Функция плотности вероятности Используя максимальное соглашение | |||
Кумулятивная функция распределения | |||
Обозначение | или же | ||
---|---|---|---|
Параметры | |||
Служба поддержки | |||
CDF | |||
Иметь в виду | |||
Медиана | |||
Режим | любое значение в | ||
Дисперсия | |||
Асимметрия | 0 | ||
Бывший. эксцесс | |||
Энтропия | |||
MGF | |||
CF |
В теории вероятностей и статистике , то непрерывное равномерное распределение или прямоугольное распределение представляет собой семейство симметричных распределений вероятностей . Распределение описывает эксперимент, в котором есть произвольный результат, находящийся в определенных пределах. [1] Границы определяются параметрами a и b , которые являются минимальным и максимальным значениями. Интервал может быть либо закрытым (например, [a, b]), либо открытым (например, (a, b)). [2] Поэтому распределение часто обозначают сокращенно U ( a ,б ), где U означает равномерное распределение. [1] Разница между границами определяет длину интервала; все интервалы одинаковой длины на опоре распределения равновероятны. Это максимальное распределение вероятностей энтропии для случайной величины X без каких-либо ограничений, кроме тех, которые содержатся в опоре распределения. [3]
Определения [ править ]
Функция плотности вероятности [ править ]
Функция плотности вероятности непрерывного равномерного распределения:
Значения f ( x ) на двух границах a и b обычно не важны, потому что они не изменяют значения интегралов f ( x ) dx на любом интервале, а также x f ( x ) dx или любой более высокий момент. Иногда их выбирают равными нулю, а иногда -1/б - а. Последнее уместно в контексте оценки методом максимального правдоподобия . В контексте анализа Фурье можно принять значение f ( a ) или f ( b ) как1/2 ( б - а ), с тех пор обратное преобразование многих интегральных преобразований этой равномерной функции вернет саму функцию, а не функцию, которая равна « почти всюду », то есть кроме набора точек с нулевой мерой . Кроме того, это согласуется со знаковой функцией, в которой нет такой двусмысленности.
Графически функция плотности вероятности изображается в виде прямоугольника, где - основание, а - высота. По мере увеличения расстояния между a и b плотность при любом конкретном значении в границах распределения уменьшается. [4] Поскольку функция плотности вероятности интегрируется до 1, высота функции плотности вероятности уменьшается с увеличением длины основания. [4]
В терминах среднего μ и дисперсии σ 2 плотность вероятности может быть записана как:
Пример 1. Использование функции равномерной плотности вероятности [5] [ править ]
Для случайной величины X
Найдите :
- .
В графическом представлении функции равномерного распределения [f (x) vs x] область под кривой в указанных границах отображает вероятность (заштрихованная область отображается в виде прямоугольника). В этом конкретном примере, приведенном выше, будет основание, а высота - . [5]
Пример 2. Использование функции равномерной плотности вероятности (условная) [5] [ править ]
Для случайной величины X
Найдите :
- .
Приведенный выше пример относится к случаю условной вероятности для равномерного распределения: задано верно, какова вероятность этого . Условная вероятность изменяет пространство выборки, поэтому необходимо рассчитать новую длину интервала , где b равно 23, а a равно 8. [5] Графическое представление все равно будет соответствовать примеру 1, где область под кривой в указанных границах отображает вероятность и основание прямоугольника будет и высотой . [5]
Кумулятивная функция распределения [ править ]
Кумулятивная функция распределения является:
Его обратное:
В обозначениях среднего и дисперсии кумулятивная функция распределения имеет вид:
и обратное:
Генерация функций [ править ]
Функция создания моментов [ править ]
Функция создания момента : [6]
- [7]
из которых мы можем вычислить исходные моменты m k
Для частного случая a = - b , т. Е. Для
функции, производящие момент, сводятся к простому виду
Для случайной величины ниже этого распределения, то ожидаемое значение затем т 1 = ( + б ) / 2 , а дисперсия является м 2 - м 1 2 = ( б - ) 2 /12.
