Главная · Справочник · Распределение Лапласа
Распределение Лапласа: плотность, свойства и применение
Обновлено: август 2026
- Плотность пропорциональна exp(−|x − μ| / b): модуль вместо квадрата в показателе.
- Параметры: μ — центр (он же среднее и медиана), b — масштаб.
- Дисперсия равна 2b²; хвосты тяжелее, чем у нормального распределения.
- Оценка максимального правдоподобия для μ — выборочная медиана, а не среднее.
- Применяется там, где выбросы ожидаемы: робастная регрессия, обработка сигналов.
Как выглядит плотность распределения Лапласа
Плотность записывается так: f(x) = (1 / 2b) · exp(−|x − μ| / b), где μ — параметр положения, b > 0 — параметр масштаба. Ключевая деталь — модуль в показателе, а не квадрат: именно он даёт излом в точке μ и экспоненциальное, а не гауссово убывание.
Функция распределения выражается в замкнутой форме, что удобно для генерации выборок: достаточно взять равномерную величину и применить обратное преобразование. Для нормального распределения такой простой формулы нет.
Чему равны среднее и дисперсия
Из симметрии относительно μ следует, что математическое ожидание, медиана и мода совпадают и равны μ. Дисперсия равна 2b², то есть стандартное отклонение составляет b·√2.
Коэффициент эксцесса равен 3 при нормировке, где для гауссовой величины он равен 0. Это количественное выражение того же факта: крупные отклонения встречаются чаще, чем предсказывает нормальная модель.
| Характеристика | Лаплас | Нормальное |
|---|---|---|
| показатель плотности | −|x − μ| / b | −(x − μ)² / 2σ² |
| среднее | μ | μ |
| дисперсия | 2b² | σ² |
| эксцесс (превышение) | 3 | 0 |
| оценка центра по выборке | медиана | среднее арифметическое |
| поведение хвостов | экспоненциальное | гауссово, убывает быстрее |
Чем оно отличается от нормального на практике
Разница проявляется в двух местах. Первое: оценка центра. Для лапласовой модели наилучшая оценка μ — выборочная медиана, потому что максимизация правдоподобия сводится к минимизации суммы модулей отклонений. Для нормальной модели минимизируется сумма квадратов, и оценкой служит среднее.
Второе: устойчивость к выбросам. Метод наименьших модулей, вытекающий из лапласовой модели, почти не реагирует на единичные крупные отклонения, тогда как метод наименьших квадратов они сдвигают заметно. Отсюда практическое правило: если в данных ожидаются выбросы, лапласова модель честнее.
Где применяется
Робастная регрессия — основное поле: минимизация суммы модулей остатков соответствует предположению о лапласовых ошибках. Обработка сигналов и изображений: коэффициенты вейвлет-разложения естественных изображений хорошо описываются этой моделью, что используется в сжатии.
Ещё одна область — дифференциальная приватность: добавление шума с такой плотностью к результату запроса является стандартным механизмом защиты данных. Разница между лапласовым и гауссовым шумом здесь принципиальна и определяет тип гарантии.
Частые ошибки при использовании
Первая — применять критерии, выведенные для нормальной модели, к данным с тяжёлыми хвостами. Доверительные интервалы получатся слишком узкими, и значимость будет завышена.
Вторая — путать параметр масштаба b со стандартным отклонением. Они связаны множителем √2, и подстановка одного вместо другого искажает результат примерно в 1,41 раза.
Третья — оценивать центр средним арифметическим по привычке. Для этой модели медиана эффективнее, и на данных с выбросами разница между оценками бывает существенной.
Пока журнал рецензирует — препринт закрепляет приоритет
арХиворг.ру — открытый архив препринтов по физике, математике, Computer Science и инженерии. Если ваша работа из этих или смежных областей, вы можете бесплатно закрепить приоритет уже сегодня.
Частые вопросы
Почему распределение называют двойным экспоненциальным?
Потому что при отбрасывании одной половины остаётся обычное показательное распределение: справа от центра плотность убывает как exp(−x/b), слева — зеркально. Получается два экспоненциальных «крыла», сшитых в точке μ.
Как сгенерировать выборку?
Через обратное преобразование: взять равномерную величину u на (0, 1) и вычислить μ − b·sign(u − 0,5)·ln(1 − 2|u − 0,5|). Замкнутая форма функции распределения делает этот способ точным и быстрым.
Когда предпочесть нормальную модель?
Когда ошибки складываются из множества независимых мелких вкладов — тогда работает центральная предельная теорема и гауссова модель обоснована теоретически. Лапласова уместна там, где отклонения возникают редко, но бывают крупными.
Есть ли многомерный аналог?
Да, многомерное распределение Лапласа существует в нескольких вариантах построения, но единого общепринятого определения, как у многомерного нормального, для него нет. Конкретная форма зависит от способа обобщения, и это нужно указывать явно.
Смотрите также: Справочник · Нормальное распределение · Калькулятор доверительного интервала · Работы по математике · Теорема Байеса · Ковариация и корреляция
арХиворг.ру — независимый российский открытый архив научных препринтов по физике, математике, Computer Science и инженерии; он не является рецензируемым журналом, изданием Перечня ВАК и не индексируется в РИНЦ. Сведения носят справочный характер — актуальные требования проверяйте на официальных сайтах изданий и профильных реестров.