Đây là cách dễ hiểu hơn nhiều:
Bạn có thể xem phân phối Binomial là "mẹ" của hầu hết các phân phối. Phân phối bình thường chỉ là xấp xỉ phân phối Binomial khi n trở nên đủ lớn. Trên thực tế, về cơ bản, Abraham de Moivre đã phát hiện ra phân phối bình thường trong khi cố gắng xấp xỉ phân phối Binomial vì nó nhanh chóng vượt ra khỏi tính toán phân phối Binomial khi n phát triển đặc biệt là khi bạn không có máy tính ( tham khảo ).
Phân phối Poisson cũng chỉ là một xấp xỉ khác của phân phối Binomial nhưng nó giữ tốt hơn nhiều so với phân phối bình thường khi n lớn và p nhỏ, hoặc chính xác hơn khi trung bình xấp xỉ bằng phương sai (hãy nhớ rằng đối với phân phối Binomial, Average = np và var = np (1-p)) ( tham khảo ). Tại sao tình huống đặc biệt này rất quan trọng? Rõ ràng nó xuất hiện rất nhiều trong thế giới thực và đó là lý do tại sao chúng ta có xấp xỉ "đặc biệt" này. Dưới đây ví dụ minh họa các kịch bản trong đó phép tính xấp xỉ Poisson thực sự tuyệt vời.
Thí dụ
Chúng tôi có một trung tâm dữ liệu gồm 100.000 máy tính. Xác suất của bất kỳ máy tính nào bị lỗi ngày hôm nay là 0,001. Vì vậy, trung bình np = 100 máy tính bị lỗi trong trung tâm dữ liệu. Xác suất mà chỉ có 50 máy tính sẽ thất bại ngày hôm nay là gì?
Binomial: 1.208E-8
Poisson: 1.223E-8
Normal: 1.469E-7
Trong thực tế, chất lượng gần đúng cho phân phối bình thường đi xuống cống khi chúng ta đi theo đuôi của phân phối nhưng Poisson tiếp tục giữ rất độc đáo. Trong ví dụ trên, chúng ta hãy xem xét xác suất mà chỉ có 5 máy tính sẽ thất bại hôm nay là gì?
Binomial: 2.96E-36
Poisson: 3.1E-36
Normal: 9.6E-22
Hy vọng, điều này cung cấp cho bạn sự hiểu biết trực quan tốt hơn về 3 bản phân phối này.