Distribución de Cauchy es una distribución de probabilidad continua y simétrica, nombrada en honor al matemático francés Augustin-Louis Cauchy. Se caracteriza por tener colas más pesadas que la distribución normal, lo que implica que los valores extremos son más frecuentes de lo que se esperaría en una distribución gaussiana estándar. Esta propiedad la convierte en una herramienta esencial en física, especialmente en el estudio de sistemas resonantes, y en estadística como un contraejemplo clásico para el teorema del límite central.
A diferencia de la distribución normal, la distribución de Cauchy no tiene una media ni una varianza definidas en el sentido tradicional, ya que sus momentos de primer y segundo orden divergen. Esto significa que, aunque la distribución es simétrica alrededor de su modo, la media aritmética de una muestra grande no necesariamente converge al valor central de la población, lo que la hace particularmente útil para modelar fenómenos con grandes fluctuaciones y valores atípicos.
Definición y concepto
La distribución de Cauchy, también conocida como distribución de Cauchy-Lorentz, es un concepto fundamental dentro de las ciencias exactas que representa una distribución de probabilidad continua. Este modelo estadístico lleva el nombre de dos figuras destacadas en la historia de la ciencia: el matemático Augustin Louis Cauchy y el físico Hendrik Lorentz. La nomenclatura varía según la disciplina que la emplea; mientras que en el ámbito de las matemáticas y la estadística se hace referencia a ella principalmente como la distribución de Cauchy, en el campo de la física se le denomina comúnmente distribución de Lorentz, función Lorentziana o distribución de Breit-Wigner. Esta dualidad de nombres refleja la transversalidad del concepto, que sirve como puente entre el análisis probabilístico puro y la descripción fenomenológica de sistemas físicos complejos.
Características matemáticas y relación con la distribución t
Desde una perspectiva estrictamente matemática, la distribución de Cauchy se distingue por propiedades que la diferencian de otras distribuciones continuas más comunes, como la distribución normal o gaussiana. Una de sus características más notables es su relación directa con la distribución t de Student. Específicamente, la distribución de Cauchy coincide exactamente con la distribución t de Student cuando esta posee un solo grado de libertad. Esta equivalencia es crucial para comprender el comportamiento de las colas de la distribución, las cuales son más pesadas que las de la distribución normal, lo que implica que los valores extremos tienen una probabilidad mayor de ocurrir que lo que sugeriría un modelo gaussiano estándar.
Importancia en la física y aplicaciones espectroscópicas
La relevancia de la distribución de Cauchy en la física es profunda y multifacética. Su importancia radica en el hecho de que constituye la solución de la ecuación diferencial que describe el fenómeno de la resonancia forzada. En sistemas físicos sometidos a una fuerza oscilante, la respuesta del sistema cerca de su frecuencia natural de oscilación sigue el perfil de la función Lorentziana. Esto hace que la distribución sea una herramienta esencial para modelar cómo los sistemas físicos absorben y disipan energía en condiciones de resonancia.
Además de su papel en la mecánica clásica y cuántica, la distribución tiene una aplicación directa y vital en la espectroscopía. En esta disciplina, se utiliza para describir la forma de las líneas espectrales que sufren un ensanchamiento debido a diversos mecanismos físicos. En particular, es el modelo estándar para describir el ensanchamiento por colisión, también conocido como ensanchamiento de presión. Este fenómeno ocurre cuando las partículas emisoras de radiación interactúan entre sí mediante colisiones, lo que perturba sus niveles de energía y resulta en una línea espectral cuya intensidad se distribuye según el perfil de Lorentz. Esta capacidad para modelar con precisión el comportamiento de la materia bajo interacciones específicas consolida a la distribución de Cauchy como un pilar en la interpretación de datos experimentales en física atómica y molecular.
Función de densidad de probabilidad
| Parámetro | Simbolismo | Significado estadístico y físico |
|---|---|---|
| Corrimiento | x0 |
Ubicación central de la distribución; corresponde a la mediana y la moda. |
| Escala | γ |
Medida de dispersión; equivale a la semiancho a media altura (HWHM) de la curva. |
La función de densidad de probabilidad (PDF) de la distribución de Cauchy, también referida como distribución de Lorentz o de Breit-Wigner en contextos físicos, se define analíticamente mediante una expresión racional continua. Esta función caracteriza la probabilidad de que una variable aleatoria tome un valor específico, presentando una cola pesada que distingue a esta distribución de otras comunes como la normal.
