这个有关泊松分布的求和的式子是怎么得到的 求点解 概率论一道有关泊松分布，求和的题目。想知道划线两步是怎么推导...
\u5173\u4e8e\u6cca\u677e\u5206\u5e03\u7684\u5168\u6982\u7387\u516c\u5f0f\u95ee\u9898 \u5982\u56fe \u5708\u51fa\u7684\u5730\u65b9(1/i+1)\u662f\u600e\u4e48\u5f97\u5230\u7684 \u540e\u9762\u90a3\u4e2a\u5f0f\u5b50\u53c8\u662f\u600e\u4e48\u6765\u7684\u5df2\u77e5\u6761\u4ef60\u5230X\u5747\u5300\u53d6\u503c\u90a3\u4e2a
\u4e8c\u9879\u5f0f\u5c55\u5f00\u5f0f\u5440\uff01
如果n从0开始，这个n项求和就是1。就是说泊松分布取所有数的概率和为1，但这里n从1起，少了个0。n=0时，就是e^(-λ)，所以值为1-e^(-λ)
解：设X表示该城市一周内发生交通事故的次数，则X～泊松丌(0.3)
如果 X～泊松 丌 (λ)
P{X = k} = (λ)^k * e^(-λ) / k! 其中 k = 1, 2 , …… , n ,
(1) P{X = 2} = (0.3)^2 * e^(-0.3) / 2! = 0.0333
(2) P{x≥1} =1 - P{X = 0) = 1 - (0.3)^0 * e^(-0.3) / 0! = 0.259
扩展资料：
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。
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。
参考资料来源：百度百科-泊松分布
绛旓細濡傛灉n浠0寮濮嬶紝杩欎釜n椤姹傚拰灏辨槸1銆傚氨鏄娉婃澗鍒嗗竷鍙栨墍鏈夋暟鐨勬鐜囧拰涓1锛屼絾杩欓噷n浠1璧凤紝灏戜簡涓0銆俷=0鏃讹紝灏辨槸e^(-位)锛屾墍浠ュ间负1-e^(-位)瑙ｏ細璁綳琛ㄧず璇ュ煄甯備竴鍛ㄥ唴鍙戠敓浜ら氫簨鏁呯殑娆℃暟锛屽垯X锝炴硦鏉句笇(0.3)濡傛灉 X锝炴硦鏉 涓 (位)P{X = k} = (位)^k * e^(-位) / k! 鍏朵腑 k...
绛旓細娉婃澗鍒嗗竷姒傜巼涓簆(x=k)=位^k / k! * e^(-位)鏍规嵁娉板嫆绾ф暟锛宔^x=鈭憍^k / k! (k=0,1,2...),鍒檖(x=0)+p(x=1)+...p(x=k)+...=e^(-位) * (鈭懳籢k / k!) =e^(-位) * e^位 =1
绛旓細璁綳1鏈嶄粠鍙傛暟涓何1鐨勬煆鏉鍒嗗竷锛岃X2鏈嶄粠鍙傛暟涓何2鐨勬煆鏉惧垎甯冦傚垯瀵逛簬浠绘剰闈炶礋鏁存暟k锛屾湁 P(X1 = k) = e^(-位1) * 位1^k / k!P(X2 = k) = e^(-位2) * 位2^k / k!浜庢槸(sum琛ㄧず姹傚拰)P(X1 + X2 = m) = sum (P(X1 = k)P(X2 = m - k), k=0,1,...,m) (...
绛旓細娉婃澗鍒嗗竷鍏紡鏄粈涔?娉婃澗鍒嗗竷鍏紡鏄疺ar(x)=位銆備簩椤瑰垎甯冪殑鏈熸湜E(r)=np锛屾柟宸甐ar(r)=npq锛岃屾硦鏉惧垎甯冪殑鏈熸湜鍜屾柟宸潎涓何汇傛鏃舵垜浠渶瑕佽繖涓ょ鍒嗗竷鐨勬湡鏈涘拰鏂瑰樊鐩歌繎浼硷紝鍗硁p涓巒pq杩戜技鐩哥瓑鐨勬儏鍐点傛硦鏉惧垎甯冨叕寮忥細闅忔満鍙橀噺X鐨勬鐜囧垎甯冧负锛歅{X=k}=位^k/(k锛乪^位)k=0锛1锛..鍒欑ОX鏈嶄粠鍙傛暟涓何...
