3二项分布、泊松分布与泊松逼近
§2.3 泊松分布和二项分布的近似的解释解析
P X 3 1 C 0.1 0.9
k 0 k 10 k
2
10 k
0.0702.
10
四、泊松分布
两点分布和二项分布都是以伯努利试验为背 景，即将要研究的分布以法国数学家和物理学
家——泊松的名字来命名． 若离散型随机变量Ｘ的分布列为
P X k
P X k C p q
k n k
n k
,
k 0, 1, 2,
其中
, n,
0 p 1 , q p 的二项分布，记作 X ~ B n, p .
分布列正则性验证：
p C
k 0 k k 0
n
n
k n
pq
k
n k
p q 1.
n k
k
k!
e .
即
C p 1 p
k n k
np
n很大, p很小
k
k!
e .
14
这个结论可叙述为：
☎
在
n 较大， p 很小的条件下，参数为 n,
p 的二项分布的概率计算问题可以转化成参数
为
np 的泊松分布的概率计算问题．
例2.11 在例2.9中，根据二项分布我们已 经计算出了认为新药有效的概率约为7.02℅，
1 1 得 p , 故 X ~ B 3, , 于是 3 3 2 1 2 2 2 P X 2 C3 . 3 3 9
9
例2.9 已知某种疾病患者自然痊愈率为0.1，
为了鉴定一种新药是否有效，医生把它给10个病 人服用，且事先规定一个决策准则：这10个病人 中至少有3个人治好此病，则认为这种药有效，提 高了痊愈率；反之，则认为此药无效．求新药完 全无效，但通过试验被认为有效的概率． 解 每次成功(病人痊愈)的概率为0.1，用X表 示10个病人中痊愈的人数，则 X ~ B 10, 0.1 . 于是，所求概率为
二项分布与泊松分布的近似关系
让实验者在计算机上学会:
1）二项分布与泊松分布相关的概率分布列、分布函数的命令；
2）学会滚动条的制作并能用滚动条对不同的n和p进行滚动控制，实现对二项分布与泊松分布近似关系的动态演示并对结果进行总结分析。
实验原理与数学模型：
二项分布分布和泊松分布都是中亚哟的离散分布，在实际生活中有广泛应用。若X服从参数为n和p的二项分布X~B（n,p）,则p(X=K)=
3、在Excel界面中先选取数据所在的单元格区域$C$2:$c$52,在依次单击【插入】/【柱状图】，选取【簇壮柱形图】，确定后得到柱形图，再对柱形图做一定修饰。
实验结果与实验总结(体会)：
老师，我做实验的时候都不截图的，然后听班上的同学说要截图的，所以我下次实验课一定会截图保存弄到实验报告里面的。
数学实验报告
实验序号：3 日期：2016 年 4 月 6 日
班级
14D姓名学号Fra bibliotek1443201000
实验
名称
二项分布与泊松分布的近似关系
问题的背景：
二项分布与泊松分布都是重要的离散型分布在实际中均有广泛应用。泊松定理告诉我们，当n很大，p很小时，可以用泊松分布近似求解二项分布。本实验就是要通过实际计算、作图和比较等方法对上述结果在不同参数组合情形下给出直观、动态的展示。
一般来说，大量重复事件中稀有事件出现的频数X均服从或近似服从泊松分布。
实验所用软件及版本：Excel 2010
主要内容(要点):
先设置对试验次数n的滚动条
获得随机变量
利用函数BINOMDIST计算二项分布相应的概率值
利用Excel中的【图表向导】绘制出二项分布柱形图
实验过程：（含解决方法和基本步骤，主要程序清单及异常情况记录等）
二项分布与泊松分布
二项分布在实际 生活中广泛应用 于成功率已知的 n次独立重复试 验中，例如抛硬 币、扔骰子等。
二项分布的公式和参数
