Cualquier función de densidad de probabilidad integra a

1
,
{\displaystyle 1,} por lo que la función de densidad de probabilidad de la
distribución uniforme continua se representa gráficamente como un rectángulo donde
b-a es la longitud de la base y 1/(b-a) es la altura. A medida que la longitud de
la base aumenta, la altura (la densidad en cualquier valor particular dentro de los
límites de la distribución) disminuye.4

En términos de media
�\mu y varianza
�
2
,
{\displaystyle \sigma ^{2},} la función de densidad de probabilidad de la
distribución uniforme continua es:

�
(
�
)
=
{
1
2
�
3
for
−
�
3
≤
�
−
�
≤
�
3
,
0
otherwise
.
{\displaystyle f(x)={\begin{cases}{\frac {1}{2\sigma {\sqrt {3}}}}&{\text{for }}-\
sigma {\sqrt {3}}\leq x-\mu \leq \sigma {\sqrt {3}},\\0&{\text{otherwise}}.\
end{cases}}}
Función de distribución
Si
�
∼
U
⁡
(
�
,
�
)
{\displaystyle X\sim \operatorname {U} (a,b)} entonces la función de distribución
es:
�
�
(
�
)
=
{
0
�
<
�
�
−
�
�
−
�
�
≤
�
<
�
1
�
≥
�
{\displaystyle F_{X}(x)={\begin{cases}0&x<a\\\displaystyle {\frac {x-a}{b-a}}&a\leq
x<b\\1&x\geq b\end{cases}}}
la cual es fácil de obtener a partir de la función de densidad pues

�
�
(
�
)
=
∫
�
�
1
�
−
�
�
�
=
1
�
−
�
�
|
�
�
=
�
−
�
�
−
�
{\displaystyle {\begin{aligned}F_{X}(x)=\int _{a}^{x}{\frac {1}{b-a}}\;du={\frac
{1}{b-a}}\;u{\bigg |}_{a}^{x}={\frac {x-a}{b-a}}\end{aligned}}}
Ejemplo 1. Uso de la función de distribución uniforme continua
Para una variable aleatoria
�
∼
�
(
0
,
23
)
,
{\displaystyle X\sim U(0,23),} hallar
�
(
2
<
�
<
18
)
:
{\displaystyle P(2<X<18):}

�
(
2
<
�
<
18
)
=
(
18
−
2
)
⋅
1
23
−
0
=
16
23
.
{\displaystyle P(2<X<18)=(18-2)\cdot {\frac {1}{23-0}}={\frac {16}{23}}.}
En una representación gráfica de la función de distribución uniforme continua
[
�
(
�
)
vs
�
]
,
{\displaystyle [f(x){\text{ vs }}x],} el área bajo la curva dentro de los límites
especificados, y mostrando la probabilidad, es un rectángulo. Para el ejemplo
concreto anterior, la base sería 16, y la altura sería 1/235

Ejemplo 2. Utilizando la función de distribución uniforme continua (condicional)

Para una variable aleatoria
�
∼
�
(
0
,
23
)
,
{\displaystyle X\sim U(0,23),} hallar
�
(
�
>
12

�
>
8
)
:
{\displaystyle P(X>12\ |\ X>8):}

�
(
�
>
12

�
>
8
)
=
(
23
−
12
)
⋅
1
23
−
8
=
11
15
.
{\displaystyle P(X>12\ |\ X>8)=(23-12)\cdot {\frac {1}{23-8}}={\frac {11}{15}}.}
El ejemplo anterior es un caso de probabilidad condicional para la distribución
uniforme continua: dado que X > 8 es cierto, ¿cuál es la probabilidad de que X >
12? La probabilidad condicional cambia el espacio muestral, por lo que hay que
calcular un nuevo intervalo de longitud (b-a'), donde
�
=
23
{\displaystyle b=23} y
�
′
=
8
{\displaystyle a'=8}.5 La representación gráfica seguiría el ejemplo 1, donde el
área bajo la curva dentro de los límites especificados muestra la probabilidad; la
base del rectángulo sería 11, y la altura sería 1/155

Propiedades
Si
�
X es una variable aleatoria tal que
�
∼
U
⁡
(
�
,
�
)
{\displaystyle X\sim \operatorname {U} (a,b)} entonces la variable aleatoria
�
X satisface algunas propiedades.

