Uniform distribution

欢迎来到均匀分布的世界！

你好，未来的高等数学学生！均匀分布 (Uniform Distribution) 这一章是你深入研究 FS1 统计模块中连续随机变量的第一站。别担心，这是最平易近人、最友好的分布之一！

我们称之为“均匀”，是因为它绝对公平——在特定范围内，每一个值都有完全相同的概率密度。掌握这一概念至关重要，不仅是为了在考试中取得好成绩，更是为了打好基础，以便后续理解正态分布或指数分布等更复杂的分布。

准备好掌握公式、理解应用条件并攻克推导过程了吗？我们出发吧！

引言核心要点

均匀分布模拟的是一种特定区间内所有结果等可能性 (equally likely) 的情形。

1. 理解连续均匀分布 (FS1.2: 应用条件)

由于其概率图呈现的形状，均匀分布通常也被称为矩形分布 (Rectangular Distribution)。

使用它的条件是什么？

如果随机变量 \(X\) 在特定区间（比如从 \(a\) 到 \(b\)）遵循均匀分布，则必须满足：

1. \(X\) 是一个连续型随机变量。这意味着 \(X\) 可以取该范围内的任何值（例如时间、距离、温度），而不仅仅是离散的整数。
2. 在 \(a \le x \le b\) 的范围内，概率密度是恒定 (constant) 的。
3. 在此范围之外，概率密度为零。

符号表示： 我们记作 \(X \sim U(a, b)\)，其中 \(a\) 和 \(b\) 分别是最小值和最大值，且 \(a < b\)。

类比：公交车到达时间

想象一下，一辆公交车随机在上午 8:00 (\(a=0\)) 到 8:10 (\(b=10\)) 之间到达车站。如果到达时间确实是完全随机的，不受交通状况或时刻表影响，那么到达时间（以 8:00 之后经过的分钟数计算）就服从均匀分布，即 \(X \sim U(0, 10)\)。无论你是 8:01:05 还是 8:07:32 到达，该特定时间点的密度都是一样的。

第 1 节核心要点

如果一个变量 \(X\) 的概率密度在两个界限 \(a\) 和 \(b\) 之间是平坦（恒定）的，那么该变量服从均匀分布。

2. 概率密度函数 (PDF)

对于任何连续分布，其曲线（或图形）下的总面积必须始终等于 1（代表 100% 的概率）。

由于均匀分布在绘图时形成一个矩形，其面积计算非常简单：

$$\text{面积} = \text{高} \times \text{宽}$$

我们已知面积必须等于 1。矩形的宽度即为区间长度，即 \((b - a)\)。

$$\text{高} \times (b - a) = 1$$

因此，高度（即概率密度函数，\(f(x)\)）必须是：

$$f(x) = \frac{1}{b-a}$$

PDF 的公式

\(X \sim U(a, b)\) 的概率密度函数 (PDF) 的完整定义为：

$$f(x) = \begin{cases} \frac{1}{b-a} & \text{对于 } a \le x \le b \\ 0 & \text{其他情况} \end{cases}$$

记忆小窍门： 想想切蛋糕！如果你要切一块长度为 \((b-a)\) 的蛋糕，使得总面积（体积）为 1，那么切片的高度必须是长度的倒数：\(1/(b-a)\)。

第 2 节核心要点

PDF，即 \(f(x)\)，本质上就是概率矩形的高度，等于 1 除以区间长度 \((b-a)\)。

3. 计算概率 (FS1.2: 概率计算)

要寻找 \(X\) 落入子区间 \([c, d]\)（其中 \(a \le c \le d \le b\)）的概率，我们只需计算该子区间所对应的矩形面积。

$$P(c \le X \le d) = \text{子矩形的面积}$$

$$\text{面积} = \text{高} \times \text{子区间宽度}$$

$$P(c \le X \le d) = f(x) \times (d - c)$$

代入 PDF 公式：

$$P(c \le X \le d) = \left(\frac{1}{b-a}\right) \times (d-c) = \frac{d-c}{b-a}$$

关于连续变量的说明

不必纠结于不等式是严格的 (\(<\)) 还是非严格的 (\(\le\))。因为 \(X\) 是连续的，任何单个精确值的概率都为零。

$$P(X=c) = 0$$

因此：

$$P(c < X < d) = P(c \le X < d) = P(c \le X \le d)$$

逐步示例

机器生成的随机数 \(X\) 介于 2 和 8 之间。求该数介于 3 和 5 之间的概率。 (\(X \sim U(2, 8)\)。所以 \(a=2\)，\(b=8\))。

1. 求区间长度： \(b - a = 8 - 2 = 6\)。
2. 求 PDF（高）： \(f(x) = 1/6\)。
3. 求目标子区间的宽度： \(d - c = 5 - 3 = 2\)。
4. 计算概率（面积）：

$$P(3 < X < 5) = \text{高} \times \text{宽} = \frac{1}{6} \times 2 = \frac{2}{6} = \frac{1}{3}$$

第 3 节核心要点

概率可以通过计算目标子区间长度占总区间长度的比例来获得：\(\frac{\text{目标区间长度}}{\text{总区间长度}}\)。

4. 期望与方差 (FS1.2: 期望与方差 - 要求掌握及推导)

对于均匀分布，期望和方差的公式都包含在你的公式册中，但大纲明确指出要求进行推导。这意味着你必须知道如何使用积分来证明这些结果。

记住，对于任何连续分布：

• 期望 \(E(X) = \mu = \int_{-\infty}^{\infty} x f(x) dx\)
• 方差 \(Var(X) = \sigma^2 = E(X^2) - [E(X)]^2\)

