Examinamos una variable aleatoria continua. Sea la función característica de su distribución cuya función de densidad es f , y sus cumulantes . Ampliamos en términos de una distribución conocida con función de densidad de probabilidad ψ , función característica y cumulantes . La densidad ψ generalmente se elige como la de la distribución normal , pero también son posibles otras opciones. Por la definición de los acumulantes, tenemos (ver Wallace, 1958) [3]
y
lo que da la siguiente identidad formal:
Por las propiedades de la transformada de Fourier, es la transformada de Fourier de , donde D es el operador diferencial con respecto a x . Así, después de cambiar con en ambos lados de la ecuación, encontramos para f la expansión formal
Si se elige ψ como densidad normal
con media y varianza dadas por f , es decir, media y varianza , entonces la expansión se convierte en
ya que para todo r > 2, los cumulantes superiores de la distribución normal son 0. Al expandir la exponencial y reunir los términos según el orden de las derivadas, llegamos a la serie A de Gram-Charlier. Tal expansión se puede escribir de forma compacta en términos de polinomios de Bell como
Dado que la n-ésima derivada de la función gaussiana está dada en términos del polinomio de Hermite como
esto nos da la expresión final de la serie Gram-Charlier A como
Si incluimos sólo los dos primeros términos de corrección de la distribución normal, obtenemos
con y .
Tenga en cuenta que no se garantiza que esta expresión sea positiva y, por lo tanto, no es una distribución de probabilidad válida. La serie Gram-Charlier A diverge en muchos casos de interés: converge sólo si cae más rápidamente que en el infinito (Cramér 1957). Cuando no converge, la serie tampoco es una verdadera expansión asintótica , porque no es posible estimar el error de la expansión. Por esta razón, generalmente se prefiere la serie de Edgeworth (consulte la siguiente sección) a la serie de Gram-Charlier A.
La serie Edgeworth
Edgeworth desarrolló una expansión similar como mejora del teorema del límite central . [4] La ventaja de la serie de Edgeworth es que el error está controlado, por lo que es una verdadera expansión asintótica .
para cada , siempre que la media y la varianza sean finitas.
La estandarización de garantiza que los dos primeros cumulantes de sean y Ahora supongamos que, además de tener media y varianza , las variables aleatorias iid tienen cumulantes más altos . De las propiedades de aditividad y homogeneidad de los cumulantes, los cumulantes de en términos de los cumulantes de son para ,
Si ampliamos la expresión formal de la función característica de en términos de la distribución normal estándar, es decir, si establecemos
entonces las diferencias acumuladas en la expansión son
La serie Gram-Charlier A para la función de densidad de ahora es
La serie Edgeworth se desarrolla de manera similar a la serie Gram-Charlier A, solo que ahora los términos se recopilan según potencias de . Los coeficientes del término n − m /2 se pueden obtener recopilando los monomios de los polinomios de Bell correspondientes a las particiones enteras de m . Por tanto, tenemos la función característica como
donde es un polinomio de grado . Nuevamente, después de la transformada inversa de Fourier, la función de densidad sigue como
Asimismo, integrando la serie obtenemos la función de distribución.
Podemos escribir explícitamente el polinomio como
donde la sumatoria es sobre todas las particiones enteras de m tales que y y
Por ejemplo, si m = 3, entonces hay tres formas de dividir este número: 1 + 1 + 1 = 2 + 1 = 3. Como tal, debemos examinar tres casos:
1 + 1 + 1 = 1 · k 1 , entonces tenemos k 1 = 3, l 1 = 3 y s = 9.
1 + 2 = 1 · k 1 + 2 · k 2 , entonces tenemos k 1 = 1, k 2 = 1, l 1 = 3, l 2 = 4 y s = 7.
3 = 3 · k 3 , entonces tenemos k 3 = 1, l 3 = 5 y s = 5.
Por tanto, el polinomio requerido es
Los primeros cinco términos de la expansión son [5]
Aquí, φ ( j ) ( x ) es la j -ésima derivada de φ(·) en el punto x . Recordando que las derivadas de la densidad de la distribución normal están relacionadas con la densidad normal por , (donde está el polinomio de Hermite de orden n ), esto explica las representaciones alternativas en términos de la función de densidad. Blinnikov y Moessner (1998) han proporcionado un algoritmo simple para calcular términos de orden superior de la expansión.
Tenga en cuenta que en el caso de distribuciones reticulares (que tienen valores discretos), la expansión de Edgeworth debe ajustarse para tener en cuenta los saltos discontinuos entre puntos de la red. [6]
Ilustración: densidad de la media muestral de tres distribuciones χ²
Densidad de la media muestral de tres variables chi2. El gráfico compara la densidad real, la aproximación normal y dos expansiones de Edgeworth.
Para muestras finitas, no se garantiza que una expansión de Edgeworth sea una distribución de probabilidad adecuada , ya que los valores de CDF en algunos puntos pueden ir más allá de .
Garantizan (asintóticamente) errores absolutos , pero los errores relativos se pueden evaluar fácilmente comparando el término principal de Edgeworth en el resto con el término principal general. [2]
^ Kolassa, John E.; McCullagh, Peter (1990). "Serie Edgeworth para distribuciones reticulares". Anales de Estadística . 18 (2): 981–985. doi : 10.1214/aos/1176347637 . JSTOR 2242145.
Otras lecturas
H. Cramér . (1957). Métodos matemáticos de estadística . Prensa de la Universidad de Princeton, Princeton.
Wallace, DL (1958). "Aproximaciones asintóticas a distribuciones". Anales de estadística matemática . 29 (3): 635–654. doi : 10.1214/aoms/1177706528 .
M. Kendall y A. Stuart. (1977), La teoría avanzada de la estadística , Vol 1: Teoría de la distribución, cuarta edición, Macmillan, Nueva York.
P. McCullagh (1987). Métodos tensoriales en estadística . Chapman y Hall, Londres.
DR Cox y OE Barndorff-Nielsen (1989). Técnicas asintóticas para su uso en estadística . Chapman y Hall, Londres.
P. Hall (1992). La expansión Bootstrap y Edgeworth . Springer, Nueva York.
Blinnikov, S.; Moessner, R. (1998). "Expansiones para distribuciones casi gaussianas" (PDF) . Serie de Suplementos de Astronomía y Astrofísica . 130 : 193-205. arXiv : astro-ph/9711239 . Código Bib : 1998A y AS..130..193B. doi :10.1051/aas:1998221.
Martín, Douglas; Arora, Rohit (2017). "Ineficiencia y sesgo del valor en riesgo modificado y déficit esperado". Revista de Riesgo . 19 (6): 59–84. doi :10.21314/JOR.2017.365.
JE Kolassa (2006). Métodos de aproximación de series en estadística (3ª ed.). (Notas de clase en Estadísticas #88). Springer, Nueva York.