La fórmula general de la densidad de probabilidad para una variable aleatoria x viene dada por:
En esta expresión, x0 representa el parámetro de localización o corrimiento, que determina el centro de la distribución. Este valor coincide con la mediana y la moda de la distribución, aunque, como se establece en las propiedades fundamentales, no necesariamente con la media aritmética, la cual puede resultar indefinida. El parámetro γ es el parámetro de escala, que controla el ancho de la distribución. Específicamente, γ corresponde a la semiancho a media altura (HWHM), es decir, la distancia desde el centro x0 hasta los puntos donde la altura de la curva es la mitad de su valor máximo.
Caso estándar
Existe un caso particular conocido como la distribución de Cauchy estándar, que surge cuando los parámetros toman valores unitarios o nulos específicos. En esta configuración, el parámetro de corrimiento x0 es igual a 0 y el parámetro de escala γ es igual a 1. Esta simplificación resulta útil como referencia teórica y como caso base para la distribución t de Student con un grado de libertad.
La función de densidad para la distribución estándar se reduce a la siguiente forma:
f ( x ) = 1 π ( 1 + x 2 )Esta forma simplificada resalta la simetría de la distribución respecto al origen y la naturaleza algebraica de sus colas, las cuales decaen lentamente en comparación con la distribución normal, lo que explica por qué la varianza y el valor esperado pueden resultar indefinidos en el análisis estadístico general de esta familia de distribuciones continuas.
¿Cómo se calcula la función de distribución acumulativa?
La función de distribución acumulativa (CDF) de la distribución de Cauchy se deriva directamente de su función de densidad de probabilidad. Esta función describe la probabilidad de que una variable aleatoria tome un valor menor o igual a un parámetro dado. La expresión matemática para la CDF está íntimamente ligada a la función trigonométrica arcotangente, lo que refleja la naturaleza cíclica y asintótica de la distribución.
Fórmula de la función de distribución acumulativa
Para una distribución de Cauchy con parámetro de localización x0 y parámetro de escala γ, la función de distribución acumulativa se expresa mediante la siguiente fórmula:
F(x)=12+1π⋅arctan(x−x0γ)En esta expresión, la función arcotangente, denotada como arctan o tan−1, es fundamental. El término arctan(γx−x0) mapea los valores reales de la variable x al intervalo (−2π,2π). Al multiplicar por π1 y sumar 21, el rango se ajusta al intervalo estándar (0,1) propio de las funciones de distribución acumulativa. Esta estructura asegura que cuando x tiende a menos infinito, la probabilidad acumulada se aproxima a 0, y cuando x tiende a más infinito, se aproxima a 1.
Función inversa y generación de valores
La función inversa de la CDF, conocida como función cuantílica, es esencial para métodos de muestreo como la transformación inversa. Para obtener la función inversa, se despeja x de la ecuación de la CDF. El proceso implica aislar el término del arcotangente y aplicar la función tangente como operador inverso.
La fórmula para la función inversa F−1(p), donde p es una probabilidad en el intervalo (0,1), es:
F−1(p)=x0+γ⋅tan(π⋅(p−12))Esta relación demuestra la simetría entre las funciones trigonométricas directas e inversas en el contexto de la distribución. La función tangente, tan(θ), transforma el ángulo resultante de la operación lineal sobre la probabilidad p de vuelta al dominio de los números reales. Esta propiedad es particularmente útil en física y estadística para generar muestras aleatorias de la distribución de Cauchy a partir de una distribución uniforme estándar, aprovechando la relación directa entre la variable aleatoria uniforme y la función tangente.
Propiedades estadísticas y momentos
La distribución de Cauchy presenta características estadísticas notables que la distinguen de otras distribuciones continuas ampliamente utilizadas en la teoría de la probabilidad. Una de sus propiedades más sorprendentes es la falta de definición de ciertos momentos estadísticos fundamentales, como el valor esperado y la varianza. Esto significa que, a diferencia de muchas otras distribuciones comunes, no se puede asignar un promedio o una medida de dispersión estándar a esta distribución.
Ausencia de momentos definidos
El valor esperado de una distribución de Cauchy no está definido debido a la lentitud con la que decaen las colas de la distribución. Matemáticamente, la integral que define el valor esperado diverge, lo que implica que no existe un único valor central que represente la tendencia central de manera única. De manera similar, la varianza tampoco está definida, ya que la integral correspondiente también diverge. Esta propiedad tiene implicaciones significativas en el análisis estadístico y en la interpretación de datos modelados por esta distribución.
Moda y mediana
A pesar de la ausencia de momentos definidos, la distribución de Cauchy posee una moda y una mediana bien definidas. Ambas son iguales al parámetro de ubicación x0. Esto significa que, aunque no se puede hablar de un promedio tradicional, sí se puede identificar un valor central que representa la ubicación más probable de los datos.
