三者放在一起講最核心的一句話是泊松分布管“一段時(shí)間里來幾個(gè)”指數(shù)分布管“兩個(gè)之間隔多久”伽馬分布管“等到第k個(gè)要多久”。它們是同一個(gè)隨機(jī)過程的三副面孔而不是三個(gè)彼此孤立的概念。伽馬分布、泊松分布以及指數(shù)分布的關(guān)系很多人學(xué)概率統(tǒng)計(jì)的時(shí)候先學(xué)泊松分布再學(xué)指數(shù)分布最后碰到伽馬分布會(huì)覺得這是三門課的內(nèi)容計(jì)數(shù)用泊松排隊(duì)用指數(shù)貝葉斯里冒出來一個(gè)伽馬。實(shí)際上在排隊(duì)論、可靠性工程、粒子計(jì)數(shù)、故障預(yù)測(cè)這些場(chǎng)景里三者幾乎總是同時(shí)出現(xiàn)只是你從哪個(gè)角度去看同一個(gè)過程的問題。這篇文章想做的事很簡(jiǎn)單把“泊松分布、指數(shù)分布、伽馬分布”放在同一條邏輯鏈上告訴你為什么它們是同一套故事的三種講法。同時(shí)我會(huì)用具體的數(shù)值例子把“泊松分布到達(dá)時(shí)間的含義”講透再順手聊聊為什么“泊松分布統(tǒng)計(jì)單位空間的恒星數(shù)量”這種看起來完全不同的應(yīng)用其實(shí)底層是同一個(gè)模型。內(nèi)容偏實(shí)操和理解不會(huì)堆砌太多純數(shù)學(xué)推導(dǎo)但關(guān)鍵公式和思路都會(huì)保留方便你直接拿去用。1. 泊松分布先落地計(jì)數(shù)和到達(dá)時(shí)間1.1 時(shí)間維度上的泊松點(diǎn)過程先把場(chǎng)景固定下來。假設(shè)你面前有一個(gè)服務(wù)窗口顧客隨機(jī)到達(dá)單位時(shí)間內(nèi)平均到達(dá)率是 λ比如每小時(shí) 12 個(gè)人那么 λ12。在長(zhǎng)度為 t 的時(shí)間段里到達(dá)人數(shù) N(t) 服從的分布就是泊松分布P(N(t)k) (λt)^k e^{-λt} / k!這里有個(gè)經(jīng)常被忽略的前提泊松分布不是一個(gè)“萬能計(jì)數(shù)分布”它背后對(duì)應(yīng)著一個(gè)叫“泊松點(diǎn)過程”的隨機(jī)到達(dá)模型。這個(gè)模型有三個(gè)基本假設(shè)在任意很小的時(shí)間段 Δt 內(nèi)恰好到達(dá)一個(gè)事件的概率約等于 λΔt到達(dá)兩個(gè)及以上的概率是 Δt 的高階無窮小可以忽略。不相交的時(shí)間段里到達(dá)事件相互獨(dú)立。單位時(shí)間到達(dá)率 λ 恒定不隨時(shí)間變化。這三個(gè)假設(shè)一說出來你就會(huì)發(fā)現(xiàn)泊松分布根本不是“隨便拿來數(shù)數(shù)的”而是對(duì)“完全隨機(jī)、獨(dú)立、均勻速率”這件事的一種精確描述。很多實(shí)際數(shù)據(jù)擬合泊松分布時(shí)效果差往往不是泊松分布有問題而是現(xiàn)實(shí)數(shù)據(jù)不滿足上述假設(shè)比如到達(dá)率有高峰低谷或者事件彼此不獨(dú)立。理解了這一點(diǎn)你再看“泊松分布到達(dá)時(shí)間的含義”這個(gè)熱搜詞就會(huì)發(fā)現(xiàn)它其實(shí)問的就是泊松過程里兩個(gè)相鄰事件之間的間隔是什么樣的下一通電話什么時(shí)候來下一個(gè)粒子什么時(shí)候到達(dá)這些問題答案就是指數(shù)分布。1.2 為什么恒星計(jì)數(shù)也能用泊松分布很多文章里會(huì)舉“單位空間內(nèi)的恒星數(shù)量服從泊松分布”這個(gè)例子初看很神奇天上星星分布這么復(fù)雜為什么還能用泊松分布統(tǒng)計(jì)答案在于“空間泊松過程”。