跳至內容

離散型均勻分佈

本頁使用了標題或全文手工轉換
維基百科,自由的百科全書
離散型均勻分佈
機率質量函數
Discrete uniform probability mass function for n=5
n=5 where n=b-a+1
累積分布函數
Discrete uniform cumulative mass function for n=5
參數

值域
機率質量函數
累積分布函數
期望值
中位數
眾數 N/A
變異數
偏度
峰度
動差母函數
特徵函數

統計學概率理論中,離散型均勻分佈是離散型概率分佈,其中有限個數值擁有相同的概率。離散型均勻分佈的另一種說法為「有限個結果,各結果的概率均相同」。

像均勻的骰子就是離散型均勻分佈的例子,可能的值為1, 2, 3, 4, 5, 6,而每一個數字的機率都是1/6。但若同時丟二個均勻骰子,將其值相加,就不是離散型均勻分佈了,因為各個和的機率不同。 離散型均勻分佈常用來描述結果為數字的分佈,不過離散型均勻分佈也可以描述結果是有限集合的分佈。例如隨機置換英語random permutation就是由已知長度的置換中均勻隨機產生的組合,而均勻生成樹英語uniform spanning tree是由給定的樹中均勻隨機產生的生成樹

離散型均勻分佈在本質上是非參數(non-parametric)的。不過要表示其值很容易,就用[a,b]之間的所有整數即可,因此ab就是離散型均勻分佈的主要參數(也常常改為考慮區間[1,n],只保留一個參數n)。若用這種表示法,針對任意k ∈ [a,b]的累積分布函數(CDF)為

最大值估計

[編輯]

我們將會討論德國坦克問題的例子,將最大值估計應用於二戰期間德國坦克產量的估計。

設k 個觀測值的樣本是從一下整數的均勻分佈中獲得的: 而問題就是估計未知的最大 N。 最大值的均勻最小變異數無偏 (UMVU) 估計量為下列式子:其中 m 是樣本最大值,k 是樣本大小,而且無放回抽樣。 這可被看作為最大間距估計的一個非常簡單的例子。

這個式子也有一個變樣版本: 該式中的標準差被大約表示為,也就是樣本之間差距的平均大小,與作比較。

樣本最大值是總體最大值的最大似然估計,然而,該方法存在偏差。

若樣本沒有編號但可被識別或標記,則可透過捕獲再捕獲方法以估計族群規模。

隨機排列

[編輯]

有關均勻分佈隨機排列的固定點數量的機率分佈的說明,請參閱主條目。