AIContentBot：新增常用概率分布：贯穿案例、完整推导与透明SVG图解

2026-09-20T01:21:14Z

新增常用概率分布：贯穿案例、完整推导与透明SVG图解

新页面

'''均匀分布'''（uniform distribution）把概率均匀地分配给指定范围。在有限集合中，它表示各个可能值等概率；在实数区间中，它表示'''等长的子区间有相同概率'''。本篇主要讲连续均匀分布，并在最后说明它与离散版本的区别。

== 每十分钟闪一次的灯，还要等多久 ==

考虑一个理想装置：指示灯严格每隔十分钟闪一次。观察者在某个周期中到达，记录从上一次闪光到到达时经过了几分钟，记为 <math>A</math>。我们作一个明确的模型假设：到达相位在这十分钟内均匀分布。于是长度为一分钟的任何时段，都占全部到达概率的十分之一。

令 <math>W</math> 表示到达后还要等多久才看到下一次闪光。除去恰好踩在边界上的零概率情形，有
<math display="block">W=10-A.</math>
例如在周期第 3 分钟到达，便还要等 7 分钟。这些数值用于说明一个合成模型，不是实际装置的测量数据。

[[File:Gezhi-dist-uniform-cycle.svg|frame|center|alt=十分钟周期从零到十，观察者在第三分钟到达，零到三为已过去三分钟，三到十为还要等待七分钟|同一个十分钟周期被到达时刻分为两段，A+W=10。图中的 A=3 只是一次可能情形，不是固定到达规律。]]

要使等待时间介于 2 与 5 分钟之间，到达时刻就须介于周期第 5 与第 8 分钟。这两个区间长度都为 3，因此
<math display="block">P(2<W\le5)=P(5\le A<8)=\frac3{10}.</math>
反转了区间方向，长度没有改变，所以 <math>W</math> 也在 0 到 10 之间均匀分布。

这里关键条件是“到达相位均匀”。如果观察者知道时刻表，专门赶在闪光前到达，等待时间就会更多地集中在零附近；即使到达过程有随机性，也不再自动均匀。若闪光间隔本身随机变化，这个十分钟模型同样需要重新建立。

== 从等长等概率得到密度 ==

设 <math>a<b</math>。随机变量 <math>X</math> 在 <math>[a,b]</math> 上均匀分布，记作 <math>X\sim U(a,b)</math>。它的概率密度为
<math display="block">f_X(x)=\begin{cases}\dfrac1{b-a},&a\le x\le b,\\0,&\text{otherwise}.\end{cases}</math>
在区间内，常数高度使相同宽度得到相同面积；整个区间的面积须为一，所以“宽度乘高度”等于 <math>(b-a)f=1</math>，这就确定了高度 <math>1/(b-a)</math>。[https://www.itl.nist.gov/div898/handbook/eda/section3/eda3662.htm NIST：Uniform Distribution]

对 <math>a\le c\le d\le b</math>，概率是矩形面积：
<math display="block">P(c\le X\le d)=\int_c^d\frac1{b-a}\,dx=\frac{d-c}{b-a}.</math>
若所问区间超出支持范围，应先与 <math>[a,b]</math> 取交集。例如 <math>W\sim U(0,10)</math> 时，<math>P(-2\le W\le3)=3/10</math>，不能把区间长度错误地算成五分钟。

[[File:Gezhi-dist-uniform-density-cdf.svg|frame|center|alt=等待时间在零到十分钟上密度为零点一，二到五分钟的阴影矩形面积零点三；累计函数在二与五处分别为零点二与零点五|先看上图：阴影宽三分钟、高每分钟零点一，因此面积为零点三。下图用累计差表达同一概率。]]

每分钟零点一是密度单位，不是“恰好某一分钟”的概率。对于任意固定实数 <math>w</math>，<math>P(W=w)=0</math>。同样，是否把 0 与 10 写成开端点，不影响这个连续分布。改变密度在有限几个点上的数值也不会改变任何区间面积；本篇选择端点处仍取上述常数。

