概率论与代码实践：概型与概率分布的Python实现指南

概率论这门课，我当年学的时候最大的感受就是：公式推得挺顺，一到用的时候全凭感觉。尤其是“概型”和“概率分布”这两块，教材上全是定义、定理、证明，考试能算对题，但真给你一组数据让你判断它服从什么分布、该怎么建模，脑子里是空的。后来我开始用Python把每一个概型、每一个分布都亲手实现一遍，从掷骰子到泊松过程，从正态分布到指数分布，画图、采样、拟合、验证，一套走下来，那些抽象的概念才真正落地。

这篇内容就是把我自己整理的那套“概型与概率分布Python实现”的笔记完整拆开来讲。核心关键词是概型和概率分布，涉及古典概型、几何概型、伯努利概型，以及离散型的二项分布、泊松分布、几何分布，连续型的均匀分布、指数分布、正态分布。每一个我都会给出可运行的代码、参数选择的理由、以及实际踩过的坑。适合正在学概率统计但觉得“纸上谈兵”的学生，也适合工作中需要做数据建模、风险评估、仿真模拟但概率基础不太扎实的从业者。不需要你数学多好，但至少得知道什么是随机变量、什么是期望，剩下的我用代码帮你补。

1. 整体设计思路：为什么用代码学概率

1.1 从“背公式”到“跑实验”的转变逻辑

传统学概率的路径是：先定义样本空间，再定义事件，然后给概率的公理化定义，接着推各种性质，最后套公式算题。这条路逻辑严密，但有个致命问题——它把“随机”这件事变成了纯符号运算。你算出来一个概率是0.25，但这个0.25到底意味着什么？在真实世界里长什么样？教材不会告诉你。

用代码学就不一样了。你可以真的掷一万次骰子，统计每个点数出现的频率，然后看着频率随着次数增加慢慢逼近1/6。这个过程叫蒙特卡洛模拟，它把“概率是频率的极限”这句话从一句定义变成了你亲眼可见的现象。我当初第一次跑出那张收敛曲线的时候，才真正理解了“大数定律”不是一句空话。

所以这套内容的设计思路很明确：每一个概型或分布，都走“定义理解→代码实现→可视化验证→实际场景套用”四步。定义理解保证你知道它在说什么，代码实现保证你能复现，可视化验证保证你信得过结果，场景套用保证你知道什么时候该用它。这四步缺一不可，少了哪一步都会留下“好像懂了但不会用”的后遗症。

1.2 工具选型：为什么是NumPy加Matplotlib

工欲善其事，必先利其器。做概率分布的代码实现，工具选择其实不多，主流就三个方向：纯Python标准库、NumPy+SciPy+Matplotlib、或者R语言。我选的是NumPy做数值计算、Matplotlib做可视化、SciPy做分布拟合验证这个组合，理由有三条。

第一，NumPy的随机数模块numpy.random覆盖了几乎所有常见分布的采样函数，接口统一，比如np.random.binomial、np.random.poisson、np.random.normal，参数命名也直观，学一个就会一片。第二，Matplotlib画直方图、概率密度曲线、累积分布曲线都很方便，而且能直接叠加理论曲线做对比，这对验证“采样是否符合理论分布”至关重要。第三，SciPy的scipy.stats提供了分布的累积分布函数、分位数函数、拟合检验工具，做进阶验证时不用自己从头写。

至于为什么不用纯标准库，原因很简单：标准库的random模块只有均匀分布和正态分布等少数几个，做泊松、二项这些得自己手写逆变换或者拒绝采样，既费劲又容易出错，学习阶段没必要在这上面耗时间。R语言虽然统计功能强，但生态和通用编程的结合不如Python顺手，而且大部分人手上已经有Python环境了。

提示：如果你还没装这几个库，一条命令搞定：pip install numpy scipy matplotlib。版本不用太纠结，近两年的版本都行，接口基本稳定。

1.3 内容编排的递进关系

整套内容我按“从离散到连续、从简单到复杂”的顺序编排。先讲概型，因为概型是概率分布的“源头”——古典概型对应有限等可能，几何概型对应连续均匀，伯努利概型是二项分布的基础。概型讲清楚了，分布就是水到渠成的事。

分布部分先离散后连续。离散里先二项（最直观，掷硬币），再泊松（二项的极限情形，描述稀有事件），再几何（首次成功，和二项是“兄弟关系”）。连续里先均匀（最简单的连续分布），再指数（和泊松过程绑定，描述等待时间），最后正态（压轴，中心极限定理的归宿）。这个顺序不是随便定的，后一个往往依赖前一个的概念，比如不理解伯努利试验就没法理解二项分布，不理解泊松过程就没法理解指数分布描述的是“事件间隔时间”。

