Непрерывное равномерное распределение

Непрерывное равномерное распределение — это распределение вероятностей, при котором случайная величина принимает любое значение из заданного интервала с одинаковой плотностью вероятности. В теории вероятностей и математической статистике оно является одним из простейших и фундаментальных непрерывных распределений, часто используемым в качестве модели для ситуаций, где все исходы в некотором диапазоне равновозможны.

Определение

Говорят, что случайная величина \(X\) имеет непрерывное равномерное распределение на интервале \([a, b]\) (где \(a\) и \(b\) — действительные числа, \(a < b\)), если её плотность распределения задаётся формулой:

\[ f(x) = \begin{cases} \frac{1}{b-a}, & a \le x \le b, \\ 0, & \text{иначе}. \end{cases} \]

Функция распределения \(F(x)\) имеет вид:

\[ F(x) = \begin{cases} 0, & x < a, \\ \frac{x-a}{b-a}, & a \le x \le b, \\ 1, & x > b. \end{cases} \]

Обозначается такое распределение как \(U(a, b)\) или \(\text{Uniform}(a, b)\). Наиболее распространённым частным случаем является стандартное равномерное распределение на отрезке \([0, 1]\), обозначаемое \(U(0, 1)\).

Характеристики

Числовые характеристики

Для равномерного распределения \(U(a, b)\) основные числовые характеристики вычисляются аналитически:

• Математическое ожидание (среднее значение): \(\mathbb{E}[X] = \frac{a+b}{2}\).
• Дисперсия: \(\text{Var}[X] = \frac{(b-a)^2}{12}\).
• Среднеквадратическое отклонение: \(\sigma = \frac{b-a}{\sqrt{12}}\).
• Медиана: совпадает с математическим ожиданием, \(\frac{a+b}{2}\).
• Мода: любое значение на интервале \([a, b]\) (распределение является мультимодальным в смысле постоянства плотности).
• Коэффициент асимметрии: \(\gamma_1 = 0\) (распределение симметрично).
• Коэффициент эксцесса: \(\gamma_2 = -\frac{6}{5}\) (распределение является плосковершинным по сравнению с нормальным).

Квантили

Квантиль уровня \(p\) (\(0 \le p \le 1\)) для равномерного распределения вычисляется по формуле:

\[ Q(p) = a + p(b-a). \]

В частности, первый квартиль (\(p=0.25\)) равен \(a + 0.25(b-a)\), третий квартиль (\(p=0.75\)) — \(a + 0.75(b-a)\).

Производящие функции

• Характеристическая функция: \(\varphi(t) = \frac{e^{itb} - e^{ita}}{it(b-a)}\).
• Производящая функция моментов: \(M(t) = \frac{e^{tb} - e^{ta}}{t(b-a)}\) для \(t \neq 0\), и \(M(0) = 1\).

Свойства

Отсутствие памяти

В отличие от геометрического и экспоненциального распределений, непрерывное равномерное распределение не обладает свойством отсутствия памяти. Вероятность того, что случайная величина превысит некоторое значение, зависит от того, насколько это значение удалено от границ интервала.

Инвариантность относительно линейных преобразований

Если \(X \sim U(a, b)\), то для любых констант \(c\) и \(d\) (\(c \neq 0\)) случайная величина \(Y = cX + d\) также имеет равномерное распределение: \(Y \sim U(ca+d, cb+d)\) при \(c > 0\) (или \(U(cb+d, ca+d)\) при \(c < 0\)). Это свойство широко используется для генерации равномерно распределённых случайных чисел на произвольном интервале из стандартного \(U(0, 1)\).

