En teoría de probabilidad y estadística direccional , una distribución de Cauchy envuelta es una distribución de probabilidad envuelta que resulta de la "envoltura" de la distribución de Cauchy alrededor del círculo unitario . La distribución de Cauchy a veces se conoce como distribución lorentziana, y la distribución de Cauchy envuelta a veces puede denominarse distribución lorentziana envuelta.
La distribución de Cauchy envuelta se encuentra a menudo en el campo de la espectroscopia, donde se utiliza para analizar patrones de difracción (por ejemplo, véase el interferómetro de Fabry-Pérot ).
Descripción
La función de densidad de probabilidad de la distribución de Cauchy envuelta es: [1]
donde es el factor de escala y es la posición máxima de la distribución "desenrollada". Expresando la función de densidad de probabilidad anterior en términos de la función característica de la distribución de Cauchy se obtiene:
La PDF también puede expresarse en términos de la variable circular z = e iθ y el parámetro complejo ζ = e i ( μ + iγ )
donde, como se muestra a continuación, ζ = ⟨ z ⟩.
En términos de la variable circular, los momentos circulares de la distribución de Cauchy envuelta son la función característica de la distribución de Cauchy evaluada en argumentos enteros:
donde es un intervalo de longitud . El primer momento es entonces el valor medio de z , también conocido como resultante media o vector resultante medio:
El ángulo medio es
y la longitud de la resultante media es
produciendo una varianza circular de 1 − R .
Estimación de parámetros
Se puede utilizar una serie de N mediciones extraídas de una distribución de Cauchy envuelta para estimar ciertos parámetros de la distribución. El promedio de la serie se define como
y su valor esperado será solo el primer momento:
En otras palabras, es un estimador insesgado del primer momento. Si suponemos que la posición máxima se encuentra en el intervalo , entonces Arg será un estimador (sesgado) de la posición máxima .
Considerando el como un conjunto de vectores en el plano complejo, la estadística es la longitud del vector promedio:
y su valor esperado es
En otras palabras, la estadística
será un estimador imparcial de , y será un estimador (sesgado) de .
Entropía
La entropía de información de la distribución de Cauchy envuelta se define como: [1]
donde es cualquier intervalo de longitud . El logaritmo de la densidad de la distribución de Cauchy envuelta se puede escribir como una serie de Fourier en :
dónde
Lo cual produce:
(cf. Gradshteyn y Ryzhik [2] 4.224.15) y
(cf Gradshteyn y Ryzhik [2] 4.397.6). La representación de la función característica para la distribución de Cauchy envuelta en el lado izquierdo de la integral es:
donde . Sustituyendo estas expresiones en la integral de entropía, intercambiando el orden de integración y suma, y utilizando la ortogonalidad de los cosenos, la entropía puede escribirse:
La serie es simplemente la expansión de Taylor para el logaritmo de, por lo que la entropía puede escribirse en forma cerrada como:
Distribución circular de Cauchy
Si X tiene una distribución de Cauchy con una mediana μ y un parámetro de escala γ, entonces la variable compleja
tiene módulo unitario y se distribuye en el círculo unitario con densidad: [3]
dónde
y ψ expresa los dos parámetros de la distribución de Cauchy lineal asociada para x como un número complejo :
Se puede observar que la distribución circular de Cauchy tiene la misma forma funcional que la distribución de Cauchy envuelta en z y ζ (es decir, f WC (z, ζ)). La distribución circular de Cauchy es una distribución de Cauchy envuelta reparametrizada:
La distribución se denomina distribución circular de Cauchy [3] [4] (también distribución compleja de Cauchy [3] ) con parámetros μ y γ. (Véase también la parametrización de McCullagh de las distribuciones de Cauchy y el núcleo de Poisson para conceptos relacionados).
La distribución circular de Cauchy expresada en forma compleja tiene momentos finitos de todos los órdenes
para entero n ≥ 1. Para |φ| < 1, la transformación
es holomórfica en el disco unitario, y la variable transformada U ( Z , φ) se distribuye como Cauchy complejo con parámetro U (ζ, φ).
Dada una muestra z 1 , ..., z n de tamaño n > 2, la ecuación de máxima verosimilitud
se puede resolver mediante una simple iteración de punto fijo:
comenzando con ζ (0) = 0. La secuencia de valores de probabilidad no es decreciente y la solución es única para muestras que contienen al menos tres valores distintos. [5]
La estimación de máxima verosimilitud para la mediana ( ) y el parámetro de escala ( ) de una muestra real de Cauchy se obtiene mediante la transformación inversa:
Para n ≤ 4, se conocen expresiones de forma cerrada para . [6] La densidad del estimador de máxima verosimilitud en t en el disco unitario es necesariamente de la forma:
dónde
- .
Están disponibles fórmulas para p 3 y p 4. [7]
Véase también
Referencias
- ^ ab Mardia, Kantilal ; Jupp, Peter E. (1999). Estadísticas direccionales . Wiley. ISBN 978-0-471-95333-3.
- ^ ab Gradshteyn, Izrail Solomonovich ; Ryzhik, Iosif Moiseevich ; Geronimus, Yuri Veniaminovich ; Tseytlin, Michail Yulyevich (febrero de 2007). Jeffrey, Alan; Zwillinger, Daniel (eds.). Tabla de integrales, series y productos . Traducido por Scripta Technica, Inc. (7.ª ed.). Academic Press, Inc. ISBN 0-12-373637-4. Número de serie LCCN 2010481177.
- ^ abc McCullagh, Peter (junio de 1992). «Inferencia condicional y modelos de Cauchy» (PDF) . Biometrika . 79 (2): 247–259. doi :10.1093/biomet/79.2.247 . Consultado el 26 de enero de 2016 .
- ^ KV Mardia (1972). Estadísticas de datos direccionales . Academic Press .[ página necesaria ]
- ^ J. Copas (1975). "Sobre la unimodalidad de la función de verosimilitud para la distribución de Cauchy". Biometrika . 62 (3): 701–704. doi :10.1093/biomet/62.3.701.
- ^ Ferguson, Thomas S. (1978). "Estimaciones de máxima verosimilitud de los parámetros de la distribución de Cauchy para muestras de tamaño 3 y 4". Revista de la Asociación Estadounidense de Estadística . 73 (361): 211–213. doi :10.1080/01621459.1978.10480031. JSTOR 2286549.
- ^ P. McCullagh (1996). "Transformación de Möbius y estimación de parámetros de Cauchy". Anales de Estadística . 24 (2): 786–808. JSTOR 2242674.