泊松分布的分布函数_抖音日活3.2亿，可能有 3.3亿用户在同一天内使用抖音吗？（泊松分布的Python实现）...

今年7月9日，抖音官方宣布抖音APP的日活达到3.2亿。在没有详细公开数据的情况下，假设这是抖音App 6月份的平均日活跃用户数。那么在6月份平均日活跃用户数3.2亿的情况下，有可能某天有3.3亿用户使用抖音吗？

每天有多少用户使用抖音，实际上是一个典型的泊松分布问题。某一地点（无论是现实的三维空间，还是虚拟的网络空间）的访客数量服从泊松分布。

1. 什么是Poisson分布？

泊松分布是一种常见的离散型概率分布，由法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）在1838年时提出。

泊松分布的含义是：随机变量x取正整数值k的概率为，其中:

当x的值很大、而p的值很小时（一般n>=10，p<=0.1），泊松分布可作为二项分布的近似，其中λ= np。

Poisson分布是一种单参数的离散型分布，这个唯一的参数就是λ。λ既是Poisson分布的数学期望，也是方差。

2. 求抖音App日活取不同值的概率

用python中的poisson.pmf()概率质量函数求出抖音日活取不同值时的概率，并用plot()函数画出不同值对应的概率。

注：pmf（probability mass function）是对离散型变量而言的，与之相对应的是连续型变量的概率密度函数（probability density function，pdf）。

下面是用于求抖音App日活跃用户数取不同值的poisson.py文件中的代码：

如果我们想把图形内嵌在Jupyter Notebook中，可以在Console中使用%matplotlib inline命令，并在Console中运行poisson.py文件。

运行结果如上图所示，从图中可以看出在抖音6月份平均日活为3.2亿的情况下，某一天使用抖音App的用户达到3.3亿是几乎不可能的。

从图形上看，除了3.2亿对应的概率值不为零外，其他数值对应的概率值基本都接近0，每日使用抖音App的用户数只能是3.2亿吗？

我们将图形中的横坐标放大，即将代码中x的取值范围缩小。代码及运行结果如下：

从上图中可以看出，每日使用抖音App的用户数不仅仅只是3.2亿，而是非常接近3.2亿。为什么呢？

这是因为3.2亿这个数值太大了，在poisson分布中想偏离这个值很远是几乎不可能的。这就是大数定律的魔力所在：当样本足够大时，随机变量序列的算术平均值向随机变量各数学期望的算术平均值收敛。

在抖音App日活跃用户数的例子中，这个收敛的值正是日活跃用户数的算数平均值3.2亿。

3. 当数值变小时，Poisson分布如何变化？

当Poisson分布的均值（单位时间内时间发生的次数）达到3.2亿这样的大数时，随机变量的取值很难偏离数学期望，当均值变小时呢？

假设某个服务站平均每天有800名顾客来访，那么某一天可能有850名或1000名顾客来访吗？

从上图中，可以看出是可能有850名顾客到访的，但几乎不能出现1000名顾客在同一天到访的情况。

当数学期望值达到2000是，Poisson分布又是什么情况呢？

从上图中可以看到，当数学期望值增加时，Poisson分布会向数学期望集中，偏离数学期望的可能性越来越小。

所以抖音在6月份日活3.2亿的情况下，某一天的活跃用户达到3.3亿是几乎不可能的。

来源：公众号“数据科技社”