2. 概型的代码实现与核心细节

2.1 古典概型：等可能事件的频率逼近

古典概型的定义很朴素：样本空间有限，每个基本事件等可能。掷骰子、抽扑克、抛硬币都是典型。它的概率计算公式就是“有利结果数除以总结果数”。听起来简单，但代码实现时有个关键点要抓住——你必须真的去模拟“等可能”，而不是直接套公式。

拿掷一个六面骰子举例，理论概率每个点数都是1/6≈0.1667。我用np.random.randint(1, 7, size=n)生成n次投掷结果，然后统计每个点数出现的次数除以n。这里randint的上界是开区间，所以写7才能取到6，这个细节新手经常写错成6，结果永远掷不出6。

import numpy as np import matplotlib.pyplot as plt n = 10000 rolls = np.random.randint(1, 7, size=n) for face in range(1, 7): freq = np.sum(rolls == face) / n print(f"点数{face}: 频率{freq:.4f}, 理论值{1/6:.4f}")

跑出来你会发现，n=10000时每个频率都在0.166上下浮动，误差在千分之几。如果你把n改成100，波动会大得多，可能某个点数出现0.12，另一个0.21。这就是大数定律的直观体现：试验次数越多，频率越稳定地逼近理论概率。

这里有个实操心得：做频率逼近实验时，n不要一次设太大。我一开始直接上100万次，结果跑完就一个数字，看不出“逼近”的过程。后来改成画收敛曲线——横轴是试验次数（从10到10000对数增长），纵轴是某个点数的累计频率，你就能看到曲线从剧烈震荡逐渐收窄到1/6附近。这张图比任何文字都更能说明问题。

ns = np.logspace(1, 4, 50).astype(int) freqs = [] for n in ns: rolls = np.random.randint(1, 7, size=n) freqs.append(np.sum(rolls == 6) / n) plt.semilogx(ns, freqs, marker='.') plt.axhline(1/6, color='red', linestyle='--') plt.xlabel('试验次数') plt.ylabel('点数6的频率') plt.show()

2.2 几何概型：连续均匀下的面积比

几何概型把“等可能”从有限个结果推广到了连续区域。它的概率不是数个数，而是算“面积比”或“长度比”。经典例子是“在单位正方形里随机取一点，落在某个圆内的概率等于圆面积除以正方形面积”。代码实现的关键是用均匀分布生成随机点，然后判断点是否落在目标区域内。

我拿“单位正方形内随机取点，求到原点距离小于1的概率”来演示。理论值是第一象限四分之一圆的面积，即π/4≈0.7854。

n = 100000 points = np.random.uniform(0, 1, size=(n, 2)) dist = np.sqrt(points[:, 0]**2 + points[:, 1]**2) prob = np.mean(dist < 1) print(f"估计概率: {prob:.4f}, 理论值: {np.pi/4:.4f}")

跑出来一般在0.785附近，误差在千分之几。这个方法其实就是蒙特卡洛积分的雏形——用随机采样估计面积。我在实际项目里用过类似的思路估算复杂区域的面积，比解析积分省事得多，尤其是区域边界不规则的时候。

注意：几何概型模拟时，采样点的维度要和区域维度一致。上面是二维区域用二维点，如果你要算三维球体体积占比，就得生成三维点。维度一高，采样效率会下降（这就是“维数灾难”的通俗版），需要更多样本才能保证精度。

2.3 伯努利概型：单次试验的二元结果

伯努利概型是最简单的概型：一次试验只有“成功”和“失败”两种结果，成功概率记作p。抛一次硬币、检查一个产品是否合格、一次点击是否转化，都是伯努利试验。代码实现用np.random.random() < p就能生成，返回True表示成功。

p = 0.3 n = 10000 trials = np.random.random(n) < p print(f"成功频率: {np.mean(trials):.4f}, 理论值: {p}")

这个概型本身简单到没什么好讲的，但它是后面二项分布、几何分布的基石。理解伯努利的关键在于理解“独立性”——每次试验的结果不受之前试验影响。代码里每次调用np.random.random()都是独立的，这一点天然满足。但如果你在业务场景里做模拟，比如模拟用户连续点击行为，就得小心“独立性假设”是否成立，因为用户行为往往有惯性，这时候直接用伯努利概型就会失真。

