泊松分布
概率论大作业 --泊松分布
班级：11011001班
姓名：郭敏
学号：2010302612
2013年1月10日
摘要
作为一种常见的离散型随机变量的分布,泊松分布日益显示其重要性,成为概率论中最重要的几个分布之一。服从泊松分布的随机变量是常见的,它常与时间单位的计数过程相联系。
泊松分布在现实生活中应用非常广泛,如数学建模、管理科学、运筹学及自然科学、概率论等等。在某些函数关系泊松分布起着一种重要作用，例如线性的、指数的、三角函数的等等。同样, 在为观察现象构造确定性模型时, 某些概率分布也经常出现。泊松分布作为大量试验中稀有事件出现的频数的概率分布的数学模型, 它具有很多性质。为此本文讲述了泊松分布的一些性质以及基本相关知识, 并讨论了这些知识在实际生活中的重要作用。
关键词：泊松分布性质及其应用、二项分布、泊松过程
近数十年来，泊松分布日益显示其重要性，成了了解概率论中最重要的几个分布之一。
一、泊松分布的由来
在历史上泊松分布是作为二项分布的近似，于1837年由法国数学家泊松引入。
设随机变量) , ,2 1 n ( x n =服从二项分布,其分布律为
{}n k p p C k x P k n n k n k n n ,,2,1,0,)1( =-==-。又设0>=λn np 是常数,
则{}λλ-∞
→=
=e k k x P k
n n !
lim 。
证明 由λ=n np 得:
{}()()n
n
k n k k
n k
n n n k n n k n n k k n n n k x P ?--???
??-???????
??? ??--????? ??-???? ?
?-?=
?
?
? ??-??? ??+--==λλλλ11121111!1!11 显然,当k = 0 时,故λ
-n e k} x P{→=。当k ≥1 且k → ∞时,有
λλ-?-→?
?
? ??-→??? ??--????? ??-???? ??-?e n n k n n n n
k
n 1,11121111
从而{}λ
λ-→
=e k k x P k
n 1
，故{}λλ-∞
→=
=e k k x P k
n n !
lim 。
在应用中，当p 相当小时（一般当p<=0.1）时，用下面近似公式
np
k e k np p n k b -≈!
)(),;(
对于不同λ值得泊松分布图：
概率质量函数
二项分布和泊松分布最大的不同是前者的研究对象是n 个离散的事件（10次射击），而后者考察的是一段连续的时间（单位时间）。因此泊松分布就是在二项分布的基础上化零为整。
二、泊松分布的基本知识：
1、泊松分布定义
设随机变量X 的可能取值为,,2,1,0 且
k=0,1,2…
则称X 服从参数为λ的泊松分布。 2、 泊松分布数学期望与方差
如果X 是一个具有以λ为参数的泊松分布, 则E( X) = λ 且D ( X) =λ
证明 设X 是一随机变量,若 ] X) E( - X [ E{2}存在,则称它为X 的方差,记作D( X) ,即
] X) E( - X [ E{ X) D(2}=。设X 服从泊松分布D ( X) ,即有:
k=0,1,2…
则()()λλλλλλλλ
λ=?=-==
-
∞
=--∞
=-∑∑e e k e
k e k X E k k k k
1
1
!1!
从而()()()
λλλλλλλ
λ
+=-+-==-∞
=-∞
=--∞
=∑
∑
∑212
2
2
2
!1!2!
e k e k e
k k
X
E k k
k k k k
故λλλλ - X) E( - ) X E( X) D(2222=+==
3、泊松分布特征函数
4、设λp 是服从参数为λ的泊松分布的随机向量,则:
dt e
x p P x
t ?
∞
--
∞
→=?
??
??
?<-2
221
lim π
λλλλ
证明 已知ελ的特征函数为()()1
-=Φit e e t λλ,故()
λλεληλ-=的特征函数为:
()1
-=???
? ??Φ=-λλλλλλit
e t
t
e e
t t g
对任意的t ,有()∞→??
?
??+-+=λλολλλ
1!212t it
e
it
。
于是()∞→-→???
???+-=-???
? ?
?
-λλολλλλ
212122t t t i e
it
。 从而对任意的点列∞→n λ,有()2
2
lim t e
t g n n -
∞
→=λλ。
但是2
2t e
-
是N (0 ,1) 分布的特征函数,由于分布函数列(){}x F n 弱收敛于分布函数
F( x)的充要条件是相应的特征函数列{Φn ( t) } 收敛于F( x) 的特征函数Φ( t)。所
以dt e
x P x
t n n n n ?
∞
--
∞
→-=??
?
??????
?<-2
2
21lim πλλελλ成立;又因为n λ是可以任意选取的,这就意
味着dt e
x p P x
t ?∞
--
∞
→=
?
???
?
