Uniform distribution

均匀分布（Uniform Distribution）是概率论与统计学中最简单、最基本的概率分布之一。对于连续型随机变量，均匀分布描述的是在一个有限区间内所有可能取值概率密度相等的随机现象；对于离散型随机变量，均匀分布则指有限个取值中每个结果出现的概率相同。均匀分布不仅是推导许多其他分布的基础工具，也是统计模拟与蒙特卡洛方法的理论起点。在贝叶斯统计中，均匀分布常被用作"无信息"的先验分布；在缺乏具体分布信息时，它也是最自然的默认假设。

定义与概率密度函数

设连续型随机变量 $X$ 在有限区间 $[a, b]$ 上服从均匀分布，记作 $X \sim U(a, b)$ ，其概率密度函数（PDF）为：

f(x) = \begin{cases} \dfrac{1}{b - a}, & a \leq x \leq b \\ 0, & \text{其他} \end{cases}

该密度函数在区间内恒为常数 $\frac{1}{b - a}$ ，意味着变量落在任意等长度子区间上的概率相同。这一性质是"均匀"这一名称的根本来源。均匀分布是唯一同时具有有限支撑和常数密度函数的连续分布。

累积分布函数（CDF）由密度函数积分直接得到：

F(x) = \int_{-\infty}^{x} f(t) dt = \begin{cases} 0, & x < a \\ \dfrac{x - a}{b - a}, & a \leq x \leq b \\ 1, & x > b \end{cases}

CDF在区间 $[a, b]$ 内是一条斜率为 $\frac{1}{b-a}$ 的直线，从 $x=a$ 处的 $0$ 线性增长至 $x=b$ 处的 $1$ 。这一线性性质在随机数生成中具有重要作用——通过逆变换法， $U(0,1)$ 的CDF的反函数可以用于生成任意连续分布的随机样本。

数字特征

均匀分布 $U(a, b)$ 的各阶矩均有简洁的闭合表达式，无需数值积分即可精确计算。

均值（数学期望）等于区间中点：

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

中位数与均值相等，也为 $\frac{a+b}{2}$ ，反映了均匀分布的对称性。

方差衡量分布的离散程度：

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

标准差为 $\frac{b - a}{\sqrt{12}}$ 。偏度（Skewness）为 $0$ ，表明分布完全对称；峰度（Kurtosis）为 $-\frac{6}{5}$ ，表明均匀分布的尾部比正态分布更薄，极端值出现的概率更低。

矩生成函数（MGF）为：

M_X(t) = \mathbb{E}[e^{tX}] = \frac{e^{tb} - e^{ta}}{t(b - a)}

当 $t \to 0$ 时，MGF的极限为 $1$ ，与所有概率分布在原点处的归一化条件一致。利用MGF可方便地计算均匀分布的高阶矩。

分位数函数（CDF的反函数）为：

Q(p) = a + p(b - a), \quad 0 \leq p \leq 1

分位数函数同样为线性函数，这在随机数生成中极为便利。

离散均匀分布

当随机变量的取值集合为有限集且每个值等概率出现时，该变量服从离散均匀分布。离散均匀分布是最常见的离散概率模型之一。例如，掷一枚公平的六面骰子，每个面朝上的概率均为 $\frac{1}{6}$ ；从一副洗好的扑克牌中随机抽取一张，每张牌被抽中的概率为 $\frac{1}{52}$ 。

一般地，设变量 $X$ 取值集合为 $\{x_1, x_2, \dots, x_n\}$ ，则离散均匀分布的概率质量函数（PMF）为：

P(X = x_i) = \frac{1}{n}, \quad i = 1, 2, \dots, n

离散均匀分布的均值为 $\frac{1}{n} \sum_{i=1}^{n} x_i$ ，方差为 $\frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})^2$ 。若取值为连续整数 $1, 2, \dots, n$ ，则均值简化为 $\frac{n+1}{2}$ ，方差简化为 $\frac{n^2 - 1}{12}$ 。离散均匀分布在抽样调查、实验设计和密码学中均有重要应用。

最大熵性质

在所有支撑集为有界区间 $[a, b]$ 的连续概率分布中，均匀分布具有最大熵（Maximum Entropy）。确切地说，均匀分布的微分熵为 $\ln(b - a)$ ，大于任何支撑在 $[a, b]$ 上的其他分布。这一性质意味着均匀分布是对已知信息最少、不确定性最大的分布，因而在信息论和贝叶斯统计中具有特殊地位——当仅知道参数取值范围而无其他先验信息时，均匀分布是最合理的"无信息"先验选择。

