这三兄弟——泊松分布、指数分布、伽马分布，是概率论里最容易被混在一起的名词。很多人被各种教材拆开了看：泊松分布用来数“一段时间里来了多少个电话”，指数分布用来算“下一个电话要等多久”，而伽马分布更多时候是某个例题里的课代表，考完试就忘。实际上，只要抓住“泊松过程”这个共同的母体，三者的关系比你想的简单得多：它们只是同一个随机过程的不同切面。这篇文章会把这几个分布讲透，包括它们是怎么从同一个过程长出来的、公式之间怎么互相转换、在排队论、天文统计、可靠性工程里到底怎么用，以及我自己实操时容易踩的坑。适合正在学概率统计的朋友、做数据分析的人，还有对随机过程感兴趣但被教科书劝退的读者。
1. 从泊松过程讲起：三个分布共享同一个故事框架
1.1 什么是泊松过程
先忘掉公式，想象一个场景：你正在一家咖啡店门口观察客人进店的规律。你发现每分钟平均进店 2 人，但有时候连着 10 秒没人，有时候又瞬间涌进来 5 个人，毫无规律可循。如果你持续记录很长时间，把每个客人的到达时刻画在一根时间轴上，得到的就是一个“随机到达”的事件序列。
在这个序列满足三个条件时，它就是一个标准的泊松过程：
- 平稳性：在一段给定长度的观察时间里，事件发生的平均速率恒定，不会出现“白天密集、晚上稀疏”这种随时间变化的趋势。
- 独立增量：两个不相交的时间区间里，事件数是相互独立的。前半分钟来了多少人，不影响后半分钟来多少人。
- 普通性（不重叠性）：在极短的时间间隔里，同时到达两个及以上的事件概率趋近于 0。也就是说，客人是一个一个进店的，不会真的“挤成一团”。
满足这三条，那么任意固定时间区间内事件发生的次数，服从的就是泊松分布；而两个事件之间的间隔时间，服从的是指数分布；从 0 时刻开始数，等到第 k 个事件发生的时间，服从的是伽马分布。
为什么这三条这么重要？因为现实中很多系统其实并不完全满足它们，比如“高峰期客流量更高”会破坏平稳性，“排队而不是独立到达”会破坏普通性。但只要在近似意义上满足，三个分布就能直接套用，这也是它们在工程和科研中出镜率极高的根本原因。
1.2 同一个过程，三种切法
我自己的理解方式是在时间轴上切一刀，换不同角度看：
- 泊松分布是“横截面的视角”：固定时间区间 [0, t]，数一数里面有几个事件。得到的随机变量 N(t) 是离散的，取值 0, 1, 2, ...。
- 指数分布是“间隔的视角”：随便挑一个事件，看它到下一个事件等多久，这个等待时间 T 是连续的。
- 伽马分布是“累计的视角”：从起始点开始，一路等到第 k 个事件为止，总耗时 S_k 是连续的。
关键在于，这三种切法不是三个无关的分布，而是同一个泊松过程在不同投影方向上的结果。只要知道事件到达速率 λ，就能同时推导出这三个分布的全部公式，不需要死记硬背。
1.3 为什么这三个分布总是一起出现
因为“到达过程”几乎是所有随机系统的入口。电话交换机需要了解“单位时间呼叫数”（泊松）和“呼叫间隔”（指数）；保险公司需要知道“一年理赔几次”（泊松）和“两次理赔之间间隔多久”（指数）；医院急诊室想知道“一小时来几个病人”（泊松）和“下一辆车什么时候来”（指数）。而一旦你开始关心“我要等第 k 个病人、第 k 次故障、第 k 个顾客”，你就不可避免地撞上伽马分布。
所以，答案很简单：三个分布级联在一起，是因为它们描述的是同一串事件序列的不同统计量。理解了源头，公式就不再是无根之木。
2. 指数分布：等待下一个事件的时间
2.1 定义与关键性质
指数分布是连续分布里最好说话的一个了。设事件到达速率为 λ（单位时间内平均发生 λ 次事件），那么等待时间 T 服从参数为 λ 的指数分布，概率密度为：
f(t) = λ * e^(-λt)，t ≥ 0
期望 E[T] = 1/λ，方差 Var(T) = 1/λ²。
它最出名的性质是无记忆性。直观地说：我已经等了 10 分钟还没等到公交车，那么我再等 5 分钟的概率，和一个刚到车站的人等 5 分钟的概率完全相同。时间的流逝没有让“即将到来”这件事变得更可能。
用公式表达就是：
P(T > s + t | T > s) = P(T > t)
这个性质在生活中的类比非常直观：你盯着一个灯泡，它已经亮了 1000 小时，那它再亮 100 小时的概率和一个新灯泡亮 100 小时的概率一样。这不是说灯泡“不会老化”，而是说在“泊松过程”的假设下，事件是瞬时随机发生的，不存在“记性”。
