توزیع یکنواخت گسسته: تفاوت میان نسخه‌ها
محتوای حذف‌شده محتوای افزوده‌شده
بدون خلاصۀ ویرایش برچسب‌ها: متن دارای ویکی‌متن نامتناظر ویرایشگر دیداری |
بدون خلاصۀ ویرایش برچسب‌ها: متن دارای ویکی‌متن نامتناظر ویرایشگر دیداری |
||
خط ۶۳:
<math>= \frac{(b - a)^2}{2}</math>
{{پایان چپ‌چین}}<br />
<br />▼
== نمودها و کاربردها ==
توزیع گسسته یکنواخت در بسیاری از تقریب‌ها و مشاهدات ظاهر می‌شوند. مشاهده این توزیع (به‌طور شهودی) نشان دهنده نبود تفاوت مؤثر بین پیشامدها است. با استفاده از [[اصل حداکثر آنتروپی|اصل حداکثر انتروپی]] می‌توان اثبات کرد وقتی چیزی جز مقادیر قابل مشاهده (فضای نمونه) نمی‌دانیم، باید احتمال تمام آن‌ها را برابر در نظر بگیریم.<ref>{{Cite journal|last=Frank|first=Steven A.|date=2009-8|title=The Common Patterns of Nature|url=https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2824446/|journal=Journal of evolutionary biology|volume=22|issue=8|pages=1563–1585|doi=10.1111/j.1420-9101.2009.01775.x|issn=1010-061X|pmc=PMC2824446|pmid=19538344}}</ref>
اما مثال‌هایی وجود دارد که علی‌رغم نبود تفاوت میان حالات (حداقل در نگاه اول)، توزیع رخدادها از توزیع یکنواخت بسیار متفاوت است. به‌طور مثال می‌توان یه [[قانون بنفورد]] اشاره کرد.
یک سیستم که خروجی هایش به طور مطلق از توزیع یکنواخت گسسته پیروی می کند کاریرد های فراوانی در [[نمونه‌برداری|نمونه برداری]] آماری، [[رمزنگاری]]، [[قمار]] و ... دارد اما ساختن چنین ماشینی کار بسیار سختی است. امروزه از روش هایی مثل [[الگوریتم‌های تصادفی|الگوریتم های کامپیوتری]] و دریافت [[تابش کیهانی]] برای تولید این خروجی ها استفاده می شود.
▲<br />
== در زبان R ==
{{آمار-خرد}}
| |||