1 基本概念
均匀分布是概率论中最基础的分布类型之一，核心思想是：在给定的取值范围内，各个结果在模型中被视为同等可能。它既可以出现在有限个离散结果上，也可以定义在连续区间内，因此常被用作“没有额外偏好”时的理想化模型。
1.1 分布定义
从广义上看，均匀分布描述的是随机变量在其支持集上具有均匀的概率分配。对于离散情形，各可能取值的概率相同；对于连续情形，任意等长子区间所对应的概率相同。这种定义强调的是“按数量或长度平均分配”，而不是对某个点赋予特殊权重。
1.2 离散均匀分布
离散均匀分布适用于有限个或可枚举的离散结果，每个结果出现的概率完全一致。它常见于抽签、掷均匀骰子、从编号集合中随机选取元素等场景。
1.2.1 有限样本空间
当样本空间由有限个元素组成时，如果每个样本点都具有相同的概率，就形成了典型的离散均匀分布。此时，概率的分配只取决于样本点总数，而与具体样本点的性质无关。
1.2.2 等概率事件
在离散均匀模型中，事件的概率可由其包含的样本点个数决定。若两个事件包含的样本点数量相同，则它们的概率也相同，这使得计算过程十分直接。
1.3 连续均匀分布
连续均匀分布定义在某个有限区间上，随机变量在区间内部的“密度”保持恒定。它并不意味着每个具体点都具有相同的非零概率，而是强调区间长度决定概率大小。
1.3.1 区间上的均匀性
在连续均匀分布中，区间内任意等长子区间的概率相等。换言之，若两个区间长度相同，则它们被取中的可能性一致，这种性质体现了对位置的不偏向。
1.3.2 概率密度函数
连续均匀分布通常用常数密度函数描述。密度在支持区间内为固定值，在区间外为零，因此概率可通过对密度在区间上积分得到。
1.4 几何解释
从几何角度看，均匀分布可理解为在一条线段上“均匀撒点”或在有限集合中“均匀抽取”。在连续情形下，区间长度对应概率质量；在离散情形下，元素个数对应概率份额。这种直观解释使其常被用作概率建模的入门范例。
2 数学表示
均匀分布的数学表示十分简洁，便于计算和分析。其核心形式通常由概率质量函数、概率密度函数以及分布函数来刻画。
2.1 概率质量函数
离散均匀分布的概率质量函数描述每个离散取值的概率。由于各点等概率，函数形式通常是常数，并且总和为 1。
2.1.1 离散情形的公式
若随机变量在 \(n\) 个取值上均匀分布，则每个取值的概率均为 \(1/n\)。因此，概率质量函数可写成对每个支持点取相同常数的形式。
2.2 概率密度函数
连续均匀分布由概率密度函数表示，密度在区间内为常数，区间外为零。该常数由“总概率为 1”的条件唯一确定。
2.2.1 连续情形的公式
若随机变量在区间 \([a,b]\) 上均匀分布，则密度函数在该区间内取值为 \(1/(b-a)\)。这保证了在整个区间上的积分等于 1，也体现出单位长度概率一致的特征。
2.3 分布函数
分布函数给出随机变量不超过某一值的累计概率。均匀分布的分布函数通常呈分段线性形式，便于直接读取区间内的位置概率。
2.3.1 分段表达形式
在连续均匀分布中，分布函数在区间左端点之前恒为 0，在区间内部按线性方式增长，在右端点之后恒为 1。离散均匀分布的分布函数则表现为阶梯状增长。
2.4 参数记号
均匀分布的参数记号通常非常直观，主要体现区间端点或样本点数量。不同教材与软件中记号略有差异，但基本含义一致。
2.4.1 区间端点参数
连续均匀分布一般用区间端点 \(a\) 与 \(b\) 表示，记作 \(U(a,b)\) 或类似形式。端点决定支持区间的位置与长度，也决定密度常数的大小。
2.4.2 样本点数量参数
离散均匀分布常以样本点个数或取值集合来表征。若支持集为 \( \{1,2,\dots,n\} \)，则参数 \(n\) 直接决定每个结果的概率。
3 统计性质
均匀分布的统计性质计算方便，因而常被用作检验推导与算法正确性的基准分布。其期望、方差和分位数都具有明确表达式。
3.1 数学期望
数学期望反映随机变量的平均水平。对于均匀分布而言，期望通常位于支持区间的中点，体现出分布的平衡性。
3.1.1 离散均匀分布的期望
离散均匀分布的期望等于所有取值的算术平均。若取值为连续整数，则期望可由首末项的中点给出，计算上十分简便。
3.1.2 连续均匀分布的期望
连续均匀分布在区间 \([a,b]\) 上的期望为 \((a+b)/2\)。这说明随机变量平均上位于区间中心，不偏向两端。
3.2 方差
方差衡量随机变量围绕期望的离散程度。均匀分布的方差只与支持范围的长度有关，区间越宽，波动越大。
3.2.1 方差公式推导
连续均匀分布的方差可由积分计算得到，结果为 \((b-a)^2/12\)。离散均匀分布的方差则随取值范围和间距变化，其形式通常与离散点的间隔有关。
3.3 中位数与分位数
中位数表示一半概率落在其左侧，一半落在其右侧。对于对称的均匀分布，中位数与均值一致，分位数也具有简单的线性结构。
3.3.1 连续情形的分位点
连续均匀分布的分位点可以直接按区间长度比例求得。若分位水平为 \(p\)，则对应位置就是从左端点开始按比例推进的点，计算上非常直观。
3.4 矩与中心矩
矩是描述分布形状的一类重要统计量，中心矩则刻画围绕均值的波动特征。由于均匀分布的密度恒定，相关积分通常容易化简。
3.4.1 一阶矩与高阶矩
一阶矩即期望；高阶矩反映尾部和形状特征。均匀分布的各阶矩均可通过简单积分或求和得到，因此常被用于教学中的基础示例。
4 重要性质
均匀分布之所以重要，不仅因为形式简单，还因为它具有一系列结构性性质，在变换、对称和多维推广中都表现稳定。
4.1 平移与缩放
均匀分布在仿射变换下保持同类形式。也就是说，经过平移和线性缩放后，仍然会得到均匀分布，只是支持区间发生改变。
4.1.1 区间变换下的保持性
若对一个均匀随机变量作线性变换，新变量仍然在相应新区间上均匀分布。这一性质使均匀分布成为构造其他区间上随机变量的基础。
4.2 对称性
连续均匀分布具有明显的对称性，尤其在区间两端对称时更为直观。它的概率质量在几何中心两侧完全均衡。
4.2.1 关于区间中心的对称
在区间 \([a,b]\) 上，连续均匀分布关于中点 \((a+b)/2\) 对称。任意关于中心对称的位置，其概率结构完全一致。
4.3 最大熵性质
在给定支持集且仅已知变量落在其中的前提下，均匀分布具有最大的熵。它代表在信息最少时的最“无偏”选择。
4.3.1 给定支持集下的最不偏分布
最大熵性质表明，在缺乏额外信息时，均匀分布是最保守的建模选择。它避免人为引入不必要的倾向，因此常作为默认假设。
4.4 独立性与联合分布
多个均匀随机变量可以构成联合分布。若它们彼此独立，则联合密度或联合概率可由各自分布的乘积给出。
4.4.1 多维均匀分布
多维均匀分布将均匀性推广到更高维空间中。随机点在某个区域内等可能出现，常用于几何概率和高维模拟。
4.4.2 超矩形区域上的均匀分布
在超矩形区域内，联合密度可以取常数，只要该常数保证整体积分为 1。该模型是多维随机采样中最常见的基础情形之一。
5 抽样与生成
均匀分布在随机数生成和抽样算法中占据核心地位。很多复杂分布的模拟都要先从均匀分布出发，再经过变换得到目标分布。
5.1 随机数生成
计算机中所谓随机数，通常首先指均匀分布上的伪随机序列。它们在形式上模拟均匀抽样，但本质上由确定性算法产生。
5.1.1 伪随机数与真随机数
伪随机数由算法生成，具有可复现性；真随机数则依赖物理随机源。实际应用中，伪随机均匀数更常见，因为它便于控制和重复实验。
5.2 从均匀分布采样
从均匀分布采样是许多随机算法的起点。无论是直接生成区间上的随机点，还是间接通过变换得到复杂分布，都离不开这一过程。
5.2.1 直接采样方法
直接采样通常依赖底层随机数发生器，在指定区间内输出均匀值。对于离散情形，则可直接在给定索引集合中随机选择。
5.2.2 逆变换法
逆变换法利用分布函数的反函数将均匀随机变量映射到目标分布。由于均匀分布的结构简单，它常作为这一方法的起点分布。
5.3 计算机实现
各类编程语言与数值库通常都提供均匀分布生成接口，用于科学计算、仿真和统计实验。其调用方式虽不同，但功能大体相近。
5.3.1 编程语言中的接口
常见接口会区分整数均匀和实数均匀两类输出，并允许设置区间端点或样本范围。部分接口还支持随机种子，便于结果复现。
5.3.2 数值精度问题
在计算机中，连续均匀分布只能以有限精度近似表示，因此实际输出往往落在离散网格上。区间端点是否可取、舍入方式如何处理，都会影响实现细节。
6 应用
均匀分布广泛用于描述缺乏偏好信息的场景，也常作为各种随机算法和模拟程序的基础模块。其应用范围从理论建模到工程实现都很常见。
6.1 概率建模
在概率建模中，均匀分布常用于表达“各结果没有差别”的理想情形。它能为更复杂模型提供起点或对照标准。
6.1.1 理想化随机选择
当某个对象被视为在候选集合中随机抽取时，均匀分布提供了最直接的表示。例如随机抽号、随机抽样、随机定位等，都可用它来建模。
6.2 统计模拟
统计模拟中，均匀分布通常负责提供基础随机输入。通过大量重复抽样，可以估计复杂问题的数值结果。
6.2.1 蒙特卡罗方法
蒙特卡罗方法大量依赖均匀随机数来构造样本，再对样本进行统计汇总。其优势在于实现简洁，尤其适合高维或难以解析求解的问题。
6.3 算法设计
许多随机算法以均匀分布作为底层资源，用于打破确定性偏差，提升平均性能或实现公平选择。
6.3.1 随机洗牌
随机洗牌要求每种排列出现的机会尽可能一致。实现时通常通过均匀随机选择交换位置，达到打乱顺序的目的。
6.3.2 随机索引选择
在数组、列表或数据库记录中随机取一个元素时，常直接生成均匀索引。这样可以保证每个位置被选中的机会相同。
6.4 物理与工程
在物理和工程中，均匀分布常用于建模微小扰动、误差来源或初始条件的不确定性。它虽然理想化，但有助于建立可分析的近似模型。
6.4.1 均匀扰动模型
均匀扰动模型假设误差在某个有限区间内平均分布。该模型常用于粗略估计系统输入波动、测量误差或数值误差的影响。
7 相关分布
均匀分布与许多基本分布存在紧密联系，既可作为特殊情形，也可作为变换或比较对象。
7.1 伯努利分布
伯努利分布描述一次二元试验的结果。离散均匀分布在最简单的二元情形下与伯努利分布有直接联系。
7.1.1 离散均匀与二项结果
当离散均匀分布只包含两个等可能结果时，可等价看作参数为 \(1/2\) 的伯努利分布。多次独立试验的结果则进一步导向二项分布。
7.2 连续分布族
连续均匀分布与其他连续分布之间的关系常体现在形状差异和生成方式上。它是比较“平坦”与“尖峰”分布时的常用基准。
7.2.1 三角分布
三角分布可由两个均匀随机变量的和或平均引出，呈现出比均匀分布更集中于中间的形状。它常被用来描述有中心偏好但又不适合正态模型的情形。
7.2.2 正态分布的对比
正态分布具有钟形曲线和无限支持，而均匀分布则在有限区间内保持常数密度。两者在形状、尾部和应用场景上差异明显，前者更强调集中性，后者更强调无偏性。
7.3 变换后的分布
均匀分布经过函数变换后，往往会得到新的分布形式。若变换为线性函数，则结果仍具有简单结构。
7.3.1 线性变换结果
对均匀随机变量作线性变换后，新的随机变量仍服从均匀分布，只是区间位置和长度发生改变。这个性质使其在模拟中非常灵活。
7.4 条件分布
在条件限制下，原本的分布可能缩减为局部区间上的均匀分布。均匀分布在这一点上表现出良好的稳定性。
7.4.1 受限区间上的均匀性
若已知随机变量落在原区间的某个子区间内，则在该子区间上，其条件分布仍可保持均匀。概率会按新的区间长度重新归一化。
8 扩展与变体
均匀分布不仅限于一维区间，还可以推广到更复杂的几何区域和不同的约束空间中，形成多种常见变体。
8.1 多维均匀分布
多维均匀分布将单维区间上的均匀性扩展到平面、空间或更高维区域。其基本思想是区域内任意等体积部分具有相同概率。
8.1.1 矩形区域
在二维矩形区域内，均匀分布的密度为常数。此时每个子矩形的概率与面积成正比，直观上相当于在平面上均匀撒点。
8.1.2 立方体区域
在三维立方体及更高维超立方体中，均匀分布的处理方式与矩形区域类似。它常用于高维采样和随机实验设计。
8.2 圆形区域上的均匀分布
圆形区域上的均匀分布强调按面积而非按半径均匀。与一维区间不同，这里的“均匀”需要特别注意坐标变换带来的非线性因素。
8.2.1 极坐标表示
在极坐标下，若直接令半径和角度都均匀取值，通常并不能得到平面上的均匀分布。正确做法需要使面积元素在概率上保持一致，因此半径部分需进行适当变换。
8.3 单纯形上的均匀分布
单纯形上的均匀分布是对受线性约束区域的一种自然推广，常见于组成比例、资源分配和随机权重模型。
8.3.1 Dirichlet 相关联系
单纯形上的均匀分布与 Dirichlet 分布存在紧密关系。特定参数取值下，Dirichlet 分布可退化为单纯形上的均匀分布，因此常被视为其推广形式。
8.4 加权均匀与非均匀情形
当取值范围内不同部分被赋予不同权重时，分布便偏离了均匀状态。此时，研究重点往往转向偏离程度及其度量方式。
8.4.1 偏离均匀性的测度
偏离均匀性的程度可以通过熵、距离或拟合检验等方法衡量。它们用于判断实际数据与理想均匀模型之间的差异，从而评估模型适用性。