A New Approximation to the Normal Distribution Quantile Function

Technisches Resümee: Eine neue Approximation der Quantilsfunktion der Normalverteilung

Problemstellung
Die Arbeit befasst sich mit der Notwendigkeit einer recheneffizienten Approximation der Quantilsfunktion der Normalverteilung, $N^{-1}(x)$, welche die Inverse der kumulativen Verteilungsfunktion (CDF) darstellt. Während bestehende Methoden, wie die Beasley-Springer-Approximation [3] und die Acklam-Approximation [2], eine hohe Genauigkeit bieten, identifiziert der Autor eine spezifische Anforderung nach einer Methode, die die Geschwindigkeit priorisiert und gleichzeitig „hinreichend genaue“ Ergebnisse liefert (speziell einen maximalen absoluten Fehler von weniger als $4,5 \cdot 10^{-4}$, vergleichbar mit der Abramowitz-Stegun-Approximation [1]). Die primäre Herausforderung besteht darin, die Rechenkosten für teure Operationen, insbesondere Logarithmen und Quadratwurzeln, zu reduzieren, die typischerweise für die Berechnung der Tails (Endbereiche) erforderlich sind.

Methodik
Der vorgeschlagene Ansatz folgt dem etablierten Framework der Trennung des Definitionsbereichs in eine breite zentrale Region und schmale Tails, wobei die ungerade Symmetrie von $N^{-1}(x - 1/2)$ genutzt wird. Der Autor führt jedoch eine Modifikation der für die Approximation verwendeten rationalen Funktionsschemata ein:

1. Approximation der zentralen Region:

   • Anstelle der höherwertigen Schemata, die von Beasley-Springer (ein (3,4)-Schema) oder Acklam (ein (5,5)-Schema) verwendet werden, schlägt dieses Papier ein (2,2)-Schema für die zentrale Region vor.
   • Die Funktion ist definiert als $f(p) = q \frac{a_2 r^2 + a_1 r + a_0}{r^2 + b_1 r + b_0}$, wobei $q = p - 0,5$ und $r = q^2$.
   • Es werden zwei Variationen präsentiert:
     • Rat22A: Verwendet die Grenzen bei $p = 0,0465$ und $p = 0,9535$.
     • Rat22B: Verwendet weitere Grenzen bei $p = 0,025$ und $p = 0,975$, um die Häufigkeit der Tail-Berechnungen weiter zu reduzieren.
   • Die Koeffizienten wurden mithilfe der Funktion minimax aus dem Maple-Paket numapprox abgeleitet, um den maximalen absoluten Fehler (Chebyshev-Approximation) zu minimieren.

2. Approximation der Tail-Region:

   • Für die Tails ($p < 0,0465$ und $p > 0,9535$) wird ein (3,2)-Schema eingesetzt.
   • Die Approximation nutzt die Variable $r = \sqrt{\log(1/p^2)}$ (oder $\sqrt{\log(1/(1-p)^2)}$ für den oberen Tail).
   • Die Funktion ist definiert als eine rationale Funktion von $r$: $f_{tail}(p) = \frac{c_3 r^3 + c_2 r^2 + c_1 r + c_0}{r^2 + d_1 r + d_0}$.
   • Die Koeffizienten wurden ebenfalls durch den Maple-Minimax-Algorithmus optimiert.

3. Optimierungstechniken:

   • Die rationalen Funktionen sind so strukturiert, dass die Anzahl der Multiplikationen minimiert wird (z. B. durch Normalisierung des Nenners, sodass der führende Koeffizient 1 ist).
   • Die breitere zentrale Region (Rat22B) ist spezifisch darauf ausgelegt, die Anzahl der Male zu reduzieren, in denen die rechenintensiven log- und sqrt-Operationen ausgeführt werden müssen.

Wesentliche Beiträge und Ergebnisse

• Genauigkeit: Die neue (2,2)-zentrale Approximation erreicht einen maximalen absoluten Fehler von etwa $2,5 \cdot 10^{-5}$ in der zentralen Region und $2,458 \cdot 10^{-5}$ in den Tails. Der gesamte maximale absolute Fehler liegt unter $2,5 \cdot 10^{-5}$.
  • Hinweis zur Genauigkeit: Der Autor räumt explizit ein, dass dies weniger genau ist als die Beasley-Springer-Approximation (die einen Fehler von unter $1,85 \cdot 10^{-9}$ in der zentralen Region aufweist) und die Acklam-Approximation.
• Leistung: Der primäre Beitrag ist die Geschwindigkeit. Benchmarks, die auf einem Dell Inspiron 1525 (Intel Core 2 Duo T5800, 2,00 GHz) unter Verwendung von Java (JDK 1.6.0 17) über 200.000 Iterationen durchgeführt wurden, ergaben folgende Ergebnisse:
  • Abramowitz-Stegun (AS): 25.210 ms
  • Beasley-Springer (BS): 10.212 ms
  • Rat22A (Neu, enge zentrale Region): 8.052 ms
  • Rat22B (Neu, weite zentrale Region): 6.649 ms
• Effizienzgewinne: Die neuen Approximationen sind signifikant schneller als bestehende Methoden. Der Vergleich zwischen Rat22A und Rat22B zeigt, dass die Reduzierung des Teilsatzes der Werte, die log- und sqrt-Berechnungen erfordern, um etwa 50 % (durch Erweiterung der zentralen Region), die CPU-Zeit um fast 20 % reduziert hat.

Bedeutung und Ansprüche
Das Papier vertritt die Auffassung, dass die vorgeschlagene Approximation zwar etwas Präzision gegenüber State-of-the-Art-Methoden wie Beasley-Springer opfert, dieser Kompromiss jedoch durch den erheblichen Gewinn an Rechengeschwindigkeit gerechtfertigt ist. Der Autor gibt an, dass eine Fehlermarge von weniger als $2,5 \cdot 10^{-5}$ „für viele Anwendungen ausreichend“ ist, wobei er insbesondere Finanzmärkte als ein Gebiet nennt, in dem Geschwindigkeit entscheidend ist.

Zudem betrachtet das Papier die Abramowitz-Stegun-Approximationen (Gleichungen 26.2.22 und 26.2.23 in [1]) neu. Der Autor präsentiert verbesserte Koeffizienten für diese Gleichungen, die innerhalb des Standard-IEEE-754-darstellbaren Bereichs eine über fünfmal höhere Genauigkeit bieten, wobei die Genauigkeit abnimmt, wenn sich der Bereich den Extremen 0 und 1 nähert.

Zusammenfassend bietet die Arbeit eine „schnellere“ Alternative zu etablierten Approximationen der Quantilsfunktion und priorisiert die Ausführungszeit für Anwendungen, bei denen die etwas höhere Fehlerschranke akzeptabel bleibt.