Стабильные распределения являются классом распределений вероятностей, подходящим для моделирования тяжелых хвостов и перекоса. Линейная комбинация двух независимых, одинаково распределенных стабильно распределенных случайных переменных имеет такое же распределение как и отдельные переменные. Другими словами, если X 1, X 2,..., X n являются независимыми и идентично распределенными стабильными случайными переменными, то для каждого n
где константа c n > 0 и.
Устойчивое распределение является приложением Обобщенной теоремы о центральном пределе, которая утверждает, что предел нормализованных сумм независимых одинаково распределенных переменных является стабильным.
Для стабильного распределения существует несколько различных параметров. Реализация в Statistics and Machine Learning Toolbox™ использует параметризацию, описанную в [2]. В этом случае случайная переменная, X имеет стабильное распределение если его характеристическая функция задана:
Стабильное распределение использует следующие параметры.
Параметр | Описание | Поддержка |
---|---|---|
alpha | Первый параметр формы | 0 < α ≤ 2 |
beta | Второй параметр формы | -1 ≤ β ≤ 1 |
gam | Масштабный параметр | 0 < γ < ∞ |
delta | Параметр местоположения | -∞ < δ < ∞ |
Первый параметр формы, α, описывает хвосты распределения. Программа вычисляет плотности стабильного распределения с помощью метода прямого интегрирования. Как объяснено в [1], числовые трудности существуют при точном вычислении pdf и cdf, когда параметр α близок к 1 или 0. Если α близка к 1 (конкретно, ), затем программа округляет α до 1. Если α близка к 0, то плотности могут быть неточными.
Второй параметр формы, β, описывает перекос распределения. Если β = 0, то распределение симметричное. Если β > 0, то распределение имеет перекос вправо. Если β < 0, то распределение имеет уклон влево. Когда α является маленькой, перекос β значителен. Когда α увеличивается, эффект β уменьшается.
Большинство представителей стабильного семейства распределения не имеют явной функции плотности вероятностей (pdf). Вместо этого PDF описывается в терминах функции характеристики [2].
Некоторые особые случаи стабильного распределения, такие как нормальные, распределения Коши и Леви, имеют функции плотности закрытой формы. Для получения дополнительной информации см. раздел «Связь с другими Распределениями».
Использовать pdf
вычислить функцию плотности вероятностей для стабильного распределения. Программа вычисляет PDF с помощью метода прямого интегрирования. Как объяснено в [1], числовые трудности существуют при точном вычислении PDF, когда параметр α близок к 1 или 0. Если α близка к 1 (конкретно, ), затем программа округляет α до 1. Если α близка к 0, то плотности могут быть неточными.
Следующий график сравнивает функции плотности вероятностей для стабильных распределений с различными 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);
Рассчитать PDF для каждого распределения.
x = -5:.1:5; pdf1 = pdf(pd1,x); pdf2 = pdf(pd2,x); pdf3 = pdf(pd3,x);
Постройте график всех трех функций PDF на одном и том же рисунке 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 вероятностей для стабильных распределений с различными 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);
Рассчитать PDF для каждого распределения.
x = -5:.1:5; pdf1 = pdf(pd1,x); pdf2 = pdf(pd2,x); pdf3 = pdf(pd3,x);
Постройте график всех трех функций PDF на одном и том же рисунке 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
Использовать random
чтобы сгенерировать случайные числа из стабильного распределения. Программа генерирует случайные числа для стабильного распределения, используя метод, предложенный в [3]
Большинство представителей стабильного семейства распределения не имеют явной совокупной функции распределения (cdf). Вместо этого cdf описывается в терминах функции характеристики [2].
Использовать cdf
вычислить совокупную функцию распределения для стабильного распределения. Программа вычисляет cdf с помощью метода прямого интегрирования. Как объяснено в [1], существуют числовые трудности с точным вычислением cdf, когда параметр α близок к 1 или 0. Если α близка к 1 (конкретно, ), затем программа округляет α до 1. Если α близка к 0, то плотности могут быть неточными.
Следующий график сравнивает совокупные функции распределения для стабильных распределений с различными 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 график всех трех функций cdf на одном рисунке 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 совокупные функции распределения для стабильных распределений с различными 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 график всех трех функций PDF на одном и том же рисунке 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 стабильного распределения не определено для значений α ≤ 1. Для α > 1 среднее значение стабильного распределения является
Использовать mean
вычислить среднее значение стабильного распределения.
Дисперсия устойчивого распределения не определена для значений α < 2. Для α = 2 дисперсия устойчивого распределения
Использовать var
вычислить дисперсию устойчивого распределения.
Стабильное распределение имеет три особых случая: Нормальное распределение, распределение Коши и распределение Леви. Эти распределения примечательны, потому что они имеют функции плотности вероятностей в закрытой форме.
Нормальное, или Гауссово, распределение является частным случаем стабильного распределения. Стабильное распределение с α = 2 соответствует нормальному распределению. Другими словами,
μ - среднее, а σ - стандартное отклонение нормального распределения.
Хотя значение β не влияет при α = 2, нормальное распределение обычно связано с β = 0.
Функция плотности вероятностей для нормального распределения
График плотности для нормального распределения симметричен и имеет колоколообразную кривую.
Распределение Коши является частным случаем стабильного распределения с α = 1 и β = 0. Другими словами,
где β - параметр шкалы, а, - параметр местоположения распределения Коши.
Функция плотности вероятностей для распределения Коши
График плотности для распределения Коши симметричен и имеет колоколообразную кривую, но имеет более тяжёлые хвосты, чем плотность нормального распределения.
Распределение Леви является частным случаем стабильного распределения, где α = 0,5 и β = 1. Другими словами,
где β - параметр шкалы, а, - параметр местоположения распределения Леви.
Функция плотности вероятностей для распределения Леви
График плотности для распределения Леви сильно искривлен и имеет тяжелые хвосты.
Следующий график сравнивает функции плотности вероятностей для стандартных распределений normal, Couchy и Lévy.
Создайте объект распределения вероятностей для стандартных распределений normal, Couchy и Lévy.
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);
Рассчитать 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 график всех трех функций PDF на одном и том же рисунке 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. «Численное вычисление стабильных плотностей и функций распределения». Коммуникации в статистике: стохастические модели. Том 13, № 4, 1997, стр. 759-774.
[2] Нолан, Джон П. Одномерные Стабильные Распределения: Модели для тяжелых хвостовых данных. Springer International Publishing, 2020. https://doi.org/10.1007/978-3-030-52915-4.
[3] Верон, А. и Р. Верон. Компьютерная симуляция α-стабильных переменных и процессов Леви. Лекции по физике. Том 457, 1995, стр. 379-392.