2.2 泊松分布到指数分布的推导
很多人以为指数分布和泊松分布是并列关系，其实指数分布可以直接由泊松分布推导出来。
假设事件按速率 λ 发生，对于任意时间区间 (0, t]，事件数 N(t) ~ Poisson(λt)。现在问：第一个事件的到达时间 T₁ 超过 t 的概率是多少？等价的问题是：在 (0, t] 里一个事件都没发生。
P(T₁ > t) = P(N(t) = 0) = e^(-λt)
所以 T₁ 的分布函数就是：
F(t) = P(T₁ ≤ t) = 1 - e^(-λt)
对 t 求导就得到密度函数 f(t) = λ * e^(-λt)。这就是指数分布。
这里有一个特别容易绕晕的点：泊松分布里的参数是 λt，也就是“在 t 时间内的平均事件数”，而指数分布里只有一个 λ，它是“单位时间的事件数”。用单位时间去理解指数分布最顺：等待时间的期望等于 1/λ，平均速率越快，等待越短。
2.3 指数分布使用中的两个坑
第一个坑是参数倒置。很多软件里指数分布用 scale 参数而不是 rate 参数。在 Python 的scipy.stats.expon里，默认scale=1，它的含义是均值 1/λ，不是率 λ。如果直接用expon.pdf(x, 2)会报错，因为第二个位置实际上是 loc。正确写法是expon.pdf(x, scale=1/2)，表示 mean=0.5。这类错误我见太多了。
第二个坑是滥用无记忆性。设备老化、人的疲劳、产品磨损都不满足无记忆性。指数分布只适合描述“瞬时随机事件”，比如原子衰变、顾客随机到店、突发故障（假设故障不会因为运行时间而增加概率）。如果你在处理存在磨损过程的寿命数据，就应该用 Weibull 分布或 Gamma 分布，强行套指数分布会得出非常乐观且错误的可靠性结论。
3. 伽马分布：等待第 k 个事件的时间
3.1 定义与参数
伽马分布是这章里的“压轴角色”，也是很多人最陌生的。它有两个参数，常见写法有两种：
第一种是按形状参数 α 和尺度参数 θ 写（θ 是 scale）：
f(x) = x^(α-1) * e^(-x/θ) / (θ^α * Γ(α))，x ≥ 0
均值 E[X] = αθ，方差 Var(X) = αθ²。
第二种是按形状参数 α 和速率参数 β 写（β 是 rate）：
f(x) = β^α / Γ(α) * x^(α-1) * e^(-βx)，x ≥ 0
均值 E[X] = α/β，方差 Var(X) = α/β²。
这两种写法是同一个分布换了个马甲，区别只有一个：尺度参数是速率的倒数。如果看书做题时发现公式里的某个参数跑到了分母上，大概率就是用了 scale 版本。我把这两种写法放在一起对比，就是提醒大家：用任何库之前，先确认自己的参数化方式，否则对不上号。
伽马函数 Γ(α) 出现在分母上，它在这里的作用就是把密度函数“归一化”，保证全概率为 1。当 α 是正整数 k 时，Γ(k) = (k-1)!，这时候公式会简化不少，也是我们在泊松过程里最常遇到的情况。
3.2 指数分布是伽马分布的特例
当形状参数 α = 1 时，伽马分布变成：
f(x) = β * e^(-βx)
这就是指数分布。所以指数分布就是伽马分布家族里最小的一个成员：等待 1 个事件的时间，当然就是第一个事件到达的时间。
从这个角度看，伽马分布可以理解为“把 k 个独立的指数随机变量加起来”的总时间。这里有一个非常重要的可加性：如果 X₁, X₂, ..., X_k 是 k 个独立的指数分布，速率都是 λ，那么：
S_k = X₁ + X₂ + ... + X_k ~ Gamma(k, λ)
也就是形状参数等于 k，速率参数等于 λ。这一点在工程上解释很舒服：修台机器要换 5 个零件，每个零件的更换时间服从指数分布，那么总维修时间就服从伽马分布（形状参数 5）。
3.3 伽马分布和泊松分布的“对偶”关系
泊松分布和伽马分布互为“镜面”。泊松分布回答的是：在固定时间 t 内，事件发生了 0, 1, 2, ... 次的概率是多少？伽马分布回答的是：发生第 k 次事件，要在时间轴上等到哪天？
这两者不是彼此独立的两张表，而是一枚硬币的正反两面。数学上有一个经典恒等式：
P(N(t) ≥ k) = P(T_k ≤ t)
