Равномерное распределение

Равномерное распределение (также прямоугольное распределение) — это распределение вероятностей, при котором случайная величина принимает все свои возможные значения с одинаковой вероятностью. В непрерывном случае это означает, что плотность вероятности постоянна на заданном интервале; в дискретном случае — что каждое из конечного числа значений имеет равную вероятность. Равномерное распределение является одним из простейших и фундаментальных в теории вероятностей и математической статистике, служа основой для моделирования случайных процессов и генерации псевдослучайных чисел.

Определение и математическая формализация

Непрерывное равномерное распределение

Непрерывная случайная величина \( X \) имеет равномерное распределение на интервале \([a, b]\) (где \( a < b \)), если её функция плотности вероятности (PDF) задаётся формулой:

\[ f(x) = \begin{cases} \frac{1}{b - a}, & a \le x \le b, \\ 0, & \text{иначе}. \end{cases} \]

Функция распределения (CDF) имеет вид:

\[ F(x) = \begin{cases} 0, & x < a, \\ \frac{x - a}{b - a}, & a \le x \le b, \\ 1, & x > b. \end{cases} \]

Обозначение: \( X \sim U(a, b) \) или \( X \sim \text{Uniform}(a, b) \).

Дискретное равномерное распределение

Дискретная случайная величина \( Y \) имеет равномерное распределение на множестве из \( n \) значений \(\{x_1, x_2, \dots, x_n\}\), если вероятность каждого значения равна \( \frac{1}{n} \). Функция вероятности массы (PMF):

\[ P(Y = x_i) = \frac{1}{n}, \quad i = 1, 2, \dots, n. \]

Наиболее распространённый частный случай — равномерное распределение на целых числах от 1 до \( n \): \( Y \sim U\{1, n\} \).

Основные характеристики

Для непрерывного равномерного распределения \( U(a, b) \)

• Математическое ожидание: \( \mathbb{E}[X] = \frac{a + b}{2} \).
• Дисперсия: \( \text{Var}(X) = \frac{(b - a)^2}{12} \).
• Медиана: \( \frac{a + b}{2} \) (совпадает со средним).
• Мода: любое значение на интервале \([a, b]\) (распределение является мультимодальным).
• Коэффициент асимметрии: 0.
• Коэффициент эксцесса: \( -\frac{6}{5} \) (относительно нормального распределения — плосковершинное).

Для дискретного равномерного распределения \( U\{1, n\} \)

• Математическое ожидание: \( \mathbb{E}[Y] = \frac{n + 1}{2} \).
• Дисперсия: \( \text{Var}(Y) = \frac{n^2 - 1}{12} \).
• Медиана: \( \frac{n + 1}{2} \) (при нечётном \( n \) — целое число, при чётном — полусумма двух средних).

История и происхождение

Понятие равномерного распределения восходит к работам по теории вероятностей XVII—XVIII веков. Одним из первых его неявно использовал Якоб Бернулли в своей книге «Искусство предположений» (1713) при анализе равновероятных исходов в азартных играх. Термин «равномерное распределение» ввёл Пьер-Симон Лаплас в начале XIX века, когда разрабатывал принцип недостаточного основания (принцип равной вероятности). Лаплас применял равномерное распределение для оценки параметров в астрономии и демографии.

В XX веке, с развитием вычислительной техники, равномерное распределение стало основой для методов Монте-Карло. Джон фон Нейман и Станислав Улам в 1940-х годах использовали генерацию равномерно распределённых случайных чисел для моделирования ядерных реакций.

Виды и обобщения

Стандартное равномерное распределение

Частный случай непрерывного равномерного распределения на интервале \([0, 1]\), обозначаемый \( U(0, 1) \). Используется как базовый генератор случайных чисел: любое другое распределение может быть получено преобразованием \( U(0, 1) \) с помощью обратной функции распределения.

Многомерное равномерное распределение

Определяется на прямоугольной области в \( \mathbb{R}^k \), например, на единичном кубе \([0, 1]^k\). Случайный вектор \( \mathbf{X} = (X_1, \dots, X_k) \) имеет равномерное распределение, если его компоненты независимы и каждая подчиняется \( U(0, 1) \).

