泊松(Poisson)分布

Sir.Jack-Zhang

于 2024-08-08 19:26:43 发布

阅读量351

点赞数 8

分类专栏：数学文章标签：概率论学习算法人工智能

本文链接：https://blog.csdn.net/qq_35328355/article/details/141034499

版权

数学专栏收录该内容

1 篇文章 0 订阅

订阅专栏

泊松(Poisson)分布的直观理解是，在一个单位时间或者空间间隔内，随机事件发生次数的概率。比如：

每个小时出生的婴儿数量
每分钟人类心脏的跳动次数
空气中每立方米中氧气分子的数量
高速公路上每公里汽车的数量

泊松模型是最基本的计数模型，本章我们重点讨论泊松模型，再后续的章节中再讨论其它的计数模型。

14.1.1. 推导过程

泊松分布实际上是二项分布的试验(trials)次数 𝑁 趋近于无穷时的场景，我们用一个例子说明。假设一个交通观察员需要对某个路口的车流量进行建模，然后用模型预测未来一个小时内从这个路口通过的车次。为了简化问题，我们假设路口的交通量不存在高峰期低峰期，即交通量不会随着时间的变化而变化，并且每个时间片段内通过的车辆是互不影响的，即前一小时内车辆通过与否不影响下一个小时车辆。观察员首先根据这个路口历史上车辆通过情况，计算出平均每小时通过车辆的数量为 𝜆 。我们把一个小时内从路口通过的车次数看做一个随机变量，用符号 𝑋 表示，那么 𝜆 就是变量 𝑋 的数学期望。

$\mathbb{E}[X] = \lambda$

我们把一辆车通过与否看做是一个伯努利变量，类似投硬币实验，1表示车辆通过，0表示车辆不通过。把一个小时的时间区间均分成 𝑁 个时间片段，比如每分钟作为一个片段，这时 𝑁=60 。每个时间片段有车辆通过就是一次成功的实验(类似于投硬币正面向上)，没有车辆通过就是一次失败的实验(类似于投硬币反面向上)，这样就把一小时内车辆通过问题转化成一个二项分布问题，在 𝑁 次实验中有k次成功(车辆通过)概率分布函数可以写成：

$p(X=k) = \binom{N}{k} p^k \left ( 1-p \right )^{N-k}$

其中 𝑝 是一次实验的成功概率，我们已经通过历史数据知道平均每小时( 𝑁 次实验)中通过的车次数为 𝜆 ，意味着n次实验中有 𝜆 次成功，单次实验成功的概率(平均一分钟内通过车辆数)为：

但是我们并不能保证每分钟只有一辆车通过，我们需要保证一个时间片段内只有一辆车通过(一次实验) 以上的二项分布的假设才有意义。理论上，我们只要把一小时的时间区间拆的足够小，比如拆成每秒，甚至是每毫秒为一个时间片段，这样就能尽量保证每个时间片段内只会有一辆车通过。 𝑁 越大时间片段就越小，极限情况，我们可以把一小时分割成每个车辆通过的”瞬间”。换句话说，只要 𝑁→∞ 上述假设就是成立的，因此我们为公式加上极限操作。

$p(X=k) = \lim_{N \to \infty} \binom{N}{k} p^k \left ( 1-p \right )^{N-k}$

我们发现该公式就是二项分布的极限情况，表示的是路口未来一小时内通过的车辆数的概率分布， 𝑝(𝑋=𝑘) 表示在一小时内通过车辆数为 𝑘 的概率。 𝜆 表示这个时间区间内通过车辆数的期望值，至于这个时间区间是一小时还是两小时并不重要，只要是一个固定的时间区间就行，所以可以看成是单位时间区间内，或者 𝑡 时间区间内。

该公式带有极限操作，事实上可以通过一些变换去掉极限符号，现在我们尝试对其进行一些变换。

$\begin{aligned}p(X=k) &= \lim_{N \to \infty} \binom{N}{k} p^k \left ( 1-p \right )^{N-k}\\&= \lim_{N \to \infty} \frac{N!}{(N-k)!k!} \left (\frac{\lambda}{N} \right )^k \left ( 1-\frac{\lambda}{N} \right )^{N-k}\\&= \lim_{N \to \infty} \frac{N!}{(N-k)!k!} \frac{\lambda^k}{N^k} \left ( 1-\frac{\lambda}{N} \right )^N \left ( 1-\frac{\lambda}{N} \right )^{-k}\end{aligned}$

结合下面的等式：

$\frac{N!}{(N-k)!} = \frac{N (N-1) \cdots 2\times 1}{(N-k)(N-k-1) \cdots 2\times 1} = N (N-1) \cdots (N-k+1)$

$\lim_{x \to a} f(x)g(x) = \lim_{x \to a} f(x) \lim_{x \to a}g(x)$

我们有

$\begin{aligned}p(X=k) &= \lim_{N \to \infty} \frac{N (N-1) \cdots (N-k+1)}{N^k} \frac{\lambda^k}{k!} \left ( 1-\frac{\lambda}{N} \right )^N \left ( 1-\frac{\lambda}{N} \right )^{-k}\\&=\frac{\lambda^k}{k!} \lim_{N \to \infty} \left [ \frac{N (N-1) \cdots (N-k+1)}{N^k} \right ] \lim_{N \to \infty} \left [ \left ( 1-\frac{\lambda}{N} \right )^N \right ] \lim_{N \to \infty}\left [ \left ( 1-\frac{\lambda}{N} \right )^{-k}\right ]\end{aligned}$

$p(X=k|N) = \frac{\lambda^k}{k!} \times 1 \times e^{-\lambda} \times 1 =\frac{\lambda^k}{k!} e^{-\lambda}$

上式就表示在单位(固定)时间区间内，随机事件发生k次的概率，这就是泊松分布。上式稍微整理下，就得到泊松分布的概率质量函数:

$p(x) = \frac{\lambda^x}{x!} e^{-\lambda}$

其中变量 𝑥 表示在单位时间内事件发生的次数，显然 𝑥 是一个离散变量，因此泊松分布是一个离散变量分布。 𝜆 是变量 𝑥 的期望值，表示在单位时间内事件发生的平均次数，因此通常也可以用 𝜇 代替 𝜆 。

$p(x) = \frac{\mu^x}{x!} e^{-\mu}$

二项式分布 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑘,𝑛) 表示进行 𝑛 实验成功 𝑘 次的概率，需要知道 𝑛 的值才行，并且没有时间区间的概念。而泊松分布 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) 表示单位时间内事件发生 𝑥 次的概率，其用单位时间的概念替代了 𝑛 的作用，并且这个单位时间具体多长并不重要，只是把整体时间分成相同长度的小片段。

注意，在泊松分布中，各个时间区间之间是相互独立的 ，互不影响，也就是不会因为当前时间区间内有车辆通过，而导致下一个时间区间内通过的车辆受到影响。泊松分布的应用并不是仅限于固定的时间区间，理论上只要是固定的区间(fixed interval)即可，比如固定大小的时间、长度、空间、面积、体积等等。

Sir.Jack-Zhang

关注

8
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
泊松(Poisson)分布

泊松(Poisson)分布的直观理解是，在一个单位时间或者空间间隔内，随机事件发生次数的概率。比如：每个小时出生的婴儿数量每分钟人类心脏的跳动次数空气中每立方米中氧气分子的数量高速公路上每公里汽车的数量泊松模型是最基本的计数模型，本章我们重点讨论泊松模型，再后续的章节中再讨论其它的计数模型。
复制链接

扫一扫

专栏目录