Slide 1 — Continuous Probability Distribution Overview
第1页——连续概率分布概述
Knowledge Points
- Random Variable（随机变量）
- Continuous Probability Distribution（连续概率分布）
- Expected Value and Variance（期望与方差）
- Uniform Probability Distribution（均匀分布）
- Normal Probability Distribution（正态分布）
🔹 Knowledge Point 1 — Random Variable（随机变量）
Explanation（解释）
A random variable is a numerical outcome of a random experiment, which can be either discrete or continuous.
随机变量是随机实验结果的数值化表达，可以是离散型或连续型。
Example（例子）
- Discrete: Number of defective items in a batch.
- Continuous: Time to complete a project.
离散例：一批货物中的次品数；连续例：完成项目所需时间。
Extension（拓展）
Random variables serve as the foundation for statistical models, allowing uncertainty to be quantified and analyzed.
随机变量是统计模型的基础，用于量化与分析不确定性。
Summary（总结）
本页介绍随机变量的定义及分类，是理解连续型分布的前提。
🔹 Knowledge Point 2 — Continuous Probability Distribution（连续概率分布）
Explanation（解释）
A continuous probability distribution describes variables that can take any real value within a range.
连续概率分布描述变量可在某一区间内取任意实数值。
Example（例子）
The daily temperature or a person’s height are examples of continuous random variables.
每日温度或个人身高属于连续型随机变量。
Extension（拓展）
Continuous distributions are represented using a probability density function (pdf), whose total area equals 1.
连续分布通过“概率密度函数”表达，其曲线下总面积等于 1。
Summary（总结）
本节强调连续分布的定义与密度函数的基本性质。
Slide 2 — Continuous Random Variable
第2页——连续型随机变量
Knowledge Points
- Interval-based Probability（基于区间的概率）
- Probability of a Point = 0（单点概率为零）
🔹 Knowledge Point 1 — Interval-based Probability（区间概率）
Explanation（解释）
A continuous random variable can assume infinitely many values within an interval. Probability is defined for intervals, not for single points.
连续型随机变量可在区间内取无限多值，概率定义在区间上而非单点上。
Example（例子）
The probability that a student’s GPA is exactly 3.50 is 0, but the probability that it lies between 3.50 and 3.60 is positive.
学生的 GPA 恰好为 3.50 的概率为 0，而介于 3.50–3.60 之间的概率为正。
Extension（拓展）
For continuous variables:
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b).
端点是否包含不会影响结果。
Summary（总结）
本页说明连续变量概率的区间性质与单点概率为零的特征。
Slide 3 — Continuous Probability Distribution
第3页——连续概率分布
Knowledge Points
- Probability Density Function (pdf)（概率密度函数）
- Area Interpretation（面积法则）
🔹 Knowledge Point 1 — Probability Density Function（概率密度函数）
Explanation（解释）
The pdf f(x) describes how probabilities are distributed over all possible values of a continuous variable.
概率密度函数 f(x) 描述了连续随机变量各取值的概率分布。
Example（例子）
For X uniformly distributed on [0,1],
f(x) = 1, and P(0 ≤ X ≤ 0.5) = 0.5.
若 X ~ U(0,1)，则在 0–0.5 区间的概率为 0.5。
Extension（拓展）
A valid pdf satisfies two properties:
- f(x) ≥ 0 for all x;
- ∫₋∞⁺∞ f(x) dx = 1.
合法的概率密度函数必须非负且积分为 1。
Summary（总结）
本页通过函数定义说明连续分布的概率计算基础：概率 = 曲线下的面积。
🔹 Knowledge Point 2 — Area Interpretation（面积表示法）
Explanation（解释）
The probability that X falls between x₁ and x₂ equals the area under f(x) between those points.
连续变量在 x₁ 与 x₂ 之间取值的概率等于 f(x) 曲线下的面积。
Example（例子）
P(0 ≤ X ≤ 0.4) = ∫₀⁰·⁴ f(x) dx.
区间面积代表相应概率。
Extension（拓展）
Area-based interpretation is fundamental to visualizing continuous probabilities and understanding cumulative distribution functions (CDF).
面积法则是理解累积分布函数与概率计算可视化的核心。
Image/Data Analysis（图像分析）
图中蓝色曲线表示 pdf f(x)，黄色区域为区间 [x₁, x₂] 的概率面积。
面积越大，事件发生的可能性越高。
Summary（总结）
本页利用曲线面积解释连续概率的几何意义。
Slide 4 — Examples of Continuous Distributions
第4页——连续分布的典型类型
Knowledge Points
- Uniform Distribution（均匀分布）
- Normal Distribution（正态分布）
- Exponential Distribution（指数分布）
🔹 Knowledge Point 1 — Uniform Distribution（均匀分布）
Explanation（解释）
A uniform distribution assigns equal probability to all values within a given interval [a, b].