翻译成人话：到时刻 t 为止，事件发生次数至少为 k 次，这件事等价于“第 k 次事件发生的时间早于 t 或正好在 t”。我觉得这个等价关系是整个关系网络里最核心的一座桥。泊松分布左侧给出的是离散的“计数概率”，伽马分布左侧给出的是连续的“等待时间概率”，两者通过同一个事件“第 k 个到达”连接起来。
用求和形式展开是这样的：
Σ_{n=k}^∞ ( (λt)^n / n! ) * e^(-λt) = ∫_0^t ( λ^k * x^(k-1) * e^(-λx) ) / (k-1)! dx
等式的左边是泊松分布的大于等于 k 的右尾概率，右边是伽马分布小于等于 t 的累积概率。我第一次在教材里看到这个等式时觉得它只是“数学巧合”，后来才意识到它是理解所有排队系统的基础：我排队等 5 个服务台聚合处理完，等价于至少完成 5 个服务请求。两者是同一件事。
3.4 伽马分布与卡方分布的关系
除了泊松过程，伽马分布还和统计推断里的卡方分布密不可分。自由度 ν 的卡方分布其实就是伽马分布的一个特例：
χ²(ν) = Gamma(形状参数 α = ν/2，速率参数 β = 1/2)
用速率参数版本表达就是：χ²(ν) ~ Gamma(ν/2, 1/2)。
这个关系让伽马分布成为贝叶斯统计和极大似然估计里的常客。如果你做过正态总体方差区间估计，那么样本方差乘上 (n-1)/σ² 之后服从 χ²(n-1)，而 χ² 本身就是伽马分布。也就是说，你以为你在和伽马分布八竿子打不着的 t 检验打交道，实际上屁股底下坐的还是伽马家族。
4. 三个分布的桥梁：从公式到直觉
4.1 三个分布之间的公式对照
这一节我把三个分布放在一起对比。假设事件到达速率为 λ，观察时长为 t。
| 分布 | 随机变量含义 | 概率函数 | 均值 | 方差 | 参数要求 |
|---|---|---|---|---|---|
| 泊松分布 | 时间段 [0, t] 内事件发生次数 | P(N=n) = (λt)^n e^(-λt) / n! | λt | λt | n = 0, 1, 2, ... |
| 指数分布 | 相邻两次事件的时间间隔 | f(x) = λ e^(-λx) | 1/λ | 1/λ² | x ≥ 0 |
| 伽马分布 | 等待第 k 次事件到达的总时间 | f(x) = λ^k x^(k-1) e^(-λx) / (k-1)! | k/λ | k/λ² | x ≥ 0, k 为正整数 |
这张表里的均值关系非常对称：泊松分布的均值是 λt，它从“事件数”这个离散维度刻画过程；指数分布均值是 1/λ，它从“单次间隔时间”这个连续维度刻画过程；伽马分布均值是 k/λ，它从“k 次间隔的累计时间”这个连续维度刻画过程。三个分布的参数核心都是 λ，只是因为观察的“切面”不同，看起来像是三个独立的分布。
提示：我特意把伽马分布限制在形状参数为正整数 k 的情形来写公式，这样它在泊松过程里对应“第 k 次到达”。现实中伽马分布的形状参数 α 可以是任意正实数，不只限定整数，公式里的阶乘换成伽马函数 Γ(α) 即可。理解时先把握住整数特例，再推广到实数会更轻松。
4.2 泊松-伽马恒等式的推导思路
我们试着把恒等式 P(N(t) ≥ k) = P(T_k ≤ t) 试着完整推一遍，这个过程能帮你彻底把三个分布串起来。
先看左边。N(t) 是 [0, t] 里的事件数，N(t) ≥ k 说明至少来了 k 个事件。转化为时间轴语言，就意味着第 k 个事件在时刻 t 之前已经发生。第 k 个事件的到达时刻是 T_k，所以：
P(N(t) ≥ k) = P(T_k ≤ t)
这本质上是同一个随机事件在你脑子里用两种视角描述。有了这个事件等价关系，剩下的就是计算问题。
右边 T_k 是 k 个独立同分布指数随机变量之和。我们先用指数分布的卷积推导伽马分布。k = 1 时，T₁ ~ Exp(λ)。k = 2 时，T₂ = T₁ + X₂，密度是两个指数分布的卷积：
f_{T₂}(t) = ∫_0^t λ e^(-λx) * λ e^(-λ(t-x)) dx = λ² t e^(-λt)
k = 3 同理继续卷积，得到 λ³ t² e^(-λt) / 2!。归纳出一般形式：
f_{T_k}(t) = λ^k t^(k-1) e^(-λt) / (k-1)!
