最近大家都在谈大数据，谈大数据时代传统的抽样技术是否已经失去意义，今天元素就给大家讲述统计学在传统领域的案例，看看传统统计概率理论如何以小博大，来实现企业的数据决策。有时候，最基础的其实也是最实用的。
【案例】员工人员需求数确定？
在互联网行业，电脑是我们日常工作中的标配，离开了电脑我们的工作将寸步难行。为了保证电脑正常工作，需要配备适当的维修员，维修员多了就浪费少了又会影响其他员工的正常工作。
现假定企业有同类型的电脑1000台，各台电脑的工作都是相互独立的，每台电脑发生故障的概率都是0.005.通常情况下一台设备的故障可由一个人来处理，那么需要配备多少维修员，才能保证当设备发生故障时能得到及时维修。
这样的事情相信我们每家企业都会遇到，那么我们如何安排合适的维修人员呢？
首先我们需要明确及时维修的概念，给它一个量化指标，比如电脑发生故障时不能及时维修的概率小于0.005。
其次我们需要将业务问题数据化，经过上面的描述，我们基本上能确定此问题发生的概率情况满足二项分布的条件，此时我们假定需要配备N个维修员，假定同一时刻发生故障的电脑数为X，那么X—b(1000，0.005)，所需解决的问题是确定最小的N，使得:
由于N极大，P极小，此二项分布满足泊松逼近的条件，由泊松定理：
于是：
即：
进而查泊松分布表得出满足上述公式最小的N是12 ，因此最少需要配备12个维修工。
【附录】
1、什么是二项分布
二项分布即重复n次独立的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列试验总称为n重伯努利实验，当试验次数为1时，二项分布就是伯努利分布。
2、泊松分布表
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「我们」留言处理。