我在做转化率模拟时踩过这个坑：假设每次曝光独立转化，算出来的转化分布和实际数据对不上，后来发现用户看了第一次广告后，第二次再看到的转化概率明显不同（有疲劳效应）。所以伯努利概型的适用前提是事件之间真的独立，这一点在套用前必须确认。

3. 离散型概率分布的代码实现

3.1 二项分布：n次伯努利试验的成功次数

二项分布描述的是“做了n次独立伯努利试验，成功k次的概率”。它的概率质量函数是C(n,k)·p^k·(1-p)^(n-k)。代码里用np.random.binomial(n, p, size)直接采样，用scipy.stats.binom.pmf(k, n, p)算理论概率。

我拿“抛10次硬币，正面朝上次数”来演示，p=0.5。理论上前5次概率最大，约0.246。

from scipy.stats import binom import numpy as np n_trials, p = 10, 0.5 samples = np.random.binomial(n_trials, p, size=100000) for k in range(0, 11): empirical = np.mean(samples == k) theoretical = binom.pmf(k, n_trials, p) print(f"k={k}: 经验频率{empirical:.4f}, 理论概率{theoretical:.4f}")

跑出来经验频率和理论概率吻合得很好。这里有个参数选择的细节：n和p的乘积np决定了分布的形状。np=5时分布比较对称，np很小时分布右偏（成功是稀有事件），np很大时趋近正态。我在做A/B测试样本量估算时经常用这个性质——当np和n(1-p)都大于5时，二项分布可以用正态近似，算置信区间会方便很多。

实操中还有一个容易忽略的点：二项分布的方差是np(1-p)，这个值在p=0.5时最大。这意味着同样n下，p接近0或1时结果更稳定，p=0.5时波动最大。做转化率实验时，如果基准转化率是50%左右，需要的样本量比转化率10%时要大得多，因为方差大。这个结论用代码模拟一下就能直观感受到。

3.2 泊松分布：稀有事件的计数模型

泊松分布描述的是“单位时间或单位空间内，某稀有事件发生次数的概率”。它的参数只有一个λ（lambda），表示平均发生次数。概率质量函数是λ^k·e^(-λ)/k!。代码用np.random.poisson(lam, size)采样。

泊松分布和二项分布的关系值得说清楚：当n很大、p很小、np=λ固定时，二项分布趋近泊松分布。这就是所谓的“稀有事件定律”。我用代码验证一下：n=1000，p=0.003，λ=3，对比二项和泊松的概率。

from scipy.stats import poisson, binom import numpy as np lam = 3 n, p = 1000, 0.003 for k in range(0, 10): b = binom.pmf(k, n, p) po = poisson.pmf(k, lam) print(f"k={k}: 二项{b:.5f}, 泊松{po:.5f}")

结果几乎一模一样。这个近似在实际中很有用——当n很大时，算二项分布的阶乘容易溢出，用泊松近似既快又稳。

泊松分布在业务里最常见的场景是计数型数据建模：单位时间内客服接到的电话数、一小时内网站收到的订单数、一页书上的错字数。我用它做过服务器请求量的模拟，λ取历史平均每秒请求数，然后生成模拟流量来测试系统承载能力。这里有个坑：泊松分布假设事件发生速率λ是恒定的，但真实流量往往有高峰低谷，直接用单一λ会低估峰值。解决办法是分时段建模，每个时段一个λ，或者用非齐次泊松过程。

提示：泊松分布的期望和方差都等于λ，这是它的标志性特征。如果你拿到一组计数数据，算出来均值和方差差不多相等，那泊松分布是个合理的候选模型。方差明显大于均值叫“过离散”，说明数据比泊松分布更分散，可能需要负二项分布。

3.3 几何分布：首次成功所需的试验次数

几何分布描述的是“一直做伯努利试验，直到第一次成功，总共做了多少次”。它的概率质量函数是(1-p)^(k-1)·p，表示前k-1次都失败、第k次成功。代码用np.random.geometric(p, size)采样。

几何分布有个非常反直觉的性质：无记忆性。意思是，你已经失败了10次，第11次成功的概率还是p，和第一次尝试时一样。这个性质在离散分布里只有几何分布有（连续分布里是指数分布）。我用代码验证一下：模拟“已经失败了5次的情况下，下一次成功的概率”。

p = 0.2 n = 100000 samples = np.random.geometric(p, size=n) # 条件概率：已知试验次数>5，求第6次成功的比例 cond = samples[samples > 5] prob_6 = np.mean(cond == 6) print(f"P(X=6|X>5) = {prob_6:.4f}, 理论值p = {p}")

