第 9 章　常见连续分布

9.1均匀分布：处处等可能

如果随机变量 X 在区间 [a, b] 上每个点都同样可能被取到，就说 X 服从均匀分布，记作 X ~ U(a, b)。

比如：公交车「恰好」在 8:00 到 8:15 之间随机到达（没有哪一分钟更可能）；转盘随机停在某个角度。

密度函数

f(x) = 1 ⁄ (b − a)，　当 a ≤ x ≤ b；其余为 0

为什么是这个常数？因为「处处等可能」要求密度处处相同（一个常数）；又要满足「总面积 = 1」（归一）。一个高为 c、宽为 (b−a) 的矩形，面积 = c·(b−a) = 1，所以 c = 1/(b−a)。

均匀分布的好处是「落在一个子区间的概率 = 子区间长度 / 总长度」，这正是第 2 章几何概型在连续世界里的样子。

一步写出它的分布函数

按第 7 章的定义，F(x) = P(X ≤ x) 就是密度曲线下从左端积到 x 的面积。均匀分布的密度是平顶矩形，面积不过是「底 × 高」，根本不用积分技巧，分三段直接写出：

F(x) = 0（x < a）；　F(x) = (x−a)/(b−a)（a ≤ x ≤ b）；　F(x) = 1（x > b）

拿第 7 章分布函数的几条性质逐项对照：单调不减（这里从 0 线性爬升到 1）✓；F(a) = 0、F(b) = 1，两端概率恰到好处 ✓；处处连续（比带跳变的离散分布还光滑，右连续自然满足）✓。均匀分布是亲手写分布函数的最佳练手对象：不费任何计算，却把分布函数的全部性质完整过了一遍。

概率计算也随之一步到位：P(c < X ≤ d) = F(d) − F(c) = (d−c)/(b−a)——子区间的概率只等于子区间长度占总长度的比例。落在前半段还是后半段、偏左还是偏右都不重要，只看长短：这正与第 2 章「几何概型用长度比算概率」一脉相承，均匀分布就是几何概型在「一维随机变量」语言下的正式版本。

先算期望与方差：一个著名的「十二分之一」

均匀分布的期望凭对称就能猜到：E(X) = (a+b) ⁄ 2——区间中心两边的可能性完全对称，平均值必落在正中央。用第 10 章的期望定义式（对连续变量是积分）严格验证：E(X) = ∫_a^b x · 1/(b−a) dx = (a+b)/2，与直觉一致。

方差要多算一步 E(X²)，积分结果为 E(X²) = (a²+ab+b²)/3，代入 Var(X) = E(X²) − [E(X)]²，化简后得到：

Var(X) = (b−a)² ⁄ 12

结论出人意料地简洁：方差恰是区间长度平方的 1/12。直觉上讲，取值范围是 (b−a)，但方差远小于 (b−a)²——因为变量均匀地铺满区间，绝不扎堆两端。标准差 σ = (b−a)/√12 ≈ 0.289(b−a)：均匀分布的取值点到中心的典型距离，约为区间半宽的六成弱。

这个 1/12 还埋着一个漂亮的彩蛋：把 12 个相互独立的 U(0,1) 相加再减 6，得到的量近似服从 N(0,1)——期望 12×0.5 = 6 减掉，方差 12×(1/12) = 1 恰好凑成 1。在没有计算机的年代，人们就是靠这条性质「把 12 个随机数加起来模拟一个正态样本」的，思考题第 5 题请你亲手验证这条捷径。

工程落点：量化误差与随机数

均匀分布在工程里的第一落点是量化误差：任何数字系统把连续量读成有限位数（模数转换、传感器刻度、报表四舍五入）时，产生的偏差都近似均匀分布在半个量化步长之内——例题 1 的 0.05 正是「保留 1 位小数」的半步长。误差方差 (步长²/12) 是测量链路噪声预算的常客。第二落点是随机数：编程语言里 random( ) 吐出的就是 U(0,1) 样本，其他一切分布（包括本章的指数、正态）都可以从它加工而来——均匀分布是随机模拟的「原矿」。

辨析：「处处等可能」到底是什么意思

一个高频误解：既然每个点「同样可能」，是不是每个点都有非零概率被取到？不是——第 7 章讲过，连续型随机变量取任何单点的概率恒为 0（单点长度为 0，占比为 0）。「处处等可能」的准确含义是等长的子区间概率相等，只与长度有关、与位置无关。另外注意均匀分布与指数分布的对仗：均匀是「位置上的等可能」（随机落在区间哪个点都一样），指数是「时间上的新鲜度」（任意时刻事件发生率都一样）——一个是平顶，一个是衰减，用「位置 vs 时机」两个词就能分开它们。

