概率论与数理统计期中复习

Q&A

要清晰区分泊松分布和二项分布，可从以下维度分析：

维度	二项分布	泊松分布
定义与适用场景	用于描述n次独立重复试验中“成功”的次数，每次试验只有“成功”或“失败”两种结果（如抛硬币n次正面朝上的次数、产品抽样的不合格品数）。	用于描述单位时间/空间内随机事件发生的次数，要求事件发生概率极小且独立（如一小时内电话呼叫次数、一天内医院急诊病人数）。
参数	两个参数：试验次数$n$、每次试验成功的概率$p$。	一个参数：单位区间内事件发生的平均次数$\lambda$。
概率质量函数（PMF）	$P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}$（$k=0,1,\dots,n$）	$P(X=k)=\frac{e^{-\lambda}\lambda^k}{k!}$（$k=0,1,2,\dots$）
期望与方差	期望$E(X)=np$，方差$D(X)=np(1-p)$	期望$E(X)=\lambda$，方差$D(X)=\lambda$（期望=方差是泊松分布的显著特征）
试验性质	基于有限次离散试验，每次试验结果互斥（成功/失败）。	基于连续区间内的计数，事件发生的概率与区间长度成正比，且不重叠区间内事件发生相互独立。
近似关系	当$n$很大、$p$很小时（$np=\lambda$且$\lambda$不大），二项分布可由泊松分布近似（即$\binom{n}{k}p^k(1-p)^{n-k}\approx\frac{e^{-\lambda}\lambda^k}{k!}$）。	——

简单来说，二项分布聚焦“有限次试验的成功次数”，泊松分布聚焦“连续区间内的事件计数”，两者在参数、公式和应用场景上有明确边界。

五大分布核心特征对比表

分布名称	分布类型	参数	核心公式	核心特征	适用场景
伯努利分布	离散型	p（成功概率）	- 概率分布：$P(X=1)=p$，$P(X=0)=1-p$ - 期望：$E(X)=p$ - 方差：$D(X)=p(1-p)$	单次二元结果，二项分布的特殊情况（$n=1$）	单次试验的二元结果（抛 1 次硬币、单次抽样合格性）
二项分布	离散型	n（试验次数）、p（成功概率）	- 概率质量函数：$P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}$ - 期望：$E(X)=np$ - 方差：$D(X)=np(1-p)$	n 次独立伯努利试验的成功次数统计	有限次二元结果试验的成功次数（抛n次硬币正面数、抽样不合格品数）
泊松分布	离散型	$\lambda$（平均发生次数）	- 概率质量函数：$P(X=k)=\frac{e^{-\lambda}\lambda^k}{k!}$ - 期望：$E(X)=\lambda$ - 方差：$D(X)=\lambda$	期望 = 方差，二项分布的极限近似（n大p小）	单位时间 / 空间内稀有事件计数（呼叫次数、疵点数）
正态分布	连续型	$\mu$（均值）、$\sigma^2$（方差）	- 概率密度函数：$f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$ - 期望：$E(X)=\mu$ - 方差：$D(X)=\sigma^2$	钟形对称曲线，可通过标准化变换转化为标准正态分布	连续型数据描述（身高、体重、测量误差）
指数分布	连续型	$\lambda$（速率参数，$\lambda>0$）	- 概率密度函数：$f(x)=\lambda e^{-\lambda x}$（$x>0$） - 分布函数：$F(x)=1-e^{-\lambda x}$（$x>0$） - 期望：$E(X)=\frac{1}{\lambda}$ - 方差：$D(X)=\frac{1}{\lambda^2}$	具有 “无记忆性”，与泊松分布配套（泊松过程的事件间隔）	寿命类数据、等待时间（电子元件寿命、排队等待时间）