Folyamatos egyenletes elosztás - Continuous uniform distribution
Valószínűségi sűrűség függvény
A maximális konvenciót használva | |||
Kumulatív eloszlásfüggvény
| |||
Jelölés | |||
---|---|---|---|
Paraméterek | |||
Támogatás | |||
CDF | |||
Átlagos | |||
Középső | |||
Mód | bármilyen érték | ||
Variancia | |||
Ferdeség | 0 | ||
Volt. kurtosis | |||
Entrópia | |||
MGF | |||
CF |
A valószínűségelméletben és a statisztikákban a folyamatos egyenletes eloszlás vagy téglalap alakú eloszlás a szimmetrikus valószínűségi eloszlások családja . Az eloszlás egy olyan kísérletet ír le, amelyben tetszőleges eredmény van, amely bizonyos határok között helyezkedik el. A határokat az a és b paraméterek határozzák meg , amelyek a minimális és maximális értékek. Az intervallum lehet zárt (pl. [A, b]) vagy nyitott (pl. (A, b)). Ezért az eloszlást gyakran rövidítik U ( a , b ), ahol az U egyenletes eloszlást jelent. A határok közötti különbség határozza meg az intervallum hosszát; minden azonos hosszúságú intervallum az elosztás alátámasztásán ugyanolyan valószínű. Ez az X véletlen változó legnagyobb entrópiás valószínűségi eloszlása , amely nem korlátozódik más módon, mint az, hogy az eloszlás támogatása tartalmazza.
Definíciók
Valószínűségi sűrűség függvény
A folytonos egyenletes eloszlás valószínűségi sűrűségfüggvénye :
Az f ( x ) értékei az a és b két határon általában nem fontosak, mert nem változtatják meg f ( x ) dx integráljainak értékeit semmilyen intervallumon belül, sem x f ( x ) dx vagy bármely magasabb pillanatban. Néha úgy döntenek, hogy nulla, és néha úgy vannak 1/b - a. Ez utóbbi a maximális valószínűség módszerével történő becslés összefüggésében megfelelő . Az összefüggésben Fourier-analízis , az egyik lehet az értéke a F ( a ) vagy F ( b ), hogy1/2 ( b - a ), azóta ennek az egységes függvénynek a sok integrált transzformációjának fordított transzformációja magát a függvényt fogja visszaadni, nem pedig a " szinte mindenhol " egyenlő függvényt , azaz egy nulla mértékű ponthalmaz kivételével . Ezenkívül összhangban van a jel funkcióval is, amelynek nincs ilyen kétértelműsége.
Grafikailag a valószínűségi sűrűség függvényt téglalapként ábrázoljuk, ahol az alap és a magasság. Az a és b közötti távolság növekedésével a sűrűség az eloszlási határokon belül bármely adott értéken csökken. Mivel a valószínűségi sűrűség függvény 1 -be integrálódik, a valószínűségi sűrűség függvény magassága az alaphossz növekedésével csökken.
Az átlagos μ -t és a σ 2 varianciát tekintve a valószínűségi sűrűség a következőképpen írható fel:
Kumulatív eloszlásfüggvény
A kumulatív eloszlás függvény :
Fordítottja a következő:
Az átlag és variancia jelölésben a kumulatív eloszlásfüggvény:
és fordítva:
Példa 1. Az Egységes kumulatív elosztási függvény használata
Az X véletlen változóra
Keresse :
- .
Az egyenletes eloszlásfüggvény grafikus ábrázolásában [f (x) vs x] a görbe alatti terület a megadott határokon belül megjeleníti a valószínűséget (az árnyékos terület téglalapként van ábrázolva). A fenti konkrét példa esetében az alap és a magasság lenne .
2. példa Az egységes kumulatív elosztási függvény használata (feltételes)
Az X véletlen változóra
Keresse :
- .
A fenti példa az egyenletes eloszlás feltételes valószínűségi esetére vonatkozik: adott igaz, mekkora annak valószínűsége . A feltételes valószínűség megváltoztatja a mintaterületet, ezért új intervallumhosszat kell kiszámítani, ahol b 23, a pedig 8. A grafikus ábrázolás továbbra is az 1. példát követné, ahol a görbe alatti terület a megadott határokon belül megjeleníti a valószínűséget és a bázist a téglalap és a magasság .
