Этот пример показывает аппроксимацию непараметрического распределения вероятностей к выборочным данным с помощью хвостов Парето, чтобы сгладить распределение в хвостах.
Сгенерируйте выборочные данные, которая содержит больше выбросов, чем ожидалось от стандартного нормального распределения.
rng('default') % For reproducibility left_tail = -exprnd(1,10,1); right_tail = exprnd(5,10,1); center = randn(80,1); data = [left_tail;center;right_tail];
Данные содержат 80% значений от стандартного нормального распределения, 10% от экспоненциального распределения со средним значением 5 и 10% от экспоненциального распределения со средним значением -1. По сравнению со стандартным нормальным распределением экспоненциальные значения с большей вероятностью являются выбросами, особенно в верхнем хвосте.
Подбор нормального распределения и t распределения шкалы местоположения к данным и построение графика для визуального сравнения.
probplot(data); p = fitdist(data,'tlocationscale'); h = probplot(gca,p); set(h,'color','r','linestyle','-'); title('Probability Plot') legend('Normal','Data','t location-scale','Location','SE')
Оба распределения, по-видимому, подходят достаточно хорошо в центре, но ни нормальное распределение, ни распределение по шкале t местоположения не очень хорошо соответствуют хвостам.
Чтобы получить лучшую подгонку, используйте ecdf
чтобы сгенерировать эмпирический cdf на основе выборочных данных.
figure ecdf(data)
Эмпирическое распределение обеспечивает идеальную подгонку, но выбросы делают хвосты очень дискретными. Случайные выборки, сгенерированные из этого распределения с использованием метода инверсии, могут включать, например, значения около 4,33 и 9,25, но нет значений между ними.
Использование paretotails
сгенерировать эмпирический cdf для середины 80% данных и подгонять обобщенные распределения Парето к нижним и верхним 10%.
pfit = paretotails(data,0.1,0.9)
pfit = Piecewise distribution with 3 segments -Inf < x < -1.24623 (0 < p < 0.1): lower tail, GPD(-0.334156,0.798745) -1.24623 < x < 1.48551 (0.1 < p < 0.9): interpolated empirical cdf 1.48551 < x < Inf (0.9 < p < 1): upper tail, GPD(1.23681,0.581868)
Чтобы получить лучшую подгонку, paretotails
подбирает распределение путем прокалывания ecdf или ядерного распределения в центре выборки и сглаживает обобщенные распределения Парето (GPDs) в хвостах. Использование paretotails
для создания paretotails
объект распределения вероятностей. Вы можете получить доступ к информации о подгонке и выполнить дальнейшие вычисления по объекту, используя функции объекта paretotails
объект. Для примера можно вычислить cdf или сгенерировать случайные числа из распределения.
Вычислите и постройте график cdf установленного paretotails
распределение.
x = -4:0.01:10; plot(x,cdf(pfit,x))
The paretotails
cdf тесно подходит для данных, но более плавен в хвостах, чем ecdf, сгенерированный на шаге 3.
ecdf
| fitdist
| paretotails