【数据分析】01-数据分析9大分布，看这篇就够了：上手公式、Python 画图、应用大揭秘！从正态，伯努利，二项，柏松，gamma,卡方分布到T，指数,F分布

橙子小哥的代码世界

已于 2025-01-17 00:02:20 修改

阅读量827

点赞数 24

分类专栏：基础知识数据分析文章标签：数据分析人工智能数据挖掘深度学习 python 数学建模概率论

于 2025-01-08 23:53:57 首次发布

本文链接：https://blog.csdn.net/weixin_41645791/article/details/145014865

版权

下面这篇文章，保证读起来更加轻松愉快，同时依然涵盖了足够的干货。各位看官老爷们，千万记得 点赞、收藏、转发、一键三连 哦，这可是我写给你们的“深度福利”呢！

大家好。今天咱们就来一场武林大会，看看这些概率分布是如何在各大领域“呼风唤雨”的！

友情提示

1. 本文带点幽默味儿，但知识含量仍然爆炸。

2. 看完后，你绝对会对各类分布的原理、历史背景、2025年新应用有深入理解。

3. 为了支持我这个勤勤恳恳的“少侠”，请看完后点赞、收藏、转发，顺手评论两句，这会让我有“持续耕耘”的无穷动力！

一、正态分布：统计王者的钟形曲线

1. 作用和原理

• 作用：

• 正态分布可谓“老大哥”，长期霸榜概率论顶流地位。在自然科学、社会科学、金融领域等“刀光剑影”的江湖里，它无处不在，是许多统计推断方法（Z 检验、t 检验、方差分析等）的重要前提，因为这些方法要求数据或抽样分布近似正态。身高、体重、测量误差、考试分数……几乎都能用正态分布来描述。要是遇到什么不确定，先猜个正态，准没跑儿！

• 原理：

• 它是一个对称的钟形曲线，均值位置最高，尾巴往两侧延伸又渐行渐远。在数学上，如果一个变量由许多独立小因素累加而成，那中心极限定理会告诉你：恭喜，你拥有了一个近似正态分布！

中心极限定理（CLT）指出：当大量独立同分布的微效应相加时，和的分布会逐渐收敛到正态分布。

数学表达式（概率密度函数，PDF）：

2. 历史背景

• 德·莫阿夫尔 (De Moivre)：18 世纪，德·莫阿夫尔 (De Moivre) 在研究二项分布极限时已发现了钟形曲线的雏形。

• 高斯 (Gauss)：19 世纪，德国数学家高斯 (Gauss) 在天文观测和测量误差分析中，将其系统化，于是“高斯分布”这个称号就流传下来。

后续发展：19~20 世纪，正态分布和中心极限定理成为现代统计学的奠基石之一。如今仍是许多统计检验和数据分析的核心。

3. 在 2025 年的两大新花样

1. 高频金融交易中的瞬时风险评估

• 市场的真实分布虽然肥尾，偏偏有时候做急速评估还得用正态近似，毕竟快狠准地算个标准差也能救命。在做高频交易的快速风险敞口评估时，仍有不少量化团队用正态分布做近似评估，以实现毫秒级的决策。

2. 大规模 A/B 测试数据分析

• 咱们做在线实验、产品迭代时，样本量一旦够大，很多指标——点击率、转化率啊，常常逼近正态。2024 年继续大数据爆炸，借助正态假设，可以用一些快速的显著性检验来判定新方案是否优于旧方案。

# =========================
#  Python绘制正态分布示例
# =========================
import numpy as np
import matplotlib.pyplot as plt
from math import exp, sqrt, pi

def normal_pdf(x, mu=0, sigma=1):
    """正态分布的概率密度函数 (PDF)"""
    return (1.0 / (sqrt(2*pi) * sigma)) * exp(-((x - mu)**2) / (2*sigma**2))

x = np.linspace(-4, 4, 400)
y = [normal_pdf(xi, mu=0, sigma=1) for xi in x]

plt.figure(figsize=(6,4))
plt.plot(x, y, label='N(0,1)')
plt.title("正态分布示例 (mu=0, sigma=1)")
plt.xlabel("x")
plt.ylabel("PDF")
plt.legend()
plt.grid(True)
plt.show()