Math-00.数学分布-23.均匀分布

均匀分布（Uniform distribution）在区间 $[a,b]$ 上赋予相等概率密度，是最简单的连续分布，也是随机数生成、无信息先验与蒙特卡洛抽样的基础。

段末注释：蒙特卡洛（Monte Carlo）方法通过随机抽样近似积分或期望；均匀随机数是大多数抽样的起点。

读前说明：连续分布，下文给出 PDF。系列：00 规划 | 相关：25.Beta。

1. 产生背景与直观

$图 1　均匀分布直观$

「在 $[a,b]$ 内任一点等可能」——转盘、随机时间点、无先验信息时对参数的默认假设（有界区间上）。

2. 定义与参数

$X \sim \mathrm{Uniform}(a, b)$，记 $\mathrm{U}(a,b)$：

要素	内容
支撑集	$[a, b]$（有时 $(a,b)$）
参数	$a < b$（下界、上界）
标准均匀	$U \sim \mathrm{U}(0,1)$

3. PDF 与 CDF

$图 2　PDF 矩形$

3.1 PDF

$$
f(x) = \begin{cases}
\dfrac{1}{b-a} & a \le x \le b \
0 & \text{otherwise}
\end{cases}
$$

3.2 CDF

$$
F(x) = \begin{cases}
0 & x < a \
\dfrac{x-a}{b-a} & a \le x \le b \
1 & x > b
\end{cases}
$$

分位数：$x_p = a + p(b-a)$（线性）。

4. 数字特征

量	公式
$\mathbb{E}[X]$	$(a+b)/2$
$\mathrm{Var}(X)$	$(b-a)^2/12$
偏度	$0$
超额峰度	$-6/5$（比正态更平）

5. 与其他分布的关系

关系	说明
Beta(1,1)	$\mathrm{U}(0,1) = \mathrm{Beta}(1,1)$ → 25.Beta
概率积分变换	若 $F$ 连续，$F(X) \sim \mathrm{U}(0,1)$
逆变换抽样	$X = F^{-1}(U)$ 生成任意分布
正态	$\mathrm{U}(0,1)$ 经 Box-Muller 等变换 → 20.正态
顺序统计量	$n$ 个 i.i.d. $\mathrm{U}(0,1)$ 的次序统计量服从 Beta 族

6. 前提假设

假设	含义	违背时
有界区间 $[a,b]$	参数/取值有明确上下界	无界 → 正态/Gamma 等
等密度	区间内任一点密度相同	真实数据 rarely 均匀
无信息先验（贝叶斯）	仅知有界，无其他偏好	有信息 → Beta
独立同分布（抽样）	多次观测 i.i.d. $\mathrm{U}(a,b)$	相关序列 → 非标准用法

段末注释：$\mathrm{U}(0,1)$ 是随机数生成与逆变换抽样的起点；$\mathrm{Beta}(1,1)=\mathrm{U}(0,1)$。

7. 适用场景

$图 3　适用场景$

场景	示例
随机数引擎	`numpy.random` 底层 U(0,1)
蒙特卡洛积分	高维矩形区域均匀抽样
贝叶斯无信息先验	有界参数 $\theta \in [a,b]$ 上的 flat prior
随机化实验	随机分组、随机起始时间
哈希/采样	reservoir 抽样中的随机索引

8. 局限与误用

$图 4　局限$

问题	说明
无界参数	不能用 U；应用正态/Gamma 等
真实数据 rarely 均匀	测量值、表达量通常右偏
伪随机质量	PRNG 周期与相关性影响 MC 精度
高维均匀	体积集中在边界（curse of dimensionality）
与「等概率事件」混淆	离散均匀 ≠ 连续均匀 PDF

9. 参数估计与推断

9.1 MLE（已知 $a$，观测 $x_1,\ldots,x_n$）

上界 $b$ 的 MLE 为 $\hat{b} = \max(x_i)$（有偏）；Bayes 可改进。

9.2 检验

K-S 检验 是否服从指定 $\mathrm{U}(a,b)$
随机性检验（游程检验等）

10. 示例与代码

场景：用逆变换从 $\mathrm{U}(0,1)$ 生成指数分布样本；验证均匀 PDF。

import numpy as np
from scipy import stats
import matplotlib.pyplot as plt

a, b = 2.0, 8.0
rng = np.random.default_rng(42)
samples = stats.uniform.rvs(a, b - a, size=5000, random_state=rng)

print(f"E theory={(a+b)/2}, sim={samples.mean():.3f}")
print(f"Var theory={(b-a)**2/12:.3f}, sim={samples.var():.3f}")

# inverse transform: Exp(lambda) from U
lam = 0.5
u = stats.uniform.rvs(size=1000, random_state=rng)
exp_samples = -np.log(1 - u) / lam
print("Exp mean:", exp_samples.mean(), "theory:", 1/lam)

x = np.linspace(a - 1, b + 1, 200)
plt.figure(figsize=(7, 4))
plt.hist(samples, bins=30, density=True, alpha=0.6, label='sim')
plt.plot(x, stats.uniform.pdf(x, a, b - a), 'r-', lw=2, label='PDF')
plt.xlabel('x'); plt.legend(); plt.title('Uniform(a,b) fit')
plt.savefig('uniform_demo.png', dpi=150)

11. 小结

U($a,b$)：等密度矩形；期望为中点，方差 $(b-a)^2/12$。
随机模拟与 Beta(1,1) 的桥梁；概率积分变换的核心。
有界无信息先验的默认选择，但不适用于无界或偏态数据。

系列导航：25.Beta | 20.正态

参考文献

scipy.stats.uniform