泊松分布相关
1.伯努利分布
针对一个事件,结果只有两种,结果A发生的概率是p,结果B发生的概率就是1-p,例如:抛硬币,出现正面或反面的概率。
2.二项分布
结果只有2个的事件重复n次,问事件A发生的次数
p
(
x
=
k
)
=
(
n
x
)
p
k
(
1
−
p
)
(
n
−
k
)
,
k
=
0
,
1
,
2
,
.
.
.
p(x=k)=\binom{n}{x}p^k(1-p)^{(n-k)},k=0,1,2,...
p(x=k)=(xn)pk(1−p)(n−k),k=0,1,2,...
3.泊松分布
某时间段内事件发生的次数的概率,且任意相同时间内事件发生的概率相同,事件之间相互独立。例如一天内进入商场的人数
p
(
x
=
k
)
=
λ
k
e
−
λ
k
!
,
k
=
0
,
1
,
2
,
.
.
.
p(x=k)=\frac{\lambda^ke^{-\lambda} }{k!},k=0,1,2,...
p(x=k)=k!λke−λ,k=0,1,2,...
4.泊松分布与二项分布的关系
当二项分布的n很大趋于无穷大时且p(即成功的概率)很小时,二项分布的期望
当
n
→
∞
时
,
n
p
→
λ
,
当n\rightarrow\infty时,np\rightarrow \lambda,
当n→∞时,np→λ,
即有,
lim
n
→
∞
C
n
k
p
k
(
1
−
p
)
n
−
k
=
λ
k
e
−
λ
k
!
\lim_{n\rightarrow\infty}C_n^kp^k(1-p)^{n-k}=\frac{\lambda^ke^{-\lambda}}{k!}
n→∞limCnkpk(1−p)n−k=k!λke−λ
所以,当二项分布中n很大,p很小时,可以用泊松分布来近似去求解。
C
n
k
p
k
(
1
−
p
)
n
−
k
=
(
n
p
)
k
e
−
n
p
k
!
C_n^kp^k(1-p)^{n-k}=\frac{(np)^ke^{-np}}{k!}
Cnkpk(1−p)n−k=k!(np)ke−np
n越大,p越小,近似效果越好
所以,泊松近似在处理大量罕见事件的情况下显得很自然。