课上练习题_泊松过程 65
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。
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
泊松过程与泊松分布的基本知识
泊松过程与泊松分布的基本知识泊松过程是随机过程的一个经典模型，是一种累积随机事件的发生次数的独立增量过程。也就是说，每次事件的发生是相互独立的。那么泊松分布和泊松过程又什么关系呢？可以说泊松分布是描述稀有事件的统计规律，即可以描述一段时间内发生某个次数的概率。而泊松过程呢，就适合刻画“稀有事件流”的概率特性。 比较：泊松分布 泊松过程的主要公式： 其实没多少不一样对不对？不一样的是泊松过程是一个可以查看在时间t内发生次数的概率，这个t是可变的。泊松分布则是给定了时间。 泊松过程的关键在于，它的到达间隔序列Tn，即每两次发生的时间是服从的独立同指数分布的。如果每次发生的间隔时间不服从指数分布，那么这个随机过程就会更一般化，我们成为是更新过程，这也是随机过程的推广。 泊松过程分为齐次泊松过程和非齐次泊松过程，齐次的意思很简单，就是说过程并不依赖于初始时刻，强度函数是一个常数，从上面的公式也看得出来。而非齐次则是变成了,这意味着什么呢？这以为着随着与时间的改变，强度是会改变的，改变服从强度函数，说了这
么久，强度究竟是个什么概念？强度的意思就是泊松过程的该事件发生的频率，或者说快慢，泊松分布中我们知道期望就是,实际含义就是，在一段时间内，发生的次数平均水平是次。 复合泊松过程：泊松过程我们已经知道，用描述一段时间累积发生的次数，但是如果每次发生带来的后果都是不一样的，我们怎么描述这个过程呢？比如，火车站到达的乘客是服从泊松过程的，但是每个乘客携带有不同重量的行李，我们如何刻画在[0,t]时间内行李总重量呢，这个过程就是复合泊松过程。复合泊松过程的均值函数和方差函数一般可以用全期望和全方差公式进行计算，因为简单泊松过程的期望很容易求。 更新过程： 上文已经说到，更新过程作为泊松过程的推广，更具有一般性，那么在讨论更新过程时，我们更多地讨来更新函数，更新函数是更新过程的均值函数m(t)=E[N(t)]，怎么理解呢，就是说需要用t时刻的累积计数的期望特性来表达更新过程。有一条定理： 这个定理是可以证明的，Fn（t）是分布函数，就是说：在t时刻，更新函数值就是在这个时刻，n取遍所有值的分布之和。 那么是否可以这样理解，更新过程和泊松过程的区别就是更新间隔序列不同，那么如果已知了更新间隔序列的概率密度函数，就可以求解该过程的更新函数了，详细的推导就不写了。扔结论出来：对间隔序列概率密度函数做拉氏变换得到Lf(s),然后求 Lm(s)=Lf(s)/s(1-Lf(s)),再对Lm(s)进行逆变换，就得到了m(t),这就是更新函数。
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
泊松过程
泊松过程 一种累计随机事件发生次数的最基本的独立增量过程。例如随着时间增长累计某电话交换台收到的呼唤次数，就构成一个泊松过程。 泊松过程是由法国著名数学家泊松（Poisson, Simeon-Denis）（1781—1840）证明的。 1943年C.帕尔姆在电话业务问题的研究中运用了这一过程，后来Α.Я.辛钦于50年代在服务系统的研究中又进一步发展了它。 Poisson过程（Poisson process，大陆译泊松过程、普阿松过程等，台译卜瓦松过程、 布瓦松过程、布阿松过程、波以松过程、卜氏过程等），是以法国数学家泊松（1781 - 1840） 的名字命名的。泊松过程是随机过程的一种，是以事件的发生时间来定义的。我们说一个 随机过程N(t) 是一个时间齐次的一维泊松过程，如果它满足以下条件： 在两个互斥（不重叠）的区间内所发生的事件的数目是互相独立的随机变量。 在区间内发生的事件的数目的概率分布为： 其中λ是一个正数，是固定的参数，通常称为抵达率（arrival rate）或强度（intensity）。 所以，如果给定在时间区间之中事件发生的数目，则随机变数呈现泊松分布，其参数为。 更一般地来说，一个泊松过程是在每个有界的时间区间或在某个空间（例如：一个欧几里得平面或三维的欧几里得空间）中的每一个有界的区域，赋予一个随机的事件数，使得?在一个时间区间或空间区域内的事件数，和另一个互斥（不重叠）的时间区间或空间区域内的事件数，这两个随机变数是独立的。 ?在每一个时间区间或空间区域内的事件数是一个随机变数，遵循泊松分布。（技术上而言，更精确地来说，每一个具有有限测度的集合，都被赋予一个泊松分布的随机变数。）
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
泊松过程
作者：BUG生成器 来源：知乎 ·从一个生活的例子中引出泊松过程 愉快的暑假结束了，同学们陆陆续续来到学校。在开学当天的上午，学校教导主任开始站在学校门口计数到达学校的同学的个数，每分钟计数一次（单位时间），可能是开学第一天比较清闲，顺便观察一下同学们的精神面貌。 通常在一个短暂的时间段内，单位时间到达学校的人数的数学期望应该是一致的。这是很容易理解的，毕竟这是一个学生人数众多的学校，在教导主任站在门口的这几个小时内到达学校的人数，相比较学校的总人数是微不足道的，也就是说，这一分钟到达学校人数的期望和下一分钟到达学校的人数的期望是相同的。 同时，对于某一分钟（单位时间），某一个学生在这一分钟到达学校的概率也是相同的，两个同学互不相关，在满足学校到校时间要求的前提下，他们到达学校的时间是自由的。并且假设每个学生在一分钟内到达学校的概率为P。 这个时候就可以定义随机变量了，假设有n个随机变量，它表示
