Gama ve lognormal hem doğru eğridir, hem de sabit katsayılı değişkenlik dağılımları ve genellikle belirli fenomen türleri için "rakip" modellerin temelidir.(0,∞)
Bir kuyruğun ağırlığını tanımlamanın çeşitli yolları vardır, ancak bu durumda tüm normal olanların lognormalin daha ağır olduğunu gösterdiğini düşünüyorum. (İlk kişinin hakkında konuştuğu şey uzak kuyrukta değil, modun biraz sağında olan şeydir (diyelim ki, aşağıdaki ilk arsadaki yüzde 75'inci civarında, lognormal'in 5'in altında olduğu ve sadece yukarıdaki gama 5.)
Bununla birlikte, soruyu başlamak için çok basit bir şekilde araştıralım.
Aşağıda ortalama 4 ve varyans 4 (üst arsa - gama koyu yeşil, lognormal mavidir) ve daha sonra yoğunluğun günlüğü (alt) olan gama ve lognormal yoğunluklar, ardından kuyruklardaki eğilimleri karşılaştırabilirsiniz:
En üstteki komploda çok fazla ayrıntı görmek zor, çünkü tüm eylem 10'un sağında. Ancak, garajın lognormalden çok daha hızlı bir şekilde aşağı indiği ikinci komploda oldukça açık.
İlişkiyi araştırmak için başka bir yol cevap olarak, günlükleri yoğunluğu bakmaktır burada ; lognormal için logların yoğunluğunun simetrik olduğunu (normal!) ve sağda hafif bir kuyruk ile gama için sola eğik olduğunu görüyoruz.
Yoğunluk oranına (veya oranın günlüğü) olarak cebirsel olarak yapabiliriz . Let gamma yoğunluğu ve olmak lognormal:g fx→∞gf
log(g(x)/f(x))=log(g(x))−log(f(x))
=log(1Γ(α)βαxα−1e−x/β)−log(12π−−√σxe−(log(x)−μ)22σ2)
=−k1−(α−1)log(x)−x/β−(−k2−log(x)−(log(x)−μ)22σ2)
=[c−(α−2)log(x)+(log(x)−μ)22σ2]−x/β
[] İçindeki terim da ikinci dereceden bir terimdir, geri kalan terim ise cinsinden doğrusal olarak azalmaktadır . Ne olursa olsun, bu sonuçta , parametre değerlerinin ne olduğuna bakılmaksızın ikinci dereceden artışlardan daha hızlı düşecektir . sınırında , yoğunluk oranının günlüğü doğru azalmaktadır ; bu, gamma pdf'nin sonunda lognormal pdf'den çok daha küçük olduğu ve nispeten azalmaya devam ettiği anlamına gelir. Oranı diğer yoldan alırsanız (üstte lognormal varken), sonunda herhangi bir sınırın ötesine geçmelidir.log(x)x−x/βx→∞−∞
Olduğunu, herhangi bir lognormal sonunda daha ağır kuyruklu edilir herhangi gamma.
Ağırlığın diğer tanımları:
Bazı insanlar sağ kuyruğun ağırlığını ölçmek için eğiklik veya kurtosis ile ilgilenmektedir. Varyasyon belirli bir katsayı olarak, lognormal hem daha fazla asimetri ve daha yüksek basıklığını sahip gamma . **
Örneğin, çarpıklıkla , gama, 2CV'lik bir çarpıklığa sahipken, lognormal 3CV + CV .3
Yazıların burada ne kadar ağır olduğuna dair çeşitli önlemlerin bazı teknik tanımları vardır . Bu iki dağıtımdan bazılarını denemek isteyebilirsiniz. Lognormal ilk tanımda ilginç bir özel durumdur - tüm anları var, ancak MGF değeri 0'ın üzerinde birleşmediğinde, Gamma için MGF sıfır civarında bir mahallede birleşiyor.
-
** Nick Cox'un da belirttiği gibi, gamma için yaklaşık normalliğe normal dönüşüm, Wilson-Hilferty dönüşümü, kütükten daha zayıftır - bir küp kök dönüşümüdür. Shape parametresinin küçük değerlerinde, dördüncü kökten bahsedildiği, bunun yerine bu cevaptaki tartışmaya bakınız , ancak her iki durumda da normale yakınlığa ulaşmak için daha zayıf bir dönüşüm söz konusudur.
Eğikliğin (veya kurtosisin) karşılaştırılması, aşırı kuyrukta gerekli herhangi bir ilişkiyi önermez - bunun yerine bize ortalama davranış hakkında bir şeyler söyler; ancak orijinal nokta aşırı kuyruktan yapılmıyorsa, bu nedenle daha iyi sonuç verebilir.
Kaynaklar : R veya Minitab veya Matlab veya Excel gibi programları veya yoğunlukları ve günlük yoğunluklarını ve yoğunluk oranlarının günlüklerini çizmek için ne istersen kullanmak çok kolaydır. Başlamanızı önerdiğim şey bu.