二项分布公式：P(X=k) = C(n, k) * p^k * (1-p)^(n-k)，其中X表示成功次数，n表示试验次数， p表示每次试验成功的概率 参数解释：n表示试验次数，p表示每次试验成功的概率，X表示成功次数
定义上的区别和联系
二项分布：表示在n次独立重复的伯努利试验中成功的次数概率分布。
泊松分布：表示在单位时间内（或单位面积上）随机事件发生的次数概 率分布。 联系：两者都是离散概率分布，但二项分布强调的是成功次数，而泊松 分布强调的是发生次数。
区别：二项分布需要满足独立重复的条件，而泊松分布则没有这个限制。
它以法国数学家西莫 恩·德尼·泊松的名字 命名，他在19世纪早 期研究了这种分布。
泊松分布适用于描述 在固定时间段内独立 随机事件发生的次数， 例如电话呼叫、到达 的顾客等。
泊松分布的参数是平 均发生率，决定了分 布的形状。
泊松分布的公式和参数
公式：P(X=k) = λ^k * e^(-λ) / k! 参数：λ (lambda)，表示单位时间内随机事件的平均发生率 适用场景：泊松分布常用于描述单位时间内随机事件发生的次数 特点：当λ较小时，泊松分布与二项分布接近
公式中各符号的含义：C(n, k)表示组合数，即从n次试验中选取k次成功的组合方式数
二项分布的应用场景：适用于独立重复试验，例如抛硬币、扔骰子等概率试验
二项分布在概率论中的应用
描述独立重复试验的概率 模型
计算概率和期望值
应用于保险、生物统计学 等领域
与泊松分布的关系和区别
二项分布在统计学中的应用
描述：二项分布是统计学中用来描述成功或失败次数的一种概率分布。 应用场景：在生物统计学、医学统计、可靠性工程等领域有广泛应用。 实例：在医学统计中，二项分布常用于研究某种疾病的发生率、治疗成功率等。 注意事项：在使用二项分布时，需要注意数据的独立性和试验次数的限制。
泊松分布与二项分布的关系
泊松分布与二项分布的关系在统计学中，泊松分布和二项分布都是常见的概率分布类型。
虽然它们看起来非常不同，但实际上它们之间存在一定的联系和相互影响。
本文将讨论泊松分布和二项分布之间的关系，并探讨它们在实际问题中的应用。
首先，让我们来了解一下泊松分布和二项分布的定义和特点。
泊松分布是一种用于估计在特定时间或空间内某事件发生的次数的离散概率分布。
它的概率质量函数如下：P(X=k) = (λ^k * e^-λ) / k!其中，λ是事件发生频率的参数，k是事件发生的次数，e是自然对数的底数。
而二项分布则是一种用于描述在n次试验中，成功次数的概率分布。
它的概率质量函数为：P(X=k) = C(n,k) * p^k * (1-p)^(n-k)其中，n是试验次数，k是成功次数，p是单次试验成功的概率，C(n,k)是组合数。
二项分布可以看作是将n次独立的伯努利试验加和得到的结果，因此也称为伯努利分布之和。
而泊松分布则是在极大n的情况下，二项分布的近似值。
通常情况下，n都很大且p较小的时候二项分布就可以近似为泊松分布，这个规律被称为泊松定理。
那么，我们来看一下泊松分布和二项分布的关系具体是如何体现的。
在实际问题中，我们往往需要推测某一事件在一定时间或者空间中发生的次数。
如果我们知道了该事件的发生概率p和该时间或空间内事件的频率λ，我们可以使用二项分布或者泊松分布进行估计。
当n很大p很小时，我们可以使用泊松分布，即：P(X=k) = (e^-λ * λ^k) / k!而当n相对较小或p较大时，则需要使用二项分布计算成功或失败的概率，再根据概率推出发生次数的期望值。
另外，泊松分布也是一种极限分布，它可以解释一些实际现象。
比如，在大型超市里，商品的销售数量一般是服从泊松分布的，即售出数量与时间和地点无关，只与其具体的特性有关。