把“時(shí)間”換成“空間區(qū)域”把“單位時(shí)間到達(dá)率”換成“單位面積或單位體積的平均恒星數(shù)”只要恒星在空間中的位置相互獨(dú)立、均勻隨機(jī)那么固定體積區(qū)域內(nèi)的恒星數(shù)量就服從泊松分布。這個(gè)思路在許多領(lǐng)域都很常用顯微鏡下單位面積內(nèi)的細(xì)胞數(shù)量、單位體積液體中的細(xì)菌數(shù)量、空氣中單位體積的塵埃粒子數(shù)都和恒星計(jì)數(shù)是同一個(gè)數(shù)學(xué)結(jié)構(gòu)。理解這一層很重要。因?yàn)楹芏嗳嗽谧鲱}時(shí)只會(huì)套泊松分布的公式一旦題目換成“統(tǒng)計(jì)單位空間的恒星數(shù)量”就懵了本質(zhì)上是對(duì)“參數(shù) λt 里的 t 是什么”缺乏直覺。泊松分布的參數(shù)可以寫成 λtλ 是速率t 是“觀測(cè)窗口的大小”。時(shí)間維度上 t 是時(shí)間長(zhǎng)度空間維度上 t 可以是面積或體積甚至可以推廣到任意可以度量的區(qū)域大小。這個(gè)窗口的大小變了期望計(jì)數(shù)就線性增長(zhǎng)窗口選的越大方差也越大而且方差等于期望這是泊松分布的一個(gè)重要識(shí)別特征。2. 指數(shù)分布等待第一通電話的時(shí)間2.1 從泊松到指數(shù)推導(dǎo)一個(gè)間隔分布現(xiàn)在要回答一個(gè)問題在到達(dá)率為 λ 的泊松過程里從某一時(shí)刻開始等到下一個(gè)事件發(fā)生的等待時(shí)間 W 是什么分布直接算。W t 意味著從當(dāng)前時(shí)刻開始長(zhǎng)度為 t 的窗口里一個(gè)事件都沒有。由泊松分布公式窗口內(nèi)事件數(shù) k0 的概率是P(W t) P(N(t)0) e^{-λt}所以 W 的生存函數(shù)是 P(W t)e^{-λt}密度函數(shù)為f_W(t) λ e^{-λt}這就是指數(shù)分布參數(shù)為 λ均值 1/λ方差 1/λ2。從這個(gè)推導(dǎo)可以看出指數(shù)分布不是憑空冒出來的它就是泊松過程的“等待時(shí)間分布”。兩個(gè)相鄰事件之間的間隔、從任意時(shí)刻到下一個(gè)事件的剩余等待時(shí)間在泊松過程里都服從指數(shù)分布而且參數(shù)都是同一個(gè) λ。這里有個(gè)有趣的實(shí)操含義假設(shè)客服中心平均每小時(shí)接到 12 通電話那么“下一通電話還有多久才來”的期望等待時(shí)間是 1/12 小時(shí)也就是 5 分鐘。注意不管你是剛從上一通電話結(jié)束開始計(jì)時(shí)還是隨便挑了一個(gè)時(shí)刻開始計(jì)時(shí)期望都是 5 分鐘。這一點(diǎn)對(duì)于排班、資源預(yù)留特別重要。2.2 無記憶性不是數(shù)學(xué)怪癖指數(shù)分布有一個(gè)反直覺的性質(zhì)無記憶性。用數(shù)學(xué)語言寫是P(T st | T s) P(T t)翻譯成人話如果我已經(jīng)等了 5 分鐘還沒等到下一通電話那么“再等 3 分鐘”的概率和“從一開始等 3 分鐘”的概率是一樣的。過去等待的 5 分鐘完全沒有讓事件“更可能發(fā)生”。這聽起來違背直覺甚至有點(diǎn)殘酷但它是泊松到達(dá)模型的自然結(jié)果。原因是泊松過程的到達(dá)是完全隨機(jī)的沒有“老人”概念每一個(gè)瞬間的情況都一樣。這也解釋了為什么指數(shù)分布是“無記憶”的唯一連續(xù)分布任何其他分布都不具備這個(gè)性質(zhì)。在可靠性工程里這個(gè)性質(zhì)非常關(guān)鍵。