为什么随机变量服从泊松分布则P{X=10}=P{X≥10}-P{X≥11

X：随机变量. P(λ)：随机变量X的分布称为泊松分布,记作P(λ). λ：是单位时间(或单位面积)内随机事件的平均发生率.它是泊松分布的均值,也是泊松分布的方差,泊松分布P(λ)中唯一的一个参数. k：单位时间内随机事件发生的次数(k=0,1,2,…),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等等. e：自然对数. P.S.基本就这么理解,没明白的地方请指出来.

离散型随机变量：二项分布与泊松分布。连续型随机变量：正态分布。1、离散变量是指其数值只能用自然数或整数单位计算的，则为离散变量。例如，企业个数、职工人数、设备台数等。只能按计量单位数计数，这种变量的数值一般用计数方法取得。2、连续随机变量，在一定区间内可以任意取值的变量，其数值是连续不断的，相邻两个数值可作无限分割，即可取无限个数值。例如， 生产零件 的 规格尺寸 , 人体测量 的身高、体重、胸围等为连续变量，其数值只能用测量或计量的方法取得。扩展资料：区别离散型随机变量只可能出现可数型的实现值，比如自然数集，{0,1}等等，常见的有二项随机变量，泊松随机变量等。连续型随机变量的实现值是属于不可数集合的，比如(0,1]，实数集，常见的有正态分布，指数分布，均匀分布等。参考资料：百度百科-离散型随机变量参考资料：百度百科-连续型随机变量

泊松分布随机变量，可以一起复制吗？也是可以去复制的没人提的

因为x服从参数为λ的泊松分布，那么可知E(X)=λ，D(X)=λ。而D(X)=E(X^2)-[E(X)]^2，那么E(X^2)=λ+λ^2又因为E[(X-1)(X-2)]=E(X^2-3X+2)=E(X^2)-E(3X)+E(2)=λ+λ^2-3λ+2=λ^2-2λ+2由题意可知，λ^2-2λ+2=1，解的λ=1。

泊松分布是一种离散型概率分布，用于描述在一段时间或区间内，某一事件发生的次数。其概率质量函数为：$$P(X=m)=frac{lambda^me^{-lambda}}{m!}$$其中，$lambda$为事件发生的平均次数，m为实际发生的次数。该分布的特点是：平均值等于方差，即$E(X)=Var(X)=lambda$。举个例子，假设某商店每小时平均有5名顾客进店，那么在某一小时内，有0、1、2、3、4、5……名顾客进店的概率分别为：$$P(X=0)=frac{5^0e^{-5}}{0!}=0.0067$$$$P(X=1)=frac{5^1e^{-5}}{1!}=0.0337$$$$P(X=2)=frac{5^2e^{-5}}{2!}=0.0842$$$$P(X=3)=frac{5^3e^{-5}}{3!}=0.1404$$$$P(X=4)=frac{5^4e^{-5}}{4!}=0.1755$$$$P(X=5)=frac{5^5e^{-5}}{5!}=0.1755$$……以此类推。因为泊松分布是一个概率分布，所以所有可能的概率之和应该等于1，即：$$sum_{m=0}^{infty}frac{lambda^me^{-lambda}}{m!}=1$$这个式子其实就是泊松分布的概率质量函数的和。

#include "stdio.h" #include "conio.h" #include "stdlib.h" #define MAXNUM 8 #define MAXTIME 10000 float p_before[MAXNUM]={0.1, 0.1, 0.1, 0.1, 0.2, 0.1, 0.2, 0.1}; //预期概率 float p_after[MAXNUM]; //计算后的概率 float cnt[MAXNUM]; //记录实际出现的概率 void init() { int i; float total=0; for(i=MAXNUM-1;i>=0;i--) { total+=p_before; p_after=p_before/total; cnt=0; } } int randp(float p) //调用本函数将以p的概率返回1，以（1－p）的概率返回0 { float rand_num ; rand_num=random(1000) ; //产生一个 0～(MAXNUM-1) 之间的整数 if (rand_num < 1000*p) return(1) ; else return(0) ; } int randnum() { int i; for(i=0;i<MAXNUM;i++) if(randp(p_after)) return(i); return(MAXNUM-1); } main() { int i,num; init(0); for(i=0;i<MAXTIME;i++) { num=randnum(); cnt[num]++; } for(i=0;i<MAXNUM;i++) printf("cnt[%d]=%.4f, p_before[%d]=%.4f ",i,cnt/MAXTIME,i,p_before); getch(); }

