重构大学数学基础_week06_泊松分布

泊松分布（Poisson distribution）是一种统计与概率论中常见的离散概率分布，它通常用来描述在一定时间内或一定区域内独立随机事件发生的次数的概率分布。这种分布以法国数学家西莫恩·德尼·泊松（Siméon Denis Poisson）的名字命名。

泊松分布是二项式分布的极端情况，即事件发生概率P非常小极限趋于0，事件数n非常大极限趋于无穷。

泊松分布的λ等价于二项式分布的np，也就是期望。

0. 二项分布

二项分布是一种离散概率分布，用于描述在固定次数的独立伯努利试验中成功次数的概率分布。伯努利试验是指只有两种可能结果的随机试验，通常称为“成功”（记为1）或“失败”（记为0）。每个试验都是独立的，即前一个试验的结果不会影响后续试验的结果。

特点和应用

1. 离散性：二项分布是离散的，意味着它可以取整数值。
2. 固定次数：试验的次数n是固定的。
3. 独立性：每一次试验之间是独立的。
4. 固定成功率：每一次试验的成功概率p是固定的。
5. 两种结果：每一次试验只有两种可能的结果（成功或失败）。

应用实例

1. 投掷硬币：如果抛掷一枚硬币10次，想知道得到5次正面的概率，可以用二项分布来计算。
2. 产品缺陷：在生产线上检查100件产品，想知道正好有3件有缺陷的概率。
3. 市场调查：如果一项调查中有80%的人表示他们喜欢某个品牌的产品，我们想知道在随机抽取的15人中，正好有10人表示喜欢的概率。

期望值和方差

对于二项分布，期望值（均值）E(X)和方差Var(X)可以简单地通过下面的公式计算：

• 期望值 E(X) = np
• 方差 Var(X) = np(1-p)

当n较大且p接近0.5时，二项分布会趋向于正态分布。此外，当n很大而p很小时，二项分布可以近似为泊松分布。

1.1 泊松分布定义

泊松分布是二项式分布的极端情况，即事件发生概率P非常小极限趋于0，事件数n非常大极限趋于无穷。

利用求极限的知识进行计算即可从二项式分布推导出泊松分布的公式。

假设在一个固定的时间间隔或者空间区域内，随机事件发生的情况满足以下条件：

1. 任何两个非重叠的时间区间（或空间区域）内的事件是相互独立的。
2. 在一个足够小的时间区间（或空间区域）内，事件发生一次的概率是常数，而发生两次或以上的概率可以忽略不计。
3. 在一个小的时间区间（或空间区域）内，事件发生的概率与该区间的长度成正比。

如果上述条件成立，则在给定的时间间隔或空间区域内事件发生的次数 𝑘k 可以用泊松分布来描述，其概率质量函数（probability mass function, PMF）为：

1.2 泊松分布性质

1. 期望值：泊松分布的期望值为 λ。
2. 方差：泊松分布的方差同样为 λ。
3. 无记忆性：泊松过程具有无记忆性，即过去发生的事情不影响未来事件发生的概率。
4. 极限情况：当二项分布中的试验次数 n 趋于无穷大，而成功概率 p 趋于 0 时，使得 np=λ 保持不变，二项分布近似于泊松分布。

1.3 泊松分布应用领域

泊松分布广泛应用于各种实际问题中，例如：

• 自然科学：地震发生的次数、放射性衰变等。
• 社会科学：电话呼叫中心的呼叫次数、网站访问次数等。
• 工程学：缺陷检测、故障发生频率等。
• 生物医学：基因突变的数量、疾病传播等。

1.4 什么样的数据属于泊松分布

泊松分布通常用于描述单位时间内或单位空间内随机事件发生次数的概率分布。这类事件需要满足一定的条件才能被认为是泊松分布的。以下是泊松分布适用的一些典型特征：

1. 独立性：事件的发生必须是独立的，即一个事件的发生不会影响另一个事件发生的概率。例如，在一定时间内到达银行的顾客数量，每个顾客到达的时间是独立的。

2. 稀有性：事件发生的概率相对较小，并且在一个足够小的时间或空间间隔内，事件发生的次数最多为一次。例如，罕见疾病的病例数。

3. 恒定性：在相同的观察时间内，事件发生的概率是恒定的，不受时间点的影响。例如，一天中特定时段内电话拨打的次数。

4. 均匀性：事件在整个观察期内的发生概率是均匀分布的。例如，一个月内不同日期的邮件数量。

5. 可加性：如果两个时间段内事件的发生分别服从泊松分布，则这两个时间段内事件总数也服从泊松分布。例如，上午和下午到达邮局的信件数量分别服从泊松分布，则全天到达的信件数量也服从泊松分布。

典型例子

• 电话呼叫：在给定的一小时内，电话服务中心接到的电话数量。
• 网站访问：在一小时内访问某个网站的用户数量。
• 放射性衰变：在一定时间内，放射性物质衰变产生的粒子数。
• 交通流量：在某个路口，单位时间内通过的车辆数量。
• 销售量：商店在一天内售出特定商品的数量。
• 保险索赔：在一定时期内，保险公司收到的索赔数量。

如何判断数据是否服从泊松分布？

要判断一组数据是否可以视为泊松分布，可以进行以下步骤：

1. 检查数据的独立性：确保事件的发生彼此独立。
2. 观察数据的稀疏性：检查数据是否有许多零值或低频事件。
3. 验证均值与方差的关系：对于泊松分布，均值和方差通常是相等的。可以通过计算数据集的均值和方差来检查这一点。
4. 图形化展示：绘制数据的频率分布图，观察是否呈现出泊松分布典型的钟形曲线。
5. 统计检验：可以使用统计检验方法，如卡方检验或泊松拟合优度检验，来确定数据是否确实符合泊松分布。

1.5 泊松分布的例子

咖啡店的顾客到达次数

假设你经营一家咖啡店，你注意到在工作日的上午10点到11点之间，平均会有5位顾客进入你的咖啡店。你想知道在这个时间段内会有多少位顾客到达的概率分布情况。

假设条件

• 在10点到11点之间，平均有5位顾客到达咖啡店。
• 顾客到达是独立事件，一位顾客的到来不会影响另一位顾客到来的概率。
• 在很短的时间内（例如一分钟），要么没有顾客到达，要么只有一位顾客到达。

问题

• 你想要知道在这个时间段内，恰好有3位顾客到达的概率是多少？
• 你想要知道在这个时间段内，至少有1位顾客到达的概率是多少？