同样，在医院里，急诊室的病人数量也是服从泊松分布的，即在一段时间内出现病人的数量与该时间的长度无关。
二项分布与泊松分布的应用
在物理学中，泊松分布 也被用于描述放射性衰 变的期望值，例如式为：DX = λ
方差可以用来衡量随机事件的波 动程度
添加标题
添加标题
添加标题
添加标题
方差的计算需要考虑随机事件的 概率和频率
在泊松分布中，方差与期望值λ相 等
适用场景的对比
计算成功次数
定义：二项分布是描述在n次独立 重复的伯努利试验中成功次数的 概率分布。
公式：X~B(n,p)，其中X表示成 功次数，n表示试验次数，p表示 每次试验成功的概率。
添加标题
添加标题
添加标题
添加标题
应用场景：例如，在n次抛硬币试 验中，计算正面朝上的次数。
泊松分布与二项分布的关系：当n 很大，p很小，且np=λ（λ为常 数）时，二项分布近似于泊松分 布。
泊松分布的应用范 围广泛，包括物理 学、生物学、医学 、经济学等领域。
在实际应用中，泊 松分布可以通过数 学公式和概率图来 描述随机事件的概 率分布情况。
计算随机事件的概率
泊松分布适用于 描述单位时间内 随机事件的概率 分布情况
泊松分布的参数 λ表示单位时间 内随机事件的平 均发生率
通过泊松分布， 可以计算出随机 事件发生的具体 概率
注意事项：当n很大或者p很小时，二项分布可能会呈现出泊松分布的特性
与泊松分布的关系：当n充分大且p充分小时，二项分布近似于泊松分布
描述随机事件的概率模型
泊松分布适用于在 一定时间内随机事 件的概率分布，如 单位时间内随机事 件发生的次数。
泊松分布在二项分 布的基础上，考虑 了随机事件的独立 性和成功概率，从 而更准确地描述随 机事件。
二项分布与泊松分布在参数取值范围上也有所不 同，二项分布的参数p取值范围为0<p<1，而泊 松分布的参数λ可以取任意正值。
二项分布与泊松分布公式概览
二项分布与泊松分布公式概览在统计学中，二项分布和泊松分布是两个常见的概率分布模型。
它们可以用于描述离散型随机变量的分布情况。
本文将对二项分布和泊松分布的公式进行概览，并分析它们在实际问题中的应用。
一、二项分布公式概览二项分布是描述在n次独立重复试验中，成功事件发生k次的概率分布。
其概率质量函数（probability mass function，简称PMF）的公式为：P(X=k) = C(n, k) * p^k * (1-p)^(n-k)其中，P(X=k)表示成功事件发生k次的概率；C(n, k)表示从n次试验中选出k次成功的组合数；p表示每一次试验中成功事件发生的概率；(1-p)表示每一次试验中失败事件发生的概率。
二、泊松分布公式概览泊松分布是描述单位时间或单位空间内随机事件发生次数的概率分布。
其概率质量函数的公式为：P(X=k) = (e^(-λ) * λ^k) / k!其中，P(X=k)表示在单位时间或单位空间内事件发生k次的概率；λ表示单位时间或单位空间内事件的平均发生率；e表示自然对数的底；k!表示k的阶乘。
三、二项分布与泊松分布的关系当进行大量重复试验，试验次数n趋向于无穷大，每次试验成功的概率p趋向于0，且n*p=λ时，二项分布逼近于泊松分布。
也就是说，泊松分布可以看作是二项分布的一种特殊情况。
四、二项分布与泊松分布的应用1. 二项分布的应用：二项分布常用于描述二分类问题，比如投掷硬币正面朝上的次数、医院手术成功率等。
通过计算二项分布的期望值和方差，可以对这些事件的概率进行分析和预测。
2. 泊松分布的应用：泊松分布常用于描述罕见事件的发生概率，如单位时间内交通事故发生的次数、单位空间内放射性粒子的数量等。
由于泊松分布的特点是平均发生率固定，与时间和空间无关，因此可以用于对事件的稀有性进行建模。
