PLAYGROUND

Distribución Levy

De un fenómeno a un modelo

La familia está vinculada a Paul Lévy y a sus trabajos sobre leyes estables y procesos aleatorios. También aparece como la ley de primer paso de un movimiento browniano sin deriva positiva.

Lo que conviene mirar

Su soporte comienza justo por encima de mu y continúa sin límite. c controla la escala de la cola y mu el umbral; la media y la varianza no existen en la forma clásica.

Relaciones útiles

Es un caso de la stable family y puede verse como una transformación de una normal mediante su cuadrado recíproco. Se diferencia de Inverse Gaussian porque el tiempo de llegada corresponde al caso estable sin deriva.

Nombres que también encontrarás

También se conoce como Lévy distribution o distribución estable positiva de índice 1/2.

Cuándo tiene sentido

Puede servir para modelar duraciones extremas en procesos de difusión o tamaños de saltos. En una muestra corta, el histograma suele esconder la inestabilidad de sus cuantiles superiores.

Qué no debe suponerse

No usar la media muestral como resumen principal ni comparar ajustes solo por la cola visible: la incertidumbre de cuantiles altos es estructural.

Una ley estable nacida de un primer encuentro

El tiempo que tarda un movimiento browniano sin deriva en alcanzar por primera vez un nivel positivo sigue una distribución Lévy. La misma familia es una ley estable con índice un medio y asimetría total hacia la derecha. Sumar variables Lévy independientes, después del reescalamiento apropiado, mantiene la familia.

Su cola es extraordinariamente pesada: ni la media ni la varianza existen. Esta propiedad no es una limitación numérica y ningún aumento de muestra la corrige dentro del modelo. Las observaciones muy grandes son parte de la ley, no anomalías automáticas. En aplicaciones de transporte y primeros pasos, la historia física justifica esa cola; en un conjunto positivo cualquiera, Lévy puede extrapolar mucho más agresivamente que Lognormal, Gamma o Weibull.

Guía de elección

Buena candidata cuando: un mecanismo de primer paso o estabilidad produce una variable positiva con cola extremadamente pesada y sin media finita.

Compárala con: Inverse Gaussian y Generalized Pareto. Si el análisis necesita promedios estables, Lévy es conceptualmente incompatible aunque ajuste algunos cuantiles.

Referencias

Distribución Levy: ecuaciones y calculadora

Definición de distribución

XLevy(μ,c)X\sim\mathrm{Levy}\left(\mu,c\right)

Dominio de distribución

x[μ,)x\in [\mu,\infty)

Dominio y restricciones de parámetros

μR,cR+\mu\in\mathbb{R},c\in\mathbb{R}^{+}

Función de distribución acumulada

FX(x)=1erf(c2(xμ))F_{X}\left(x\right)=1-\textrm{erf}\left(\sqrt{\frac{c}{2(x-\mu)}}\right)

Función de densidad de probabilidad

fX(x)=c2π  ec2(xμ)(xμ)3/2f_{X}\left(x\right)=\sqrt{\frac{c}{2\pi}}~~\frac{e^{-\frac{c}{2(x-\mu)}}}{(x-\mu)^{3/2}}

Función de punto percentil

FX1(u)=μ+c2(erf1(1u))2F^{-1}_{X}\left(u\right)=\mu+\frac{c}{2\left(\textrm{erf}^{-1}(1-u)\right)^2}

Momentos paramétricos no centrados

μk=E[Xk]=μxkfX(x)dx\mu'_{k}=E[X^k]=\int_{\mu }^{\infty }x^{k}f_{X}\left(x\right)dx

Media paramétrica

Mean(X)=μ1=\mathrm{Mean}(X)=\mu'_{1}=\infty

Varianza paramétrica

Variance(X)=μ2μ12=\mathrm{Variance}(X)=\mu'_{2}-\mu'^{2}_{1}=\infty

Coeficiente de asimetría paramétrico

Skewness(X)=μ33μ2μ1+2μ13(μ2μ12)1.5=undefined\mathrm{Skewness}(X)=\frac{\mu'_{3}-3\mu'_{2}\mu'_{1}+2\mu'^{3}_{1}}{(\mu'_{2}-\mu'^{2}_{1})^{1.5}}=\text{undefined}

Curtosis paramétrica

Kurtosis(X)=μ44μ1μ3+6μ12μ23μ14(μ2μ12)2=undefined\mathrm{Kurtosis}(X)=\frac{\mu'_{4}-4\mu'_{1}\mu'_{3}+6\mu'^{2}_{1}\mu'_{2}-3\mu'^{4}_{1}}{(\mu'_{2}-\mu'^{2}_{1})^{2}}=\text{undefined}

Mediana paramétrica

Median(X)=μ+c2(erf1(1/2))2\mathrm{Median}(X)=\mu+\frac{c}{2(\textrm{erf}^{-1}(1/2))^2}

Moda paramétrica

Mode(X)=μ+c3\mathrm{Mode}(X)=\mu+\frac{c}{3}

Información y definiciones adicionales

μ:Location parameter\mu:\text{Location parameter}
c:Scale parameterc:\text{Scale parameter}
u:Uniform[0,1] random varibleu:\text{Uniform[0,1] random varible}
erf(x):Error function\mathrm{erf}(x):\text{Error function}
erf1(x):Inverse of error function\mathrm{erf}^{-1}(x):\text{Inverse of error function}