定义 描述单位时间或空间内，独立随机事件发生次数的离散概率分布。
从哪来 基于5.1 独立事件的定义（确保各次试验互不影响）和3.2 组合数（计算特定位置发生事件的排列方式）。
为什么 泊松分布是二项分布的极限形式。当试验次数 $n$ 极大、单次概率 $p$ 极小，且乘积 $\lambda = np$ 保持适中时，二项分布公式 $\binom{n}{k}p^k(1-p)^{n-k}$ 中的 $\binom{n}{k}$ 和 $(1-p)^{n-k}$ 会分别趋近于 $\frac{n^k}{k!}$ 和 $e^{-\lambda}$。这解释了为什么在“罕见事件”大量重复试验中，发生次数服从泊松分布。
直观类比法
适合
形象思维强、抽象逻辑稍弱的学生。
用“下雨”做比喻：把一天看作无数微小的时间片（$n$ 很大），每个时间片下雨概率极低（$p$ 很小），但全天总降雨量（$\lambda$）是固定的。告诉学生，我们不需要知道每一秒下没下雨，只关心“总共下了多少场雨”。通过强调“大量微小机会”汇聚成“宏观结果”，建立直觉。
极限推导法
适合
逻辑严密、喜欢数学证明的学生。
直接展示二项分布 $P(X=k) = \frac{n!}{k!(n-k)!} (\frac{\lambda}{n})^k (1-\frac{\lambda}{n})^{n-k}$。引导学生分步取极限：
1. $\frac{n!}{k!(n-k)!} \frac{1}{n^k} \to \frac{1}{k!}$
2. $(1-\frac{\lambda}{n})^{n-k} \to e^{-\lambda}$
从而得出 $P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$。强调这是从已知（二项）推导未知（泊松）的过程。
参数对比法
适合
擅长归纳总结、易混淆概念的学生。
列表对比二项分布与泊松分布：
-
二项：已知 $n$（总次数）和 $p$（单次概率），求 $k$ 次发生的概率。
-
泊松：已知 $\lambda$（平均发生率），求 $k$ 次发生的概率。
强调泊松分布只有一个参数 $\lambda$，而二项有两个。当 $n$ 很大时，用 $n$ 和 $p$ 计算二项分布很麻烦，用 $\lambda$ 计算泊松分布更简洁。