Центроидный размер

Центроидный размер — это характеристика многомерного распределения вероятностей, определяемая как минимальное значение радиуса шара, в который с заданной вероятностью попадает случайный вектор, при условии, что центр шара совпадает с центром распределения (центроидом). В отличие от классического понятия «радиус рассеивания» или «среднеквадратического отклонения», центроидный размер не зависит от формы распределения и является робастной мерой разброса, устойчивой к выбросам и тяжелым хвостам.

Определение и формализация

Пусть \(X\) — случайный вектор в \(\mathbb{R}^d\) с конечным математическим ожиданием \(\mu = \mathbb{E}[X]\). Для заданного уровня вероятности \(p \in (0,1)\) центроидный размер \(R_p\) определяется как:

\[ R_p = \inf \{ r > 0 \mid \mathbb{P}(\|X - \mu\| \leq r) \geq p \} \]

где \(\|\cdot\|\) — евклидова норма. Иными словами, это минимальный радиус шара с центром в математическом ожидании, который содержит не менее \(p \cdot 100\%\) массы распределения.

Если распределение симметрично относительно центра, то центроидный размер совпадает с квантилем расстояния от точки до центра. Для асимметричных или многомодальных распределений он может существенно отличаться от других мер разброса, таких как дисперсия или среднее абсолютное отклонение.

Свойства

Монотонность и непрерывность

Функция \(p \mapsto R_p\) является монотонно неубывающей и непрерывной справа. При \(p \to 0\) центроидный размер стремится к нулю, при \(p \to 1\) — к бесконечности, если распределение не ограничено.

Инвариантность к сдвигу

Центроидный размер инвариантен относительно сдвига распределения: если \(Y = X + c\), то \(R_p(Y) = R_p(X)\), поскольку центр также смещается на \(c\).

Масштабирование

При линейном преобразовании \(Y = aX\) (где \(a > 0\)) центроидный размер масштабируется линейно: \(R_p(Y) = a \cdot R_p(X)\).

Связь с другими мерами разброса

• Для одномерного нормального распределения \(N(\mu, \sigma^2)\) центроидный размер при \(p=0.6827\) равен \(\sigma\) (одно стандартное отклонение), при \(p=0.9545\) — \(2\sigma\).
• Для равномерного распределения на отрезке \([a,b]\) с центром в \((a+b)/2\) центроидный размер при \(p=1\) равен половине длины отрезка \((b-a)/2\).
• В отличие от дисперсии, центроидный размер может быть конечен для распределений с бесконечной дисперсией (например, распределение Коши), если \(p < 1\).

Применение

Робастная статистика

Центроидный размер используется как робастная альтернатива стандартному отклонению в задачах, где данные содержат выбросы. Поскольку он определяется через квантили, а не моменты, он менее чувствителен к экстремальным значениям. Например, в одномерном случае медианное абсолютное отклонение (MAD) является частным случаем центроидного размера при \(p=0.5\) с центром в медиане.

Машинное обучение

В алгоритмах кластеризации (например, k-средних) центроидный размер кластера позволяет оценить его компактность. Чем меньше \(R_p\) для заданного \(p\), тем более плотно точки сгруппированы вокруг центроида. Это используется в метриках качества кластеризации, таких как силуэтный коэффициент, где центроидный размер помогает нормировать расстояния.

Анализ многомерных данных

В многомерном анализе центроидный размер применяется для построения доверительных эллипсоидов и эллипсоидов рассеивания. Если распределение эллиптическое (например, многомерное нормальное), то центроидный размер связан с собственными значениями ковариационной матрицы. Для неэллиптических распределений он даёт более реалистичную оценку разброса, чем эллипсоиды, построенные по ковариации.

Обработка сигналов и изображений

В задачах фильтрации и сжатия центроидный размер используется для оценки шума. Например, в медианной фильтрации изображений центроидный размер окрестности пикселя позволяет адаптивно выбирать размер фильтра, сохраняя детали.