均匀分布表示在区间 [a, b] 内每个数值出现的概率相等。
Example（例子）
If X ~ U(0,10), then f(x) = 1/10, and
P(2 ≤ X ≤ 5) = (5 − 2) / 10 = 0.3.
若 X ~ U(0,10)，则在 2–5 之间的概率为 0.3。
Extension（拓展）
Uniform distributions are used in random number generation and simulation experiments.
均匀分布常用于随机数生成与模拟实验。
Summary（总结）
均匀分布体现“机会均等”的概念，是随机实验建模的基础。
🔹 Knowledge Point 2 — Normal Distribution（正态分布）
Explanation（解释）
A normal distribution is symmetric around the mean μ and characterized by its standard deviation σ.
正态分布以均值 μ 为中心，对称分布，标准差 σ 控制其扩散程度。
Example（例子）
Human height and IQ scores usually follow a normal distribution.
人类身高和智商常服从正态分布。
Extension（拓展）
It is the foundation of inferential statistics, underlying z-scores, confidence intervals, and regression models.
正态分布是推断统计学的基础，广泛用于 Z 分数、置信区间和回归分析。
Summary（总结）
正态分布是自然与社会现象中最常见的分布形式。
🔹 Knowledge Point 3 — Exponential Distribution（指数分布）
Explanation（解释）
The exponential distribution models the waiting time between random events in a Poisson process.
指数分布用于描述泊松过程中事件间隔的时间。
Example（例子）
If λ = 0.25, then mean waiting time = 1/λ = 4 units.
若 λ=0.25，则平均等待时间为 4 个单位。
Extension（拓展）
It is widely used in reliability engineering and queueing theory to model lifetimes and service times.
指数分布常用于可靠性工程和排队论中，描述寿命与服务时间。
Image/Data Analysis（图像分析）
图中三种分布展示概率形态差异：
- Uniform：平坦矩形，等概率。
- Normal：钟形曲线，中部集中。
- Exponential：递减曲线，表示事件发生概率随时间衰减。
Summary（总结）
本页总结三种典型连续分布的形态与应用，直观体现连续分布的多样性。
Slide 5 — Uniform Probability Distribution
第5页——均匀概率分布
Knowledge Point — Definition and Formula（定义与公式）
Explanation（解释）
A random variable is uniformly distributed if every value within a given interval [a, b] has an equal chance of occurring.
当随机变量在区间 [a, b] 内的所有取值具有相同概率时，称其服从均匀分布。
Example（例子）
The probability density function (pdf) of a uniform distribution is defined as:
f(x) = 1 / (b − a), for a ≤ x ≤ b
= 0, elsewhere
This means the probability is evenly spread across the interval.
概率密度函数在区间内为常数，表示概率均匀分布。
Extension（拓展）
For a uniform distribution, the expected value and variance are:
E(X) = (a + b) / 2 Var(X) = (b − a)² / 12
These equations show that the mean lies at the center of the interval and the variance depends on its width.
期望值位于区间中点，方差取决于区间宽度。
Image/Data Analysis（图像分析）
图片中展示了均匀分布的密度函数曲线：
- 蓝色区域表示区间 [a, b] 内概率密度恒定。
- f(x) 在区间外为 0。
图中公式 E(x) = (a + b)/2 与 Var(x) = (b − a)²/12 总结了均匀分布的数学特征。
Summary（总结）
均匀分布的特点是区间内概率均等，期望为区间中点，方差反映区间宽度。
Slide 6 — Uniform Distribution Example
第6页——均匀分布实例
Knowledge Point — Application of Uniform Distribution（均匀分布的应用）
Explanation（解释）
Slater’s salad bar charges customers based on the amount of salad taken, which follows a uniform distribution between 5 and 15 ounces.
Slater 沙拉自助餐厅根据顾客取用的沙拉重量收费，假设沙拉重量服从 5 至 15 盎司间的均匀分布。
Example（例子）
f(x) = 1 / (15 − 5) = 1/10 for 5 ≤ x ≤ 15
E(X) = (5 + 15) / 2 = 10
Var(X) = (15 − 5)² / 12 = 8.33
顾客平均取 10 盎司沙拉，方差为 8.33，表示取用量在区间内分布较均匀。
Extension（拓展）
This example shows how uniform distribution applies to inventory control, resource allocation, and demand estimation where outcomes are equally likely.