如果某設(shè)備的故障間隔服從指數(shù)分布那么意味著設(shè)備不會(huì)“老化”無論已經(jīng)運(yùn)行了多少小時(shí)未來一小時(shí)內(nèi)故障的概率都相同。很多真實(shí)設(shè)備顯然不滿足這一點(diǎn)機(jī)械磨損、電子器件老化都會(huì)讓故障率隨時(shí)間上升這時(shí)候就不能用指數(shù)分布而要用威布爾分布或者伽馬分布。這一點(diǎn)值得所有做可靠性分析的人警惕。3. 伽馬分布等到第k起事件的時(shí)間3.1 伽馬分布與指數(shù)分布的關(guān)系如果說指數(shù)分布是“等到第一通電話”的時(shí)間那么伽馬分布就是“等到第 k 通電話”的時(shí)間。這個(gè)問題自然會(huì)出現(xiàn)在很多場(chǎng)景中比如裝配線上要等到第 10 個(gè)次品出現(xiàn)才能判斷工藝是否穩(wěn)定后臺(tái)系統(tǒng)要累積到第 5 次異常告警才能觸發(fā)故障切換。你要等的不是“某一次”而是“第 k 次”。設(shè) S_k 為從零時(shí)刻開始等到第 k 個(gè)事件發(fā)生的時(shí)間。泊松過程的到達(dá)間隔 T_1, T_2, ..., T_k 是一串相互獨(dú)立的指數(shù)分布隨機(jī)變量S_k 就是這 k 個(gè)指數(shù)隨機(jī)變量的和S_k T_1 T_2 ··· T_kk 個(gè)獨(dú)立同分布的指數(shù)分布之和服從形狀參數(shù)為 k、速率參數(shù)為 λ 的伽馬分布。密度函數(shù)f_{S_k}(t) λ^k t^{k-1} e^{-λt} / Γ(k)其中 Γ(k) 是伽馬函數(shù)當(dāng) k 是正整數(shù)時(shí)Γ(k)(k-1)!。這個(gè)式子和指數(shù)分布的密度函數(shù)放在一起看你會(huì)發(fā)現(xiàn)指數(shù)分布就是伽馬分布在 k1 時(shí)的特例。這也是“指數(shù)分布是伽馬分布的特例”這句話的由來。伽馬分布的均值是 k/λ方差是 k/λ2。這里有個(gè)很漂亮的規(guī)律隨著 k 增大S_k 的分布逐漸對(duì)稱趨向正態(tài)分布。中心極限定理在起作用一堆獨(dú)立同分布隨機(jī)變量的和無論單個(gè)變量是什么分布疊加多了都會(huì)向正態(tài)靠攏。對(duì)運(yùn)維和容量規(guī)劃來說這個(gè)規(guī)律很實(shí)用如果想估算“一天內(nèi)第 1000 個(gè)請(qǐng)求會(huì)在什么時(shí)候到”直接用正態(tài)近似就能得到一個(gè)很準(zhǔn)的答案不必去算完整的伽馬分布。3.2 伽馬-泊松積分恒等式伽馬分布和泊松分布之間最漂亮的橋梁其實(shí)是下面這個(gè)等式P(S_k t) P(N(t) k)也就是說“等到第 k 個(gè)事件發(fā)生的時(shí)間 S_k 大于 t”這件事等價(jià)于“在 t 時(shí)間內(nèi)發(fā)生的事件數(shù) N(t) 少于 k 個(gè)”。這兩件事本質(zhì)上是同一個(gè)事件從兩個(gè)角度描述如果你在 t 時(shí)刻還沒等到第 k 個(gè)事件那就說明 t 時(shí)間內(nèi)最多只到了 k-1 個(gè)事件。用積分形式表達(dá)∫_t^∞ λ^k u^{k-1} e^{-λu} / Γ(k) du Σ_{i0}^{k-1} (λt)^i e^{-λt} / i!這個(gè)恒等式經(jīng)常在處理“要等多長(zhǎng)時(shí)間才夠 k 次”這類問題時(shí)發(fā)揮作用。比如你模擬一個(gè)排隊(duì)系統(tǒng)想知道晚上 10 點(diǎn)之前能服務(wù)完第 100 個(gè)客人的概率是多少用泊松分布做累加可能很簡(jiǎn)單反之如果有人給你一個(gè)伽馬分布的概率值你查表不方便也可以轉(zhuǎn)化成泊松分布的累積概率來算。