Otázka:
Proč je Cauchy Distribution tak užitečná?
Maria Lavrovskaya
2019-07-07 01:21:34 UTC
view on stackexchange narkive permalink

Mohl by mi někdo dát nějaké praktické příklady Cauchyho distribuce?Proč je tak populární?

Napadám premisu - je ve skutečnosti populární jako praktický model \ *?(Pokud ano, jak to víte, kromě toho, že už vidíte praktické příklady?) ... $ \: $ \ * [V příkladech učebnic je široce používán kvůli své jednoduchosti a jako protiklad k různým věcem, ale pochybuji o těchpovažovat za praktické.Někdy se používá jako předchozí, ale není to jako datový model.]
Z mého oboru jsem viděl několik praktických příkladů, konkrétně pro algoritmus MCMC.Proto jsem byl zvědavý, jestli to může být použito pro finance nebo ML
Když řeknete „pro MCMC algoritmus“, máte na mysli „jako Bayesiánský prior“ nebo „jako model pro data v Bayesiánském rámci“ nebo něco jiného?
Pro výpočet hierarchického předchozího a předchozího odkazu.
Jeho [použití jako předchůdce] (https://stats.stackexchange.com/search?q=cauchy+prior) je způsobeno vlastnostmi distribuce (obecně je cílem poskytnout nějaký slabě informativní předchůdce);ze znění otázky by mě nenapadlo, že chcete zahrnout i předáky.Zde je poněkud související otázka: [Jaké jsou vlastnosti poloviční Cauchyho distribuce?] (Https://stats.stackexchange.com/questions/237847/what-are-the-properties-of-a-half-cauchy-rozdělení)
Viz https://stats.stackexchange.com/a/36037/919 pro osvětlovací popis Cauchyho distribuce.
Dva odpovědi:
Matthew Anderson
2019-07-07 01:46:28 UTC
view on stackexchange narkive permalink

Standardní Cauchyovo rozdělení je odvozeno z poměru dvou nezávislých normálních rozdělení. Pokud $ X \ sim N (0,1) $ a $ Y \ sim N (0,1) $ , pak $ \ tfrac {X} {Y} \ sim \ operatorname {Cauchy} (0,1) $ .

Cauchyovo rozdělení je důležité ve fyzice (kde je známé jako Lorentzovo rozdělení), protože je řešením diferenciální rovnice popisující nucenou rezonanci. Ve spektroskopii jde o popis tvaru spektrálních čar, které podléhají homogennímu rozšíření, při kterém všechny atomy interagují stejným způsobem s frekvenčním rozsahem obsaženým ve tvaru čáry.

Aplikace:

  • Používá se v mechanické a elektrické teorii, fyzikální antropologii a problémy s měřením a kalibrací.

  • Ve fyzice se jí říká Lorentzianova distribuce, kde je distribuce energie nestabilního stavu v kvantové mechanice.

  • Používá se také k modelování bodů nárazu pevné přímky částice emitované z bodového zdroje.

Zdroj.

Děkuji.První věta je docela užitečná.Jsem docela daleko od fyziky, mohl byste uvést nějaké příklady uvažující o financích nebo strojovém učení?
Ve skutečnosti se nepoužívá ve financích nebo strojovém učení (prakticky);používá se ve fyzice (99,9% času).Předpokládám, že pokud by někdo chtěl modelovat poměr mezi dvěma nezávislými, normálně distribuovanými proměnnými ve financích, použil by Cauchyovo rozdělení.
Důvod, proč by to mohlo být užitečné ve financích, je to, že má extrémně těžké ocasy.Nemá žádné okamžiky, takže nemá smysl říkat, že má vysokou špičatost, ale je náchylná k extrémním pozorováním, jak vysokým, tak nízkým.
Používá se _ ve strojovém učení, zejména jako předchozí distribuce v Bayesianově inference.Zejména poloviční Cauchy se používá jako priorita pro určité proměnné měřítka.
@Wayne Mohl byste prosím uvést příklad, možná odkaz?
@Dave https: // stats.stackexchange.com / questions / 237847 / what-are-the-properties-of-a-half-cauchy-distribution
Děkuji.Hodně to pomohlo.Chybí mi však příklad, který ukáže jeho aplikaci spíše matematické notace.Dostávám celý bod hierarchických priorit v bayesiánské inference, ale nejsem si jistý, jestli chápu, proč se v tomto případě hodí Cauchyovo rozdělení.
„poměr dvou nezávislých normálních rozdělení“ není úplně v pořádku.To by mělo říkat „poměr dvou nezávislých normálně distribuovaných náhodných proměnných.“
Další místo, které se ukazuje (v přestrojení): t-rozdělení s 1 stupněm volnosti je Cauchyovo rozdělení.
Ben
2019-07-08 06:07:17 UTC
view on stackexchange narkive permalink

