Distribució uniforme contínua
Funció de distribució de probabilitat | |
| Tipus | distribució univariant, família escala de localització, distribució de probabilitat simètrica i Distribució uniforme multidimensional |
|---|---|
| Notació | o |
| Paràmetres | |
| Suport | |
| fdp | |
| FD | |
| Esperança matemàtica | |
| Mediana | |
| Moda | qualsevol valor a l'nterval |
| Variància | |
| Coeficient de simetria | 0 |
| Curtosi | |
| Entropia | |
| FGM | |
| FC | |
| EOM | Uniform_distribution |
| Mathworld | UniformDistribution |
En teoria de probabilitat i estadística, es diu que una variable aleatòria té una distribució uniforme contínua[1] en un interval si la probabilitat que pertanyi a un subinterval és proporcional a la longitud de :
La probabilitat que o és zero.
Abreujadament es diu que és una variable aleatòria uniforme en l'interval , i s'escriu .
La funció de distribució és calcula de la següent manera: per a . Per a Finalment, per a
La funció de densitat és Noteu que la funció de densitat és constant en l'interval , amb analogia a la distribució uniforme discreta, la funció de probabilitat de la qual és constant en els punts on està definida.
Si dividim l'interval en dues parts iguals, i , la probabilitat que la variable estigui en una part o en l'altre són iguals a . En general, si dividim en parts iguals, la probabilitat que estigui en cadascuna de les parts és . Intuïtivament, la distribució uniforme contínua és una generalització de la distribució uniforme discreta al cas continu.
Sovint s'utilitza la frase un punt elegit a l'atzar a l'interval per indicar que .
Definicions
[modifica]Funció de densitat de probabilitat
[modifica]La funció de densitat de probabilitat de la distribució uniforme contínua és
Els valors d'en els dos límits i generalment no són importants, perquè no alteren el valor de sobre cap interval ni de ni de cap moment més alt. A vegades es trien per a ser zero, i a vegades es trien per a ser Aquest últim és apropiat en el context de l'estimació pel mètode de màxima probabilitat. En el context de l'anàlisi de Fourier, es pot prendre el valor d'o ser perquè llavors la transformada inversa de moltes transformades integrals d'aquesta funció uniforme retornarà la funció mateixa, en lloc d'una funció que és igual "gairebé a tot arreu", i.e. excepte en un conjunt de punts amb mesura zero. A més, és consistent amb la funció de signe, que no té tal ambigüitat.
Qualsevol funció de densitat de probabilitat s'integra perquè la funció de densitat de probabilitat de la distribució uniforme contínua es representi gràficament com un rectangle on és la longitud de la base i és l'altura. A mesura que augmenta la longitud de la base, disminueix l'altura (la densitat en qualsevol valor particular dins dels límits de distribució).[2]
En termes de mitjana i la variància la funció de densitat de probabilitat de la distribució uniforme contínua és
Funció de distribució acumulativa
[modifica]La funció de distribució acumulativa de la distribució uniforme contínua és:
La seva inversa és:
En termes de mitjana i la variància La funció de distribució acumulativa de la distribució uniforme contínua és:
la seva inversa és:
Exemple 1. Ús de la funció de distribució uniforme contínua
[modifica]Per a una variable aleatòria trobar
En una representació gràfica de la funció de distribució uniforme contínua L'àrea sota la corba dins dels límits especificats, que mostra la probabilitat, és un rectangle. Per a l'exemple específic anterior, la base seria i l'alçada seria
Exemple 2. Ús de la funció de distribució uniforme contínua (condicional)
[modifica]Per a una variable aleatòria trobar
L'exemple anterior és un cas de probabilitat condicional per a la distribució uniforme contínua: atès que és cert, quina és la probabilitat que La probabilitat canvia l'espai mostral, de manera que una nova longitud de ha de ser calculada, on i [3] La representació gràfica seguiria l'exemple 1, on l'àrea sota la corba dins dels límits especificats mostra la probabilitat; la base del rectangle seria i l'alçada seria [3]
Generació de funcions
[modifica]Funció generadora de moments
[modifica]La funció generadora de moments de la distribució uniforme contínua és:[4] a partir del qual podem calcular els moments bruts
Per a una variable aleatòria que segueix la distribució uniforme contínua, el valor esperat és i la variància és
Per al cas especial La funció de densitat de probabilitat de la distribució uniforme contínua és:
la funció generadora de moments es redueix a la forma simple:
Funció generadora de cumulants
[modifica]Per l'-èsim cumulant de la distribució uniforme contínua a l'interval és on és l'-èsim nombre de Bernoulli.[5]
Distribució uniforme estàndard
[modifica]La distribució uniforme contínua amb paràmetres i és a dir s'anomena distribució uniforme estàndard.
