如何理解泊松分布(Poisson Distribution)

本文将介绍泊松分布的基本概念、推导、应用，以及泊松定理，附有几道练习题，希望帮助大家掌握泊松分布

泊松分布(Poisson Distribution)

【泊松分布是以其发表者Poisson命名的】
随机变量X服从参数为λ的泊松分布，记作
$$X\sim \pi (\lambda )$$
其分布律为
P { X = k } = λ k e − λ k ! , k = 0 , 1 , 2 , … P\{X=k\}=\frac{\lambda^k e^{-\lambda}}{k!}, k=0,1,2,… P{X=k}=k!λke−λ​,k=0,1,2,…
其中λ>0
注意k取值哟，k是从0到∞！！

证明分布律

对于上式，我们需要证明其满足分布律的条件，即各值概率求和为1, 即： ∑ k = 0 ∞ P { X = k } = 1 \sum_{k=0}^{\infty}P\{X=k\}=1 k=0∑∞​P{X=k}=1
证明如下：
∑ k = 0 ∞ P { X = k } = ∑ k = 0 ∞ λ k e − λ k ! = e − λ ∑ k = 0 ∞ λ k k ! = e − λ × e λ = 1 \sum_{k=0}^{\infty}P\{X=k\}=\sum_{k=0}^{\infty}\frac{\lambda^k e^{-\lambda}}{k!}=e^{-\lambda}\sum_{k=0}^\infty\frac{\lambda^k}{k!}=e^{-\lambda}\times e^{\lambda}=1 k=0∑∞​P{X=k}=k=0∑∞​k!λke−λ​=e−λk=0∑∞​k!λk​=e−λ×eλ=1

这个求和用到了函数f(x)=e^x的带有拉格朗日余项的n阶麦克劳林公式
哈哈，其实这里只是推导一下就好，更严谨，以后使用公式时候用不到

泊松定理

这是一种用泊松分布逼近二项分布的定理，可以看作泊松分布分布律从二项分布律的推导，具体内容如下：

n为任意正整数，np=λ，λ>0,对任意非负整数k，都有
$$\underset{x\to \infty }{\lim }{C}_n^k{p}_n^k(1-p{)}^{n-k}=\frac{{\lambda }^k{e}^{-\lambda }}{k!}$$
证明思路：
让式子只剩下λ，消去n，p
1.消去n：使n趋近于∞
2.消去p：p=λ/n

证明如下：
$$C_n^k{p}_n^k(1-p{)}^{n-k}=\frac{n(n-1)...(n-k+1)}{k!}{(\frac{\lambda }{n})}^k(1-\frac{\lambda }{n}{)}^{n-k}$$
观察右项，尽量配出来

$$原式=\frac{{\lambda }^k}{k!}[1\times (1-\frac{1}{n})\times \dots \times (1-\frac{k-1}{n})](1-\frac{\lambda }{n}{)}^n(1-\frac{\lambda }{n}{)}^{-k}$$
令n趋近于正无穷，则
$$[1\times (1-\frac{1}{n})\times \dots \times (1-\frac{k-1}{n})]\to 1$$
$$(1-\frac{\lambda }{n}{)}^n\to e^{-\lambda }$$
上式为对自然常数e的定义的代换，实质上用到了复合函数的极限运算法则
$$(1-\frac{\lambda }{n}{)}^{-k}\to 1$$
因此，得证
$$\underset{x\to \infty }{\lim }{C}_n^k{p}_n^k(1-p{)}^{n-k}=\frac{{\lambda }^k{e}^{-\lambda }}{k!}$$
np=λ，n很大，p很小时，有近似式：
$$C_n^k{p}_n^k(1-p{)}^{n-k}\approx \frac{{\lambda }^k{e}^{-\lambda }}{k!}$$
即用泊松分布概率值作二项分布概率值的近似
一般来说，n>=20,p<=0.0.5,近似效果不错

λ的意义

从二项分布可知，E(X)=np，而在泊松定理中λ=np，所以λ是否是数学期望呢？
已知一个分布，可以求其数学期望(用定义求)，我们求出泊松分布的数学期望，看它是否是我们预测的λ即可。
​
​
上文已经提到了，泊松分布k取值是0，1，2…，其实也就是说泊松分布中的随机变量是离散型随机变量（这样才有分布律嘛），因此我们用离散型随机变量的分布律来求其数学期望：
$$E(X)=\sum _{k=0}^{\infty }k\frac{{\lambda }^k{e}^{-\lambda }}{k!}=\lambda e^{-\lambda }\sum _{k=1}^{\infty }\frac{{\lambda }^{k-1}}{(k-1)!}=\lambda e^{-\lambda }{e}^{\lambda }=\lambda$$
注意k是从0开始！求和符号下标的变换要注意！
果真如我们预想一样，λ就是泊松分布的数学期望