Media
La media de la variable aleatoria
�
X es

E
⁡
[
�
]
=
�
+
�
2
{\displaystyle \operatorname {E} [X]={\frac {a+b}{2}}}
Esta se demuestra fácilmente utilizando la definición de esperanza matemática

E
⁡
[
�
]
=
∫
�
�
�
�
−
�
�
�
=
1
�
−
�
�
2
2
|
�
�
=
�
2
−
�
2
2
(
�
−
�
)
=
(
�
−
�
)
(
�
+
�
)
2
(
�
−
�
)
=
�
+
�
2
{\displaystyle {\begin{aligned}\operatorname {E} [X]&=\int _{a}^{b}{\frac {x}{b-
a}}\;dx\\&={\frac {1}{b-a}}{\frac {x^{2}}{2}}{\bigg |}_{a}^{b}\\&={\frac {b^{2}-
a^{2}}{2(b-a)}}\\&={\frac {(b-a)(b+a)}{2(b-a)}}\\&={\frac {a+b}{2}}\end{aligned}}}
Si se exponeen un gráfico la función de densidad de esta distribución notará que la
media corresponde al punto medio del intervalo
[
�
,
�
]
[a,b].

Varianza
La varianza de la variable aleatoria
�
X es

Var
⁡
(
�
)
=
(
�
−
�
)
2
12
{\displaystyle \operatorname {Var} (X)={\frac {(b-a)^{2}}{12}}}
Momentos
El
�
n-ésimo momento de la variable aleatoria
�
X está dado por

E
⁡
[
�
�
]
=
�
�
+
1
−
�
�
+
1
(
�
+
1
)
(
�
−
�
)
=
1
�
+
1
∑
�
=
0
�
�
�
�
�
−
�
{\displaystyle \operatorname {E} [X^{n}]={\frac {b^{n+1}-a^{n+1}}{(n+1)(b-a)}}={\
frac {1}{n+1}}\sum _{k=0}^{n}a^{k}b^{n-k}}
para
�
∈
�
n\in\mathbb{N}.

Función generadora de momentos

La función generadora de momentos de esta distribución es

�
�
(
�
)
=
�
�
�
−
�
�
�
�
(
�
−
�
)
{\displaystyle M_{X}(t)={\frac {e^{tb}-e^{ta}}{t(b-a)}}}
para valores
�
≠
0
{\displaystyle t\neq 0}.

Esto se demuestra fácilmente utilizando la definición de función generadora de

momentos:

�
�
(
�
)
=
E
⁡
[
�
�
�
]
=
∫
�
�
�
�
�
1
�
−
�
�
�
=
1
�
−
�
�
�
�
�
|
�
�
=
�
�
�
−
�
�
�
�
(
�
−
�
)
{\displaystyle {\begin{aligned}M_{X}(t)&=\operatorname {E} [e^{tX}]\\&=\int
_{a}^{b}{e^{tx}{\frac {1}{b-a}}dx}\\&={\frac {1}{b-a}}{\frac {e^{tx}}{t}}{\bigg
|}_{a}^{b}\\&={\frac {e^{tb}-e^{ta}}{t(b-a)}}\\\end{aligned}}}
Generalización a conjuntos de Borel
Esta distribución puede ser generalizada a conjuntos de intervalos más complicados.
Si
�
S es un conjunto de Borel de medida finita positiva, la distribución probabilidad
uniforme en
�
S se puede especificar definiendo que la pdf sea nula fuera de
�
S e igual a 1/K dentro de
�
S, donde K es la medida de Lebesgue de
�
S.

