Zvažte diskrétní distribuce. Jedna z podporovaných hodnot $ k $ $ x_1, x_2, \ ldots, x_k $ je určeno nezápornými pravděpodobnostmi $ p_1, p_2, \ ldots, p_k $ za podmínek, které (a) sčítají 1 a (b) koeficient šikmosti se rovná 0 (což odpovídá třetímu centrálnímu momentu, který je nulový). To ponechává $ k-2 $ stupně volnosti (ve smyslu řešení rovnic, nikoli statistického!). Můžeme doufat, že najdeme řešení, která jsou unimodální.
Abych usnadnil hledání příkladů, hledal jsem řešení podporovaná na malém symetrickém vektoru $ \ mathbf {x} = (- 3, -2, -1,0,1,2,3) $ s jedinečným režimem na $ 0 $ , nulový průměr a nulová šikmost. Jedním z takových řešení je $ (p_1, \ ldots, p_7) = (1396, 3286, 9586, 47386, 8781, 3930, 1235) / 75600 $ .
Vidíte, že je asymetrický.
Zde je zjevně asymetrické řešení s $ \ mathbf {x } = (-3, -1,0,1,2) $ (což je asymetrické) a $ p = (1,18, 72, 13, 4) / 108 $ :
Nyní je zřejmé, o co jde: protože průměr se rovná $ 0 $ , záporné hodnoty přispívají $ 18 \ times (-1) ^ 3 = -18 $ do třetího okamžiku, zatímco kladné hodnoty přispívají $ 4 \ krát 2 ^ 3 = 32 $ a $ 13 \ krát 1 ^ 3 = 13 $ span >, přesně vyvážení negativních příspěvků. Můžeme použít symetrickou distribuci kolem $ 0 $ , například $ \ mathbf {x} = (- 1,0,1 ) $ s $ \ mathbf {p} = (1,4,1) / 6 $ a posunout trochu hmoty z $ + 1 $ do $ + 2 $ , malá hmotnost z $ + 1 $ až do $ - 1 $ a mírné množství hmoty až do $ - 3 $ span>, přičemž se ponechá průměr na $ 0 $ a šikmost na $ 0 $ , přičemž se vytvoří asymetrie . Stejný přístup bude fungovat k udržení nulové střední hodnoty a nulové šikmosti spojitého rozdělení při jeho asymetrii; pokud nejsme příliš agresivní s hromadným posunem, zůstane unimodální.
Upravit: Kontinuální distribuce
Protože se problém stále objevuje, dáme explicitní příklad s kontinuální distribucí. Peter Flom měl dobrý nápad: podívejte se na směsi normálů. Směs dvou normálů nebude fungovat: když zmizí její šikmost, bude symetrická. Dalším nejjednodušším případem je směs tří normálů.
Směsi tří normálů po vhodné volbě umístění a měřítka závisí na šesti skutečných parametrech, a proto by měla mít více než dostatečnou flexibilitu k vytvoření asymetrického řešení s nulovou šikmostí. Abychom nějaké našli, musíme vědět, jak vypočítat šikmost směsí normálů. Mezi nimi budeme hledat všechny, které jsou unimodální (je možné, že žádné nejsou).
Nyní obecně platí $ r ^ \ text {th } $ (necentrální) moment standardního normálního rozdělení je nula, když $ r $ je lichý a jinak se rovná $ 2 ^ {r / 2} \ Gamma \ left (\ frac {1-r} {2} \ right) / \ sqrt {\ pi} $ . Když změníme měřítko standardního normálního rozdělení tak, aby mělo standardní odchylku $ \ sigma $ , $ r ^ \ text {th } $ moment se vynásobí $ \ sigma ^ r $ . Když přesuneme jakoukoli distribuci o $ \ mu $ , nový $ r ^ \ text {th} $ moment lze vyjádřit pomocí momentů do $ r $ včetně. Moment směsi distribucí (tj. Jejich vážený průměr) je stejný vážený průměr jednotlivých momentů. Nakonec je šikmost nulová přesně, když je třetí centrální moment nulový, a to se snadno vypočítá z hlediska prvních tří momentů.
To nám dává algebraický útok na problém. Jedno řešení, které jsem našel, je stejná směs tří normálů s parametry $ (\ mu, \ sigma) $ rovnající se $ ( 0,1) $ , $ (1 / 2,1) $ a $ (0, \ sqrt {127/18}) \ přibližně (0, 2,65623) $ . Jeho průměr se rovná $ (0 + 1/2 + 0) / 3 = 1/6 $ . Tento obrázek zobrazuje pdf modře a pdf distribuce převrácené kolem své střední hodnoty červeně. Že se liší, ukazuje, že jsou oba asymetrické. (Režim je přibližně $ 0,0519216 $ , nerovná se průměru $ 1/6 $ .) Oba mají konstrukci nulovou šikmost .
Grafy označují, že jsou unimodální. (Lokální maxima můžete zkontrolovat pomocí programu Calculus.)