Laplace-fördelningskalkylator - Gratis PDF & Visualiseringsverktyg

Vad är Laplacefördelningen?

Laplacefördelningen, även kallad den dubbla exponentialfördelningen, är en kontinuerlig sannolikhetsfördelning som liknar två exponentiella kurvor som fogats samman rygg mot rygg vid sin topp. Den är symmetrisk kring ett centralt värde och har tjockare svansar än normalfördelningen, vilket innebär att den tilldelar extrema värden högre sannolikhet. Kalkylatorn för Laplacefördelningen på den här sidan beräknar fördelningens maximala sannolikhetstäthet utifrån en lägesparameter och en skalparameter och ritar hela täthetskurvan.

Fördelningen är uppkallad efter Pierre-Simon Laplace, den franske matematikern som först beskrev den 1774.

Formel för Laplacefördelningen

Sannolikhetstäthetsfunktionen (PDF) för Laplacefördelningen är:

$f(x \mid \mu, b) = \frac{1}{2b} \exp\left(-\frac{|x-\mu|}{b}\right)$

• x är en godtycklig punkt på tallinjen.
• μ (mu), lägesparametern, är fördelningens centrum. Den är också medelvärdet och medianen.
• b, skalparametern, styr hur utspridd fördelningen är. Den måste vara större än 0.
• |x − μ| är avståndet mellan x och centrum, utan hänsyn till riktningen.

Kurvan når sin högsta punkt exakt vid x = μ. Vid den punkten förenklas formeln, eftersom |μ − μ| = 0 och exp(0) = 1, vilket ger:

$f(\mu \mid \mu, b) = \frac{1}{2b}$

Detta toppvärde, 1/(2b), är det tal som kalkylatorn rapporterar.

Så här använder du kalkylatorn för Laplacefördelningen

1. Ange lägesparametern (μ). Detta anger var fördelningen är centrerad.
2. Ange skalparametern (b). Detta måste vara ett positivt tal; ju större värdet är, desto flatare och mer utspridd blir kurvan.
3. Kalkylatorn visar den maximala tätheten, 1/(2b), och ritar täthetskurvan f(x) från μ − 4b till μ + 4b. Diagrammets vertikala axel visar sannolikhetstätheten, och kurvan kan laddas ned som en tabell med x- och f(x)-värden.

Kalkylatorn tar inte emot något separat x-värde. Den rapporterar alltid tätheten vid fördelningens egen topp, x = μ, eftersom detta är det mest användbara enskilda sammanfattande talet för att jämföra fördelningar med olika skalor. Om tätheten vid någon annan punkt ska beräknas används formeln ovan med det aktuella x-värdet, eller så avläses kurvans höjd i diagrammet.

Löst exempel

Anta ett läge på μ = 4 och en skala på b = 2.

1. Kontrollera att b är positivt: 2 > 0, så indata är giltiga.
2. Toppen inträffar vid x = μ = 4, där |x − μ| = 0.
3. Beräkna den maximala tätheten: 1 / (2 × 2) = 1 / 4 = 0,25.

Kalkylatorn visar 0,250000. Den ritade kurvan har sin topp vid (4, 0,25) och avtar symmetriskt på båda sidor, från μ − 4b till μ + 4b, det vill säga från −4 till 12 i detta fall.

Eftersom formeln för den maximala tätheten, 1/(2b), inte innehåller μ, förskjuter en ändring av läget endast kurvan åt vänster eller höger. Den ändrar inte dess höjd. Det är bara skalparametern som ändrar höjden.

Fler exempel

Medelvärde, varians och standardavvikelse

För en Laplacefördelning med läge μ och skala b gäller:

• Medelvärde = μ
• Median = μ
• Varians = 2b²
• Standardavvikelse = b√2

Laplacefördelningen jämfört med normalfördelningen

Båda fördelningarna är symmetriska och klockformade, och båda beskrivs fullständigt av ett centrum och en spridningsparameter. Skillnaden finns i svansarna. I normalfördelningen minskar tätheten med kvadraten på avståndet från medelvärdet, så extrema värden blir mycket snabbt försvinnande sällsynta. I Laplacefördelningen minskar den med det rena avståndet, så extrema värden förblir jämförelsevis mer sannolika. Därför är Laplacefördelningen användbar när verkliga data innehåller fler avvikande värden än vad en normalfördelning skulle förutsäga.

Vanliga användningsområden

• Signal- och bildbehandling: modellering av brus och bildkomprimering, eftersom skillnader mellan pixlar eller signaler ofta samlas nära noll med enstaka stora hopp.
• Differentiell integritet: Laplace-mekanismen lägger till Laplacefördelat brus till frågeresultat för att skydda enskilda uppgifter och samtidigt bevara den övergripande noggrannheten.
• Motståndskraftig statistik och regression: Lasso-regression använder en Laplaceformad priorfördelning, vilket gynnar lösningar där många koefficienter är exakt noll.
• Finans: modellering av avkastning på tillgångar, som tenderar att ha tjockare svansar än vad en normalfördelning antyder.
• Seismologi: förekommer i modeller av mönster för jordbävningsmagnituder som hänger samman med Gutenberg–Richters lag.

Vanliga frågor och svar

Vad betyder kalkylatorns resultat?

Det är sannolikhetstäthetsfunktionens topp- eller maximivärde, lika med 1/(2b). Detta är kurvans höjd i dess centrum, x = μ.

Varför frågar kalkylatorn inte efter ett x-värde?

Den maximala tätheten, 1/(2b), är densamma vid varje x-värde som är lika med μ, så ingen separat x-inmatning behövs för att hitta den. Det är det standardiserade enskilda tal som används för att jämföra hur höga och smala eller låga och breda två Laplacefördelningar är. Hela kurvan, som visar tätheten vid varje x, finns i diagrammet.

Hur hittar jag tätheten vid en annan punkt än toppen?

Använd formeln $f(x) = \frac{1}{2b} \exp\left(-\frac{|x-\mu|}{b}\right)$ med det aktuella x-värdet, eller läs av höjden direkt från den ritade kurvan.

Hur skiljer sig Laplacefördelningen från exponentialfördelningen?

Laplacefördelningen kan konstrueras utifrån två exponentialfördelningar. Om X och Y är oberoende exponentialfördelade slumpvariabler med samma intensitet, följer X − Y en Laplacefördelning centrerad vid 0.

Vilka är typiska användningsområden för Laplacefördelningen?

Den används inom signalbehandling, bildkomprimering, differentiell integritet, motståndskraftig statistik, Lasso-regression samt modellering av finansiell avkastning och jordbävningsmagnituder, där verkliga data visar fler extrema värden än vad en normalfördelning förutsäger.

Kan Laplacefördelningen vara negativ, eller gäller den bara positiva värden?

Den är definierad för alla reella tal, både positiva och negativa, till skillnad från exponentialfördelningen, som bara antar icke-negativa värden.

Referenser

1. Kotz, S., Kozubowski, T., & Podgórski, K. (2001). The Laplace Distribution and Generalizations. Birkhäuser, Boston, MA.
2. "Laplace distribution." Wikipedia, Wikimedia Foundation. https://en.wikipedia.org/wiki/Laplace_distribution