Distribución uniforme continua

Para la distribución discreta, véase Distribución uniforme discreta.

Uniforme
Función de densidad de probabilidad Utilizando convención de máximo
Función de distribución de probabilidad
Parámetros	$a,b \in (-\infty,\infty) \,\!$
Dominio	$a \le x \le b \,\!$
Función de densidad (pdf)	$\begin{matrix} \frac{1}{b - a} & \mbox{para }a \le x \le b \\ \\ 0 & \mathrm{para}\ x<a\ \mathrm{o}\ x>b \end{matrix} \,\!$
Función de distribución (cdf)	$\begin{matrix} 0 & \mbox{para }x < a \\ \frac{x-a}{b-a} & ~~ \mbox{para }a \le x < b \\ 1 & \mbox{para }x \ge b \end{matrix} \,\!$
Media	$\frac{a+b}{2} \,\!$
Mediana	$\frac{a+b}{2} \,\!$
Moda	cualquier valor en $[a,b] \,\!$
Varianza	$\frac{(b-a)^2}{12} \,\!$
Coeficiente de simetría	$0 \,\!$
Curtosis	$-\frac{6}{5} \,\!$
Entropía	$\ln(b-a) \,\!$
Función generadora de momentos (mgf)	$\frac{e^{tb}-e^{ta}}{t(b-a)} \,\!$
Función característica	$\frac{e^{itb}-e^{ita}}{it(b-a)} \,\!$

En teoría de probabilidad y estadística, la distribución uniforme continua es una familia de distribuciones de probabilidad para variables aleatorias continuas, tales que cada miembro de la familia, todos los intervalos de igual longitud en la distribución en su rango son igualmente probables. El dominio está definido por dos parámetros, a y b, que son sus valores mínimo y máximo. La distribución es a menudo escrita en forma abreviada como U(a,b).

Contenido

1 Caracterización
2 Propiedades
3 Uniforme standard
4 Distribuciones relajadas
5 Relaciones con otras funciones
6 Aplicaciones
- 6.1 Muestreo de una distribución uniforme
- 6.2 Muestreo de una distribución arbitraria
7 Ejemplo en el intervalo [0,1]

Caracterización

Función de densidad de probabilidad

La función de densidad de probabilidad de la distribución uniforme continua es:

$f(x)=\left\{\begin{matrix} \frac{1}{b - a} & \ \ \ \mathrm{para}\ a \le x \le b, \\ \\ 0 & \mathrm{para}\ x<a\ \mathrm{o}\ x>b, \end{matrix}\right.$

Los valores en los dos extremos a y b no son por lo general importantes porque no afectan el valor de las integrales de f(x) dx sobre el intervalo, ni de x f(x) dx o expresiones similares. A veces se elige que sean cero, y a veces se los elige con el valor 1/(b − a). Este último resulta apropiado en el contexto de estimación por el método de maximum likelihood. En el contexto del análisis de Fourier, se puede elegir que el valor de f(a) ó f(b) sean 1/(2(b − a)), para que entonces la transformada inversa de muchas transformadas integrales de esta función uniforme resulten en la función inicial, de otra forma la función que se obtiene sería igual "en casi todo punto", o sea excepto en un conjunto de puntos con medida nula. También, de esta forma resulta consistente con la función signo que no posee dicha ambigüedad.

Función de distribución de probabilidad

La función de distribución de probabilidad es:

$F(x)=\left\{\begin{matrix} 0 & \mbox{para }x < a \\ \\ \frac{x-a}{b-a} & \ \ \ \mbox{para }a \le x < b \\ \\ 1 & \mbox{para }x \ge b \end{matrix}\right. \,\!$

Funciones generadoras asociadas

Función generadora de momentos

La función generadora de momentos es

$M_x = E(e^{tx}) = \frac{e^{tb}-e^{ta}}{t(b-a)} \,\!$

a partir de la cual se pueden calcular los momentos m _k

$m_1=\frac{a+b}{2}, \,\!$

$m_2=\frac{a^2+ab+b^2}{3}, \,\!$

$m_k=\frac{1}{k+1}\sum_{i=0}^k a^ib^{k-i}. \,\!$

Para una variable aleatoria que satisface esta distribución, la esperanza matemática es entonces m₁ = (a + b)/2 y la varianza es m₂ − m₁² = (b − a)²/12.

