完整定義
機率分佈是一個數學函數,它描述了隨機變數所有可能取值及其對應的機率。機率分佈可以是離散的,也可以是連續的。離散機率分佈描述了有限個或可數個可能取值的機率,而連續機率分佈描述了在一個連續範圍內取值的機率。
白話說明
你看天氣預報時,會不會不只想知道會不會下雨,還想知道晴天、陰天、下雨各有多大機會?
你可以把機率分佈想成一張可能性地圖,告訴你每個結果出現的機率,而不是只看單一答案。
它讓你知道資料長什麼樣、模型該怎麼設計、以及不確定性有多大,所以是統計和機器學習的底層語言。
記住這句
看到一個結果不夠,要看整張可能性地圖。
比喻:機率分佈就像一份「天氣預報清單」-- 它告訴你明天氣溫可能是幾度,以及每個溫度出現的可能性有多高,比如 25 度有 30% 機率,26 度有 25% 機率。它把所有可能發生的情況和它們各自的機率都列出來了。
容易混淆
機率分佈 vs 單一機率值
單一機率值只說某一件事發生多大可能,機率分佈則把所有可能結果一起列出來。
前者像看一個點,後者像看整張地圖。
最關鍵的區別:一個是局部答案,一個是全貌。
離散分佈 vs 連續分佈
離散分佈處理可數的結果,例如擲骰子、是否成交。
連續分佈處理可切得很細的數值,例如身高、等待時間。
最關鍵的區別:前者數得完,後者看區間。
實際案例
電商缺貨率
客服想知道某個商品下週會不會缺貨,不是只看單一銷量,而是看需求分佈。
分佈越集中,庫存越容易估;分佈越分散,補貨就要留更多緩衝。
等待時間
排隊系統想估算顧客平均要等多久,會用等待時間的分佈來看尖峰與尾巴。
這比只看平均值更有用,因為少數長等待會直接影響體驗。
演算法與應用
離散分佈用機率質量函數,連續分佈用機率密度函數,前者算每個值的機率,後者看區間內的機率。
平均數看中心,變異數看散布,兩者一起看,才知道資料是穩還是亂。
實務上常先用直方圖觀察形狀,再決定要用哪一種分佈做建模。
情境判斷
Q1(直覺題): 你要估計一間店每天來客數的可能範圍,該先想什麼?
先想機率分佈,因為你要看的是「各種來客數各有多大機會」,不是只盯著一個平均值。
Q2(判斷題): 同樣是機率分佈,遇到離散資料和連續資料可以用同一種做法嗎?
不行,資料型態不同,離散資料看每個值的機率,連續資料看區間與密度,模型和圖形都會不一樣。
常見問題
先看資料型態,再看直方圖、偏態和峰度,必要時再做假設檢定,沒有單一方法可以一眼判定。
參數是在控制分佈的位置、寬窄與形狀,例如常態分佈的平均數和標準差。
因為資料分佈會影響損失函數、抽樣方法和不確定性估計,分佈看錯,後面很多步都會偏掉。
範例考題
某物流公司導入強化式學習(Reinforcement Learning)優化車隊調度。模型在系統運行過程中,會依據不同配送狀態動態調整行動選擇方式,使決策結果逐步朝較佳績效收斂。上述模型在學習過程中的調整行為,最符合下列哪一項強化式學習核心機制?
- A調整策略函數以改變行動選擇機率
- B更新訓練資料分布以降低模型偏差
- C重新分群狀態資料以識別決策類型
- D建立正確決策標籤進行誤差修正
正解是 A:調整策略函數以改變行動選擇機率
解析:強化式學習的核心機制是透過策略函數(Policy)來決定在不同狀態下選擇哪個行動。模型根據獲得的獎勵調整策略函數,改變行動選擇的機率分佈,使決策逐步趨向最佳。
某影音串流平台建立神經網路模型,用於預測使用者最可能感興趣的影片類型。模型輸出層需將結果轉換為各類別的機率分佈,以便系統依機率高低推薦內容。下列哪一種函數最適合用於模型輸出層?
- ASoftmax 函數(Softmax Function)
- BSigmoid 函數(Sigmoid Function)
- C線性函數(Linear Function)
- DReLU 函數(Rectified Linear Unit Function)
正解是 A:Softmax 函數(Softmax Function)
解析:Softmax 函數能將輸出轉換為機率分佈,使所有類別的機率總和為 1,適用於多類別分類問題。影片類型推薦需要在多個類別中選擇,Softmax 是最適合的輸出層函數。
出現在這些考古題
官方公告試題的逐題解析裡,有 6 題把機率分佈列為延伸術語,這裡列出 5 題。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本