【老计带你懂概率统计】05：几个必须认识的分布，什么现象对应什么分布
开头：分布是有性格的
上一篇我们建立了随机变量和分布的框架。这一篇，来认识几个真正的主角，那些在现实和AI里反复出现的具体分布。
你可以把每一种分布，理解成一种特定的性格，对应着现实里一类特定的现象。 抛硬币这种"成或不成"的事，是一种性格；一段时间内接到多少个电话，是另一种性格；人的身高，又是一种性格。认识了这些常见分布，你就像掌握了一套识人术，看到一份数据，能一眼判断出它大概是什么性格、背后是什么机制、该用什么方法分析。 这是数据素养的重要一环。
我挑几个最常用、最该认识的，一个个说清它是干嘛的、对应什么场景。不求全，求你真正记住它们的性格。
伯努利分布：一锤子买卖，只有成或败
最简单的分布，伯努利分布，描述的是只做一次、只有两种结果（成功或失败）的随机事件。
抛一次硬币（正或反）、投一次篮（进或不进）、一个用户看到广告（点或不点）、一封邮件（是垃圾或不是），这些都是伯努利分布。它只有一个参数，成功的概率p。
伯努利是所有分布里最基础的原子，只有一次、两种结果。 记住它，因为它是下面二项分布的基石。
二项分布：重复很多次一锤子买卖，数成功了几次
把伯努利重复很多次，就是二项分布。它描述的是独立重复做n次伯努利实验，成功的总次数的分布。
抛10次硬币，正面出现几次？投100次篮，进几个？给1000个用户发广告，多少人点击？这些"重复n次、每次成败独立、数一共成功多少次"的场景，就是二项分布。 它有两个参数，重复次数n和每次成功概率p。
打个比方：伯努利是问"这一次成没成"，二项是问"这一批里成了多少次"。 二项分布在现实里极其常见，因为大量业务都是"一批用户里有多少转化""一批产品里有多少次品"这种形态。它的图形是，成功次数在"n乘p"附近最密集（比如1000人、点击率10%，那点击数最可能在100附近），两边逐渐稀少。
泊松分布：一段时间内，某件事发生多少次
泊松分布描述的是在固定的一段时间或空间里，某个随机事件发生的次数，前提是这些事件独立发生、平均发生率稳定。
一小时内接到多少个报障电话？一天有多少用户注册？一页书有几个错别字？一段路一年发生几起事故？这些"单位时间/空间内、稀疏随机发生的事件计数"，就是泊松分布。 它只有一个参数，平均发生率。
作为一个做运维的人，泊松分布我太熟了。系统在单位时间内的请求数、错误数、告警数，很多都近似泊松分布。 理解它，能帮你判断"这一分钟突然来了50个错误，是正常的随机波动，还是真出事了"，这正是异常检测的基础。泊松分布的图形是，次数在平均值附近最多，太多太少都少见。
均匀分布：每个值机会均等
均匀分布最好懂，在某个范围内，每个取值的机会都完全相等。
一个理想的骰子（1到6等可能）、随机数生成器产生的0到1之间的数、完全随机地选一个时间点，都是均匀分布。它的图形是平的一条，没有哪个值更受偏爱。
均匀分布在现实里纯粹的不多，但它在计算机模拟和随机算法里是基石，几乎所有的随机模拟，底层都是先生成均匀分布的随机数，再变换成需要的其他分布。后面讲蒙特卡洛模拟时你会看到它的重要性。
正态分布：大自然最偏爱的钟形曲线
正态分布，也叫高斯分布，是所有分布里最著名、最重要的一个，它就是那条对称的钟形曲线。
它描述的是那种"大部分值集中在中间平均水平附近，越往两边极端越少"的现象，而且左右对称。 人的身高、体重、考试成绩、测量误差、很多自然和社会现象，都近似服从正态分布。它有两个参数，均值（钟形的中心在哪）和标准差（钟形是胖是瘦、数据多分散）。
为什么这么多现象都是正态分布？这背后有个极其深刻的原因，叫中心极限定理，重要到我要用下一整篇专门讲它。 这里你先记住正态分布的性格，中间高两边低、对称的钟形，是最常见、最重要的分布，统计学的半壁江山都建在它之上。