与其他分布的关系

均匀分布与许多常见概率分布之间存在深刻的数学联系：

Irwin-Hall分布： $n$ 个独立同分布的 $U(0, 1)$ 随机变量之和服从 Irwin-Hall 分布。当 $n$ 增大时，该和的分布趋近于正态分布，这是中心极限定理的直接体现。

Beta分布：来自 $U(0, 1)$ 的 $n$ 个独立样本的次序统计量 $X_{(k)}$ 服从 $\text{Beta}(k, n - k + 1)$ 分布。此外，在贝叶斯推断中，Beta 分布是二项分布参数的共轭先验，而 $U(0, 1)$ 是 Beta 分布的特例（ $\text{Beta}(1, 1)$ ）。

正态分布：Box-Muller变换利用两个独立 $U(0, 1)$ 变量生成独立的标准正态变量。若 $U_1, U_2 \sim U(0, 1)$ ，则令：

Z_1 = \sqrt{-2\ln U_1} \cos(2\pi U_2), \quad Z_2 = \sqrt{-2\ln U_1} \sin(2\pi U_2)

所得 $Z_1, Z_2 \sim N(0, 1)$ 且相互独立。

指数分布：通过逆变换法， $X \sim U(0, 1)$ 可转化为指数分布： $Y = -\frac{1}{\lambda} \ln(1 - X) \sim \text{Exp}(\lambda)$ 。

三角分布：两个独立 $U(0, 1)$ 变量的平均服从三角分布，其PDF呈对称三角形形态。

应用场景

均匀分布在科学研究和工程实践中均有广泛应用：

蒙特卡洛模拟：几乎所有随机模拟方法都建立在生成 $U(0, 1)$ 伪随机数的基础之上，再通过逆变换法、接受-拒绝采样或Box-Muller变换将其转化为目标分布。这是金融工程中的期权定价、风险管理中的压力测试和物理学中的粒子输运模拟的核心工具。

贝叶斯统计：在缺乏先验信息时，均匀分布被广泛用作参数在有限区间上的无信息先验。例如，在估计二项分布成功概率 $p$ 时，取 $p \sim U(0, 1)$ 作为先验等价于假设所有成功概率同等可能。

测量与舍入误差模型：当测量工具精度有限时，舍入误差通常可建模为 $U(-\frac{h}{2}, \frac{h}{2})$ 分布，其中 $h$ 为最小刻度单位。这一模型在计量经济学和信号处理中用于分析量化误差的影响。

实验设计与随机化：在随机对照试验中，将处理分配到实验单元时通常假设每个单元被选择的概率服从离散均匀分布，以保证组间可比性。这一原理也是随机化推断的基础。

经济学与博弈论：均匀分布常被用于建模投资者对资产收益率的先验信念，或在拍卖理论中假设竞拍者的私人估值服从均匀分布，从而简化均衡分析。

参数估计

设 $X_1, X_2, \dots, X_n$ 为来自 $U(a, b)$ 的独立同分布样本。参数 $a$ 和 $b$ 的极大似然估计（MLE）为样本最小值和样本最大值：

\hat{a}_{\text{MLE}} = X_{(1)} = \min_i X_i, \quad \hat{b}_{\text{MLE}} = X_{(n)} = \max_i X_i

矩估计（MM）基于样本均值 $\bar{X}$ 和样本方差 $S^2$ ：

\hat{a}_{\text{MM}} = \bar{X} - \sqrt{3}\, S, \quad \hat{b}_{\text{MM}} = \bar{X} + \sqrt{3}\, S

MLE 的渐近方差与样本量成反比，且比矩估计更高效。但 MLE 在小样本下存在系统性偏误（低估区间长度），可通过无偏修正来改进：

\hat{b}_{\text{UB}} = \frac{n+1}{n} X_{(n)} - \frac{1}{n} X_{(1)}, \quad \hat{a}_{\text{UB}} = \frac{n+1}{n} X_{(1)} - \frac{1}{n} X_{(n)}

修正后的估计量 $\hat{a}_{\text{UB}}, \hat{b}_{\text{UB}}$ 分别是 $a$ 和 $b$ 的一致最小方差无偏估计（UMVUE）。此外，均匀分布属于指数族分布，因此样本最小值与样本最大值构成参数 $(a, b)$ 的充分统计量。

返回百科索引