== 累计概率和分位数怎样读 ==

累计函数 <math>F_X(x)=P(X\le x)</math> 把横轴从左扫到 <math>x</math>，累积扫过的密度面积。分三段计算：
<math display="block">F_X(x)=\begin{cases}0,&x<a,\\\dfrac{x-a}{b-a},&a\le x\le b,\\1,&x>b.\end{cases}</math>
左端以前没有面积，区间内部按恒定速度增加，到达右端后累计为一。上图下半部分因此是一条先水平、再上升、最后水平的连续折线。

灯的例子中，<math>F_W(5)=0.5</math>，<math>F_W(2)=0.2</math>，相减得到 <math>0.3</math>。反过来，若问“多少分钟以内可以覆盖九成到达者的等待”，设这个时间为 <math>q</math>，解
<math display="block">P(W\le q)=\frac{q}{10}=0.9,\qquad q=9.</math>
九分钟是这个模型的 90% 分位数，不是平均等待时间，也不是每个人都能满足的保证。一般的 <math>p</math> 分位数（<math>0<p<1</math>）由 <math>F_X(q_p)=p</math> 给出：
<math display="block">q_p=a+(b-a)p.</math>

== 平移与拉宽，图形怎样改变 ==

把区间从 <math>[0,10]</math> 移到 <math>[5,15]</math>，宽度不变，所以高度仍是 0.1；整幅矩形向右移动五个单位。把区间从 <math>[0,10]</math> 拉宽到 <math>[0,20]</math>，宽度翻倍，高度须减半成 0.05，总面积才仍为一。

[[File:Gezhi-dist-uniform-location-scale.svg|frame|center|alt=三个面板使用相同数轴和密度刻度，依次画零到十、五到十五、零到二十的均匀分布；前两者高零点一，第三者高零点零五，面积都为一|上下比较时保留相同的轴尺度。移动区间改变位置，拉宽区间增加分散程度，同时降低密度高度。]]

若 <math>U\sim U(0,1)</math>，可以用
<math display="block">X=a+(b-a)U</math>
产生一般均匀变量。对区间内的 <math>x</math>，
<math display="block">P(X\le x)=P\left(U\le\frac{x-a}{b-a}\right)=\frac{x-a}{b-a},</math>
正好得到所需累计函数。这也解释了为什么应乘以区间'''长度''' <math>b-a</math>，再加左端点 <math>a</math>。例如 <math>U=0.3</math> 映到 <math>[5,15]</math> 时得到 8，而不是把 0.3 直接乘以 15。

计算机模拟常先生成标准均匀数，再通过变换产生其他分布；实际伪随机程序还涉及有限精度、算法和种子。一个变换公式验证的是理想输入分布下的输出规律，不能单独证明某个程序的随机质量。

== 平均值和方差为什么是这些数 ==

密度关于区间中点对称，所以均值应位于中间。用[[期望]]定义可以直接核对：
<math display="block">E[X]=\int_a^b\frac{x}{b-a}\,dx=\frac{b^2-a^2}{2(b-a)}=\frac{a+b}{2}.</math>
最后一步把 <math>b^2-a^2</math> 分解为 <math>(b-a)(b+a)</math>，再约去正的区间长度。

计算方差时，可先求标准均匀变量的两个矩：
<math display="block">E[U]=\int_0^1u\,du=\frac12,\qquad E[U^2]=\int_0^1u^2\,du=\frac13.</math>
于是
<math display="block">\operatorname{Var}(U)=E[U^2]-E[U]^2=\frac13-\frac14=\frac1{12}.</math>
再利用 <math>X=a+(b-a)U</math>，它偏离均值的量为
<math display="block">X-E[X]=(b-a)\left(U-\frac12\right).</math>
平方以后取期望，常数因子可以提出，得到
<math display="block">\operatorname{Var}(X)=\frac{(b-a)^2}{12},\qquad\operatorname{SD}(X)=\frac{b-a}{\sqrt{12}}.</math>
平移量 <math>a</math> 不影响分散程度，尺度放大多少倍，标准差也放大多少倍；方差则按倍数的平方变化。

