统计学中的「分布」是什么？常见分布有哪些？ | AI 面试题

Q: 统计学中的「分布」是什么？常见分布有哪些？

一、分布 完整刻画随机变量 X 的不确定性：通过 PMF/PDF 或 CDF。 二、常见分布 分布 类型 典型场景 ------ ------ ---------- Bernoulli/Binomial 离散 成功/失败、转化率 Poisson 离散 单位时间事件计数 Normal 连续 测量误差、样本均值近似 Uniform 连续 等可能随机数 Exponential 连续 等待时间、无记忆性 Beta 连续 概率的先验 [0,1] Gamma/Chi-square 连续 等待时间之和、方差检验 三、数字特征 期望（中心）、方差（散布）、偏度、峰度。 面试里如果出现公式，建议先说 统计学中的「分布」是什么 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。 四、ML 损失函数常对应分布假设（MSE↔高斯、交叉熵↔分类）；生成模型学习数据分布。 系统复习：概率论基础。

核心要点

分布描述随机变量取各值的概率规律
能区分离散/连续及典型分布场景
知道参数、期望、方差

简要回答

概率分布规定随机变量各取值（或区间）的概率/密度；常见有正态、二项、泊松、指数、均匀等，分别建模不同随机现象。

标准回答

一、分布

完整刻画随机变量 X 的不确定性：通过 PMF/PDF 或 CDF。

二、常见分布

分布	类型	典型场景
Bernoulli/Binomial	离散	成功/失败、转化率
Poisson	离散	单位时间事件计数
Normal	连续	测量误差、样本均值近似
Uniform	连续	等可能随机数
Exponential	连续	等待时间、无记忆性
Beta	连续	概率的先验 [0,1]
Gamma/Chi-square	连续	等待时间之和、方差检验

三、数字特征

期望（中心）、方差（散布）、偏度、峰度。

面试里如果出现公式，建议先说 统计学中的「分布」是什么 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。

四、ML

损失函数常对应分布假设（MSE↔高斯、交叉熵↔分类）；生成模型学习数据分布。
系统复习：概率论基础。

回答思路

【定义】用一句话说清「统计学中的「分布」是什么？常见分布」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险

延伸学习

概率论基础；置信区间。

常见误区

⚠️ 常见踩坑

误区一：容易答偏的地方：只罗列名词、不会举例；混淆相似概念；忽略工程约束（成本、延迟、数据质量）。不确定时应主动说明假设。

追问

追问 1：如何选择合适的分布建模数据？

看变量类型（计数/连续/有界）、QQ 图、直方图、领域知识。计数用 Poisson/负二项；正偏等待时间用 Exponential/Weibull；比例用 Beta/Binomial。

追问 2：联合分布和边缘分布是什么？

联合分布描述多个随机变量一起的行为；边缘分布对其它变量积分/求和得到。独立时联合 = 边缘之积。

追问 3：经验分布和理论分布有何区别？

经验分布直接来自数据（ECDF、直方图）；理论分布带参数形式。K-S 检验、卡方拟合优度比较数据与理论分布是否一致。

🔗 相似问题

同一考点的不同问法，换着练更稳