结果接近0.2，验证了无记忆性。这个性质在实际中意味着：如果你在等一个稀有事件（比如等一个客户成交），之前等了多久不影响你还要等多久。听起来有点残酷，但这就是几何分布的数学事实。

几何分布的期望是1/p，这个值在业务里很有用。比如转化率p=0.02，平均需要50次曝光才能成交一次。我用这个算过“平均获客成本”——如果每次曝光成本是c，那平均获客成本就是c/p。这个简单公式背后就是几何分布的期望。

4. 连续型概率分布的代码实现

4.1 均匀分布：最基础的连续分布

均匀分布描述的是“在区间[a,b]内取任何值的概率密度相同”。代码用np.random.uniform(a, b, size)采样。它的概率密度函数在[a,b]内是1/(b-a)，区间外是0。

均匀分布虽然简单，但它是逆变换采样法的基础——很多其他分布的采样都是先生成均匀分布，再通过变换得到。比如指数分布可以用-ln(U)/λ从均匀分布U生成。理解这一点，你就理解了随机数生成器的底层逻辑。

我用均匀分布做过一个有意思的实验：用均匀分布生成随机点，估算π的值。思路是在单位正方形内撒点，统计落在四分之一圆内的比例，乘以4就是π的估计。这个方法和前面几何概型是一个道理，但更直观地展示了蒙特卡洛方法的力量。

n = 1000000 x = np.random.uniform(0, 1, n) y = np.random.uniform(0, 1, n) inside = np.sum(x**2 + y**2 < 1) pi_estimate = 4 * inside / n print(f"π的估计值: {pi_estimate:.6f}")

100万次采样能精确到小数点后三四位。这个实验我推荐每个学概率的人都跑一遍，它把“随机”“频率”“面积”三个概念串在了一起。

4.2 指数分布：泊松过程中的等待时间

指数分布描述的是“泊松过程中，两次事件之间的时间间隔”。它的概率密度函数是λ·e^(-λx)，x≥0。参数λ和泊松分布里的λ是同一个含义——单位时间平均事件数。代码用np.random.exponential(scale=1/λ, size)采样，注意NumPy的scale参数是1/λ而不是λ，这个容易搞混。

指数分布和几何分布是“连续版和离散版”的关系，都有无记忆性。我用它模拟过“客服两次来电之间的间隔时间”——如果平均每小时来5个电话，λ=5，平均间隔就是1/5小时=12分钟。

lam = 5 # 每小时5个事件 intervals = np.random.exponential(scale=1/lam, size=10000) print(f"平均间隔: {np.mean(intervals)*60:.2f}分钟, 理论值: {60/lam:.2f}分钟")

这里有个实操要点：指数分布的参数化方式有两种，一种用速率λ，一种用尺度1/λ。NumPy用的是尺度，SciPy的expon默认也是尺度，但有些教材用速率。写代码时一定要看清楚文档，否则参数传反了结果差十万八千里。我当初就因为把λ直接传给scale，导致模拟出来的间隔时间全错了，排查了半天才发现是参数含义搞混。

4.3 正态分布：中心极限定理的归宿

正态分布是概率论里最重要的分布，没有之一。它的概率密度函数是那个著名的高斯函数，参数是均值μ和标准差σ。代码用np.random.normal(loc=μ, scale=σ, size)采样。

正态分布之所以重要，核心原因是中心极限定理：大量独立同分布的随机变量之和，近似服从正态分布，不管原始分布是什么。我用代码验证一下：生成10000组“10个均匀分布随机数之和”，看这10000个和的分布是不是接近正态。

n_groups = 10000 n_per_group = 10 sums = np.sum(np.random.uniform(0, 1, size=(n_groups, n_per_group)), axis=1) plt.hist(sums, bins=50, density=True) # 叠加理论正态曲线 from scipy.stats import norm mu, sigma = n_per_group*0.5, np.sqrt(n_per_group/12) x = np.linspace(sums.min(), sums.max(), 100) plt.plot(x, norm.pdf(x, mu, sigma), 'r-') plt.show()