顺带把均匀分布放进本章地图：三个连续分布里，均匀最「平」——没有偏好、没有衰减、没有中心，把概率均摊给区间每一段；指数最「偏」——全部概率挤向原点附近，向右拖出一条长尾；正态最「中」——对称居中、两头匀速衰减。均匀、指数、正态，恰好展示了连续分布的三种基本性格：等、偏、中。带着这张性格地图往下走，后面两节的路会好认得多。

9.2指数分布：等待的时间

离散世界里，几何分布回答「等到第一次成功要试几次」；连续世界里，对应的问题是「等到下一次事件发生要等多久」。答案就是指数分布。

典型场景：灯泡的寿命、两次来电之间的间隔、一个放射性原子衰变所需的时间。

密度函数

设 X 服从参数为 λ（λ > 0）的指数分布，记作 X ~ Exp(λ)，密度函数为：

f(x) = λ · e^−λx，　当 x ≥ 0；其余为 0

为什么长这样？指数分布的核心假设是「无记忆性」：事件在任意时刻发生的机会都「一样新鲜」，不随时间积累。数学上能证明，唯一满足无记忆性的连续分布就是指数分布。λ 越大，事件来得越快，曲线下降得越陡（说明「等很短时间」的概率大）。

分布函数与生存函数：可靠性计算的两条腿

把密度 λe^−λx 从 0 积到 x（凑微分即可积），得到分布函数：

F(x) = 1 − e^−λx（x ≥ 0）

工程里更常用的常是它的补——「到时刻 x 还没发生（还活着）」的概率，称为生存函数：

S(x) = P(X > x) = 1 − F(x) = e^−λx

两条公式一正一反：F(x) 是「x 时间内已出事」的概率，S(x) 是「撑过 x」的概率。参数 λ 因此得名失效率（可靠性术语）或强度（随机过程术语）——单位时间内事件发生的平均频次。设备的平均无故障时间 MTBF 就是 1/λ，这条换算在可靠性手册里天天用。

无记忆性的严格证明：与几何分布逐行对照

第 8 章证过几何分布的无记忆性，指数分布的证明与之完全同构，把 (1−p)ⁿ 换成 e^−λx 即可。命题：对任意 s, t ≥ 0，

P(X > s+t | X > s) = P(X > t)

第一步，条件概率定义展开：P(X > s+t | X > s) = P(X > s+t) ⁄ P(X > s)；第二步，代入生存函数：= e^−λ(s+t) ⁄ e^−λs；第三步，指数运算合并：e^−λs·e^−λt ⁄ e^−λs = e^−λt，恰为 P(X > t)，证毕。反过来同样成立：连续分布中唯一满足无记忆性的就是指数分布——「不老化」这个假设本身就把分布逼成指数形式（严格证明超出本书范围，结论请记住）。也就是说，一旦你为「等待问题」按下无记忆的假设，指数分布就是唯一候选人，没有第二家。

平均要等多久？1 ⁄ λ 的两条读法

指数分布的期望是 1 ⁄ λ，它有两条读法。积分读法（分部积分一步）：E(X) = ∫₀^∞ x·λe^−λxdx = 1/λ。工程读法更有味道：λ 是单位时间的平均事件数，1/λ 自然就是平均间隔——平均每小时 4 通来电（λ = 4），则平均每两通间隔 1/4 小时 = 15 分钟。λ 与 1/λ 互为倒数，把第 8 章「泊松数次数」与本章「指数量间隔」严丝合缝地拼成同一枚硬币的两面。再补一句预告：指数分布的方差是 1/λ²（第 10 章用性质算），标准差与均值同为 1/λ——波动和均值一样大，这是右偏长尾分布的典型签名（见下面辨析）。

工程落点：随机失效段、排队与响应时间

可靠性工程把产品寿命分成三段（著名的「浴盆曲线」）：早期失效段（磨合缺陷暴露，故障率由高走低）、随机失效段（故障率近似恒定——正是指数分布的用武之地）、耗损失效段（磨损老化，故障率爬升）。电子与机电产品在正常服役期的大部分时间处在随机失效段，所以指数分布是寿命预算、备件储备、维修策略计算的标准假设；排队系统里「两位顾客到达的间隔」「服务台处理一件业务的时间」也常取指数分布，它是排队论（M/M/1 等模型记号里的那个 M）的地基。使用前只需自问一句：「这个量在观察窗内是否既不磨合也不老化？」是，则指数分布是首选模型；否，则要换更贴身的模型。

