柯西分布——正態分布的兄弟

本文轉載自查看原文 2015-10-22 20:27 13041

觀察變量分布時最重要的三個特性之一是胖-瘦（另兩個是：單模-多模；對稱-有偏），柯西分布和正態分布是極易混淆的分布曲線。

柯西分布也叫作柯西-洛倫茲分布，它是以奧古斯丁·路易·柯西與亨德里克·洛倫茲名字命名的連續概率分布，其概率密度函數為

$f(x; x_0,\gamma) = \frac{1}{\pi\gamma \left[1 + \left(\frac{x-x_0}{\gamma}\right)^2\right]} \!$

$= { 1 \over \pi } \left[ { \gamma \over (x - x_0)^2 + \gamma^2 } \right] \!$

其中x₀是定義分布峰值位置的位置參數，γ是最大值一半處的一半寬度的尺度參數。

作為概率分布，通常叫作柯西分布，物理學家也將之稱為洛倫茲分布或者Breit-Wigner分布。在物理學中的重要性很大一部分歸因於它是描述受迫共振的微分方程的解。在光譜學中，它描述了被共振或者其它機制加寬的譜線形狀。在下面的部分將使用柯西分布這個統計學術語。

x₀ = 0且γ = 1的特例稱為標准柯西分布，其概率密度函數為

$f(x; 0,1) = \frac{1}{\pi (1 + x^2)}. \!$

特性

其累積分布函數為：

$F(x; x_0,\gamma)=\frac{1}{\pi} \arctan\left(\frac{x-x_0}{\gamma}\right)+\frac{1}{2}$

柯西分布的逆累積分布函數為

$F^{-1}(p; x_0,\gamma) = x_0 + \gamma\,\tan(\pi\,(p-1/2)). \!$

柯西分布的平均值、方差或者矩都沒有定義，它的眾數與中值有定義都等於 x₀。

取 X 表示柯西分布隨機變量，柯西分布的特性函數表示為：

$\phi_x(t; x_0,\gamma) = \mathrm{E}(e^{i\,X\,t}) = \exp(i\,x_0\,t-\gamma\,|t|). \!$

如果 U 與 V 是期望值為 0、方差為 1 的兩個獨立正態分布隨機變量的話，那么比值 U/V 為柯西分布。

標准柯西分布是學生t-分布自由度為1的特殊情況。

柯西分布是穩定分布：如果 $X\sim\textrm{Stable}(1,0,\gamma,\mu)$ ，則 $X\sim\textrm{Cauchy}(\mu,\gamma)$ 。

如果 X₁, …, X_n 是分別符合柯西分布的相互獨立同分布隨機變量，那么算術平均數（X₁ + … + X_n）/n 有同樣的柯西分布。為了證明這一點，我們來計算采樣平均的特性函數：

$\phi_{\overline{X}}(t) = \mathrm{E}\left(e^{i\,\overline{X}\,t}\right) \,\!$

其中， $\overline{X}$ 是采樣平均值。這個例子表明不能舍棄中心極限定理中的有限變量假設。

洛侖茲線性分布更適合於那種比較扁、寬的曲線高斯線性分布則適合較高、較窄的曲線當然，如果是比較居中的情況，兩者都可以。很多情況下，采用的是兩者各占一定比例的做法。如洛倫茨占60%，高斯占40%.

柯西-洛倫茲分布
概率密度函數綠線是標准柯西分布
累積分布函數與上圖中的顏色對應
參數	$x_0\!$ 位置參數（實數） $\gamma > 0\!$ 尺度參數（實數）
值域	$x \in (-\infty; +\infty)\!$
概率密度函數	$\frac{1}{\pi\gamma\,\left[1 + \left(\frac{x-x_0}{\gamma}\right)^2\right]} \!$
累積分布函數	$\frac{1}{\pi} \arctan\left(\frac{x-x_0}{\gamma}\right)+\frac{1}{2}$
標記	{{{notation}}}
期望值	（沒有定義）
中位數
眾數
方差	（沒有定義）
偏態	（沒有定義）
峰態	（沒有定義）
熵值	$\ln(4\,\pi\,\gamma)\!$
動差生成函數	（沒有定義）
特征函數	$\exp(x_0\,i\,t-\gamma\,\|t\|)\!$

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 柯西分布的隨機數正態分布正態分布正態分布正態分布正態分布和標准正態分布的聯系及區別正態分布(高斯分布) 概率論 - 正態分布正態分布-python建模理解正態分布