02人生选择题：A(正态分布)还是B(幂律分布)
幂律分布——精选推荐
幂律分布什么是幂律分布？⽤数学表达就是“节点具有的连接数和节点数的乘积是⼀个定值”。
简单说，在⼀个系统⾥，如果拥有1万元的⼈有10个，那么拥有1000元的⼈就有100个，⽽有10块钱的⼈就有1万个。
这种分布现象就是幂律分布。
幂律分布的两个特征：1、⾼度的不平均。
2、⽆标度（分形）说幂律分布，你可能不太了解，但你肯定听过⼀个词，叫“⼆⼋法则”。
⽐如全社会80%的财富集中在20%的⼈⼿⾥，⼀个⾏业80%的市场被20%的头部公司占据，⼀家公司80%的⽣意来⾃20%的重点客户……⼆⼋法则，其实就是幂律分布最直观的表现。
这也是幂律分布特征之⼀，⾼度的不平均。
图⾥横坐标，代表随机变量的取值；纵坐标，代表发⽣的概率。
⽽幂律分布就是⼀条向下的曲线，拖着⼀个长长的尾巴。
它的含义也⾮常明确——在随机变量中，越⼩的数值，出现的概率越⼤；越⼤的数值，出现的概率则越⼩。
虽然幂律分布⽆处不在，但它的数学特征只有⼀个，就是⽆标度，也叫“⽆尺度”“尺度⽆关”。
不管怎么叫，意思是⼀致的——在任何观测尺度下，幂律分布都呈现同样的分布特征。
⼀般的分布都会有个尺度范围，在这个范围内服从这个分布，超过这个尺度可能就不服从这种分布了。
⽽幂律分布没有尺度的限制，不管截取任何⼀个部分，都仍然呈现幂律分布的特征。
⽐如，图书销量是服从幂律分布的，最畅销那本书的销量在前10名销量中占的⽐例，和前10名的销量在前100名的销量中占的⽐例，和前100名在前1000名的总销量中占的⽐例，⼤体都是相同的。
这就是幂律分布的数学特征——⽆标度。
符合幂律分布的⽹络，⼜被称为“⽆标度⽹络”。
如果你懂”分形“的话，分形的结构⾃相似性符合幂律分布。
世界是不公平的幂律分布和正态分布，给我们展⽰了两个不同的世界。
在正态分布的社会⾥，中等收⼊阶层占绝⼤多数，低收⼊和⾼收⼊阶层只占极少数。
这种分布，被认为是⾮常理想的社会结构，对聪明勤奋的⼈有激励，让弱者的落差感没那么⼤。
但是真实世界的趋势，是越来越像幂律分布。
正态分布 幂律分布
正态分布幂律分布正态分布和幂律分布是两种常见的概率分布模型，它们在不同的领域中都有着广泛的应用。
这篇文章将从概率分布的基本概念入手，分别介绍正态分布和幂律分布的特点、应用和研究现状。
一、概率分布的基本概念概率分布是用来描述随机变量各个取值的概率分布情况的数学模型。
随机变量是指在一定的试验或观测条件下，可以取得不同取值的变量。
例如，投硬币的结果是正面或反面，这就是一个随机变量。
概率分布可以用分布函数或密度函数来表示。
分布函数是描述随机变量X的概率分布情况的函数，通常记作F(x)，定义为：F(x) = P(X≤x)其中P表示概率。
分布函数具有以下性质：1. F(x)是单调不减的，即对于任意的x1<x2，有F(x1)≤F(x2)。
2. F(x)的值域是[0,1]，即0≤F(x)≤1。
3. F(x)在x处的导数f(x)称为概率密度函数，表示随机变量X 在x处取值的概率密度。
概率密度函数f(x)具有以下性质：1. 非负性：f(x)≥0。
2. 归一性：∫f(x)dx=1。
3. 概率性：对于任意的a≤b，有P(a≤X≤b)=∫abf(x)dx。
二、正态分布正态分布又称高斯分布，是一种连续概率分布，其概率密度函数为：f(x) = 1/σ√(2π)exp[-(x-μ)/2σ]其中μ是均值，σ是标准差。
正态分布的分布函数为：F(x) = 1/2[1+erf((x-μ)/σ√2)]其中erf为误差函数。
正态分布具有以下特点：1. 对称性：正态分布的概率密度函数是关于均值μ对称的。
2. 峰度性：正态分布的峰度系数为3，表示其分布的峰度比较平缓。
3. 尖峰性：正态分布的尖峰系数为0，表示其分布的尖峰程度比较平缓。
正态分布在自然界和社会现象中都有广泛的应用，例如：1. 身高和体重的分布。
2. 物理学中的量子力学和热力学。
3. 经济学中的股票价格和利率。
4. 生物学中的基因表达和蛋白质结构。
5. 社会学中的心理学和人类行为。
钟形分布和幂律分布-概述说明以及解释
钟形分布和幂律分布-概述说明以及解释1.引言1.1 概述钟形分布和幂律分布是在统计学和概率论领域中常见的两种分布形式。
它们在描述人文、社会、生物和物理现象等方面具有重要的应用价值。
钟形分布又被称为正态分布或高斯分布，以钟形曲线状的分布特征而得名。
正态分布是一种对称的连续概率分布，其特点是均值、中位数和众数都相等，并且数据点在均值附近集中分布，呈现出明显的对称性。
正态分布广泛应用于自然科学和社会科学领域，如经济学、心理学、物理学等。
幂律分布是一种长尾分布，也被称为帕累托分布。
与钟形分布不同，幂律分布呈现出长尾的特点，即在分布右侧有大量较小的概率密度。
幂律分布在描述一些重要现象的发生概率时十分有效，如城市人口分布、互联网链接数量和地震强度等。
本文旨在深入探讨钟形分布和幂律分布的定义、特征及其在实际应用中的例子和实际意义。
我们将分别介绍这两种分布的基本概念和统计性质，并通过实例阐述它们的应用领域，包括经济学、社会学、生物学和物理学等。
最后，我们会总结这两种分布的特点，并对它们在未来的应用前景进行展望。
通过深入了解钟形分布和幂律分布，我们将能够更好地理解和描述现实世界中的复杂现象，并为各个领域的研究和决策提供有力的工具和方法。
1.2文章结构文章结构部分的内容可以包括以下方面的描述：文章的结构是为了有条理地讲述和探讨钟形分布和幂律分布的相关内容而设计的。
通过以下章节的安排，我们将逐步介绍和分析这两种分布的定义、特征、例子和应用，并最终总结它们的特点以及对其比较和应用前景的展望。
在第一章引言部分，我们将提供对整篇文章的概述，介绍整篇文章的结构和目的。
我们将简要介绍钟形分布和幂律分布的研究背景以及为什么它们具有重要性。
在第二章钟形分布部分，我们将给出钟形分布的定义和特征的详细解释。
我们会通过一些具体的例子来说明钟形分布的应用领域和重要性。
例如，钟形分布在统计学中常被用于描述人口分布、测量误差和自然现象的变化等。
幂律分布2——精选推荐
自然界与社会生活中，许多科学家感兴趣的事件往往都有一个典型的规模，个体的尺度在这一特征尺度附近变化很小。
比如说人的身高，中国成年男子的身高绝大多数都在平均值1.70米左右，当然地域不同，这一数值会有一定的变化，但无论怎样，我们从未在大街上见过身高低于10厘米的“小矮人”，或高于10米的“巨人”。
如果我们以身高为横坐标，以取得此身高的人数或概率为纵坐标，可绘出一条钟形分布曲线（如图1左图所示），这种曲线两边衰减地极快；类似这样以一个平均值就能表征出整个群体特性的分布，我们称之为泊松分布。
对于另一些分布，像国家GDP或个人收入的分布，情况就大不一样了，个体的尺度可以在很宽的范围内变化，这种波动往往可以跨越多个数量级。
幂律分布的示意图如图1右图所示，其通式可写成y=cx^(−r)，其中x，y是正的随机变量，c，r均为大于零的常数。