Связь с другими распределениями

• Сумма независимых равномерных случайных величин стремится к нормальному распределению (согласно центральной предельной теореме). Распределение суммы двух независимых \(U(0,1)\) называется распределением Симпсона (треугольным распределением) на интервале \([0, 2]\).
• Преобразование Бокса — Мюллера: если \(U_1, U_2 \sim U(0,1)\) независимы, то величины \(Z_1 = \sqrt{-2\ln U_1} \cos(2\pi U_2)\) и \(Z_2 = \sqrt{-2\ln U_1} \sin(2\pi U_2)\) являются независимыми стандартными нормальными случайными величинами.
• Экспоненциальное распределение: если \(U \sim U(0,1)\), то \(X = -\frac{1}{\lambda} \ln(1-U)\) имеет экспоненциальное распределение с параметром \(\lambda\) (метод обратного преобразования).
• Бета-распределение: равномерное распределение на \([0,1]\) является частным случаем бета-распределения с параметрами \(\alpha = 1, \beta = 1\).

Применение

Генерация случайных чисел

Равномерное распределение является основой для генерации псевдослучайных чисел в компьютерных системах. Большинство генераторов псевдослучайных чисел (например, вихрь Мерсенна, линейный конгруэнтный метод) выдают последовательность чисел, равномерно распределённых на интервале \([0, 1]\). Затем с помощью методов обратного преобразования или других преобразований получают случайные величины с любым другим распределением.

Метод Монте-Карло

В численных методах равномерное распределение используется для оценки интегралов, решения уравнений в частных производных и моделирования сложных систем. Например, для вычисления определённого интеграла \(\int_a^b g(x) dx\) можно использовать выборку точек, равномерно распределённых на \([a, b]\), и усреднять значения функции.

Статистическое моделирование

В статистике равномерное распределение применяется как априорное распределение в байесовском анализе, когда нет предварительной информации о параметре (неинформативный априор). Также оно используется в теории планирования эксперимента для рандомизации.

Другие области

• Теория очередей: моделирование времени между поступлениями заявок, если нет информации о распределении.
• Финансовая математика: моделирование равномерно распределённых процентных ставок или цен активов в простых моделях.
• Криптография: генерация ключей и случайных чисел, хотя в криптографически стойких системах используются специальные генераторы, а не равномерное распределение в чистом виде.

Примеры

1. Бросание игральной кости (дискретный аналог): хотя результат бросания игральной кости дискретен, модель равномерного распределения на отрезке \([1, 6]\) часто используется для приближения, если рассматривать непрерывную аппроксимацию.
2. Время ожидания автобуса: если автобус приходит каждые 10 минут, а пассажир приходит на остановку в случайный момент времени, то время ожидания равномерно распределено на \([0, 10]\).
3. Ошибка округления: при округлении чисел до целого значения ошибка округления часто моделируется как равномерно распределённая на \([-0.5, 0.5]\).
4. Генерация случайных точек в квадрате: для получения случайной точки в единичном квадрате \([0,1] \times [0,1]\) координаты \(x\) и \(y\) выбираются независимо из \(U(0,1)\).

Критика и ограничения

Несмотря на широкое применение, равномерное распределение имеет ограничения. Оно предполагает строгую ограниченность интервала и постоянную плотность, что редко встречается в реальных природных или социальных процессах. Например, рост человека, ошибки измерений или доходы населения не подчиняются равномерному распределению. Кроме того, равномерное распределение не является устойчивым к выбросам: любое значение за пределами \([a, b]\) имеет нулевую вероятность, что в реальных данных часто не выполняется.

Источники

1. Вентцель Е. С. Теория вероятностей. — М.: Высшая школа, 2006. — 576 с.
2. Гмурман В. Е. Теория вероятностей и математическая статистика. — М.: Высшее образование, 2008. — 479 с.
3. Кремер Н. Ш. Теория вероятностей и математическая статистика. — М.: ЮНИТИ-ДАНА, 2004. — 573 с.
4. Де Гроот М. Оптимальные статистические решения. — М.: Мир, 1974. — 492 с.
5. Боровков А. А. Теория вероятностей. — М.: Наука, 1986. — 432 с.