由于 \(f(x) = \frac{1}{b-a}\) 仅在 \(a\) 和 \(b\) 之间存在，我们的积分限变得简单了。

4.1 期望 \(E(X)\)

从直觉上看，由于分布是完全对称的，期望必须是区间 \([a, b]\) 的中点。

要求掌握的结果： $$\mu = E(X) = \frac{a+b}{2}$$

推导过程（证明）：

$$E(X) = \int_a^b x f(x) dx = \int_a^b x \left(\frac{1}{b-a}\right) dx$$

由于 \(\frac{1}{b-a}\) 是常数，我们可以把它提出来：

$$E(X) = \frac{1}{b-a} \int_a^b x dx$$

对 \(x\) 积分：

$$E(X) = \frac{1}{b-a} \left[ \frac{x^2}{2} \right]_a^b$$

代入积分限：

$$E(X) = \frac{1}{b-a} \left( \frac{b^2}{2} - \frac{a^2}{2} \right)$$

提取 \(\frac{1}{2}\)：

$$E(X) = \frac{1}{2(b-a)} (b^2 - a^2)$$

利用平方差公式：\(b^2 - a^2 = (b-a)(b+a)\)：

$$E(X) = \frac{1}{2(b-a)} (b-a)(b+a)$$

抵消 \((b-a)\) 项：

$$E(X) = \frac{a+b}{2}$$

第一个推导完成！做得好！

4.2 方差 \(Var(X)\)

为了求方差，我们首先需要计算 \(E(X^2)\)。

$$E(X^2) = \int_a^b x^2 f(x) dx = \int_a^b x^2 \left(\frac{1}{b-a}\right) dx$$

$$E(X^2) = \frac{1}{b-a} \int_a^b x^2 dx$$

对 \(x^2\) 积分：

$$E(X^2) = \frac{1}{b-a} \left[ \frac{x^3}{3} \right]_a^b$$

代入积分限：

$$E(X^2) = \frac{1}{b-a} \left( \frac{b^3}{3} - \frac{a^3}{3} \right) = \frac{1}{3(b-a)} (b^3 - a^3)$$

现在利用立方差公式：\(b^3 - a^3 = (b-a)(a^2 + ab + b^2)\)：

$$E(X^2) = \frac{1}{3(b-a)} (b-a)(a^2 + ab + b^2)$$

抵消 \((b-a)\) 项：

$$E(X^2) = \frac{a^2 + ab + b^2}{3}$$

现在应用方差公式：\(Var(X) = E(X^2) - [E(X)]^2\)：

$$Var(X) = \frac{a^2 + ab + b^2}{3} - \left(\frac{a+b}{2}\right)^2$$

展开均值项的平方：

$$Var(X) = \frac{a^2 + ab + b^2}{3} - \frac{a^2 + 2ab + b^2}{4}$$

通分（分母为 12）：

$$Var(X) = \frac{4(a^2 + ab + b^2) - 3(a^2 + 2ab + b^2)}{12}$$

展开括号：

$$Var(X) = \frac{(4a^2 + 4ab + 4b^2) - (3a^2 + 6ab + 3b^2)}{12}$$

合并同类项：

$$Var(X) = \frac{(4a^2 - 3a^2) + (4ab - 6ab) + (4b^2 - 3b^2)}{12}$$

$$Var(X) = \frac{a^2 - 2ab + b^2}{12}$$

识别出分子是一个完全平方：\(a^2 - 2ab + b^2 = (b-a)^2\)：

要求掌握的结果： $$Var(X) = \frac{(b-a)^2}{12}$$

方差推导的代数运算有点繁琐，但重点在于关键步骤：计算 \(E(X^2)\)，利用立方差公式，以及使用方差公式进行通分。多加练习，直到滚瓜烂熟！

快速回顾：均匀分布公式

5. 标准差的应用

一旦你有了期望和方差，计算标准差 (SD) 就直接了：它是方差的平方根。

应用示例

机器被编程为切割长度为 \(L\) 的金属棒（单位：cm）。由于轻微误差，实际长度 \(X\) 在 19.8 cm 到 20.2 cm 之间均匀分布。(\(X \sim U(19.8, 20.2)\))。

1. 求金属棒长度的期望。

使用期望公式：\(a=19.8\)，\(b=20.2\)。

$$E(X) = \frac{19.8 + 20.2}{2} = \frac{40}{2} = 20 \text{ cm}$$

这非常有道理——平均值正好等于目标长度。

2. 求长度的方差和标准差。

首先计算 \((b-a)\)：\(20.2 - 19.8 = 0.4\)

方差：

$$Var(X) = \frac{(b-a)^2}{12} = \frac{(0.4)^2}{12} = \frac{0.16}{12} = \frac{1}{75}$$

标准差：

$$\sigma = \sqrt{\frac{1}{75}} \approx 0.115 \text{ cm (3位有效数字)}$$

预备知识检查：连续 vs. 离散

如果你觉得这个话题有挑战性，简单回顾一下连续随机变量和离散随机变量的基本区别：

• 离散（例如二项分布、泊松分布）： 使用求和符号 (\(\sum\))、概率质量函数，以及计算 \(P(X=x)\)。
• 连续（例如均匀分布）： 使用积分 (\(\int\)) 或几何（面积）、概率密度函数 \(f(x)\)，且 \(P(X=x)=0\)。

均匀分布本质上是连续概率规则的最简单应用，这使它成为加深对“通过对 PDF 积分求期望”这一理解的绝佳起点！

现在你已经涵盖了均匀分布的所有核心内容——从基本的常数 PDF 到期望和方差所需的积分推导。继续练习那些推导过程吧！