辨析：均值、中位数与「浴盆」的边界

两个必须分清的概念。其一，均值 ≠ 中位数：例题 2 里均值 500、中位数 346.6——指数分布右偏，一半的产品活不过中位数，而少数长寿个体把均值抬高。向管理层汇报「平均寿命 500 小时」时若不说明「一半在 347 小时内就坏了」，极易造成误读；这正是统计里「用哪个位置指标」的典型场景。其二，无记忆是假设不是定律：真实会老化的器件（疲劳磨损的机械件、逐渐衰变的材料）不满足无记忆性，更贴身的模型是威布尔分布——它是指数分布的推广，多一个「形状参数」刻画老化快慢（形状参数取 1 时恰好退化为指数分布，超出本书范围，留个名字即可）。指数分布用起来最方便，但每次使用都应确认「无老化」前提站得住脚。

9.3正态分布：钟形曲线

现在登场的，是概率论里最著名的分布——正态分布（也叫高斯分布）。它的密度曲线是一条优美的「钟形曲线」，中间高、两边低、左右对称。

密度函数

设 X ~ N(μ, σ²)，其密度函数为：

f(x) = [1 ⁄ (σ√(2π))] · e^{−(x−μ)² ⁄ (2σ²)}

其中 μ（读「谬」）是均值，σ（读「西格玛」）是标准差（σ > 0）。

正态分布为何无处不在？

身高、体重、考试成绩、测量误差、零件尺寸……现实中大量数据都近似服从正态分布。这不是巧合，而是有深刻原因的——中心极限定理：当某个量是大量独立小因素叠加的结果时，无论这些小因素各自服从什么分布，它们的「和」都趋向正态分布。第 12 章将完整证明这一点。

解剖密度函数：三个部件各司其职

把 f(x) = [1/(σ√(2π))]·e^{−(x−μ)²/(2σ²)} 拆开看，它由三个部件组成，各司其职：

第一部件，e 的指数 −(x−μ)²/(2σ²) 是「形状发动机」：平方保证 (x−μ) 无论正负都化作同一衰减——这既给出「离 μ 越远密度越小」，也给出左右对称；分母 2σ² 是油门：σ 越小衰减越猛，曲线越快贴地，钟形越瘦高。

第二部件，前面的 1/σ 是「胖瘦旋钮」：σ 翻倍，峰高减半、腰身加倍——总波幅守恒（因为总面积必须恒为 1）。「σ 大矮胖、σ 小高瘦」的直觉全部由这个系数实现。

第三部件，1/√(2π) 是「归一化地板」：单看它像天外飞来的常数，其实是积分 ∫e^−t²/2dt = √(2π)（著名的「高斯积分」）的倒影——把整条曲线下的面积钉死在 1 上。这个积分的计算要靠二重积分的极坐标技巧（微积分的内容），本书第 12 章用到它的结论，这里先领个通行证。

工程落点：公差、测量不确定度与载荷谱

正态分布在工程中的三块主阵地：制造公差——任何加工尺寸都围绕名义值散布，散布宽度由机床的 σ 决定（下节细算）；测量不确定度——多次测量取平均、给不确定度区间，其全部统计依据都是「测量误差近似正态」；载荷与环境谱——风载波动、阵风速度、表面温度等大量「多因素叠加」的自然量都近似正态，结构强度设计里「载荷均值 + k 倍标准差」的取值规则正是本节分布的直接应用。一句话：凡是「许多独立小因素共同塑造」的量，先猜正态，八成不会错；猜错了也有威布尔、对数正态等备选，但正态永远是第一嫌疑人。

辨析：误差为什么不是均匀分布？

初学者常问：既然单次测量误差可正可负、范围有限，为什么不干脆用均匀分布？区别在成因：读数舍入这类「单一来源、硬性截断」的误差确实近似均匀（例题 1）；但一般测量误差是许多来源的微小偏差叠加——温度、振动、视角、仪器噪声各贡献一点，正负抵消后「全都同向偏差很大」的机会远小于「七七八八互相抵消」的机会，于是中间隆起、两端稀疏，形状自然走向钟形。用一句话记住分工：单一机制切出来的误差是均匀，多因素叠出来的误差是正态——判断顺序是先问成因，再选模型。

