连续均匀分布

连续均匀分布

连续均匀分布=概率论中最基本的连续概率分布→随机变量在有限区间$[a,b]$内任意等长子区间取值的概率相等→描述"完全无知"或"等可能"的先验信念→是贝叶斯统计中无信息先验的重要选择→也是蒙特卡洛方法中生成一切随机变量的起点。记为 $X\sim U(a,b)$ 或 $X\sim\text{Uniform}(a,b)$。

定义与密度函数

若连续随机变量$X$取值于区间$[a,b]$（$a<b$），其概率密度函数PDF为：

0, \& $\text{其他}$

密度在支撑集上恒为常数$\frac{1}{b-a}$→图形为$[a,b]$上的水平线段+两端零→是连续分布中最简单的密度形式。参数$a$=下界（位置参数），$b$=上界，区间长度$b-a$决定密度高度→区间越长密度越低以保证总积分为1。支撑集紧致→保证了一切矩均有限存在→与正态分布等无界支撑分布形成对比。

参数约束：必须$a<b$→若$a=b$则退化为退化分布（单点分布）→无密度。实际应用中常标准化至$U(0,1)$以简化分析。

累积分布函数CDF

0, \& x<a\\

1, \& x\geq b

CDF在$[a,b]$内线性增长→斜率=$\frac{1}{b-a}$→直观反映"等可能"：设子区间$[c,d]\subset[a,b]$→$P(c\leq X\leq d)=\frac{d-c}{b-a}$→概率仅取决于区间长度→与位置无关。此性质可作另一定义：若某连续分布的CDF在支撑集上为线性函数→则该分布必为均匀分布。

数字特征

• 期望/均值：$E[X]=\frac{a+b}{2}$——区间中点→对称性自然结果→是位置参数的直接体现。
• 中位数：$=\frac{a+b}{2}$——与均值重合→因为分布关于中心完全对称。
• 方差：$\text{Var}(X)=\frac{(b-a)^2}{12}$——仅取决于区间长度平方→区间越宽→不确定性越大。推导：先求二阶原点矩$E[X^2]=\int_a^b x^2\frac{1}{b-a}dx=\frac{a^2+ab+b^2}{3}$→再$\text{Var}=E[X^2]-(E[X])^2=\frac{(b-a)^2}{12}$。标准差$\sigma=\frac{b-a}{2\sqrt{3}}$约为区间长度的0.289倍。
• 矩母函数MGF：$M_X(t)=\frac{e^{tb}-e^{ta}}{t(b-a)}$（$t\neq0$），$M_X(0)=1$→通过极限$t\to0$时洛必达法则验证。
• 特征函数：$\varphi_X(t)=\frac{e^{itb}-e^{ita}}{it(b-a)}$→在证明中心极限定理相关命题时常用。
• 熵：微分熵=$\ln(b-a)$→在所有支撑集为$[a,b]$的连续分布中，均匀分布的熵最大→即"最少信息/最大不确定性"→是最大熵原理的自然先验→当仅知变量范围而不知其他任何信息时→均匀分布是唯一合理的选择。
• 偏度：0——完全对称→无偏斜。峰度：$\frac{9}{5}=1.8$——低于正态分布的3→均匀分布的尾部比正态更"薄"→极端值不可能超出$[a,b]$。

与其他分布的关系

①概率积分变换：若$X\sim U(0,1)$→对任意连续分布$F_Y$（严格增）→$Y=F_Y^{-1}(X)\sim F_Y$→均匀分布是生成一切连续分布的"原子分布"→逆变换采样的基础→蒙特卡洛模拟核心工具→无论目标分布多复杂→只要CDF可逆→即可从$U(0,1)$采样。

②与Beta分布：$U(0,1)=\text{Beta}(1,1)$→Beta分布在$\alpha=\beta=1$时退化为均匀分布→Beta族可视为均匀分布的灵活推广→通过调整$\alpha,\beta$可拟合U形、钟形、J形等多种形状。

③与指数分布：若$X\sim U(0,1)$→$Y=-\lambda\ln X\sim\text{Exp}(\lambda)$→此即指数分布的逆变换采样公式→广泛用于排队论与可靠性工程模拟。

④顺序统计量：$n$个独立$U(0,1)$的第$k$顺序统计量→$X_{(k)}\sim\text{Beta}(k,n-k+1)$→此性质在非参数统计和排序检验中关键→如Kolmogorov-Smirnov检验的零分布即基于均匀顺序统计量。