Una propietat interessant de la distribució uniforme estàndard és que si té una distribució uniforme estàndard, aleshores també ho fa Aquesta propietat es pot utilitzar per generar variables antitètiques, entre altres coses. En altres paraules, aquesta propietat es coneix com a mètode d'inversió, on la distribució uniforme estàndard contínua es pot utilitzar per generar nombres aleatoris per a qualsevol altra distribució contínua.[2] Si és un nombre aleatori uniforme amb una distribució uniforme estàndard, és a dir, amb llavors genera un nombre aleatori de qualsevol distribució contínua amb la funció de distribució acumulativa especificada [2]
Relació amb altres funcions
[modifica]Sempre que es segueixin les mateixes convencions en els punts de transició, la funció de densitat de probabilitat de la distribució uniforme contínua també es pot expressar en termes de la funció esglaó de Heaviside com:
o en termes de la funció rectangular com:
No hi ha cap ambigüitat en el punt de transició de la funció de signe. Utilitzant la convenció de mig màxim en els punts de transició, la distribució uniforme contínua es pot expressar en termes de la funció de signe com:
Propietats
[modifica]Moments
[modifica]La mitjana (primer moment brut) de la distribució uniforme contínua és:
El segon moment en brut d'aquesta distribució és:
En general, el El moment brut -èsim d'aquesta distribució és:
La variància (segon moment central) d'aquesta distribució és:
Estadístiques d'ordre
[modifica]Sigui una mostra de i sigui l' estadística d'ordre-èsim d'aquesta mostra.
té una distribució beta, amb paràmetres
i sigui el -èsim ordre d'aquesta mostra.
El valor esperat és:
Aquest fet és útil a l'hora de fer gràfics Q–Q.
La variància és:
Uniformitat
[modifica]La probabilitat que una variable aleatòria distribuïda uniformement caigui dins de qualsevol interval de longitud fixa és independent de la ubicació de l'interval en si (però depèn de la mida de l'interval ), sempre que l'interval estigui contingut en el suport de la distribució.
De fet, si i si és un subinterval de amb fix llavors: que és independent de Aquest fet motiva el nom de la distribució.
Distribució uniforme en conjunts més generals
[modifica]La distribució uniforme es pot generalitzar a conjunts més generals que els intervals.
Formalment, si és un conjunt de Borel de mesura de Lebesgue positiva i finita és a dir La distribució uniforme en es pot especificar definint la funció de densitat de probabilitat com a zero fora de i constantment igual a en
Es coneixen molts casos especials, per exemple, quan el conjunt S és un simplex:[6] Secció V, Teoria 2.1 .
Distribucions relacionades
[modifica]- Si X té una distribució uniforme estàndard, aleshores, pel mètode de mostreig de transformada inversa, Y = − λ −1 ln(X) té una distribució exponencial amb paràmetre (de taxa) λ.
- Si X té una distribució uniforme estàndard, aleshores Y = X n té una distribució beta amb paràmetres (1/ n, 1). Com a tal,
- La distribució uniforme estàndard és un cas especial de la distribució beta, amb paràmetres (1,1).
- La distribució d'Irwin-Hall és la suma de les n distribucions iid U (0,1).
- La distribució de Bates és la mitjana de les distribucions n iid U (0,1).
- La suma de dues distribucions uniformes independents U1 (a, b) + U2 (c , d) dóna una distribució trapezoïdal, simètrica respecte a la seva mitjana, sobre el suport [ a + c, b + d ]. L'altiplà té una amplada igual a la diferència absoluta de l'amplada d’U1 i U2 . L'amplada de les parts inclinades correspon a l'amplada de la distribució uniforme més estreta.
- Si les distribucions uniformes tenen la mateixa amplada w, el resultat és una distribució triangular, simètrica respecte a la seva mitjana, sobre el suport [ a + c, a + c +2 w ].
- La suma de dues distribucions uniformes, independents i equidistribuïdes U1 (a, b) + U2 (a, b ) produeix una distribució triangular simètrica sobre el suport [ 2a, 2b ].
