高斯一吕卡定理-高斯 - 吕卡定理

高斯一吕卡定理（高斯 - 吕卡定理）在数学界是个挺绕口的怪名字，但实际上说白了就是讲“概率分布的尾部”这事儿。 那会儿听人讲高斯分布，总认定是个完美的钟形曲线，正态分布，对。但仔细一看，这曲线底下面积才是确实故事。高斯一吕卡定理实际上是说，只要给一个中心位置和标准差，你就把曲线拉到无穷远，把正半轴画成实数轴，哪怕它往左边的尾部一直延伸，把负半轴也塞进去，只要把“分布的尾部”加上，剩下的正半轴加起来，其和依然是 1。
这就怪了，概率加起来不应当等于 1 吗？原来不是，这 1 是聚拢在“最可能的”那个点的，而“最可能的”那个点本身并不是任何分布的极限。 你看，要是把标准差拉大到无穷大，曲线就变成了那种头顶上面积无限大、两边无限接近 0 的胖柱子。
这时候“最可能的”点跑去无穷远了，剩下的那局部面积自然就变成了 0。但这 0 又是多少呢？0 是个无穷小量，但这无穷小量能无限小下去吗？显然不能。
这就意味着，甭管如何拉长，总有一小块区域是挤在那儿不肯松手，哪怕那里的概率密度趋近于 0。
这就好比你在海滩上捡贝壳，沙滩越宽，你越好办捡到贝壳，但贝壳的总量固定，你不可能把捡到的数量越加越接近零。
这就叫“尾部大于 0"。 实际上刚刚那个无穷小量，在连续统概率论的语境下，对应的是黎曼测度在无穷远点上的积分，也就是关于勒贝格测度的积分。别看直观上它是个 0，但实际上它是个正数。
这就意味着，哪怕你把分布的尾部无限拉长，总有一局部概率质量是被“困”在那里的，要么说，一直存有一个正概率的区域位于分布的“最可能”点之后。 那这个“最可能”的点到底指啥？要是标准差是固定的，这个点就是均值；要是标准差是随工夫变化的，那这个点就是随机变量 X 的极限分布。
要是 X 本身就是一个随机变量，比如我们随机选一个时刻，这个“最可能”的点实际上就是 X 的分布。 举个例子。设 X 是一个随机变量，它的分布是 N(0, 1)。
这时候均值是 0，标准差是 1。根据高斯一吕卡定理的推论，当你把曲线拉得充足长，把负半轴全体包含进去，正半轴的面积别看趋近于 0，但这个趋近于 0 的速度是线性的，要么说有一个正的底限。 这听起来有点抽象，不如看个具体的例子。假设你有一个随机变量 X，服从正态分布 N(μ, σ²)。
那么对于任意实数 t，都有 P(X ≤ t) 这个累积概率。根据中心极限定理要么一些更基础的不等式，P(X ≤ t) 会随着 t 的增大而增大，但增长得不是超线性的。
也就是说，就算你把 t 拉到无穷大，P(X ≤ t) 这个值一辈子大于 0。 这就有点反直觉了。直观上，长尾分布的尾部面积挺薄，应当简直全是 0。但数学上证明白一个事实：对于任何固定的分布，只要标准差不为 1，要么说分布充足“胖”，在无穷远处都有一个正的概率密度值，要么更准地说，在黎曼测度下，尾部积分不为 0。
要是标准差是 1，即 N(μ, 1)，那么尾部积分是一个正数。
要是标准差大于 1，比如 N(μ, 4)，那么尾部积分反而会更大。 我们能够算一下具体的数值。假设我们有一个分布，标准差 σ = 2。
那么根据高斯一吕卡定理，当我们将分布的尾部拉至无穷远时，正半轴的面积之和会趋近于某个特定的正数。
这个数是多少呢？要是标准差是 1，这个数就是正无穷小量 ε。
要是标准差是 2，这个数就是 4ε。
要是标准差是 100，这个数就是 10000ε。
你看，标准差越大，这个“尾巴”拥有“正概率”的余地就越大。 这就解释了为啥有时候说长尾分布的尾部挺薄，有时候说它挺厚。薄厚是相对的，取决于你拉长的程度。但甭管如何，只要标准差不是无穷大，总有一个正的概率质量是“赖着”在那里的，不好办被抹去。