泊松分布P(λ)中只有一个参数λ，它既是泊松分布的均值，也是泊松分布的方差现在X是服从参数为2的泊松分布，所以E(X)=D(X)=2

间本来就有一种隔阂,但是有些人互相关爱,让他们更加亲近、和谐、还记得那一天发生的事…… 那天,要数学考试.离考试还有五分钟的时候,我再一次检查我的文具盒,看看文具准备好了没.中性笔,好好地躺在文具盒中；铅笔,乖乖地趴在文具盒里内；橡皮,安静地坐在文具盒里；尺子,咦?尺子跑哪去了?我再一次检查,嘴里还喃喃自语“中性笔,铅笔,橡皮……”还是不见尺子.我看了看表,糟了,快上课了,怎么办?怎

简单计算一下，答案如图所示

P(X=k)=(λ^k/k!) * e^(-λ) E(X)=λ P(X=1)=(λ^1/1!) * e^(-λ)=λ * e^(-λ) P(X=2)=(λ^2/2!) * e^(-λ)=0.5λ^2 * e^(-λ) λ * e^(-λ) = 0.5λ^2 * e^(-λ) λ=0或λ=2 λ=0舍去,故λ=2 E(X)=2

P{X=1}=P{X=2}，λ*e^-λ=λ^2*e^-λ/2，λ=λ^2/2，λ=2，P{X=4}=2^4*e^-2/4!=2e^-2/3。随机变量分为离散型随机变量与 非离散型随机变量两种，随机变量的函数仍为随机变量。有些随机变量,它全部可能取到的不相同的值是有限个或可列无限多个，也可以说概率1以一定的规律分布在各个可能值上。这种随机变量称为"离散型随机变量"。扩展资料：离散型随机变量概率分布定义1：如果随机变量X只可能取有限个或至多可列个值，则称X为离散型随机变量。定义2：设X为离散型随机变量，它的一切可能取值为X1，X2，……，Xn，……，记P=P{X=xn},n=1,2...称上式为X的概率函数，又称为X的概率分布，简称分布。应用范围：自变量的变换、卷积和、傅里叶级数、傅里叶变换、Z变换。

P(X=2)=[9e^(-3)]/2

都等于λ

不是，是否平稳得根据相关函数来判断

X~π（2） E（x）=2 D(X)=2 D（X）=E(X^2)-[E(X)]^2 2=E（X^2）-4 E（X^2）=6

15

P(x=k)=∑k=0~无穷1/k!*e-1P(Y=0)=P(X<=1)=P(X=0)+P(X=1)=2e-1；P(Y=1)=P(X＞1)=1-P(X<=1)=1-2e-1

因题干条件不完整，缺少文字，不能正常作答。

随机变量x服从参数为λ的泊松分布p{x=k}=e^(-λ)*λ^k/k!p{x=1}=e^(-λ)*λ^1/1!p{x=2}=e^(-λ)*λ^2/2!若p{x=1}=p{x=2}λ=2e(x)=d(x)=2如有意见，欢迎讨论，共同学习；如有帮助，请选为满意回答！

E(x)=u2211x*px=u2211{[n*1/2n(n+1)]+[-n*1/2n(n+1)]} (n=1,2,...) =u2211[(n-n)*1/2n(n+1)] =0

X：随机变量. P(λ)：随机变量X的分布称为泊松分布,记作P(λ). λ：是单位时间(或单位面积)内随机事件的平均发生率.它是泊松分布的均值,也是泊松分布的方差,泊松分布P(λ)中唯一的一个参数. k：单位时间内随机事件发生的次数(k=0,1,2,…),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等等. e：自然对数. P.S.基本就这么理解,没明白的地方请指出来.

你好！二项分布与泊松分布是离散型随机变量，正态分布是连续型随机变量。经济数学团队帮你解答，请及时采纳。谢谢！

这个表明，随机变量X服从泊松分布，求X的函数x^2的期望。用随机变量函数的期望公式求解即可。解答见下图：

泊松分布P (λ)中只有一个参数λ ,它既是泊松分布的均值,也是泊松分布的方差 现在X是服从参数为2的泊松分布, 所以E(X)=D(X)=2

　　你好　　这题的思路是把期望展开，然后利用泊松分布的概率质量公式将期望的表达式进行整理，具体步骤如下　　最后的结果是(1-e^{-λ})/λ　　如果发现有问题的话，再问我吧 望采纳

