Origen de la Distribución

La distribución de Cauchy, nombrada en honor al matemático francés Augustin-Louis Cauchy, surge en el siglo XIX durante sus estudios sobre funciones complejas y análisis matemático. Fue introducida como una distribución continua con colas pesadas, derivada del cociente de dos variables aleatorias normales independientes (\(X/Y\), donde \(X, Y \sim N(0,1)\)). También conocida como distribución de Lorentz en física o Breit-Wigner en el contexto de resonancias, su importancia radica en su comportamiento anómalo: no tiene media ni varianza definidas debido a sus colas pesadas, lo que la distingue de distribuciones más comunes como la normal. Este carácter la hace un ejemplo clave en teoría de probabilidad para estudiar fenómenos con dispersión extrema.

Características Principales

• La distribución de Cauchy se caracteriza por dos parámetros:

  • \(x_0\): la ubicación (mediana) de la distribución.
  • \(\gamma\): El parámetro de escala, que controla la anchura de la distribución.

• Función de densidad (\(f(x)\)):
  \(f(x; x_0, \gamma) = \frac{1}{\pi \gamma \left( 1 + \left( \frac{x - x_0}{\gamma} \right)^2 \right)}, \quad -\infty < x < \infty\)

• Función acumulada (\(F(x)\)):
  \(F(x; x_0, \gamma) = \frac{1}{2} + \frac{1}{\pi} \arctan\left(\frac{x - x_0}{\gamma}\right), \quad -\infty < x < \infty\)

• Valor esperado:

  • \(E[X]\): No existe (indefinido).
    
  • \(V[X]\): No existe (indefinido).

• Representación gráfica:
  Densidad de una Cauchy con \(x_0 = 0\), \(\gamma = 1\).

Figure 1: Densidad de la distribución de Cauchy

Ejemplo

Enunciado: Supongamos que medimos el error en la posición de un objeto en una línea recta (en metros), y este error sigue una distribución de Cauchy con centro en 0 (\(x_0 = 0\)) y escala \(\gamma = 2\). Queremos saber:
1. ¿Cuál es la probabilidad de que el error esté entre -3 y 3 metros?
2. ¿Cómo se compara esto con un error mayor a 10 metros?

Solución:
- Probabilidad entre -3 y 3 metros
\(P(-3 < X < 3) = F(3) - F(-3)\)
- \(F(3) = \frac{1}{\pi} \arctan\left(\frac{3}{2}\right) + \frac{1}{2} \approx 0.6476\)
- \(F(-3) = \frac{1}{\pi} \arctan\left(\frac{-3}{2}\right) + \frac{1}{2} \approx 0.3524\)
- \(P(-3 < X < 3) = 0.6476 - 0.3524 = 0.2952\).

• Probabilidad mayor a 10 metros
  \(P(X > 10) = 1 - F(10)\)
  • \(F(10) = \frac{1}{2} + \frac{1}{\pi} \arctan\left(\frac{10}{2}\right) = \frac{1}{\pi} \arctan(5) + 0.5 \approx 0.9372\)
    
  • \(P(X > 10) = 1 - 0.9372 = 0.0628\).

Resultado: Hay un 0.2952 de probabilidad de que el error esté entre -3 y 3 metros, pero un 0.0628 de que supere los 10 metros, mostrando cómo las colas pesadas permiten valores extremos más probables que en una distribución normal.

Sintaxis en R:

x <- seq(-15, 15, 0.1)
densidad <- dcauchy(x, location = 0, scale = 2)
plot(x, densidad, type = "l", col = "blue", ylab = "Densidad", xlab = "Error (m)")
abline(v = c(-3, 3), col = "red", lty = 2)  # Intervalo -3 a 3
prob1 <- pcauchy(3, 0, 2) - pcauchy(-3, 0, 2)  # 0.2952
prob2 <- 1 - pcauchy(10, 0, 2)  # 0.0628

Aplicaciones

• Ingeniería: Se usa para modelar resonancias en sistemas físicos, como en circuitos eléctricos o mecánica de fluidos. Por ejemplo, en el diseño de filtros resonantes, la Cauchy describe la amplitud de señales cerca de frecuencias críticas, donde los valores extremos son comunes debido a la inestabilidad del sistema.
  
• Ciencias: En física de partículas, la distribución de Cauchy (o Breit-Wigner) modela la dispersión de energía en resonancias de partículas inestables, como en colisionadores. También es útil en astronomía para analizar datos con outliers, como errores en mediciones estelares.
  
• Economía: Aplica al estudio de rendimientos financieros con alta volatilidad. Por ejemplo, en mercados bursátiles, las colas pesadas de la Cauchy capturan caídas o alzas extremas (eventos tipo “cisne negro”), que la normal subestima.
  
• Salud: Modela tiempos de respuesta biológicos con gran variabilidad, como el tiempo de reacción a un medicamento en pacientes con respuestas anómalas, donde algunos casos se desvían significativamente del promedio.

Su capacidad para representar eventos extremos la hace esencial en campos con incertidumbre alta.

Relaciones entre Distribuciones

La distribución de Cauchy está relacionada con otras distribuciones de forma sencilla:
- Como la \(t\) de Student: Es una \(t\) especial con 1 grado de libertad, con colas más grandes que la normal.
- Desde la normal: Si divides dos números normales (ej. alturas de personas), obtienes una Cauchy, lo que explica sus colas pesadas.
- Con la uniforme: Un número aleatorio entre 0 y 1, transformado con una fórmula (tangente), se convierte en Cauchy.

x1 <- rnorm(1000)  # 1000 números normales
x2 <- rnorm(1000)  # Otros 1000 normales
resultado <- x1 / x2  # Los divides
hist(resultado, breaks = 50, xlim = c(-10, 10), probability = TRUE, 
     main = "", xlab = "Valor", ylab = "Densidad")  # Histograma  

Sus colas pesadas la hacen única frente a distribuciones como la normal, siendo ideal para eventos extremos.

Referencias Bibliográficas

• Casella, G., & Berger, R. L. (2002). Statistical Inference.
  
• Leemis, L. M., & McQueston, J. T. (2008). “Univariate Distribution Relationships.” The American Statistician, 62(1), 45-53.
  
• Documentación de R: dcauchy, pcauchy (R Core Team 2025).

```