從長條到一條平滑曲線
來到這個階段時，你已經對離散分配很自在了——在那裡，機率質量函數會在每個值上堆起一塊確定的機率。連續隨機變數有一點令人困惑的不同：任何單一的精確值，機率都是零。問「隨機選到的等待時間恰好是 3.0000... 秒」的機率是多少，答案是 0，因為有不可數那麼多個實數在爭奪同一個有限的總量 1。機率現在不再住在點上，而是住在區間上，並由一個[[probability-density-function|機率密度函數]] f(x) 來描述。
有兩條規則讓密度保持誠實。它絕不能變成負的（任何地方都不可能有負機率），而且它的總面積必須恰好等於 1（某個值一定會發生）。使 f(x) > 0 的那組 x 稱為分配的支撐集——也就是結果真正可能落入的區域。手裡握著這幅圖，我們就能來認識兩個最親切的連續形狀：一片平坦的高原，和一道平滑的下坡。
均勻分配：在一個區間上完全公平
區間 [a, b] 上的[[continuous-uniform-distribution|連續均勻分配]]，記為 X ~ Uniform(a, b)，是「每個結果都一樣可能」的連續版本。它的密度是平的：在 [a, b] 上是一個固定高度，在外面則為零。由於總面積必須是 1、而底邊寬度是 b - a，高度就被迫等於 1/(b - a)。除了「一個面積為 1 的矩形」之外，這裡沒什麼要背的。一個可以停在錶盤上任何位置的指針，或一具只報整秒的時鐘所產生的捨入誤差，都能用均勻分配很好地描述。
由於密度是平的，機率就只是長度而已。對 Uniform(0, 10) 來說，值落在 [2, 5] 的機率，就是一個寬 3、高 1/10 的矩形面積，也就是 3/10——你不必積分就能讀出來。累積分配函數 F(x) = P(X <= x) 像一道直線斜坡，從 x = a 處的 0 一路爬到 x = b 處的 1。由對稱性，平均數恰好落在正中間，E[X] = (a + b)/2；做個短短的積分可得變異數 Var(X) = (b - a)^2 / 12。區間越寬，分散得越開，正如你的直覺所料。
指數分配：等待的法則
現在把那片平坦的高原彎成一道滑梯。[[prob-exponential-distribution|指數分配]] X ~ Exponential(lambda)，描述某件事發生之前的等待時間：到下一通電話、下一次放射性衰變、櫃台前下一位顧客的時間。它的密度住在非負的半直線上、平滑地衰減，f(x) = lambda * e^(-lambda x)（當 x >= 0），而 x < 0 時為 0。唯一的參數 lambda > 0 是一個[[rate-intensity-parameter|率]]——也就是每單位時間的事件數。lambda 越大，事件來得越快，所以你平均等得越短；lambda 越小，等待就漫長而有耐心。
把你真正會用到的兩個事實推導出來，比硬背划算得多。累積分配函數來自對密度積分：F(x) = P(X <= x) = 1 - e^(-lambda x)（當 x >= 0）。在實務上更有用的是它的補集，也就是存活函數，即「到了時刻 x 你仍在等待」的機率：P(X > x) = e^(-lambda x)。平均等待時間竟然是率的倒數，E[X] = 1/lambda，這讀起來很漂亮：如果電話以 lambda = 3 通/分鐘的速率到來，你平均等 1/3 分鐘。變異數則是 Var(X) = 1/lambda^2。
X ~ Exponential(lambda), lambda > 0, x >= 0 density f(x) = lambda * e^(-lambda x) CDF F(x) = 1 - e^(-lambda x) survival P(X > x) = e^(-lambda x) E[X] = 1 / lambda (mean wait = 1 / rate) Var(X) = 1 / lambda^2
