3二项分布、泊松分布与泊松逼近

二项分布、泊松分布与泊松逼近

雅各布·伯努利与二项分布公式

雅各布·伯努利（Jacob Bernoulli，1654—1705）来自数学史上的传奇家族—瑞士巴塞尔的伯努利家族，该家族的三代成员中产生了8位数学家，在17世纪和18世纪微积分理论及应用的发展中占有领先地位，雅各布·伯努利是其家族第一代数学家中的第一位，他与弟弟约翰·伯努利（Johann Bernoulli，1667—1748）、侄子丹尼尔·伯努利（Daniel Bernoulli，1700—1782）在数学史上享有声誉。

家族简介

在科学史上，父子科学家、兄弟科学家并不鲜见，然而，在一个家族跨世纪的几代人中，众多父子兄弟都是科学家的较为罕见，其中，瑞士的伯努利（也译作贝努力、伯努利）家族最为突出。

伯努利家族3代人中产生了8位科学家，出类拔萃的至少有3位；而在他们一代又一

代的众多子孙中，至少有一半相继成为杰出人物。伯努利家族的后裔有不少于120位被人们系统地追溯过，他们在数学、科学、技术、工程乃至法律、管理、文学、艺术等方面享有名望，有的甚至声名显赫。最不可思议的是这个家族中有两代人，他们中的大多数数学家，并非有意选择数学为职业，然而却忘情地沉溺于数学之中，有人调侃他们就像酒鬼碰到了烈酒。

老尼古拉·伯努利（Nicolaus Bernoulli，公元1623～1708年）生于巴塞尔，受过良好教育，曾在当地政府和司法部门任高级职务。他有3个有成就的儿子。其中长子雅各布（Jocob，公元1654～1705年）和第三个儿子约翰（Johann，公元1667～1748年）成为著名的数学家，第二个儿子小尼古拉（Nicolaus I，公元1662～1716年）在成为彼得堡科学院数学界的一员之前，是伯尔尼的第一个法律学教授。

雅各布·伯努利

1654年12月27日，雅各布·伯努利生于巴塞尔，毕业于巴塞尔大学，1671年17岁时获艺术硕士学位。这里的艺术指“自由艺术”，包括算术、几何学、天文学、数理音乐和文法、修辞、雄辩术共7大门类。遵照父亲的愿望，他于1676年22岁时又取得了神学硕士学位。然而，他也违背父亲的意愿，自学了数学和天文学。1676年，他到日内瓦做家庭教师。从1677年起，他开始在那里写内容丰富的《沉思录》。

1678年和1681年，雅各布·伯努利两次外出旅行学习，到过法国、荷兰、英国和德国，接触和交往了许德、玻意耳、胡克、惠更斯等科学家，写有关于彗星理论（1682年）、重力理论（1683年）方面的科技文章。1687年，雅各布在《教师学报》上发表数学论文《用两相互垂直的直线将三角形的面积四等分的方法》，同年成为巴塞尔大学的数学教授，直至1705年8月16日逝世。

1699年，雅各布当选为巴黎科学院外籍院士；1701年被柏林科学协会（后为柏林科学院）接纳为会员。

许多数学成果与雅各布的名字相联系。例如悬链线问题（1690年），曲率半径公式（1694年），“伯努利双纽线”（1694年），“伯努利微分方程”（1695年），“等周问题”（1700年）等。

雅各布对数学最重大的贡献是在概率论研究方面。他从1685年起发表关于赌博游戏中输赢次数问题的论文，后来写成巨著《猜度术》，这本书在他死后8年，即1713年才得以出版。

最为人们津津乐道的轶事之一，是雅各布醉心于研究对数螺线，这项研究从1691年就开始了。他发现，对数螺线经过各种变换后仍然是对数螺线，如它的渐屈线和渐伸线是对数螺线，自极点至切线的垂足的轨迹，以极点为发光点经对数螺线反射后得到的反射线，以及与所有这些反射线相切的曲线（回光线）都是对数螺线。他惊叹这种曲线的神奇，竟在遗嘱里要求后人将对数螺线刻在自己的墓碑上，并附以颂词“纵然变化，依然故我”，用以象征死后永生不朽。

约翰·伯努利

雅各布·伯努利的弟弟约翰·伯努利比哥哥小13岁，1667年8月6日生于巴塞尔，1748年1月1日卒于巴塞尔，享年81岁，而哥哥只活了51岁。

约翰于1685年18岁时获巴塞尔大学艺术硕士学位，这点同他的哥哥雅各布一样。他们的父亲老尼古拉要大儿子雅各布学法律，要小儿子约翰从事家庭管理事务。但约翰在雅各布的带领下进行反抗，去学习医学和古典文学。约翰于1690年获医学硕士学位，1694年又获得博士学位。但他发现他骨子里的兴趣是数学。他一直向雅各布学习数学，并颇有造诣。1695年，28岁的约翰取得了他的第一个学术职位——荷兰格罗宁根大学数学教授。10年后的1705年，约翰接替去世的雅各布任巴塞尔大学数学教授。同他的哥哥一样，他也当选为巴黎科学院外籍院士和柏林科学协会会员。1712、1724和1725年，他还分别当选为英国皇家学会、意大利波伦亚科学院和彼得堡科学院的外籍院士。

约翰的数学成果比雅各布还要多。例如解决悬链线问题（1691年），提出洛必达法则（1694年）、最速降线（1696年）和测地线问题（1697年），给出求积分的变量替换法（1699年），研究弦振动问题（1727年），出版《积分学教程》（1742年）等。

