En théorie des probabilités et en statistique, la loi de Laplace asymétrique est une loi de probabilité continue, généralisation de la loi de Laplace. De même que la loi de Laplace est constituée de deux lois exponentielles de même échelle, accolées autour de x = m, la version asymétrique est constituée de deux lois exponentielles d'échelles inégales dos à dos autour de x = m, ajustées pour assurer la continuité et la normalisation. La différence entre deux variables distribuées de manière exponentielle avec des moyennes et des paramètres de taux différents suivra la loi de Laplace asymétrique. Lorsque les deux paramètres de taux sont égaux, la différence suivra la loi de Laplace.

Laplace asymétrique
Image illustrative de l’article Loi de Laplace asymétrique
Densité de probabilité
Densité de lois de Laplace asymétriques avec m = 0 en rouge. On note que les deux lois pour κ = 2 et 1/2 sont symétriques l'une de l'autre. En bleu, la loi de Laplace pour κ = 1

Image illustrative de l’article Loi de Laplace asymétrique
Fonction de répartition

Paramètres m Paramètre de position (réel)
λ>0 Paramètre d'échelle (réel)
κ>0 asymétrie (réel)
Support x∈(−∞;+∞)
Densité de probabilité 12bexp⁡(−|x−μ|b)
Fonction de répartition voir plus bas
Espérance m+1−κ2λκ
Médiane m+κλln⁡(1+κ22κ2) si κ>1
m−1λκln⁡(1+κ22) si κ<1
Mode m
Variance 1+κ4λ2κ2
Asymétrie 2(1−κ6)(κ4+1)3/2
Kurtosis normalisé 6(1+κ8)(1+κ4)2
Entropie ln⁡(e1+κ2κλ)
Fonction caractéristique eimt(1+itκλ)(1−itκλ)

Caractérisation

modifier

Fonction de densité de probabilité

modifier

Une variable aléatoire suit une loi de Laplace asymétrique (m, λ, κ) si sa fonction de densité de probabilité est [1],[2]

f(x;m,λ,κ)=(λκ+1/κ)e−(x−m)λsκs

où s = sgn (x – m), ou alternativement :

f(x;m,λ,κ)=λκ+1/κ{exp⁡((λ/κ)(x−m))si x<mexp⁡(−λκ(x−m))si x≥m

Ici, m est un paramètre de position, λ > 0 est un paramètre d'échelle et κ est un paramètre d'asymétrie. Lorsque κ = 1, (x – m) sκs se simplifie en |x – m| et la densité se résume à une densité de loi de Laplace.

Fonction de répartition

modifier

La fonction de répartition est donnée par :

F(x;m,λ,κ)={κ21+κ2exp⁡((λ/κ)(x−m))si x≤m1−11+κ2exp⁡(−λκ(x−m))si x>m

Fonction caractéristique

modifier

La fonction caractéristique d'une loi de Laplace asymétrique est donnée par :

φ(t;m,λ,κ)=eimt(1+itκλ)(1−itκλ)

Pour m = 0, la loi de Laplace asymétriques fait partie des lois géométriques stables pour α = 2. Il s'ensuit que si φ1 et φ2 sont deux fonctions caractéristiques désignant des lois de Laplace asymétriques distinctes avec m = 0, alors

φ=11/φ1+1/φ2−1

est également une fonction caractéristique de loi de Laplace asymétrique avec paramètre de localisation m=0. Le nouveau paramètre d'échelle λ vaut

1λ2=1λ12+1λ22

et le nouveau paramètre d'asymétrie κ vérifie:

κ2−1κλ=κ12−1κ1λ1+κ22−1κ2λ2

Moments, moyenne, variance, asymétrie

modifier

Le n-ième moment de la loi de Laplace asymétrique centré en m est donné par

𝔼[(x−m)n]=n!λn(κ+1/κ)(κ−(n+1)−(−κ)n+1)

D'après le théorème binomial, le n-ième moment autour de zéro (pour m non nul) est alors :

𝔼[xn]=λmn+1κ+1/κ(∑i=0nn!(n−i)!1(mλκ)i+1−∑i=0nn!(n−i)!1(−mλ/κ)i+1)=λmn+1κ+1/κ(emλκE−n(mλκ)−e−mλ/κE−n(−mλ/κ))

où En est la fonction exponentielle intégrale généralisée En(x)=xn−1Γ(1−n,x)

Le premier moment autour de zéro est la moyenne :

μ=𝔼[x]=m−κ−1/κλ

La variance est :

σ2=𝔼[x2]−μ2=1+κ4κ2λ2

et l'asymétrie est :

𝔼[x3]−3μσ2−μ3σ3=2(1−κ6)(κ4+1)3/2

Génération de variables de Laplace asymétriques

modifier

Les variables de Laplace asymétriques (X) peuvent être générées à partir d'une variable aléatoire U tirée selon une loi uniforme sur l'intervalle ]–κ , 1 / κ[ par :

X=m−1λsκsln⁡(1−sκsU)

où s = sgn(U).

