{
  "id": "cauchy-distribution",
  "title": "柯西分布",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "柯西分布是一种均值和方差均未定义的对称重尾概率分布，具有加法稳定性，并可描述共振线形。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "洛伦兹分布",
    "柯西–洛伦兹分布"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/cauchy-distribution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/cauchy-distribution/",
      "json": "https://aiwiki.page/en/cauchy-distribution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "柯西分布是一种连续概率分布，其特点是中央有一个峰，且尾部异常厚重。位置参数确定其中心，尺度参数确定其宽度。尽管分布对称，它的均值和方差都未定义。它是一个重要例子，说明为什么常见的统计方法，尤其是取平均值，需要对底层分布作出假设。该分布以奥古斯丁-路易·柯西的名字命名，在物理学中也称为洛伦兹分布，其形状可描述许多共振曲线和光谱轮廓。"
    },
    {
      "heading": "定义与参数",
      "text": "若随机变量 \\(X\\) 的概率密度函数为\n\n\\[f(x;x_0,\\gamma) =\\frac{1}{\\pi\\gamma\\left[1+\\left(\\frac{x-x_0}{\\gamma}\\right)^2\\right]} =\\frac{\\gamma}{\\pi\\left[(x-x_0)^2+\\gamma^2\\right]}, \\qquad -\\infty<x<\\infty.\\]\n\n则称它服从位置参数为 \\(x_0\\in\\mathbb{R}\\)、尺度参数为 \\(\\gamma>0\\) 的柯西分布，记作\n\n\\[X\\sim\\operatorname{Cauchy}(x_0,\\gamma),\\]\n\n该密度关于 \\(x_0\\) 对称，\\(x_0\\) 既是唯一的众数，也是中位数。密度的最大值为 \\(1/(\\pi\\gamma)\\)。在 \\(x=x_0\\pm\\gamma\\) 处，密度为最大值的一半，因此半高全宽为 \\(2\\gamma\\)。\n\n标准柯西分布的参数为 \\(x_0=0\\) 和 \\(\\gamma=1\\)：\n\n\\[f(x)=\\frac{1}{\\pi(1+x^2)}.\\]\n\n若 \\(Z\\) 服从标准柯西分布，则 \\(x_0+\\gamma Z\\) 服从 \\(\\operatorname{Cauchy}(x_0,\\gamma)\\) 分布。\n\n尺度参数 \\(\\gamma\\) 并不是标准差：该分布的标准差不存在。"
    },
    {
      "heading": "分布函数与分位数",
      "text": "累积分布函数为\n\n\\[F(x)=\\frac12+\\frac{1}{\\pi} \\arctan\\left(\\frac{x-x_0}{\\gamma}\\right).\\]\n\n它的反函数，即分位数函数，为\n\n\\[Q(p)=x_0+\\gamma\\tan\\left[\\pi\\left(p-\\frac12\\right)\\right], \\qquad 0<p<1.\\]\n\n因此，第一和第三四分位数分别为 \\(x_0-\\gamma\\) 和 \\(x_0+\\gamma\\)，四分位距为 \\(2\\gamma\\)。距离中心不超过一个尺度参数的区间内，恰好包含一半的概率：\n\n\\[P(|X-x_0|\\leq\\gamma)=\\frac12.\\]\n\n更一般地，\n\n\\[P(|X-x_0|\\leq a) =\\frac{2}{\\pi}\\arctan\\left(\\frac{a}{\\gamma}\\right), \\qquad a\\geq0.\\]"
    },
    {
      "heading": "重尾与不存在的矩",
      "text": "当 \\(|x|\\) 很大时，密度的渐近形式为\n\n\\[f(x;x_0,\\gamma)\\sim\\frac{\\gamma}{\\pi x^2}.\\]\n\n等价地，其双侧尾概率满足\n\n\\[P(|X-x_0|>t)\\sim\\frac{2\\gamma}{\\pi t} \\qquad\\text{as }t\\to\\infty.\\]\n\n这种幂律尾部远比正态分布的尾部厚重，因此极端观测值出现的频率要高得多。\n\n为什么对称性并不意味着均值存在\n\n对于标准柯西随机变量 \\(Z\\)，一阶矩积分的正、负两部分分别发散：\n\n\\[\\int_0^\\infty zf(z)\\,dz=\\infty, \\qquad \\int_{-\\infty}^0 zf(z)\\,dz=-\\infty.\\]\n\n因此，它的期望值未定义，而不是零或无穷大。