KNOWECON WIKI

ARTICLE

均匀分布

均匀分布 (Uniform Distribution) 均匀分布 (Uniform Distribution)，也称为矩形分布，是概率论和统计学中最简单的一种概率分布。它的核心思想是，在一个给定的范围内，所有可能结果的出现都是 等可能的。均匀分布根据随机变量是离散的还是连续的，分为两种形式：离散均匀分布 (Discrete Uniform Distribut

浏览 61 更新 2025-10-22

均匀分布 (Uniform Distribution)

均匀分布 (Uniform Distribution)，也称为矩形分布，是概率论和统计学中最简单的一种概率分布。它的核心思想是，在一个给定的范围内，所有可能结果的出现都是 等可能的。均匀分布根据随机变量是离散的还是连续的，分为两种形式：离散均匀分布 (Discrete Uniform Distribution) 和 连续均匀分布 (Continuous Uniform Distribution)。

离散均匀分布 (Discrete Uniform Distribution)

当一个随机变量 X X 只能取有限个离散且等可能的值时，我们称其服从离散均匀分布。

定义：如果一个离散随机变量 X X 有 n n 个可能的结果 {x1,x2,…,xn} \{x_1, x_2, \dots, x_n\} ，并且每个结果发生的概率都相等，那么 X X 就服从一个离散均匀分布。

最常见的情况是，这些值为连续的整数，例如从 a a 到 b b 的所有整数。此时，总共有 n=b−a+1 n = b - a + 1 个可能的值。

概率质量函数 (Probability Mass Function, PMF)

概率质量函数 (PMF) 描述了随机变量取到每个特定值的概率。对于一个在整数区间 [a,b] [a, b] 上均匀分布的随机变量 X X ，其PMF为：

P(X=k)=1n=1b−a+1,for k=a,a+1,…,bP(X=k) = \frac{1}{n} = \frac{1}{b-a+1}, \quad \text{for } k = a, a+1, \dots, b

对于所有其他 k k 值，其概率为0。

累积分布函数 (Cumulative Distribution Function, CDF)

累积分布函数 (CDF) 描述了随机变量小于或等于某个值 x x 的概率，即 F(x)=P(X≤x) F(x) = P(X \le x) 。对于整数区间 [a,b] [a, b] 上的离散均匀分布，其CDF是一个阶梯函数：

F(x)=P(X≤x)={0for x<a⌊x⌋−a+1b−a+1for a≤x≤b1for x>bF(x) = P(X \le x) = \begin{cases} 0 & \text{for } x < a \\ \frac{\lfloor x \rfloor - a + 1}{b - a + 1} & \text{for } a \le x \le b \\ 1 & \text{for } x > b \end{cases}

其中 ⌊x⌋ \lfloor x \rfloor 表示不大于 x x 的最大整数（向下取整函数）。CDF呈阶梯状递增，这是离散分布区别于连续分布的典型特征——每到达一个新的可能取值点，累积概率就跳跃增加 1n \frac{1}{n} 。

主要性质

对于一个在整数区间 [a,b] [a, b] 上均匀分布的随机变量 X X ：

E[X]=a+b2E[X] = \frac{a+b}{2}

期望值是可能取值的算术平均数，直观上就是区间的中心。推导过程为 E[X]=∑k=abk⋅1n=1n⋅(a+b)n2=a+b2 E[X] = \sum_{k=a}^{b} k \cdot \frac{1}{n} = \frac{1}{n} \cdot \frac{(a+b)n}{2} = \frac{a+b}{2} ，利用了等差数列求和公式。

Var(X)=(b−a+1)2−112Var(X) = \frac{(b-a+1)^2 - 1}{12}

方差衡量了数据点相对于期望值的离散程度。当区间越宽（即 b−a b-a 越大），方差也随之增大，反映不确定性增加。

离散均匀分布的矩母函数为：

MX(t)=E[etX]=eat−e(b+1)t(b−a+1)(1−et),t≠0M_X(t) = E[e^{tX}] = \frac{e^{at} - e^{(b+1)t}}{(b-a+1)(1-e^t)}, \quad t \neq 0

通过MGF可以对各阶矩进行统一推导，尤其便于计算偏度和峰度。

示例：掷骰子

一个标准的六面公平骰子是离散均匀分布最经典的例子。

  • 可能的结果集为 {1,2,3,4,5,6} \{1, 2, 3, 4, 5, 6\} 。
  • a=1 a=1 , b=6 b=6 , 因此有 n=6−1+1=6 n=6-1+1=6 个结果。
  • PMF: 每个结果的概率都是 P(X=k)=16 P(X=k) = \frac{1}{6} ，其中 k∈{1,2,3,4,5,6} k \in \{1, 2, 3, 4, 5, 6\} 。
  • 期望值: E[X]=1+62=3.5 E[X] = \frac{1+6}{2} = 3.5 。这意味着多次投掷骰子的平均点数会趋近于 3.5。
  • 方差: Var(X)=(6−1+1)2−112=62−112=3512≈2.92 Var(X) = \frac{(6-1+1)^2 - 1}{12} = \frac{6^2 - 1}{12} = \frac{35}{12} \approx 2.92 。