Funkciók generálása
Pillanatképző funkció
A pillanatgeneráló funkció a következő:
amelyből kiszámíthatjuk a nyers momentumokat m k
Abban a különleges esetben egy = - b , azaz a
a pillanatgeneráló függvények egyszerű formára redukálódnak
Az ezt az eloszlást követő véletlen változó esetén a várható érték ekkor m 1 = ( a + b ) /2, a szórás pedig m 2 - m 1 2 = ( b - a ) 2 /12.
Cumulant generáló funkció
Az n ≥ 2 , a n- edik kumuláns az egyenletes eloszlás intervallumon [-1/2, 1/2] jelentése B n / n , ahol B n jelentése a N edik Bernoulli számát .
Szabványos egyenruha
Korlátozó és a kapott U (0,1) eloszlást szabványos egyenletes eloszlásnak nevezzük .
A standard egyenletes eloszlás egyik érdekes tulajdonsága, hogy ha u 1- nek szabványos egyenletes eloszlása van, akkor az 1- u 1-nek is . Ez a tulajdonság többek között antitetikus variánsok előállítására is használható . Más szóval, ezt a tulajdonságot inverziós módszerként ismerik, ahol a folyamatos szabványos egyenletes eloszlás használható véletlen számok generálására bármely más folyamatos eloszláshoz. Ha u egy egyenletes véletlen szám standard egyenletes eloszlással (0,1), akkor egy x véletlen számot generál minden folyamatos eloszlásból a meghatározott F halmozott eloszlásfüggvénnyel .
Kapcsolat más funkciókkal
Amíg ugyanazokat a konvenciókat követik az átmeneti pontokon, a valószínűségi sűrűség függvénye kifejezhető a Heaviside lépésfüggvényben is :
vagy a téglalap függvény szempontjából
Nincs kétértelműség az átmeneti ponton a jel funkció . Az átmeneti pontokon a félmaximális konvenciót alkalmazva az egyenletes eloszlás az előjel függvényében a következőképpen fejezhető ki:
Tulajdonságok
Pillanatok
Az eloszlás átlaga (első pillanata ):
Az elosztás második mozzanata:
Általában az egyenletes eloszlás n -edik pillanata:
A szórás (második központi momentum ):
Rendelési statisztika
Legyen X 1 , ..., X n egy iid minta az U (0,1) -ből . Legyen X ( k ) a k -edrendű statisztika ebből a mintából. Ekkor X ( k ) valószínűségi eloszlása egy béta -eloszlás , k és n - k + 1 paraméterekkel . A várható érték az
Ez a tény hasznos a Q – Q ábrák készítésekor .
Az eltérések az
Lásd még: Rendelési statisztika § A rendelési statisztika valószínűségi eloszlása
Egységesség
Annak a valószínűsége, hogy egy egyenletes eloszlású véletlen változó a rögzített hosszúságú intervallumok bármelyikébe esik, független az intervallum helyétől (de függ az intervallum méretétől), mindaddig, amíg az intervallumot az eloszlás támogatása tartalmazza.
Ennek megtekintéséhez, ha X ~ U ( a , b ) és [ x , x + d ] az [ a , b ] részintervalluma , fix d > 0 -val , akkor
- amely független x -től . Ez a tény motiválja a terjesztés nevét.
Általánosítás a Borel halmazokra
Ez az eloszlás bonyolultabb halmazokra általánosítható, mint az intervallumok. Ha S jelentése egy Borel sor pozitív, véges mérték, egyenletes valószínűségi eloszlás S megadható meghatározásával PDF nullának kívül S és folyamatosan egyenlő 1 / K a S , ahol K jelentése a Lebesgue intézkedés az S .
Kapcsolódó disztribúciók
- Ha X szabványos egyenletes eloszlású, akkor az inverz transzformációs mintavételi módszerrel Y = - λ −1 ln (X) exponenciális eloszlással rendelkezik (λ) (sebesség) paraméterrel.