Elles peuvent également être générées comme la différence de deux lois exponentielles. Si X1 suit une loi exponentielle avec moyenne et taux (m1, λ / κ) et X2 suit une loi exponentielle avec moyenne et taux (m2, λ κ) alors X1 – X2 suit une loi de Laplace asymétrique de paramètres (m1 – m2, λ, κ)

Entropie

modifier

L'entropie différentielle de la loi de Laplace asymétrique est

H=−∫−∞∞fAL(x)ln⁡(fAL(x))dx=1−ln⁡(λκ+1/κ)=ln⁡(eκ2+1λκ)

La loi de Laplace asymétrique a une entropie maximale pour toutes les distributions avec une valeur fixe (1 /λ) en (x−m)sκs où s=sgn⁡(x−m).

Paramétrisation alternative

modifier

Une paramétrisation alternative est rendue possible par la fonction caractéristique :

φ(t;μ,σ,β)=eiμt1−iβσt+σ2t2

où μ est un paramètre de position, σ est un paramètre d'échelle, β est un paramètre d'asymétrie. Ceci est spécifié dans les sections 2.6.1 et 3.1 de Lihn (2015)[3]. Sa densité de probabilité est

f(x;μ,σ,β)=12σB0{exp⁡(x−μσB−)si x<μexp⁡(−x−μσB+)si x≥μ

où B0=1+β2/4 et B±=B0±β/2. Il s'ensuit que B+B−=1,B+−B−=β.

Le n-ième moment centré en μ est donné par

𝔼[(x−μ)n]=σnn!2B0((B+)n+1+(−1)n(B−)n+1)

La moyenne autour de zéro est :

𝔼[x]=μ+σβ

  La variance est :

𝔼[x2]−𝔼[x]2=σ2(2+β2)

L'asymétrie est :

2β(3+β2)(2+β2)3/2

La kurtosis est :

6(2+4β2+β4)(2+β2)2

  Pour de petites valeurs de β, l'asymétrie est d'environ 3β/2. Ainsi β représente l’asymétrie de manière presque directe.

Paramétrage alternatif pour la régression quantile bayésienne

modifier

La loi de Laplace asymétrique est couramment utilisée avec une paramétrisation alternative pour effectuer une régression quantile dans un contexte d'inférence bayésienne[4]. Dans cette approche, le paramètre κ décrivant l'asymétrie est remplacé par un paramètre p indiquant le percentile ou le quantile souhaité. Grâce à cette paramétrisation, la vraisemblance de la loi de Laplace asymétrique est équivalente à la fonction de perte utilisée en régression quantile. Avec cette autre paramétrisation, la densité de probabilité est définie comme suit :

f(x;m,λ,p)=p(1−p)λ{exp⁡(−((p−1)/λ)(x−m))si x≤mexp⁡(−(p/λ)(x−m))si x>m

Où m est un paramètre de position, λ > 0 est un paramètre d'échelle et 0 < p < 1 est un paramètre de centile.

La moyenne μ et la variance σ2 sont obtenus par :

μ=m+1−2pp(1−p)λ
σ2=1−2p+2p2p2(1−p)2λ2

La fonction de répartition est donnée par[5]:

F(x;m,λ,p)={pexp⁡(1−pλ(x−m))si x≤m1−(1−p)exp⁡(−pλ(x−m))si x>m

Applications

modifier

La loi de Laplace asymétrique a des applications en finance et en neurosciences. Par exemple, en finance, SG Kou a développé un modèle de prix d'instruments financiers intégrant une distribution de Laplace asymétrique afin de résoudre les problèmes d'asymétrie, d'aplatissement et de volatilité, souvent rencontrés lors de l'utilisation d'une distribution normale pour la valorisation de ces instruments[6].

Références

modifier
(en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Asymmetric Laplace distribution » (voir la liste des auteurs).
  1. ↑ (en) Tomasz J. Kozubowski et Krzysztof Podgorski, « A Multivariate and Asymmetric Generalization of Laplace Distribution », Computational Statistics, vol. 15, no 4,‎ , p. 531 (DOI 10.1007/PL00022717, S2CID 124839639, lire en ligne, consulté le )
  2. ↑ (en) S. Rao Jammalamadaka et Tomasz J. Kozubowski, « New Families of Wrapped Distributions for Modeling Skew Circular Data », Communications in Statistics – Theory and Methods, vol. 33, no 9,‎ , p. 2059–2074 (DOI 10.1081/STA-200026570, S2CID 17024930, lire en ligne, consulté le )
  3. ↑ (en) Stephen H.T. Lihn, « The Special Elliptic Option Pricing Model and Volatility Smile », SSRN,‎ , p. 2707810 (lire en ligne, consulté le )
  4. ↑ (en) Keming Yu et Rana A. Moyeed, « Bayesian quantile regression », Statistics & Probability Letters, vol. 54, no 4,‎ , p. 437-447 (DOI 10.1016/S0167-7152(01)00124-9, lire en ligne Inscription nécessaire, consulté le )
  5. ↑ (en) Keming Yu et Jin Zhang, « A Three-Parameter Asymmetric Laplace Distribution and Its Extension », Communications in Statistics - Theory and Methods, vol. 34, nos 9–10,‎ , p. 1867-1879 (DOI 10.1080/03610920500199018, S2CID 120827101, lire en ligne Inscription nécessaire, consulté le )
  6. ↑ (en) S.G. Kou, « A Jump-Diffusion Model for Option Pricing », Management Science, vol. 48, no 8,‎ , p. 1086–1101 (DOI 10.1287/mnsc.48.8.1086.166, JSTOR 822677, lire en ligne Inscription nécessaire, consulté le )