这种分布(幂律分布)的共性是绝大多数事件的规模很小，而只有少数事件的规模相当大。
对上式两边取对数，可知lny与lnx满足线性关系lny=lnc-rlnx，也即在双对数坐标下，幂律分布表现为一条斜率为幂指数的负数的直线，这一线性关系是判断给定的实例中随机变量是否满足幂律的依据。
幂律表现了一种很强的不平等性，对个人收入的分布来说这确实是一件很恐怖的事，但同时也说明了，单纯依据人均收入来衡量两个城市或国家的发展水平，并没有多大的实际意义。
统计物理学家习惯于把服从幂律分布的现象称为无标度现象，即，系统中个体的尺度相差悬殊，缺乏一个优选的规模。
可以说，凡有生命的地方，有进化、有竞争的地方都会出现不同程度的无标度现象。
图1 泊松分布(左)与“长尾”/幂律分布(右)从统计物理学来看，网络是一个包含了大量个体及个体之间相互作用的系统。
近年来在对复杂网络的研究过程中，科学家们亦发现了众多的幂律分布，虽然这些网络在结构及功能上是如此的千变万化，相差迥异。
复杂网络中节点的度值k相对于它的概率P(k)满足幂律关系，且幂指数多在大于2小于3的范围内；这一现象是如此的普遍，如此地令人惊叹不已，以至于人们给具有这种性质的网络起了一个特别的名字——无标度网络。
正态分布综合测试题(附答案)
正态分布综合测试题（附答案）选修2-32.4正态分布一、选择题1．下列函数中，可以作为正态分布密度函数的是()A．f(x)＝12πe－(x－1)22B．f(x)＝12π•σe(x－2)22σ2C．f(x)＝12πσe－(x－μ)22σ2D．f(x)＝12πe－(x－μ)22π答案]A2．已知ξ～N(0,62)，且P(－2≤ξ≤0)＝0.4，则P(ξ>2)等于()A．0.1B．0.2C．0.6D．0.8答案]A解析]由正态分布曲线的性质知P(0≤ξ≤2)＝0.4，∴P(－2≤ξ≤2)＝0.8，∴P(ξ>2)＝12(1－0.8)＝0.1，故选A.3．若随机变量ξ～N(2,100)，若ξ落在区间(－∞，k)和(k，＋∞)内的概率是相等的，则k等于()A．2B．10C.2D．可以是任意实数答案]A解析]由于ξ的取值落在(－∞，k)和(k，＋∞)内的概率是相等的，所以正态曲线在直线x＝k的左侧和右侧与x轴围成的面积应该相等，于是正态曲线关于直线x＝k对称，即μ＝k，而μ＝2.∴k＝2.4．已知一次考试共有60名同学参加，考生的成绩X～N(110,52)，据此估计，大约应有57人的分数在下列哪个区间内()A．(90,110]B．(95,125]C．(100,120]D．(105,115]答案]C解析]由于X～N(110,52)，∴μ＝110，σ＝5.因此考试成绩在区间(105,115]，(100,120]，(95,125]上的概率分别应是0.6826,0.9544,0.9974.由于一共有60人参加考试，∴成绩位于上述三个区间的人数分别是：60×0.6826≈41人，60×0.9544≈57人，60×0.9974≈60人．5．(2010•山东理，5)已知随机变量ξ服从正态分布N(0，σ2)，P(ξ>2)＝0.023，则P(－2≤ξ≤2)＝()A．0.477B．0.628C．0.954D．0.977答案]C解析]∴P(ξ>2)＝0.023，∴P(ξ故P(－2≤ξ≤2)＝1－P(ξ>2)－P(ξ6．以φ(x)表示标准正态总体在区间(－∞，x)内取值的概率，若随机变量ξ服从正态分布(μ，σ2)，则概率P(|ξ－μ|A．φ(μ＋σ)－φ(μ－σ)B．φ(1)－φ(－1)C．φ1－μσD．2φ(μ＋σ)答案]B解析]设η＝|ξ－μ|σ，则P(|ξ－μ|＝φ(1)－φ(－1)．点评]一般正态分布N(μ，σ2)向标准正态分布N(0,1)转化．7．给出下列函数：①f(x)＝12πσe－(x＋μ)22σ2；②f(x)＝12πe－(x－μ)24；③f(x)＝12•2πe－x24；④f(x)＝1πe－(x－μ)2，其中μ∴(－∞，＋∞)，σ＞0，则可以作为正态分布密度函数的个数有()A．1B．2C．3D．4答案]C解析]对于①，f(x)＝12πσe－(x＋μ)22σ2.由于μ∴(－∞，＋∞)，所以－μ∴(－∞，＋∞)，故它可以作为正态分布密度函数；对于②，若σ＝1，则应为f(x)＝12πe－(x－μ)22.若σ＝2，则应为f(x)＝12π•2e－(x－μ)24，均与所给函数不相符，故它不能作为正态分布密度函数；对于③，它就是当σ＝2，μ＝0时的正态分布密度函数；对于④，它是当σ＝22时的正态分布密度函数．所以一共有3个函数可以作为正态分布密度函数．8．(2008•安徽)设两个正态分布N(μ1，σ21)(σ1>0)和N(μ2，σ22)(σ2>0)的密度函数图象如图所示，则有()A．μ1B．μ1σ2C．μ1>μ2，σ1D．μ1>μ2，σ1>σ2答案]A解析]根据正态分布的性质：对称轴方程x＝μ，σ表示总体分布的分散与集中．由图可得，故选A.二、填空题9．正态变量的概率密度函数f(x)＝12πe－(x－3)22，x∴R的图象关于直线________对称，f(x)的最大值为________．答案]x＝312π10．已知正态总体的数据落在区间(－3，－1)里的概率和落在区间(3,5)里的概率相等，那么这个正态总体的数学期望为________．答案]1解析]正态总体的数据落在这两个区间里的概率相等，说明在这两个区间上位于正态曲线下方的面积相等．另外，因为区间(－3，－1)和区间(3,5)的长度相等，说明正态曲线在这两个区间上是对称的．∴区间(－3，－1)和区间(3,5)关于直线x＝1对称，所以正态分布的数学期望就是1.11．在某项测量中，测量结果ξ服从正态分布N(1，σ2)(σ>0)，若ξ在(0,1)内取值的概率为0.4，则ξ在(0,2)内取值的概率为____________．答案]0.8解析]∴μ＝1，∴正态曲线关于直线x＝1对称．∴在(0,1)与(1,2)内取值的概率相等．12．(2010•福安)某厂生产的零件尺寸服从正态分布N(25,0.032)，为使该厂生产的产品有95%以上的合格率，则该厂生产的零件尺寸允许值范围为________．答案](24.94,25.06)解析]正态总体N(25,0.032)在区间(25－2×0.03，25＋2×0.03)取值的概率在95%以上，故该厂生产的零件尺寸允许值范围为(24.94,25.06)．三、解答题13．若一个正态分布的概率密度函数是一个偶函数，且该函数的最大值等于142π.求该正态分布的概率密度函数的解析式．解析]由于该正态分布的概率密度函数是一个偶函数，所以其图象即正态曲线关于y轴对称，即μ＝0.而正态密度函数的最大值是12π•σ，所以12π•σ＝12π•4，因此σ＝4，故该正态分布的概率密度函数的解析式是φμ，σ(x)＝142πe－x232，x∴(－∞，＋∞)．14．(2010•邯郸高二检测)设随机变量ξ～N(2,9)，若P(ξ>c＋1)＝P(ξ分析]由题目可获取以下主要信息：①ξ～N(2,9)，②P(ξ>c＋1)＝P(ξ解答本题可利用正态曲线的对称性来求解．