约翰与他同时代的110位学者有通信联系，进行学术讨论的信件约有2500封，其中许多已成为珍贵的科学史文献，例如同他的哥哥雅各布以及莱布尼茨、惠更斯等人关于悬链线、最速降线（即旋轮线）和等周问题的通信讨论，虽然相互争论不断，特别是约翰和雅各布互相指责过于尖刻，使兄弟之间时常造成不快，但争论无疑会促进科学的发展，最速降线问题就导致了变分法的诞生。

约翰的另一大功绩是培养了一大批出色的数学家，其中包括18世纪最著名的数学家欧拉、瑞士数学家克莱姆、法国数学家洛必达，以及他自己的儿子丹尼尔和侄子尼古拉二世等。

雅各布·伯努利的父亲为他规划的人生道路是做神职人员，但他的爱好却是数学，他靠自学掌握了莱布尼茨的微积分学，并且从1687年直到去世一直担任巴塞尔大学数学教授。雅各布·伯努利是与牛顿、莱布尼茨

和惠更斯同时代的人物，雅各布·伯努利与他们都保持密切的通信联系并曾仔细研读了惠更斯的《机遇规律》，由此对概率论产生兴趣。

从雅各布·伯努利与莱布尼茨的通信可知，他是在其生命的最后两年里写作其划时代的著作《推测术》的。这部概率论发展史上里程碑式的著作在雅各布·伯努利去世时尚未整理定稿，而且由于伯努利家族内部的问题，该书在1713年才得以出版。这部著作共239页，分为4部分。其中，第一部分是对《机遇的规律》的注解；第二部分是关于排列组合的系统论述；第三部分则是利用前面的知识讨论一些赌博问题 这三部分是以往概率论知识的系

统化和深化；第四部分是关于概率论在社会、道德和经济领域中的应用，其中包括了该书的精华、奠定了该书在概率史上不朽地位的“伯努利大数定律”。

《推测术》之前的那些概率论著作多是讨论具体的赌博取胜概率的计算，相比之下，《推测术》与现代教科书的编写模式类似，更着重指导这种计算的一般规律及其数学证明，并以数字实例来解释其应用。例如，在论及有重复操作的博弈??例如在一局赌博中涉及将一颗骰子掷五次时，他指出在每次重复中所涉及的事件概率不变，且各次重复相互独立。前人的著作中也是默认这一点的，但雅各布·伯努利第一个将其明确指出，因此，如今符合这种条件的实验模型称为伯努利概型。雅各布·伯努利还明确表述了独立事件的概率乘法定理，并在此基础上严格证明了二项概率分布公式(n k

)p k q n?k 的精确值相当困难。因此。18世纪前期的许多数学家们，一直在寻找近似计算二项概率分布的方法。这些努力产生了丰硕的成果，其中特别重要的事棣莫弗和泊松的工作。

棣莫弗与二项概率的正态逼近

棣莫弗（Abraham De Moivre ，1667—1754）出生于法国一个新教徒家庭。他从11岁到14岁在新教徒中级学校接受古典文学教育；1681年学校关闭以后，转学并开始学习惠更斯的概率著作、物理学以及从欧式机和开始的标准教学课程。1865年南特法令废除后不久，棣莫弗因为宗教信仰被捕入狱。1688年4月重获自由后，他随即永久离开法国前往英国。在英国，棣莫弗掌握了牛顿的流数术并开始了自己的创造性工作，他谋生的手段除了做家庭教师，就是为赌徒或投机商解决机会游戏或年金保险中出现的问题，由此在数学领域内取得了多方面的成就，并于1697年当选为英国皇家学会会员。

1718年，棣莫弗出版了《机遇论》（Doctrine of Chance,或译为《机遇原理》 ）。该书在1738年和1756年两次再版，书中给出了二项分布公式、斯特林公式、正态分布、棣莫弗-拉普拉斯中心极限定理、弱大数定律（伯努利大数定律）、概率积分、正态频率曲线等重要内容，还首次定义了独立事件的乘法定理等。该书与伯努利的《推测术》以及拉普拉斯的《分析概率论》并称为概率论发展早期3部里程碑式的著作，奠定了棣莫弗在概率论历史上的地位。棣莫弗在二项概率分布的近似计算方面取得了重要突破：他提出了正态概率密度函数，给出了二项分布的正态逼近。

有趣的是，吸引棣莫弗投身到二项概率分布研究的契机并不是伯努利的工作，而是下述偶然事件：1721年，有一个名叫亚历山大·喀明的人向棣莫弗提出了这样一个问题：甲乙两人在丙家进行赌博，每局甲胜出的概率为p ，乙胜出的概率为q =1- p 。赌N 局，以X 表示甲获胜的局数，并约定：若X ≥N p ，则甲付给丙X —Np 元，若X Nq ，则乙付给丙（N —X ）—Nq =Np —X 元。问丙平均获利多少元？

答案是丙平均获利为

D N =∑|i ?Np |N i=1b(N,p,i)

这里，b(N,p,i)=(N i

)p i q N?i 就是一个二项概率。棣莫弗在Np 为整数的条件下得到 D N =2 Npq b(N,p,Np)

但他只对p =1/2的特例给出了证明，不过他的证法容易推广到p 为一般值的情况下。棣莫弗说他是在1721年得到上述公式的，但证明的首次公开发表是在1730年的。尽管回答了喀明提出的问题，但由于N 比较大时，b(N,p,i)的值不易计算，因此棣莫弗希望找到一个