此案例展示了均匀分布在库存控制、资源分配与需求预测中的应用。
Image/Data Analysis（图像分析）
图片中蓝色框代表概率密度函数 f(x) = 1/10；
E(x)=10 为区间中点，Var(x)=8.33 表示变异程度较低。
图像清晰地表达了概率在整个区间内均匀分布的特征。
Summary（总结）
此例说明均匀分布可用于描述“每个结果等可能”的情形，如顾客消费量、时间区间或产出波动。
Slide 7 — Probability under Uniform Distribution
第7页——均匀分布下的区间概率
Knowledge Point — Interval Probability Calculation（区间概率计算）
Explanation（解释）
To find the probability that a random variable X lies between two values within [a, b], compute the area of the rectangle under f(x).
对于均匀分布，求 X 位于某区间的概率等于该区间矩形面积。
Example（例子）
Given f(x) = 1/10 for 5 ≤ x ≤ 15, find P(12 ≤ X ≤ 15):
P(12 ≤ X ≤ 15) = (15 − 12) × 1/10 = 0.3
顾客取 12 至 15 盎司沙拉的概率为 0.3。
Extension（拓展）
This principle is crucial for modeling service time intervals, uniform error ranges, or equal-likelihood simulations.
此方法常用于服务时间、误差区间或等概率模拟中。
Image/Data Analysis（图像分析）
图片显示：
- f(x) = 1/10 为高度；
- 区间 [12,15] 的底长为 3；
- 黄色区域代表概率 0.3。
面积法直观体现了区间概率计算。
Summary（总结）
均匀分布的概率等于区间面积，计算简单、适用于等概率问题。
Slide 8 — Normal Probability Distribution
第8页——正态概率分布
Knowledge Point — Definition and Applications（定义与应用）
Explanation（解释）
The normal distribution is the most commonly used continuous probability distribution, describing variables that cluster around a mean value.
正态分布是最常用的连续概率分布，描述变量在平均值附近集中分布的规律。
Example（例子）
Examples include demographics (height, weight), test scores, and weather forecasts.
例：人口身高体重、考试成绩、天气预测等。
Extension（拓展）
The normal distribution underlies statistical inference, including confidence intervals, z-scores, and sampling estimation.
正态分布是统计推断的核心，用于置信区间、Z分数与抽样估计。
Image/Data Analysis（图像分析）
图片未展示，但正态曲线通常呈钟形：
- 中心 μ 为平均值；
- 分布关于 μ 对称；
- 68% 数据落在 μ ± 1σ 内，95% 在 μ ± 2σ 内。
Summary（总结）
正态分布是连续型变量分析的核心模型，在统计推断、社会科学与自然科学中应用最广泛。
Slide 9 — Normal Probability Distribution: Formula
第9页——正态分布的公式
Knowledge Point — Probability Density Function（概率密度函数）
Explanation（解释）
The normal probability distribution is a continuous distribution characterized by its bell-shaped curve.
Its probability density function (pdf) is:
f(x) = 1 / (σ√2π) · e^[-(x − μ)² / (2σ²)]
where μ = mean, σ = standard deviation, π ≈ 3.14159, e ≈ 2.71828.
正态分布的概率密度函数呈钟形，由平均值 μ 与标准差 σ 决定。
Example（例子）
For μ = 100, σ = 10, the function determines the likelihood that X lies near 100, with most probabilities concentrated around μ.
若 μ=100，σ=10，则大部分观测值集中在平均值附近。
Extension（拓展）
This pdf ensures that total area under the curve equals 1, meaning:
P(−∞ < X < ∞) = 1.
曲线下的总面积等于 1，表示总概率为 1。
Image/Data Analysis（图像分析）
图中公式区块展示了正态分布密度函数：
- 分母 σ√2π 控制高度和宽度；
- 指数项 e^(−(x−μ)²/2σ²) 决定对称形态；
- μ 调整中心位置，σ 控制曲线“胖瘦”。
Summary（总结）
正态分布的概率密度函数由均值与标准差决定，其曲线平滑对称，是连续概率分析的核心。
Slide 10 — Symmetry and Parameters of Normal Distribution
第10页——正态分布的对称性与参数
Knowledge Point — Symmetry and Parameters（对称性与参数定义）
Explanation（解释）
A normal distribution is symmetric about its mean μ, with a skewness of 0.
It is fully defined by two parameters:
- Mean (μ): determines the center location.