解析]由ξ～N(2,9)可知，密度函数关于直线x＝2对称(如图所示)，又P(ξ>c＋1)＝P(ξ故有2－(c－1)＝(c＋1)－2，∴c＝2.点评]解答此类问题要注意以下知识的应用：(1)充分利用正态曲线的对称性和曲线与x轴之间面积为1；(2)正态曲线关于直线x＝μ对称，从而在关于x＝μ对称的区间上概率相等．(3)P(xP(x若b15．某个工厂的工人月收入服从正态分布N(500,202)，该工厂共有1200名工人，试估计月收入在440元以下和560元以上的工人大约有多少？解析]设该工厂工人的月收入为ξ，则ξ～N(500,202)，所以μ＝500，σ＝20，所以月收入在区间(500－3×20,500＋3×20)内取值的概率是0.9974，该区间即(440,560)．因此月收入在440元以下和560元以上的工人大约有1200×(1－0.9974)＝1200×0.0026≈3(人)．16．已知某种零件的尺寸ξ(单位：mm)服从正态分布，其正态曲线在(0,80)上是增函数，在(80，＋∞)上是减函数，且f(80)＝182π.(1)求概率密度函数；(2)估计尺寸在72mm～88mm间的零件大约占总数的百分之几？解析](1)由于正态曲线在(0,80)上是增函数，在(80，＋∞)上是减函数，所以正态曲线关于直线x＝80对称，且在x＝80处取得最大值，因此得μ＝80.12π•σ＝182π，所以σ＝8.故概率密度函数解析式是φμ，σ(x)＝182πe－(x－80)2128.(2)尺寸在72mm～88mm之间的零件的百分率，即在(80－8,80＋8)之间的概率为68.28%.。
你忽略的一个生活规律：幂律分布
你忽略的⼀个⽣活规律：幂律分布你忽略的⼀个⽣活规律：幂律分布来源：商务周刊转载⾃：搜狐财经作者：王育琨编辑：学妹任何能提⾼我们分享、协调或⾏动能⼒的事情都会增加我们和他⼈⼀起共同追寻某些⽬标的⾃由。
在互联⽹时代，这么多⼈能如此⾃由地和其他⼈说或者做各种事，这在历史上是第⼀次。
⽹络消除了有关参与的技术障碍。
既然现在每个⼈都有了各种⼯具可以平等做贡献，你或许以为将看到平等参与的⼤幅增长。
你如果这样想就错了。
许多例⼦中的参与是很不平衡的。
维基百科的⽂章有⾮常多的贡献者，他们不停地进⾏各种修改，但其中的⼤多数⼯作是由⼀⼩部分⼈做的。
Flickr上也出现了类似的模式：在某次活动以后，众多摄影者向Flickr提交照⽚，但可能其中⼀半会来⾃排名前⼗位的提交者，其中最活跃的摄影者提交的照⽚所占的⽐例更⾼。
这种形态叫做幂律分布（power law distribution）。
在这样的分布中，你可以注意到从排名最靠前的⼏位提交者到⼤多数参与者之间照⽚数量的急剧下降。
也请注意由于少数⼏位摄影者不成⽐例的提交量，3/4的摄影者所提交照⽚数量低于平均值。
这个模式在博客、邮件组等社会性媒体中普遍呈现。
这其中有两个意外之处。
第⼀，虽然是许多种不同类型的⾏为，它们的这种不平衡都呈现同⼀形态。
Flickr⽹站上照⽚标记（或“标签”）的引⽤次数，与维基百科上每⼀条⽬读者数及每⼀⽤户提交⽂章数，其数据分布都具有相同的形状。
你可以按⼀组Flickr⽤户提交照⽚的数量将他们排序。
也可以对⼀组照⽚按每张的观众数排序。
还可以按每个标签被应⽤的照⽚数量对它们进⾏排序，所有这些图形都会⼤致呈现幂律分布的形态。
第⼆个意外是，这种不平衡对⼤型社会系统有驱动作⽤⽽不是损害它。
维基百科⽤户中提交过内容的不⾜2%，却⾜以为数百万⽤户创造深远的价值。
如果考虑过减少这些不平等的话，推动维基百科发展的⾃发的劳动分⼯就不可能了。
相反的，绝⼤多数⼤型社会实验都推动了利⽤某种不平等现象⽽不是限制它。
117思维模型：幂律分布一强者恒强弱者愈弱
117思维模型：幂律分布一强者恒强弱者愈弱财富杂志发布了2021年美国500强公司排行榜，其中苹果公司营收2745亿美元，利润却达到574亿美元之巨，成为榜单中利润第一名。
尽管其在智能手机市场中的份额占比仅有13%左右，但它却拿走了全部市场的60%利润，剩下所有的手机公司只能瓜分剩下的40%，为什么在经济系统中会出现强者恒强，弱者愈弱的现象？社会中会出现了富者越富，穷者越穷的现象呢？按照马克思的理论解释，可能是因为资本主义的缺陷造成的。
其实背后隐藏着一个巨大的数学定律“幂次法则”。
Peter Thiel《从0到1》一书中写到：“幂次法则是宇宙的力量，是宇宙最强大的力量。
它完整定义了我们周围的环境，而我们几乎毫无察觉。
”《新约.马太福音》一书中提到：“凡是少的，就连他所有的，也要夺过来。
凡是多的，还要给他，叫他多多益善。
” 这就是著名的马太效应。
概率论给我们的启示是：“凡是相信大数定律的，凡是相信热力学第一定律的，就不要去赌博，不要去炒股，不要去买彩票，不要去进行任何投机，而应该去开赌场。
”可见幂律对社会和经济的影响极大，那什么是幂律分布？幂律分布的原因是什么？幂律分布有哪些应用？本文对以上问题进行探讨。
一、什么是幂律分布？在统计学中，幂律power law表示的是两个量之间的函数关系，其中一个量的相对变化会导致另一个量的相应幂次比例的变化，且与初值无关：表现为一个量是另一个量的幂次方。
例如，正方形面积与边长的关系，如果长度扩大到两倍，那么面积扩大到四倍。
幂函数：y=x^a（a为有理数）指数函数：y=a^x（a为常数且以a>0，a≠1）幂律分布：是一种概率分布，假设变量x服从参数为α的幂律分布，则其概率密度函数可以表示为：概率密度函数为f(x)=cx^-a-1(x→∞）幂律分布也有很多其他的形式，例如“长尾”分布也是幂律分布的一种。
在幂律分布中，事件发生的概率与事件大小的某个负指数成比例。
也就是事件越大，发生的可能性越小。
第八届2017全国大学生市场调查大赛题库1(含答案)
试题答案及解析※第一部分（），共70小题，70.0分。
1、随机变量中，出现次数最多的变量值是该变量的（）。
（1.0分）A. 众数B. 中位数C. 极值D. 均值正确答案：A试题解析：2、小刘想对Z市人口居住情况进行一个调查，因此，他把Z市随机地分成了几个情况相似的区域，然后从中选取了10个区域并对这些区域的家庭情况进行了全面的调查。
在这个例子中，小刘运用的是（）。
（1.0分）A. 分层随机抽样B. 分群随机抽样C. 判断抽样D. 整群抽样正确答案：D试题解析：3、抽样效率是指两个抽样方案在样本容量相同的情况下的（）。
（1.0分）A. 样本比例之比B. 抽样平均误差之比C. 样本均值之比D. 抽样方差之比正确答案：D试题解析：4、在实际工作中，市场调查分析方法主要有两种，即定性分析法和（）。
（1.0分）A. 归纳分析法B. 定量分析法C. 比较分析法D. 演绎分析法正确答案：B试题解析：5、变量测量尺度的类型包括（）。
（1.0分）A. 间隔尺度．长短尺度．名义尺度B. 顺序尺度．名称尺度．长短尺度C. 名称尺度．间隔尺度．长短尺度D. 间隔尺度．顺序尺度．名义尺度正确答案：D试题解析：6、某商品的100件样品中，测得的优质品为98件，则样本优质品成数为（）。