Función generadora de cumulantes

Para n ≥ 2, el n-ésimo cumulant de la distribución uniforme en el intervalo [0, 1] es b_b/n, donde b_n es el n-ésimo número de Bernoulli.

Propiedades

Generalización a conjuntos de Borel

Esta distribución puede ser generalizada a conjuntos de intervalos más complicados. Si S es un conjunto de Borel de medida finita positiva, la distribución probabilidad uniforme en S se puede especificar definiendo que la pdf sea nula fuera de S e igual a 1/K dentro de S, donde K es la medida de Lebesgue de S.

Estadísticas de orden

Sea X₁,..., X_n una muestra i.i.d. de U(0,1). Sea X_(k) el orden estadístico k-ésimo de esta muestra. Entonces la distribución de probabilidad de X_(k) es una distribución Beta con parámetros k y n − k + 1. La esperanza matemática es

$\operatorname{E}(X_{(k)}) = {k \over n+1}.$

Esto es útil cuando se realizan Q-Q plots.

Las varianzas son

$\operatorname{Var}(X_{(k)}) = {k (n-k+1) \over (n+1)^2 (n+2)} .$

'Uniformidad'

La probabilidad de que una variable aleatoria uniformemente distribuida se encuentre dentro de algún intervalo de longitud finita es independiente de la ubicación del intervalo (aunque si depende del tamaño del intervalo), siempre que el intervalo este contenido en el dominio de la distribución.

Es posible verificar esto, por ejemplo si X ≈ U(0,b) y [x, x+d] es un subintervalo de [0,b] con d fijo y d > 0, entonces

$P\left(X\in\left [ x,x+d \right ]\right) = \int_{x}^{x+d} \frac{\mathrm{d}y}{b-a}\, = \frac{d}{b-a} \,\!$

lo cual es independiente de x. Este hecho es el que le da su nombre a la distribución.

Uniforme standard

Si se restringe $a = 0$ y $b = 1$ , a la distribución resultante U(0,1) se la llama distribución uniforme estándar.

Una propiedad interesante de la distribución uniforme estándar es que si u₁ es una distribución uniforme standard, entonces 1-u₁ también lo es.

Distribuciones relajadas

Si X tiene una distribución uniforme standard,

Y = -ln(X)/λ tiene una distribución exponencial con parámetro λ.
Y = 1 - X^1/n tiene una distribución beta con parámetros 1 y n. (Notar que esto implica que la distribución uniforme standard es un caso especial de la distribución beta, con parámetros 1 y 1.)

Relaciones con otras funciones

Siempre y cuando se sigan las mismas convenciones en los puntos de transición, la función densidad de probabilidad puede también ser expresada mediante la función escalón de Heaviside:

$f(x)=\frac{\operatorname{H}(x-a)-\operatorname{H}(x-b)}{b-a}, \,\!$

ó en términos de la función rectángulo

$f(x)=\frac{1}{b-a}\,\operatorname{rect}\left(\frac{x-\left(\frac{a+b}{2}\right)}{b-a}\right) .$

No existe ambigüedad en el punto de transición de la función signo. Utilizando la convención de la mitad del máximo en los puntos de transición, la distribución uniforme se puede expresar a partir de la función signo como:

$f(x)=\frac{ \sgn{(x-a)}-\sgn{(x-b)}} {2(b-a)}.$

Aplicaciones

En estadística, cuando se utiliza un p-value a modo de prueba estadística para una hipótesis nula simple, y la distribución de la prueba estadística es continua, entonces la prueba estadística esta uniformemente distribuida entre 0 y 1 si la hipótesis nula es verdadera.

Muestreo de una distribución uniforme

Existen muchos usos en que es útil realizar experimentos de simulación. Muchos lenguajes de programación poseen la capacidad de generar números pseudo-aleatorios que están distribuidos de acuerdo a una distribución uniforme standard.