举例来说，某电商网站每天接收的订单数量服从泊松分布，平均每天接收10个订单。
如果想要计算某一天接收到20个订单的概率，可以使用泊松分布的概率质量函数进行计算。
概率论中的二项分布与泊松分布
概率论中的二项分布与泊松分布概率论是数学中的一个重要分支，研究随机事件发生的概率以及它们之间的关系。
在概率论中，二项分布和泊松分布是两个常见且重要的概率分布。
本文将分别介绍二项分布和泊松分布的定义、特点以及应用。
一、二项分布二项分布是指在一系列独立的、相同概率的伯努利试验中，成功事件发生的次数服从二项分布的概率分布。
其中，伯努利试验是指只有两个可能结果的试验，如抛硬币的结果只有正面和反面两种情况。
二项分布的概率质量函数可以表示为：P(X=k)=C(n,k)p^k(1-p)^(n-k)，其中，n代表试验次数，k代表成功事件发生的次数，p代表每次试验成功的概率，C(n,k)代表组合数。
二项分布的特点有以下几点：1. 二项分布的随机变量只能取非负整数值，即k只能取0,1,2,...,n。
2. 二项分布的期望值为E(X)=np，方差为Var(X)=np(1-p)。
3. 当试验次数n趋向于无穷大时，二项分布逼近于泊松分布。
二项分布在实际应用中有广泛的应用，比如在质量控制中，可以使用二项分布来计算在一定数量的产品中出现不合格品的概率；在投资决策中，可以使用二项分布来计算在一系列投资项目中成功项目的数量等。
二、泊松分布泊松分布是指在一段时间或区域内，事件发生的次数服从泊松分布的概率分布。
泊松分布适用于事件发生的概率很小，但试验次数很大的情况。
泊松分布的概率质量函数可以表示为：P(X=k)=(e^(-λ)*λ^k)/k!，其中，λ代表单位时间或单位区域内事件的平均发生率。
泊松分布的特点有以下几点：1. 泊松分布的随机变量只能取非负整数值，即k只能取0,1,2,...。
2. 泊松分布的期望值和方差均为λ。
3. 当试验次数n趋向于无穷大，每次试验成功的概率p趋向于0，但np保持不变时，二项分布逼近于泊松分布。
泊松分布在实际应用中也有广泛的应用，比如在电话交换机的排队系统中，可以使用泊松分布来描述单位时间内到达电话的数量；在可靠性工程中，可以使用泊松分布来描述设备的故障率等。
二项分布与泊松分布
二项分布的应用
2 正态近似法：应用条件：np及n(1−p)均≥5
p±uαsp
例：在某地随机抽取329人，做HBsAg检验，得阳性 率为8.81%，求阳性率95%置信区间。 已知：p=8.81%，n=329，故：
s p p ( 1 p ) /n 0 .0( 1 8 0 .0 8) 8 /3 1 8 2 0 .0 1 9 1 1 .5 % 5 6 6
第一节 二项分布和总体率的估计
一、二项分布 （一）二项分布的概念
在生命科学研究中，经常会遇到一些事物， 其结果可分为两个彼此对立的类型，如一个病 人的死亡与存活、动物的雌与雄、微生物培养 的阳性与阴性等，这些都可以根据某种性状的 出现与否而分为非此即彼的对立事件。这种非 此即彼事件构成的总体，就称为二项总体 （binomial population）。
二、二项分布的应用
(一 )、总体率的估计
1 查表法：附表6百分率的置信区间表直接
列出了X≤n/2的部分。其余部分可以查nx的阴性部分的QL~QU再相减得 PLand pU PL=1-QL 1-QU 例：某地调查50名儿童蛔虫感染情况，发现有10人大便
中有蛔虫卵，问儿童蛔虫感染率的95%置信区间是多少？