9.4μ 与 σ：位置与胖瘦

正态分布的两个参数各有清晰的几何意义：

• μ（均值）决定「中心位置」：μ 变大，整条钟形曲线向右平移；μ 变小，向左平移。形状不变，只搬家。
• σ（标准差）决定「胖瘦」：σ 越大，曲线越「矮胖」——数据越分散；σ 越小，曲线越「高瘦」——数据越集中。

μ 三位一体：均值、中位数、众数在此会师

正态分布关于 μ 左右对称，于是三个「位置指标」自动合为一体：「一半概率在 μ 左、一半在右」——μ 是中位数；密度峰值恰在 x = μ 处——μ 又是众数；第 10 章将证明 μ 还是均值。三位一体是对称分布的福利，也是「正态好分析」的根源之一——报一个 μ，就能同时回答「平均水平在哪」「典型值是多少」「一半分界线在哪」三个问题。对比一下指数分布的处境：均值 1/λ、中位数 ln2/λ（≈0.69/λ）、众数 0，三者各奔东西（例题 2 已经领教过），不对称的分布做汇报时必须说明你用的是哪个指标。

σ 为什么叫「标准差」：从平方回到原单位

σ 的平方 σ² 就是第 10 章的方差 Var(X) = E[(X−μ)²]——偏离量平方后的平均。平方带来两个后果：一是把负偏离折成正值（左右偏差同等对待），二是量纲被平方了（长度变成长度²，毫米变成毫米²）。量纲不符，就没法跟原始数据直接比较，于是再开一次根：σ = √Var，把「平均偏离多大」还原回原始单位。名字里的「标准」二字，来自它提供了一支度量偏离的通用标尺——μ±1σ 圈住约 68% 的数据、μ±2σ 圈住约 95%（下节细算），评估「某个值正常不正常」时，说「偏离了 2.3σ」比说「偏离了 7.36 毫米」更能传达含义，因为前者自带了背景散布程度。

工程落点：准确度、精密度与「两种病」的区分

μ 与 σ 的分工对应工程质量管理的一对基本概念：μ 偏了是「系统误差」，叫不准——机床没对刀、量具没校零、工艺温度偏高，整批产品往一边跑；σ 大了是「随机散布」，叫不稳——主轴间隙、夹持松动、环境波动，产品四处乱跳。两种病用药完全不同：μ 偏了调中心（对刀、校零、改工艺参数，成本低见效快）；σ 大了要压散布（设备维护、环境控制、工艺升级，成本高周期长）。例题 4 里两车间都是「中心准、散布大」，病灶在机床与工装，所以 Cp 给出的整改方向是压 σ，而不是继续调中心。先分准与稳，再谈整改——这是正态参数给工程管理上的第一课。

辨析：μ 与 σ 各管一个「症状」，但不可互相替代

常见误区有二。误区一：「均值对了就行」。错——例题 4 里乙车间中心完美，合格率却不到一半；只有中心没有散布控制，公差就是赌运气。误区二：「σ 越小越好，那把 μ 顺手也归到 σ 里管」。错——μ 与 σ 是两个独立旋钮：把所有数据平移 100，μ 跟着平移 100，σ 纹丝不动（偏离量 x−μ 没变）；把所有数据乘 10，μ 乘 10、σ 也乘 10。这种「平移不变、缩放同比」的行为正是下一节标准化变换 Z = (X−μ)/σ 的设计依据——把平移和缩放两个动作标准化掉，一切正态就归一成 N(0,1)。

9.5标准正态分布与 68-95-99.7 法则

当 μ = 0、σ = 1 时，正态分布叫标准正态分布 N(0, 1)。任何正态分布都能通过「标准化」变换：

Z = (X − μ) ⁄ σ

变成标准正态分布 N(0, 1)。这一步极其有用——因为标准正态的概率值可以预先算成一张表，查表就能算出任何正态分布的概率。

68-95-99.7 法则

对任意正态分布，数据落在均值附近的规律非常整齐：

• 约 68% 的数据落在 μ ± 1σ 之内。
• 约 95% 的数据落在 μ ± 2σ 之内。
• 约 99.7% 的数据落在 μ ± 3σ 之内。

这个法则让你能心算正态概率：比如知道某次考试分数服从 N(70, 10²)，就能立刻估出「约 68% 的人分数在 60 到 80 之间，约 95% 在 50 到 90 之间」。