Кумулянт-генерирующая функция [ править ]
Для п ≥ 2 , на п - й кумулянта распределения равномерной на интервале [-1/2, 1/2] является В п / п , где Б п является п - го числа Бернулли . [8]
Стандартная форма [ править ]
Ограничивая и , полученное распределение U (0,1) называется стандартным равномерным распределением .
Одно интересное свойство стандартного равномерного распределения состоит в том, что если u 1 имеет стандартное равномерное распределение, то также и 1- u 1 . Это свойство можно использовать , среди прочего, для генерации противоположных переменных . Другими словами, это свойство известно как метод инверсии, при котором непрерывное стандартное равномерное распределение может использоваться для генерации случайных чисел для любого другого непрерывного распределения. [4] Если u - равномерное случайное число со стандартным равномерным распределением (0,1), то генерирует случайное число x из любого непрерывного распределения с указаннымИнтегральная функция распределения F . [4]
Связь с другими функциями [ править ]
Пока те же соглашения соблюдаются в точках перехода, функция плотности вероятности также может быть выражена в терминах ступенчатой функции Хевисайда :
или в терминах функции прямоугольника
В точке перехода знаковой функции нет двусмысленности . Используя соглашение о половине максимума в точках перехода, равномерное распределение можно выразить через знаковую функцию как:
Свойства [ править ]
Моменты [ править ]
Среднее значение (первый момент ) распределения:
Второй момент раздачи:
В общем, n-й момент равномерного распределения равен:
Дисперсия (второй центральный момент ) составляет:
Статистика заказов [ править ]
Пусть X 1 , ..., X n - образец идентификатора из U (0,1). Пусть X ( k ) будет статистикой k- го порядка из этой выборки. Тогда распределение вероятностей X ( k ) является бета-распределением с параметрами k и n - k + 1 . Ожидаемое значение
Этот факт полезен при принятии Q-Q участков .
Расхождения
См. Также: Статистика заказов § Распределения вероятностей статистики заказов.
Единообразие [ править ]
Вероятность того, что равномерно распределенная случайная величина попадает в любой интервал фиксированной длины, не зависит от местоположения самого интервала (но зависит от размера интервала), пока интервал содержится в опоре распределения.
Чтобы убедиться в этом, если X ~ U ( a , b ) и [ x , x + d ] - подынтервал в [ a , b ] с фиксированным d > 0, то
- которое не зависит от x . Этот факт мотивирует название дистрибутива.
Обобщение на борелевские множества [ править ]
Это распределение можно обобщить на более сложные наборы, чем интервалы. Если S является борелевское множество положительной, конечной мерой, то равномерное распределение вероятностей на S может быть определено путем определения PDF равным нулю вне S и постоянно равна 1 / K на S , где K является мерой Лебега на S .
Связанные дистрибутивы [ править ]
- Если X имеет стандартное равномерное распределение, то по методу выборки с обратным преобразованием Y = - λ −1 ln (X) имеет экспоненциальное распределение с параметром (скоростью) λ.
- Если X имеет стандартное равномерное распределение, то Y = X n имеет бета-распределение с параметрами ( 1 / n, 1) . Как таковой,
- Стандартное равномерное распределение - это частный случай бета-распределения с параметрами ( 1,1) .
- Распределение Ирвина – Холла представляет собой сумму распределений n i.id U (0,1) .
- Сумма двух независимых, одинаково распределенных, равномерных распределений дает симметричное треугольное распределение .
- Расстояние между двумя однородными случайными величинами iid также имеет треугольное распределение , хотя и не симметричное.
Статистический вывод [ править ]
Оценка параметров [ править ]
Оценка максимума [ править ]
Несмещенная оценка с минимальной дисперсией [ править ]
Учитывая равномерное распределение на [0, Ь ] с неизвестным б, минимальной дисперсии несмещенной оценкой (UMVUE) для максимума задается
где m - максимум выборки, а k - размер выборки, выборка без замены (хотя это различие почти наверняка не имеет значения для непрерывного распределения). Это следует по тем же причинам, что и оценка дискретного распределения , и может рассматриваться как очень простой случай оценки максимального разнесения . Эта проблема широко известна как проблема немецких танков из-за применения максимальной оценки к оценке производства немецких танков во время Второй мировой войны .