- Standard Deviation (σ): determines spread or dispersion.
正态分布关于平均值 μ 对称，偏度为 0；其形态由 μ 与 σ 完全决定。
Example（例子）
X ~ N(μ, σ): for example, X ~ N(100, 10) means mean = 100, standard deviation = 10.
如 X ~ N(100, 10) 表示均值为 100，标准差为 10。
Extension（拓展）
The notation helps describe different populations with distinct central tendencies and variability.
正态分布的参数化形式用于描述不同总体的中心趋势与离散程度。
Image/Data Analysis（图像分析）
图中展示正态曲线：
- 中心 μ 表示平均值位置；
- 曲线宽度由 σ 决定；
- 对称性表明左半部分与右半部分概率相等。
Summary（总结）
正态分布由 μ 与 σ 唯一确定，具有完全对称性，是统计建模与估计的基础。
Slide 11 — Shifts in the Mean (μ)
第11页——均值变化对分布的影响
Knowledge Point — Mean Shift Effect（均值变化的影响）
Explanation（解释）
Changing μ shifts the normal curve horizontally along the x-axis but does not affect its shape.
改变 μ 只会使曲线水平移动，不改变其形态。
Example（例子）
If μ increases from 0 to 25, the entire bell curve shifts rightward.
若 μ 从 0 变为 25，曲线整体右移。
Extension（拓展）
This property allows modeling different populations with similar variability but distinct averages, such as income levels across regions.
该特性用于比较均值不同但波动相似的群体，如地区收入差异。
Image/Data Analysis（图像分析）
图中三条正态曲线（红、蓝、黄）展示 μ 不同导致的水平平移：
- 红色峰值在 −10；
- 蓝色峰值在 0；
- 黄色峰值在 25。
曲线宽度相同，表明 σ 未变。
Summary（总结）
改变均值 μ 会平移分布中心，但不会影响曲线形状或方差。
Slide 12 — Changes in Standard Deviation (σ)
第12页——标准差变化对分布的影响
Knowledge Point — Standard Deviation Effect（标准差变化的影响）
Explanation（解释）
The standard deviation σ controls the spread of the normal distribution.
Larger σ → flatter, wider curve; smaller σ → taller, narrower curve.
标准差 σ 控制分布的宽度：σ 越大，曲线越扁平；σ 越小，曲线越陡峭。
Example（例子）
For μ = 0:
- σ = 15 → narrow, high peak (red curve)
- σ = 25 → wide, low peak (blue curve)
例：σ=15 曲线更高更窄，σ=25 曲线更低更宽。
Extension（拓展）
Understanding σ’s effect helps in quality control and risk assessment, where high σ means greater variability.
了解 σ 的影响有助于进行质量控制与风险评估，高 σ 表示变异性更大。
Image/Data Analysis（图像分析）
图中两条曲线：
- 红线（σ=15）陡峭集中；
- 蓝线（σ=25）宽广分散。
说明 σ 控制离散程度，但 μ 固定时对称性不变。
Summary（总结）
标准差影响曲线的宽度与峰值高度，是衡量总体波动性的核心参数。
Slide 13 — The Empirical Rule (68–95–99.7 Rule)
第13页——经验法则（68–95–99.7法则）
Knowledge Point — Coverage of Standard Deviations（标准差覆盖范围）
Explanation（解释）
The Empirical Rule states that for a normal distribution:
- About 68% of data fall within μ ± 1σ
- About 95% within μ ± 2σ
- About 99.7% within μ ± 3σ
经验法则指出：
约68% 数据位于平均值±1个标准差内，
约95% 位于±2个标准差内，
约99.7% 位于±3个标准差内。
Example（例子）
If μ = 100, σ = 10:
- 68% of observations are between 90 and 110
- 95% between 80 and 120
- 99.7% between 70 and 130
例：若 μ=100，σ=10，则约95%数据在80至120之间。
Extension（拓展）
This rule provides a quick estimation of data dispersion without complex calculations and is used in process control and reliability testing.
该法则可快速估计数据分布范围，常用于过程控制与可靠性检测。
Image/Data Analysis（图像分析）
图中红色正态曲线标出三个区间：
- 绿色区域 (68.26%)：μ ± 1σ
- 棕色区域 (95.44%)：μ ± 2σ
- 蓝色区域 (99.72%)：μ ± 3σ
随范围扩大，覆盖的概率逐渐增加。
Summary（总结）
经验法则揭示了正态分布下标准差与概率的关系，为估算总体分布与异常值检测提供依据。