连续概率分布，是描述「可以取一段范围内任意数值」的变量如何分布的数学模型，例如订单金额、交货时长、设备运行到故障的小时数、产品尺寸。它回答的不是「某个值出现的概率」，而是「落在某个区间里的概率」。
市面上讲分布的文章，大多是把正态、指数、威布尔逐个介绍一遍。这篇换一个顺序：先看你手上的数据长什么样，再决定用哪个分布、怎么检验，最后列出业务分析里最常见的几种误用。
- 连续变量取某一个精确值的概率是 0，有意义的是区间概率；概率密度的数值可以大于 1，它不是概率。
- 选分布先看三件事：取值有没有边界、是否对称、数据是怎么产生的。
- 金额、时长这类非负且右偏的数据，默认用正态分布通常是错的。
- t、卡方、F 分布主要出现在统计检验里，一般不用来拟合原始业务数据。
- 样本量很大时，拟合优度检验几乎必然拒绝，判断要以图形和业务影响为主。
连续概率分布：先分清三个容易混的概念
离散变量只能取有限个或可数个值，比如一天的投诉件数，可以直接问「恰好 3 件的概率是多少」。连续变量不行：交货时长恰好等于 48.000… 小时的概率是 0，因为区间内有无穷多个可能的值。
所以描述连续变量要用两样东西：
- 概率密度函数（PDF）：曲线越高的地方，数值越密集。曲线下某一段的面积，才是落在这一段的概率。密度本身可以大于 1，比如取值集中在 0 到 0.1 之间的变量，密度峰值很容易超过 1。
- 累积分布函数（CDF）：给出「小于等于某个值」的概率。业务里更常用的其实是它的反函数，也就是分位数：「95% 的订单在多少小时内送达」就是 P95 分位数。
- 参数：决定分布具体形状的几个数，例如正态分布的均值和标准差、威布尔分布的形状和尺度。选定分布类型以后，分析工作的重点是从数据里估计这些参数。
连续概率分布：按数据特征选，而不是按名字选
下表按「数据长什么样、怎么产生」来对应常用分布。表中的业务例子是典型情况，实际数据仍要检验，不能只凭类别套用。
| 数据特征 | 常用分布 | 典型业务数据 | 要注意的 |
|---|---|---|---|
| 大致对称，由很多小因素叠加而成 | 正态分布 | 稳定工序下的零件尺寸、测量误差、大量样本的平均值 | 单笔原始数据未必正态；「平均值近似正态」不等于「原始值正态」 |
| 非负，右偏，少数值特别大 | 对数正态分布、伽马分布 | 订单金额、理赔金额、维修时长、页面加载时间 | 取对数后接近正态，就优先考虑对数正态 |
| 两次事件之间的等待时间，发生速率恒定 | 指数分布 | 客服来电间隔、系统请求到达间隔 | 「无记忆性」意味着已等待多久不影响还要等多久，很多业务场景并不满足 |
| 到失效为止的寿命，失效率随时间变化 | 威布尔分布 | 设备、零部件到故障的运行时长 | 形状参数小于 1 表示早期失效为主，等于 1 退化为指数分布，大于 1 表示磨损型失效 |
| 取值被限制在 0 到 1 之间 | 贝塔分布 | 不良率、转化率、完成率 | 样本很少时，用贝塔分布表达比率的不确定性比只给一个点估计更诚实 |
| 只知道下限、上限，最多再知道一个最可能值 | 均匀分布、三角分布 | 项目工期的三点估算、缺乏历史数据时的模拟输入 | 这是「信息不足时的假设」，有了数据就应替换 |
表里没有 t 分布、卡方分布和 F 分布，是有意的。它们属于另一类：描述「统计量」的分布，而不是描述原始数据的分布。做 t 检验时用到 t 分布，做列联表独立性检验时用到卡方分布，做方差分析时用到 F 分布。你很少会拿它们去拟合一列订单金额。
连续概率分布：怎么判断数据服从哪一个
判断分布按三步走，顺序不要颠倒：先看图，再算参数，最后才看检验。
两个分布都「拟合得还行」时，看你最关心的是哪一段。做异常检测、风险准备金、服务水平承诺，关心的是尾部，就应选尾部拟合更好的那个，而不是整体检验统计量更好看的那个。
业务分析里最常见的四种误用
