균일분포 (Uniform Distribution)
쉽게 풀면
주사위를 던지면 1부터 6까지 어떤 눈이 나올 확률도 똑같이 1/6입니다. 이렇게 가능한 결과들이 전부 같은 확률을 가질 때를 균일분포(또는 등분포)라고 부릅니다. 균일분포에는 주사위처럼 정수 값만 가능한 "이산균일분포"와, 0과 1 사이의 어떤 실수든 똑같이 나올 수 있는 "연속균일분포"가 있습니다. 예를 들어 난수 생성기가 0에서 1 사이의 값을 뽑을 때, 그 범위 안 어디든 나올 가능성이 동일하다면 이는 연속균일분포를 따른다고 말합니다. 사전 정보가 전혀 없어 "모든 가능성이 똑같다"고 가정할 때 기준이 되는 가장 단순한 분포입니다.
왜 중요한가
균일분포는 사전 정보가 없을 때 가정할 수 있는 가장 단순하고 기본적인 확률분포이기 때문에, 시뮬레이션의 난수 생성, 베이지안 통계의 무정보 사전분포, 실험 설계에서의 무작위 배정 등 여러 연구 방법론의 출발점으로 널리 쓰입니다. 다른 복잡한 분포를 만들어내는 데도 균일분포에서 값을 뽑아 변환하는 방식이 자주 활용되기 때문에 확률·통계 기반 연구 전반에서 기초 도구 역할을 합니다.
논문에서는 이렇게 쓰입니다
이 문장은 몬테카를로 시뮬레이션 등에서 난수를 만들 때, 특정 값에 치우치지 않고 구간 내 모든 값이 동일한 확률로 뽑히도록 설계했다는 뜻입니다.
베이지안 통계 연구에서 특정 값을 더 선호할 근거가 없을 때, 모든 가능한 모수 값에 동일한 가중치를 주는 균일분포를 사전분포로 채택했다는 뜻입니다.
실험 설계 연구에서 특정 참가자가 어느 집단에 더 잘 배정되는 편향이 없도록, 균일분포 기반의 난수로 완전 무작위 배정을 구현했다는 의미입니다.
조금 더 깊게 보면
균일분포는 이산형과 연속형으로 나뉘며, 연속균일분포의 경우 평균과 분산이 구간의 범위만으로 간단히 결정된다는 특징이 있습니다. 다른 분포에서 난수를 뽑고 싶을 때는 흔히 역변환법(inverse transform sampling)처럼 균일분포에서 뽑은 값을 원하는 분포의 누적분포함수 역함수에 넣는 방식을 쓰는데, 이 때문에 균일분포는 난수 생성 알고리즘의 기반이 되는 경우가 많습니다. 또한 실제 컴퓨터가 만들어내는 난수는 완전한 무작위가 아니라 의사난수(pseudo-random number)이므로, 논문에서 균일분포를 가정할 때는 사용한 난수 생성기의 특성도 함께 고려하는 것이 바람직합니다.
주의할 점
균일분포는 "아무 정보가 없을 때의 기본값"으로 자주 쓰이지만, 실제 데이터가 특정 값 주변에 몰려 있다면(예: 사람 키, 시험 점수) 균일분포가 아니라 정규분포 같은 다른 분포가 더 적합합니다. 데이터가 실제로 균등하게 퍼져 있는지 확인하지 않고 균일분포를 가정하면 분석 결과가 왜곡될 수 있습니다.