Negativ binomialfordeling, på trods af tilsyneladende åbenbar relation til binomial, er faktisk bedre sammenlignet med Poisson-fordelingen. Alle tre er diskrete, btw.
I praktiske anvendelser er NB et alternativ til Poisson, når man observerer spredningen (varians) højere end forventet af Poisson. Poisson er det første valg, du skal overveje, når du håndterer tælledata, f.eks. et årligt antal dødsfald i bilulykker i en lille by. Poissonfordelingens både middelværdi og varians er defineret af en parameter - en forekomst, normalt betegnet som $ \ lambda $. Så længe du estimerede $ \ lambda $, følger dit gennemsnit og varians. Faktisk skal middelværdien være lig med varians.
Hvis dine data antyder, at variansen er større end gennemsnittet (overdispersion), udelukker dette Poisson, så ville Negativ binomial være en næste fordeling at se på . Den har mere end en parameter, så dens varians kan være større end gennemsnittet.
Forholdet mellem NB og binomial kommer fra den underliggende proces, som det blev beskrevet i @ Jelsemas svar. Processen er relateret, så distributionerne er også, men som jeg forklarede her er linket til Poisson-distribution tættere på praktiske anvendelser.
UPDATE: Et andet aspekt er parametriseringen. Binomialfordeling har to parametre: p og n. Dets bona fide domæne er 0 til n. I og med at det ikke kun er diskret, men også defineret på et begrænset antal tal.
I modsætning hertil defineres både Poisson og NB på et uendeligt sæt ikke-negative heltal. Poisson har en parameter $ \ lambda $, mens NB har to: p og r. Bemærk, at disse to ikke har parameter $ n $. Således er det en måde at se, hvordan NB og Poisson er forbundet.