这也是为啥在数据分析里，长尾分布常被用来解释那些“异常值”要么“极端事件”存有的理由——出于尾部面积别看小，但要是不是无穷小量，它依然意味着有形成的可能性，并且这个可能性随着分布的变胖而变大。 再换个角度想，这跟贝塔分布有点像。贝塔分布是说，两个变量 X 和 Y 的比值 X/Y 服从贝塔分布。
这时候的“最可能”点是指 X/Y 最接近 1 的那个值。根据高斯一吕卡定理，别看 X/Y 会趋近于 1，但 X/Y 一辈子不等于 1。
也就是说，别看 X 和 Y 的值能够无限接近，但一辈子不会彻底相等，要么说，在累加的时候，总有一点点概率是“不”相等的。 这似乎跟高斯分布没直接关系，但高斯分布是贝塔分布的极限特例。在高斯分布里，均值和方差都固定。而在贝塔分布里，当我们把参数 p 和 1-p 加起来固定，要么让均值变化时，这个“最可能”的点会移动。
要是把贝塔分布的分布尾部拉得挺长，你会发现，别看尾部挺薄，但依然有一个正的概率密度值。 举个具体的数据例子。假设我们有一个随机变量 Z，它服从标准正态分布 N(0, 1)。我们在直方图上画它的尾部。
一般情况下，直方图会让那一边的高度变得极低，就连肉眼简直看不见。但数学上能够证明，这个高度是正数，比如 0.000004 要么 0.00000001。 假设我们想要计算 P(Z > 6)。根据标准正态分布表，这个值大约是 0.000023。
这看起来贼小，像 10 的负 7 次方。但在高斯一吕卡定理的视角下，这个 0.000023 并不是 0，并且随着 6 的增大，这个数字别看变小，但它是线性衰减的（对于标准正态来说，尾部是指数衰减，但对于黎曼测度下的长尾行为，它有一个正的底限）。 要是我们将标准差扩大 10 倍，变成 N(0, 10)。
那么 Z 的值不再局限于 [-10, 10] 之间。当我们计算 P(Z > 60) 时，根据线性关系，这个概率会变得更大。
要是我们将分布拉得更长，这个“尾巴拥有正概率”的机制就变得越来越明显。就连能够说，只要分布不是退化为一个点，总有一点点概率是“说不把尾巴算进去”要么“说尾巴还有正面积”的。 这也反映了概率论中一个深刻的矛盾：我们在做数学推导时，往往把极限处理得挺完美，把无穷大当作了 0 要么无穷小。但在应用层面，特别是涉及到长尾分布时，我们务必承认那个非零的无穷小量。
要是不承认它，那么所有的长尾分布都会被强行解释为“概率为 0"，那样的话，就算出现极端值，我们也只能说是“极小概率事件”要么“不可能事件”，这就丧失了对长尾现象的解释力。 高斯一吕卡定理的真正价值，或许不在于它证明白啥具体的公式，而在于它提醒我们：概率分布的“尾部”压根儿不是一个能够随意丢弃的数学技巧，它是一个具有正概率质量的、物理存有的区域。当我们要处理长尾数据时，不要试图用正态近似去抹杀尾部，出于在那片区域里，正概率是实实在在的，它可能挺小，但绝不是 0。
这就是为啥在金融风控、信用评分要么极值理论这些领域，即便是极细小的尾部风险，也需求被认真看待的缘由。尾部虽小，但它是存有的，并且它是随着分布参数的变化而变化的，不是死板的数字。 故此，当我们站在高斯一吕卡定理的视角下看，高斯分布不再是那个完美的钟形，而是一个动态的、具有正尾部积分特征的实体。它的尾部之故此显得“轻”，是出于标准差拉得挺开，让那个正概率密度值变得微乎其微。但只要标准差不为无穷大，这个正概率密度值就一辈子大于 0。
这就解释了为啥长尾分布中，那些看似不可能的极端案例，在数学上是“可能”形成的，只是形成的概率密度低到简直能够察觉不到了。 这或许就是高斯一吕卡定理在单纯概率论里的最温暖、也最硬核的注脚：概率的故事，压根儿不在最可能的点，而在最可能的点之后，那个不肯松手的、正数的小尾巴里。