A New Approximation to the Normal Distribution Quantile Function

Resumo Técnico: Uma Nova Aproximação para a Função Quantil da Distribuição Normal

Definição do Problema
O artigo aborda a necessidade de uma aproximação computacionalmente eficiente da função quantil da distribuição normal, $N^{-1}(x)$, que é a inversa da função de distribuição cumulativa (CDF). Embora métodos existentes, como a aproximação de Beasley-Springer [3] e a aproximação de Acklam [2], ofereçam alta precisão, o autor identifica um requisito específico para um método que priorize a velocidade mantendo resultados "razoavelmente precisos" (especificamente, um erro absoluto máximo inferior a $4,5 \cdot 10^{-4}$, comparável à aproximação de Abramowitz-Stegun [1]). O desafio principal é reduzir o custo computacional de operações caras, especificamente logaritmos e raízes quadradas, que são tipicamente exigidos para cálculos de cauda.

Metodologia
A abordagem proposta segue o framework estabelecido de separar o domínio em uma ampla região central e caudas estreitas, aproveitando a simetria ímpar de $N^{-1}(x - 1/2)$. No entanto, o autor introduz uma modificação nos esquemas de funções racionais utilizados para aproximação:

1. Aproximação da Região Central:

   • Em vez dos esquemas de ordem superior usados por Beasley-Springer (um esquema (3,4)) ou Acklam (um esquema (5,5)), este artigo propõe um esquema (2,2) para a região central.
   • A função é definida como $f(p) = q \frac{a_2 r^2 + a_1 r + a_0}{r^2 + b_1 r + b_0}$, onde $q = p - 0,5$ e $r = q^2$.
   • Duas variações são apresentadas:
     • Rat22A: Utiliza limites em $p = 0,0465$ e $p = 0,9535$.
     • Rat22B: Utiliza limites mais amplos em $p = 0,025$ e $p = 0,975$ para reduzir ainda mais a frequência de cálculos de cauda.
   • Os coeficientes foram derivados usando a função minimax do pacote numapprox do Maple para minimizar o erro absoluto máximo (aproximação de Chebyshev).

2. Aproximação da Região de Cauda:

   • Para as caudas ($p < 0,0465$ e $p > 0,9535$), um esquema (3,2) é empregado.
   • A aproximação utiliza a variável $r = \sqrt{\log(1/p^2)}$ (ou $\sqrt{\log(1/(1-p)^2)}$ para a cauda superior).
   • A função é definida como uma função racional de $r$: $f_{tail}(p) = \frac{c_3 r^3 + c_2 r^2 + c_1 r + c_0}{r^2 + d_1 r + d_0}$.
   • Os coeficientes foram similarmente otimizados usando o algoritmo minimax do Maple.

3. Técnicas de Otimização:

   • As funções racionais são estruturadas para minimizar o número de multiplicações (por exemplo, normalizando o denominador para que o coeficiente principal seja 1).
   • A região central mais ampla (Rat22B) foi especificamente projetada para reduzir o número de vezes que as operações computacionalmente caras de log e sqrt devem ser executadas.

Principais Contribuições e Resultados

• Precisão: A nova aproximação (2,2) central atinge um erro absoluto máximo de aproximadamente $2,5 \cdot 10^{-5}$ na região central e $2,458 \cdot 10^{-5}$ nas caudas. O erro absoluto máximo total é inferior a $2,5 \cdot 10^{-5}$.
  • Nota sobre Precisão: O autor reconhece explicitamente que isso é menos preciso do que a aproximação de Beasley-Springer (que possui um erro inferior a $1,85 \cdot 10^{-9}$ na região central) e a aproximação de Acklam.
• Desempenho: A principal contribuição é a velocidade. Testes de desempenho realizados em um Dell Inspiron 1525 (Intel Core 2 Duo T5800, 2,00 GHz) usando Java (JDK 1.6.0 17) ao longo de 200.000 iterações produziram os seguintes resultados:
  • Abramowitz-Stegun (AS): 25.210 ms
  • Beasley-Springer (BS): 10.212 ms
  • Rat22A (Novo, central estreita): 8.052 ms
  • Rat22B (Novo, central larga): 6.649 ms
• Ganhos de Eficiência: As novas aproximações são significativamente mais rápidas que os métodos existentes. A comparação entre Rat22A e Rat22B demonstra que reduzir o subconjunto de valores que requerem cálculos de log e sqrt em cerca de 50% (ao expandir a região central) reduziu o tempo de CPU em quase 20%.

Significância e Alegações
O artigo postula que, embora a aproximação proposta sacrifique alguma precisão em relação aos métodos de ponta como Beasley-Springer, essa troca é justificada pelo ganho substancial em velocidade de execução. O autor afirma que uma margem de erro inferior a $2,5 \cdot 10^{-5}$ é "suficiente para muitas aplicações", citando especificamente os mercados financeiros como um domínio onde a velocidade é crucial.

Além disso, o artigo revisita as aproximações de Abramowitz-Stegun (Equações 26.2.22 e 26.2.23 em [1]). O autor apresenta coeficientes melhorados para essas equações que oferecem mais de cinco vezes a precisão do original dentro do intervalo representável padrão IEEE-754, embora a precisão degrade conforme o intervalo se aproxima dos extremos 0 e 1.

Em resumo, o trabalho fornece uma alternativa "mais rápida" para as aproximações estabelecidas da função quantil, priorizando o tempo de execução para aplicações onde o limite de erro ligeiramente superior permanece aceitável.