便于计算的近似公式。

1809年，德国数学家高斯（Johann Carl Friedrich Gauss ，1777—1855）在其数学和天体力学名著《绕日天体运动的理论》中指出测量误差服从正态分布，之后人们发现正态分布在自然界和社会实践中极为常见。例如，炮弹落点、农作物产量、工厂产品的许多数量指标（直径、长度、宽度、高度等）、人的许多生理尺寸（身高、体重等）以及各种各样的心理学测试分数和物理现象比如光子计数等都近似服从正态分布。因此，高斯的这项工作对后世影响极大，它也使正态分布同时有了“高斯分布”的名称。一般来说，如果影响某个数量指标的随机因素很多，而每个因素所起的做用都不大，那么这个数量指标就服从或近似服从正态分布。这一点我们将在第五章加以证明。正态分布具有许多良好的性质，很多分布可以用正态分布来近似，还有一些分布可以通过正态分布导出。因此，正态分布是概率论中最重要的一种分布，在应用及理论研究中占有头等重要的地位。

泊松逼近与泊松分布

法国数学家泊松（Sim éon-Denis Poisson ，1781—1840）

的名字对于学习概率论的人来说可谓是耳熟能详，主要原因就是我们在2.2节中介绍的泊松定理（二项分布的泊松逼近）和泊松分布。

泊松的父亲是退役军人，退役后在村里作小职员，法国大革命爆发时任村长。泊松最初奉父命学医，但他对医学并无兴趣，不久便转向数学。他于1798年进入巴黎综合工科学校，成为拉格朗日（Joseph-Louis Lagrange ，1735—1813）和拉普拉斯的得意门生。毕业时，他由于学业优异且得到拉普拉斯的大力推荐而留校任教。1812年当选为法国科学院院士，1826年被选为彼得堡科学院名誉院士，1837年被封为男爵。

泊松的科学生涯开始于研究微分方程及其在摆的运动和声学理论中的应用。他工作的特色是应用数学方法研究各类力学和物理问题，并由此得到数学上的发现。他对积分理论、行星运动理论、热物理、弹性理论、电磁理论、位势理论和概率论都有重要贡献。作为19世纪概率统计领域里的卓越人物，泊松改进了概率论的运用方法，特别是用于统计方面的方法，泊松是从法庭审判问题出发研究概率论的。1837年，他出版了专著《关于刑事案件和民事案件审判概率的研究》（Recherches sur la probabilit é d és jugements enmati ère criminelle

et

mataère civile，précedés des règles du calcul des probabilités）。正是在这部著作中，泊松给出了著名的泊松逼近公式

lim N→+∞b(N,p,k)=e?λλk

k！，λ=lim

N→+∞

Np

该公式适用于p很小，N很大，而Np不太大的情况，这正好填补了棣莫弗公式的不足，因为棣莫弗公式只适用于p不太接近于0或1的情况。不过，从历史上看，棣莫弗在1712年已经实质上作出了这个结果，只是形式更复杂一些，而且也没有将它作为公式单独提出，因此没能取得这一公式的优先权。

泊松分布是伴随着泊松逼近公式、作为大量试验（N很大）中稀有事件（p很小）出现的概率的数学模型进入概率论的，然而近数十年来，泊松分布日益显示其重要性，成为概率论中最重要的分布之一，其原因主要是以下两点：

首先，人们发现许多随机现象都服从或近似服从泊松分布，这种情况特别集中在两个领域中，一是社会生活，对服务的各种要求，如某电话交换台收到的呼叫数、来到某公共汽车站的乘客数等都近似服从泊松分布，因此泊松分布在运筹学和管理科学中占有很突出的地位；另一领域是物理学，放射性物质发射出的粒子数、热电子的发射数等都服从泊松分布。另外，机器出现的故障、各类事故、自然灾害等也都服从泊松分布。

其次，对泊松分布的深入研究（特别是随机过程的研究）已经发现泊松分布具有许多特殊的性质和作用，人们甚至感觉到泊松分布有些像是构造随机现象的“基本粒子”之一。

需要指出的是，对二项概率近似计算的探讨不仅导出了正态分布和泊松分布这两种极其重要的分布，而且还推进了大数定律和中心极限定理的研究。其次，对二项分布中未知概率的推断问题的探讨，还在18世纪中叶导致了贝叶斯推断思想的建立，如今这种思想已经发展成为数理统计学中的重要学派 贝叶斯学派。另外泊松过程是随机过程论的重要组成部分。因此，从这种意义上说，二项分布是概率论、数理统计和随机过程知识的重要增长点。

泊松分布的概念及表和查表方法

泊松分布的概念及表和查表方法 Poisson分布，是一种统计与概率学里常见到的离散概率分布，由法国数学家西莫恩·德 目录 1命名原因 2分布特点 3关系 4应用场景 5应用示例 6推导 7形式与性质

命名原因 泊松分布实例 泊松分布（Poisson distribution），台译卜瓦松分布（法语：loi de Poisson，英语：Poisson distribution，译名有泊松分布、普阿松分布、卜瓦松分布、布瓦松分布、布阿松分布、波以松分布、卜氏分配等），是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）。泊松分布是以18～19 世纪的法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）命名的，他在1838年时发表。这个分布在更早些时候由贝努里家族的一个人描述过。 分布特点 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为特征函数为 关系 泊松分布与二项分布 泊松分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦0.05时，就可以用泊松公式近似得计算。 事实上，泊松分布正是由二项分布推导而来的，具体推导过程参见本词条相关部分。应用场景

