开机时间排名——一个正态分布的应用的案例

    原文链接：http://www.datastudy.cc/to/37

     觉得很有用，但是用不上。

     这个肯定是很多人对《统计学》这一门课程的直观感觉，如果这货一点用处都没有，那是不可能的，大学的老师又不傻，没用的课程不会做为基础课程开设。但是你说它有用在哪里，又没有办法举例出来，所以就用不上了。

     坦白来讲，我不想开设一门所谓的《傻瓜都能学懂统计学》的类似课程，因为《统计学》是一门高投入，高回报的课程，也就是我们需要对它投入一定的热情和时间去学习，去思考，它才能对你有所回应，并且，非常强烈地回应的一门科学。打个比喻，统计学就像一个高冷的美人，你想获得美人的青睐，就必须绞尽脑汁，有所付出。

     在这里，我给大家使用一个案例，一个大家在日常生活中经常看到，但是却可能没有深入去思考的案例，来讲解一下统计学的应用场景，这个场景涉及到的一个理论就是正态分布理论。

     下面两个图案你们肯定非常熟悉，对，就是360杀毒软件的开机耗时页面。

     大家脑洞大开，想象一下，这个功能软件工程师是怎么设计的呢？

     你可能会觉得它是这样子实现的：

    

     1、收集所有用户的开机时间的数据，排好序放在一个数据库中；

     2、然后根据你的开机时间，找出你的排名，除以总用户数，就是你击败电脑占比。

     是的，这样子设计排名算法是非常合理，但是有以下几个问题：

    

     1、你电脑开机的时候，没有连接网络怎么办呢？那就无法请求到所有的用户的数据了对吧。

     2、就算所有的用户的数据，已经下载到你本地，根据不完全统计，360的用户数，估计也超过10亿了吧，上10亿行的数据进行比较统计，放在开机这个地方，恐怕不妥，而且做过软件开发的人都知道，这种同步数据的方式，非常蛋疼。

     那么我觉得它是怎么设计的呢？

     我会这样子设计，首先，收集尽量多的用户的开机时间，然后，查看时间的分布如何。（开机时间数据链接: http://pan.baidu.com/s/1jGu8ZXk 密码: epah）

 data <- read.csv("D:\\data\\20150930\\startTime.csv")

 mean(data[, 1])

 sd(data[, 1])

 hist(

   data[, 1], prob=TRUE,