绛旓細Poisson鍒嗗竷锛屾槸涓绉嶇粺璁′笌姒傜巼瀛﹂噷甯歌鍒扮殑绂绘暎姒傜巼鍒嗗竷锛岀敱娉曞浗鏁板瀹惰タ鑾仼路寰峰凹路娉婃澗锛圫im茅on-Denis Poisson锛夊湪1838骞存椂鍙戣〃銆傛硦鏉惧垎甯冿紙Poisson distribution锛夛紝鍙拌瘧鍗滅摝鏉惧垎甯冿紙娉曡锛歭oi de Poisson锛岃嫳璇細Poisson distribution锛岃瘧鍚鏈夋硦鏉惧垎甯銆鏅樋鏉惧垎甯銆佸崪鐡︽澗鍒嗗竷銆佸竷鐡︽澗鍒嗗竷銆佸竷闃挎澗鍒嗗竷銆...
绛旓細姣忓ぉ鐧婚檰鏌愮綉绔欑殑浜烘暟鏈嶄粠鍙傛暟涓何荤殑娉婃澗鍒嗗竷锛屾墍浠ユ湁 P(鏈塵涓汉鐧婚檰)=(位^me^(-位))/m!m涓汉涓湁k涓墦寮姝ょ綉椤碉紝鍒欐湁m-k涓墦涓嶅紑姝ょ綉椤碉紝(鍥犱负鏄浉浜掔嫭绔嬬殑)鍏舵鐜囦负 C(m,k)p^k(1-p)^(m-k)鍥犳P(鏈塵涓汉鐧婚檰涓攌涓墦寮姝ょ綉椤)=(位^me^(-位))/m!*C(m,k)p^k(1-p)^(m...
绛旓細鍝﹀摝 浼氶敊鎰忎簡銆傘傞偅涓槸e^x鐨勬嘲鍕掔骇鏁板晩銆 e^x鐨勫箓绾ф暟灞曞紑灏辨槸閭ｄ釜 0鐨勯樁涔樻槸1 鐗规畩瑙勫畾
绛旓細杩欏簲璇ユ槸娉板嫆鍏紡銆
绛旓細鐢变簬浜烘暟鏈嶄粠娉婃澗鍒嗗竷锛屾湁X+Y=V涓汉鎶ュ悕鐨勬鐜囦负 p1(V) = 位^V * e^(-位) / V!杩 V 涓汉涓弧瓒 X 涓汉閫氳繃锛孻 涓汉鏈氳繃锛屽彂鐢熻繖绉嶆儏鍐电殑姒傜巼涓 p2(X) = C(V,X) * p^X * (1-p)^Y 锛圕(V,X)琛ㄧずV涓彇X鐨勭粍鍚堟暟锛夋眰X,Y鐨勬鐜囧垎甯冿紝涔熷氨鏄冭檻X涓汉閫氳繃,Y涓汉鏈氳繃...
绛旓細1 P(X>2012/2013) = 1 - e^(-位) 锛屽洜涓娉婃澗鍒嗗竷鍙兘鍦ㄨ嚜鐒舵暟鐐瑰鍙栧硷紝杩欓噷鎺掗櫎0鐐圭殑姒傜巼灏卞彲浠ヤ簡銆2 鐙珛锛屼絾缁撹涓嶈兘鍙嶆帹锛屽彲浠ヤ粠鐙珛鐨勫畾涔夊緱鍒拌瘉鏄庛傚鏋滃皢鐙珛鎹负涓嶇浉鍏虫槸涓嶆垚绔嬬殑銆3 P(X>a,Y>b) = 1 - F(a,+鈭) - F(+鈭,b) + F(a,b)锛杩欎釜灏辨槸浜屽厓绉垎鐨...
