簡述：
寫這篇文章是看到網上的一篇面試題，有面試官問hashmap有一個loadFactory為什么是0.75 我先解釋一下 0.75上下文，當一個hashmap初始數組大小暫時不考慮擴容情況，初始情況下它的值是16，隨着hashmap的不斷put操作，統計發現桶數組內累加的entry數 除以當下數組長度比如16 大於0.75 那么hashmap就會成倍的擴容數組，進行rehash;所以這個數字還是蠻關鍵的 。那么這個0.75是怎么定義出來的，為什么不是0.5 ，0.6 或0.7呢 這篇文章 或許你看了 有一定的明白！
大學時，我一直覺得統計學很難，還差點掛科。
工作以后才發現，難的不是統計學，而是我們的教材寫得不好。比起高等數學，統計概念其實容易理解多了。
我舉一個例子，什么是泊松分布和指數分布？恐怕大多數人都說不清楚。
我可以在10分鍾內，讓你毫不費力地理解這兩個概念。
一、泊松分布
日常生活中，大量事件是有固定頻率的。
- 某醫院平均每小時出生3個嬰兒
- 某公司平均每10分鍾接到1個電話
- 某超市平均每天銷售4包xx牌奶粉
- 某網站平均每分鍾有2次訪問
它們的特點就是，我們可以預估這些事件的總數，但是沒法知道具體的發生時間。已知平均每小時出生3個嬰兒，請問下一個小時，會出生幾個？
有可能一下子出生6個，也有可能一個都不出生。這是我們沒法知道的。
泊松分布就是描述某段時間內，事件具體的發生概率。
上面就是泊松分布的公式。等號的左邊，P 表示概率，N表示某種函數關系，t 表示時間，n 表示數量，1小時內出生3個嬰兒的概率，就表示為 P(N(1) = 3) 。等號的右邊，λ 表示事件的頻率。
接下來兩個小時，一個嬰兒都不出生的概率是0.25%，基本不可能發生。
接下來一個小時，至少出生兩個嬰兒的概率是80%。
泊松分布的圖形大概是下面的樣子。
可以看到，在頻率附近，事件的發生概率最高，然后向兩邊對稱下降，即變得越大和越小都不太可能。每小時出生3個嬰兒，這是最可能的結果，出生得越多或越少，就越不可能。
二、指數分布
指數分布是事件的時間間隔的概率。下面這些都屬於指數分布。
- 嬰兒出生的時間間隔
- 來電的時間間隔
- 奶粉銷售的時間間隔
- 網站訪問的時間間隔
指數分布的公式可以從泊松分布推斷出來。如果下一個嬰兒要間隔時間 t ，就等同於 t 之內沒有任何嬰兒出生。
反過來，事件在時間 t 之內發生的概率，就是1減去上面的值。
接下來15分鍾，會有嬰兒出生的概率是52.76%。
接下來的15分鍾到30分鍾，會有嬰兒出生的概率是24.92%。
指數分布的圖形大概是下面的樣子。
可以看到，隨着間隔時間變長，事件的發生概率急劇下降，呈指數式衰減。想一想，如果每小時平均出生3個嬰兒，上面已經算過了，下一個嬰兒間隔2小時才出生的概率是0.25%，那么間隔3小時、間隔4小時的概率，是不是更接近於0？
摘自
http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html#comment-356111