Posison Distribution
泊松分布 (Poisson Distribution)
泊松分布是概率论中的一个重要离散分布，描述单位时间或单位空间内随机事件发生的次数，假设事件是独立的且平均发生率是已知的。
定义
泊松分布的概率质量函数 (PMF) 为：
P ( X = k ) = λ k e − λ k ! , k = 0 , 1 , 2 , … P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad k = 0, 1, 2, \ldots P(X=k)=k!λke−λ,k=0,1,2,…
- X X X：随机变量，表示单位时间或单位空间内事件发生的次数。
- k k k：事件发生的具体次数（非负整数）。
- λ \lambda λ：事件发生的平均次数（泊松分布的参数）。
- e e e：自然对数的底数，约等于 2.718 2.718 2.718。
性质
-
期望和方差：
E [ X ] = λ , V a r ( X ) = λ \mathbb{E}[X] = \lambda, \quad \mathrm{Var}(X) = \lambda E[X]=λ,Var(X)=λ
泊松分布的期望值和方差均等于参数 (\lambda)。 -
稀疏事件建模：泊松分布常用于建模稀疏事件（事件发生概率低，但可能次数多）。
-
无上界性：虽然泊松分布是离散分布，但事件发生次数 (k) 没有上限（但概率会迅速趋近于 0）。
-
加法性：若 X 1 ∼ Poisson ( λ 1 ) X_1 \sim \text{Poisson}(\lambda_1) X1∼Poisson(λ1)， X 2 ∼ Poisson ( λ 2 ) X_2 \sim \text{Poisson}(\lambda_2) X2∼Poisson(λ2)，且 X 1 X_1 X1和 X 2 X_2 X2 独立，则：
X 1 + X 2 ∼ Poisson ( λ 1 + λ 2 ) X_1 + X_2 \sim \text{Poisson}(\lambda_1 + \lambda_2) X1+X2∼Poisson(λ1+λ2)
适用条件
- 独立性：单位时间/空间内事件的发生是独立的。
- 均匀性：事件发生的平均速率 (\lambda) 是固定的。
- 单事件性：在极小的时间间隔内，只能发生一次事件。
例子
例子 1：客户到达速率
某银行的客户到达速率为每分钟 2 2 2人 ( λ = 2 (\lambda = 2 (λ=2)。假设客户到达服从泊松分布：
-
问题：一分钟内没有客户到达的概率是多少？
解答：
P ( X = 0 ) = λ 0 e − λ 0 ! = 2 0 e − 2 1 = e − 2 ≈ 0.1353 P(X = 0) = \frac{\lambda^0 e^{-\lambda}}{0!} = \frac{2^0 e^{-2}}{1} = e^{-2} \approx 0.1353 P(X=0)=0!λ0e−λ=120e−2=e−2≈0.1353结果：一分钟内没有客户到达的概率约为 (13.53%)。
例子 2：网页访问量
某网站的访问量平均每小时为 10 10 10 次 ( λ = 10 (\lambda = 10 (λ=10)。假设访问次数服从泊松分布：
-
问题：一小时内正好有 (15) 次访问的概率是多少？
解答：
P ( X = 15 ) = λ 15 e − λ 15 ! = 1 0 15 e − 10 15 ! P(X = 15) = \frac{\lambda^{15} e^{-\lambda}}{15!} = \frac{10^{15} e^{-10}}{15!} P(X=15)=15!λ15e−λ=15!1015e−10
使用计算工具计算得：
P ( X = 15 ) ≈ 0.0347 P(X = 15) \approx 0.0347 P(X=15)≈0.0347结果：一小时内正好有 15 15 15 次访问的概率约为 3.47 % 3.47\% 3.47%。
例子 3：电话呼叫
某呼叫中心每小时接到的呼叫数平均为 6 6 6 次 l a m b d a = 6 lambda = 6 lambda=6。假设呼叫次数服从泊松分布：
-
问题：一小时内接到超过 8 8 8 次呼叫的概率是多少？
解答：
P ( X > 8 ) = 1 − P ( X ≤ 8 ) = 1 − ∑ k = 0 8 P ( X = k ) P(X > 8) = 1 - P(X \leq 8) = 1 - \sum_{k=0}^8 P(X = k) P(X>8)=1−P(X≤8)=1−∑k=08P(X=k)
逐项计算 P ( X = k ) P(X = k) P(X=k)，或直接使用计算工具得：
P ( X > 8 ) ≈ 0.194 P(X > 8) \approx 0.194 P(X>8)≈0.194结果：一小时内接到超过 8 8 8 次呼叫的概率约为 19.4 % 19.4\% 19.4%。
泊松分布与其他分布的关系
-
与二项分布的关系：
当二项分布的试验次数 n n n 很大，单次成功概率 p p p 很小，且 n p = λ np = \lambda np=λ 为常数时，二项分布可近似为泊松分布：
P ( X = k ) = ( n k ) p k ( 1 − p ) n − k ≈ λ k e − λ k ! P(X = k) = \binom{n}{k} p^k (1-p)^{n-k} \approx \frac{\lambda^k e^{-\lambda}}{k!} P(X=k)=(kn)pk(1−p)n−k≈k!λke−λ -
与指数分布的关系：
泊松过程中的事件间隔时间服从指数分布。如果事件发生的速率为 l a m b d a lambda lambda，则事件间隔时间 T T T 的概率密度函数为：
f T ( t ) = λ e − λ t , t ≥ 0 f_T(t) = \lambda e^{-\lambda t}, \quad t \geq 0 fT(t)=λe−λt,t≥0
总结
泊松分布在实际生活中应用广泛，包括：
- 客户到达次数
- 事故发生次数
- 电话呼叫数量
- 射线探测计数
它适合描述独立稀疏事件的发生次数，是统计学、工程学、管理科学等领域的重要工具。