（1.0分）A. 100%B. 98%C. 2%D. 无法计算正确答案：B试题解析：7、下列描述直方图与条形图差别的说法不正确的是（）。
（1.0分）A. 条形图用于展示分类数据，直方图用于展示数值型数据B. 条形图用高度表示类别变化的多少，宽度则固定，表示类别C. 直方图的各矩形和条形图的各条形都是连续排列的D. 直方图中的矩形用高度表示频数或频率，用宽度表示各组组距正确答案：C试题解析：8、小王对香槟酒的消费情况进行了一次调研。
她界定了三个不同层次的收入阶段，然后规定调研人员对每个收入阶层中特定数量的人群进行访谈，这种抽样方法属于（）。
（1.0分）A. 分群抽样B. 配额抽样C. 任意抽样D. 随机抽样正确答案：B试题解析：9、某银行想知道平均每户活期存款余额和估计其总量，根据存折账号的顺序，每50本存折抽出一本登记其余额。
幂律分布读书摘录学习笔记
幂律分布在我们的日常生活中，总是会被各式各样的现象所包围，小到人们的身高分布，大到国家的财富分布。
久而久之，人们抽象出了两个通用的模型来解释这些现象，一个叫做正态分布，另一个叫做幂律分布。
很早就知道二八法则的概念，最早是说社会上 20% 的人占有 80% 的社会财富，强调世界充满了重要的少数与琐碎的多数，这个法则在管理学、社会学等很多方面都有体现，再往上走一步，这种概率分布可以用一种更加科学的名词来表征，叫做幂律分布。
幂律分布 (power law distribution) 是一种常见的统计现象，简单地说就是两个变量为幂函数的关系，而这种简单的关系却能够与很多领域的实际情况相吻合，尤其是生物学、生态学这类典型的无标度网络。
与随机网络不同，这种无标度网络的度常常是集散分布，大部分节点只有较少的连接，而少数节点有大量的连接。
对幂律分布 (power law distribution) 研究做出重要贡献的是Zipf和Pareto。
1932年，语言学家Zipf在研究英文单词出现的频率时，发现只有极少数的词被经常使用，而绝大多数词很少被使用。
19世纪的意大利经济学家帕累托（Pareto）研究了个人收入的统计分布，发现少数人的收入要远多于大多数人的收入，提出了著名的80/20法则，即20%的人口占据了80%的社会财富。
类似的规则在互联网时代又被重新发现。
例如微博、知乎、微信上所有用户的粉丝数量大致是幂律分布的，即少部分人（那些大V）拥有于大部分的粉丝。
在有些自然或者商业现象中，因为网络效应，导致强者越强，赢家通吃。
这时的结果分布，就会呈现另外一种“尖刀型”：刀尖的那些有钱人，总体上来说，有钱的会更有钱。
常听到的“长尾”是幂律分布的一个口语化表达。
这个模型也是《指数型组织》最核心的本质。
3.线性模型线性模型比较好理解，通常假定变量之间存在某种特定的函数关系。
“教育对收入的影响、因锻炼而增加的期望寿命，以及收入对选民投票率的影响，都可以用线性模型来解释。
正态分布 幂律分布
正态分布幂律分布正态分布与幂律分布是统计学中常见的两种分布形态。
在实际应用中，正态分布通常用于描述连续型变量的分布，而幂律分布则更适用于描述离散型变量的分布。
本文将从两种分布的定义、性质、应用以及它们之间的联系等方面进行探讨。
一、正态分布正态分布，又称高斯分布或钟形曲线，是一种连续型概率分布。
它的概率密度函数如下：$$f(x)=frac{1}{sqrt{2pi}sigma}e^{-frac{(x-mu)^2}{2sigma^2}} $$其中，$mu$是均值，$sigma$是标准差。
正态分布的均值和标准差决定了它的形状，当均值为0，标准差为1时，正态分布的形状最为典型。
正态分布的性质有：1. 对称性：正态分布的概率密度函数是关于均值$mu$对称的，即$f(x-mu)=f(mu-x)$。
2. 峰度：正态分布的峰度为3，表示其尖峰程度适中。
3. 均值与中位数相等：正态分布的均值等于中位数，即$mu=median$。
4. 68-95-99.7规则：正态分布中，约有68%的数据落在均值$pm$1个标准差的范围内，约有95%的数据落在均值$pm$2个标准差的范围内，约有99.7%的数据落在均值$pm$3个标准差的范围内。
正态分布的应用非常广泛，例如在物理学、金融学、生物学等领域中，都可以用正态分布来描述一些连续型变量的分布。
此外，在统计学中，许多假设检验和置信区间的计算都基于正态分布。
二、幂律分布幂律分布，又称长尾分布或者无标度分布，是一种离散型概率分布。
它的概率密度函数如下：$$f(x)=Cx^{-alpha}$$其中，$C$是归一化常数，$alpha$是幂指数。
幂指数越小，分布的长尾越长，表示极端事件的发生概率更高。
幂律分布的性质有：1. 重尾性：幂律分布的长尾表现出极端事件的高发性质，即出现极端事件的概率比正态分布更高。
2. 无均值和方差：幂律分布在无穷大的情况下没有均值和方差。
3. 尺度不变性：幂律分布具有尺度不变性，即改变变量的单位不会影响分布的形态。
幂律分布和正态分布关系
幂律分布和正态分布关系哎呀，同学们，你们知道什么是幂律分布和正态分布吗？反正我之前是不太懂的。
就像我们在班级里考试的成绩，有时候大部分同学的分数都集中在一个差不多的范围里，这就有点像正态分布。
可还有些情况呢，比如说我们班参加跑步比赛，只有几个同学跑得特别快，远远超过其他人，这是不是就有点像幂律分布啦？咱们先来说说正态分布。
就好比一堆水果糖，大多数都是差不多大小的，只有很少一部分特别大或者特别小，这是不是很像我们生活中的很多情况呀？比如说我们的身高，大部分人都在一个比较常见的范围里，只有极少数特别高或者特别矮的。
这正态分布啊，就像是个稳稳当当的“老实孩子”，规规矩矩，不怎么出格。
再说说幂律分布，这可就有点“调皮”啦！比如说我们看网络上的粉丝数量，有些大明星有几百万甚至几千万的粉丝，可大多数普通人就只有一点点粉丝。
这差距是不是特别大？就像一座山，只有几个尖尖的山峰特别高，剩下的都是矮矮的山坡。
那这两种分布有啥关系呢？难道它们是水火不容的“敌人”？当然不是啦！在我们的生活中，有时候这两种分布会同时出现呢。
比如说一个班级里，同学们的作业完成情况，大部分人都按时完成得差不多，但总有那么一两个同学做得特别好或者特别差，这是不是既有正态分布的特点，又有幂律分布的影子呢？还有啊，我们学校举办的绘画比赛，大多数同学的水平可能处于中等，但也有几个同学的画简直就像大师的作品，特别出彩。
这难道不是正态分布和幂律分布的奇妙结合吗？所以说呀，幂律分布和正态分布并不是完全分开的，它们就像两个好朋友，有时候一起出现，给我们的生活带来各种各样有趣的现象。
我觉得，了解这两种分布真的太有意思啦！能让我们更好地观察和理解身边的世界呢。
你们说是不是呀？。
幂律分布和对数正态分布
幂律分布和对数正态分布
幂律分布是一种常见的概率分布，它描述了许多自然和社会现象中的非均衡现象。
在幂律分布中，随机变量的概率密度函数与变量本身的幂次关系成正比。
具体地说，幂律分布的概率密度函数可以表示为：
P(x) = Cx^(-α)