除了掷骰子，离散均匀分布还广泛出现在抽奖活动（每个号码等可能中奖）、随机抽样（简单随机样本中每个个体被选中的概率相等）以及密码学中理想密钥的随机生成等场景。这些应用都依赖于"等可能性"这一核心假设。

连续均匀分布 (Continuous Uniform Distribution)

当一个随机变量 X X 可以在一个有界区间 [a,b] [a, b] 内取任何实数值，并且在任何等长度的子区间内取值的概率都相同时，我们称其服从连续均匀分布。通常我们说的"均匀分布"更多时候指代的是连续均匀分布。

定义：如果一个连续随机变量 X X 的概率密度函数 (PDF) 在一个区间 [a,b] [a, b] 上为常数，而在该区间外为0，那么 X X 就服从一个在 [a,b] [a, b] 上的连续均匀分布。我们通常记作 X∼U(a,b) X \sim U(a, b) 。

概率密度函数 (Probability Density Function, PDF)

由于连续分布的总概率（即PDF曲线下的总面积）必须为1，所以对于长度为 b−a b-a 的区间，其PDF的高度必须是 1b−a \frac{1}{b-a} 。

f(x)={1b−afor a≤x≤b0otherwisef(x) = \begin{cases} \frac{1}{b-a} & \text{for } a \le x \le b \\ 0 & \text{otherwise} \end{cases}

重要提示：对于任何连续随机变量，包括均匀分布，其取到任何单个精确值的概率都为0，即 P(X=c)=0 P(X=c)=0 。概率只能在某个区间上定义，例如 P(c≤X≤d) P(c \le X \le d) 。这一性质源于连续分布中，概率由面积而非高度来度量：单个点的宽度为零，因此面积始终为零。

累积分布函数 (Cumulative Distribution Function, CDF)

CDF 是 PDF 从负无穷到 x x 的积分。对于连续均匀分布，其CDF是一个线性增长的斜坡：

F(x)=P(X≤x)={0for x<ax−ab−afor a≤x≤b1for x>bF(x) = P(X \le x) = \begin{cases} 0 & \text{for } x < a \\ \frac{x-a}{b-a} & \text{for } a \le x \le b \\ 1 & \text{for } x > b \end{cases}

与离散情形不同，连续均匀分布的CDF是光滑的线性函数，而非跳跃的阶梯函数。这意味着 X X 落在 [a,x] [a, x] 内的概率严格正比于该子区间的长度，体现了"均匀"的几何直觉。

主要性质

对于一个服从 U(a,b) U(a, b) 的连续随机变量 X X ：

E[X]=a+b2E[X] = \frac{a+b}{2}

期望值同样是区间的中心点。推导为 E[X]=∫abx⋅1b−a dx=1b−a⋅b2−a22=a+b2 E[X] = \int_a^b x \cdot \frac{1}{b-a} \, dx = \frac{1}{b-a} \cdot \frac{b^2-a^2}{2} = \frac{a+b}{2} 。

Var(X)=(b−a)212Var(X) = \frac{(b-a)^2}{12}

注意，这个公式与离散情况略有不同。方差的推导需要先计算 E[X2]=∫abx2⋅1b−a dx=b2+ab+a23 E[X^2] = \int_a^b x^2 \cdot \frac{1}{b-a} \, dx = \frac{b^2+ab+a^2}{3} ，然后由 Var(X)=E[X2]−(E[X])2 Var(X) = E[X^2] - (E[X])^2 得出。

σX=Var(X)=b−a12≈0.2887⋅(b−a)\sigma_X = \sqrt{Var(X)} = \frac{b-a}{\sqrt{12}} \approx 0.2887 \cdot (b-a)
MX(t)=E[etX]={etb−etat(b−a)t≠01t=0M_X(t) = E[e^{tX}] = \begin{cases} \frac{e^{tb} - e^{ta}}{t(b-a)} & t \neq 0 \\ 1 & t = 0 \end{cases}

