Funkcja generująca kumulanty
Transkrypt
Funkcja generująca kumulanty
Funkcja generująca kumulanty Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski Funkcja generująca kumulanty (FGK) • Funkcją generującą kumulanty zmiennej X nazywamy funkcję zdefiniowaną wzorem ( ) ( ) C X (t ) = ln FX (t ) = ln E exp (tX ) . • Funkcja generująca kumlanty ma następującą własność: jeżeli X i Y – niezależne zmienne losowe, to ( ) ( ) C X +Y (t ) = ln FX +Y (t ) = ln FX (t ) ⋅ FY (t ) = C X (t ) + CY (t ). Kumulanty – co to takiego? • Kumulanty zmiennej losowej, ci,X , to współczynniki pojawiające się w rozwinięciu FGK w szereg potęgowy: C X (t ) = c0,X + c1,X t + c2,X 2! 2 t + c3,X 3! t 3 + ... • Mamy c0,X = 0 oraz następujący wzór dla (n ) n=1,2,… : cn ,X = C X (0). • Ze względu na własność FGK, dla n=1,2, … oraz niezależnych zmiennych X i Y zachodzi : cn ,X +Y = cn ,X + cn ,Y . Przykład – FGK i kumulanty rozkładu normalnego • Korzystając z obliczonej wcześniej FGM 2 rozkładu normalnego, dla X ∼ N (µ, σ ) otrzymujemy µt + σ2t 2 2 σ 0 3 0 4 2 2 C X (t ) = ln e = µt + t + t + t + ... 2! 3! 4! 2 • Wniosek: c1,X = µ, c2,X = σ zaś wszystkie kumulanty zmiennej o rozkładzie normalnym rzędu wyższego niż 2 są równe zero. • Zadanie: wyznaczyć kumulanty rozkładu Poi(λ). Kumulanty a momenty • Przyjmijmy oznaczenia: n mn ,X = EX , µn ,X = E (X − EX ) . n • Obliczamy d d c1,X = C X (t ) = ln FX (t ) dt dt t =0 t =0 1 d 1 FX (t ) = m1,X = m1,X = µX = EX . = FX (0) FX (t ) dt t =0 ( ) • Wniosek: 1. kumulanta to po prostu wartość oczekiwana. Kumulanty a momenty, c. d. • Obliczamy dalej d2 d 1 (1) c2,X = 2 C X (t ) = FX (t ) F (t ) dt dt t =0 X t =0 2 1 1 (1) (2) = − 2 FX (t ) + FX (t ) = FX (t ) FX (t ) t =0 = −m1,X 2 + m2,X = µ2,X = σX 2 = D2 (X ). ( ) • Wniosek: 2. kumulanta to 2. moment centralny, czyli wariancja. Kumulanty wyższych rzędów, skośność i kurtoza • Podobne rachunki dla kumulant rzędu 3. i 4. dają: c3,X = µ3,X , c4,X = µ4,X − 3µ2,X 2 = µ4,X − 3σX 4 . • Skośność zmiennej losowej, γX , i kurtozę, γ2,X , definiujemy za pomocą formuł: γX = c3,X σX 3 = µ3,X 3/2 (µ ) 2,X , γ2,X = c4,X σX 4 = µ4,X 2 (µ ) 2,X − 3. Skośność i kurtoza rozkładu gamma • Dla X ∼ Γ (β, λ ) mamy ( ) C X (t ) = β ln λ − ln (λ − t ) , • skąd łatwo obliczamy CX (1) β (n − 1) ! β (n ) , n = 2, 3,... (t ) = λ − t ,C X (t ) = n (λ − t ) • Skośność γX = c3,X 3/2 (c2,X ) = 2β / λ ( β / λ2 3 3/2 ) = 2 , β • zadanie: obliczyć kurtozę rozkładu gamma. Skośność i kurtoza sumy niezależnych zmiennych losowych • Jeżeli X1, X 2 , …, X n są niezależnymi zmiennymi losowymi, to skośność i kurtozę sumy S = X1 + X 2 + … + X n można obliczyć korzystając z własności kumulant: γS = c3,S 3/2 (c ) = 2,S γ2,S = c4,S 2 (c ) 2,S = c3,X + c3,X + … + c3,X 1 (c 2 3/2 2,X1 + c2,X + … + c2,X 2 1 2,X1 ) n c4,X + c4,X + … + c4,X (c n 2 n 2 + c2,X + … + c2,X 2 n ) . ; Skośność i kurtoza - interpretacja • Skośność i kurtoza nie zmieniają się przy afinicznym przekształceniu zmiennej Y=aX+b: γY = sgn (a ) γX , γ2,Y = γ2,X . • Skośność mierzy „niesymetryczność” rozkładu względem wartości oczekiwanej - gdy rozkład jest symetryczny wówczas wynosi 0. • Kurtoza mierzy odchylenie ogonów od ogonów zmiennej o rozkładzie normalnym, dla zmiennych o grubszych ogonach jest dodatnia. Skośność i kurtoza a testowanie normalności • Skośność i kurtoza są wykorzystywane w testowaniu normalności za pomocą tzw. testu Jarque-Berry. Statystyka testowa ma postać: 2 2 JB = S + (K − 3) / 4 n / 6, gdzie S= ∑ n i =1 (x 3 i −x n ∑ x − x i =1 i ( ) 2 ) /n 3/2 / n 4 x − x) / n ( ;K = , ∑ (x − x ) / n ∑ i ma w przybliżeniu rozkład χ2 . n i i =1 2 n i =1 i 2