然后计算累积分布：
P(T_k ≤ t) = ∫_0^t λ^k x^(k-1) e^(-λx) / (k-1)! dx
而泊松分布的右尾概率是：
P(N(t) ≥ k) = 1 - Σ_{n=0}^{k-1} (λt)^n e^(-λt) / n!
这两个表达式一个是积分，一个是求和，看起来完全不同，但数值上永远相等。因为它们在计算的是同一个事件。我第一次用 Python 随机模拟验证这个等式时，数值几乎完全吻合，那种“原来如此”的感觉，比看十遍公式都来得直观。
4.3 帮助记忆的直观联想
如果符号太抽象，可以用生活化的模型去记：
- 把泊松过程想象成一辆辆随机到站的公交车，平均每小时来 3 辆。
- 泊松分布回答：接下来 1 小时里，我能等到几辆车？答案可能是 0、1、2、3 ...，每个数字都有概率。
- 指数分布回答：我走到站台后，第一辆车要过多久才来？平均 20 分钟，来的时间成指数分布。
- 伽马分布回答：我要等到第 4 辆车，总耗时多久？这个总耗时就是 4 个指数等待时间相加，服从伽马分布。
- 泊松和伽马的对偶关系回答：如果 1 小时内我能等到至少 4 辆车，等价于第 4 辆车在 1 小时前已经到站。这两句话说的是同一件事。
这个模型可以覆盖绝大多数实际场景。只要你能想象出一连串“随机到达的事件”，三个分布就全部就位了。
4.4 用 Python 验证三者关系
光说不练假把式。我用一个简单的蒙特卡洛模拟验证一下泊松-伽马恒等式，顺便也能帮你确认自己写代码时参数有没有搞错。
import numpy as np from scipy.stats import poisson, gamma # 场景：事件到达速率 lambda = 2 次/小时 lam = 2.0 # 观察时间 t = 3 小时 t = 3.0 # 关注“至少来 k 次”这个事件 k = 5 # 理论值：泊松分布右尾 P(N(t) >= k) p_poisson = 1 - poisson.cdf(k - 1, mu=lam * t) print(f"泊松右尾 P(N(t) >= {k}) = {p_poisson:.6f}") # 理论值：伽马分布左尾 P(T_k <= t)，注意用速率参数 scale=1/lam p_gamma = gamma.cdf(t, a=k, scale=1/lam) print(f"伽马左尾 P(T_{k} <= {t}) = {p_gamma:.6f}") # 蒙特卡洛模拟：生成大量泊松过程，直接统计事件数 N_sim = 200000 counts = np.random.poisson(lam=lam * t, size=N_sim) sim_poisson = np.mean(counts >= k) print(f"模拟泊松右尾 = {sim_poisson:.6f}") # 蒙特卡洛模拟：用指数等待时间相加，模拟第 k 个事件的到达时刻 wait_sums = np.random.exponential(scale=1/lam, size=(N_sim, k)).sum(axis=1) sim_gamma = np.mean(wait_sums <= t) print(f"模拟伽马左尾 = {sim_gamma:.6f}")运行结果大致会得到几个非常接近的数值，比如 0.1847 左右。这说明，泊松分布和伽马分布真的只是同一个等式的两种写法。这也是我在实际工作中最喜欢用的验证方式：理论公式容易记混，跑一次模拟就全对上了。
注意：在 scipy 里
gamma.cdf(x, a, scale=1/lam)中的a是形状参数，scale=1/lam是尺度参数。如果你看到某个教程里写gamma.cdf(t, k, lam)，那是把第三个参数当成了速率参数，这在 scipy 里是不对的。scipy 的gamma支持scale参数，不支持 rate 参数，这点必须牢记。