其中，P(x)表示随机变量取值为x的概率，C是归一化常数，α是幂律指数。
幂律分布的特点是大部分数据集中在小的取值范围内，但是仍然存在一些极大或极小值。
对数正态分布是一种经典的概率分布，它在许多现实世界的现象中都起作用。
对数正态分布的概率密度函数可以表示为：
P(x) = (1 / (xσ√(2π))) * exp(-(log(x) - μ)^2 /
(2σ^2))
其中，P(x)表示随机变量取值为x的概率，μ和σ分别是对数标准差和对数期望。
对数正态分布的特点是其对数服从正态分布，因此其取值范围是正数，并且右偏，即大部分数据集中在较小的取值范围内。
幂律分布和对数正态分布在不同领域都有广泛的应用。
幂律分布常常用于描述城市规模分布、社交网络中的节点度分布、物种丰富度等现象。
而对数正态分布常用于金融领域中的股票收益率分布、资源分配等问题。
了解和分析这两种概率分布对于理解和解决实际问题具有重要意义。
正态分布 幂律分布
正态分布幂律分布正态分布与幂律分布是统计学中两个重要的分布类型。
正态分布是一种连续概率分布，也被称为高斯分布，它在自然界和社会现象中广泛存在；而幂律分布则是一种离散概率分布，它在自然界和社会现象中也有着重要的应用。
正态分布的特点是在均值处有一个峰值，并且分布的两侧对称。
在数学上，正态分布的概率密度函数是一个钟形曲线，其形状由两个参数决定：均值和标准差。
正态分布的应用非常广泛，例如在自然科学中，它可以用来描述物质粒子的速度分布、气体分子的能量分布等；在社会科学中，它可以用来描述人群中身高、体重、智力等特征的分布。
幂律分布则是一种非常特殊的分布，它的概率密度函数是一个幂函数，形式为P(x)∝x^(-α)。
这个分布在自然界和社会现象中也有着广泛的应用。
例如在自然科学中，它可以用来描述地震、火山喷发、流体运动等现象；在社会科学中，它可以用来描述网络中节点的度分布、城市规模分布、收入分布等。
正态分布和幂律分布虽然在形式上有很大的差异，但它们有着一些共同的特点。
首先，它们都是对大量数据的统计描述，而不是对个体的描述。
其次，它们都可以用来描述随机现象的分布规律。
最后，它们都有着广泛的应用，不仅在自然科学和社会科学中，还在经济学、金融学、医学等领域中有着重要的应用。
然而，正态分布和幂律分布在应用中也有着一些区别。
首先，正态分布适用于连续的数据，而幂律分布适用于离散的数据。
其次，正态分布对数据的极端值不太敏感，而幂律分布对数据的极端值非常敏感。
最后，正态分布适用于数据的均值和方差相等的情况，而幂律分布则不要求数据的均值和方差相等。
在实际应用中，我们需要根据数据的特点选择合适的分布类型。
如果数据呈现出钟形曲线的分布特点，那么正态分布是一个很好的选择；如果数据呈现出长尾分布的特点，那么幂律分布是一个更好的选择。
总之，正态分布和幂律分布是统计学中两个重要的分布类型，它们虽然在形式上有很大的差异，但在应用中都有着广泛的应用。
matlab幂律分布 -回复
matlab幂律分布-回复什么是幂律分布？幂律分布是一种常见的概率分布形式，也被称为“重尾分布”。
它描述的是一个现象或事件的概率与其数值的关系呈现出幂律关系。
换句话说，大部分事件的概率较小，而少部分事件的概率较大。
幂律分布在许多实际问题中都有出现，例如城市人口分布、物种丰富度、互联网链接数等等。
幂律分布的数学形式通常可以表示为：P(x)∝x^(-α)其中，P(x)代表事件的概率密度函数，x表示事件发生的数值，α被称为指数，用来描述分布的特征。
指数α通常大于0，它决定了分布的斜率。
当α越大，分布的斜率越陡；当α接近于1，分布接近线性；当α小于1时，分布表现出长尾特征。
如何拟合幂律分布？在现实世界中，有时我们希望通过观测数据来确定某个现象是否符合幂律分布，并进一步估计幂律分布的参数。
下面介绍一种常用的拟合方法——最小二乘法：步骤一：准备数据首先，我们需要收集相关的观测数据。
这些数据应该反映我们感兴趣的现象或事件的特征，并且尽可能满足幂律分布的特点。
步骤二：进行数据清理清理数据是为了确保我们的样本数据是可靠和准确的。
删除异常值和不完整的数据是很重要的，这可以避免拟合结果的偏差。
步骤三：绘制概率分布图绘制概率分布图是为了观察数据是否符合幂律分布的趋势。
可以绘制双对数坐标轴，使得幂律分布可以被线性拟合。
步骤四：计算幂律分布的参数估计通过最小二乘法来估计幂律分布的参数。
最小二乘法的目标是最小化实际观测值与理论预测值之间的差异。
步骤五：评估拟合结果评估拟合结果的优度是很重要的。
可以使用拟合优度统计量（如R平方值）来评价模型的拟合程度。
步骤六：假设检验进行假设检验可以确定拟合结果是否显著。
一种常用的假设检验是使用卡方检验，通过比较观测频数与理论预期频数之间的差异来评估模型的拟合程度。
应用幂律分布的意义和价值幂律分布在实际应用中具有广泛的意义和价值。
首先，理解和描述现实世界中的幂律分布有助于我们更好地解释一些自然现象和社会现象的根本原因。
统计师职称考试数据分析与经济预测考试 选择题 63题
1. 在统计学中，描述性统计主要用于：A. 预测未来数据B. 分析数据之间的关系C. 总结和描述数据的基本特征D. 进行假设检验2. 下列哪个不是概率分布的类型？A. 正态分布B. 泊松分布C. 线性分布D. 二项分布3. 在回归分析中，R平方值接近1表示：A. 模型解释力弱B. 模型解释力强C. 数据点分散D. 数据点集中4. 假设检验中，第一类错误是指：A. 拒绝了一个正确的假设B. 接受了一个错误的假设C. 假设检验结果不准确D. 假设检验结果准确5. 下列哪个指标用于衡量数据分布的偏斜程度？A. 方差B. 标准差C. 偏度D. 峰度6. 在时间序列分析中，季节性变动是指：A. 数据随时间随机波动B. 数据随时间长期趋势C. 数据随季节周期性变化D. 数据随时间非周期性变化7. 下列哪个方法不适用于缺失数据处理？A. 删除含有缺失数据的记录B. 使用均值填充C. 使用回归模型预测缺失值D. 增加数据收集成本8. 在多元回归分析中，VIF（方差膨胀因子）大于10表示：A. 变量间存在多重共线性B. 变量间独立C. 模型拟合良好D. 模型拟合不佳9. 下列哪个统计量用于衡量两个变量之间的线性关系强度？A. 方差B. 协方差C. 相关系数D. 标准差10. 在假设检验中，P值小于显著性水平α表示：A. 接受原假设B. 拒绝原假设C. 原假设正确D. 原假设错误11. 下列哪个不是时间序列分析的组成部分？A. 趋势B. 季节性C. 循环D. 随机误差12. 在数据分析中，异常值检测通常使用：A. 均值B. 中位数C. 标准差D. 箱线图13. 下列哪个方法用于数据降维？A. 主成分分析B. 线性回归C. 逻辑回归D. 决策树14. 在统计学中，置信区间用于：A. 估计参数的精确值B. 估计参数的可能范围C. 估计数据的精确值D. 估计数据的可能范围15. 下列哪个不是常见的数据可视化工具？A. ExcelB. RC. PythonD. Photoshop16. 