1份混合样本中含有k份阳性的概率为当k0时p0是说混合样品中没有1阳性样品的原始概率反映的是混合样品阴性的概率当收集的样本数量很大时全部检验费时费力可以用群检验的方法进行解决若每个标本的阳性概率为则其阴性概率为q1便是某个群m个标本均为阴性的概率一个群为阴性的群的概率而1q就为一个群阳性的概率
二项分布与泊松分布
第一节 二项分布和总体率的估计
二项分布(binomial distribution) 就是对这种只具有两种互斥结果的离散型 随机变量的规律性进行描述的一种概率分 布。由于这一种分布规律是由瑞士学者贝 努里(Bernoulli)首先发现的，又称贝努里 分布。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
二项分布、泊松分布与泊松逼近雅各布·伯努利与二项分布公式雅各布·伯努利（Jacob Bernoulli，1654—1705）来自数学史上的传奇家族—瑞士巴塞尔的伯努利家族，该家族的三代成员中产生了8位数学家，在17世纪和18世纪微积分理论及应用的发展中占有领先地位，雅各布·伯努利是其家族第一代数学家中的第一位，他与弟弟约翰·伯努利（Johann Bernoulli，1667—1748）、侄子丹尼尔·伯努利（Daniel Bernoulli，1700—1782）在数学史上享有声誉。
家族简介在科学史上，父子科学家、兄弟科学家并不鲜见，然而，在一个家族跨世纪的几代人中，众多父子兄弟都是科学家的较为罕见，其中，瑞士的伯努利（也译作贝努力、伯努利）家族最为突出。
伯努利家族3代人中产生了8位科学家，出类拔萃的至少有3位；而在他们一代又一代的众多子孙中，至少有一半相继成为杰出人物。
伯努利家族的后裔有不少于120位被人们系统地追溯过，他们在数学、科学、技术、工程乃至法律、管理、文学、艺术等方面享有名望，有的甚至声名显赫。
最不可思议的是这个家族中有两代人，他们中的大多数数学家，并非有意选择数学为职业，然而却忘情地沉溺于数学之中，有人调侃他们就像酒鬼碰到了烈酒。
老尼古拉·伯努利（Nicolaus Bernoulli，公元1623～1708年）生于巴塞尔，受过良好教育，曾在当地政府和司法部门任高级职务。
他有3个有成就的儿子。
其中长子雅各布（Jocob，公元1654～1705年）和第三个儿子约翰（Johann，公元1667～1748年）成为著名的数学家，第二个儿子小尼古拉（Nicolaus I，公元1662～1716年）在成为彼得堡科学院数学界的一员之前，是伯尔尼的第一个法律学教授。
雅各布·伯努利1654年12月27日，雅各布·伯努利生于巴塞尔，毕业于巴塞尔大学，1671年17岁时获艺术硕士学位。
这里的艺术指“自由艺术”，包括算术、几何学、天文学、数理音乐和文法、修辞、雄辩术共7大门类。
遵照父亲的愿望，他于1676年22岁时又取得了神学硕士学位。
然而，他也违背父亲的意愿，自学了数学和天文学。
1676年，他到日内瓦做家庭教师。
从1677年起，他开始在那里写内容丰富的《沉思录》。
1678年和1681年，雅各布·伯努利两次外出旅行学习，到过法国、荷兰、英国和德国，接触和交往了许德、玻意耳、胡克、惠更斯等科学家，写有关于彗星理论（1682年）、重力理论（1683年）方面的科技文章。
1687年，雅各布在《教师学报》上发表数学论文《用两相互垂直的直线将三角形的面积四等分的方法》，同年成为巴塞尔大学的数学教授，直至1705年8月16日逝世。
1699年，雅各布当选为巴黎科学院外籍院士；1701年被柏林科学协会（后为柏林科学院）接纳为会员。
许多数学成果与雅各布的名字相联系。
例如悬链线问题（1690年），曲率半径公式（1694年），“伯努利双纽线”（1694年），“伯努利微分方程”（1695年），“等周问题”（1700年）等。