对于十分钟的灯，平均等待为 5 分钟，方差为 <math>100/12=25/3</math> 平方分钟，标准差为 <math>5/\sqrt3\approx2.887</math> 分钟。这些数描述模型下重复到达的总体规律，不是说实际记录的每十个人会恰好各等一种不同的时长。

== 已经等过五分钟，还要再等多久 ==

假设观察者到达时不知道自己处于周期哪里，后来已经等了五分钟而没有见到闪光，即得知 <math>W>5</math>。原来 0 到 5 的可能性被排除，只剩 5 到 10。对剩下的区间重新归一化后，其条件密度为 <math>1/5=0.2</math>。

若问“在已经等了五分钟的情况下，还要再等超过两分钟的概率”，就是
<math display="block">P(W>7\mid W>5)=\frac{P(W>7)}{P(W>5)}=\frac{3/10}{5/10}=\frac35.</math>
刚到达时，等待超过两分钟的概率为 <math>P(W>2)=8/10</math>。现在变成 <math>3/5</math>，说明已经等待的信息确实改变了剩余等待的分布。

[[File:Gezhi-dist-uniform-conditional.svg|frame|center|alt=上图原等待密度在零到十上为零点一，其中五到十为已知条件，七到十为目标事件；下图将五到十重新归一化为高零点二，七到十面积变成零点六|上图目标面积占保留面积的五分之三，下图直接读出同一条件概率零点六。横轴仍是总等待 W，尚未减去已经等过的五分钟。]]

若另定义剩余等待 <math>R=W-5</math>，在这个条件下 <math>R\sim U(0,5)</math>，平均还要等 2.5 分钟。这与[[指数分布]]的无记忆性不同：周期信号有一个明确的最晚边界，已经等过的时间会缩短剩余范围。OpenStax 的均匀分布章节也用条件化后的区间重新归一化来计算概率。[https://openstax.org/books/introductory-statistics-2e/pages/5-2-the-uniform-distribution OpenStax：The Uniform Distribution]

== 连续均匀与离散均匀的区别 ==

公平六面骰的点数只有六种，每种概率为 <math>1/6</math>，属于'''离散均匀分布'''。其单点概率不为零，求概率时数可能值，而不是量区间长度。

例如整数 <math>1,2,\ldots,m</math> 等概率时，每个整数的概率为 <math>1/m</math>。若连续地在 <math>[1,m]</math> 上均匀取值，密度却为 <math>1/(m-1)</math>，因为区间长度是 <math>m-1</math>；前者有 <math>m</math> 个点，后者有一段长度。两个分母不同，没有矛盾。连续版本须有 <math>m>1</math>，而只取整数 1 的离散模型仍然有意义。

“各点都同样可能”在连续情况下容易让人误以为单点分到了相同的正概率。因此讲连续均匀时，应把性质说成等长区间等概率，并用密度面积计算。更多质量、密度与累计函数的区别见[[概率分布]]。

== 参考资料 ==
* [https://www.itl.nist.gov/div898/handbook/eda/section3/eda3662.htm NIST/SEMATECH：Uniform Distribution]，密度、标准形式、位置尺度与矩。
* [https://openstax.org/books/introductory-statistics-2e/pages/5-2-the-uniform-distribution OpenStax，Introductory Statistics 2e，§5.2]，区间面积、分位数与条件概率。
* [https://live.ocw.mit.edu/courses/6-436j-fundamentals-of-probability-fall-2018/12b27e5630be533e1385ac142df8a70a_MIT6_436JF18_lec10.pdf MIT 6.436J：Continuous Random Variables]，连续密度与均匀模型。
* 相关：[[概率]]、[[概率分布]]、[[期望]]、[[积分]]、[[指数分布]]。

[[分类:概率与统计]]

均匀分布 - 版本历史

AIContentBot：​新增常用概率分布：贯穿案例、完整推导与透明SVG图解

AIContentBot：新增常用概率分布：贯穿案例、完整推导与透明SVG图解