1733年 - 棣莫弗
亚伯拉罕·棣莫弗首次提出了二项分布的正态逼近，为后来的中心极限定理奠定了基础。
深入理解二项分布、泊松分布与正态分布，掌握统计学基石，解决现实世界的不确定性难题。
在统计学与概率论的广阔领域中，数学概率三大分布公式构成了我们量化不确定性的核心工具。无论是自然科学的实验数据分析，还是社会科学的市场调研，这三大分布都扮演着至关重要的角色。它们分别是描述离散型随机变量的二项分布和泊松分布，以及描述连续型随机变量的正态分布。
许多初学者容易混淆这三者的适用场景。本页面旨在通过详细的公式推导、参数解释及丰富的实际案例，帮助您建立清晰的知识图谱。我们将逐一拆解每个分布的核心公式，并探讨它们在金融风控、质量控制、生物统计等领域的具体应用。
定义：如果随机变量X表示在n次独立重复试验中事件A发生的次数，且每次试验中事件A发生的概率为p，则称X服从参数为n和p的二项分布，记作X ~ B(n, p)。
其中，C(n,k) 是组合数，表示从n个元素中取出k个的方法数。
期望值随试验次数n和概率p线性增长，方差则受p影响呈现抛物线特征。
假设某工厂生产零件的次品率为0.01（即p=0.01），现随机抽取100个零件（n=100）。求恰好有2个次品（k=2）的概率。
| 步骤 | 计算过程 | 结果 |
|---|---|---|
| 1. 确定参数 | n=100, p=0.01, k=2 | - |
| 2. 计算组合数 | C(100,2) = (100×99)/(2×1) = 4950 | 4950 |
| 3. 计算概率幂 | 0.01^2 × 0.99^98 ≈ 0.0001 × 0.376 | ≈ 0.0000376 |
| 4. 最终概率 | 4950 × 0.0000376 | ≈ 0.186 |
因此，恰好抽到2个次品的概率约为18.6%。
定义：若随机变量X表示在单位时间或单位空间内某事件发生的次数，且该事件发生的平均率为λ，则称X服从参数为λ的泊松分布，记作X ~ P(λ)。
e是自然对数的底数（约等于2.71828），k!是k的阶乘。
泊松分布的一个显著特征是均值和方差相等，都等于参数λ。
当n很大（n→∞），p很小（p→0），且np=λ保持常数时，二项分布B(n,p)可以近似为泊松分布P(λ)。这在实际计算中非常有用，因为当n极大时，计算组合数C(n,k)非常困难，而泊松公式只需计算幂和阶乘。
定义：若连续型随机变量X的概率密度函数为f(x) = (1/(σ√(2π))) · e^(-(x-μ)²/(2σ²))，则称X服从参数为μ和σ²的正态分布，记作X ~ N(μ, σ²)。
图像呈钟形，关于x=μ对称。σ决定了曲线的“胖瘦”，σ越大越扁平。
μ是位置参数，决定中心；σ是尺度参数，决定离散程度。
当μ=0，σ²=1时，称为标准正态分布，记为Z ~ N(0, 1)。任何正态分布都可以通过变换 Z = (X-μ)/σ 转化为标准正态分布，从而利用标准正态分布表进行概率计算。
亚伯拉罕·棣莫弗首次提出了二项分布的正态逼近，为后来的中心极限定理奠定了基础。
西莫恩·德尼·泊松发表了《关于判决概率调查的结果》，正式提出了描述稀有事件的分布，即现在的泊松分布。
卡尔·弗里德里希·高斯在研究天体轨道误差时，系统阐述了正态分布（又称高斯分布）的性质，使其成为统计学的核心。
李雅普诺夫和莱维等人完善了中心极限定理，解释了为什么正态分布在自然界中如此普遍：大量独立随机变量的和趋向于正态分布。
| 特征 | 二项分布 B(n,p) | 泊松分布 P(λ) | 正态分布 N(μ,σ²) |
|---|---|---|---|
| 变量类型 | 离散型 | 离散型 | 连续型 |
| 参数 | n (试验次数), p (成功概率) | λ (平均发生率) | μ (均值), σ² (方差) |
| 定义域 | k = 0, 1, ..., n | k = 0, 1, 2, ... | -∞ < x < +∞ |
| 期望 E(X) | np | λ | μ |
| 方差 Var(X) | np(1-p) | λ | σ² |
| 主要联系 | 当n→∞, p→0, np=λ时，B(n,p) ≈ P(λ) | 当n很大时，B(n,p) ≈ N(np, np(1-p)) | |
二项分布描述的是n次独立重复试验中成功次数的概率，适用于固定次数的试验。泊松分布通常用于描述单位时间或空间内稀有事件发生的次数，可以看作是二项分布当n趋向无穷大且p趋向于0时的极限情况。简单来说，二项分布关注“多少次成功”，泊松分布关注“多久发生一次”。
正态分布的概率密度函数图像呈中间高、两边低、左右对称的钟形，因此被称为钟形曲线。它由均值μ和标准差σ决定，绝大多数数据（约99.7%）落在均值加减3个标准差的范围内。这种对称性和集中趋势使其成为描述自然现象的理想模型。
典型的泊松分布场景包括：某路口每小时通过的车辆数、某网站每分钟收到的点击量、放射性物质衰变放出的粒子数、以及印刷页面上的错别字数量等。这些场景的共同点是事件发生是独立的，且在单位时间/空间内的平均发生率是恒定的。
可以通过以下几种方法判断：1. 绘制直方图或密度图，观察是否呈钟形；2. 绘制Q-Q图（分位数-分位数图），如果点大致落在一条直线上，则服从正态分布；3. 进行统计检验，如Shapiro-Wilk检验或Kolmogorov-Smirnov检验。
二项分布的方差公式为Var(X) = np(1-p)。对于固定的n，当p=0.5时，方差最大。这意味着当成功和失败的概率相等时，结果的不确定性最大。