在经济预测中，ARIMA模型用于：A. 分析时间序列数据B. 分析横截面数据C. 分析面板数据D. 分析分类数据17. 下列哪个指标用于衡量经济活动的总体水平？A. GDPB. CPIC. PPID. 失业率18. 在宏观经济学中，IS-LM模型用于分析：A. 商品市场和货币市场的均衡B. 劳动力市场的均衡C. 国际贸易的均衡D. 金融市场的均衡19. 下列哪个不是货币政策工具？A. 利率调整B. 公开市场操作C. 税收政策D. 存款准备金率调整20. 在经济预测中，领先指标通常用于：A. 预测经济衰退B. 预测经济增长C. 预测经济稳定D. 预测经济波动21. 下列哪个不是常见的经济预测模型？A. VAR模型B. GARCH模型C. SVM模型D. ARIMA模型22. 在经济预测中，季节性调整通常用于：A. 消除数据中的季节性波动B. 增加数据中的季节性波动C. 消除数据中的长期趋势D. 增加数据中的长期趋势23. 下列哪个不是经济预测的常用方法？A. 专家判断法B. 时间序列分析C. 因果分析D. 随机漫步法24. 在经济预测中，误差修正模型（ECM）用于：A. 修正长期均衡关系B. 修正短期波动C. 修正季节性波动D. 修正随机误差25. 下列哪个不是经济预测的挑战？A. 数据质量问题B. 模型选择问题C. 预测准确性问题D. 预测成本问题26. 在经济预测中，交叉验证通常用于：A. 评估模型的稳定性B. 评估模型的准确性C. 评估模型的复杂性D. 评估模型的泛化能力27. 下列哪个不是经济预测的数据来源？A. 政府统计数据B. 企业财务报表C. 社交媒体数据D. 个人消费数据28. 在经济预测中，模型选择通常基于：A. 数据特征B. 预测目标C. 预测时间范围D. 以上都是29. 下列哪个不是经济预测的评估指标？A. MAEB. RMSEC. MAPED. R平方30. 在经济预测中，滚动预测通常用于：A. 提高预测的实时性B. 提高预测的准确性C. 提高预测的稳定性D. 提高预测的泛化能力31. 下列哪个不是经济预测的应用领域？A. 金融市场B. 宏观经济C. 微观经济D. 个人生活32. 在经济预测中，情景分析通常用于：A. 评估不同经济情景下的预测结果B. 评估单一经济情景下的预测结果C. 评估经济模型的稳定性D. 评估经济模型的准确性33. 下列哪个不是经济预测的常用软件？A. EViewsB. StataC. MATLABD. AutoCAD34. 在经济预测中，贝叶斯方法通常用于：A. 更新先验信息B. 更新后验信息C. 更新模型参数D. 更新数据集35. 下列哪个不是经济预测的常用技术？A. 神经网络B. 决策树C. 遗传算法D. 逻辑回归36. 在经济预测中，集成学习通常用于：A. 提高模型的稳定性B. 提高模型的准确性C. 提高模型的泛化能力D. 提高模型的复杂性37. 下列哪个不是经济预测的常用数据处理方法？A. 数据清洗B. 数据转换C. 数据集成D. 数据加密38. 在经济预测中，特征选择通常用于：A. 减少模型复杂性B. 增加模型复杂性C. 减少数据维度D. 增加数据维度39. 下列哪个不是经济预测的常用数据类型？A. 时间序列数据B. 横截面数据C. 面板数据D. 图像数据40. 在经济预测中，数据预处理通常包括：A. 数据清洗B. 数据转换C. 数据集成D. 以上都是41. 下列哪个不是经济预测的常用模型评估方法？A. 交叉验证B. 留一法C. 随机抽样D. 自助法42. 在经济预测中，模型调优通常包括：A. 参数调整B. 特征选择C. 模型选择D. 以上都是43. 下列哪个不是经济预测的常用数据分析方法？A. 描述性统计B. 探索性数据分析C. 验证性数据分析D. 随机数据分析44. 在经济预测中，模型解释通常用于：A. 理解模型的工作原理B. 理解模型的预测结果C. 理解模型的参数设置D. 理解模型的数据输入45. 下列哪个不是经济预测的常用数据可视化方法？A. 折线图B. 柱状图C. 饼图D. 雷达图46. 在经济预测中，模型验证通常包括：A. 模型稳定性验证B. 模型准确性验证C. 模型泛化能力验证D. 以上都是47. 下列哪个不是经济预测的常用数据收集方法？A. 问卷调查B. 实地调研C. 网络爬虫D. 随机抽样48. 在经济预测中，数据集成通常用于：A. 合并多个数据源B. 分离多个数据源C. 清洗多个数据源D. 转换多个数据源49. 下列哪个不是经济预测的常用数据转换方法？A. 标准化B. 归一化C. 离散化D. 随机化50. 在经济预测中，数据清洗通常包括：A. 缺失值处理B. 异常值处理C. 重复值处理D. 以上都是51. 下列哪个不是经济预测的常用数据集成方法？A. 数据融合B. 数据合并C. 数据分离D. 数据连接52. 在经济预测中，数据转换通常包括：A. 数据标准化B. 数据归一化C. 数据离散化D. 以上都是53. 下列哪个不是经济预测的常用数据清洗方法？A. 缺失值填充B. 异常值删除C. 重复值保留D. 重复值删除54. 在经济预测中，数据集成通常包括：A. 数据融合B. 数据合并C. 数据分离D. 以上都是55. 下列哪个不是经济预测的常用数据转换方法？A. 数据标准化B. 数据归一化C. 数据离散化D. 数据随机化56. 在经济预测中，数据清洗通常包括：A. 缺失值处理B. 异常值处理C. 重复值处理D. 以上都是57. 下列哪个不是经济预测的常用数据集成方法？A. 数据融合B. 数据合并C. 数据分离D. 数据随机化58. 在经济预测中，数据转换通常包括：A. 数据标准化B. 数据归一化C. 数据离散化D. 以上都是59. 下列哪个不是经济预测的常用数据清洗方法？A. 缺失值填充B. 异常值删除C. 重复值保留D. 重复值删除60. 在经济预测中，数据集成通常包括：A. 数据融合B. 数据合并C. 数据分离D. 以上都是61. 下列哪个不是经济预测的常用数据转换方法？A. 数据标准化B. 数据归一化C. 数据离散化D. 数据随机化62. 在经济预测中，数据清洗通常包括：A. 缺失值处理B. 异常值处理C. 重复值处理D. 以上都是63. 下列哪个不是经济预测的常用数据集成方法？A. 数据融合B. 数据合并C. 数据分离D. 数据随机化答案1. C2. C3. B4. A5. C6. C7. D8. A9. C10. B11. D12. D13. A14. B15. D16. A17. A18. A19. C20. D21. C22. A23. D24. A25. D26. D27. C28. D29. D30. B31. D32. A33. D34. A35. D36. C37. D38. A39. D40. D41. D42. D43. D44. A45. D46. D47. D48. A49. D50. D51. C52. D53. C54. D55. D56. D57. D58. D59. C60. D61. D62. D63. D。
