hashmap有一个loadFactory为什么是0.75从泊松分布解析看看

简述：

写这篇文章是看到网上的一篇面试题，有面试官问hashmap有一个loadFactory为什么是0.75 我先解释一下 0.75上下文，当一个hashmap初始数组大小暂时不考虑扩容情况，初始情况下它的值是16，随着hashmap的不断put操作，统计发现桶数组内累加的entry数除以当下数组长度比如16 大于0.75 那么hashmap就会成倍的扩容数组，进行rehash;所以这个数字还是蛮关键的。那么这个0.75是怎么定义出来的，为什么不是0.5 ，0.6 或0.7呢这篇文章或许你看了有一定的明白！

大学时，我一直觉得统计学很难，还差点挂科。

工作以后才发现，难的不是统计学，而是我们的教材写得不好。比起高等数学，统计概念其实容易理解多了。

我举一个例子，什么是泊松分布和指数分布？恐怕大多数人都说不清楚。

我可以在10分钟内，让你毫不费力地理解这两个概念。

一、泊松分布

日常生活中，大量事件是有固定频率的。

某医院平均每小时出生3个婴儿

某公司平均每10分钟接到1个电话

某超市平均每天销售4包xx牌奶粉

某网站平均每分钟有2次访问

它们的特点就是，我们可以预估这些事件的总数，但是没法知道具体的发生时间。已知平均每小时出生3个婴儿，请问下一个小时，会出生几个？

有可能一下子出生6个，也有可能一个都不出生。这是我们没法知道的。

泊松分布就是描述某段时间内，事件具体的发生概率。

上面就是泊松分布的公式。等号的左边，P 表示概率，N表示某种函数关系，t 表示时间，n 表示数量，1小时内出生3个婴儿的概率，就表示为 P(N(1) = 3) 。等号的右边，λ 表示事件的频率。

接下来两个小时，一个婴儿都不出生的概率是0.25%，基本不可能发生。

接下来一个小时，至少出生两个婴儿的概率是80%。

泊松分布的图形大概是下面的样子。

可以看到，在频率附近，事件的发生概率最高，然后向两边对称下降，即变得越大和越小都不太可能。每小时出生3个婴儿，这是最可能的结果，出生得越多或越少，就越不可能。

二、指数分布

指数分布是事件的时间间隔的概率。下面这些都属于指数分布。

婴儿出生的时间间隔

来电的时间间隔

奶粉销售的时间间隔

网站访问的时间间隔

指数分布的公式可以从泊松分布推断出来。如果下一个婴儿要间隔时间 t ，就等同于 t 之内没有任何婴儿出生。

反过来，事件在时间 t 之内发生的概率，就是1减去上面的值。

接下来15分钟，会有婴儿出生的概率是52.76%。

接下来的15分钟到30分钟，会有婴儿出生的概率是24.92%。

指数分布的图形大概是下面的样子。

可以看到，随着间隔时间变长，事件的发生概率急剧下降，呈指数式衰减。想一想，如果每小时平均出生3个婴儿，上面已经算过了，下一个婴儿间隔2小时才出生的概率是0.25%，那么间隔3小时、间隔4小时的概率，是不是更接近于0？

摘自

http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html#comment-356111