在实际事例中，当一个随机事件，例如某电话交换台收到的呼叫、来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布P(λ)。因此,泊松分布在管理科学、运筹学以及自然科学的某些问题中都占有重要的地位（在早期学界认为人类行为是服从泊松分布，2005年在nature上发表的文章揭示了人类行为具有高度非均匀性）。 应用示例 泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。 观察事物平均发生m次的条件下，实际发生x次的概率P（x）可用下式表示： 例如采用0.05J/㎡紫外线照射大肠杆菌时，每个基因组（～4×106核苷酸对）平均产生3个嘧啶二体。实际上每个基因组二体的分布是服从泊松分布的，将取如下形式： …… 是未产生二体的菌的存在概率，实际上其值的5%与采用0.05J/㎡照射时的大肠杆菌uvrA-株，recA-株（除去既不能修复又不能重组修复的二重突变）的生存率是一致的。由于该菌株每个基因组有一个二体就是致死量，因此就意味着全部死亡的概率。 推导 泊松分布是最重要的离散分布之一，它多出现在当X表示在一定的时间或空间内出现的事件个数这种场合。在一定时间内某交通路口所发生的事故个数，是一个典型的例子。泊松分布的产生机制可以通过如下例子来解释。

泊松分布的概念及表和查表方法

目录 1命名原因 2分布特点 3关系 4应用场景 5应用示例 6推导 7形式与性质 命名原因 泊松分布实例

泊松分布（Poisson distribution），台译卜瓦松分布（法语：loi de Poisson，英语：Poisson distribution，译名有泊松分布、普阿松分布、卜瓦松分布、布瓦松分布、布阿松分布、波以松分布、卜氏分配等），是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）。泊松分布是以18～19 世纪的法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）命名的，他在1838年时发表。这个分布在更早些时候由贝努里家族的一个人描述过。 分布特点 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为特征函数为 关系 泊松分布与二项分布 泊松分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦时，就可以用泊松公式近似得计算。 事实上，泊松分布正是由二项分布推导而来的，具体推导过程参见本词条相关部分。 应用场景 在实际事例中，当一个随机事件，例如某电话交换台收到的呼叫、来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布P(λ)。因此,泊松分布在管理科学、运筹学以及自然科学的某些问题中都占有重要的地位（在早期学界认为人类行为是服从泊松分布，2005年在nature上发表的文章揭示了人类行为具有高度非均匀性）。 应用示例

数学分布(泊松分布、二项分布、正态分布、均匀分布、指数分布) 生存分析 贝叶斯概率公式 全概率公式讲解

数学期望：随机变量最基本的数学特征之一。它反映随机变量平均取值的大小。又称期望或均值。它是简单算术平均的一种推广。例如某城市有10万个家庭，没有孩子的家庭有1000个，有一个孩子的家庭有9万个，有两个孩子的家庭有6000个，有3个孩子的家庭有3000个，则此城市中任一个家庭中孩子的数目是一个随机变量，记为X，它可取值0，1，2，3，其中取0的概率为0.01，取1的概率为0.9，取2的概率为0.06，取3的概率为0.03，它的数学期望为0×0.01＋1×0.9＋2×0.06＋3×0.03等于1.11，即此城市一个家庭平均有小孩1.11个，用数学式子表示为：E(X)=1.11。 也就是说，我们用数学的方法分析了这个概率性的问题，对于每一个家庭，最有可能它家的孩子为1.11个。 可以简单的理解为求一个概率性事件的平均状况。 各种数学分布的方差是： 1、一个完全符合分布的样本 2、这个样本的方差 概率密度的概念是：某种事物发生的概率占总概率(1)的比例,越大就说明密度越大。比如某地某次考试的成绩近似服从均值为80的正态分布，即平均分是80分，由正态分布的图形知x=80时的函数值最大，即随机变量在80附近取值最密集，也即考试成绩在80分左右的人最多。 下图为概率密度函数图(F(x)应为f(x)，表示概率密度)：

离散型分布：二项分布、泊松分布 连续型分布：指数分布、正态分布、X 2分布、t 分布、F 分布 抽样分布只与自由度，即样本含量（抽样样本含量）有关 二项分布（binomial distribution ）：例子抛硬币 1、 重复试验（n 个相同试验，每次试验两种结果，每种结果概率恒定————伯努利试验） 2、 抽样分布