⑤与正态分布：Box-Muller变换→两独立$U(0,1)$→$Z_1=\sqrt{-2\ln U_1}\cos(2\pi U_2)$,$Z_2=\sqrt{-2\ln U_1}\sin(2\pi U_2)$→独立标准正态→是正态随机数生成的经典方法。

⑥与柯西分布：若$X\sim U(-\pi/2,\pi/2)$→$Y=\tan X\sim\text{Cauchy}(0,1)$。

经济与统计应用

随机化实验：随机对照试验RCT中→处理分配常取$U(0,1)$→若$u_i\leq p$则入处理组→保证无混杂偏倚→是因果推断中潜在结果框架的基础操作。

蒙特卡洛积分：$\int_a^b g(x)dx\approx\frac{b-a}{n}\sum_{i=1}^n g(X_i)$,$X_i\overset{iid}{\sim}U(a,b)$→大数定律保证$n\to\infty$时收敛→收敛速率$O(1/\sqrt{n})$与维度无关→是数值积分与贝叶斯计算（MCMC）的基石。

拍卖与博弈：第一价格密封拍卖中→竞标者私有估值常设$v_i\sim U[0,1]$→对称均衡出价策略$b(v)=\frac{n-1}{n}v$→竞标者按比例压低报价→随竞标者数$n$增加→报价趋近真实估值→是拍卖理论的标准入门模型。

稳健性检验：敏感性分析中→对不确定参数设均匀先验（最大熵理由）→考察结论在参数范围内的稳定性→若结论对均匀先验不敏感→则对其他先验也大概率稳健。

随机效用模型：Logit模型中→随机效用$\epsilon_{ij}$若设均匀而非极值分布→得线性概率模型LPM→虽不如Logit常用→但直观阐明离散选择中"效用最大化→选择概率"的基本逻辑→且LPM在边际效应估计上有独特优势。

接受-拒绝采样：当目标分布的CDF不可逆时→用均匀分布作为提议分布→结合接受概率筛选样本→是通用随机数生成框架→MCMC中Metropolis-Hastings算法的思想前身。

连续均匀与离散均匀：两者共享"等可能"核心思想→但连续均匀的$P(X=x)=0$对任意单点→而离散均匀$P(X=x_i)=1/n$→本质区别在于测度→连续用Lebesgue测度→离散用计数测度→该对偶关系贯穿概率论全部理论。

参数估计

给定独立同分布样本$X_1,\dots,X_n\sim U(a,b)$（$a,b$未知）→矩估计：令$\bar{X}=\frac{\hat{a}+\hat{b}}{2}$,$S^2=\frac{(\hat{b}-\hat{a})^2}{12}$→解得$\hat{a}=\bar{X}-\sqrt{3}S$,$\hat{b}=\bar{X}+\sqrt{3}S$→简单但不保证$\hat{a}\leq\min X_i$或$\hat{b}\geq\max X_i$。

极大似然估计MLE：似然函数$L(a,b)=\prod_{i=1}^n\frac{1}{b-a}\cdot\mathbf{1}_{[a\leq X_i\leq b]}=\frac{1}{(b-a)^n}\cdot\mathbf{1}_{[a\leq X_{(1)},X_{(n)}\leq b]}$→其中$X_{(1)}=\min X_i$,$X_{(n)}=\max X_i$为顺序统计量。似然随$b-a$减小而增大→故应使区间尽可能窄但仍覆盖所有样本→MLE为$\hat{a}_{MLE}=X_{(1)}$,$\hat{b}_{MLE}=X_{(n)}$。MLE有偏但一致→$\hat{a}_{MLE}$低估$a$→$\hat{b}_{MLE}$高估$b$→因为样本极值倾向于落在真实边界之内。均匀分布的MLE不满足正则条件（支撑集依赖参数）→Fisher信息矩阵标准理论不直接适用→渐近分布非正态而是极值分布→是统计推断中重要的反例。

标准均匀分布

特例$U(0,1)$→PDF=1（$0\leq x\leq1$）→CDF=$x$（恒等函数）→均值$\frac12$→方差$\frac1{12}$→是最常用的基准分布。任何$X\sim U(a,b)$可经线性变换$Z=\frac{X-a}{b-a}\sim U(0,1)$标准化→标准化均匀是连续分布族的"原点"→类似标准正态$N(0,1)$在正态族中的地位→几乎所有统计软件的随机数生成器都以$U(0,1)$为底层引擎→再通过变换产生各类分布→这一事实凸显了均匀分布在计算统计中的枢纽地位。