一個小小的算例可以把它釘牢。假設一個服務台以 lambda = 2 通/小時的速率接到電話，那麼到下一通電話的等待時間就是 Exponential(2)（以小時為單位）。等超過 30 分鐘（x = 0.5 小時）的機率是 P(X > 0.5) = e^(-2 * 0.5) = e^(-1)，約為 0.37。平均等待是 1/2 小時 = 30 分鐘，然而超過這個平均值的機率卻只有 37%，而非 50%——又長又薄的尾巴把平均數拉到中位數的右邊。這種不對稱是指數分配的招牌特徵，也是一個有用的提醒：對於一個偏斜的分配，平均數和典型值並不是同一回事。
為什麼是指數分配，而不是別的曲線？
指數分配不是因為方便才被挑中的；它是被一個自然的假設逼出來的。回想上一階段的離散卜瓦松分配，那是計算「在一個固定時段內發生了幾件事」的稀有事件法則。它的連續夥伴是卜瓦松過程：事件以固定的平均率 lambda 發生、彼此獨立、沒有任何兩件恰好同時發生。指數分配，正是這種過程「連續兩個事件之間的時間」的分配。數事件的件數得到卜瓦松；計兩件之間的間隔得到指數。它們是同一種底層隨機性的兩種看法。
- 從存活函數出發：「在時刻 x 仍在等待」意味著在 [0, x] 內沒有任何事件發生。
- 在卜瓦松過程中，長度為 x 的窗口內的事件數服從平均數為 lambda*x 的卜瓦松分配，所以「零件事件」的機率是 e^(-lambda x)。
- 因此 P(X > x) = e^(-lambda x)；等待時間超過 x，恰好就是 [0, x] 內的計數為零的時候。
- 對 F(x) = 1 - e^(-lambda x) 微分，便回復出密度 f(x) = lambda*e^(-lambda x)。一旦你假設了固定的率，指數分配就是不可避免的結果。
這個身世故事，也正是指數分配最著名、最違反直覺的性質的來源：無記憶性。如果你已經為一通電話等了 10 分鐘，那麼剩餘等待時間的分配，和你一開始時完全一樣——這個過程不會「暖機」，也不會「逾期該來了」。這是賭徒謬誤的連續版表親：一個 Exponential(lambda) 的等待時間，並不記得你已經站在那裡多久。它是固定率隨機性的一個真實特徵，而非悖論；緊接著的下一篇指南，就專門用來把「它到底意味著什麼、不意味著什麼」釘清楚。
誠實的細則與陷阱
這兩個模型都是靠著做出強烈的假設來換取簡單，而在假設失效的地方使用它們，正是常見的錯誤。均勻分配假設整個區間內每處都真正等可能——但真實的「隨機」選擇很少是平的。人挑的數字、檔案大小、城市人口都以「不均勻」著稱，所以僅僅因為你「沒有任何資訊」就抓 Uniform(a, b) 來用，可能悄悄地就錯了。指數分配假設一個從不隨年齡改變的固定率。這對放射性衰變和隨機到達非常好用，但對機械零件或生物體就不合適了，因為它們的失效率會隨著磨損而升高。
解決最後那個失效的辦法，正指向前方。當允許率隨年齡改變時——這由危險率這個工具捕捉，本階段其餘部分會加以發展——指數分配就推廣成更豐富的家族。把好幾個獨立的指數分配相加，得到伽瑪分配（等到第 k 件事件，而不只是第一件）；把那個固定的率彎成時間的某個冪次，則得到韋伯分配，也就是磨損失效的標準模型。指數分配是拱心石：它是那無記憶的特例，端坐在你將於第 5 篇指南探索的整個等待時間法則家族的正中央。
最後，再提醒一次本篇引入的這個基石觀念，因為它撐起了後面的一切。對連續變數而言，f(x) 這個值本身並不是任何機率問題的答案；只有面積才是。當有人說「恰好 4.2 秒的機率」時，他是在隨口說說——那個機率是 0，而他幾乎總是指 4.2 附近一個小區間的機率，約等於 f(4.2) 乘上那個區間的寬度。把「高度」和「面積」放進不同的抽屜裡，連續的世界就不再令人困惑了。