06二项分布及泊松分布

●Bernoulli 试验（Bernoulli T est）： 将感兴趣的事件A出现的试验结果称为“成功”，事件A不出现的试验结果称为“失败”，这类试验就称为Bernoulli 试验 ●二项分布（binomial distribution）： 是指在只会产生两种可能结果如阳性或阴性之一的n次独立重复试验中，当每次试验的阳性概率π保持不变时，出现阳性次数X=0,1,2，…，n的一种概率分布。 ●Poisson分布（Poisson distribution）： 随机变量X服从Poisson分布式在足够多的n次独立试验中，X取值为1,2,…,的相应概率为 …的分布。 ★二项分布成立的条件： ①每次试验只能是互斥的两个结果之一；②每次试验的条件不变；③各次试验独立。 ★二项分布的图形： 当∏=0.5，二项分布图形是对称的，当∏不等于0.5，图形是偏态的，随着n增大，图形趋于对称。当n趋于无穷大时，只有∏不太靠近0或者1，二项分布近似正态分布。 ★二项分布的应用 总体率的区间估计，样本率与总体率比较，两样本率的比较 ★Poisson 分布的应用 总体均数的区间估计，样本均数与总体均数的比较，两个样本均数的比较：两个样本计数均较大时，可根据Poisson 分布的正态近似性对其进行u 检验。 ★Poisson 分布成立的条件： ①平稳性：X 的取值与观察单位的位置无关，只与观察单位的大小有关；②独立增量性：在某个观察单位上X 的取值与前面各观察单位上X 的取值无关；③普通性：在充分小的观察单位上X 的取值最多为1。 Poisson 分布，X～P（μ），X 的均数μX =μ，X的方差σ2 =μ，X的标准差σX ★Poisson分布的性质 1、总体均数λ与总体方差相等是泊松分布的重要特点。 2、当n增大，而∏很小，且n∏=λ总体均数时，二项分布近似泊松分布。 3、当总体均数增大时，泊松分布渐近正态分布，一般而言，总体均数》20时，泊松分布资料做为正态分布处理。 4、泊松分布具有可加性。 ★泊松分布的图形 当总体均数越小，分布就越偏态，当总体均数越大，泊松分布就越趋近正态分布。当总体均数小于等于1时，随X取值的变大，P(X)值反而变小；当总体均数大于1时，P(X)值先增大而后变小，若总体均数取整数时，则P(X)在X=总体均数，和X=总体均数—1取得最大值。 ★二项分布和泊松分布的特性 1．可加性 二项分布和Poisson 分布都具有可加性。 如果X1，X2，?Xk 相互独立，且它们分别服从以ni，p（i=1,2, ?,k）为参数的二项分 布，则X=X1＋X2＋?＋Xk 服从以n，p（n=n1+n2+?+nk）为参数的二项分布。如果X1，X2，?，Xk相互独立，且它们分别服从以μi（i=1,2, ?,k）为参数的Poisson 分布，则X=X1＋X2＋?＋Xk服从以μ（μ=μ1+μ2+?+μk）为参数的Poisson 分布。 2．近似分布

3二项分布、泊松分布与泊松逼近

二项分布、泊松分布与泊松逼近 雅各布·伯努利与二项分布公式 雅各布·伯努利（Jacob Bernoulli，1654—1705）来自数学史上的传奇家族—瑞士巴塞尔的伯努利家族，该家族的三代成员中产生了8位数学家，在17世纪和18世纪微积分理论及应用的发展中占有领先地位，雅各布·伯努利是其家族第一代数学家中的第一位，他与弟弟约翰·伯努利（Johann Bernoulli，1667—1748）、侄子丹尼尔·伯努利（Daniel Bernoulli，1700—1782）在数学史上享有声誉。 家族简介 在科学史上，父子科学家、兄弟科学家并不鲜见，然而，在一个家族跨世纪的几代人中，众多父子兄弟都是科学家的较为罕见，其中，瑞士的伯努利（也译作贝努力、伯努利）家族最为突出。 伯努利家族3代人中产生了8位科学家，出类拔萃的至少有3位；而在他们一代又一 代的众多子孙中，至少有一半相继成为杰出人物。伯努利家族的后裔有不少于120位被人们系统地追溯过，他们在数学、科学、技术、工程乃至法律、管理、文学、艺术等方面享有名望，有的甚至声名显赫。最不可思议的是这个家族中有两代人，他们中的大多数数学家，并非有意选择数学为职业，然而却忘情地沉溺于数学之中，有人调侃他们就像酒鬼碰到了烈酒。 老尼古拉·伯努利（Nicolaus Bernoulli，公元1623～1708年）生于巴塞尔，受过良好教育，曾在当地政府和司法部门任高级职务。他有3个有成就的儿子。其中长子雅各布（Jocob，公元1654～1705年）和第三个儿子约翰（Johann，公元1667～1748年）成为著名的数学家，第二个儿子小尼古拉（Nicolaus I，公元1662～1716年）在成为彼得堡科学院数学界的一员之前，是伯尔尼的第一个法律学教授。 雅各布·伯努利

浅析二项分布与泊松分布之间的关系

学年论文 题目：浅析二项分布与泊松分布之间的关系 学生： 学号： 院（系）：理学院 专业：信息与计算科学 指导教师：安晓钢 2013 年11月25日

浅析二项分布与泊松分布之间的关系 信息121班; 指导教师：安晓钢 （陕西科技大学理学院 陕西 西安 710021） 摘 要：泊松分布刻画了稀有事件在一段时间内发生次数这一随机变量的分布，如电话交换台单位时间内接到的呼唤次数等。二项分布是n 个独立的是/非试验中成功的次数的离散概率分布。它们有着密切的关系。泊松分布是二项分布的特例。某现象的发生率很小，而样本例数n 很大时，则二项分布接近于泊松分布，即：如果试验次数n 很大，二项分布的概率p 很小，且乘积np =λ比较适中，则事件出现的次数的概率可以用泊松分布来逼近。事实上，二项分布可以看作泊松分布在离散时间上的对应物，是二项分布的特例。通过分析二项分布和泊松分布之间的关系，使学生对概率分布理论的理解更为深刻，能够将学到的理论知识应用在实际生活中，从而提高自己的综合素质。 关 键 词：二项分布， 泊松分布， 近似 The Application of Asignment Poblem ABSTRACT: Poisson distribution is used to depict the distribution of rare events that a random variable frequency over a period of time, such as a telephone exchange in unit time received the call number. The two distribution is n independent / discrete probability distributions of number of successful non trials. They have a close relationship. Poisson distribution is two distribution case. The incidence of the phenomenon is very small, and the number of sample n is large, then the two distribution is close to the Poisson distribution, i.e.: if the test number n is large, the two probability distribution P is small, and the product of lambda = N P is moderate, the probability of the event can be used to force the Poisson distribution near. In fact, the two distribution can be seen as the counterpart of Poisson distribution in discrete time, are the two distribution case. Through the analysis of the relationship between two binomial distribution and Poisson distribution, enables the student to the theory of probability distribution for more profound understanding will be able to learn the application of theoretical knowledge in real life, so as to improve their comprehensive quality. KEY WORDS : Two distribution, Poisson distribution, Approximate