雅各布对数学最重大的贡献是在概率论研究方面。
他从1685年起发表关于赌博游戏中输赢次数问题的论文，后来写成巨著《猜度术》，这本书在他死后8年，即1713年才得以出版。
最为人们津津乐道的轶事之一，是雅各布醉心于研究对数螺线，这项研究从1691年就开始了。
他发现，对数螺线经过各种变换后仍然是对数螺线，如它的渐屈线和渐伸线是对数螺线，自极点至切线的垂足的轨迹，以极点为发光点经对数螺线反射后得到的反射线，以及与所有这些反射线相切的曲线（回光线）都是对数螺线。
他惊叹这种曲线的神奇，竟在遗嘱里要求后人将对数螺线刻在自己的墓碑上，并附以颂词“纵然变化，依然故我”，用以象征死后永生不朽。
约翰·伯努利雅各布·伯努利的弟弟约翰·伯努利比哥哥小13岁，1667年8月6日生于巴塞尔，1748年1月1日卒于巴塞尔，享年81岁，而哥哥只活了51岁。
约翰于1685年18岁时获巴塞尔大学艺术硕士学位，这点同他的哥哥雅各布一样。
他们的父亲老尼古拉要大儿子雅各布学法律，要小儿子约翰从事家庭管理事务。
但约翰在雅各布的带领下进行反抗，去学习医学和古典文学。
约翰于1690年获医学硕士学位，1694年又获得博士学位。
但他发现他骨子里的兴趣是数学。
他一直向雅各布学习数学，并颇有造诣。
1695年，28岁的约翰取得了他的第一个学术职位——荷兰格罗宁根大学数学教授。
10年后的1705年，约翰接替去世的雅各布任巴塞尔大学数学教授。
同他的哥哥一样，他也当选为巴黎科学院外籍院士和柏林科学协会会员。
1712、1724和1725年，他还分别当选为英国皇家学会、意大利波伦亚科学院和彼得堡科学院的外籍院士。
约翰的数学成果比雅各布还要多。
例如解决悬链线问题（1691年），提出洛必达法则（1694年）、最速降线（1696年）和测地线问题（1697年），给出求积分的变量替换法（1699年），研究弦振动问题（1727年），出版《积分学教程》（1742年）等。
约翰与他同时代的110位学者有通信联系，进行学术讨论的信件约有2500封，其中许多已成为珍贵的科学史文献，例如同他的哥哥雅各布以及莱布尼茨、惠更斯等人关于悬链线、最速降线（即旋轮线）和等周问题的通信讨论，虽然相互争论不断，特别是约翰和雅各布互相指责过于尖刻，使兄弟之间时常造成不快，但争论无疑会促进科学的发展，最速降线问题就导致了变分法的诞生。
约翰的另一大功绩是培养了一大批出色的数学家，其中包括18世纪最著名的数学家欧拉、瑞士数学家克莱姆、法国数学家洛必达，以及他自己的儿子丹尼尔和侄子尼古拉二世等。
雅各布·伯努利的父亲为他规划的人生道路是做神职人员，但他的爱好却是数学，他靠自学掌握了莱布尼茨的微积分学，并且从1687年直到去世一直担任巴塞尔大学数学教授。
雅各布·伯努利是与牛顿、莱布尼茨和惠更斯同时代的人物，雅各布·伯努利与他们都保持密切的通信联系并曾仔细研读了惠更斯的《机遇规律》，由此对概率论产生兴趣。
从雅各布·伯努利与莱布尼茨的通信可知，他是在其生命的最后两年里写作其划时代的著作《推测术》的。
这部概率论发展史上里程碑式的著作在雅各布·伯努利去世时尚未整理定稿，而且由于伯努利家族内部的问题，该书在1713年才得以出版。
这部著作共239页，分为4部分。
其中，第一部分是对《机遇的规律》的注解；第二部分是关于排列组合的系统论述；第三部分则是利用前面的知识讨论一些赌博问题 这三部分是以往概率论知识的系统化和深化；第四部分是关于概率论在社会、道德和经济领域中的应用，其中包括了该书的精华、奠定了该书在概率史上不朽地位的“伯努利大数定律”。
《推测术》之前的那些概率论著作多是讨论具体的赌博取胜概率的计算，相比之下，《推测术》与现代教科书的编写模式类似，更着重指导这种计算的一般规律及其数学证明，并以数字实例来解释其应用。
