WikiDer > Унимодальность

В математика, унимодальность означает обладание уникальным Режим. В более общем смысле, унимодальность означает, что существует только одно наивысшее значение, так или иначе определенное, некоторого математического объекта.^[1]

Унимодальное распределение вероятностей

Рисунок 1. функция плотности вероятности нормальных распределений, пример унимодального распределения.

Фигура 2. простое бимодальное распределение.

Рисунок 3. Бимодальное распределение. Обратите внимание, что только самый большой пик будет соответствовать режиму в строгом смысле определения режима.

В статистика, а унимодальное распределение вероятностей или одномодальное распределение это распределение вероятностей который имеет единственный пик. Термин «режим» в этом контексте относится к любому пику распределения, а не только к строгому определению Режим что обычно в статистике.

Если есть одиночный режим, функция распределения называется «унимодальной». Если у него больше режимов, это «бимодальный» (2), «тримодальный» (3) и т. Д. Или в целом «мультимодальный».^[2] Рисунок 1 иллюстрирует нормальные распределения, которые являются одномодальными. Другие примеры унимодальных распределений включают Распределение Коши, Распределение Стьюдента, распределение хи-квадрат и экспоненциальное распределение. Среди дискретных распределений биномиальное распределение и распределение Пуассона можно рассматривать как одномодальные, хотя для некоторых параметров они могут иметь два соседних значения с одинаковой вероятностью.

Рисунки 2 и 3 иллюстрируют бимодальные распределения.

Другие определения

Существуют и другие определения унимодальности в функциях распределения.

В непрерывных распределениях унимодальность может быть определена через поведение кумулятивная функция распределения (cdf).^[3] Если cdf выпуклый для Икс < м и вогнутый для Икс > м, то распределение будет унимодальным, м будучи режимом. Обратите внимание, что согласно этому определению равномерное распределение одномодальный,^[4] а также любое другое распределение, в котором максимальное распределение достигается для диапазона значений, например трапециевидное распределение. Обычно это определение допускает прерывание режима; обычно в непрерывном распределении вероятность любого отдельного значения равна нулю, в то время как это определение допускает ненулевую вероятность или «атом вероятности» в режиме.

Критерии унимодальности также можно определить с помощью характеристическая функция распределения^[3] или через его Преобразование Лапласа – Стилтьеса.^[5]

Другой способ определить унимодальное дискретное распределение - это изменение знака в последовательности разностей вероятностей.^[6] Дискретное распределение с функция массы вероятности, ${ Displaystyle {p_ {п}; п = точки, -1,0,1, точки }}$, называется унимодальной, если последовательность ${ displaystyle dots, p _ {- 2} -p _ {- 1}, p _ {- 1} -p_ {0}, p_ {0} -p_ {1}, p_ {1} -p_ {2}, точки}$ имеет ровно одну смену знака (когда нули не считаются).

Использование и результаты

Одна из причин важности унимодальности распределения заключается в том, что она позволяет получить несколько важных результатов. Ниже приведены несколько неравенств, которые справедливы только для унимодальных распределений. Таким образом, важно оценить, является ли данный набор данных результатом одномодального распределения. Несколько тестов на унимодальность приведены в статье о мультимодальное распределение.

Неравенства

Неравенство Гаусса

Первый важный результат: Неравенство Гаусса.^[7] Неравенство Гаусса дает верхнюю границу вероятности того, что значение находится больше, чем любое заданное расстояние от его моды. Это неравенство зависит от унимодальности.

Неравенство Высочанского – Петунина.

Второй - это Неравенство Высочанского – Петунина.,^[8] уточнение Неравенство Чебышева. Неравенство Чебышева гарантирует, что в любом распределении вероятностей «почти все» значения «близки» к среднему значению. Неравенство Высочанского – Петунина уточняет это до еще более близких значений при условии, что функция распределения является непрерывной и унимодальной. Дальнейшие результаты показали Sellke & Sellke.^[9]

Режим, медиана и среднее значение

Гаусс также показал в 1823 г., что для унимодального распределения^[10]

${ displaystyle sigma leq omega leq 2 sigma}$

и

${ displaystyle | nu - mu | leq { sqrt { frac {3} {4}}} omega,}$

где медиана ν, среднее значение μ и ω - среднеквадратичное отклонение от режима.

Для унимодального распределения можно показать, что медиана ν и среднее μ лежать внутри (3/5)^1/2 ≈ 0,7746 стандартных отклонений друг от друга.^[11] В символах

${ displaystyle { frac {| nu - mu |} { sigma}} leq { sqrt { frac {3} {5}}}}$

где |. | - абсолютное значение.