数据分析-分布类别

各种分布 泊松分布 Poisson分布，是一种统计与概率学里常见到的离散概率分布。 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积、单位体积)内随机事件的平均发生率。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为 特征函数为： 泊松分布与二项分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧10,p≦0.1时，就可以用泊松公式近似得计算。 事实上，泊松分布正是由二项分布推导而来的。 泊松分布可作为二项分布的极限而得到。一般的说，若 ,其中n很大， p很小，因而不太大时，X的分布接近于泊松分布。这个事实有时可将较难计算的二项分布转化为泊松分布去计算。 应用示例 泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，某放射性物质发射出的粒子，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。 卡方分布 卡方分布( 分布)是概率论与统计学中常用的一种概率分布。n 个独立的标准

正态分布变量的平方和服从自由度为n 的卡方分布。卡方分布常用于假设检验和置信区间的计算。 若n个相互独立的随机变量ξ?、ξ?、……、ξn ，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成 一新的随机变量，其分布规律称为卡方分布（chi-square distribution），即分布（chi-square distribution），其中参数n称为自由度。正如正态分布中均值或方差不同就是另一个正态分布一样，自由度不同就是另一个分布。记为或者。 卡方分布与正态分布 卡方分布是由正态分布构造而成的一个新的分布，当自由度n很大时，分布 近似为正态分布。对于任意正整数x，自由度为 k的卡方分布是一个随机变量X 的机率分布。 期望和方差 分布的均值为自由度n，记为E( ) = n。分布的方差为2倍的自由度(2n)，记为D( ) = 2n。 均匀分布 均匀分布（Uniform Distribution）是概率统计中的重要分布之一。 顾名思义，均匀，表示可能性相等的含义。 (1) 如果，则称X服从离散的均匀分布。 (2) 设连续型随机变量X的概率密度函数为，则称随机变

二项分布、泊松分布和正态分布的区别及联系

二项分布、泊松分布和正态分布的区别及联系 二项分布、泊松分布和正态分布的区别及联系?被浏览8,9732 个回答猴子微信公众号：猴子聊人物之前你已经了解概率的基础知识（如果还不知道概率能干啥，在生活中有哪些应用的例子，可以看我之前的《投资赚钱与概率》）。 今天我们来聊聊几种特殊的概率分布。这个知识目前来看，还没有人令我满意的答案，因为其他人多数是在举数学推导公式。我这个人是最讨厌数学公式的，但是这并不妨碍我用统计概率思维做很多事情。相比熟悉公式，我更想知道学的这个知识能用到什么地方。可惜，还没有人讲清楚。今天，就让我来当回雷锋吧。 首先，你想到的问题肯定是：1. 什么是概率分布？2. 概率分布能当饭吃吗？学了对我有啥用？好了，我们先看下：什么是概率分布？ 1. 什么是概率分布？要明白概率分布，你需要知道先两个东东：1）数据有哪些类型2）什么是分布数据类型（统计学里也叫随机变量）有两种。第1种是离散数据。离散数据根据名称很好理解，就是数据的取值是不连续的。例如掷硬币就是一个典型的离散数据，因为抛硬币的就2种数值（也就是2种结果，要么是正面，要么是反面）。你可以把离散数据想象成一块一块垫脚石，你可以从一个数值调到另一个数

值，同时每个数值之间都有明确的间隔。 第2种是连续数据。连续数据正好相反，它能取任意的数值。例如时间就是一个典型的连续数据1.25分钟、1.251分钟，1.2512分钟，它能无限分割。连续数据就像一条平滑的、连绵不断的道路，你可以沿着这条道路一直走下去。 什么是分布呢？数据在统计图中的形状，叫做它的分布。 其实我们生活中也会聊到各种分布。比如下面不同季节男人的目光分布.。 各位老铁，来一波美女，看看你的目光停在哪个分布的地方。美女也看了，现在该专注学习了吧。现在，我们已经知道了两件事情：1）数据类型（也叫随机变量）有2种：离散数据类型（例如抛硬币的结果），连续数据类型（例如时间）2）分布：数据在统计图中的形状现在我们来看看什么是概率。概率分布就是将上面两个东东（数据类型+分布）组合起来的一种表现手段：概率分布就是在统计图中表示概率，横轴是数据的值，纵轴是横轴上对应数据值的概率。很显然的，根据数据类型的不同，概率分布分为两种：离散概率分布，连续概率分布。那么，问题就来了。为什么你要关心数据类型呢？因为数据类型会影响求概率的方法。对于离散概率分布，我们关心的是取得一个特定数值的概率。例如抛硬币正面向上的概率为:p(x=正面)=1/2而对于连续概率分布来说，我们无法给出每一个数值的概率，因为我们不可能列举每一