數(shù)值上如果 λ2k3t1那么 P(S_3 1) P(N(1) 3)也就是 0 到 2 個(gè)事件的概率等于 e^{-2}(122)5e^{-2}≈0.6767。這個(gè)值可以從兩個(gè)方向互相驗(yàn)證。掌握這個(gè)恒等式等于在三個(gè)分布之間安裝了一個(gè)免費(fèi)的“單位換算器”。4. 一個(gè)數(shù)值例子把三個(gè)分布串起來4.1 問題設(shè)定假設(shè)某客服中心來電速率 λ3 通/分鐘。我們分別計(jì)算三個(gè)問題能直觀感受三個(gè)分布的不同用途未來 2 分鐘內(nèi)恰好接到 5 通電話的概率是多少下一通電話在 30 秒內(nèi)打進(jìn)來的概率是多少接到第 10 通電話所需時(shí)間超過 5 分鐘的概率是多少這三個(gè)問題分別對(duì)應(yīng)泊松分布、指數(shù)分布、伽馬分布。很多人學(xué)了一堆分布函數(shù)卻不知道什么時(shí)候用哪個(gè)本質(zhì)上就是缺少這種“同一個(gè)業(yè)務(wù)場(chǎng)景下的對(duì)照”練習(xí)。第 1 問直接套泊松分布λt6k5P(N(2)5)6^5 e^{-6}/5!≈0.1606。第 2 問看 30 秒內(nèi)也就是 0.5 分鐘內(nèi)是否有來電P(T ≤ 0.5)1-e^{-1.5}≈0.7769。換句話說下一通電話在 30 秒內(nèi)不來的概率約 22.3%。第 3 問用伽馬分布S_10 服從形狀參數(shù) 10、速率 3 的伽馬分布要求 P(S_10 5)。直接積分很麻煩但轉(zhuǎn)換成泊松分布就簡(jiǎn)單了P(S_10 5)P(N(5) ≤ 9)其中 λt15。計(jì)算這個(gè)累計(jì)概率需要把 k0 到 9 的泊松概率加起來用統(tǒng)計(jì)軟件或查表可得約 0.0699。也就是說5 分鐘內(nèi)接到 10 通電話的概率約 93%。這一問如果硬積分伽馬分布你會(huì)覺得計(jì)算量離譜一旦知道泊松-伽馬的等價(jià)關(guān)系立刻變成簡(jiǎn)單的累積求和。4.2 參數(shù)速查表分布主要參數(shù)均值方差典型使用場(chǎng)景泊松分布λt速率×窗口λtλt統(tǒng)計(jì)固定窗口內(nèi)事件數(shù)量指數(shù)分布λ速率1/λ1/λ2相鄰兩個(gè)事件之間的等待時(shí)間伽馬分布k形狀、λ速率k/λk/λ2等到第 k 個(gè)事件的時(shí)間這個(gè)表值得保存。它的核心信息可以濃縮成一句話泊松分布和伽馬分布描述同一個(gè)過程的兩側(cè)中間用指數(shù)分布搭橋一個(gè)管數(shù)量一個(gè)管時(shí)間指數(shù)分布則負(fù)責(zé)兩個(gè)單位之間的換算。4.3 實(shí)際使用中的單位陷阱看這個(gè)例子你會(huì)發(fā)現(xiàn)“速率 λ”是三個(gè)分布共用的核心參數(shù)。但不同問題中λ 的量綱容易被搞混如果來電速率是每分鐘 3 通那么 λ3/min但如果你想算“每 10 分鐘的平均來電數(shù)”就不能直接拿 3 去套泊松分布而要先把 λt 計(jì)算出來λt30/min×10min30 次事件。這里我踩過很深的坑做 Monte Carlo 仿真時(shí)經(jīng)常有人把“平均間隔時(shí)間”和“平均到達(dá)率”搞反導(dǎo)致模擬結(jié)果整體偏移。比如“平均每 5 分鐘來一個(gè)客戶”此時(shí)速率 λ 不是 5而是 1/50.2 個(gè)/分鐘。如果你在程序里把 λ 設(shè)為 5模擬出來的將是“每分鐘平均來 5 個(gè)客戶”整整相差 25 倍。