5. 实际应用场景对照
5.1 呼叫中心与排队论
呼叫中心是最经典的组合应用场景。假设客服电话平均每小时接通 120 通，那么这个“呼入电话流”就可以建模为速率为 λ=120 的泊松过程。
- 你想知道未来 10 分钟内接通几通电话，用泊松分布：P(N(10分钟)=n)。
- 你想知道两通电话之间的间隔，用指数分布：平均间隔 30 秒。
- 你想知道接通 50 通电话需要多久，用伽马分布：形状参数 50，速率 120，期望等待 25 分钟。
在这种模型下，排班、坐席数、系统容量都能用三个分布统一计算。事实上排队论里的 M/M/1、M/M/c 模型，本质上就是不断对这三个分布做组合运算。我做过一个银行网点容量评估项目，核心就是用泊松过程模拟客流到达，再用伽马分布计算“等待第 N 位客户到齐”的总服务时间，最后和实际排班数据对拍，误差控制在 5% 以内。
5.2 天体统计：恒星数量与最近邻距离
热词里出现“泊松分布统计单位空间的恒星数量”，这个场景我太熟悉了。把夜空划分成许多面积相等的小区域，如果恒星在空间中的分布近似满足随机性，那么每个区域里的恒星数量服从泊松分布。这个模型在科研中用来判断恒星是真实聚集还是随机分布：如果某个区域恒星数量明显超过泊松分布预测的尾部概率，就说明存在星团效应。
更进一步，当你关心“从任意一颗恒星出发，找到下一颗恒星的距离”时，在二维圆盘的泊松过程中，最近邻距离与某种指数分布关联；而当你关心“第 k 颗近邻恒星的距离”时，就会引出伽马分布。我和做天体统计的朋友聊天时，他们说处理星团成员判定时，本质就是在用泊松-伽马恒等式检验空间分布的非随机性。
5.3 可靠性工程与寿命分析
在可靠性工程里，指数分布常用来描述随机故障元件的寿命，比如某些电子元件。但一台设备往往有多个关键元件，任何一个故障都会导致整机停机。如果每个元件故障时间服从指数分布，那么整机寿命（最小值变量）不一定还是指数，但如果你关心“等到系统累计发生 k 次故障”的时间，那就是伽马分布。
具体来说，一台机器维修后继续运行，第 1 次故障需要的时间服从指数分布；下一次故障又间隔一个指数时间；总共等到第 k 次故障的时间就是一个伽马分布。生产计划里备件库存的确定，常常就靠这个：平均 k 次故障需要备多少个备件、备件的补给时间如何设置，本质上是在伽马时间尺度和泊松计数之间换算。
5.4 贝叶斯统计中的共轭关系
如果是做贝叶斯推断的人，一定对伽马分布的另一个身份非常敏感：它是泊松均值的共轭先验。
假设我们观测到 n 个时段内的事件数为 X₁, ..., X_n，每个 X_i ~ Poisson(λ)。如果给 λ 的先验取 Gamma(α₀, β₀)，那么后验分布也是伽马分布：
λ | X₁, ..., X_n ~ Gamma(α₀ + ΣX_i，β₀ + n)
这说明伽马分布和泊松分布天然绑定：一个用来描述“事件发生的速率本身的不确定性”，一个用来描述“在固定速率下事件发生的随机性”。我在做过一个保险理赔频率预测项目时，没有直接拍脑袋给一个固定 λ，而是给 λ 设了伽马先验，再结合历史理赔数据更新后验。这样做的好处是能直接把“估计的不确定性”带到保费定价里，而不只是给一个点估计。这个用法同样得益于伽马-泊松的共轭结构。
6. 常见问题与理解误区
6.1 误区一：泊松分布是连续分布吗
不是。泊松分布是离散分布，它的随机变量是“次数”，取值只能是 0, 1, 2, ...。虽然泊松分布的公式里出现了 e 和指数，但它不是指数分布，它和指数分布的关系很像“计数”和“计时”的关系。拿到问题先问一句：要我数个数，还是要我等时间？数个数找泊松，等时间找指数/伽马。
还有一个小陷阱：泊松分布本身是一个分布族，只要把它的均值参数写成 λt，它就可以当成“时间长度为 t 的泊松过程”来用。这也是为什么很多工具库里poisson.rvs(mu=λt, size=...)可以直接生成单位时间内事件数的模拟样本。