Kromě užitečnosti ve fyzice se Cauchyho distribuce běžně používá v modelech ve financích, aby reprezentovala odchylky ve výnosech z prediktivního modelu. Důvodem je to, že odborníci v oblasti financí se obávají používání modelů, které mají na svých výnosech lehké ocasní rozdělení (např. Normální rozdělení), a obecně dávají přednost opačnému směru a používají rozdělení s velmi těžkými ocasy (např. , Cauchy). Historie financí je poseta katastrofickými předpovědi založenými na modelech, které ve svých distribucích neměly dostatečně těžké ocasy. Cauchyovo rozdělení má dostatečně těžké ocasy, že jeho momenty neexistují, a proto je ideálním kandidátem na zadání chybového výrazu s extrémně těžkými ocasy.

Všimněte si, že tento problém omylu ve finančních modelech byl jedním z hlavních obsahů populární kritiky Taleb (2007). V této knize Taleb poukazuje na případy, kdy finanční modely používaly normální rozdělení chybových výrazů, a poznamenává, že to podceňuje skutečnou pravděpodobnost extrémních událostí, které jsou zvláště důležité ve financích. (Podle mého názoru tato kniha dává přehnanou kritiku, protože modely využívající odchylky od ohraničení jsou ve financích ve skutečnosti zcela běžné. V každém případě popularita této knihy ukazuje důležitost problému.)

Děkuji, velmi si vážím vaší odpovědi, protože jsem s knihou obeznámen.Mimochodem, nejsem si jistý, jestli správně rozumím této části vaší věty „chybně tučnost ocasů“.Vadilo by vám být s tím přesnější?
https://en.wikipedia.org/wiki/Fat-tailed_distribution#Fat_tails_and_risk_estimate_distortions
V tomto druhu obecné diskuse nemáme na mysli konkrétní vlastnost ocasu, takže přesnost při specifikaci významu „tučnosti“ nebo „tíhy“ ocasů snižuje obecnost.Stojí za to přezkoumat některé charakteristiky [distribucí s fatálními ocasy] (https://en.wikipedia.org/wiki/Fat-tailed_distribution#Fat_tails_and_risk_estimate_distortions) a [distribucí s těžkými ocasy] (https://en.wikipedia.org/wiki / Heavy-tailed_distribution), abyste viděli druh vlastností, které mám na mysli.
Mohl byste vysvětlit, co znamená přesnost v obyčejné angličtině?Myslím, že chápu, že je to inverzní varianta, ale snažím se pochopit, proč, když mluvíme o předních, dostaneme n0 ve jmenovateli - předchozí velikost vzorku.
Aniž byste viděli kontext toho, o čem mluvíte, není jasné, co požadujete.Mohu navrhnout, abyste tuto otázku položili jako novou otázku na tomto webu se všemi souvisejícími souvislostmi.


Tyto otázky a odpovědi byly automaticky přeloženy z anglického jazyka.Původní obsah je k dispozici na webu stackexchange, za který děkujeme za licenci cc by-sa 4.0, pod kterou je distribuován.
Loading...