\n\n不过，对称截断可得\n\n\\[\\lim_{R\\to\\infty}\\int_{-R}^{R}zf(z)\\,dz=0.\\]\n\n这是柯西主值，而不是通常意义下的期望。按特定截断规则使正负部分抵消，并不意味着该随机变量可积。这一区别是说明积分中收敛条件重要性的经典例子。\n\n方差也未定义，而相对于任何固定有限中心的二阶矩均发散。任何正整数阶矩都不存在有限的期望值。不过，小于一阶的分数阶绝对矩存在：\n\n\\[\\mathbb{E}|X-x_0|^p =\\frac{\\gamma^p}{\\cos(\\pi p/2)}, \\qquad 0<p<1.\\]\n\n当 \\(p\\geq1\\) 时，绝对矩发散。\n\n矩母函数在任何非零实数自变量处都不是有限值。相比之下，特征函数对所有实数自变量都存在。"
    },
    {
      "heading": "特征函数与稳定性",
      "text": "特征函数（概率论）为\n\n\\[\\varphi_X(t)=\\mathbb{E}[e^{itX}] =\\exp\\left(ix_0t-\\gamma|t|\\right).\\]\n\n指数中的绝对值使特征函数在原点出现尖点，这与有限一阶绝对矩不存在的性质相符。\n\n柯西分布是稳定性指数为 \\(\\alpha=1\\) 的稳定分布。若 \\(X_1,\\ldots,X_n\\) 相互独立，且\n\n\\[X_j\\sim\\operatorname{Cauchy}(x_j,\\gamma_j),\\]\n\n则\n\n\\[\\sum_{j=1}^{n}X_j \\sim \\operatorname{Cauchy}\\left( \\sum_{j=1}^{n}x_j,\\, \\sum_{j=1}^{n}\\gamma_j \\right).\\]\n\n更一般地，对于不全为零的实系数 \\(a_j\\)，有\n\n\\[\\sum_{j=1}^{n}a_jX_j \\sim \\operatorname{Cauchy}\\left( \\sum_{j=1}^{n}a_jx_j,\\, \\sum_{j=1}^{n}|a_j|\\gamma_j \\right).\\]\n\n因此，独立柯西随机变量的非退化线性组合仍服从柯西分布。等价地，两个柯西密度的卷积仍是柯西密度，其位置参数和尺度参数分别相加。\n\n为什么取平均值不会使分布集中\n\n若 \\(X_1,\\ldots,X_n\\) 是来自同一 \\(\\operatorname{Cauchy}(x_0,\\gamma)\\) 分布的独立观测值，则对每个 \\(n\\)，其样本均值都满足\n\n\\[\\overline X_n=\\frac{1}{n}\\sum_{j=1}^{n}X_j \\sim\\operatorname{Cauchy}(x_0,\\gamma)\\]\n\n样本量增大时，样本均值的分布不会变窄。对于每个 \\(\\varepsilon>0\\)，都有\n\n\\[P(|\\overline X_n-x_0|>\\varepsilon) = 1-\\frac{2}{\\pi}\\arctan\\left(\\frac{\\varepsilon}{\\gamma}\\right),\\]\n\n该概率并不趋于零。因此，样本均值不依概率收敛于位置参数。\n\n这并不违背大数定律或通常的中心极限定理，因为相关的矩条件并未得到满足。相反，稳定性使柯西分布能够在其他归一化方案下成为极限分布。"
    },
    {
      "heading": "构造方法与相关分布",
      "text": "正态随机变量之比\n\n若 \\(Z_1\\) 和 \\(Z_2\\) 是独立的标准正态随机变量，则\n\n\\[\\frac{Z_1}{Z_2}\\sim\\operatorname{Cauchy}(0,1).\\]\n\n分母为零的概率为零，因此该比值几乎处处有定义。分母可能接近零，这就解释了为什么比值可能非常大。\n\n这一构造也表明，标准柯西分布就是自由度为一的学生t分布。均值非零的正态随机变量之比一般并不服从柯西分布。\n\n均匀分布角度的正切\n\n若\n\n\\[\\Theta\\sim\\operatorname{Uniform}\\left(-\\frac{\\pi}{2},\\frac{\\pi}{2}\\right),\\]\n\n则 \\(\\tan\\Theta\\) 服从标准柯西分布。从几何上看，一条经过固定点、方向均匀分布的直线，在适当选取的垂直直线上截得的坐标服从柯西分布。\n\n分位数公式给出了一种直接的模拟方法。若 \\(U\\) 服从 \\((0,1)\\) 上的均匀分布，则\n\n\\[X=x_0+\\gamma\\tan\\left[\\pi\\left(U-\\frac12\\right)\\right]\\]\n\n服从所需的柯西分布。在数值实现中，必须排除端点值，因为正切函数在那里发散。\n\n倒数变换\n\n对于标准柯西随机变量 \\(Z\\)，有\n\n\\[\\frac{1}{Z}\\sim\\operatorname{Cauchy}(0,1).\\]\n\n更一般地，若 \\(X\\sim\\operatorname{Cauchy}(x_0,\\gamma)\\)，则\n\n\\[\\frac1X\\sim \\operatorname{Cauchy}\\left( \\frac{x_0}{x_0^2+\\gamma^2}, \\frac{\\gamma}{x_0^2+\\gamma^2} \\right).\\]\n\n由于该分布在 \\(X=0\\) 处的概率为零，倒数几乎处处有定义。"
