其实上述描述并没有错误，离散型和连续型数据是一对相对概念，同样的数据既可能是离散型数据，又可能是连续型数据。 判别一个数据是连续还是离散最本质的因素在于，一个数据组中数据总体的量级和数据粒度之间的差异。差异越大越趋近于连续型数据，差异越小越趋近于离散型数据。
举个例子
人这个单位，对于一个家庭来说，就离散型数据，一个家庭可能有 3个人，4个人，5个人....等等。
对于一个国家来说，就是连续型数据，我们的国家有14亿人口，那么以个人为单位在这个量级的数据群体里就是连续型数据。
清楚了离散型和连续型数据的差异，我们接下来一块科普这几种常用的特殊分布。
离散型分布离散数据的概率分布，就是离散分布。这三类离散型的分布，在“0-1事件”中可以采用，就是一个事只有成功和失败两种状态。
连续型分布连续型分布本质上就是求连续的一个数据段概率分布。
正态分布代表式：
f（x）----是该关于事件X的概率密度函数
μ --- 均值
σ^2 ---方差
σ ---标准差
绿**域的面积 ---该区间段的概率
正态分布概率的求法tep1 --- 确定分布和范围 ，求出均值和方差
tep2 --- 利用标准分将正态分布转化为标准正态分布 （还记得 第一部分的标准分吗？）
tep3 ---查表找概率
离散型分布 → 正态分布 （离散分布转化为正态分布）精彩的地方在这里，笔者已经阐述了连续型数据和离散型数据是一对相对的概念，那么这就意味着在某种“边界”条件下，离散型分布和连续型分布之间是可以相互转化的。进而简化概率分布的计算。这里笔者不在偷懒直接上皂片了（编公式快吐了！！！！）
三、多个事件的情况 --- “概率树”和“贝叶斯定理”多个事件就要探讨事件和事件之间的关系
对立事件---如果一个事件，A’包含所有A不包含的可能性，那么我们称A’和A是互为对立事件
穷尽事件---如何A和B为穷尽事件，那么A和B的并集为1
互斥事件---如何A和B为互斥事件，那么A和B没有任何交集
独立事件---如果A件事的结果不会影响B事件结果的概率分布那么A和B互为独立事件。
例子： 10个球，我随机抽一个，放回去还是10个球，第二次随机抽,还是10选1，那么第一次和第二次抽球的事件就是独立的。
相关事件---如果A件事的结果会影响B事件结果的概率分布那么A和B互为独立事件。
例子： 10个球，我随机抽一个，不放回去还是10个球，第二次随机抽是9选1，那么第一次和第二次抽球的事件就是相关的。
条件概率（条件概率，概率树，贝叶斯公式）
条件概率代表：已知B事件发生的条件下，A事件发生的概率
概率树 --- 一种描述条件概率的图形工具。假设有个甜品店，顾客买甜甜圈的概率是3/4 ； 不买甜甜圈直接买咖啡的概率是1/3 ；同时买咖啡和甜甜圈概率是9/20。
从图中我们可以发现以下两个信息
1. 顾客买不买甜甜圈可以影响喝不喝咖啡的概率，所以事件甜甜圈与事件咖啡是一组相关事件
2. 概率树每个层级分支的概率和都是1
贝叶斯公式 ----提供了一种计算逆条件概率的方法贝叶斯公式用于以下场景，当我们知道A发生的前提下B发生的概率，我们可以用贝叶斯公式来推算出B发生条件下A发生的概率。
第二部分小节1. 事件，概率，概率分布之间的关系
2. 期望，方差的意义
3. 连续型数据和离散型数据之间的区别和联系
4. 几何分布，二项分布，泊松分布，正态分布，标准正态分布
5. 离散分布和正态分布可以转化
6. 多个事件之间的关系，相关事件和独立事件，条件概率和贝叶斯公式
-----------------------------------------------------------------------------------------------------------------------------------
第三部分： 关于“小样本”预测“大总体”现实生活中，总体的数量如果过于庞大我们无法获取总体中每个数据的数值，进行对总体的特征提取进而完成分析工作。那么接下来就用到了本章节的知识。
一、抽取样本总体：你研究的所有事件的集合
样本：总体中选取相对较小的集合，用于做出关于总体本身的结论
上一篇：《臺灣不教的中國近代史》的读后感10篇 下一篇：伊隆戈人的猎头经典读后感10篇
推荐小说： 二号首长 侯卫东官场笔记 官场之风流人生 官道之色戒 脸谱 红色仕途 沧浪之水 驻京办主任 医道官途 重生之风流仕途 风流仕途 官道之权色撩人 官场之财色诱人 官路红颜 官场桃花运 官场风月 官道无疆 一号红人 官商 重生之官路商途 宦海沉浮 重生之官道