Jede Verteilung kodiert Annahmen darüber, welche Werte möglich sind und wie wahrscheinlich sie auftreten. Dieser Leitfaden gruppiert Verteilungen nach der Art der modellierten Daten und zeigt, wie Sie die Anpassungsgüte überprüfen.
Entscheidungstabelle
| Datentyp | Beispieldomäne | Verteilung | Konstruktor |
|---|
| Symmetrische Messungen um einen Mittelwert | Sitzungsdauer von Nutzern | NormalDistribution | NormalDistribution(mu, sigma) |
| Schwerere Ränder als Normal, kleine Stichproben | Geschätzte Mittelwerte mit wenigen Beobachtungen | StudentTDistribution | StudentTDistribution(degreesOfFreedom) |
| Positive Wartezeiten oder Dauern | Zeit zwischen Server-Fehlern | ExponentialDistribution | ExponentialDistribution(rate) |
| Positive Dauern mit Verschleißmuster | Lebensdauer von Hardware-Komponenten | WeibullDistribution | WeibullDistribution(shape, scale) |
| Rechtsschief verteilte positive Werte | API-Antwortzeiten | LogNormalDistribution | LogNormalDistribution(mu, sigma) |
| Anteile oder Raten in [0, 1] | Klickrate | BetaDistribution | BetaDistribution(alpha, beta) |
| Ereigniszählungen pro Intervall | Fehler pro Stunde | PoissonDistribution | PoissonDistribution(rate) |
| Erfolge bei fester Anzahl von Versuchen | Konversionen aus Seitenaufrufen | BinomialDistribution | BinomialDistribution(trials, probability) |
| Überdispergierte Zählungen | Support-Tickets pro Tag | NegativeBinomialDistribution | NegativeBinomialDistribution(successes, probability) |
| Starker rechter Rand bei positiven Daten | Einkommensverteilung, Dateigrößen | ParetoDistribution | ParetoDistribution(shape, scale) |
Dauern und Wartezeiten
// API response times — often right-skewed with a long tail
val responseTime = LogNormalDistribution(mu = 4.5, sigma = 0.8)
responseTime.mean // expected average in ms
responseTime.quantile(0.95) // P95 latency
responseTime.quantile(0.99) // P99 latency
responseTime.cdf(200.0) // probability of responding under 200ms
// Time between server errors — memoryless waiting process
val timeBetweenErrors = ExponentialDistribution(rate = 0.5)
timeBetweenErrors.mean // average time between errors
timeBetweenErrors.sf(10.0) // probability of waiting longer than 10 units
timeBetweenErrors.quantile(0.5) // median waiting time
// Hardware component lifetime — models wear-out (shape > 1) or burn-in (shape < 1)
val componentLifetime = WeibullDistribution(shape = 2.0, scale = 5000.0)
componentLifetime.quantile(0.1) // 10% of components fail before this time
componentLifetime.cdf(3000.0) // probability of failure before 3000 hours
componentLifetime.sf(4000.0) // probability of surviving past 4000 hours
Zählungen und Ereignisse
// Errors per hour on a production server
val errorsPerHour = PoissonDistribution(rate = 3.2)
errorsPerHour.pmf(0) // probability of zero errors
errorsPerHour.cdf(5) // probability of at most 5 errors
errorsPerHour.quantileInt(0.99) // error count exceeded only 1% of the time
// Conversions out of 1000 page views with 3.5% conversion rate
val conversions = BinomialDistribution(trials = 1000, probability = 0.035)
conversions.mean // expected number of conversions
conversions.pmf(40) // probability of exactly 40 conversions
conversions.sf(50) // probability of more than 50 conversions
// Support tickets until 5th resolution (variance > mean)
val tickets = NegativeBinomialDistribution(successes = 5, probability = 0.1)
tickets.mean // expected ticket count
tickets.variance // larger than mean — overdispersion
Anteile und Raten
// Click-through rate estimated from 120 clicks in 4000 impressions
val ctr = BetaDistribution(alpha = 120.0, beta = 3880.0)
ctr.mean // point estimate of CTR
ctr.quantile(0.025) // lower bound of 95% credible interval
ctr.quantile(0.975) // upper bound
ctr.cdf(0.035) // probability that true CTR is below 3.5%
Allgemeine symmetrische Verteilungen
// User session duration in minutes (roughly symmetric)
val sessionDuration = NormalDistribution(mu = 12.5, sigma = 3.2)
sessionDuration.cdf(15.0) // probability of session under 15 min
sessionDuration.quantile(0.95) // 95th percentile
// Small-sample estimate — heavier tails give more conservative intervals
val smallSampleEstimate = StudentTDistribution(degreesOfFreedom = 8.0)
smallSampleEstimate.quantile(0.975) // critical value for 95% CI
Anpassungsgüte überprüfen
Vergleichen Sie nach der Wahl einer Verteilung diese mit den beobachteten Daten mithilfe des Kolmogorov-Smirnov-Tests.
val processingTimesMs = doubleArrayOf(
45.2, 51.8, 48.1, 52.3, 47.6, 49.9, 53.1, 46.5, 50.7, 48.8,
51.2, 47.3, 49.1, 52.8, 46.9, 50.3, 48.5, 51.6, 47.8, 49.4
)
// Fit a Normal from sample statistics
val fitted = NormalDistribution(
mu = processingTimesMs.mean(),
sigma = processingTimesMs.standardDeviation()
)
val ks = kolmogorovSmirnovTest(processingTimesMs, fitted)
ks.statistic // KS statistic — smaller means better fit
ks.pValue // high p-value means data does not contradict the distribution
Ein nicht-signifikanter KS-Test beweist nicht, dass die Verteilung korrekt ist — er bedeutet lediglich, dass die Daten dieser Wahl nicht stark widersprechen.