再考慮一個(gè)細(xì)節(jié)泊松過程中等待第 k 個(gè)事件的時(shí)間服從伽馬分布但“從任意時(shí)刻算起到第 k 個(gè)后續(xù)事件的時(shí)間”也服從伽馬分布因?yàn)橛袩o記憶性保證“任意時(shí)刻”都可以當(dāng)作起點(diǎn)。這在排隊(duì)系統(tǒng)里非常關(guān)鍵——你不需要等到上一個(gè)事件剛結(jié)束才開始計(jì)時(shí)任何時(shí)候開始計(jì)時(shí)得到的結(jié)果分布都一樣。5. 常見問題與排查技巧5.1 混淆了“時(shí)間長(zhǎng)度”和“事件次數(shù)”最常見的錯(cuò)誤是用泊松分布直接回答“等待時(shí)間”類問題。比如問“3 分鐘內(nèi)至少來 1 個(gè)電話的概率”有些新手會(huì)寫成 P(N(3)≥1)1-P(N(3)0)這沒錯(cuò)但如果問“第一個(gè)電話在 3 分鐘內(nèi)來的概率”就是要用指數(shù)分布1-e^{-λt}。注意這里的數(shù)值實(shí)際上和泊松分布 P(N(t)≥1) 完全一樣因?yàn)椤暗谝煌娫捲?t 內(nèi)到達(dá)”和“t 內(nèi)至少發(fā)生一次事件”是同一個(gè)事件。但如果問“第二通電話在 t 內(nèi)來到”就只能用伽馬分布或者泊松分布的累積來算不能用 1-P(N(t)0) 加 1-P(N(t)1) 之外的方式硬湊。我建議拿到問題先問自己三個(gè)問題題目問的是“數(shù)量”還是“時(shí)間”如果是數(shù)量窗口大小固定嗎如果是時(shí)間要等到“第一個(gè)”還是“第 k 個(gè)”把這三個(gè)問題答完分布自然就選出來了。5.2 無記憶性被濫用導(dǎo)致錯(cuò)誤結(jié)論指數(shù)分布的無記憶性看起來很美好但濫用會(huì)得出荒謬結(jié)論。一個(gè)典型的錯(cuò)誤是設(shè)備已經(jīng)運(yùn)行了 100 小時(shí)沒故障于是有人用指數(shù)分布說“它未來 1 小時(shí)故障概率和全新設(shè)備一樣”。這句話只有在設(shè)備故障率恒定也就是浴缸曲線底部時(shí)才成立。對(duì)大多數(shù)機(jī)械部件磨損效應(yīng)不可忽略故障率是遞增的此時(shí)用指數(shù)分布會(huì)嚴(yán)重高估系統(tǒng)的可靠性。正確做法是先用數(shù)據(jù)檢驗(yàn)故障間隔是否服從指數(shù)分布。常見的方法是繪制經(jīng)驗(yàn)生存函數(shù)的對(duì)數(shù)圖如果數(shù)據(jù)來自指數(shù)分布log(生存概率)應(yīng)該近似一條直線。如果明顯彎曲果斷換威布爾分布或伽馬分布。伽馬分布在這里也有用武之地當(dāng)系統(tǒng)由多個(gè)串聯(lián)/并聯(lián)失效模式組成時(shí)總故障時(shí)間可能近似伽馬分布只是形狀參數(shù) k 不再等于某個(gè)整數(shù)而是由數(shù)據(jù)估計(jì)出來的小數(shù)。這時(shí)伽馬分布的靈活性就顯現(xiàn)了。5.3 檢查 λ 和時(shí)間單位的一致性單位轉(zhuǎn)換錯(cuò)誤是個(gè)非常隱蔽又致命的問題。假設(shè)速率 λ12/h問“20 分鐘內(nèi)到達(dá) 10 個(gè)的概率”如果直接拿 12 當(dāng) λ、20 當(dāng) t 算答案必然離譜。必須統(tǒng)一單位20 分鐘 1/3 小時(shí)所以 λ t 12×(1/3)4。也就是說20 分鐘內(nèi)平均到達(dá) 4 個(gè)事件然后是 P(N10)4^10 e^{-4}/10!。我在仿真腳本里處理這些時(shí)習(xí)慣定義全局的“基本時(shí)間單位”比如統(tǒng)一用分鐘所有速率參數(shù)全部換算成“每分鐘多少事件”再傳給隨機(jī)數(shù)生成器。