泊松分布P (λ)中只有一个参数λ ，它既是泊松分布的均值，也是泊松分布的方差现在X是服从参数为2的泊松分布，所以E(X)=D(X)=2

因为是泊松分布所以E（x）=D（x）=2，根据公式D（x）=E（x^2）-E^2(X) , E(X^2)=D(X)+E^2(x)=2+4=6

泊松分布的特征函数如下：泊松分布概率密度函数是P{X=k}=λ^k/（k！e^λ）k=0，1，2……k代表的是变量的值。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相等，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。分布函数：分布函数（英文Cumulative Distribution Function, 简称CDF），是概率统计中重要的函数，正是通过它，可用数学分析的方法来研究随机变量。分布函数是随机变量最重要的概率特征，分布函数可以完整地描述随机变量的统计规律，并且决定随机变量的一切其他概率特征。若已知X的分布函数，就可以知道X落在任一区间上的概率，在这个意义上说，分布函数完整地描述了随机变量的统计规律性。如果将X看成是数轴上的随机点的坐标，那么，分布函数F（x）在x处的函数值就表示X落在区间上的概率。

X：随机变量。P(λ)：随机变量X的分布称为泊松分布，记作P(λ)。λ：是单位时间(或单位面积)内随机事件的平均发生率。它是泊松分布的均值，也是泊松分布的方差，泊松分布P(λ)中唯一的一个参数。k：单位时间内随机事件发生的次数(k=0,1,2,…),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等等。e：自然对数。P.S.基本就这么理解，没明白的地方请指出来。

ξ这个符号的意思是：表示数学上的随机变量。ξ（ξ）Xi（大写Ξ，小写ξ），是第十四个希腊字母。希腊字母柯西Ξ大写Ξ用于：粒子物理学中的Ξ重子小写ξ用于：数学上的随机变量西里尔字母的u046e（Ksi)是由Xi演变而成。按照随机变量可能取得的值，可以把它们分为两种基本类型：1、离散型离散型（discrete）随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。2、连续型连续型（continuous）随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。

P（X/Y<0）=0.5本题使用正态分布与独立性分析：（x，y）~N（0，0，1，1，0）说明X~N(0,1),Y~N(0,1)且X与Y独立X/Y<0，即X与Y反号所以 P（X/Y<0）=P(X>0,Y<0)+P(X<0,Y>0)=P(X>0)P(Y<0)+P(X<0)P(Y>0)=0.5×0.5+0.5×0.5=0.5二维随机变量( X,Y)的性质不仅与X 、Y 有关,而且还依赖于这两个随机变量的相互关系。因此，逐个地来研究X或Y的性质是不够的，还需将（X，Y）作为一个整体来研究。扩展资料：在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。在实际问题中通常用它来表征多个独立操作的随机试验结果或多种有独立来源的随机因素的概率特性，因此它对于概率统计的应用是十分重要的。参考资料来源：百度百科——二维随机变量

泊松分布的期望和方差均为 λ（就是参数）。所以E（Y）=2*E（X）-2=2E（Y）=2

说下λ（poisson分布参数）的意义吧λ表示在一定时间（单位时间）内事件发生的平均次数。例如在一天内访问某个商场的人数服从poisson分布，并且估计出平均人数为x人，这里poisson分布的参数就是平均人数。与λ相对，1/λ为指数分布的期望，表示需要的时间（每个事件）LZ是不是要按照实际意义去计算λ？

P（x=k）=（m^k/k!)*e^(-m)x=1,x=2,x=0分别代入3p(X=1)+2P(X=2)=4P(X=0),化简3u+u^2-4=0u=1X~P(1)E(X)=D(X)=1扩展资料在做实验时，常常是相对于试验结果本身而言，主要还是对结果的某些函数感兴趣。例如，在掷骰子时；常常关心的是两颗骰子的点和数，而并不真正关心其实际结果，就是说，我们关心的也许是其点和数为7，而并不关心其实际结果是否是（1，6）或（2，5）或（3，4）或（4，3）或（5，2）或（6，1）。我们关注的这些量，或者更形式的说，这些定义在样本空间上的实值函数，称为随机变量。因为随机变量的值是由试验结果决定的，所以我们可以给随机变量的可能值指定概率。

随机变量X服从参数为λ的泊松分布 P{X=k}=e^(-λ) * λ^k / k! P{X=1}=e^(-λ) * λ^1 / 1! P{X=2}=e^(-λ) * λ^2 / 2! 若P{X=1}=P{X=2} λ=2 E(x)=D(x)=2 如有意见,欢迎讨论,共同学习；如有帮助,