示例：公交车等待时间

假设一辆公交车在上午8:00到8:20之间随机到达，且在任何时刻到达的概率都一样。设 X X 为从8:00开始的等待时间（以分钟为单位）。

  • 那么 X X 服从在区间 [0,20] [0, 20] 上的连续均匀分布，即 X∼U(0,20) X \sim U(0, 20) 。
  • a=0 a=0 , b=20 b=20 。
  • PDF: f(x)=120−0=120 f(x) = \frac{1}{20-0} = \frac{1}{20} ，对于 0≤x≤20 0 \le x \le 20 。
  • 期望值: E[X]=0+202=10 E[X] = \frac{0+20}{2} = 10 。平均等待时间为10分钟。
  • 方差: Var(X)=(20−0)212=40012=1003≈33.33 Var(X) = \frac{(20-0)^2}{12} = \frac{400}{12} = \frac{100}{3} \approx 33.33 。
  • 计算概率: 等待时间在5到15分钟之间的概率是多少？

P(5≤X≤15)=∫515120dx=120[x]515=15−520=1020=0.5 P(5 \le X \le 15) = \int_{5}^{15} \frac{1}{20} dx = \frac{1}{20} [x]_{5}^{15} = \frac{15-5}{20} = \frac{10}{20} = 0.5 。 或者，使用CDF计算：P(5≤X≤15)=F(15)−F(5)=15−020−5−020=1020=0.5 P(5 \le X \le 15) = F(15) - F(5) = \frac{15-0}{20} - \frac{5-0}{20} = \frac{10}{20} = 0.5 。

这个例子直观展示了连续均匀分布的一个重要特征：在相同长度的子区间上，概率始终相等——等待5到15分钟（10分钟窗口）的概率恰好是50\%，与区间总长度20分钟的一半完全对应。

重要性质与应用

  1. 最大熵 (Maximum Entropy)：对于一个给定了取值范围的随机变量，如果我们没有任何其他信息，那么假设其服从均匀分布是最合理的选择。这是因为均匀分布在所有具有相同支撑集的分布中，其信息熵是最大的，代表了最大的不确定性。具体而言，连续均匀分布 U(a,b) U(a,b) 的微分熵为 ln⁡(b−a) \ln(b-a) ，任何其他具有相同支撑的连续分布其熵都不会超过此值。这一性质使均匀分布成为贝叶斯统计中无信息先验分布（如拉普拉斯的"不充分理由原则"）的自然选择。
  1. 随机数生成的基础：均匀分布，特别是 U(0,1) U(0, 1) ，是所有随机模拟的基石。计算机中的伪随机数生成器本质上就是为了产生服从 U(0,1) U(0, 1) 分布的序列。通过逆变换采样法 (Inverse Transform Sampling) 等技术，我们可以将 U(0,1) U(0, 1) 的随机数转换成服从其他任何复杂分布（如正态分布、指数分布）的随机数。这是蒙特卡洛方法的核心。逆变换采样的原理是：若 U∼U(0,1) U \sim U(0,1) ，则 X=F−1(U) X = F^{-1}(U) 服从目标分布 F F ，其中 F−1 F^{-1} 是目标CDF的反函数。
  1. 在统计检验中的应用：在假设检验中，如果零假设 (H0 H_0 ) 是正确的，那么计算出的P值 (p-value) 理论上应该服从 U(0,1) U(0, 1) 分布。这个性质可以用来检验一系列独立实验的p值是否表现正常。如果一组p值的分布明显偏离均匀分布（例如大量集中在0附近），则暗示零假设可能不成立，或存在发表偏倚等系统性偏差。
  1. 在经济学中的应用：均匀分布在经济学建模中也有重要地位。例如，在拍卖理论中，竞拍者的私人估值常被假设服从均匀分布以简化均衡分析；在产业组织理论中，消费者对产品特征的偏好常被建模为在某个特征空间上服从均匀分布（如 Hotelling 线性城市模型）；在博弈论的混合策略均衡中，玩家以均匀概率随机化其策略也是一种常见的均衡形态。

离散与连续的对比

| 特征 | 离散均匀分布 | 连续均匀分布 | |------|-------------|-------------| | 支撑集 | 有限个离散点 {a,…,b} \{a, \dots, b\} | 连续区间 [a,b] [a, b] | | 概率描述 | PMF: P(X=k)=1n P(X=k)=\frac{1}{n} | PDF: f(x)=1b−a f(x)=\frac{1}{b-a} | | CDF形状 | 阶梯函数 | 线性斜坡 | | 方差 | (b−a+1)2−112 \frac{(b-a+1)^2-1}{12} | (b−a)212 \frac{(b-a)^2}{12} | | 单点概率 | >0 >0 （等于 1n \frac{1}{n} ） | =0 =0 | | 典型场景 | 骰子、抽签、随机抽样 | 到达时间、随机数、坐标位置 |

理解这两种形式的区别与联系，是掌握均匀分布及其在概率统计建模中应用的关键。无论是离散还是连续情形，均匀分布都体现了"在给定范围内无偏袒地对待每一个可能结果"这一基本思想，这既是其数学简洁性的根源，也是其广泛适用性的基础。