也就是每个学生都有一个独立的状态，可以是1或者是0，这些所有随机变量加起来就是自观察记录以来到达学校的总人数。 可以看出对于一个确定的时刻t，所有随机变量的和——假设是X，它的概率模型就是比较常见的二项分布。 为什么会是二项分布呢，可能用这种所有学生相互独立的描述方法不易直观理解，那么我们可以这样想，在这样一个确定的时刻，依次询问这个学校所有的学生（不管他有没有到校）有没有到校，那么获得“这个学生已经到校”这个信息的概率是p，“这个学生还
没有到校”的概率是1-p。拿出来一个学生询问就好比做了一次实验，这个实验的结果（这个结果是从开始到时刻t的整个过程决定的，注意理解）为1就计数+1，为0就不计数。 那么现在就可以根据二项分布的概率模型写出随机变量X的分布函数
泊松过程
第二讲 泊松过程 1．随机过程和有限维分布族 现实世界中的随机过程例子： 液体中，花粉的不规则运动：布朗运动；股市的股票价格； 到某个时刻的电话呼叫次数； 到某个时刻服务器到达的数据流数量，等。 特征：都涉及无限多个随机变量，且依赖于时间。 定义（随机过程） 设有指标集T ，对T t ∈都有随机变量)(t X 与之对应，则称随机变量族 }),({T t t X ∈为随机过程。 注 一个随机过程是就是一个二元函数E T t X →?Ωω:),(。固定ω，即考虑某个事件相 应的随机变量的值，得到函数R T t X →:),(ω称为样本函数或轨道或一个实现。映射的值域空间E 称为状态空间。 例 随机游动(离散时间，离散状态) 质点在直线上每隔单位时间位置就发生变化，分别以概率p 或概率p -1向正或负向移动一个单位。如果以n S 记时刻n 质点所处的位置，那么就得到随机过程{,0}n S n ≥。这里指标集},1,0{ =T ，状态空间},1,0,1,{ -=E 。 如果记n X 为时刻n ，质点的移动，那么{,1}n X n ≥也是随机过程。 两个过程的区别：{}n S 不独立；{}n X 独立； 两个过程的关系：01 n n k k S S X ==+ ∑ 习题 计算n ES 和n DS （设00S =）。 提示 利用∑== n k k n X S 1 ，其中k X 是时刻k 的移动方式。 习题 设从原点出发，则()/2()/2()/2 ,2()0, 21n k n k n k n n C q p n k i P S k n k i +-+?+===?+=-?。 例 服务器到达的数据流(连续时间，离散状态) 在],0[t 内，到达服务器的数据包个数记为)(t N ，那么}0),({≥t t N 也是个随机过程， 其指标集}{+ ∈=R t T ，状态空间},1,0{ =E 。
泊松过程
一个基本的独立增量过程，用于累积随机事件的发生时间。例如，随着时间的推移累积电话交换机接收的呼叫数量就构成了泊松过程。 法国著名数学家泊松（1781-1840）证明了泊松过程。1943年，C。Pahlm将这一过程应用到电话服务的研究中，后来又应用于α。я。1950年代，辛勤在服务系统研究中进一步发展了它。法国数学家Poisson于1781年6月21日出生于法国卢瓦尔河，于1840年4月25日去世，死于法国苏富比镇。 1798年，他进入巴黎综合科学与工程学院深造。毕业后，他以出色的研究论文被任命为讲师。由p.-s赞赏。拉普拉斯和j.l.拉格朗日。1800年毕业后，他留校任教，1802年成为副教授，并接替了J.-B.-J.傅里叶于1806年担任教授。1808年，他是法国经度局的天文学家，1809年，他是巴黎科学研究所的力学教授。1812年，他当选为巴黎科学院院士。 泊松的科学生涯始于对微分方程的研究及其在摆运动和声学理论中的应用。他的工作特征是运用数学方法研究各种机械和物理问题，并获得数学发现。他为积分理论，行星运动理论，热物理学，弹性理论，电磁理论，势能理论和概率论做出了重要贡献。 对于泊松过程，通常认为每个样本函数都是一个左跳（或右跳）连续
阶跃函数，其跳跃为1。可以证明具有此属性的样本函数的随机连续独立增量过程必须是泊松过程，因此，泊松过程是描述随机事件累积发生时间的基本数学模型之一。凭直觉，只要随机事件在不相交的时间间隔内独立发生并且在足够小的间隔内仅发生一次，则它们的累积时间就是一个泊松过程。这些条件在许多应用中都可以满足。例如，某个系统在时间段[0，t]中的故障数和在真空管加热t秒钟后阴极发射的电子总数可以被认为是泊松过程。 描述随机事件的累积发生时间的过程通常称为计数过程（请参阅点过程）。还可以通过依次跳转的时间{Tn，n≥1}定义简单的局部计数过程{X（t），t≥0}，即T0 = 0，Tn = inf {t：X（t）≥n}，n≥1，并且当TN 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，0 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 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：浅析二项分布、泊松分布和正态分布之间的关系
二项分布与Poisson分布
正确理解泊松分布