标准化为什么可行：换一把尺子量同一段路

Z = (X − μ) ⁄ σ 的本质是换坐标系：原点搬到 μ（消掉位置），单位改用 σ（消掉尺度）——就像把毫米读数换算成英寸，数值变了、事实不变。严格命题是：若 X ~ N(μ, σ²)，则 Z = (X−μ)/σ ~ N(0, 1)；反过来 X = μ + σZ 告诉你「任何一个正态都是标准正态平移再拉伸的结果」。这解释了两件事：其一，全世界的正态分布共享同一张 N(0,1) 表，教科书只需印一张；其二，正态分布家族虽然参数无穷多，但「形状」其实只有一种——μ 和 σ 只负责摆放，钟形的本质轮廓全在 N(0,1) 里。

查表三板斧：正向、反向、对称转换

分布表给的是 Φ(z) = P(Z ≤ z)，即从最左端积到 z 的面积。正向：给 z 查概率（例题 3 的 P(Z≤1.5)）；反向：给概率查 z——这个 z 叫分位数（如「99% 分位数 2.33」），设计公差上限、安全裕度时用的都是它；对称转换：遇到负 z 时不必另备一张表，用恒等式

Φ(−z) = 1 − Φ(z)

推导只看一眼钟形图就懂：曲线关于 0 对称，−z 左边的尾部面积与 +z 右边的尾部面积相等，而右尾面积 = 1 − Φ(z)。如 Φ(−1.5) = 1 − 0.9332 = 0.0668。所有正态概率题都是这三板斧的组合：先标准化，再查表，负值对称转换。

法则背后的精确值：千分之三是分界线

68-95-99.7 是速记，精确值为 68.27%、95.45%、99.73%。最后那个 99.73% 值得单独强调——它的反面是：正态数据落在 μ±3σ 之外的概率仅约 0.27%（两侧各约 0.135%）。「一次观测就出界」如此罕见，以至于统计学家休哈特在 1920 年代设计质量控制图时，就把 μ±3σ 定为「正常波动」与「异常信号」的分界线（图 9-6）：点在界内，波动可以交给随机性解释；点出界，随机性背不动这口锅，几乎必有系统性原因（刀具磨损、原料批次、操作变更），应停线排查。3σ 法则从一句口诀变成一条管理规则，是「概率思维落地为工程制度」的经典范例。

工程落点：控制图、公差设计与分位数承诺

3σ 控制图是正态参数的工程制度化：把每批产品的关键尺寸打点在图上，μ 给出中心线、σ 给出控制限，靠肉眼一秒判断「过程是否仍然受控」。公差设计是它的孪生应用——例题 4 的 Cp、例题 5 的「承诺值 T」都在回答同一个问题：允许多大的 σ，才能让既定的覆盖率（99%、95%、90%）成立。三个应用一层比一层实用：法则（心算量级）→ 查表（精确概率）→ 分位数（反推设计值），构成从「认识分布」到「用分布做决策」的完整阶梯。

辨析：单侧分位数与双侧分位数，一字之差两倍之别

查分位数时最容易买错的一件商品：单侧 95% 与双侧 95% 对应不同的 z。单侧问「95% 的数据不超过上限」，右尾只留 5%，对应 z = 1.645；双侧问「95% 的数据落在中心两侧对称区间内」，两尾各留 2.5%，对应 z = 1.96——因为两尾各出 2.5% 比单尾出 5% 的限制更严，z 自然更大。同理 99%：单侧 2.33，双侧 2.576。三个数字按用途记：合格率上限、公差上限、安全裕度多为单侧（1.645、2.33）；置信区间、控制限、误差范围多为双侧（1.96、2.576，第 12 章统计推断会大量使用）。买分位数之前，先看清要的是「一尾」还是「两尾」。

最后把「3σ 控制图」与业界常说的「6σ 水平」区分开：控制图的 3σ 指单侧控制限离中心 3 个标准差，双侧总宽 6σ，判的是「过程是否受控」；而质量管理语境的「6σ 水平」是个合格率代名词——考虑过程中心可能缓慢漂移约 1.5σ 后，仍要求缺陷率低至百万分之 3.4 的综合能力，并非字面的「±6σ」。两个术语同源于本章这条钟形曲线，但语义层次完全不同，混用会闹笑话。