M1-006M1: 数学与统计基础常见分布Easy
⚡闪卡盲测➔掌握度:

列举常见离散/连续分布及其典型使用场景。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M1-007 →
📐 核心数学机理公式
Binomial(n,p), Poisson(λ), N(μ,σ2), Beta(a,b), Gamma(α,β)\text{Binomial}(n,p),\ \text{Poisson}(\lambda),\ \mathcal N(\mu,\sigma^2),\ \text{Beta}(a,b),\ \text{Gamma}(\alpha,\beta)
⚡ 一句话直击要害答案
Bernoulli/Binomial/Poisson(离散),Uniform/Gaussian/Exponential/Beta/Gamma(连续)。

📌 核心要点提炼

  • •
    Poisson 建模单位时间事件数(点击/请求)
  • •
    Beta 是 Bernoulli 的共轭先验(CTR 平滑)
  • •
    Gamma 是 Poisson/Exponential 率的共轭先验
  • •
    Gumbel 出现在极值理论与 Gumbel-Softmax

📐 数学机理与严密推导

按'建模什么'分类更易记:计数用 Binomial(固定试验数的成功数)与 Poisson(单位时间/空间的稀有事件数);等待时间用 Exponential(Poisson 过程的间隔)与 Gamma(多个 Exponential 之和,即第 k 次事件的时间);比例/概率用 Beta([0,1] 上的分布,Bernoulli 的共轭先验);噪声/求和用 Gaussian(CLT 的极限);极值用 Gumbel/Frechet/Weibull(Fisher-Tippett 定理:极值的三种吸引子)。参数化的直觉——Beta(a,b) 中 a、b 可理解为'伪成功数'与'伪失败数',故后验更新只是把观测计数加到 a、b 上。

🏭 深度剖析与工业落地权衡

工程上的选择往往由共轭性与计算便利决定,而非纯理论:① CTR/CVR 估计用 Beta-Bernoulli 共轭,使 Thompson Sampling 可直接从后验采样,无需数值积分;② 计数数据若方差远大于均值(过度离散),Poisson 不适用,应换 Negative Binomial(等价于 Gamma-Poisson 混合);③ 排序/采样的可微化需要 Gumbel-Max 技巧(argmax 采样等价于加 Gumbel 噪声后取 argmax),这是 Gumbel-Softmax 与离散潜变量 VAE 的基础。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    对过度离散的计数数据仍用 Poisson
  • ✕
    混淆 Gamma(和的分布)与 Exponential(间隔的分布)
🎯 面试官连环追问与延伸考察
  • ?
    为什么 CTR 平滑常用 Beta 先验?
  • ?
    Gumbel 分布在哪里出现?(argmax 采样 / 极值)
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M1-005: 写出马尔可夫不等式与切比雪夫不等式,并说明它们的用途与松紧程度。📋 返回题库下一题 →M1-007: 二项分布与泊松分布的关系是什么?