Esto se puede hacer usando la transformación sinh-arcsinh de
Jones, MC y Pewsey A. (2009). Distribuciones sinh-arcsinh . Biometrika 96: 761–780.
La transformación se define como
H( x ; ϵ , δ) = sinh[ δsinh- 1( x ) - ϵ ] ,( ⋆ )
donde y δ ∈ R + . Cuando esta transformación se aplica al CDF normal S ( x ; ϵ , δ ) = Φ [ H ( x ; ϵ , δ ) ] , produce una distribución unimodal cuyos parámetros ( ϵ , δ ) controlan la asimetría y la curtosis, respectivamente (Jones y Pewsey, 2009), en el sentido de van Zwet (1969) . Además, si ϵ = 0 y δϵ ∈ Rδ∈ R+S( x ; ϵ , δ) = Φ [ H( x ; ϵ , δ) ]( ϵ , δ)ϵ = 0 , obtenemos la distribución normal original. Vea el siguiente código R.δ= 1
fs = function(x,epsilon,delta) dnorm(sinh(delta*asinh(x)-epsilon))*delta*cosh(delta*asinh(x)-epsilon)/sqrt(1+x^2)
vec = seq(-15,15,0.001)
plot(vec,fs(vec,0,1),type="l")
points(vec,fs(vec,1,1),type="l",col="red")
points(vec,fs(vec,2,1),type="l",col="blue")
points(vec,fs(vec,-1,1),type="l",col="red")
points(vec,fs(vec,-2,1),type="l",col="blue")
vec = seq(-5,5,0.001)
plot(vec,fs(vec,0,0.5),type="l",ylim=c(0,1))
points(vec,fs(vec,0,0.75),type="l",col="red")
points(vec,fs(vec,0,1),type="l",col="blue")
points(vec,fs(vec,0,1.25),type="l",col="red")
points(vec,fs(vec,0,1.5),type="l",col="blue")
Por lo tanto, al elegir una secuencia apropiada de parámetros , puede generar una secuencia de distribuciones / transformaciones con diferentes niveles de asimetría y curtosis y hacer que se vean tan similares o diferentes a la distribución normal como desee.( ϵnorte, δnorte)
La siguiente gráfica muestra el resultado producido por el código R. Para (i) y δ = 1 , y (ii) ϵ = 0 y δ = ( 0.5 , 0.75 , 1 , 1.25 , 1.5 ) .ϵ = ( - 2 , - 1 , 0 , 1 , 2 )δ= 1 ϵ = 0δ= ( 0.5 , 0.75 , 1 , 1.25 , 1.5 )
La simulación de esta distribución es sencilla dado que solo tiene que transformar una muestra normal usando el inverso de .( ⋆ )
H- 1( x ; ϵ , δ) = sinh[ δ- 1( sinh- 1( x ) + ϵ ) ]