    },
    {
      "heading": "统计估计",
      "text": "均值不存在并不妨碍对位置和尺度进行估计，但这确实使基于样本矩的方法不再适用。\n\n基于分位数的估计\n\n样本中位数是 \\(x_0\\) 的相合估计量。在大样本下，其极限分布为\n\n\\[\\sqrt n\\,(\\widehat x_{\\mathrm{med}}-x_0) \\xrightarrow{d} N\\left(0,\\frac{\\pi^2\\gamma^2}{4}\\right).\\]\n\n因此，尽管样本均值不会集中，样本中位数仍可集中在分布中心附近。\n\n样本四分位距的一半可相合估计 \\(\\gamma\\)。样本相对于样本中位数的绝对偏差的中位数，也可相合估计 \\(\\gamma\\)，而且无需使用有时针对正态分布给该统计量附加的校准因子。\n\n最大似然估计\n\n对于独立观测值 \\(x_1,\\ldots,x_n\\)，对数似然函数为\n\n\\[\\ell(x_0,\\gamma) =n\\log\\gamma-n\\log\\pi -\\sum_{i=1}^{n} \\log\\left[(x_i-x_0)^2+\\gamma^2\\right].\\]\n\n最大似然估计通常需要数值优化。似然函数关于位置参数并非全局凹函数，而且可能有多个驻点，因此数值算法必须区分局部解与全局解。\n\n当尺度参数已知时，位置参数的得分方程为\n\n\\[\\sum_{i=1}^{n} \\frac{x_i-x_0}{(x_i-x_0)^2+\\gamma^2}=0.\\]\n\n非常大的残差对这个方程的贡献反而小于中等大小的残差。这与最小二乘估计形成对比：在最小二乘估计中，残差的贡献随其大小而增大。\n\n对于一个观测值，参数 \\((x_0,\\gamma)\\) 的费希尔信息矩阵为\n\n\\[I(x_0,\\gamma) =\\frac{1}{2\\gamma^2} \\begin{pmatrix} 1&0\\\\ 0&1 \\end{pmatrix}.\\]\n\n因此，关于参数的有限信息可以与观测值的矩不存在这一性质同时成立。"
    },
    {
      "heading": "应用与局限",
      "text": "光谱与共振轮廓\n\n在光谱学中，柯西密度的形状通常称为洛伦兹线形。中心代表共振频率，\\(2\\gamma\\) 为半高全宽。物理谱线轮廓不一定要归一化为概率密度，但其随频率变化的关系可以具有相同的数学形式。\n\n因果的指数阻尼振荡，其频域振幅的模平方呈洛伦兹线形。这通过傅里叶变换，将时间域中的指数衰减与洛伦兹共振轮廓联系起来。当独立的高斯展宽机制与洛伦兹展宽机制共同作用时，所得卷积为沃伊特线形，而不是纯粹的柯西线形。\n\n重尾统计模型\n\n当高斯尾部不足以描述偶尔出现的极大偏差时，可以用柯西误差为这类数据建模。同样的重尾性质也使均值、方差和均方误差计算不再适用，除非已另行证明所分析的量具有有限矩。\n\n在贝叶斯推断中，柯西分布被用作某些位置参数或回归参数的正常化重尾先验分布。它的灵活性允许参数取较大的值，但先验尺度的选择仍会产生重要影响，而且必须检查后验矩是否存在，不能直接假定其存在。\n\n在模拟和统计计算中，这一分布揭示了一个重要区别：生成更多观测值，并不会使所有汇总统计量都更加稳定。分位数估计可以随样本量增大而改善，而算术平均值却始终保持完全相同的柯西分布。"
    }
  ],
  "links": [
    "probability-distribution",
    "augustin-louis-cauchy",
    "probability-density-function",
    "median",
    "standard-deviation",
    "cumulative-distribution-function",
    "quantile",
    "power-law",
    "normal-distribution",
    "expected-value",
    "variance",
    "statistical-independence",
    "convolution",
    "sample-mean",
    "law-of-large-numbers",
    "central-limit-theorem",
    "students-t-distribution",
    "uniform-distribution",
    "consistent-estimator",
    "likelihood-function",
    "maximum-likelihood-estimation",
    "fisher-information",
    "spectroscopy",
    "fourier-transform",
    "bayesian-inference",
    "prior-distribution"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}