Si u es un valor muestreado de una distribución uniforme estandard, entonces el valor a + (b − a)u posee una distribución uniforme parametrizada por a y b, como se describió previamente.

Muestreo de una distribución arbitraria

La distribución uniforme resulta útil para muestrear distribuciones arbitrarias. Un método general es el método de muestreo de transformación inversa, que utiliza la distribución de probabilidad (CDF) de la variable aleatoria objetivo. Este método es muy útil en trabajos teóricos. Dado que las simulaciones que utilizan este método requieren invertir la CDF de la variable objetivo, se han diseñado métodos alternativos para aquellos casos donde no se conoce el CDF en una forma cerrada. Otro método similar es el rejection sampling.

La distribución normal es un ejemplo importante en el que el método de la transformada inversa no es eficiente. Sin embargo, existe un método exacto, la transformación de Box-Muller, que utiliza la transformada inversa para convertir dos variables aleatorias uniformes independientes en dos variables aleatorias independientes distribuidas normalmente.

Ejemplo en el intervalo [0,1]

Para este caso el intervalo queda definido por $a = 0$ y $b = 1$ .

Entonces resulta:

$f (x) = 1$ para $0\leq x\leq 1$

$F (x) = x$ para $0\leq x\leq 1$

$\operatorname{E}(X) = 0,5$

$\operatorname{Var}(X) = 1/12$

$\sigma_x = \sqrt{\operatorname{Var}(X)} = \sqrt{1/12} \approx 0.29$

Obtenido de "Distribuci%C3%B3n uniforme continua"

Categoría: Distribuciones continuas

Wikimedia foundation. 2010.

Игры ⚽ Поможем написать курсовую

Mira otros diccionarios:

Distribución uniforme discreta — Saltar a navegación, búsqueda En teoría de la probabilidad, la distribución uniforme discreta es una distribución de probabilidad que asume un número finito de valores con la misma probabilidad. Propiedades Distribución … Wikipedia Español
Distribución de probabilidad — La distribución Normal suele conocerse como la campana de Gauss . En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable aleatoria es una función que asigna a cada suceso definido sobre la variable aleatoria… … Wikipedia Español
Distribución exponencial — Saltar a navegación, búsqueda Distribución exponencial Función de densidad de probabilidad Función de distribución de probabilidad … Wikipedia Español
Distribución normal — Saltar a navegación, búsqueda Distribución normal Función de densidad de probabilidad La línea verde corresponde a la distribución normal estandar Función de distribución de probabilidad … Wikipedia Español
Distribución beta — Saltar a navegación, búsqueda Beta Función de densidad de probabilidad Función de distribución de probabilidad … Wikipedia Español
Probabilidad uniforme — Saltar a navegación, búsqueda En estadística la distribución uniforme o probabilidad uniforme es una distribución de probabilidad continua con dos parámetros a y b cuya función de densidad es Integrando se obtiene la función de distribución: El… … Wikipedia Español
Probabilidad uniforme — En estadística la distribución uniforme es una distribución de probabilidad continua con dos parámetros a y b cuya función de densidad es Integrando se obtiene la función de distribución … Enciclopedia Universal
Ruido de cuantificación — Saltar a navegación, búsqueda Figura 1: Procesos de la conversión A/D. Se define como error de cuantificación o ruido de cuantificación a la señal en tiempo discreto y amplitud continua introducida por el proceso de cuantificación (uno de los… … Wikipedia Español
Número aleatorio — Un número aleatorio es un resultado de una variable al azar especificada por una función de distribución. Cuando no se especifica ninguna distribución, se presupone que se utiliza la distribución uniforme continua en el intervalo [0,1). En los… … Wikipedia Español
Número aleatorio — Un número aleatorio es un resultado de una variable al azar especificada por una distribución. Cuando no se especifica ninguna distribución, se presupone que se utiliza la distribución uniforme continua en el intervalo [0,1). En los ordenadores… … Enciclopedia Universal

Los diccionarios y las enciclopedias sobre el Académico

Distribución uniforme continua

Distribución uniforme continua

Contenido