Обобщённое равномерное распределение

В некоторых контекстах рассматривается равномерное распределение на произвольном множестве конечной меры (например, на сфере или торе). Однако в стандартной теории вероятностей под равномерным распределением обычно понимают распределение на интервале или конечном множестве.

Применение

Генерация случайных чисел

Равномерное распределение \( U(0, 1) \) является основой для всех методов генерации псевдослучайных чисел. Алгоритмы, такие как линейный конгруэнтный метод (например, используемый в языке C), производят последовательность чисел, аппроксимирующую равномерное распределение. Затем с помощью преобразований (например, метода Бокса — Мюллера) получают нормальное, экспоненциальное и другие распределения.

Методы Монте-Карло

В численном моделировании равномерное распределение применяется для:

• вычисления многомерных интегралов;
• симуляции физических процессов (например, перенос нейтронов);
• оценки рисков в финансах (моделирование цен активов).

Статистика и проверка гипотез

Равномерное распределение используется в:

• критерии согласия Колмогорова — Смирнова: проверка гипотезы о том, что выборка подчиняется заданному распределению, путём сравнения эмпирической функции распределения с равномерной;
• рандомизации: случайное назначение испытуемых в контрольные и экспериментальные группы в клинических испытаниях;
• бутстрепе: метод ресемплинга, основанный на равномерном выборе элементов из исходной выборки.

Квантование и цифровая обработка сигналов

При аналого-цифровом преобразовании ошибка квантования часто моделируется как равномерно распределённая случайная величина на интервале \([-\Delta/2, \Delta/2]\), где \( \Delta \) — шаг квантования.

Криптография

Генерация равномерно распределённых случайных чисел необходима для создания ключей шифрования, одноразовых блокнотов и протоколов аутентификации. В криптографически стойких генераторах (например, на основе аппаратных источников энтропии) равномерность распределения является критическим требованием.

Теория игр и принятие решений

В задачах, где отсутствует информация о вероятностях исходов (принцип недостаточного основания), равномерное распределение используется как априорное в байесовском анализе. Например, в критерии Лапласа для принятия решений в условиях неопределённости.

Связь с другими распределениями

• Нормальное распределение: сумма большого числа независимых равномерно распределённых случайных величин (согласно центральной предельной теореме) приближается к нормальному распределению. На этом основан метод Бокса — Мюллера.
• Экспоненциальное распределение: если \( X \sim U(0, 1) \), то \( Y = -\lambda \ln X \) имеет экспоненциальное распределение с параметром \( \lambda \).
• Бета-распределение: равномерное распределение является частным случаем бета-распределения с параметрами \( \alpha = 1, \beta = 1 \).
• Распределение Коши: отношение двух независимых стандартных нормальных величин распределено по Коши, но отношение двух независимых равномерных величин не имеет простого аналитического выражения.

Интересные факты

• Равномерное распределение — единственное распределение, у которого функция плотности постоянна на всей области определения.
• В русской математической литературе равномерное распределение часто называют «прямоугольным» из-за формы графика плотности.
• Генерация равномерно распределённых чисел на компьютере всегда псевдослучайна; истинная случайность требует аппаратных источников (например, теплового шума или квантовых эффектов).
• В теории информации равномерное распределение имеет максимальную энтропию среди всех распределений на заданном интервале (для непрерывного случая) или на конечном множестве (для дискретного).

Критика и ограничения

Равномерное распределение часто критикуется за нереалистичность в прикладных задачах. В реальных данных редко встречаются ситуации, где все значения равновероятны. Например, в физике распределение скоростей молекул газа подчиняется распределению Максвелла, а не равномерному. В социальных науках равномерное распределение доходов или роста населения не наблюдается. Тем не менее, равномерное распределение остаётся полезным инструментом для моделирования «неинформативных» априорных распределений в байесовской статистике и для генерации случайности в вычислительных алгоритмах.

Источники

1. Гнеденко Б. В. «Курс теории вероятностей». — М.: Наука, 1988.
2. Ширяев А. Н. «Вероятность». — М.: МЦНМО, 2011.
3. Кендалл М., Стюарт А. «Теория распределений». — М.: Наука, 1966.
4. Devroye L. «Non-Uniform Random Variate Generation». — Springer, 1986.
5. Feller W. «An Introduction to Probability Theory and Its Applications». — Wiley, 1968.