這樣可以避免在多個(gè)環(huán)節(jié)反復(fù)換算時(shí)出錯(cuò)。5.4 把“空間泊松過程”和“時(shí)間泊松過程”混為一談回到“統(tǒng)計(jì)單位空間的恒星數(shù)量”這個(gè)熱搜詞?？臻g泊松過程和一維時(shí)間過程在數(shù)學(xué)上同構(gòu)但使用時(shí)有一個(gè)陷阱空間區(qū)域中所謂的“相鄰事件之間距離”并不像時(shí)間過程那樣簡(jiǎn)單地服從指數(shù)分布。在一維時(shí)間軸上兩個(gè)連續(xù)事件之間的間隔服從指數(shù)分布但在三維空間里“最近鄰恒星距離”服從的分布形式與指數(shù)分布不同需要推導(dǎo)徑向分布函數(shù)。也就是說不能看到“泊松過程”就直接套指數(shù)分布公式。必須先明確維度再?zèng)Q定用什么距離分布。如果只是在固定體積內(nèi)統(tǒng)計(jì)“有多少顆恒星”那直接用泊松分布沒問題如果問題變成“離太陽最近的恒星距離有多遠(yuǎn)”那就需要推導(dǎo)三維空間泊松過程的最近鄰距離分布它的密度函數(shù)是 f(r)4πλr2 e^{-(4/3)πλr3}從這個(gè)式子可以看出它不是簡(jiǎn)單的指數(shù)分布。這個(gè)例子提醒我們泊松過程作為隨機(jī)點(diǎn)過程在時(shí)間和空間維度上既有統(tǒng)一性也有維度帶來的差異使用時(shí)一定要看變量到底是“時(shí)間”還是“距離”。5.5 伽馬分布的參數(shù)命名混亂伽馬分布有兩種常見參數(shù)化方式一種用形狀參數(shù) k 和速率參數(shù) λ均值 k/λ另一種用形狀參數(shù) α 和尺度參數(shù) θ均值 αθ。同樣的分布在不同教材里可能寫成 Gamma(k, λ) 或 Gamma(α, θ)兩者之間滿足 θ1/λ。我在看統(tǒng)計(jì)軟件文檔時(shí)經(jīng)常因?yàn)檫@個(gè)栽跟頭Python 的 scipy.stats.gamma 默認(rèn)參數(shù)是 a形狀、loc、scale尺度這里的 scale 就是 θ1/λ。如果你習(xí)慣用速率 λ調(diào)用時(shí)需要寫成 gamma.pdf(x, ak, scale1/λ)。R 里則是用 rateλ 直接指定速率。同一個(gè)模型在兩種語言里參數(shù)含義不同復(fù)制代碼時(shí)容易出錯(cuò)。建議在所有代碼和文檔注釋中明確寫明“此處 λ 是速率θ1/λ 是尺度”并且統(tǒng)一采用速率 λ 作為主參數(shù)。這樣跨語言、跨工具復(fù)現(xiàn)時(shí)能少踩很多坑。6. 一點(diǎn)實(shí)操心得我自己的感覺是這三個(gè)分布的關(guān)系本質(zhì)上是一臺(tái)機(jī)器的三個(gè)儀表盤儀表盤顯示的是事件發(fā)生的數(shù)量泊松分布表盤背后記錄的是事件間的等待時(shí)間指數(shù)分布而機(jī)器運(yùn)行到特定“第 k 次狀態(tài)”的系統(tǒng)時(shí)間則是伽馬分布。只要抓住“泊松過程”這個(gè)源頭所有公式都不是死記硬背而是一套推論。最后分享一個(gè)我常用的檢驗(yàn)技巧在排隊(duì)仿真或可靠性分析中一旦遇到分布假設(shè)問題先做一個(gè) 10000 次蒙特卡洛模擬。直接用指數(shù)分布隨機(jī)數(shù)疊加生成到達(dá)時(shí)間然后統(tǒng)計(jì)固定窗口內(nèi)的數(shù)量畫出來和泊松分布的 PMF 對(duì)比再對(duì)“第 k 次事件時(shí)間”做直方圖和伽馬分布的密度曲線疊加。如果兩條曲線貼合說明你對(duì)這三者的參數(shù)換算理解到位了。這個(gè)方法我每次帶新人時(shí)都會(huì)用基本上一遍就能把概念理順。