1樓：曠螢雪
不能這麼說，但是三者之間的關係是這樣的：
正態分佈是所有分佈趨於極限大樣本的分佈，屬於連續分佈。
二項分佈與泊松分佈則都是離散分佈，二項分佈的極限分佈是泊松分佈，泊松分佈的極限分佈是正態分佈。
希望對你有所幫助~
2樓：
二項分佈的極限是泊松分佈，泊松分佈的極限是正態分佈。
正態分佈，二項分佈，超幾何分佈和泊松分佈各有什麼實際背景。相互之間有何聯絡？
3樓：匿名使用者
你這問題頗覆雜，只簡單的說一下。雙色球可有許多概率統計學的引數，應該是所有種類的概率分佈都可以用得上。單個號碼（如藍球或開出的第一個紅球）：
均勻分佈。和值：正態分佈（正態分佈是對稱的二項分佈）。
ac值：超幾何分佈。一注號碼或一個複式投注猜中開獎號碼的個數：
超幾何分佈。某號碼在一定時間內開出的次數：泊松分佈。
泊松分佈和正態分佈有什麼內在聯絡？
4樓：
統計是上上學期學的內容 本來上學期重考s2的時候也複習過 不過這學期也忘得差不多了囧
簡單來說 泊松分佈和二項分佈都是離散分佈
離散分佈的情況就是如果隨機變數x 只取非負整數值，取k值的概率為(k=0,1,2,）
如果二項分佈的實驗次數n很大而每次試驗的成功概率p很小時 泊松分佈可作為二項分佈的極限近似
這個時候就用泊松分佈的公式算就好了 通常是通常當n≧10 p≦0.1的時候
至於正態分佈（又名正太分佈xd)是一個連續分佈 當實驗次數n再變大 幾乎可以看成連續時 二項分佈和泊松分佈都可以用正態分佈來代替
二項分佈和正態分佈的區分
5樓：阿樓愛吃肉
從兩者的不同點進行區分，二項分佈和正態分佈有3點不同：
一、兩者的影象特點不同：
1、二項分佈的影象特點：當（n+1）p不為整數時，二項概率p在k=[(n+1)p]時達到最大值；當（n+1）p為整數時，二項概率p在k=(n+1)p和k=(n+1)p-1時達到最大值。
2、正態分佈的影象特點：關於μ對稱，並在μ處取最大值，在正（負）無窮遠處取值為0，在μ±σ處有拐點，形狀呈現中間高兩邊低，正態分佈的概率密度函式曲線呈鐘形，因此人們又經常稱之為鐘形曲線。
二、兩者的性質不同：
1、二項分佈的性質：當p≠q時，直方圖呈偏態，pq的偏斜方向相反。如果n很大，即使p≠q，偏態逐漸降低，最終成正態分佈，二項分佈的極限分佈為正態分佈。
故當n很大時，二項分佈的概率可用正態分佈的概率作為近似值。一般規定：當pq且nq≥5，這時的n就被認為很大，可以用正態分佈的概率作為近似值了。
2、正態分佈的性質：由於一般的正態總體其影象不一定關於y軸對稱，對於任一正態總體，其取值小於x的概率。只要會用它求正態總體在某個特定區間的概率即可。
為了便於描述和應用，常將正態變數作資料轉換。將一般正態分佈轉化成標準正態分佈。
三、兩者的提出者不同：
1、二項分佈的提出者：二項分佈是由伯努利提出的概念。
2、正態分佈的提出者：c.f.高斯在研究測量誤差時從另一個角度匯出了正態分佈。
6樓：匿名使用者
二項分佈是離散分佈，而正態分佈是連續分佈，當二項分佈的n值趨向於無窮大時，二項分佈近似可以看成正態分佈。正態分佈的影象是一個鐘形曲線，而二項分佈的影象為直方圖，直方圖的頂端可以近似連線成為一條鐘形曲線。
二項分佈數學期望和方差公式，0 1分佈和二項分佈的期望方差分別是什麼
期望 e x np 方差 np 1 p 望採納 謝謝 0 1分佈和二項分佈的期望方差分別是什麼 假面 0 1分佈，期望p方差p 1 p 二項分佈期望np，方差np 1 p 方差是在概率論和統計方差衡量隨機變數或一組資料時離散程度的度量。概率論中方差用來度量隨機變數和其數學期望 即均值 之間的偏離程度...
超幾何分佈和二項分佈怎麼區分，超幾何分佈與二項分佈區別急。。。。。。詳細點
區別 不放回抽取 每次概率要改變 放回再抽取 每次概率相同 超幾何分佈與二項分佈區別急。詳細點 以木睦聽楓 二項分佈每 bai次是等概率的，前 du一次zhi不影響後一次的概dao率，超幾何分佈則不然回。黑箱中有答a個紅球和b個綠球，從箱中先後取n個球 放回 其中有x個紅球，這個x服從二項分佈。黑箱...
超幾何分佈和二項分佈的區別測試題
不放回超幾何是因為不放回會改變概率 都已經是0.1了確定了就是二項分佈了 那個人就是這個意思 成都愛之橋 二項分佈每次是等copy概率的，前一次不影響後一次的概率，超幾何分佈則不然。黑箱中有a個紅球和b個綠球，從箱中先後取n個球 放回 其中有x個紅球，這個x服從二項分佈。黑箱中有a個紅球和b個綠球，...