幂律分布简答题
幂律分布简答题【原创实用版】目录1.幂律分布的定义和特点2.幂律分布的数学表达式3.幂律分布的应用举例4.幂律分布与其他分布的比较正文一、幂律分布的定义和特点幂律分布，又称为帕累托分布，是一种概率分布模型，其特点是概率密度函数随着自变量增大而减小，呈幂指数函数形式。
幂律分布的定义可以表述为：若随机变量 X 的概率密度函数为 f(x) = kx^(-α)，其中 k 为正常化常数，α为幂指数，那么随机变量 X 就服从幂律分布。
二、幂律分布的数学表达式幂律分布的数学表达式主要包括概率密度函数、累积分布函数和概率质量函数。
1.概率密度函数：f(x) = kx^(-α)，其中 k 为正常化常数，α为幂指数。
2.累积分布函数：F(x) = 1 - (x^(1-α) / Γ(1-α))，其中Γ为伽马函数。
3.概率质量函数：M(x) = x^(1-α) / Γ(1-α)，其中Γ为伽马函数。
三、幂律分布的应用举例幂律分布在实际应用中有很多例子，以下举两个典型的例子：1.收入分布：幂律分布经常被用来描述收入分布，尤其是高收入人群的收入分布。
这种分布的一个显著特点是少数人拥有大部分的收入，而大多数人的收入集中在平均值附近。
2.网页访问次数：幂律分布也可以用来描述网页的访问次数。
对于某个网站，大部分网页的访问次数集中在平均值附近，而只有少数热门网页的访问次数会非常高。
四、幂律分布与其他分布的比较幂律分布与其他常见的概率分布（如正态分布、泊松分布等）有显著的不同。
幂律分布的特点是随着自变量增大，概率密度函数值减小，而其他分布则不同。
例如，正态分布的概率密度函数值在整个区间内是均匀分布的，泊松分布则在均值附近密集分布。
正态分布和幂律分布
正态分布和幂律分布也称“常态分布”或“高斯分布”，是连续随机变量概率分布的一种，常常应用于质量管理控制：为了控制实验中的测量或实际误差，常以作为上、下警戒值，以作为上、下控制值，这样做的依据是：正常情况下测量或实验误差服从正态分布。
并不是所有随机事件都满足正态分布。
想要学会判断什么样的事件满足正态分布，必须有一点数学感，需要了解“中心极限定理”。
中心极限定理说，如果一个事件满足下面这些条件，它的分布就是正态分布—。
第一，它是由多个——至少20个——随机变量*相加*的结果；第二，这众多的随机变量是互相“独立”的；第三，每个随机变量的方差都只有有限大；第四，每个随机变量对结果都要有一定的贡献，否则如果只是其中几个起到决定性的作用，那也不能算“多”。
简单地说，关键要求有两个：“相加”和“独立”——凡是多个独立随机变量相加的事件，结果就会是正态分布。
生物学家认为人的身高是由至少180个基因共同决定的。
有的决定你的小腿有多长，有的决定你的脖子有多长——而你的身高，是所有这些因素相加之和。
作为一个很好的近似，决定身高的各个基因是比较互相独立的。
所以身高满足正态分布。
正态分布能给人充分的掌控感。
每个案例相差都不会很大，通常翻不了天。
正态分布示意图回到正态分布的两个条件，独立和相加。
（凡是多个独立随机变量相加的事件，结果就会是正态分布。
）如果局面不满足这两个条件，结果会是怎样的呢？那就得做好准备迎接极端事件了。
对数正态分布如果一个事件的结果不是由独立随机事件相加、而是由相乘决定的，它的分布将是“对数正态分布”。
这个分布的形状就不是对称的钟形了，而是像下面这样—。
对数正态分布示意图举例：公司年底涨工资。
因为A这一年业绩更突出，所以涨薪20%，B表现一般，所以B没有涨薪。
如果A原来薪资就比B高，那两者的差距会越来越大；如果原来A没有B高，那涨薪后两者的差距会缩小。
但是前者的增加比后者的缩小要大，所以整体来说大家的薪资差距是拉大了。
幂律分布和指数分布
幂律分布和指数分布幂律分布的定义是：在一个数据集中，其某一属性x的值与x的频率之间呈幂律关系，即P(x)∝x^(-α)，其中P(x)表示x的频率，α是幂律指数。
在自然界和社会科学中，很多现象呈现出幂律分布的特点。
例如，社交网络中的用户度数分布、互联网上网站的流量和访问次数分布、城市人口分布等等，这些现象的出现都可以用幂律分布进行描述。
值得注意的是，幂律分布是没有期望和方差的，因此它可以表示相对于整体的稳定分布。
此外，由于幂律分布的长尾特点，一些重要但极少发生的事件（如金融市场上的暴跌、大规模的自然灾害等）在幂律分布中占据着非常重要的地位。
因此在评估风险时，幂律分布的应用十分重要。
指数分布（exponential distribution）又称为负指数分布，是一种常见的连续概率分布，其概率密度函数为f(x)=λe^(-λx)，其中λ是指数分布的均值。
指数分布通常用于描述事件发生的时间间隔而成的数据集，如到达停车站的车辆时间间隔、邮件接收间隔等等。
指数分布也具有很多重要的性质。
其中最重要的性质是指数分布的无记忆性：对于指数分布X，P(X>s+t|X>s)=P(X>t)，即在已知X>s的条件下，X>s+t的概率与X>t的概率相等。
这一性质说明，指数分布的下一次事件发生的时间与上一次事件发生的时间无关，只与时间间隔的长度有关。
此外，指数分布在数学、统计学和计算机科学中都有广泛应用。
在概率论中，指数分布是连续分布的标准分布之一。
在统计学中，指数分布通常被用来拟合时间间隔数据集。
在计算机科学中，指数分布也被广泛应用于模拟事件的发生间隔。
总之，幂律分布和指数分布都是重要的概率分布，具有广泛的应用价值。
对于研究人员和学生来说，了解这些分布的性质和特征将有助于更好地理解自然现象和社会现象，并为处理实际问题提供更有力的工具。
逆幂律模型
逆幂律模型上篇关于正态分布的内容中提到了自然界中许多事物的概率分布都近似的符合正态分布，后来我们拿大多数人最关心的财富来举例，但它符合正态分布符合对数正态分布，这是以人数做统计，但如果按照各个资产量统计人数的话，就会出现今天要讲的幂律分布。
除了财富，与人类社会相关的分布大多都是符合幂律分布的。
例如，某书店如果按销量排列，就能发现主要销量都集中在少量热门书籍上，而其余大部分书籍的销量只占总销量剩下的其他部分；又比如，英文的学习中，只有20%的词汇会经常用到，而剩下80%的词汇可能用得比较少，学习的时候可以优先把常用词汇先搞定，其它词汇用日常的时间来不断消化。
看到这里相比大家会问，这不就是二八法则么？是的，我们常能听到的二八法则其实就是幂律分布思维模型使用方式的一种。
定义什么是幂律分布想要知道什么是幂律分布，首先要了解什么是幂律法则。
幂律法则指在任何一件事物中，极少数的关键事物带来绝大多数的收益，其他大多数普通事物只获得少量收益。
平时经常能见到的马太效应，长尾理论，帕累托法则(上面所说的二八法则)其实就是和幂次法则的意思差不多。
而符合幂律法则的事物体现在图表上则会呈现出幂律分布，例如，水变成冰的临界状态，各个城市的人口分布，投资回报现象等。
通过幂律分布图表的形态我们能够的看出，对一件事情起决定作用的，往往是少数几个因素，而其它大部分的因素都无关紧要。
