สิ่งนี้สามารถทำได้โดยใช้การแปลง sinh-arcsinh จาก
Jones, MC และ Pewsey A. (2009) กระจาย Sinh-arcsinh Biometrika 96: 761–780
การเปลี่ยนแปลงหมายถึง
H( x ; ϵ , δ) = sinh[ δSinh- 1( x ) - ϵ ] ,( ⋆ )
ที่และ + เมื่อการเปลี่ยนแปลงครั้งนี้ถูกนำไปใช้ตามปกติ CDFจะผลิตการกระจายรูปแบบเดียวที่มีพารามิเตอร์การควบคุม เบ้และความโด่งตามลำดับ (โจนส์และ Pewsey 2009) ในความรู้สึกของรถตู้ Zwet (1969) นอกจากนี้หากและเราจะได้การแจกแจงปกติแบบดั้งเดิม ดูรหัส R ต่อไปนี้ δ ∈ R + S ( x ; ε , δ ) = Φ [ H ( x ; ε , δ ) ]ϵ∈Rδ∈R+S(x;ϵ,δ)=Φ[H(x;ϵ,δ)]ε = 0 δ = 1(ϵ,δ)ϵ=0δ=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")
ดังนั้นโดยการเลือกลำดับของพารามิเตอร์ที่เหมาะสมคุณสามารถสร้างลำดับของการแจกแจง / การแปลงที่มีระดับความเบ้และความแตกต่างและทำให้มันดูคล้ายหรือแตกต่างจากการแจกแจงแบบปกติตามที่คุณต้องการ(ϵn,δn)
เนื้อเรื่องต่อไปนี้แสดงผลลัพธ์ที่เกิดจากรหัส R สำหรับ(i) และและ(ii)และ(0.5,0.75,1,1.25,1.5)δ = 1 ϵ = 0ϵ=(−2,−1,0,1,2)δ=1 ϵ=0δ=(0.5,0.75,1,1.25,1.5)
การจำลองการกระจายนี้จะได้รับตรงไปตรงมาว่าคุณเพียงแค่ต้องเปลี่ยนตัวอย่างปกติใช้ผกผันของดาว)(⋆)
H−1(x;ϵ,δ)=sinh[δ−1(sinh−1(x)+ϵ)]