数据并非都是正态分布：三种常见的统计分布及其应用

你有没有过这样的经历？使用一款减肥app，通过它的图表来监控自己的体重变化，并预测何时能达到理想体重。这款app预测我需要八年时间才能恢复到大学时的体重，这种不切实际的预测是因为应用使用了简单的线性模型来进行体重预测。这个模型将我所有过去的体重数据进行平均处理，然后绘制一条直线预测未来的体重变化。然而，体重减轻通常不会呈线性发展，使用更复杂的数学模型，如泊松回归，可能会更加贴近真实情况。

在探讨体重减轻的模型时，我们通常会遇到各种统计分布，其中最常见的是正态分布和泊松分布。正态分布，因其钟形的概率密度函数而广为人知，常用于描述自然现象中的随机变量，比如人的体重。它假设数据围绕一个中心值（平均值）对称分布，并且数据的分散程度（标准差）决定了分布的宽窄。

在处理计数数据，如一定时间内的体重变化次数时，泊松分布则显得更为合适。泊松分布用于描述在固定时间或空间内发生的独立事件的数量，适用于预测罕见事件。这在体重管理应用中尤为重要，因为体重的减少往往是非连续和间歇性的，可能受多种因素影响，如饮食、运动习惯等。

https://avoid.overfit.cn/post/b077cb768e8e4f869f543d832deb7365