Вычисление

Эмпирическая оценка

Для выборки \(\{x_1, \dots, x_n\}\) из \(\mathbb{R}^d\) эмпирический центроидный размер \(\hat{R}_p\) вычисляется следующим образом:

1. Вычисляется выборочное среднее \(\bar{x} = \frac{1}{n}\sum_{i=1}^n x_i\).
2. Для каждого наблюдения находится расстояние \(d_i = \|x_i - \bar{x}\|\).
3. Сортируются расстояния по возрастанию: \(d_{(1)} \leq d_{(2)} \leq \dots \leq d_{(n)}\).
4. \(\hat{R}_p = d_{(\lceil p n \rceil)}\), где \(\lceil \cdot \rceil\) — округление вверх.

Асимптотические свойства

При \(n \to \infty\) эмпирическая оценка \(\hat{R}_p\) сходится по вероятности к истинному \(R_p\) при условии, что распределение имеет непрерывную функцию распределения расстояний. Для распределений с атомами (например, дискретных) оценка может быть смещённой.

Вычислительная сложность

Вычисление эмпирического центроидного размера требует \(O(n d)\) операций для вычисления расстояний и \(O(n \log n)\) для сортировки. Для больших выборок могут применяться приближённые методы, такие как случайные проекции или метод Монте-Карло.

Сравнение с другими мерами разброса

Центроидный размер сочетает робастность межквартильного размаха с применимостью к многомерным данным, что делает его универсальным инструментом.

Ограничения и критика

• Зависимость от центра: Использование математического ожидания в качестве центра делает центроидный размер чувствительным к асимметрии распределения. Для сильно асимметричных распределений более робастным центром может служить медиана (в многомерном случае — медианный центр, или «пространственная медиана»).
• Неаддитивность: В отличие от дисперсии, центроидный размер не обладает свойством аддитивности для независимых случайных величин. Это усложняет его использование в задачах, где требуется разложение общей вариации на составляющие.
• Вычислительная сложность для высоких размерностей: В пространствах большой размерности (\(d > 100\)) расстояния до центра становятся почти одинаковыми для всех точек (проклятие размерности), что снижает информативность центроидного размера.
• Неединственность при \(p=1\): Для распределений с неограниченным носителем центроидный размер при \(p=1\) бесконечен, что делает его бесполезным для оценки полного разброса.

Примеры

Пример 1: Одномерное нормальное распределение

Для \(X \sim N(0, 1)\) центроидный размер при \(p=0.95\) равен \(1.96\). Это означает, что 95% наблюдений находятся в интервале \([-1.96, 1.96]\) вокруг среднего.

Пример 2: Двумерное распределение Коши

Пусть \(X\) имеет двумерное распределение Коши с центром в нуле. Дисперсия бесконечна, но центроидный размер при \(p=0.5\) конечен и равен медианному расстоянию от центра. Для выборки из 1000 точек эмпирическая оценка \(\hat{R}_{0.5}\) будет стабильной, в отличие от выборочной дисперсии.

Пример 3: Кластеризация

В задаче кластеризации набора данных из трёх кластеров центроидный размер каждого кластера (при \(p=0.9\)) позволяет оценить, насколько «размыты» кластеры. Если один кластер имеет \(R_{0.9}=2\), а другой — \(R_{0.9}=5\), то второй кластер менее компактен.

История и развитие

Понятие центроидного размера в явном виде было введено в статистике в 1960-х годах в контексте робастного оценивания. Однако его корни восходят к работам П. Хьюбера по М-оценкам и к концепции «квантильных шаров» в многомерном анализе. В 1980-х годах центроидный размер стал применяться в робастной регрессии и анализе главных компонент. В 2000-х годах с развитием методов машинного обучения он получил новое применение в кластеризации и визуализации данных.

В российской научной школе термин «центроидный размер» используется реже, чем «радиус рассеивания» или «квантильный радиус», однако в англоязычной литературе (centroid size) он является устоявшимся, особенно в морфометрии и биометрии, где измеряет разброс точек на форме объекта.

Источники

• Хьюбер П. Робастность в статистике. — М.: Мир, 1984.
• Мардиа К.В., Кент Дж.Т., Бибби Дж.М. Многомерный анализ. — М.: Финансы и статистика, 1989.
• Rousseeuw P.J., Leroy A.M. Robust Regression and Outlier Detection. — Wiley, 1987.
• Дэвид Г.А.Ф. Порядковые статистики. — М.: Наука, 1979.
• Леман Э.Л. Теория точечного оценивания. — М.: Наука, 1991.