P（X<=1 )=P(X=1)

因P{X大于=10}=P10+P11+P12+......P{X大于=11}=P11+P12+......故P{X大于=10}-P{X大于=11}=(P10+P11+P12+......) - (P11+P12+......) = P10

泊松分布的期望就是参数值，所以此题就是求X=2的概率，如图代公式即得。经济数学团队帮你解答，请及时采纳。谢谢！

答案如图所示，有任何疑惑，欢迎追问

泊松分布的期望Ex=λ=4,Dx=λ=4 PS：泊松分布式(λ^k)/k!*e(-λ)

设X=k时概率最大P(X=k)/P(X=k+1)=[λ^k*e^(-λ)/k!]/[λ^(k+1)*e^(-λ)/(k+1)!]=(k+1)/λ>=1即k>=λ-1P(X=k)/P(X=k-1)=[λ^k*e^(-λ)/k!]/[λ^(k-1)*e^(-λ)/(k-1)!]=λ/k>=1即k<=λ故当λ为整数时，k=λ或λ-1时，概率最大当λ不为整数时，k=[λ]时，概率最大

依题意可以得到λ=3,； 所以E(X)=D(X)=3; 而D(X)=E(X^2)-E(X)^2=3; 所以E(X^2)=E(X)^2+D(X)=12；

泊松分布的期望Ex=λ=4,Dx=λ=4 PS：泊松分布式(λ^k)/k!*e(-λ)

因为X服从参数为1的泊松分布,所以P(X=k)=[e^(-1)*1^k]/k!=e^(-1)/k!, P(X>0)=1-P(X=0)=1-e^(-1)/0!=1-e^(-1)=(e-1)/e

过程的话，有些符号不会打。但有这样的结论：泊松分布的数学期望与方差相等，都等于参数λ.因为泊松分布只含有一个参数，只要知道它的数学期望或者方差就能完全确定它的分布

