大结论:没什么实际问题是有服从什么分布的。。只有抽象出来的问题什么分布拟合最好最合理
----------------------------------------------------------------------------------------------------------------------
首先,我们先很单纯的考虑下这个问题,别看到这里就结束..:
考虑到这个每辆车都有个人开吧,然后定义Y=X-50,则可以认为在拦下这堆车的时间内,到达人数服从泊松分布Y~P(lambda),自然,这里的lambda应该可能很大。然后平移一下分布就好。。自然这也就不是标准的泊松分布了。。。
Ps:如果到达率lambda足够大,那么其实泊松的pdf长得挺像正态的:泊松分佈,LOL,而这里lambda往小了说也能到10...也就是每辆车除了司机有人的概率只有0.2,lambda也很大了。。
然后就是关于正态以及泊松的争夺了,那么这里正好看到有个答案说n>=50的说法,其实这里需要认真讨论的就变成了,到底二项分布应该用哪个去拟合了。顺手找了篇中文的大家看起来比较爽快:[浅析二项分布_泊松分布和正态分布之间的关系]
我在这里顺手针对这个具体问题分析一下。
首先,我们假设所有的车子都是豪车或者smart..[2座车],那么一样去掉司机。。。那么每个车里有人没人就是个伯努利实验且可以认为P(有人)=P(没人)=0.5. 而总的分布呢就是一个n=50的n重伯努利实验,也即二项分布。。。哎!居然又出来了个分布。。。。
嗯,还是把它归到之前说过的两个分布上吧,那么也就涉及,什么时候二项分布可以近似为正态分布的条件了,这个众说纷纭了,不过基本上我们上面定义的这个实验还是都不错的满足了np>10 and n(1-p)>10的对吧,那么我们就说,其实如果如上定义这个问题,那么结论就是近似是个正态分布了。
或者说无论怎样,有人的概率只会随着座位数量增加而增加,那么这就不是个稀有时间,对于这类二项分布的近似,也还是正态好一些。
然后就是。。。这其实也不是个二项分布对吧,每一次伯努利实验的概率都不一致,因为没人说是什么车型或者有一个均一的概率是吧。
不过如上分析我们可以看到,反正就是会近似成一个长得很正态的分布,无论是以泊松的逻辑去看,还是二项近似的逻辑去看,都是长得那个样子,具体是什么分布,用那个式子[泊松,正态]去定义,pdf的kl divergence都会很小。。。
所以,对于一个现实问题,最关键的是尽可能准确的用数学模型描述,那么其实无所谓挣扎是什么分布,描述准确就好。。。
然后我再多说两句就是。。。所谓描述准确是对问题的定义清晰,如果你的问题描述的是北京,那么车里有人的概率显然更大,如果你描述的是管它哪里鸟不拉屎的地方,那么是不是概率下落了,再或者这个地方只有单人代步车,那么问题又变化了。。
以上任意问题,都有合适合理的分布可以描述对吧,而且其实分别更可能是正态,泊松和常量脉冲是吧~