Relación con variables aleatorias normales
La distribución de Cauchy puede ser generada a partir de dos variables aleatorias normales independientes. Específicamente, si se toman dos variables aleatorias normales estándar, U y V, la relación entre ellas, U/V, sigue una distribución de Cauchy. Esta relación es útil en diversos contextos estadísticos y físicos, donde la interacción de dos procesos normales puede resultar en una distribución de Cauchy.
Media de la muestra y el teorema del límite central
Una propiedad interesante de la distribución de Cauchy es que la media de una muestra de variables aleatorias independientes e idénticamente distribuidas (i.i.d.) también sigue una distribución de Cauchy. Esto contrasta con el teorema del límite central, que establece que la media de una muestra de variables aleatorias i.i.d. con varianza finita converge a una distribución normal. En el caso de la distribución de Cauchy, la media de la muestra no converge a un valor único, sino que mantiene la misma distribución de Cauchy, lo que tiene implicaciones importantes para la ley de los grandes números.
Infinitamente divisible y estrictamente estable
La distribución de Cauchy es infinitamente divisible, lo que significa que puede ser expresada como la suma de cualquier número finito de variables aleatorias independientes e idénticamente distribuidas. Además, es una distribución estrictamente estable, lo que implica que la suma de dos variables aleatorias independientes que siguen una distribución de Cauchy también sigue una distribución de Cauchy. Estas propiedades hacen de la distribución de Cauchy un objeto de estudio importante en la teoría de la probabilidad y en la estadística matemática.
Función característica y relación con otras distribuciones
La función característica de la distribución de Cauchy es una herramienta fundamental en el análisis de sus propiedades estadísticas y su comportamiento asintótico. Para una distribución de Cauchy estándar, centrada en el origen con parámetro de escala igual a la unidad, la función característica está dada por la expresión exponencial compleja que decae linealmente con el parámetro de frecuencia. Esta forma funcional específica distingue a la distribución de Cauchy de otras distribuciones comunes, como la normal, donde la función característica decae cuadráticamente. La estructura matemática de esta función revela la naturaleza de las colas pesadas de la distribución, ya que la derivabilidad en el origen de la función característica determina la existencia de los momentos de la variable aleatoria.
Relación con la distribución t de Student
Existe una conexión directa y exacta entre la distribución de Cauchy y la familia de distribuciones t de Student. La distribución de Cauchy coincide precisamente con la distribución t de Student cuando el número de grados de libertad es igual a uno. Esta relación implica que, al reducir los grados de libertad en la distribución t de Student hasta su valor mínimo entero, se obtiene la forma funcional de la distribución de Cauchy. Esta conexión es significativa en el ámbito de la inferencia estadística, ya que la distribución t de Student generaliza la distribución normal para muestras pequeñas, mientras que el caso de un grado de libertad representa el límite donde las colas se vuelven tan pesadas que los momentos superiores dejan de estar definidos de manera finita.
Vinculación con las distribuciones alpha-estables de Lévy
La distribución de Cauchy ocupa un lugar destacado dentro de la familia más amplia de las distribuciones alpha-estables, también conocidas como distribuciones estables de Lévy. Estas distribuciones se caracterizan por mantener su forma funcional bajo la suma de variables aleatorias independientes e idénticamente distribuidas, una propiedad conocida como estabilidad. La distribución de Cauchy corresponde al caso específico donde el parámetro de estabilidad, denotado como alpha, toma el valor de dos, aunque en la parametrización estándar de las distribuciones de Lévy, la distribución de Cauchy es el ejemplo canónico de una distribución estable con colas de potencia. Esta pertenencia a la familia de las distribuciones alpha-estables explica su comportamiento único frente al teorema del límite central clásico, ya que la suma de variables de Cauchy sigue siendo una variable de Cauchy, escalada apropiadamente, lo que contrasta con la convergencia a la distribución normal observada en muchas otras distribuciones con varianza finita.
Aplicaciones en hidrología y física
La distribución de Cauchy encuentra aplicaciones significativas en campos tan dispares como la física teórica y la hidrología aplicada, debido a su capacidad para modelar fenómenos con colas pesadas y comportamientos de resonancia.
Uso en física y espectroscopía
En el ámbito de la física, esta distribución es fundamental para describir fenómenos de resonancia. Es la solución de la ecuación diferencial que describe la resonancia forzada, lo que la convierte en una herramienta esencial en el análisis de sistemas oscilantes sometidos a una fuerza externa periódica. Además, en espectroscopía, la distribución de Lorentz (o distribución de Breit-Wigner) describe la forma de las líneas espectrales que sufren ensanchamiento por diversos mecanismos. En particular, es el modelo estándar para el ensanchamiento por colisión, donde las interacciones entre partículas modifican la energía de los estados cuánticos, resultando en un perfil de línea característica con colas más pesadas que en una distribución gaussiana.