你会看到直方图和红色正态曲线几乎重合。这个实验我强烈建议亲手跑一遍，它比任何证明都更能让你理解“为什么正态分布无处不在”。

正态分布在实操中最常见的用途是异常检测。假设数据服从正态分布，那落在μ±3σ之外的概率只有0.27%，可以视为异常。我用这个规则做过服务器响应时间的监控——把历史响应时间拟合正态分布，实时响应超过3σ就告警。但这里有个坑：真实响应时间往往右偏，不是正态分布，直接用正态假设会误报。更稳妥的做法是先做对数变换，或者用分位数方法定阈值。

注意：正态分布的σ参数是标准差，不是方差。NumPy的scale参数要传标准差。如果你手上是方差，记得开根号。这个细节我在教别人的时候发现至少一半人第一次会搞错。

5. 常见问题与排查技巧实录

5.1 采样结果和理论值对不上怎么办

这是最高频的问题。新手跑完代码发现经验频率和理论概率差得远，第一反应是“代码写错了”。其实大部分情况不是代码错，而是样本量不够或者随机种子没固定。

排查顺序我总结成三步。第一步，固定随机种子。在代码开头加np.random.seed(42)，这样每次运行结果一样，方便对比。如果不固定种子，每次结果都不同，你没法判断差异是随机波动还是真错误。第二步，加大样本量。从100加到10000再到100000，看差异是否在缩小。如果缩小，说明只是随机波动；如果不缩小，才是真有问题。第三步，检查参数含义。前面说的指数分布scale和λ搞混、正态分布σ和方差搞混，都是参数问题。

我整理了一个速查表，覆盖常见分布最容易出错的参数：

5.2 分布拟合时怎么判断选哪个分布

实际工作中经常拿到一组数据，要判断它服从什么分布。我的经验是先看数据类型，再看形状特征，最后做拟合检验。

数据类型决定大方向：计数数据（0,1,2,...）优先考虑泊松或二项；连续正值数据（时间间隔、金额）优先考虑指数或对数正态；对称连续数据考虑正态。形状特征看直方图：右偏的计数数据看泊松，右偏的连续数据看指数或对数正态，钟形的看正态。

拟合检验用SciPy的kstest做Kolmogorov-Smirnov检验，p值大于0.05说明不能拒绝“数据服从该分布”的假设。但要注意，KS检验对参数估计后的分布偏保守，样本量大时容易拒绝。我的做法是结合直方图目测和QQ图，不要只依赖p值。

from scipy import stats data = np.random.exponential(scale=2, size=1000) # 拟合指数分布 params = stats.expon.fit(data) ks_stat, p_value = stats.kstest(data, 'expon', args=params) print(f"KS统计量: {ks_stat:.4f}, p值: {p_value:.4f}")

5.3 随机模拟的可复现性问题

做模拟实验最怕的是“结果没法复现”。今天跑出来一个结论，明天再跑结果变了，这在写报告或做决策时是灾难。解决办法就是固定随机种子，并且把种子值记录在代码注释里。

但固定种子有个副作用：你可能会对“某一个特定种子下的结果”过拟合。比如你调种子调到某个值让结果特别好看，这就自欺欺人了。正确做法是用多个种子跑多次，看结果的稳定性。我一般跑5到10个不同种子，看结论是否一致，一致才敢下判断。

results = [] for seed in range(10): np.random.seed(seed) sample = np.random.binomial(100, 0.3, size=10000) results.append(np.mean(sample)) print(f"均值: {np.mean(results):.4f}, 标准差: {np.std(results):.4f}")

这段代码能告诉你“不同种子下估计值的波动有多大”，比单次结果可靠得多。

5.4 大样本下的计算效率问题

做百万级甚至千万级模拟时，纯Python循环会慢到无法忍受。我最初用for循环一个个生成随机数，100万次跑了十几秒，后来改成NumPy的向量化操作，同样的量不到0.1秒。能用向量化就别用循环，这是NumPy使用的铁律。

另一个效率技巧是分块处理。如果数据量大到内存放不下，用size参数分批生成，每批处理完再生成下一批。比如要模拟1亿次，可以每次生成1000万，循环10次，边生成边统计，内存占用可控。

total = 0 batch_size = 10_000_000 n_batches = 10 for _ in range(n_batches): batch = np.random.binomial(100, 0.3, size=batch_size) total += np.sum(batch) print(f"总成功次数: {total}")

这个模式在处理超大规模模拟时非常实用，我在做风险评估的压力测试时就是这么干的。

6. 从代码到场景：几个能直接套用的实战模板

6.1 用二项分布做A/B测试样本量估算

A/B测试最常被问的问题是“我需要多少样本才能看出差异”。这个问题用二项分布就能回答。假设基准转化率p0=0.1，你希望检测到提升到p1=0.12（相对提升20%），显著性水平0.05，功效0.8，样本量怎么算？

