En standardmetode er å generere tre standardnormaler og konstruere en enhetsvektor fra dem. Det vil si når $ X_i \ sim N (0,1) $ og $ \ lambda ^ 2 = X_1 ^ 2 + X_2 ^ 2 + X_3 ^ 2 $, så $ (X_1 / \ lambda, X_2 / \ lambda, X_3 / \ lambda) $ fordeles jevnt på sfæren. Denne metoden fungerer også bra for $ d $ -dimensjonale kuler.
I 3D kan du bruke avvisningssampling: tegne $ X_i $ fra en jevn $ [- 1,1] $ fordeling til lengden på $ (X_1, X_2, X_3) $ er mindre enn eller lik 1, da - akkurat som med den foregående metoden - normaliserer vektoren til enhetslengde. Det forventede antall forsøk per sfærisk punkt tilsvarer $ 2 ^ 3 / (4 \ pi / 3) $ = 1,91. I høyere dimensjoner blir det forventede antall forsøk så stort at dette raskt blir umulig.
Det er mange måter å sjekke ensartethet på . En fin måte, selv om det er noe beregningsintensivt, er med Ripleys K-funksjon. Det forventede antall poeng innenfor (3D euklidisk) avstand $ \ rho $ fra et hvilket som helst sted på sfæren er proporsjonalt med området til sfæren innen avstand $ \ rho $, som tilsvarer $ \ pi \ rho ^ 2 $. Ved å beregne alle avstandspunkter kan du sammenligne dataene til dette idealet.
Generelle prinsipper for å konstruere statistisk grafikk antyder at en god måte å sammenligne er å plotte variansstabiliserte rester $ e_i (d _ {[i] } - e_i) $ mot $ i = 1, 2, \ ldots, n (n-1) / 2 = m $ hvor $ d _ {[i]} $ er $ i ^ \ teksten {th} $ minste av gjensidige avstander og $ e_i = 2 \ sqrt {i / m} $. Tomten skal være nær null. (Denne tilnærmingen er ukonvensjonell.)
Her er et bilde av 100 uavhengige tegninger fra en ensartet sfærisk fordeling oppnådd med den første metoden:
Her er det diagnostiske plottet over avstandene:
Y-skalaen antyder at disse verdiene er nær null.
Her er akkumuleringen av 100 slike plott for å foreslå hvilke størrelsesavvik som faktisk kan være viktige indikatorer for manglende ensartethet:
(Disse plottene ser veldig mye ut som Brownian broer... det kan være noen interessante teoretiske funn som lurer her.)
Til slutt, her er det diagnostiske plottet for en sett med 100 enhetlige tilfeldige punkter pluss ytterligere 41 poeng som er jevnt fordelt på den øvre halvkule:
I forhold til den jevne fordelingen viser det en betydelig reduksjon i gjennomsnittlig avstandspunkt til en halvkule. Det i seg selv er meningsløst, men den nyttige informasjonen her er at noe er ikke-ensartet på skalaen til en halvkule. I virkeligheten oppdager dette plottet lett at den ene halvkulen har en annen tetthet enn den andre. (En enklere chi-square test ville gjort dette med mer kraft hvis du på forhånd visste hvilken halvkule du skulle teste ut av de uendelig mange mulige.)