Оценщик максимального правдоподобия [ править ]
Оценка максимального правдоподобия определяется по формуле:
где m - максимум выборки , также обозначаемый как статистика максимального порядка выборки.
Метод оценки момента [ править ]
Метод моментов оценки определяется по формуле:
где - выборочное среднее.
Оценка середины [ править ]
Середина распределения ( a + b ) / 2 является как средним, так и медианным значением равномерного распределения. Хотя и среднее значение выборки, и медиана выборки являются несмещенными оценками средней точки, ни одна из них не так эффективна, как средний диапазон выборки , то есть среднее арифметическое максимума выборки и минимум выборки, который является UMVU- оценкой средней точки ( также оценка максимального правдоподобия ).
Доверительный интервал [ править ]
По максимуму [ править ]
Пусть X 1 , X 2 , X 3 , ..., X n будет выборкой из U (0, L ), где L - максимум совокупности. Тогда X ( n ) = max ( X 1 , X 2 , X 3 , ..., X n ) имеет плотность [9]
Тогда доверительный интервал для расчетного максимума совокупности равен ( X ( n ) , X ( n ) / α 1 / n ), где 100 (1 - α )% - это искомый уровень достоверности. В символах
Проверка гипотез [ править ]
В статистике , когда p-значение используется в качестве тестовой статистики для простой нулевой гипотезы и распределение тестовой статистики является непрерывным, то p-значение равномерно распределяется между 0 и 1, если нулевая гипотеза верна.
Возникновение и применение [ править ]
Вероятности для функции равномерного распределения легко вычислить из-за простоты формы функции. [2] Таким образом, существуют различные приложения, для которых это распределение может использоваться, как показано ниже: ситуации проверки гипотез, случаи случайной выборки, финансы и т. Д. Кроме того, в целом эксперименты физического происхождения следуют равномерному распределению (например, выброс радиоактивных частиц ). [1] Однако важно отметить, что в любом приложении есть неизменное предположение, что вероятность попадания в интервал фиксированной длины постоянна. [2]
Пример экономики для равномерного распределения [ править ]
В области экономики обычно спрос и пополнение могут не соответствовать ожидаемому нормальному распределению. В результате для лучшего прогнозирования вероятностей и тенденций используются другие модели распределения, такие как процесс Бернулли . [10] Но, согласно Ванке (2008), в частном случае исследования времени выполнения заказа для управления запасами в начале жизненного цикла, когда анализируется совершенно новый продукт, равномерное распределение оказывается более полезным. [10]В этой ситуации другое распределение может оказаться нежизнеспособным, поскольку нет существующих данных о новом продукте или что история спроса недоступна, поэтому на самом деле нет подходящего или известного распределения. [10] Равномерное распределение было бы идеальным в этой ситуации, поскольку случайная переменная времени выполнения заказа (связанная со спросом) для нового продукта неизвестна, но результаты, вероятно, будут находиться в диапазоне между правдоподобным диапазоном двух значений. [10] свинцово-время , таким образом , представляет собой случайную величину. На основе модели равномерного распределения можно было рассчитать другие факторы, связанные со временем выполнения заказа, такие как уровень обслуживания цикла и дефицит за цикл.. Также было отмечено, что равномерное распределение также использовалось из-за простоты расчетов. [10]
Выборка из произвольного дистрибутива [ править ]
Равномерное распределение полезно для выборки из произвольных распределений. Общий метод - это метод выборки с обратным преобразованием, который использует кумулятивную функцию распределения (CDF) целевой случайной величины. Этот метод очень полезен в теоретической работе. Поскольку моделирование с использованием этого метода требует инвертирования CDF целевой переменной, были разработаны альтернативные методы для случаев, когда cdf неизвестен в закрытой форме. Одним из таких методов является отбраковочная выборка .
Нормальное распределение является важным примером , где обратное преобразование метод не является эффективным. Однако существует точный метод, преобразование Бокса – Мюллера , которое использует обратное преобразование для преобразования двух независимых однородных случайных величин в две независимые нормально распределенные случайные величины.
Ошибка квантования [ править ]
При аналого-цифровом преобразовании возникает ошибка квантования. Эта ошибка возникает из-за округления или усечения. Когда исходный сигнал намного больше, чем один младший значащий бит (LSB) , ошибка квантования существенно не коррелирует с сигналом и имеет приблизительно равномерное распределение. Следовательно, среднеквадратичная ошибка следует из дисперсии этого распределения.
