概率论——泊松随机变量

1 泊松随机变量

  如果一个取值于$0,1,2,\cdots$的随机变量对某一个$\lambda >0$，其概率质量函数为：
p ( i ) = P { X = i } = e − λ λ i i !         i = 0 , 1 , 2 , ⋯ p(i) = P\{X=i\}=e^{-\lambda}\cfrac{\lambda^i}{i!}\ \ \ \ \ \ \ i=0,1,2,\cdots p(i)=P{X=i}=e−λi!λi​       i=0,1,2,⋯
则称该随机变量为服从参数$\lambda$的泊松随机变量。对上述定义的概率质量函数求和为1：
$$\sum _{i=0}^{\infty }p(i)=e^{-\lambda }\sum _{i=0}^{\infty }\frac{{\lambda }^i}{i!}=e^{-\lambda }{e}^{\lambda }=1$$
泊松分布有非常广泛的应用，因为当$n$足够大，$p$充分小，而使得$np$保持适当的大小时，参数为$(n,p)$的二项随机变量可近似地看作是参数为$\lambda =np$的泊松随机变量。现来证明这一点：
  假设随机变量$X$是一个服从参数为$(n,p)$的二项随机变量，并记$\lambda =np$，则有：
P { X = i } = n ! ( n − i ) ! i ! ∗ p i ( 1 − p ) n − i = n ! ( n − i ) ! i ! ∗ ( λ n ) i ( 1 − λ n ) n − i = n ( n − 1 ) ⋯ ( n − i + 1 ) n i ∗ λ i i ! ∗ ( 1 − λ / n ) n ( 1 − λ / n ) I \begin{aligned} P\{X = i\} &= \cfrac{n!}{(n-i)!i!}*p^i(1-p)^{n-i} \\ &= \cfrac{n!}{(n-i)!i!}*(\cfrac{\lambda}{n})^i(1-\cfrac{\lambda}{n})^{n-i}\\ &= \cfrac{n(n-1)\cdots (n-i+1)}{n^i}*\cfrac{\lambda^i}{i!}*\cfrac{(1-\lambda/n)^n}{(1-\lambda/n)^I} \end{aligned} P{X=i}​=(n−i)!i!n!​∗pi(1−p)n−i=(n−i)!i!n!​∗(nλ​)i(1−nλ​)n−i=nin(n−1)⋯(n−i+1)​∗i!λi​∗(1−λ/n)I(1−λ/n)n​​
对于充分大的$n$和适当的$\lambda$有：
$$\begin{array}{rl}& (1-\frac{\lambda }{n}{)}^n\approx e^{-\lambda }\\ & \frac{n(n-1)\cdots (n-i+1)}{n^i}\approx 1\\ & (1-\lambda /n{)}^i\approx 1\end{array}$$
因此：
p { X = i } ≈ e − λ λ i i ! p\{X=i\} \approx e^{-\lambda}\cfrac{\lambda^i}{i!} p{X=i}≈e−λi!λi​
换句话说，独立重复地进行$n$次试验，每次成功的概率为$p$，当$n$充分大而$p$足够小，使得$np$保持适当的话，那么成功的次数近似地服从参数为$\lambda =np$的泊松分布，这个$\lambda$值通常由经验确定。
  总结成一句话就是：泊松随机变量近似于$n$很大，$p$很小的二项随机变量，$\lambda =np$。

2 泊松随机变量的期望和方差

  首先计算期望，根据期望的计算公式有
$$E[X]=\sum _{i=0}^{\infty }\frac{i\ast e^{-\lambda }{\lambda }^i}{i!}=\lambda \sum _{i=1}^{\infty }\frac{e^{-\lambda }{\lambda }^{i-1}}{(i-1)!}$$
令$j=i-1$上式得：
$$E[X]=\lambda e^{-\lambda }\sum _{j=0}^{\infty }\frac{{\lambda }^j}{j!}=\lambda e^{-\lambda }{e}^{\lambda }=\lambda$$
计算方差时则先计算$E[X^2]$：
$$E[X^2]=\sum _{i=0}^{\infty }\frac{i^2\ast e^{-\lambda }{\lambda }^i}{i!}=\lambda \sum _{i=1}^{\infty }\frac{i{e}^{-\lambda }{\lambda }^{i-1}}{(i-1)!}$$
同样令$j=i-1$上式得：
$$E[X^2]=\lambda \sum _{j=0}^{\infty }\frac{(j+1)e^{-\lambda }{\lambda }^j}{j!}=\lambda [\sum _{j=0}^{\infty }\frac{j{e}^{-\lambda }{\lambda }^j}{j!}+\sum _{j=0}^{\infty }\frac{e^{-\lambda }{\lambda }^j}{j!}]=\lambda (\lambda +1)$$
根据方差与期望的关系，方差$Var(X)$得：
$$Var(X)=E[X^2]-E[X{]}^2=\lambda$$
  由此可见，泊松随机变量的期望和方差均等于参数$\lambda$，那此时再来看看与泊松随机变量近似的二项随机变量的期望和方差，$\lambda =np$，二项随机变量的期望为$np$即为$\lambda$，二项随机变量的方差为$np(1-p)=\lambda (1-p)$，由于$p$足够小，因此方差也近似为$\lambda$。
  泊松分布在试验并不独立但是弱相依条件下仍是比较好的近似。

3 泊松范例

  考虑$n$个事件，第$i$个事件发生的概率为$p_i,i=1\cdots n$，如果所有$p_i$都很小，且试验或者独立，或者至多“弱相依”，那么事件发生次数近似地服从参数为${\sum }_{i=1}^n{p}_i$的泊松分布。

4 计算泊松分布函数

  如果随机变量$X$服从参数为$\lambda$的泊松分布，则：
P { X = i + 1 } = λ i + 1 P { X = i } P\{X=i+1\} = \cfrac{\lambda}{i+1}P\{X = i\} P{X=i+1}=i+1λ​P{X=i}
因此要计算分布函数 P { X ≤ i } P\{X\le i\} P{X≤i}便可以依据上面的推导关系编写程序计算了。例如：$X$服从均值为100的泊松分布，计算 P { X ≤ 90 } P\{X\le 90\} P{X≤90}

import math 
res = []
res_0 = pow(math.e, -100)
res.append(res_0)
for i in range(0,90):
	temp = (100/(i+1))*res[-1]
	res.append(temp)
print(sum(res))

输出结果为：

0.17138511932176242