6.2 误区二：混淆指数分布的 λ 和均值
指数分布有两种常见写法：一种直接用速率 λ，密度 λ e^(-λx)，均值 1/λ；另一种用尺度参数 θ = 1/λ，密度 (1/θ) e^(-x/θ)。这两种写法极易混淆。在 Python 的 numpy 里，np.random.exponential(scale=)用的是尺度；在 R 里，rexp(n, rate=)用的是速率。用错了参数，模拟出来的等待时间会差好几倍。
一个笨办法：先确定均值。如果实际场景是“平均 10 分钟到一次”，那均值就是 10，速率就是 0.1。代码里 scale 传 10，rate 传 0.1，怎么都不会错。不要背“参数越大曲线越陡”这种口诀，直接看均值最不容易出错。
6.3 误区三：伽马分布参数化的混乱
伽马分布是参数化重灾区。有 (α, θ) 尺度写法，有 (α, β) 速率写法，还有的在形状参数上还分整数 k 和实数 α。如果你在网上搜资料，可能同一道题出现三种不同形式的密度函数，不是说别人写错了，而是参数化不同。我的建议是，打开软件文档先搜一下它是scale还是rate。scipy 用scale，R 的gamma相关函数用rate，PyMC 里又可以用多种写法。实战中统一用“均值 = 形状 * 尺度”来验证参数是否设置正确。
另外，如果你想用伽马分布计算“等待第 k 次事件”，形状参数最好用整数 k，因为其特殊性可以简化计算。但如果形状参数不是整数，它表达的其实是“等待一个非整数次数”的抽象概念，这时可以直接用scipy.stats.gamma的a参数，不需要过度纠结物理含义。
6.4 实操排查技巧：程序结果不对劲怎么办
我做数据分析这几年，遇到分布相关结果不对劲，排查顺序基本固定：
- 第一步，核对参数化方式。看代码里的 scale / rate / mu 到底谁是谁。
- 第二步，核对期望和方差。用一组随机数算均值和方差，跟公式对比，差距超过 50% 基本就是参数搞反了。
- 第三步，用恒等式交叉验证。比如泊松右尾和伽马左尾是否相等、指数分布样本累加是否近似伽马分布。如果对不上，说明某个环节的理解有误。
- 第四步，可视化。画出密度曲线和直方图，看峰的位置是否符合直觉。指数分布的峰值在 0 附近，伽马分布在形状参数大于 1 时普遍有单峰，这些特征有时候一眼就能看出参数错没错。
7. 一点拓展：从泊松过程到更广的随机模型
聊到这，三个分布的框架基本完整了。我还想多提一个延伸方向：当你把“事件到达速率 λ”本身也看成随机变量时，泊松过程就变成了混合泊松过程。如果 λ 服从伽马分布，积分之后得到的负二项分布（离散版本）会自然出现。这也是伽马-泊松共轭结构在保险精算里非常重要的原因之一。
类似地，当你把固定时间 t 换成随机时间时，三个分布的联动会更加复杂，但核心逻辑依然是同一个：观察事件序列的方式不同，导出的分布就不同。
我自己做项目的习惯是，在建模初期先用这三个分布做一个零模型（null model），判断系统是否满足泊松过程的基本假设。如果数据对不上，再引入更复杂的分布或机制，比如加时间不平稳性、加自相关性等。这样做的好处是，每一步迭代都有清晰的参照点，而不是上来就上高深的模型，出了问题很难排查。
提示：对于初学者，我建议把“泊松过程三件套”的推导自己手推一遍：从泊松分布定义出发，推指数分布的无记忆性，再通过卷积推出伽马分布。接着用模拟代码验证恒等式。整个流程做完以后，你会发现自己再也不会把这些分布搞混。
最后再说一个我自己常用的记忆锚点：指数分布是没有记忆的等待时间，伽马分布是 k 段没有记忆的等待时间之和，泊松分布是这 k 段等待时间内发生的事件个数。三者描述的其实是同一场比赛：你在等，数着号码牌，看着场上一秒一秒地过去。下次再遇到哪个分布不确定，先问自己——我在看时间、数事件，还是加时间？答案自然就出来了。