一、对右偏数据直接用「均值 ± 3σ」找异常
均值加减三倍标准差覆盖约 99.73% 的数据，这个结论只对正态分布成立。订单金额、处理时长这类右偏数据，按正态算出的上限会被少数大额拉高，下限甚至可能是负数，结果是真正的异常被漏掉、正常的大额却频繁报警。
常用的改法有两种：先取对数再按正态处理，或者直接用经验分位数（例如 P99）作为阈值。
二、把「平均值近似正态」当成「数据是正态的」
中心极限定理说的是：样本量足够大时，样本均值的分布接近正态。它并不保证原始数据是正态的。用 t 检验比较两组的平均金额通常没问题，但用正态分布去估计「单笔金额超过某个值的概率」，就可能差得很远。
三、忽略数据被截断或混合
系统只记录超过某个阈值的报销、设备在观察期结束时还没坏，这些数据都是不完整的。把它们当成完整样本去拟合，会系统性地估错参数。另一种情况是混合：新老客户、两条产线的数据混在一起，直方图出现两个峰，这时任何单一分布都拟合不好，应先拆开再分析。
四、过程能力指数默认数据正态
Cp、Cpk 的常规计算假设过程数据服从正态分布。数据明显偏斜时，直接套公式会高估或低估合格率。常见处理是先做变换（如 Box-Cox 变换），或改用基于分位数的计算方法。具体做法见过程能力指数一章。
四种误用有一个共同点：分析结果看起来都很正常，表格整齐、数字精确，问题不会自己暴露。检查分布这一步，应该放在建模和定阈值之前，而不是出了问题再回头找。
在 iModel 里检查数据分布
上面的三步检查，可以做成一条工作流，换一批数据重新执行即可，不必每次手工画图。常用的做法是：
- 用直方图与箱线图节点查看数据形状，先判断是否对称、是否有多个峰。
- 用 Statistics 节点输出均值、中位数、标准差、偏度与峰度，做初步量化判断。
- 需要对数变换时，用 Math Formula 节点新建一列取对数，再对变换后的列重复上述检查。
- 需要系统地比较多个候选分布、做最大似然估计或正式的拟合优度检验时，用 Python 脚本节点调用 scipy.stats 更直接。
需要说明两点：一是分布检验只是统计分析的起点，后续的检验与建模方法可参考 iModel 支持的统计方法；二是 Linux ARM64 验证版暂不包含 Python 相关节点，上面第四项在 ARM 环境下需要另行处理。
常见问题
连续概率分布和离散概率分布有什么区别？
连续分布描述可以取区间内任意值的变量，用概率密度和区间概率表达；离散分布描述只能取有限或可数个值的变量，可以直接给出某个值的概率。交货时长是连续变量，每天的投诉件数是离散变量。
为什么连续变量取某个具体值的概率是 0？
因为区间内有无穷多个可能的值，单个点没有宽度，曲线下的面积为 0。实际分析中要问「落在某个区间内的概率」，例如「交货时长在 24 到 48 小时之间的概率」。
业务数据最常用哪个连续分布？
没有通用答案。对称、由多因素叠加的数据常用正态分布；金额、时长这类非负右偏数据常用对数正态或伽马分布；寿命数据常用威布尔分布；比率数据常用贝塔分布。应先看数据形状再选择。
拟合优度检验拒绝了正态假设，数据就不能用了吗？
不是。样本量大时，微小偏离也会被检验拒绝。应结合 Q-Q 图看偏离出现在哪里，再判断这种偏离会不会影响你的结论；必要时可以做变换，或改用不依赖正态假设的方法。
t 分布、卡方分布、F 分布用来做什么？
它们主要用来描述检验统计量的分布：t 分布用于均值比较和置信区间，卡方分布用于方差估计和列联表检验，F 分布用于方差分析和回归模型比较。一般不用来直接拟合原始业务数据。
参考资料：美国国家标准与技术研究院（NIST），Engineering Statistics Handbook，1.3.6.6 Gallery of Distributions（2026 年 10 月查阅）。本文选题参考 KNIME 博客同主题文章，结构与内容为独立撰写。