Estadísticas de orden
Sea
�
1
,
�
2
,
…
,
�
�
{\displaystyle X_{1},X_{2},\dots ,X_{n}} una muestra independiente e identicamente
distribuidas de
�
(
0
,
1
)
{\displaystyle U(0,1)}. Sea
�
(
�
)
{\displaystyle X_{(k)}} el
�
k-ésimo estadístico de orden de esta muestra. Entonces la distribución de
probabilidad de
�
(
�
)
{\displaystyle X_{(k)}} es una distribución Beta con parámetros
�
k y
�
−
�
+
1
{\displaystyle n-k+1}. La esperanza matemática es

E
⁡
[
�
(
�
)
]
=
�
�
+
1
.
{\displaystyle \operatorname {E} [X_{(k)}]={k \over n+1}.}
Esto es útil cuando se realizan Q-Q plots.

Las varianzas son

Var
⁡
(
�
(
�
)
)
=
�
(
�
−
�
+
1
)
(
�
+
1
)
2
(
�
+
2
)
.
\operatorname{Var}(X_{(k)}) = {k (n-k+1) \over (n+1)^2 (n+2)} .
Uniformidad
La probabilidad de que una variable aleatoria uniformemente distribuida se
encuentre dentro de algún intervalo de longitud finita es independiente de la
ubicación del intervalo (aunque sí depende del tamaño del intervalo), siempre que
el intervalo esté contenido en el dominio de la distribución.

Es posible verificar esto: si

�
∼
U
⁡
(
�
,
�
)
{\displaystyle X\sim \operatorname {U} (a,b)} y
[
�
,
�
+
�
]
⊆
[
�
,
�
]
{\displaystyle [x,x+l]\subseteq [a,b]} con
�
>
0
{\displaystyle l>0} fijo, entonces

�
[
�
≤
�
≤
�
+
�
]
=
∫
�
�
+
�
1
�
−
�
�
�
=
�
�
−
�
{\displaystyle P\left[x\leq X\leq x+l\right]=\int _{x}^{x+l}{\frac {1}{b-a}}dt={\
frac {l}{b-a}}}.
lo cual sólo depende de la longitud del intervalo
�
l y es independiente de
�
x. Este hecho es el que le da su nombre a la distribución.

Distribución uniforme estándar

Si se restringe
�
=
0
a=0 y
�
=
1
b=1 entonces la distribución resultante se llama distribución uniforme estándar. Si
�
X es una variable aleatoria con distribución uniforme estándar entonces se
escribirá
�
∼
U
⁡
(
0
,
1
)
{\displaystyle X\sim \operatorname {U} (0,1)}.

Para esta distribución en particular, se tiene que:

Función de densidad
La función de densidad para cualquier valor
�
∈
[
0
,
1
]
{\displaystyle x\in [0,1]} es simplemente la constante
1
1, esto es

�
�
(
�
)
=
1
{\displaystyle f_{X}(x)=1}
Función de probabilidad
La función de probabilidad de
�
X se reduce a la recta identidad, esto es

�
�
(
�
)
=
�
{\displaystyle F_{X}(x)=x}
para valores de
�
∈
[
0
,
1
]
{\displaystyle x\in [0,1]}

Media y Varianza
La media y varianza están dadas por

E
⁡
[
�
]
=
1
2
{\displaystyle \operatorname {E} [X]={\frac {1}{2}}}
Var
⁡
(
�
)
=
1
12
{\displaystyle \operatorname {Var} (X)={\frac {1}{12}}}
respectivamente.

Simetría
Si
�
∼
U
⁡
(
0
,
1
)
{\displaystyle X\sim \operatorname {U} (0,1)}, entonces
1
−
�
∼
U
⁡
(
0
,
1
)
{\displaystyle 1-X\sim \operatorname {U} (0,1)}.

Transformada integral de probabilidad

Si
�
Y es una variable aleatoria continua con función de distribución
�
�
{\displaystyle F_{Y}}, entonces la variable aleatoria
�
=
�
�
(
�
)
∼
U
⁡
(
0
,
1
)
{\displaystyle X=F_{Y}(Y)\sim \operatorname {U} (0,1)}.

Aplicando este resultado, es posible simular valores aleatorios de cualquier

variable aleatoria continua a partir de valores aleatorios de una distribución
uniforme en el intervalo
[
0
,
1
]
[0,1]: basta aplicar a dichos valores la inversa de la función de distribución de
la variable que queremos simular.