具有密度函数
的分布叫做拉普拉斯分布;
是位置参数,
是尺度参数。
拉普拉斯分布的期望为
,方差为
,偏度为0,峰度为3。
拉普拉斯分布的密度函数,可以看作是两个指数分布函数的概率密度“背靠背”拼接在一起。(事实上拉普拉斯分布与指数分布确实有很密切的关系)
拉普拉斯分布与正态分布
拉普拉斯分布的概率密度与正态分布看起来很像,画出标准拉普拉斯分布(
)和标准正态分布的概率密度图:
正态分布看起来更集中一些。
此外,标准拉普拉斯分布的0.99分位点是3.91,而标准正态分布是2.32,这说明,服从拉普拉斯分布的随机变量,出现极端大的值的概率,要远远大于正态分布。
The probability of a very largeis far larger with a Laplacian than a Gaussian density.
拉普拉斯分布的一些性质:
- 如果
,那么
- 如果
,那么
- 如果
,那么
- 如果
,那么
拉普拉斯分布的参数估计
拉普拉斯分布的样本中位数即为参数
的极大似然估计。
此外,
拉普拉斯分布与回归分析
在古典回归分析中,用偏差平方和的大小作标准,来选择回归系数使它达到极小,这种回归不具有稳健性,然而,如改为用偏差的绝对值和作为标准,却具有稳健性。
即假设误差项
不是服从正态分布,而是服从拉普拉斯分布的,这时候回归参数的求解不是通过最小二乘了,而是最小化一个 1-范数。
附:画图的程序:
from scipy.stats import laplace, norm
x = np.linspace(laplace.ppf(0.01),
laplace.ppf(0.99), 100)
plt.plot(x, laplace.pdf(x),
'r-', lw=2, alpha=0.6, label='laplace pdf')
plt.plot(x, norm.pdf(x), lw=2, label="norm pdf")
plt.legend()
plt.show()
分位点: