在一个特定的范围或集合内,每一个结果或区间（等长度的）发生的可能性是完全相同的。
均匀分布主要分为两类：离散型均匀分布 和 连续型均匀分布。
离散型均匀分布
定义：如果随机变量 (X) 只有有限个（或可数个）取值，且每个取值出现的概率相等，则称 (X) 服从离散型均匀分布。
核心特征：所有可能结果是有限个、明确分离的、且概率均等。
经典例子：
- 抛一枚均匀的骰子：出现1点到6点的概率都是 ( \frac{1}{6} )。
- 抛一枚均匀的硬币：正面和反面出现的概率都是 ( \frac{1}{2} )。
- 从一副洗匀的扑克牌中随机抽一张：抽到任意特定一张牌的概率都是 ( \frac{1}{54} )。
概率质量函数： (X) 可能取值为 ( {x_1, x_2, ..., x_n} )，那么其概率函数为： [ P(X = x_i) = \frac{1}{n}, \quad \text{对于所有 } i = 1, 2, ..., n ]
表示方法：常记为 ( X \sim U{x_1, x_2, ..., x_n} )。
连续型均匀分布
定义：如果随机变量 (X) 在一个有限区间 ([a, b]) 内取值，且落在该区间内任意等长度子区间的概率是相同的（只取决于子区间的长度，不取决于位置），则称 (X) 服从连续型均匀分布。
核心特征：概率均匀地分布在一个连续的区间上，单个点的概率为0，我们只讨论它落在某个区间内的概率。
经典例子：
- 在区间 [0, 1] 上随机取一个点。
- 公交车每10分钟一班，乘客随机到达车站，等车时间 服从 [0, 10] 上的均匀分布。
- 一个圆盘上的随机一点（角度服从均匀分布）。
概率密度函数： 在区间 ([a, b]) 上，其概率密度函数是一个“平顶”的常数： [ f(x) = \begin{cases} \frac{1}{b-a}, & \text{若 } a \le x \le b \ 0, & \text{其他} \end{cases} ] 这个常数 ( \frac{1}{b-a} ) 保证了曲线下的总面积（总概率）为1。
分布函数： [ F(x) = P(X \le x) = \begin{cases} 0, & x < a \ \frac{x-a}{b-a}, & a \le x < b \ 1, & x \ge b \end{cases} ] 这是一个从0到1的线性增长函数。
表示方法：常记为 ( X \sim U(a, b) ) 或 ( X \sim \text{Unif}(a, b) )。
概率计算： 随机变量 (X) 落在区间 ([c, d])（([c, d] \subseteq [a, b])）内的概率为： [ P(c \le X \le d) = \frac{d-c}{b-a} ] 即 区间长度之比。
| 特性 | 离散型均匀分布 | 连续型均匀分布 |
|---|---|---|
| 定义域 | 有限个离散点 ( {x_1, ..., x_n} ) | 连续区间 ([a, b]) |
| 等可能性 | 每个点的概率相等 | 每个等长度区间的概率相等 |
| 单点概率 | ( P(X=x_i) = 1/n ) | ( P(X=x) = 0 ) |
| 计算重点 | 计算特定点的概率 | 计算落在某个区间的概率 |
| 图像 | 一系列高度相等的竖线 | 一个矩形（平顶的PDF） |
| 期望（均值） | ( E(X) = \frac{1}{n} \sum_{i=1}^{n} x_i ) | ( E(X) = \frac{a+b}{2} )（区间中点） |
| 方差 | ( \text{Var}(X) = \frac{1}{n} \sum_{i=1}^{n} (x_i - E(X))^2 ) | ( \text{Var}(X) = \frac{(b-a)^2}{12} ) |
直观理解与应用
- “完全随机”的模型：当我们对某个范围内的结果没有任何先验信息，认为所有（或所有同等规模的部分）结果“一样可能”时，就使用均匀分布，它是信息最少（不确定性最大）的分布。
- 随机数生成的基础：计算机生成的“伪随机数”通常首先生成 [0, 1) 上的均匀分布随机数，再通过变换得到其他分布。
- 仿真与蒙特卡洛方法：作为模拟随机现象的起点。
- 质量控制：假设加工误差在某个公差带内是均匀出现的。
简单记忆：离散均匀分布是“点”的公平，连续均匀分布是“长度”的公平。
