توزیع یکنواخت (Uniform Distribution)

هر زمان که تمامی خروجی‌های یک آزمایش تصادفی به یک اندازه محتمل باشند، می‌توان گفت داده‌ها از یک توزیع یکنواخت پیروی می‌کنند.

مفهوم توزیع یکنواخت با یک مثال ساده

فرض کنید یک سکه سالم را پرتاب می‌کنید.

دو نتیجه ممکن وجود دارد:

• شیر (Heads)
• خط (Tails)

از آنجا که هر دو نتیجه دقیقاً ۵۰٪ احتمال وقوع دارند، این آزمایش نمونه‌ای از توزیع یکنواخت است.

احتمال‌ها:

• شیر = 0.50
• خط = 0.50

هیچ‌کدام نسبت به دیگری برتری ندارند.

مثال کارت‌های بازی

یک دسته کارت استاندارد دارای چهار خال است:

• دل ❤️
• گشنیز ♣
• خشت ♦
• پیک ♠

اگر یک کارت به‌صورت تصادفی انتخاب شود، احتمال انتخاب هر خال برابر است:

• دل = 25٪
• گشنیز = 25٪
• خشت = 25٪
• پیک = 25٪

بنابراین توزیع خال‌ها یکنواخت محسوب می‌شود.

مثال تاس

یک تاس سالم شش وجه دارد.

اعداد ممکن:

• ۱
• ۲
• ۳
• ۴
• ۵
• ۶

احتمال هر عدد:

1/6 یا حدود 16.67٪

بنابراین نتیجه پرتاب تاس نیز نمونه‌ای از توزیع یکنواخت است.

چرا توزیع یکنواخت اهمیت دارد؟

توزیع یکنواخت یکی از پایه‌ای‌ترین مفاهیم احتمال است و در زمینه‌های مختلف کاربرد دارد:

• تحلیل داده‌ها
• مدل‌سازی آماری
• شبیه‌سازی‌های کامپیوتری
• یادگیری ماشین
• امور مالی و مدیریت ریسک
• طراحی بازی‌ها و سیستم‌های قرعه‌کشی

این توزیع معمولاً نقطه شروع بسیاری از تحلیل‌های آماری محسوب می‌شود.

انواع توزیع یکنواخت

توزیع یکنواخت گسسته (Discrete Uniform Distribution)

در این نوع، تعداد نتایج محدود و قابل شمارش است.

ویژگی‌ها:

• تعداد خروجی‌ها مشخص است.
• احتمال همه خروجی‌ها برابر است.
• مقادیر معمولاً اعداد مجزا هستند.

مثال‌ها:

• پرتاب تاس
• انتخاب یک کارت از دسته کارت
• قرعه‌کشی بین ۱۰ نفر
• انتخاب تصادفی یکی از روزهای هفته

مثال عددی:

اگر عددی بین ۱ تا ۵ انتخاب شود:

• P(1)=20٪
• P(2)=20٪
• P(3)=20٪
• P(4)=20٪
• P(5)=20٪

توزیع یکنواخت پیوسته (Continuous Uniform Distribution)

در این نوع، نتایج می‌توانند هر مقدار ممکن در یک بازه مشخص را داشته باشند.

ویژگی‌ها:

• تعداد مقادیر بی‌نهایت است.
• احتمال در سراسر بازه یکسان توزیع شده است.
• هر نقطه از بازه تراکم احتمال برابری دارد.

مثال:

فرض کنید زمان رسیدن یک اتوبوس بین ساعت ۸:۰۰ تا ۸:۳۰ کاملاً تصادفی باشد.

هر زمان در این بازه:

• ۸:۰۵
• ۸:۱۲
• ۸:۱۸
• ۸:۲۷

به یک اندازه محتمل خواهد بود.

نمایش نموداری توزیع یکنواخت

یکی از ویژگی‌های مهم توزیع یکنواخت، شکل ساده نمودار آن است.

در نمودار احتمال:

• محور افقی = مقادیر ممکن
• محور عمودی = احتمال

از آنجا که احتمال همه نتایج برابر است، نمودار به شکل یک خط افقی مستقیم دیده می‌شود.

برای مثال در پرتاب سکه:

• احتمال شیر = ۰٫۵
• احتمال خط = ۰٫۵

هر دو نقطه روی یک سطح قرار می‌گیرند.

تفاوت توزیع یکنواخت و توزیع نرمال

بسیاری از افراد این دو مفهوم را با هم اشتباه می‌گیرند.

توزیع یکنواخت

• همه مقادیر احتمال برابر دارند.
• هیچ نقطه‌ای بر دیگری برتری ندارد.
• نمودار معمولاً صاف و افقی است.

مثال: تاس سالم یا سکه سالم.

توزیع نرمال (Normal Distribution)

• مقادیر نزدیک میانگین بیشتر رخ می‌دهند.
• هرچه از میانگین دور شویم احتمال کمتر می‌شود.
• نمودار به شکل زنگوله‌ای است.

مثال:

• قد افراد
• وزن جمعیت
• نمرات بسیاری از آزمون‌ها

در این موارد مقادیر نزدیک به میانگین بسیار رایج‌تر از مقادیر بسیار کوچک یا بسیار بزرگ هستند.

کاربرد توزیع یکنواخت در امور مالی

در برخی مدل‌های مالی و شبیه‌سازی‌ها از توزیع یکنواخت استفاده می‌شود.

برای مثال:

• تولید داده‌های تصادفی
• شبیه‌سازی سناریوهای ریسک
• الگوریتم‌های Monte Carlo
• تست سیستم‌های معاملاتی

البته در بازارهای مالی واقعی، داده‌ها معمولاً از توزیع یکنواخت پیروی نمی‌کنند و اغلب به توزیع‌های پیچیده‌تری مانند نرمال یا لگ‌نرمال نزدیک هستند.

مزایا و محدودیت‌های توزیع یکنواخت

مزایا:

✅ ساده و قابل فهم

✅ مناسب برای آموزش مفاهیم احتمال

✅ کاربرد گسترده در شبیه‌سازی

✅ محاسبات آسان

محدودیت‌ها:

❌ در بسیاری از پدیده‌های واقعی مشاهده نمی‌شود

❌ رفتار داده‌های پیچیده را به‌خوبی مدل نمی‌کند

❌ فرض برابری احتمال‌ها همیشه واقع‌بینانه نیست

جمع‌بندی

توزیع یکنواخت (Uniform Distribution) یکی از ساده‌ترین و مهم‌ترین توزیع‌های آماری است که در آن تمام نتایج ممکن دارای احتمال برابر هستند. نمونه‌های کلاسیک آن شامل پرتاب سکه، پرتاب تاس و انتخاب تصادفی کارت از یک دسته کارت است. این توزیع به دو نوع گسسته و پیوسته تقسیم می‌شود و نقش مهمی در آموزش آمار، شبیه‌سازی‌های کامپیوتری، تحلیل ریسک و مدل‌سازی احتمالات دارد.