Kontinuerlig uniform fordeling

I dag er Kontinuerlig uniform fordeling et tema som har fanget oppmerksomheten til mange mennesker rundt om i verden. Fra dens innvirkning på samfunnet til dens konsekvenser for populærkulturen, har Kontinuerlig uniform fordeling vist seg å være et tema med fortsatt interesse og relevans. I denne artikkelen vil vi utforske de forskjellige fasettene til Kontinuerlig uniform fordeling og hvordan den har satt sitt preg på ulike områder av det moderne livet. Fra opprinnelsen til den nåværende utviklingen har Kontinuerlig uniform fordeling vært gjenstand for debatt, analyse og refleksjon. Bli med oss ​​på denne turen til Kontinuerlig uniform fordeling og oppdag dens betydning i dagens verden.

I sannsynlighetsteori og statistikk, utgjør den kontinuerlige uniforme fordelingen, rektangulærfordelingen eller firkantfordelingen en familie av symmetriske sannsynlighetsfordelinger. Fordelingen beskriver et eksperiment der et hvilket som helst utfall ligger innenfor gitte grenser.[1] Grensene er gitt ved parametrene a og b, som er minimum- og maksimumverdier. Dette intervallet kan være enten lukket () eller åpent ((a, b)). [2] Derfor blir fordelingen ofte forkortet som U (a, b), hvor U står for den uniforme fordelingen[1] Differansen mellom grensene definerer intervallets lengde; alle intervaller av samme lengde på fordelingens støtte er like sannsynlige. Den er maksimum entropi sannsynlighetsfordelingen for en stokastisk variabel X uten noen annen beskrankning enn at den er innehold i fordelingens støtte. [3]

Kontinuerlig rektangulær fordeling

Den kontinuerlige rektangulære sannsynlighetsfordelingen har fått sitt navn ved at tetthetsfunksjonen får utseendet av et rektangel. Den har to parametre, nedenfor kalt for a og b, som betegner den respektive nedre og øvre grensen for hvilke verdier den rektangulærfordelte stokastiske variabelen kan anta. Tetthetsfunksjonen for rektangulære fordelinger er

og den kumulative fordelingsfunksjonen er

Se også

Referanser

  1. ^ a b Dekking, Michel (2005). A modern introduction to probability and statistics : understanding why and howGratis tilgang begrenset til utprøving, abonnement kreves vanligvis. London, UK: Springer. s. 60–61. ISBN 978-1-85233-896-1. 
  2. ^ Walpole, Ronald; m.fl. (2012). Probability & Statistics for Engineers and Scientists. Boston, USA: Prentice Hall. s. 171–172. ISBN 978-0-321-62911-1. 
  3. ^ Park, Sung Y.; Bera, Anil K. (2009). «Maximum entropy autoregressive conditional heteroskedasticity model». Journal of Econometrics. 150 (2): 219–230. doi:10.1016/j.jeconom.2008.12.014.