概率论中常用的一种离散型概率分布。若随机变量 X 只取非负整数值，取k值的概率为λke-l/k!(记作P (k；λ)，其中k可以等于0，1，2，则随机变量X 的分布称为泊松分布，记作P(λ)。这个分布是S.-D.泊松研究二项分布的渐近公式是时提出来的。泊松分布P (λ)中只有一个参数λ ，它既是泊松分布的均值，也是泊松分布的方差。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。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。 泊松分布（Poisson distribution），台译卜瓦松分布，是一种统计与概率学里常见到的离散机率分布（discrete probability distribution），由法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）在1838年时发表。 泊松分布的概率密度函数为： P(X=k)=frac{e^{-lambda}lambda^k}{k!} 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率。 泊松分布适合于描述单位时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等等。(Poisson distribution），-{zh-cn:台译卜瓦松分布;zh-tw:也译为布瓦松分布，布阿松分布，波以松分布等}-，是一种统计与概率学里常见到的离散机率分布（discrete probability distribution），由法国数学家（Siméon-Denis Poisson）在1838年时发表。泊松分布的概率密度函数为：:P(X=k)=frac{e^{-lambda}lambda^k}{k!}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率。泊松分布适合于描述单位时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： 　　P（x）=（mx/x！）e-m　　称为泊松分布。例如采用0.05J/m2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：　　P（0）＝e-3＝0.05；　　P（1）=（3/1！）e-3=0.15；　　P（2）=（32/2！）e-3=0.22；　　P（3）=0.22；　　P（4）=0.17；……　　P（0）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/m2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P（1），P（2）……就意味着全部死亡的概率。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。用数学语言说,满足下列三条件的随机过程X={X(t),t≥0}叫做泊松过程。①P(X(0)=0)=1。②不相交区间上增量相互独立，即对一切0≤t1<t2<…<tn,X(t1),X(t2)-X(t1),…,X(tn)-X(tn-1)相互独立。③增量X(t)-X(s) (t>s)的概率分布为泊松分布,即，式中Λ(t)为非降非负函数。若X还满足④X(t)-X(s)的分布仅依赖于t-s，则称X为齐次泊松过程；这时Λ(t)=λt，式中常数λ>0称为过程的强度，因为EX(t)=Λ(t)=λt,λ等于单位时间内事件的平均发生次数。非齐次泊松过程可通过时间尺度的变换变为齐次泊松过程。对泊松过程,通常可取它的每个样本函数都是跃度为1的左(或右)连续阶梯函数。可以证明，样本函数具有这一性质的、随机连续的独立增量过程必是泊松过程，因而泊松过程是描写随机事件累计发生次数的基本数学模型之一。直观上,只要随机事件在不相交时间区间是独立发生的,而且在充分小的区间上最多只发生一次，它们的累计次数就是一个泊松过程。在应用中很多场合都近似地满足这些条件。例如某系统在时段【0,t)内产生故障的次数,一真空管在加热t秒后阴极发射的电子总数,都可假定为泊松过程。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。 　　齐次泊松过程的特征 　描述随机事件累计发生次数的过程通常称为计数过程（见点过程）。一个简单而且局部有限的计数过程｛X(t)，t≥0｝，往往也可以用它依次发生跳跃(即发生随机事件)的时刻{Tn，n≥1}来规定，即取T0=0，Tn＝inf{t:X(t)≥n}，n≥1，而当Tn<t≤Tn+1时，X（t）＝n。若以，表示X(t)发生相邻两次跳跃的时间间距，则计数过程是齐次泊松过程的充分必要条件为{τn，n≥1}是相互独立同分布的，且，其中λ为某一非负常数。齐次泊松过程的另一个特征是:固定t,X(t)是参数为λt的泊松分布随机变量，而当X(t)=k已知的条件下,X的k个跳跃时刻与 k个在［0,t)上均匀分布且相互独立的随机变量的次序统计量（见统计量）有相同的分布。泊松过程的这一特征常作为构造多指标泊松过程的出发点。从马尔可夫过程来看，齐次泊松过程是时间空间都为齐次的纯生马尔可夫链。从鞅来看，齐次泊松过程X是使{X(t)-λt,t≥0}为鞅的跃度为1的计数过程。 　　泊松过程的推广 　较泊松过程稍为广泛的计数过程是更新过程，更新过程的跳跃时间间距是相互独立同分布的，但不一定是指数分布。这类过程常被用来描写某些设备的累计故障次数。若对跳跃时间间距不作任何假定，就成为一般的计数过程或称一维点过程。假如某设备在【0，t)时段内故障的累计次数N(t)是泊松过程，而每次故障造成的耗损不尽相同,用随机变量Yi表示第i次耗损，则在【0,t)内总的耗损为。当{N(t)，t≥0}为齐次泊松过程，{Yi,i≥1}又是相互独立同分布且与｛N(t)｝独立时,X=｛X(t)，t≥0｝称为复合泊松过程。由于{N(t),t≥0}可以用其跳跃时刻{Ti,i≥1}来规定,因而复合泊松过程可用{(TnYn),n≥1}来规定,即。若对{(Tn,Yn),n≥1}的统计特性不作任何假定，这样规定的X 便是一种一般地描述系统跳跃变化的随机过程，常称为标值点过程，也称多变点过程或跳跃过程。 　　泊松过程除作为计数过程的一种重要数学模型外，又是众多重要随机过程的特例。独立增量过程的莱维－伊藤分解表明,利用它还可构成一般的独立增量过程,因而它在随机过程中占有特殊地位，也有人把它与布朗运动一起称之为随机过程的基石。

率论中常用的一种离散型概率分布.若随机变量nbsp;Xnbsp;只取非负整数值,取k值的概率为λke-l/k!(记作Pnbsp;(k；λ),其中k可以等于0,1,2,则随机变量Xnbsp;的分布称为泊松分布,记作P(λ).这个分布是S.-D.泊松研究二项分布的渐近公式是时提出来的.泊松分布Pnbsp;(λ)中只有一个参数λnbsp;,它既是泊松分布的均值,也是泊松分布的方差.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nbsp;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.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.nbsp;nbsp;nbsp;泊松分布（Poissonnbsp;distribution）,台译卜瓦松分布,是一种统计与概率学里常见到的离散机率分布（discretenbsp;probabilitynbsp;distribution）,由法国数学家西莫恩·德尼·泊松（Siméon-Denisnbsp;Poisson）在1838年时发表.nbsp;泊松分布的概率密度函数为：nbsp;P(X=k)=frac{e^{-lambda}lambda^k}{k!}nbsp;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率.nbsp;泊松分布适合于描述单位时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等等.nbsp;nbsp;(Poissonnbsp;distribution）,-{zh-cn:台译卜瓦松分布;zh-tw:也译为布瓦松分布,布阿松分布,波以松分布等}-,是一种统计与概率学里常见到的离散机率分布（discretenbsp;probabilitynbsp;distribution）,由法国数学家（Siméon-Denisnbsp;Poisson）在1838年时发表.nbsp;nbsp;泊松分布的概率密度函数为：nbsp;nbsp;:P(X=k)=frac{e^{-lambda}lambda^k}{k!}nbsp;nbsp;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率.nbsp;nbsp;泊松分布适合于描述单位时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等等.nbsp;nbsp;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：nbsp;nbsp;nbsp;P（x）=（mx/x!）e-mnbsp;nbsp;称为泊松分布.例如采用0.05J/m2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：nbsp;nbsp;P（0）＝e-3＝0.05；nbsp;nbsp;P（1）=（3/1!）e-3=0.15；nbsp;nbsp;P（2）=（32/2!）e-3=0.22；nbsp;nbsp;P（3）=0.22；nbsp;nbsp;P（4）=0.17；……nbsp;nbsp;P（0）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/m2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P（1）,P（2）……就意味着全部死亡的概率.