Aplicaciones en hidrología
En hidrología, la distribución de Cauchy se utiliza para analizar variables hidrológicas que presentan alta variabilidad y valores extremos. Se aplica específicamente en el estudio de las precipitaciones máximas, la descarga de ríos y la duración de las épocas de sequía. Su capacidad para ajustar datos con colas pesadas la hace adecuada para modelar lluvias máximas diarias, donde los valores atípicos son frecuentes y pueden tener un impacto desproporcionado en el régimen hídrico. En el análisis estadístico de estos datos, se ha empleado la distribución binomial para establecer una franja de confianza del 90% en el ajuste de las lluvias máximas, lo que permite a los hidrólogos evaluar la probabilidad de ocurrencia de eventos extremos con mayor precisión que con modelos normales tradicionales.
Ejercicios resueltos
Ejercicio 1: Cálculo de la densidad en la distribución estándar
Consideremos la distribución de Cauchy estándar, donde los parámetros de localización y escala son γ=1 y x0=0. La función de densidad de probabilidad (PDF) viene dada por la expresión:
f ( x ) = 1 휉 π 휉 γ 1 + ( x - x 0 γ ) 2Sustituyendo los valores γ=1 y x0=0, la ecuación se simplifica a:
f ( x ) = 1 π 휉 ( 1 + x 2 )Para calcular la densidad en el punto x=1, sustituimos en la fórmula:
f ( 1 ) = 1 π 휉 ( 1 + 1 2 ) = 1 π 휉 ( 2 ) = 1 2 πEl resultado indica que la densidad de probabilidad en x=1 es aproximadamente 0.159. Este cálculo ilustra la cola pesada de la distribución, ya que la densidad disminuye proporcionalmente a 1/x2 para valores grandes de x, a diferencia de la distribución normal que decae exponencialmente.
Ejercicio 2: Relación con variables aleatorias uniformes
Una propiedad fundamental de la distribución de Cauchy es su relación con la distribución uniforme. Demostraremos que si U es una variable aleatoria con distribución uniforme en el intervalo (0,1), entonces la variable X=tan(π(U−0.5)) sigue una distribución de Cauchy estándar.
La función de distribución acumulada (CDF) de la distribución de Cauchy estándar es:
F ( x ) = 1 2 + 1 π 휉 γ 휉 α ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ ν Τ νPreguntas frecuentes
¿Por qué la distribución de Cauchy no tiene media definida?
La media de la distribución de Cauchy no está definida porque la integral que calcula el primer momento diverge. Aunque la distribución es simétrica y su mediana y modo están bien definidos, la contribución de las colas pesadas hace que la suma de los valores positivos y negativos no converja a un único número finito.
¿Cuál es la diferencia principal entre la distribución de Cauchy y la distribución normal?
La diferencia principal radica en el comportamiento de las colas y la existencia de los momentos. La distribución normal tiene colas que decaen exponencialmente, mientras que la de Cauchy decae polinómicamente, lo que resulta en colas más pesadas. Además, la distribución normal tiene media y varianza finitas, mientras que la de Cauchy carece de media y varianza definidas.
¿En qué campos se aplica comúnmente la distribución de Cauchy?
Se aplica frecuentamente en física para describir la resonancia en sistemas oscilantes, como en la línea espectral de la radiación atómica. También se utiliza en finanzas para modelar rendimientos de activos con valores atípicos frecuentes, y en hidrología y estadística para analizar datos con mayor dispersión que la predicha por la distribución normal.
¿Cómo se calcula la función de distribución acumulativa de Cauchy?
El resultado es una función que depende del arco tangente, específicamente F(x)=π1arctan(γx−x0)+21, donde x0 es la ubicación y γ es el parámetro de escala.
Resumen
La distribución de Cauchy es una distribución de probabilidad continua, simétrica y de colas pesadas, fundamental en estadística y física. A diferencia de la distribución normal, carece de media y varianza definidas debido a la divergencia de sus momentos, lo que la hace ideal para modelar fenómenos con valores extremos frecuentes, como la resonancia física y ciertos rendimientos financieros.
Este artículo detalla su definición matemática, la función de densidad de probabilidad, el cálculo de su función de distribución acumulativa y sus propiedades estadísticas únicas. Además, explora sus aplicaciones prácticas en hidrología y física, proporcionando ejercicios resueltos para ilustrar su comportamiento y utilidad en el análisis de datos con alta variabilidad.
Véase también
- Orígenes geográficos e históricos de la geometría
- Integrales logaritmicas ejemplos
- Qué es estadística descriptiva
- Geometría espacial: estudio de los cuerpos sólidos y el espacio tridimensional
- Modelos de Lhermite