Examinamos una variable aleatoria continua. Sea la función característica de su distribución cuya función de densidad es f , y sus cumulantes . Desarrollamos en términos de una distribución conocida con función de densidad de probabilidad ψ , función característica y cumulantes . La densidad ψ se elige generalmente como la de la distribución normal , pero también son posibles otras opciones. Por la definición de los cumulantes, tenemos (véase 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 . Por lo tanto, después de cambiar con en ambos lados de la ecuación, encontramos para f la expansión formal
Si se elige ψ como la densidad normal
con media y varianza como 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 los términos exponenciales y agruparlos según el orden de las derivadas, llegamos a la serie A de Gram-Charlier. Tal expansión se puede escribir de manera compacta en términos de polinomios de Bell como
Dado que la derivada n-ésima de la función gaussiana se da en términos del polinomio de Hermite como
Esto nos da la expresión final de la serie A de Gram-Charlier como
Si incluimos sólo los dos primeros términos de corrección a 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 A de Gram-Charlier diverge en muchos casos de interés: converge solo si decae más rápido 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, la serie de Edgeworth (ver la siguiente sección) generalmente se prefiere a la serie A de Gram-Charlier.
La serie Edgeworth
Edgeworth desarrolló una expansión similar como una mejora del teorema del límite central . [4] La ventaja de la serie de Edgeworth es que el error está controlado, de modo que es una verdadera expansión asintótica .
para cada , siempre que la media y la varianza sean finitas.
La estandarización de asegura 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 . A partir 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 A de Gram-Charlier para la función de densidad de es ahora
La serie de Edgeworth se desarrolla de manera similar a la serie A de Gram–Charlier, solo que ahora los términos se agrupan según las potencias de . Los coeficientes del término n − m /2 se pueden obtener agrupando los monomios de los polinomios de Bell correspondientes a las particiones enteras de m . Por lo tanto, tenemos la función característica como
donde es un polinomio de grado . Nuevamente, después de la transformada inversa de Fourier, la función de densidad se deduce como
Asimismo, integrando la serie, obtenemos la función de distribución
Podemos escribir explícitamente el polinomio como
donde la suma es sobre todas las particiones enteras de m tales que y y
Por ejemplo, si m = 3, entonces hay tres formas de particionar este número: 1 + 1 + 1 = 2 + 1 = 3. Por lo tanto, necesitamos 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 lo tanto, el polinomio requerido es
Los primeros cinco términos de la expansión son [5]
Aquí, φ ( j ) ( x ) es la derivada j -ésima 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 es el polinomio de Hermite de orden n ), esto explica las representaciones alternativas en términos de la función de densidad. Blinnikov y Moessner (1998) han dado un algoritmo simple para calcular términos de orden superior de la expansión.
Téngase en cuenta que en el caso de distribuciones en red (que tienen valores discretos), la expansión de Edgeworth debe ajustarse para tener en cuenta los saltos discontinuos entre los puntos de la red. [6]
Ilustración: densidad de la media muestral de tres distribuciones χ²
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 superar .
Garantizan errores absolutos (asintóticamente) , 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 de Edgeworth para distribuciones reticulares". Anales de Estadística . 18 (2): 981–985. doi : 10.1214/aos/1176347637 . JSTOR 2242145.
Lectura adicional
H. Cramér . (1957). Métodos matemáticos de estadística . Princeton University Press, 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, 4ª edición, Macmillan, Nueva York.
P. McCullagh (1987). Métodos tensoriales en estadística . Chapman and Hall, Londres.
DR Cox y OE Barndorff-Nielsen (1989). Técnicas asintóticas para uso en estadística . Chapman y Hall, Londres.
P. Hall (1992). La expansión de 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 Bibliográfico :1998A&AS..130..193B. doi :10.1051/aas:1998221.
Martin, Douglas; Arora, Rohit (2017). "Ineficiencia y sesgo del valor en riesgo modificado y del déficit esperado". Journal of Risk . 19 (6): 59–84. doi :10.21314/JOR.2017.365.
JE Kolassa (2006). Métodos de aproximación de series en estadística (3.ª ed.). (Lecture Notes in Statistics #88). Springer, Nueva York.