В 2020 году Бернард, Каззи и Вандуффель обобщили предыдущее неравенство, выведя максимальное расстояние между симметричным средним квантилем. ${ Displaystyle { гидроразрыва {q _ { alpha} + q _ {(1- alpha)}} {2}}}$ и среднее,^[12]

${ displaystyle { frac { left | { frac {q _ { alpha} + q _ {(1- alpha)}} {2}} - mu right |} { sigma}} leq left {{ begin {array} {cl} { frac {{ sqrt [{}] {{ frac {4} {9 (1- alpha)}} - 1}} { text {}} + { text {}} { sqrt [{}] { frac {1- alpha} {1/3 + alpha}}}} {2}} и { text {for}} alpha in left [{ frac {5} {6}}, 1 right), { frac {{ sqrt [{}] { frac {3 alpha} {4-3 alpha}}} { текст {}} + { text {}} { sqrt [{}] { frac {1- alpha} {1/3 + alpha}}}} {2}} и { text {for}} alpha in left ({ frac {1} {6}}, { frac {5} {6}} right), { frac {{ sqrt [{}] { frac {3 alpha} {4-3 alpha}}} { text {}} + { text {}} { sqrt [{}] {{ frac {4} {9 alpha}} - 1}}} {2}} & { text {for}} alpha in left (0, { frac {1} {6}} right]. End {array}} right.}$

Стоит отметить, что максимальное расстояние минимизировано при ${ displaystyle alpha = 0,5}$ (т. е. когда симметричное среднее квантиль равно ${ displaystyle q_ {0,5} = nu}$), что действительно мотивирует распространенный выбор медианы в качестве надежной оценки среднего. Более того, когда ${ displaystyle alpha = 0,5}$, оценка равна ${ displaystyle { sqrt { frac {3} {5}}}}$, которое представляет собой максимальное расстояние между медианой и средним значением унимодального распределения.

Аналогичное соотношение имеет место между медианой и модой θ: они лежат в пределах 3^1/2 ≈ 1,732 стандартных отклонения друг от друга:

${ displaystyle { frac {| nu - theta |} { sigma}} leq { sqrt {3}}.}$

Также можно показать, что среднее значение и мода лежат в пределах 3^1/2 друг друга.

${ displaystyle { frac {| mu - theta |} { sigma}} leq { sqrt {3}}.}$

Асимметрия и эксцесс

Рохатги и Секели показали, что перекос и эксцесс унимодального распределения связаны неравенством:^[13]

${ displaystyle gamma ^ {2} - kappa leq { frac {6} {5}}}$

где κ это эксцесс и γ асимметрия.

Клаассен, Моквельд и ван Эс вывели неравенство, немного отличное (показано ниже) от неравенства, полученного Рохатги и Секели (показано выше), которое имеет тенденцию быть более всеобъемлющим (т. Е. Давать больше положительных результатов) в тестах на унимодальность:^[14]

${ displaystyle gamma ^ {2} - kappa leq { frac {186} {125}}}$

Унимодальная функция

Поскольку термин «модальный» применяется к наборам данных и распределению вероятностей, а не к функциям в целом, приведенные выше определения не применяются. Определение «унимодальный» было распространено на функции действительные числа также.

Общее определение выглядит следующим образом: a функция ж(Икс) это унимодальная функция если для некоторой стоимости м, это монотонно увеличивается для Икс ≤ м и монотонно убывает при Икс ≥ м. В этом случае максимум ценность ж(Икс) является ж(м) и других локальных максимумов нет.

Доказать унимодальность зачастую сложно. Один из способов состоит в использовании определения этого свойства, но оказывается, что он подходит только для простых функций. Существует общий метод, основанный на производных финансовых инструментах,^[15] но не для всех функций, несмотря на свою простоту.

Примеры унимодальных функций включают: квадратичный многочлен функции с отрицательным квадратичным коэффициентом, карта палатки функции и многое другое.

Вышеупомянутое иногда относят к сильная унимодальность, из того факта, что подразумеваемая монотонность сильная монотонность. Функция ж(Икс) это слабо унимодальная функция если существует значение м для которого она слабо монотонно возрастает при Икс ≤ м и слабо монотонно убывающая при Икс ≥ м. В этом случае максимальное значение ж(м) может быть достигнута для непрерывного диапазона значений Икс. Примером слабо унимодальной функции, которая не является сильно унимодальной, является каждая вторая строка в Треугольник Паскаля.

В зависимости от контекста, унимодальная функция может также относиться к функции, которая имеет только один локальный минимум, а не максимум.^[16] Например, местная одномодальная выборка, метод численной оптимизации, часто демонстрируется с такой функцией. Можно сказать, что унимодальная функция при этом расширении - это функция с одним локальным экстремум.

Одним из важных свойств унимодальных функций является то, что экстремум можно найти, используя алгоритмы поиска такие как поиск золотого сечения, тройной поиск или последовательная параболическая интерполяция.

Прочие расширения

Функция ж(Икс) является «S-унимодальным» (часто называемым «S-унимодальным отображением»), если его Производная Шварца отрицательно для всех ${ Displaystyle х neq c}$, где ${ displaystyle c}$ это критическая точка.^[17]

В вычислительная геометрия если функция унимодальна, это позволяет разработать эффективные алгоритмы для поиска экстремумов функции.^[18]

Более общее определение, применимое к функции f (X) векторной переменной X, состоит в том, что f является унимодальным, если существует взаимно однозначно дифференцируемое отображениеИкс = г(Z) такие, что ж(г(Z)) выпуклая. Обычно хотелось бы г(Z) быть непрерывно дифференцируемой с невырожденной матрицей Якоби.

Квазивыпуклые функции а квазивогнутые функции распространяют понятие унимодальности на функции, аргументы которых принадлежат многомерным Евклидовы пространства.

Смотрите также

• Бимодальное распределение

использованная литература