上篇博客介绍了离散型概率分布，本篇博客介绍连续型概率分布。
1.连续型概率分布
连续型均匀分布（Continuous Uniform distribution）是一种描述在特定区间内取值均匀分布的概率分布。在该分布中，随机变量在给定区间内的取值概率密度是恒定的，所有可能的取值具有相等的概率。
连续型均匀分布的概率密度函数（PDF）可以表示为：
其中，a 和 b 是区间的上下限，f(x) 是随机变量 X 的概率密度。
连续型均匀分布的特点包括：
1. 取值范围：随机变量 X 的取值范围是区间 [a, b]。
2. 均匀性：该分布中的随机变量在给定区间内的取值概率密度是恒定的，不受具体取值点的影响。
3. 直线密度函数：概率密度函数（PDF）是一个常数。
连续型均匀分布在统计学和概率论中有多种应用，例如：
1. 随机数生成：均匀分布常用于生成随机数，确保生成的数值在给定的范围内是均匀分布的。
2. 模拟和优化：连续型均匀分布可以用于模拟实验、优化问题和随机抽样等应用场景中。
3. 概率密度转换：通过均匀分布的逆变换方法，可以将其他分布转换为连续型均匀分布，从而方便进行随机数的生成。
在连续型均匀分布中，平均值和方差的计算较为简单。平均值（期望值）等于区间的中点，方差等于区间宽度的平方除以12。
在python中可以用如下代码生成一个连续型均匀分布随机变量：
from numpy import random
x=random.uniform(low=0,high=2)
print(x)2.指数分布
指数分布（Exponential distribution）是描述连续随机事件之间时间间隔或等待时间的概率分布。指数分布常用于模拟独立随机事件的时间间隔，例如等待下一次电话呼叫、故障事件发生或客户到达的时间间隔等。
指数分布的概率密度函数（PDF）可以表示为：
其中，λ（lambda）是指数分布的一个参数，是事件在单位时间内发生的平均次数。概率密度函数的形状是单调递减的指数函数，随着时间的增加，事件发生的概率逐渐减小。
指数分布的特点包括：
1. 非负性：指数分布的取值必须大于或等于零。
2. 持续性：指数分布是连续型概率分布，可以取无限个小的时间间隔。
3. 缺乏记忆性：指数分布具有无记忆性，即以固定速率发生事件的时间间隔与上一次事件发生的时间间隔无关。
指数分布的平均值（期望值）为 1/λ，而方差为 1/λ^2。这意味着事件的平均等待时间是指数分布参数λ的倒数，方差是平均等待时间的平方的倒数。
可以使用如下代码生成一个λ=2的指数分布：
from numpy import random
x=random.exponential(scale=2)
print(x)3.正态分布
正态分布（Normal distribution），也称作高斯分布（Gaussian distribution），是统计学中最为常见和重要的连续型概率分布之一。它在自然界和人类行为中广泛出现，被广泛应用于各个领域。
正态分布的概率密度函数（PDF）可以表示为：
其中，μ（mu）是正态分布的均值，表示分布的中心位置；σ（sigma）是正态分布的标准差，用于描述分布的广度和离散程度。
正态分布的特点包括：
1. 对称性：正态分布是对称的，其概率密度函数在均值 μ 处达到最大值。均值、中位数和众数相等。
2. 高峰度：正态分布具有尖峰而平滑的形状，称为钟形曲线。
3. 确定性：正态分布由均值和标准差完全确定。
正态分布的均值和标准差对分布的特性具有重要影响。通过调整均值和标准差的值，可以改变正态分布的位置和形状。例如，增大均值会将分布整体向右移动，而增大标准差会使分布更加分散。
在python中可以通过如下代码实现一个μ=1，σ=5的正态分布：
from numpy import random
x=random.normal(loc=1,scale=5)
print(x)除了以上几种概率分布，还有其他的概率分布，感兴趣的读者可以自行学习。
