Distribución uniforme continua

Na Galipedia, a Wikipedia en galego.
Saltar para a navegação Saltar para a pesquisa
Distribución uniforme continua
Función de densidade
Uniform distribution PDF.png
Función de distribución
Uniform distribution CDF.png
Parámetros
Soporte
Función de densidade
Función de distribución
Media
Mediana
Moda calquera valor en
Varianza
Asimetría
Curtose
Entropía
F. xeradora de momentos
Func. caract.

En teoría da probabilidade e estatística, a distribución uniforme continua é unha familia de distribucións de probabilidade para variables aleatorias continuas. En cada membro da familia, todos os intervalos de igual lonxitude na distribución no seu rango son igualmente probables. O dominio está definido por dous parámetros, a e b, que son os seus valores mínimo e máximo. A distribución escríbese en forma abreviada como U(a,b).

Caracterización[editar | editar a fonte]

Función de densidade[editar | editar a fonte]

A función de densidade da distribución uniforme continua é:

Os valores nos dous extremos a e b non son en xeral importantes porque non afectan ao valor das integrais de f(xdx sobre o intervalo, nin de x f(xdx ou expresións semellantes. Ás veces escóllese que sexan cero e ás veces escóllense co valor 1/(b − a). Este último resulta apropiado no contexto de estimación polo método de máxima verosimilitude. No contexto da análise de Fourier, pódese escoller que o valor de f(a) ou f(b) sexan 1/(2(b − a)), para que entón a transformada inversa de moitas transformadas integrais desta función uniforme resulten na función inicial; doutra forma a función que se obtén sería igual "en case todos os puntos", ou sexa, en todos agás nun conxunto de puntos con medida nula. Tamén, desta forma resulta consistente coa función signo que non posúe esa ambigüidade.

Función de distribución de probabilidade[editar | editar a fonte]

A función de distribución de probabilidade é:

Función xeradora de momentos[editar | editar a fonte]

A función xeradora de momentos é

a partir da que se poden calcular os momentos mk

e, en xeral,

Para unha variable aleatoria que segue esta distribución, a esperanza matemática é entón m1 = (a + b)/2 e a varianza é m2 − m12 = (b − a)2/12.

Propiedades[editar | editar a fonte]

Xeneralización aos conxuntos de Borel[editar | editar a fonte]

Esta distribución pode ser xeneralizada a conxuntos de intervalos máis complicados. Se S é un conxunto de Borel de medida finita positiva, a distribución de probabilidade uniforme en S pódese especificar definindo que a función de densidade sexa nula fóra de S e igual a 1/K dentro de S, onde K é a medida de Lebesgue de S.

Estatísticas de orde[editar | editar a fonte]

Sexa X1,..., Xn unha mostra de variables independentes identicamente distribuídas de U(0,1). Sexa X(k) a orde estatística k-ésimo desta mostra. Entón a distribución de probabilidade de X(k) é unha distribución beta con parámetros k e n − k + 1. a esperanza matemática é

Isto é útil cando se realizan Q-Q plots.

As varianzas son

Uniformidade[editar | editar a fonte]

A probabilidade de que unha variable aleatoria uniformemente distribuída se atope dentro dalgún intervalo de lonxitude finita é independente da localización do intervalo (aínda que si depende do tamaño do intervalo), sempre que o intervalo estea contido no dominio da distribución.

É posible verificar isto, por exemplo se X ≈ U(0,b) y [x, x+d] é un subintervalo de [0,b] con d fixo e d > 0, entón

o que é independente de x. Este feito é o que lle dá o seu nome á distribución.

Uniforme estándar[editar | editar a fonte]

Se se restrinxe e , á distribución resultante U(0,1) chámaselle distribución uniforme estándar.

Unha propiedade interesante da distribución uniforme estándar é que se u1 é unha distribución uniforme estándar, entón 1-u1 tamén o é.

Distribucións relacionadas[editar | editar a fonte]

Se X ten unha distribución uniforme estándar, entón:

  • Y = -ln(X)/λ ten unha distribución exponencial con parámetro λ.
  • Y = 1 - X1/n ten unha distribución beta con parámetros 1 e n. Isto implica que a distribución uniforme estándar é un caso especial da distribución beta, con parámetros 1 e 1.

Relacións con outras funcións[editar | editar a fonte]

Se se seguen as mesmas convencións nos puntos de transición, a función de densidade de probabilidade pode tamén ser expresada mediante a función chanzo de Heaviside:

ou en termo da función rectángulo

Non existe ambigüidade no punto de transición da función signo. Utilizando a convención da metade do máximo nos puntos de transición, a distribución uniforme pódese expresar a partir da función signo como:

Aplicacións[editar | editar a fonte]

En estatística, cando se emprega un p-valor a modo de proba estatística para unha hipótese nula simple, e a distribución da proba estatística é continua, entón a proba estatística está uniformemente distribuída entre 0 e 1 se a hipótese nula é verdadeira.

Mostraxe dunha distribución uniforme[editar | editar a fonte]

Existen moitas situacións nas que é útil realizar experimentos de simulación. Moitas linguaxes de programación posúen a capacidade de xerar números pseudoaleatorios que están distribuídos de acordo a unha distribución uniforme estándar.

Se u é un valor extraído dunha mostra dunha distribución uniforme estándar, entón o valor a + (ba)u posúe unha distribución uniforme con parámetros a e b.

Mostraxe dunha distribución arbitraria[editar | editar a fonte]

A distribución uniforme resulta útil para facer mostras de distribucións arbitrarias. Un método xeral é o método de mostraxe de transformación inversa, que emprega a distribución de probabilidade (CDF) da variable aleatoria obxectivo. Este método é moi útil en traballos teóricos. Dado que as simulacións que empregan este método requiren inverter a CDF da variable obxectivo, deseñáronse métodos alternativos para aqueles casos onde non se coñece a función de distribución en forma pechada. Outro método semellante é o rejection sampling.

A distribución normal é un exemplo importante no que o método da transformada inversa non é eficiente. Non obstante, existe un método exacto, a transformación de Box-Muller, que utiliza a transformada inversa para converter dúas variables aleatorias uniformes independentes en dúas variables aleatorias independentes distribuídas normalmente.

Exemplo no intervalo [0,1][editar | editar a fonte]

Para este caso o intervalo queda definido por e .

Entón:

  • para
  • para

Véxase tamén[editar | editar a fonte]

Ligazóns externas[editar | editar a fonte]