- Ha X egy szabványos egyenletes eloszlású, akkor Y = X n van egy beta eloszlású paraméterekkel ( 1 / n, 1) . Mint olyan,
- A szabványos egyenletes eloszlás egy speciális esete a béta eloszlás paraméterekkel ( 1,1) .
- Az Irwin – Hall eloszlás az n i.id U (0,1) eloszlás összege .
- Két független, egyenlő eloszlású, egyenletes eloszlás összege szimmetrikus háromszög eloszlást eredményez .
- A távolság két azonos eloszlású egyenletes eloszlású véletlen változók is van egy háromszög alakú elosztó , bár nem szimmetrikus.
Statisztikai következtetés
A paraméterek becslése
A maximum becslése
Minimális szórású elfogulatlan becslő
Ha a [0, b ] egyenletes eloszlása ismeretlen , a b minimális variancia elfogulatlan becslője (UMVUE) a
ahol m a minta maximum és k a minta mérete , mintavétel helyettesítés nélkül (bár ez a megkülönböztetés szinte biztosan nem tesz különbséget a folyamatos eloszlás esetén). Ez ugyanazon okokból következik, mint a diszkrét eloszlás becslése , és a maximális távolság becslésének nagyon egyszerű esetének tekinthető . Ez a probléma általánosan német tartályprobléma néven ismert, mivel a második világháború alatti német tankgyártás becsléseihez maximális becslést alkalmaznak .
Maximális valószínűségbecslő
A maximális valószínűségbecslőt a következők adják meg:
ahol m a minta maximum , a minta maximális rendelési statisztikájaként is jelölve .
Nyomatékbecslő módszer
A pillanatbecslő módszerét a következőképpen adjuk meg:
hol van a minta átlaga.
A középpont becslése
Az eloszlás felezőpontja ( a + b ) / 2 az egyenletes eloszlás átlaga és mediánja is. Bár mind a minta átlaga, mind a minta mediánja elfogulatlan becslése a középpontnak, egyik sem olyan hatékony, mint a minta középtartománya , azaz a minta maximumának és a minta minimumának számtani átlaga, amely a középpont UMVU becslője (és a maximális valószínűségi becslés is ).
Megbízhatósági intervallum
A maximumért
Legyen X 1 , X 2 , X 3 , ..., X n minta, ahonnan L a populáció maximuma. Ekkor X ( n ) = max ( X 1 , X 2 , X 3 , ..., X n ) Lebesgue-Borel sűrűséggel rendelkezik
A korábban megadott bizalmi intervallum matematikailag helytelen, mivel ennek ismerete nélkül nem oldható meg . Az ember azonban meg tudja oldani
for for any unknown but valid ,
azután a lehető legkisebbet választja, amely megfelel a fenti feltételnek. Vegye figyelembe, hogy az intervallum hossza a véletlen változótól függ .
Előfordulás és alkalmazások
Az egyenletes eloszlásfüggvény valószínűségeit egyszerű kiszámítani a függvényforma egyszerűsége miatt. Ezért számos alkalmazás használható erre az eloszlásra az alábbiak szerint: hipotézisvizsgálati helyzetek, véletlenszerű mintavételi esetek, pénzügy stb. Továbbá általában a fizikai eredetű kísérletek egyenletes eloszlást követnek (pl. Radioaktív részecskék kibocsátása ). Fontos azonban megjegyezni, hogy minden alkalmazásban fennáll a változatlan feltételezés, hogy a rögzített hosszúságú intervallumban való esés valószínűsége állandó.