正态分布 vs 幂律分布某事物符合正态分布还是幂律分布的一个重要评判条件在于：各个因素之间的关系是否有联系。
正态分布的各个因素之间是没有联系，也就是互不影响，例如身高，智商等；而符合幂律分布的事物各个因素之间是相互联系，相互影响的。
例如社会财富，网络传播效应等(一些详细的内容已经在正态分布那篇文章中提过，不明白的可以看一下，这里就不重复再解释了)。
非线性的世界不论是正态分布还是幂律分布，其根本原因是因为我们所处的世界是一个复杂系统，现实中的生活远比我们记忆中的生活更加错综复杂，但是我们的头脑更倾向于将历史以更平稳和更线性的状态呈现出来，所以如果我们没有意识到这种复杂性，按照本能的线性去思考现实，就非常容易出现偏差。
幂律分布表达式
幂律分布表达式幂律分布表达式在各个领域中都有广泛的应用，例如在社交网络中，人们的粉丝数、点赞数、评论数等都符合幂律分布。
在经济学中，财富分布、公司规模等也符合幂律分布。
本文将从社交网络和经济学两个方面，探讨幂律分布的表达式及其应用。
一、幂律分布表达式的定义幂律分布是概率论中一种常见的分布形式，其数学表达式为f(x) = Cx^(-α)，其中C为常数，α为幂律指数。
幂律分布表示的是变量X 取值为x的概率与x的幂次的倒数成正比。
幂律分布的特点是在大部分区间内，概率密度函数的值都很小，但在少数极端情况下，概率密度函数的值会急剧增大。
二、社交网络中的幂律分布社交网络中的粉丝数、点赞数、评论数等都符合幂律分布。
以微博为例，很多微博用户的粉丝数非常少，但也有一些微博用户的粉丝数非常多。
这符合幂律分布的特点，即大部分用户的粉丝数很小，但少数用户的粉丝数非常大。
幂律分布在社交网络中的应用十分广泛。
首先，在社交网络的推荐算法中，可以利用幂律分布的特点，对用户进行精准的推荐。
具体而言，可以将推荐的对象设定为那些粉丝数较多的用户，因为这些用户往往具有更高的影响力和更大的影响范围。
其次，在社交网络的营销策略中，也可以利用幂律分布的特点，针对那些粉丝数较多的用户进行宣传和推广，以扩大影响力和覆盖面。
三、经济学中的幂律分布在经济学中，财富分布、公司规模等也符合幂律分布。
以财富分布为例，世界上大部分财富都集中在少数人手中，而大多数人的财富较少。
这符合幂律分布的特点，即大部分人的财富很小，但少数人的财富非常大。
幂律分布在经济学中的应用同样非常广泛。
首先，在财富分配的政策制定中，可以利用幂律分布的特点，对富人进行适度的税收调节，以增加对贫困人口的帮助和支持。
其次，在公司规模的研究中，可以利用幂律分布的特点，对不同规模的公司进行分类和研究，以了解不同规模公司的特点和发展趋势。
幂律分布在社交网络和经济学中都有广泛的应用。
通过研究幂律分布的表达式和应用，可以更好地理解和解释各个领域中的现象和规律。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人生选择题：A(正态分布)还是B(幂律分布)
1
高中时代，数学成绩很稳定，一直在30分上下。
我们常听到的一句话：选择跑道比努力更重要。
选择的前提就是要好好读书，特别是要好好学数学。
我大学选修了两个学位，本专业是艺术设计，选修的另外的学位是工商管理。
工商管理其中有一门课程是《概率论与数理统计》。
教这门课的老师怕我们这些读艺术的渣渣放弃，特意在期末考试的时候让我们写一篇关于概率的文章。
以为逃过一劫的我，为了赶紧和女朋友去约会，当天就开始准备。
我还记得，那天下午阳光照射在我那满是灰尘的电脑键盘的样子，当无意中看到两条曲线：正态分布和幂律分布。
虽然早就知道，但不知道，为何我的心竟是拔凉拔凉的。
2
有朋友问我：我七叔在读高一的女儿想学艺术，是学美术好还是音乐好？
这个问题的本意是：是学美术容易考上大学还是学音乐容易考上？
但是我知道这个问题的本质，不是要问她的兴趣爱好是什么，也不是判断那个更容易考大学，而是这可能帮她选择不一样的人生。
回答这个问题之前，回到那天下午，理解我当时看到的两条曲线：正态分布(a)和幂律分布(b)。
相信很多人看到，会有这样的反应：这就不就是两条数学曲线吗？初中就学过了！你这个30分的数学渣渣！
是的，在那天下午前，我这个数学渣都不知道这和我的人生有什么关系。
3
这个和选择学音乐还是学美术有什么关系？
同样都看似学艺术类，但这背后面对的却是完全不一样的世界。
我们先来理清楚一些概念，这有帮助我们理解这个。
我们对产品和服务定义：边际交付时间越趋近于零的叫产品，边际交付时间越高的越是服务。
再来看看这两条曲线，有什么不一样：
正态分布又叫高斯分布，图a曲线像一个倒钟型，是一种很常见的随机分布现象，生活中的例子有很多，比如人的智力、身高、体重大体上是按照正态分布的。
再扩展一下，有些工作也是需要大量时间去交换金钱，而且只能搞一下换一次。
幂律分布又叫长尾分布，图b像一把刀，也是一种生活中很常见的分布现象，比如英文单词出现的频率分布、财富分布、淘宝网、微信等。
那再扩展一下，有些东西，一次投入，可以睡后收入。
4
回答朋友七叔的问题：
有些工作，比如，美术生毕业后可以找个设计师岗位，几年后，1万块钱设计1个标志，看似不错，问题是：无论你有天赋是1天设计出来，还是笨一些，2个星期设计出来，这个时间内只能服务这个客户，还不能分心。
边际交付成本很大。
而读音乐的，花个3天创作出一首歌，无论给1个人听还是1亿个人听，他的创作时间都是一样的，时间交付成本是无量趋近于零。
问题的答案是：
边际交付时间越高的行业，越是分散市场，符合正态分布：赚大钱的人少，亏大钱的也少，大部分人都在平均利润线上，比如设计、餐饮还有摄影。
反之，边际交付时间越趋近于零，越容易产生头部市场，符合幂侓分布：在网络效应等因素的影响下，前20%甚至1%才可能是赚钱的，比如音乐、微信。
直白的点：
设计、摄影这种服务业，只要不是太蠢，饿不死，但也没有什么机会暴富。
而搞音乐的可能会饿死，路边卖唱的有时一天连一个盒饭钱都没有，同样也是唱歌的，汪峰一年的收入比所有街边唱他歌的人加起来的收入还多。
而在财富领域，马云和我两个人的财富加起来要超过全世界99.99%的人（玩笑）。
当然，你也可以抬杠，那设计师一天一万块也不错啊！
那是个故事，好么！
现实是：即使是设计师、画家在“名气”这个领域，也是遵循幂侓分布的！没有名气，哪有天天一万块？
5
选择比努力更重要。
有些事情，你的选择天然就决定着你的未来。
再直白点就是：在一个越来越开放的社会，资源会越来越向头部集中，它竟和你的努力无关。
即使你天资聪明。
那么问题来了，你的选择是什么？
很多人其实不知道广告摄影是做什么的，以为都是关于时尚、美女，在小资而悠闲的摄影棚里，看着在闪光灯下的发着亮光的金发模特。
在最初时候，只是在“兴趣爱好”的驱动下，懵懵地进入摄影这一行，不知道自己选择的背后面临着什么。
这些年，看到太多的人的“理想”不到一年便破灭，而继续为了生活“坚持”下来的，早就不知道把所谓的“理想”丢在了哪个角落。
6
在继续看下去之前，我希望你认真思考一下：
“某某”是你内心选择吗？
为什么？。