正态分布还有个特别实用的性质，叫68-95-99.7法则，值得先记住。它说的是，对任何正态分布，大约68%的数据落在均值上下一个标准差的范围内，约95%落在两个标准差内，约99.7%落在三个标准差内。这个法则威力很大，它意味着一旦你知道一份数据近似正态、又知道它的均值和标准差，你立刻就能估出各个范围内数据的比例，也能判断某个值算不算异常。 比如某指标正态分布、均值100标准差10，那出现一个130的值（超出三个标准差）就非常可疑了，几乎不该发生。做异常检测、质量管控（六西格玛就是这么来的）、判断一个数据点正不正常，全靠它，简单又好用。
指数分布：还要等多久才发生
指数分布描述的是两次随机事件之间的等待时间，比如两个报障电话之间隔多久、一个设备用多久会坏、你在餐厅等下一桌客人进来要等多久。
它和泊松分布是一对好搭档，泊松数的是"一段时间内发生几次"，指数量的是"距离下次发生还要等多久"。 指数分布有个有趣的特点叫无记忆性，一个灯泡已经用了1000小时没坏，它接下来还能用多久的概率分布，和一个新灯泡一模一样（它不会"变老"），这个特性在可靠性分析里很重要。
这些分布其实是一家人
别把这几个分布当成孤立的知识点死记，它们之间有着优美的亲戚关系，理解了关系就不用硬背了。
伯努利是二项的特例（二项做一次就是伯努利）。二项在特定条件下会趋近泊松（当重复次数n很大、单次概率p很小时，比如海量用户里极低概率的点击，二项就近似成泊松了）。二项在n很大时又会趋近正态（这正是下一篇中心极限定理的一个体现）。泊松和指数是一对（泊松数次数、指数量间隔时间）。而正态，是无数分布在样本量足够大时共同的归宿（还是中心极限定理）。
打个比方，这些分布就像一个家族，伯努利是老祖宗，二项是它的直系后代，泊松、正态是在不同条件下从二项这里分化、演变出来的分支。 你看，一旦理清了这张家谱，你记的就不是六个孤立的东西，而是一个有内在逻辑的体系。这也是学任何知识的窍门，找到概念之间的联系，比孤立地背诵省力得多、也牢固得多。这一点，和上个AI算法系列里我反复强调的"万变不离其宗"是一个道理。
我们用代码生成并对比几个分布的样子。输入：分布参数。输出：各分布的形状特征和采样。
# 依赖：pip install numpy scipy
import numpy as np
from scipy import stats
np.random.seed(0)
# 二项分布:1000个用户,点击率10%,模拟点击人数
binom_samples = np.random.binomial(n=1000, p=0.1, size=10000)
print("二项分布(1000人点击率10%):")
print(f" 平均点击人数: {binom_samples.mean():.1f} (理论值n*p=100)")
# 泊松分布:平均每小时5个报障电话
poisson_samples = np.random.poisson(lam=5, size=10000)
print("泊松分布(平均每小时5个电话):")
print(f" 平均次数: {poisson_samples.mean():.2f}")
print(f" 一小时0个电话的概率: {stats.poisson.pmf(0, 5):.3f}")
print(f" 一小时超过10个电话的概率: {1 – stats.poisson.cdf(10, 5):.3f}")
# 正态分布:身高,均值170,标准差7
normal_samples = np.random.normal(loc=170, scale=7, size=10000)
print("正态分布(身高均值170标准差7):")
print(f" 样本均值: {normal_samples.mean():.1f}")
print(f" 身高在163到177之间的比例: {np.mean((normal_samples>163)&(normal_samples<177)):.3f}")
