M1-007M1: 数学与统计基础常见分布Medium
⚡闪卡盲测➔掌握度:
二项分布与泊松分布的关系是什么?
🎯 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
📐 核心数学机理公式
⚡ 一句话直击要害答案
n 大 p 小时 Binomial(n,p) → Poisson(np);泊松是稀有事件的极限。
📌 核心要点提炼
- •泊松假设:事件独立、发生率恒定
- •泊松的均值=方差=λ,过度离散说明模型不适用(负二项)
📐 数学机理与严密推导
泊松极限定理:当 n→∞、p→0 且 np→λ 固定时,二项分布依分布收敛到 Poisson(λ)。证明可用概率生成函数或直接展开:P(X=k)=C(n,k)p^k(1−p)^{n−k},代入 p=λ/n 后取极限,组合数与 (1−λ/n)^n→e^{−λ} 给出 e^{−λ}λ^k/k!。直觉上,泊松刻画的是'在大量机会中极少数成功的计数'——例如一天内某网页的访问数、某接口的错误请求数。泊松的关键性质是均值等于方差(E[X]=Var[X]=λ),且多个独立泊松之和仍为泊松(λ 相加),后者使其在分层聚合时极为方便。
🏭 深度剖析与工业落地权衡
这个'均值=方差'的性质是实践中的诊断工具:若观测数据的样本方差显著大于样本均值(过度离散,over-dispersion),说明泊松假设被违反,常见原因是事件不独立(聚集)或发生率随时间变化。此时应改用 Negative Binomial(方差=λ+λ²/r,多一个离散参数),或用 Quasi-Poisson(仅放宽方差为 φλ)。工程场景:A/B 测试中按用户聚合的点击计数常过度离散,直接用泊松标准误会低估方差、抬高假阳性——这也是为什么实践中用 bootstrap 或稳健标准误。
⚠️ 常见面试陷阱与高频失分点
- ✕用泊松建模存在聚集/传染的事件
- ✕忽视过度离散导致置信区间过窄
🎯 面试官连环追问与延伸考察
- ?计数数据方差远大于均值时怎么办?
- ?什么时候用负二项分布?
⚡
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!
📚