例如，在论及有重复操作的博弈−−例如在一局赌博中涉及将一颗骰子掷五次时，他指出在每次重复中所涉及的事件概率不变，且各次重复相互独立。
前人的著作中也是默认这一点的，但雅各布·伯努利第一个将其明确指出，因此，如今符合这种条件的实验模型称为伯努利概型。
雅各布·伯努利还明确表述了独立事件的概率乘法定理，并在此基础上严格证明了二项概率分布公式(n k)p k q n−k 的精确值相当困难。
因此。
18世纪前期的许多数学家们，一直在寻找近似计算二项概率分布的方法。
这些努力产生了丰硕的成果，其中特别重要的事棣莫弗和泊松的工作。
棣莫弗与二项概率的正态逼近棣莫弗（Abraham De Moivre ，1667—1754）出生于法国一个新教徒家庭。
他从11岁到14岁在新教徒中级学校接受古典文学教育；1681年学校关闭以后，转学并开始学习惠更斯的概率著作、物理学以及从欧式机和开始的标准教学课程。
1865年南特法令废除后不久，棣莫弗因为宗教信仰被捕入狱。
1688年4月重获自由后，他随即永久离开法国前往英国。
在英国，棣莫弗掌握了牛顿的流数术并开始了自己的创造性工作，他谋生的手段除了做家庭教师，就是为赌徒或投机商解决机会游戏或年金保险中出现的问题，由此在数学领域内取得了多方面的成就，并于1697年当选为英国皇家学会会员。
1718年，棣莫弗出版了《机遇论》（Doctrine of Chance,或译为《机遇原理》 ）。
该书在1738年和1756年两次再版，书中给出了二项分布公式、斯特林公式、正态分布、棣莫弗-拉普拉斯中心极限定理、弱大数定律（伯努利大数定律）、概率积分、正态频率曲线等重要内容，还首次定义了独立事件的乘法定理等。
该书与伯努利的《推测术》以及拉普拉斯的《分析概率论》并称为概率论发展早期3部里程碑式的著作，奠定了棣莫弗在概率论历史上的地位。
棣莫弗在二项概率分布的近似计算方面取得了重要突破：他提出了正态概率密度函数，给出了二项分布的正态逼近。
有趣的是，吸引棣莫弗投身到二项概率分布研究的契机并不是伯努利的工作，而是下述偶然事件：1721年，有一个名叫亚历山大·喀明的人向棣莫弗提出了这样一个问题：甲乙两人在丙家进行赌博，每局甲胜出的概率为p ，乙胜出的概率为q =1- p 。
赌N 局，以X 表示甲获胜的局数，并约定：若X ≥N p ，则甲付给丙X —Np 元，若X <Np ，这时N —X >Nq ，则乙付给丙（N —X ）—Nq =Np —X 元。
问丙平均获利多少元？答案是丙平均获利为D N =∑|i −Np |N i=1b(N,p,i)这里，b(N,p,i)=(N i)p i q N−i 就是一个二项概率。
棣莫弗在Np 为整数的条件下得到 D N =2 Npq b(N,p,Np)但他只对p =1/2的特例给出了证明，不过他的证法容易推广到p 为一般值的情况下。
棣莫弗说他是在1721年得到上述公式的，但证明的首次公开发表是在1730年的。
尽管回答了喀明提出的问题，但由于N 比较大时，b(N,p,i)的值不易计算，因此棣莫弗希望找到一个便于计算的近似公式。
1809年，德国数学家高斯（Johann Carl Friedrich Gauss ，1777—1855）在其数学和天体力学名著《绕日天体运动的理论》中指出测量误差服从正态分布，之后人们发现正态分布在自然界和社会实践中极为常见。
例如，炮弹落点、农作物产量、工厂产品的许多数量指标（直径、长度、宽度、高度等）、人的许多生理尺寸（身高、体重等）以及各种各样的心理学测试分数和物理现象比如光子计数等都近似服从正态分布。