统计，是一种威力的剖析手段，依托于数据的分散状况——即分布，去深刻洞悉数据的几率性与行为模式。这其中蕴含的种种概念、类目与关系，仿佛是数据世界的语言，将复杂的现实问题抽象化、数字化，为我们的决策提供坚实的依据。
我们以上图对各类统计分布进行简要地揭示与导览。请看下图——
- 均匀分布（Uniform）与伯努利分布（Bernoulli），作为分布的基石，位于图谱的起始位置。
- 伯努利分布（Bernoulli）延伸出二项分布（Binomial）与几何分布（Geometric），它们分别代表多次伯努利试验的成果及首次成功前的失败次数。
- 二项分布（Binomial）与几何分布（Geometric）进一步派生泊松分布（Poisson）与指数分布（Exponential）。前者常用于描述单位时间内的随机事件发生次数，后者则描述了特定事件首次发生所需的等待时间。
- 连续性登场：正态分布（高斯分布）（Normal/Gaussian），作为众多自然现象的基石，它的身影在中心位置显赫。而对数正态分布（Log Normal）与学生t分布（Student's t）皆从其衍生而出。
- 卡方分布（Chi-Squared）则派生出伽马分布（Gamma）与贝塔分布（Beta）。这些分布在各自的领域内，有着各自的用途与重要性。
<
此图通过箭头清晰地展现了这些分布之间的衍生关系，帮助我们更直观地理解不同统计分布的演变脉络与应用场景。
均匀分布，一种概率分布，当我们在指定范围内随机选择一个值时，每个值的可能性是相等的。其应用如机器学习的参数初始化、数据增强等。
伯努利分布，描述了二元结果的概率分布，成功与失败的概率此消彼长。其模型常常被用于建模二元结果的问题，例如预测客户是否购买产品、邮件是否为垃圾邮件等。
泊松分布适合于描述单位时间内随机事件发生的次数的概率。比如服务设施在一定时间内接收的服务请求次数、电话交换机接到的呼叫次数等。在机器学习中，它可以被用于建模诸如用户访问网站的频率等场景。
指数分布是一种连续概率分布，用于描述平均发生率恒定、连续、独立的事件发生的间隔。比如旅客进入机场的时间间隔、电话打进客服中心的时间间隔等。在机器学习中，它可以被用于描述设备故障时间、产品寿命等问题。
其余如韦伯分布、帕累托分布等也各有其独特的应用场景与价值。它们在不同的领域内发挥着作用，帮助我们更好地理解与分析数据。
统计作为一种强大的工具，通过分布帮助我们理解数据的分散方式及其概率行为。从均匀到正态，从伯努利到泊松，各种分布类型为我们提供了理解和建模数据的钥匙。本文的图示与解释将帮助读者更好地掌握这些统计分布的概念与应用。