- La distància entre dues variables aleatòries uniformes iid | U1 ( a, b) −U2 ( a, b)| també té una distribució triangular, tot i que no simètrica, sobre el suport [0, b − a ].
Inferència estadística
[modifica]Estimació de paràmetres
[modifica]Estimador no esbiaixat de mínima variància
[modifica]Donada una distribució uniforme en amb desconegut l’estimador no esbiaixat de mínima variància (UMVUE) per al màxim és: on és el màxim de la mostra i és la mida de la mostra, mostreig sense reemplaçament (tot i que aquesta distinció gairebé segurament no fa cap diferència per a una distribució contínua). Això es dedueix per les mateixes raons que l'estimació per a la distribució discreta, i es pot veure com un cas molt simple d’estimació d'espaiat màxim. Aquest problema es coneix comunament com el problema dels tancs alemanys, a causa de l'aplicació de l'estimació màxima a les estimacions de la producció de tancs alemanys durant la Segona Guerra Mundial.
Mètode d'estimador de moments
[modifica]El mètode de l'estimador de moments és: on és la mitjana mostral.
Estimador de màxima probabilitat
[modifica]L'estimador de màxima probabilitat és: on és el màxim de la mostra, també denotat com l’estadística d'ordre màxim de la mostra.
Estimació del mínim
[modifica]Donada una distribució uniforme en amb a desconegut, l'estimador de màxima versemblança per a és: el mínim de mostra.
Estimació del punt mitjà
[modifica]El punt mitjà de la distribució, és tant la mitjana com la mediana de la distribució uniforme. Tot i que tant la mitjana mostral com la mediana mostral són estimadors no esbiaixats del punt mitjà, cap de les dues és tan eficient com el rang mitjà mostral, és a dir, la mitjana aritmètica del màxim mostral i el mínim mostral, que és l'estimador UMVU del punt mitjà (i també l’estimació de màxima versemblança).
Interval de confiança
[modifica]Per al màxim
[modifica]Sigui una mostra de on és el valor màxim de la població. Aleshores té la densitat de Lebesgue-Borel
on està la funció indicadora de
L'interval de confiança donat abans és matemàticament incorrecte, ja que no es pot resoldre per a sense coneixement de . No obstant això, es pot resoldre per per a qualsevol desconegut però vàlid llavors s'escull el més petit possible que compleixi la condició anterior. Tingueu en compte que la longitud de l'interval depèn de la variable aleatòria
Ocurrència i aplicacions
[modifica]Les probabilitats per a una funció de distribució uniforme són fàcils de calcular a causa de la simplicitat de la forma de la funció.[7] Per tant, hi ha diverses aplicacions per a les quals es pot utilitzar aquesta distribució, tal com es mostra a continuació: situacions de prova d'hipòtesis, casos de mostreig aleatori, finances, etc. A més, generalment, els experiments d'origen físic segueixen una distribució uniforme (per exemple, emissió de partícules radioactives).[8] Tanmateix, en qualsevol aplicació, hi ha la suposició immutable que la probabilitat de caure en un interval de longitud fixa és constant.[7]
Exemple econòmic de distribució uniforme
[modifica]En el camp de l'economia, normalment la demanda i la reposició poden no seguir la distribució normal esperada. Com a resultat, s'utilitzen altres models de distribució per predir millor les probabilitats i les tendències, com ara el procés de Bernoulli.[9] Però segons Wanke (2008), en el cas particular d'investigar el temps de lliurament per a la gestió d'inventaris al començament dl’cicle de vida quan s'analitza un producte completament nou, la distribució uniforme resulta ser més útil.[9] En aquesta situació, una altra distribució pot no ser viable, ja que no hi ha dades existents sobre el nou producte o l'historial de la demanda no està disponible, de manera que no hi ha realment una distribució adequada o coneguda.[9] La distribució uniforme seria ideal en aquesta situació, ja que la variable aleatòria del termini de lliurament (relacionada amb la demanda) és desconeguda per al nou producte, però és probable que els resultats oscil·lin entre un rang plausible de dos valors.[9] El temps de lliurament representaria, doncs, la variable aleatòria. A partir del model de distribució uniforme, es van poder calcular altres factors relacionats amb el temps de lliurament, com ara el nivell de servei del cicle i l'escassetat per cicle. També es va observar que també es va utilitzar la distribució uniforme a causa de la simplicitat dels càlculs.[9]
Mostreig a partir d'una distribució arbitrària
[modifica]La distribució uniforme és útil per al mostreig de distribucions arbitràries. Un mètode general és el mètode de mostreig per transformació inversa, que utilitza la funció de distribució acumulativa (CDF) de la variable aleatòria objectiu. Aquest mètode és molt útil en el treball teòric. Com que les simulacions que utilitzen aquest mètode requereixen invertir la CDF de la variable objectiu, s'han ideat mètodes alternatius per als casos en què la CDF no es coneix en forma tancada. Un d'aquests mètodes és el mostreig de rebuig.