核心思路是：在原假设下，转化次数服从二项分布B(n, p0)；在备择假设下服从B(n, p1)。样本量要大到让这两个分布“分得开”。我用模拟法估算——对不同的n，生成两个分布的大量样本，看有多大比例能正确区分。

def estimate_sample_size(p0, p1, alpha=0.05, power=0.8, n_sim=10000): for n in range(100, 100000, 100): # 原假设下的临界值 null_samples = np.random.binomial(n, p0, n_sim) crit = np.percentile(null_samples, 100*(1-alpha)) # 备择假设下超过临界值的比例即功效 alt_samples = np.random.binomial(n, p1, n_sim) achieved_power = np.mean(alt_samples > crit) if achieved_power >= power: return n return None n_needed = estimate_sample_size(0.1, 0.12) print(f"每组所需样本量: {n_needed}")

这个模拟法比查公式表直观得多，而且能处理各种非标准场景。跑出来每组大概需要几千个样本，具体数字取决于参数。实际做实验时还要考虑流量分配和实验周期，样本量只是下限。

6.2 用泊松分布做容量规划

服务器容量规划是泊松分布的经典应用。假设某服务平均每秒收到λ=50个请求，你想知道“每秒请求数超过多少的概率小于1%”，以此定扩容阈值。

from scipy.stats import poisson lam = 50 threshold = poisson.ppf(0.99, lam) print(f"99%分位数: {threshold}") # 超过这个值的概率小于1%

ppf是累积分布函数的反函数，给定概率返回对应的分位数。这个值就是你的告警阈值——超过它说明流量异常，该扩容了。我用这个方法给好几个服务定过阈值，比拍脑袋定“平均值的两倍”靠谱得多。

但要注意，泊松假设请求到达是独立且速率恒定的。如果服务有明显的早晚高峰，得按小时分别算λ，否则高峰期会频繁误报。

6.3 用正态分布做异常检测

前面提过用3σ规则做异常检测，这里给一个完整模板。假设你有一批历史响应时间数据，先拟合正态分布，再对新数据判断是否异常。

from scipy.stats import norm import numpy as np # 历史数据拟合 history = np.random.normal(loc=200, scale=30, size=1000) mu, sigma = norm.fit(history) # 新数据判断 new_value = 320 z_score = (new_value - mu) / sigma is_anomaly = abs(z_score) > 3 print(f"z分数: {z_score:.2f}, 是否异常: {is_anomaly}")

z分数超过3判为异常，对应双侧概率约0.27%。这个阈值可以根据业务容忍度调整，2.5对应约1.2%，2对应约4.5%。阈值不是越严越好，太严会漏报真实异常，太松会误报。我的经验是从3开始，根据误报率反馈逐步调整。

提示：如果数据明显右偏（响应时间通常如此），先做对数变换再拟合正态，效果会好很多。变换后的异常判断记得反变换回原尺度解释。

7. 我个人在实际操作中的几点体会

这套代码我反复改过好几版，最大的体会是：概率分布的代码实现，重点不在代码本身，而在“验证”这一步。写一个采样函数三行代码就够，但如果你不画图、不对比理论值、不做拟合检验，你根本不知道自己写对没有。我见过太多人代码跑通了就以为懂了，结果参数传反了都不知道。

第二个体会是不要迷信单一分布。真实数据往往比教科书复杂，泊松假设方差等于均值，但实际计数数据经常过离散；正态假设对称，但实际数据经常偏态。遇到拟合效果不好，先别怀疑代码，想想是不是分布选错了，或者需要做变换。我现在的习惯是至少试两三个候选分布，用KS检验和QQ图对比，选最合适的那个。

第三个体会是模拟实验的结论要带不确定性。任何基于随机采样的估计都有误差，报结果时最好给个区间而不是单点。比如“估计转化率0.102”不如“估计转化率0.102，95%置信区间[0.098, 0.106]”来得可靠。置信区间用自助法（bootstrap）算就行，几行代码的事。

最后分享一个小技巧：把常用的分布采样和验证封装成函数，下次用的时候直接调，省得每次重写。我自己的工具库里有一个check_distribution(samples, dist_name, params)函数，输入样本和假设分布，自动输出直方图、理论曲线、KS检验结果，一个函数搞定全套验证。这种小工具积累多了，做数据分析的效率会高很多。