# 指数分布:平均每20分钟来一次事件,看等待时间
exp_samples = np.random.exponential(scale=20, size=10000)
print("指数分布(平均等待20分钟):")
print(f" 平均等待时间: {exp_samples.mean():.1f} 分钟")
运行输出（示例，随机模拟数值每次运行略有差异）：
二项分布(1000人点击率10%):
平均点击人数: 100.0 (理论值n*p=100)
泊松分布(平均每小时5个电话):
平均次数: 5.00
一小时0个电话的概率: 0.007
一小时超过10个电话的概率: 0.014
正态分布(身高均值170标准差7):
样本均值: 170.0
身高在163到177之间的比例: 0.683
指数分布(平均等待20分钟):
平均等待时间: 20.0 分钟
运行你会看到：二项的平均点击数在100附近（1000乘0.1）；泊松平均5次、一小时超10个电话的概率很小；正态身高在正负一个标准差（163到177）内的比例约0.68；指数平均等待20分钟。这段代码让你看到每个分布的实际数值特征，把抽象的性格变成了具体的数字。建议你改改参数，感受它们的变化。
怎么判断数据大概服从什么分布
学了这些分布，实际拿到一份数据，怎么判断它大概是什么分布？给你几个实用的思路。
第一，先想产生数据的机制。 这是最靠谱的。数据是"成败计数"（一批里多少转化）就往二项想，是"单位时间的稀疏计数"（每小时多少次）就往泊松想，是"等待时间"就往指数想，是"大量微小因素叠加的自然量"（身高、误差）就往正态想。搞清楚背后的机制，往往比看数据本身更能判断分布。第二，画直方图看形状。 把数据画成直方图，对称的钟形大概率是正态，右边拖长尾的可能是指数或对数正态，平的可能是均匀。眼睛看形状是很直接的一招。第三，用统计检验。 有专门的方法（如正态性检验）能定量判断数据是否服从某个分布，代码里调个函数就行。
不过要提醒一句，现实数据很少完美服从某个理论分布，我们说的都是近似。 关键不是纠结它到底是不是标准正态，而是判断用某个分布来近似它、做后续分析，是否足够合理。理论分布是我们理解和简化现实的工具，用得恰当就好，别陷入非黑即白的教条。 这种"用理想模型近似复杂现实"的务实态度，是应用概率统计的重要一课。
- 在AI里：分布假设深深影响模型。逻辑回归背后是伯努利分布，很多模型假设误差服从正态分布，泊松回归专门建模计数数据，生成模型学的就是数据的分布。选对分布假设，模型才对路。
- 在现实里：认出数据的分布，就抓住了它的机制。转化率问题想到二项、计数问题想到泊松、等待时间想到指数、自然测量想到正态。运维里判断请求量错误数是否异常、金融里评估风险、产品里分析用户行为，第一步往往就是搞清楚数据服从什么分布。
小结与承上启下
- 伯努利：一次、两种结果（成或败），最基础的原子。
- 二项：重复n次伯努利，数成功几次，对应一批里多少转化。
- 泊松：单位时间空间内稀疏事件的计数，对应请求数、错误数、注册数。
- 均匀：每个值机会均等，随机模拟的基石。
- 正态：中间高两边低的对称钟形，最重要，大量自然社会现象近似它。
- 指数：两次事件之间的等待时间，和泊松是搭档，有无记忆性。
这几个分布里，正态分布无疑是最重要的。可一个巨大的问题是，凭什么这么多毫不相干的现象，身高、误差、成绩，都不约而同地长成了钟形？这背后藏着概率统计里最深刻、最神奇的一条定理。下一篇，我们专门讲正态分布和那个让它无处不在的中心极限定理。
我们下一篇见。
延伸阅读
- SciPy 官方文档：各类统计分布（伯努利、二项、泊松、正态、指数等）：https://docs.scipy.org/doc/scipy/reference/stats.html
- 各分布之间关系可按关键词Distribution Relationships检索经典关系图
（说明：以上为官方与公开资料，链接可能随版本调整，如打不开可用标题搜索。）