Вычислительные методы [ править ]
Выборка из равномерного распределения [ править ]
Есть много приложений, в которых полезно проводить имитационные эксперименты. Многие языки программирования поставляются с реализациями для генерации псевдослучайных чисел, которые эффективно распределяются в соответствии со стандартным равномерным распределением.
Если u является значением, выбранным из стандартного равномерного распределения, тогда значение a + ( b - a ) u следует за равномерным распределением, параметризованным a и b , как описано выше.
История [ править ]
Хотя исторические истоки концепции равномерного распределения неубедительны, предполагается, что термин «равномерный» возник из концепции равновероятности в играх в кости (обратите внимание, что игры в кости будут иметь дискретное, а не непрерывное однородное пространство выборки). Равновероятность была упомянута в Liber de Ludo Aleae Джероламо Кардано , руководстве, написанном в 16 веке и подробно описывающем продвинутое исчисление вероятностей применительно к играм в кости. [11]
См. Также [ править ]
- Равномерное распределение (дискретное)
- Бета-распространение
- Преобразование Бокса – Мюллера
- График вероятности
- График QQ
- Прямоугольная функция
- Распределение Ирвина – Холла. В вырожденном случае, когда n = 1, распределение Ирвина – Холла дает равномерное распределение между 0 и 1.
- Распределение Бейтса - аналогично распределению Ирвина-Холла, но с измененным масштабом для n. Как и распределение Ирвина-Холла, в вырожденном случае, когда n = 1, распределение Бейтса порождает равномерное распределение между 0 и 1.
Ссылки [ править ]
- ^ a b c Деккинг, Мишель (2005). Современное введение в вероятность и статистику: понимание, почему и как . Лондон, Великобритания: Springer. стр. 60 -61. ISBN 978-1-85233-896-1.
- ^ a b c Уолпол, Рональд; и другие. (2012). Вероятность и статистика для инженеров и ученых . Бостон, США: Прентис Холл. С. 171–172. ISBN 978-0-321-62911-1.
- ^ Park, Sung Y .; Бера, Анил К. (2009). «Модель условной гетероскедастичности авторегрессии максимальной энтропии». Журнал эконометрики . 150 (2): 219–230. CiteSeerX 10.1.1.511.9750 . DOI : 10.1016 / j.jeconom.2008.12.014 .
- ^ a b c d «Равномерное распределение (непрерывное)» . MathWorks . 2019 . Проверено 22 ноября 2019 года .
- ^ a b c d e Ильловски, Барбара; и другие. (2013). Вводная статистика . Университет Райса, Хьюстон, Техас, США: Колледж OpenStax. стр. 296 -304. ISBN 978-1-938168-20-8.
- Перейти ↑ Casella & Berger 2001 , p. 626
- ^ https://www.stat.washington.edu/~nehemyl/files/UW_MATH-STAT395_moment-functions.pdf
- ^ https://galton.uchicago.edu/~wichura/Stat304/Handouts/L18.cumulants.pdf
- ^ Нечвал К.Н., Нечвал Н.А., Васерманис Е.К., Макеев В.Ю. (2002) Построение доверительных интервалов кратчайшей длины . Транспорт и связь 3 (1) 95-103
- ^ a b c d e Ванке, Питер (2008). «Равномерное распределение как первый практический подход к управлению запасами новой продукции» . Международный журнал экономики производства . 114 (2): 811–819. doi : 10.1016 / j.ijpe.2008.04.004 - через Research Gate.
- ^ Bellhouse, Дэвид (май 2005). «Расшифровка Liber de Ludo Кардано» . Historia Mathematica . 32 : 180–202. DOI : 10.1016 / j.hm.2004.04.001 .
Дальнейшее чтение [ править ]
- Казелла, Джордж; Роджер Л. Бергер (2001), Статистический вывод (2-е изд.), ISBN 978-0-534-24312-8, LCCN 2001025794
Внешние ссылки [ править ]
- Онлайн-калькулятор равномерного распределения (непрерывного)