应用

上文在介绍泊松定理的时候说到了，n>=20, p<=0.05时用泊松分布概率值近似二项分布概率值效果颇佳。那实际生活中泊松分布有哪些应用呢？

具有泊松分布的随机变量在实际生活中应用是很多的。例如，一本书一页中的印刷错误数、某地区在一天内邮递遗失的信件数、某一医院在一天内的急诊病人数、某一地区一个时间间隔内发生交通事故的次数、在一个时间间隔内某种放射性物质发出的、经过计数器的α粒子数等都服从泊松分布。《概率论与数理统计第四版》P37

我们可以分析几个

1. 一本书一页中的印刷错误数：
   可以将印刷每一个字看作一个试验，试验结果有两种，即样本空间为{印刷错了，没印刷错}，且印刷不同字都是独立重复(也许有人觉得印刷不同字所印刷的内容不同，不算重复，但我们这个试验中不关注印刷内容，只看印刷出错没)的，那么这算n重伯努利试验。
   那么n=一页书印刷字符数，p=印刷错误的概率
   显然，一般情况下，n很大，p很小，故可以看作是泊松分布

2.某一地区一个时间间隔内发生交通事故的次数
可以将一个时间点是否发生交通事故看作一个事件，那么n趋近于无穷，假设这一时间间隔内各个时间点发生交通事故的概率相同且很低，则符合泊松分布

总之，只须判断试验是否为伯努利试验（同样的条件下重复地、相互独立地进行的一种随机试验），试验次数是否很大，p是否很小即可

泊松分布优势： 在使用泊松分布时，不必知道确切的n，p，只须根据实际意义求出λ的值（最大似然估计），就可以确定一个分布

图片来源：https://i-blog.csdnimg.cn/blog_migrate/f245134f64b8c0e95256f30978ede9c3.png

例题

例题有两类：
第一类：二项分布趋于泊松分布，用泊松分布的概率值作二项分布概率值的近似（当n>=20,p<=0.05时，近似效果颇佳）

例题：[概率论与数理统计P38 例5] 计算机硬件公司制造某种特殊型号的微型芯片，次品率达0.1%， 各芯片成为次品相互独立。求在1000只产品中至少有2只次品的概率。以X及产品中的次品数，X~b(1000,0.001)

解
①用二项算，因为独立重复试验，题目也明确说了是服从二项分布。

P{X>=2}=1-P{X=0}-P{X=1}
=1-(0.999)^1000 -C(1000,1)(0.999)^999 (0.001)
≈0.2642411

可以看出因为次品率很低，所以小数计算很麻烦

②用泊松定理
λ=1000×0.001=1
P{X>=2}=1-P{X=0}-P{X=1}
=1-e^(-1)-e(-2)
≈0.2642411
可以看出近似效果很好

第二类：需要求出或已知λ确定泊松分布
例题：某人家中在时间间隔t (以h计)内接到电话的次数X服从参数为 2t的泊松分布
(1)若他外出计划用时10min，问其间有电话铃响一次的概率是多少？
(2)若他希望外出时没有电话的概率为0.5，问他外出应控制最长时间为多少？
解
以X表示此人外出时电话铃响的次数，即X~Poi(2t),X的分布律为
P { X = k } = ( 2 t ) k e − 2 t k ! , k = 0 , 1 , 2... P\{X=k\}=\frac {(2t)^k e^{-2t}} {k!}, k=0,1,2... P{X=k}=k!(2t)ke−2t​,k=0,1,2...
(1) t=10/60=1/6, X~P(2×(1/6)) 故所求概率为
P{X=1}=1/3×e^(-1/3)=0.2388

(2) 设外出最长时间为 t(小时)，因X~Poi(2t), 无电话打进的概率为：
P{X=0}=e^(-2t)
要使得P{X=0}=e^(-2t）>=0.5,求得
t<=0.5×ln 2=0.3466小时

参考资料：《概率论与数理统计 浙大·第四版》

【亲爱的读者们，若写的有不对或者不准确的地方欢迎纠正！！！】