泊松分布推导

泊松分布推导 如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在18XX年由贝尔发明，一台电话由几个部分构成……”（泊松分布在18XX年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们去每天食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t（比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数（比如一直是200人），而应该符合某种随机规律：比如在1个小时内来200个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k个学生到达的概率为： 其中为单位时间内学生的期望到达数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的 一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 二项分布很容易理解，比如一个牛仔一枪打中靶子的概率是p，如果我们让他开10枪，如果每击中一次目标就得1分，问他一共能得几分？虽然我们不能在牛仔射击前准确地预测出具体的得分k，但可以求出k的概率分布，比如k=9的概率是50%，k=8分的概率是30%……并且根据k的分布来判断他的枪法如何，这便是概率统计的思想。 具体计算的方法就是求出“得k分”的概率。比如“得9分”可以是“射失第1发，而命中其余的9发”，它的概率是p的9次方乘上1-p。 X O O OO O OOOO O X O OOOOOOO O O X O OOOOOO …… 根据组合数性质，在种情况下，牛仔都可以得到9分。因此牛仔“得9分”的概率。 同理，“得k分”的概率就是。而对于一个神枪手（p=1）来讲，他“得 10分”的概率就是1。 二项分布和泊松分布最大的不同是前者的研究对象是n个离散的事件（10次射击），而后者考察的是一段连续的时间（单位时间）。因此泊松分布就是在二项分布的基础上化零为整。 如果我们把单位时间划分成n个细小的时间片，假设在每个时间片内牛仔都在射击，只

正确理解泊松分布

正确理解泊松分布 很多人在上概率论这门课的时候就没搞明白过泊松分布到底是怎么回事，至少我就是如此。虽然那个时候大家都会背“当试验的次数趋于无穷大，而乘积np固定时，二项分布收敛于泊松分布”，大部分的教科书上也都会给出这个收敛过程的数学推导，但是看懂它和真正的理解还有很大距离。如果我们学习的意义是为了通过考试，那么我们大可停留在“只会做题”的阶段，因为试卷上不会出现“请发表一下你对泊松公式的看法”这样的题目，因为那样一来卷子就变得不容易批改，大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。 而如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在18XX年由贝尔发明，一台电话由几个部分构成……”（泊松分布在18XX年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们去每天食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t（比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数（比如一直是200人），而应该符合某种随机规律：比如在1个小时内来200 个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k个学生到达的概率为： 其中为单位时间内学生的期望到达数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。

浅析二项分布、泊松分布和正态分布之间的关系

浅析二项分布、泊松分布和正态分布之间的关系 1预备知识 1.1二项分布 在同一条件下重复做n次独立试验，每次试验只可能有两种对立的结果:A和A之一，并设在同一次试验中A发生的 概率是P (A) = p，00是常数， 则称X服从参数为兄的泊松分布，记为X一‘(刃。 泊松分布的重要性质是它的数学期望和方差都等于参数兄。 1 .3正态分布 设连续型随机变量x的概率密度为: I(x) _ 1- e 一J27rs (x一月产 2,5' -00 < x < +00，其中PIC为 常数，口>0，则称溯及从参数为从口的正态分布或高斯分 布，记为X一N(u,a2)。 正态分布的概率密度中的两个参数产和a，分别就是该分 布的数学期望和方差。特别地，当,t=O,a2 =1时的正态分 布.称为标准正态分布，记为X一N(0,1)，标准正态分布的 产 密度函数记为(Pkx) -了歹e2r‘，-0o < x <+00· 正态分布是自然界及工程技术中最常见的分布之一，大量的随机现象都是服从或近似服从正态分布的。文献【1]指出，

泊松分布的概念及表和查表方法

泊松分布的概念及表和查表方法 目录 1命名原因 2分布特点 3关系 4应用场景 5应用示例 6推导 7形式与性质

命名原因 泊松分布实例 泊松分布（Poisson distribution），台译卜瓦松分布（法语：loi de Poisson，英语：Poisson distribution，译名有泊松分布、普阿松分布、卜瓦松分布、布瓦松分布、布阿松分布、波以松分布、卜氏分配等），是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）。泊松分布是以18～19 世纪的法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）命名的，他在1838年时发表。这个分布在更早些时候由贝努里家族的一个人描述过。 分布特点 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为特征函数为 关系 泊松分布与二项分布 泊松分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦0.05时，就可以用泊松公式近似得计算。

事实上，泊松分布正是由二项分布推导而来的，具体推导过程参见本词条相关部分。 应用场景 在实际事例中，当一个随机事件，例如某电话交换台收到的呼叫、来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布P(λ)。因此,泊松分布在管理科学、运筹学以及自然科学的某些问题中都占有重要的地位（在早期学界认为人类行为是服从泊松分布，2005年在nature上发表的文章揭示了人类行为具有高度非均匀性）。 应用示例 泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。 观察事物平均发生m次的条件下，实际发生x次的概率P（x）可用下式表示： 例如采用0.05J/㎡紫外线照射大肠杆菌时，每个基因组（～4×106核苷酸对）平均产生3个嘧啶二体。实际上每个基因组二体的分布是服从泊松分布的，将取如下形式： …… 是未产生二体的菌的存在概率，实际上其值的5%与采用0.05J/㎡照射时的大肠杆菌uvrA-株，recA-株（除去既不能修复又不能重组修复的二重突变）的生存率是一致的。由于该菌株每个基因组有一个二体就是致死量，因此就意味着全部死亡的概率。 推导

