон. “Компьютерное моделирование переменных Lévy α-stable и процессы”. Читайте лекции Примечаниям в Физике. Издание 457, 1995, стр 379–392.