La distribució normal és un exemple important on el mètode de transformació inversa no és eficient. Tanmateix, hi ha un mètode exacte, la transformació de Box-Muller, que utilitza la transformació inversa per convertir dues variables aleatòries uniformes independents en dues variables aleatòries independents amb distribució normal.
Error de quantificació
[modifica]En la conversió analògica-digital, es produeix un error de quantificació. Aquest error és degut a un arrodoniment o a un truncament. Quan el senyal original és molt més gran que un bit menys significatiu (LSB), l'error de quantificació no està significativament correlacionat amb el senyal i té una distribució aproximadament uniforme. Per tant, l’error RMS es dedueix de la variància d'aquesta distribució.
Generació de variables aleatòries
[modifica]Hi ha moltes aplicacions en què és útil dur a terme experiments de simulació. Molts llenguatges de programació inclouen implementacions per generar nombres pseudoaleatoris que es distribueixen eficaçment segons la distribució uniforme estàndard.
D'altra banda, els nombres uniformement distribuïts sovint s'utilitzen com a base per a la generació de variables aleatòries no uniformes.
Si és un valor mostrejat de la distribució uniforme estàndard, aleshores el valor segueix la distribució uniforme parametritzada per i tal com s'ha descrit anteriorment.
Història
[modifica]Tot i que els orígens històrics de la concepció de la distribució uniforme no són concloents, s'especula que el terme "uniforme" va sorgir del concepte d’equiprobabilitat en els jocs de daus (cal tenir en compte que els jocs de daus tindrien un espai mostral uniforme discret i no continu). L'equiprobabilitat es va esmentar al Liber de Ludo Aleae de Gerolamo Cardano, un manual escrit al segle xvi i que detalla el càlcul de probabilitats avançat en relació amb els daus.[10]
Relació amb la variable uniforme en
[modifica]Si , aleshores la variable
és uniforme en , en símbols,
Recíprocament, si aleshores la variable definida per
és uniforme en
Vegeu també
[modifica]- Distribució uniforme discreta
- Per a la suma de variables uniformes independents: Distribució de Irwin-Hall
- Per a la mitjana de variables uniformes independents: Distribució de Bates
Referències
[modifica]- ↑ Feller, William. Introducción a la teoria de las probabilidades y sus aplicaciones. Volumen II, cap 1. México: Limusa, 1978.
- 1 2 3 «Uniform Distribution (Continuous)». MathWorks, 2019. [Consulta: 22 novembre 2019].
- 1 2 3 Illowsky, Barbara. Introductory Statistics. Rice University, Houston, Texas, USA: OpenStax College, 2013, p. 296–304. ISBN 978-1-938168-20-8.
- ↑ Casella & Berger 2001, p. 626
- ↑ Wichura, Michael J. «Cumulants». Stat 304 Handouts. University of Chicago, 11-01-2001.
- ↑ Non-Uniform Random Variate Generation (en anglès). DOI 10.1007/978-1-4613-8643-8.
- 1 2 Walpole, Ronald. Probability & Statistics for Engineers and Scientists. Boston, USA: Prentice Hall, 2012, p. 171–172. ISBN 978-0-321-62911-1.
- ↑ Dekking, Michel. A modern introduction to probability and statistics: understanding why and how. Londres, UK: Springer, 2005, p. 60–61. ISBN 978-1-85233-896-1.
- 1 2 3 4 5 Wanke, Peter International Journal of Production Economics, 114, 2, 2008, p. 811–819. DOI: 10.1016/j.ijpe.2008.04.004.
- ↑ Bellhouse, David Historia Mathematica, 32, 5-2005, p. 180–202. DOI: 10.1016/j.hm.2004.04.001 [Consulta: free].