二项分布与Poisson分布

二项分布与Poisson分布 二项分布和Poisson分布均是常见的离散型分布，在分类资料的统计推断中有非常广泛的应用。 一、二项分布的概念及应用条件 1. 二项分布的概念: 如某实验中小白鼠染毒后死亡概率P为0.8,则生存概率为=1-P=0.2，故 对一只小白鼠进行实验的结果为：死（概率为P）或生（概率为1-P） 对二只小白鼠（甲乙）进行实验的结果为：甲乙均死（概率为P2）、甲死乙生[概率为P(1-P)]、乙死甲生[概率为(1-P)P]或甲乙均生[概率为(1-P)2]，概率相加得P2+P(1-P)+(1-P)P+(1-P)2=[P+(1-P)]2 依此类推，对n只小白鼠进行实验，所有可能结果的概率相加得P n+1 C P(1- n P)n-1+...+x C P x(1-P)n-x+...+(1-P)x=[P+(1-P)]n其中n为样本含量,即事件发生总数，x n 为某事件出现次数, x C P x(1-P)n-x为二项式通式，x n C=n!/x!(n-x)!, P为总体率。 n 因此，二项分布是说明结果只有两种情况的n次实验中发生某种结果为x次的概率分布。其概率密度为： P(x)= x C P x(1-P)n-x, x=0,1,...n。 n 2. 二项分布的应用条件: 医学领域有许多二分类记数资料都符合二项分布(传染病和遗传病除外)，但应用时仍应注意考察是否满足以下应用条件：(1) 每次实验只有两类对立的结果；(2) n次事件相互独立；(3) 每次实验某类结果的发生的概率是一个常数。 3. 二项分布的累计概率 二项分布下最多发生k例阳性的概率为发生0例阳性、1例阳性、...、直至k 例阳性的概率之和。至少发生k例阳性的概率为发生k例阳性、k+1例阳性、...、直至n例阳性的概率之和。 4. 二项分布的图形 二项分布的图形有如下特征：(1)二项分布图形的形状取决于P 和n 的大小； (2) 当P=0.5时，无论n的大小，均为对称分布；(3) 当P<>0.5 ,n较小时为偏态分布,n较大时逼近正态分布。

正确理解泊松分布

正确理解泊松分布 敛于泊松分布”，大部分的教科书上也都会给出这个收敛过程的数学推导，但是看懂它和真正理解还有很大距离。如果我们学习的意义是为了通过考试，那么我们大可停留在“只会做题”的阶段，因为试卷上不会出现“请发表一下你对泊松公式的看法”这样的题目，因为那样一来卷子就变得不容易批改。所以现在的大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。而如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在1876年由贝尔发明，一台电话由几个部分构成……”（泊松分布在1876年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们每天去食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t （比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数，（比如一直是200人），而应该符合某种随机规律：比如1个小时内来200个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k 个学生到达的概率为： ,...1,0,! )(==-k k e k f k λλ 其中λ为单位时间内学生的期望到达人数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 二项分布很容易理解，比如一个牛仔一枪打中靶子的概率是p ，如果我们让他开10枪，如果每击中一次目标就得一分，问他一共能得几分？虽然我们不能在牛仔射击前准确地预测出具体的得分k ，但可以求出k 的概率分布，比如k=9的概率是50%，k=8的概率是30%……并且根据k 的分布来判断他的枪法如何，这便是概率统计的思想。 具体计算的方法就是求出“得k 分”的概率。比如“得9分”可以是“射失第一发，而命中其余的9发”，它的概率是p 的9次方乘上（1-p ），当然，可能情况不只这种，我们O 代表“命中”，“得9分”所有的可能的情况如下：

泊松分布

泊松分布 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不 会说：“电话在 1876 年由贝尔发明，一台电话由以下几个部分构成……”——“泊松分布在 1876 年由泊松提出，泊松分布的公式是……”——所以我们要问的第一个问题是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什 么是排队论？比如我们去每天食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有 1000 个学生，而食堂恰好配了 1000 个大叔和打饭的窗口，那么就永远 不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起 义是一门很高深的学问。 在一段时间 t（比如 1 个小时）内来到食堂就餐的学生数量肯定不 会是一个常数（比如一直是 200 人），而应该符合某种随机规律： 比如在 1 个小时内来 200 个学生的概率是 10%，来 180 个学生的 概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有 k 个学生到达的概率为：

[Math Processing Error] 其中[Math Processing Error]为单位时间内学生的期望到达数。 二项分布 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分 布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 二项分布很容易理解，比如一个牛仔一枪打中靶子的概率是 p，如 果我们让他开 10 枪，如果每击中一次目标就得 1 分，问他一共能 得几分？虽然我们不能在牛仔射击前准确地预测出具体的得分 k， 但可以求出 k 的概率分布，比如 k = 9 的概率是 50%，k = 8 分的概率是30%……并且根据 k 的分布来判断他的枪法如何，这便是概率 统计的思想。 具体计算的方法就是求出“得 k 分”的概率。比如“得 9 分”可以是“射 失第 1 发，而命中其余的 9 发”，它的概率是 p 的 9 次方乘上 1 - p。X O O O O O O O O O O X O O O O O O O O O O X O O O O O O O ......