Gazdasági példa az egységes elosztásra
A közgazdaságtan területén általában a kereslet és az utánpótlás nem követi a várt normál eloszlást. Ennek eredményeként más eloszlási modelleket használnak a valószínűségek és tendenciák jobb előrejelzésére, mint például a Bernoulli -folyamat . Wanke (2008) szerint azonban abban a konkrét esetben, amikor a készletgazdálkodás átfutási idejét kell vizsgálni az életciklus elején, amikor egy teljesen új terméket elemeznek, az egységes elosztás hasznosabbnak bizonyul. Ebben a helyzetben előfordulhat, hogy más forgalmazás nem életképes, mivel nincsenek meglévő adatok az új termékről, vagy hogy a keresleti előzmények nem érhetők el, tehát valójában nincs megfelelő vagy ismert forgalmazás. Az egyenletes eloszlás ideális lenne ebben a helyzetben, mivel az átfutási idő véletlen változója (a kereslethez kapcsolódóan) ismeretlen az új terméknél, de az eredmények valószínűleg két elfogadható tartomány között mozognak. Az átfutási idő tehát a véletlen változót képviseli. Az egységes elosztási modellből más, az átfutási idővel kapcsolatos tényezőket is ki lehetett számítani, mint például a ciklusszolgáltatás szintjét és a ciklusonkénti hiányt . Azt is megjegyezték, hogy a számítások egyszerűsége miatt az egyenletes eloszlást is alkalmazták.
Mintavétel tetszőleges eloszlásból
Az egyenletes eloszlás hasznos az önkényes eloszlásokból történő mintavételhez. Általános módszer az inverz transzformációs mintavételi módszer, amely a cél véletlen változó kumulatív eloszlási függvényét (CDF) használja. Ez a módszer nagyon hasznos az elméleti munkában. Mivel az ezzel a módszerrel végzett szimulációk a célváltozó CDF -jének megfordítását igénylik, alternatív módszereket dolgoztak ki azokban az esetekben, amikor a cdf nem ismert zárt formában. Az egyik ilyen módszer az elutasító mintavétel .
A normális eloszlás fontos példa, ahol az inverz transzformációs módszer nem hatékony. Van azonban egy pontos módszer, a Box – Muller transzformáció , amely az inverz transzformációt használja fel két független egységes véletlen változó két független normál eloszlású véletlen változóvá alakítására .
Kvantálási hiba
Az analóg-digitális átalakítás során kvantálási hiba lép fel. Ez a hiba kerekítésből vagy csonkolásból ered. Ha az eredeti jel sokkal nagyobb, mint egy legkevésbé szignifikáns bit (LSB) , akkor a kvantálási hiba nincs szignifikáns korrelációban a jellel, és hozzávetőleg egyenletes eloszlású. Az RMS hiba tehát ennek az eloszlásnak a varianciájából következik.
Számítási módszerek
Mintavétel egyenletes eloszlásból
Sok olyan alkalmazás létezik, amelyekben hasznos szimulációs kísérleteket futtatni. Sok programozási nyelv megvalósítással rendelkezik ál-véletlen számok generálására, amelyek hatékonyan oszlanak el a szabványos egységes eloszlás szerint.
Ha u a standard egyenletes eloszlásból vett minta, akkor az a + ( b - a ) u érték követi az a és b paraméterekkel egyenletes eloszlást , a fentiek szerint.
Történelem
Míg az egységes eloszlás felfogásának történelmi eredete nem meggyőző, feltételezések szerint az „egyenruha” kifejezés a kockajátékok esélyegyenlőségének koncepciójából ered (vegye figyelembe, hogy a kockajátékok diszkrét és nem folyamatos egységes mintaterülettel rendelkeznének). Az esélyegyenlőséget megemlítette Gerolamo Cardano Liber de Ludo Aleae című, 16. századi kézikönyve, amely részletesen ismerteti a kockákra vonatkozó fejlett valószínűségi számításokat.
Lásd még
- Egységes eloszlás (diszkrét)
- Béta forgalmazás
- Box – Muller transzformáció
- Valószínűségi ábrázolás
- Q – Q görbe
- Téglalap alakú funkció
- Irwin – Hall eloszlás- A degenerált esetben, ahol n = 1, az Irwin-Hall eloszlás egyenletes eloszlást generál 0 és 1 között.
- Bates eloszlás- Hasonló az Irwin-Hall disztribúcióhoz, de n-re méretezve. Az Irwin-Hall eloszláshoz hasonlóan, degenerált esetben, ahol n = 1, a Bates-eloszlás egyenletes eloszlást generál 0 és 1 között.
Hivatkozások
További irodalom
- Casella, George; Roger L. Berger (2001), Statisztikai közlemény (2. kiadás), ISBN 978-0-534-24312-8, LCCN 2001025794