在生命之初,每个人都有着强烈的好奇心,因为世界是未知的,是陌生的,一切都是那样新奇.但随着年龄增长,人们被凡尘世俗侵扰,心湖翻滚激荡,思绪杂乱.在追名逐利中,渐渐失去最初的好奇,渐渐习惯于机械的生活,内心世界也变得空虚而苍老.其实,好奇心不是孩子们的专利.只要我们对生活充满热情,充满渴望,就会有收获,就会从中得到乐趣.凝视花开,看花瓣缓缓舒张开来,楚楚动人.每开放一点,就露出一个胜利的笑靥.待完全开放,柔嫩的花瓣几乎吹弹即破,却又仿佛傲气十足地在宣扬着澎湃的美.怀着对花开的好奇,欣赏一幅被赋予了魔法的画在轻轻微笑,心也变得温柔多情,枯竭的心河得到滋润.远望流星,奔驰是流星的形影,璀璨是流星的华装,燃烧是流星的性格.流星,匆匆逝去,义无反顾,生命短暂而辉煌,给宇宙增添了一道凄美的风景.没有依恋,没有彷徨,没有哀伤,他彻底地牺牲自己,换取灿烂的一瞬,演绎青春的绝唱.怀着对流星的好奇,惊诧于那夺目的一瞬,思索生命的价值,空虚的心灵得以充实.迎接黎明,看它拥有的一天中最纯澈、最鲜泽的光线,那是生命最易受鼓舞、最能增强信心和热望的时刻,也是最能让青春荡漾、幻念勃发的时刻.像有神力的水晶球,它唤醒了我们对生命的最初印象,唤醒了体内沉睡的细胞,使我们看到远方的事物,看清即将忘却的东西.怀着对黎明的好奇,我们有机会和生命完成一次对视,有机会认真审视自己,获得对个体更细腻的感受.迎接晨曦,是一种被照耀和沐浴的仪式,它给生命以新的索引,新的知觉,新的启示,新的发现……

是的，都是因为有好奇心，才使人类更快进步，有了更高的文明。当人们仰望高远的太空，看着那满天的星斗，那圆圆的月亮，产生了玄妙的幻想：天上到底有什么？星星是不是也和我们居住的地球一样？月亮上是不是真有广寒宫？嫦娥和玉兔生活得怎样？于是，便有人以毕生的精力和十倍的努力去研究。终于可以在月球上迈开步子，在太空中建立“家乡”。这些都是因为好奇心。当人们面对0－9这十个数字组成的世界是如此纷繁复杂、绚丽多彩时，便有人去幻想它们的妙处，也有人用毕生的精力致力于这个猜想，终于摘取了“数学皇冠”上的明珠。这些也是因为好奇。是的，好奇心是兴趣的姊妹，它消除了人类的无知，让这个世界更加美妙。好奇心来去无踪，好奇心没抓没挠。它刁钻古怪，逗你紧跟猛跑。每当你认为抓住它时，才发现还是跟它绕绕，你眼前又现出更大玄邈。好奇心一本正经，好奇心滑稽可笑。好奇心有时很没劲，但也有时很火爆。好奇心很刺激，好奇心很深奥。好奇心很古老，好奇心很新潮。好奇心千变万化，让你捉摸不定。但有一点不变，好奇心永远很好奇，使你的心永不变老，让世界向未来猛跑。