Szukam rozkładu, w którym gęstość prawdopodobieństwa szybko maleje po pewnym punkcie oddalonym od średniej lub, moim zdaniem, „rozkładem w kształcie płaskowyżu”.
Coś pomiędzy gaussowskim a mundurem.
Szukam rozkładu, w którym gęstość prawdopodobieństwa szybko maleje po pewnym punkcie oddalonym od średniej lub, moim zdaniem, „rozkładem w kształcie płaskowyżu”.
Coś pomiędzy gaussowskim a mundurem.
Odpowiedzi:
Być może szukasz dystrybucji znanej pod nazwą uogólniona normalna (wersja 1) , dystrybucja subbotynowa lub wykładnicza dystrybucja mocy. Jest on parametryzowany przez położenie , skalę σ i kształt β za pomocą pdfμ σ β
jak widać, dla przypomina i zbiega się do rozkładu Laplace'a, przy β = 2 zbiega się do normalnego, a gdy β = ∞ do równomiernego rozkładu.β=1 β=2 β=∞
Jeśli szukasz oprogramowania, które ma to zaimplementowane, możesz sprawdzićLp
normalp
bibliotekę dla R (Mineo i Ruggieri, 2005). Co jest ładne na temat tego pakietu jest to, że między innymi realizuje regresji z błędami o rozkładzie normalnym uogólnionych, czyli minimalizowanie normę.Mineo, AM, i Ruggieri, M. (2005). Oprogramowanie do wykładniczej dystrybucji mocy: Pakiet normalp. Journal of Statistics Software, 12 (4), 1-24.
źródło
Komentarz StrongBada @ jest naprawdę dobrą sugestią. Suma jednolitego RV i gaussowskiego RV może dać ci dokładnie to, czego szukasz, jeśli odpowiednio wybierzesz parametry. I faktycznie ma całkiem dobre rozwiązanie w formie zamkniętej.
Plik PDF tej zmiennej jest podany w wyrażeniu:
jest „promieniem” równomiernego RV równego zeru. σ to odchylenie standardowe zerowej średniej RV gaussa.a σ
źródło
Istnieje nieskończona liczba rozkładów w kształcie płaskowyżu.
Czy szukałeś czegoś bardziej konkretnego niż „pomiędzy gaussowskim a mundurem”? To trochę niejasne.
Oto jedna prosta: zawsze możesz przykleić pół normalną na każdym końcu munduru:
Możesz kontrolować „szerokość” munduru w stosunku do skali normalnej, dzięki czemu możesz mieć szersze lub węższe płaskowyże, co daje całą klasę rozkładów, w tym przypadki Gaussa i mundur jako przypadki ograniczające.
Gęstość wynosi:
gdzieh=11+w/(2π√σ)
Gdy dla stałej w , zbliżamy się do munduru na ( μ - w / 2 , μ + w / 2 ), a jako w → 0 dla stałej σ zbliżamy się do N ( μ , σ 2 ) .σ→0 w (μ−w/2,μ+w/2) w→0 σ N(μ,σ2)
Oto kilka przykładów (z w każdym przypadku):μ=0
Być może moglibyśmy nazwać tę gęstość „mundurem gaussowskim”.
źródło
Zobacz moją dystrybucję „Diabelskiej wieży” tutaj [1]:
, dla | x | < 0,9399 ; f ( x ) = 0,2945 / x 2 , dla 0,9399 ≤ | x | < 2,3242 ; i f ( x ) = 0 , dla 2,3242 ≤ | x | .f(x)=0.3334 |x|<0.9399
f(x)=0.2945/x2 0.9399≤|x|<2.3242
f(x)=0 2.3242≤|x|
Dystrybucja „slip-dress” jest jeszcze bardziej interesująca.
Łatwo jest budować rozkłady o dowolnym kształcie.
[1]: Westfall, PH (2014)
„Kurtosis as Peakedness, 1905 - 2014. RIP”
Popr. Stat. 68 (3): 191–195. doi: 10.1080 / 00031305.2014.917055
publiczny dostęp pdf: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC4321753/pdf/nihms-599845.pdf
źródło
gdzie:
.
źródło
Kolejny ( EDYCJA : uprościłem go teraz. EDIT2 : uprościłem go jeszcze bardziej, chociaż teraz obraz tak naprawdę nie odzwierciedla tego dokładnego równania):
Oto przykładowy kod w R:
f
to nasza dystrybucja. Wykreślmy to dla sekwencjix
Dane wyjściowe konsoli:
I fabuła:
Można zmienić
a
ib
około początek i koniec stoku odpowiednio, ale potem dalej normalizacja byłaby potrzebna, a nie obliczać go (dlatego używama = 2
ib = 1
na wykresie).źródło
Jeśli szukasz czegoś bardzo prostego, z centralnym płaskowyżem i bokami rozkładu trójkątów, możesz na przykład połączyć N rozkładów trójkątów, N w zależności od pożądanego stosunku między płaskowyżem a zejściem. Po co trójkąty, ponieważ ich funkcje próbkowania istnieją już w większości języków. Losowo sortujesz według jednego z nich.
W R dałoby to:
źródło
Oto ładna: produkt dwóch funkcji logistycznych.
Ma to tę zaletę, że nie jest częściowe.
B dostosowuje szerokość, a A dostosowuje stromość opadania. Poniżej pokazano B = 1: 6 z A = 2. Uwaga: Nie zastanawiałem się, jak właściwie to znormalizować.
źródło