?<-2
2
21lim πλ
λλλ成立。
三、泊松过程
1.计数过程
设)} 0, [ T t , t)( {N X T ∞=∈=为一随机过程, 如果 t)( N 是取非负整数值的随机变量,且满足s < t 时, t)( s) ( N ≤,则称)} 0, [ T t , t)( {N X T ∞=∈=为计数
过程。
将增量 t t 0 , t), t ( N ) t ( N - t)( N 000<≤?=,它表示时间间隔 t), t [ 0内出现的质点数。“在 t), t [ 0内出现k 个质点”,即k} t), t ( {N 0=是一随机事件,其概率记为 2 0,1, k , k} t), t ( P{N t), t ( P 00K ===总之,对某种随机事件的来到数都可以得到一个计数过程,而同一时刻只能至多发生一个来到的就是简单计数过程。 2、泊松过程
定义 设有一个计数过程{N(t), t>0}满足下列假设，称为泊松过程，
1. 在t=0时，N(t)=0；
2. 该过程是独立增量计数过程；
3. 该过程是平稳增量计数过程；
在()t t t ?+,内出现一个事件的概率为()t t ?O +?λ，λ为一常数，在()t t t ?+, 内出现两个或两个以上事件的概率为()t ?O ，即()()()()t t t t p ?O =>N -?+N 1。 考虑来到某交换装置的电话呼叫数来具体说明泊松过程 假定具有以下三个性质： （1） 平稳性
在[)t t t +00,中来到的呼叫数只与时间间隔长度t 有关而与时间起点0t 无关。若以()t p k 记在长度为t 的时间区间中来到k 个呼叫的概率，当然
()∑==∞
1k k
t p 对于任何0>t 成立。
过程的平稳性表示了它的概率规律不随时间的推移而改变。 （2） 独立增量性（无后效性）
在[)t t t +00,内来到k 个呼叫这一事件与时间0t 以前发生的事件独立。换言之，在对时刻0t 以前的事件发生情况所作的任何假定之下，计算出来的在[)t t t +00,内发生k 个呼叫的条件概率都等于同一事件的无条件概率。
独立增
量性表明在互不相交的时间区间内过程进行的相互独立性。 （3） 普通性
在充分小的时间间隔中，最多来到一个呼叫。即，若记
()()()()t p t p t p t k k 10∞
2
1--==ψ∑=
应有()()t t O =ψ，即
()0lim
=ψ→t
t t 普通性表明，在同一时间瞬间来两个或是两个以上呼叫实际上是不可能的。 下面求()t p k
对于0>?t ，考虑[)t t ?+,0中来到K 个呼叫的概率()t t p k ?+，由独立增量性及全概率公式
()()()()()()()t p t p t p t p t p t p t t p k k k k ?++?+?=?+-0110... .0≥k (对1≥n ，假定()0=-t p n ) 特别地
000()()()P t t P t P t +?=?
()t p 0表示在长度为t 的时间间隔中没有来呼叫的概率，因此它关于t 单调下降，故知()t a t p =0
其中0≥a ，若0=a ，则()00≡t p ，这说明在不管怎么短的时间间隔内都要来呼叫，因此在有限时间间隔中要来无穷多个呼叫，这种情形不在考虑之列。此外，因()t p 0是概率，故应有1≤a ，而当1=a 时，()10≡t p ，这表明永不来呼叫，也不是我们感兴趣的情形，所以应当有10<λ，使
()t e t p λ-=0
因此当0→?t 时，我们有
()()t t e t p t ?O +?-==??-λλ10
()()()()t t t t p t p o ?O +?=?ψ-?-=?λ11
()()()()()t t t p t p t p l l
l
l k ?O =?ψ=?≤?∑∑==-∞
2
∞2
1
故可得
()()()()t t t p t t p t t p k k k ?O +??+?-=?+-λλ11）（ 1≥k
因此
()()
()()[]()11O +-=?-?+-t p t p t
t p t t p k k k k λ，1≥k
令0→?t ，得
()()()[]t p t p t p k k k
-=-1'
λ，1≥k 由于已知()t e t p λ-=0，故有()()[]
t p e t p t 1'1-=-λλ，可解得
()t te t p λλ-=1，这样下去，可以解得一切()t p k 。
()()t k k
e k t t p λλ-=!
，...2,1,0=k
这正是泊松分布，参数为t λ。
四、 泊松分布的特征
(1)泊松分布是一种描述和分析稀有事件的概率分布。要观察到这类事件,
样本含量n 必须很大。
(2) λ是泊松分布所依赖的唯一参数。λ值愈小,分布愈偏倚,随着λ的增大,
分布趋于对称。
(3)当λ= 20时分布泊松分布接近于正态分布;当λ= 50时,可以认为泊松分
布呈正态分布。在实际工作中,当λ≥20时就可以用正态分布来近似地处理泊松分布的问题。
五、 泊松分布的几个问题
1、 第一个事件到达时间的概率密度
泊松过程{N(t), t>0}的第一个事件到达时间T ，T 落在(,)d ττ内的概率：
泊松过程第1个事件在时刻(,)d ττ发生，而在(0,)τ时间内不发生事件的概率：
{()}{[()()]1}{[()(0)]0}
P T d P N d N P N N d e
λτ
τττττττλτ-<<+=+-=?-==??
故，泊松过程{N(t), t>0}的第一个事件到达时间T 的概率密度
()f e λττλ-=?
2、第n 个事件到达时间t 的概率密度
泊松过程{N(t), t>0}的第n 个事件到达时间n T ，n T 落在(,)d ττ内的概率： 泊松过程第n 个事件在时刻(,)d ττ发生，而在(0,)τ时间内发生(n-1)事件的概率：
1{()}{[()()]1}{[()(0)]1}
()(1)!
n n P T d P N d N P N N n d e
n λτ
τττττττλτλτ--<<+=+-=?-=-=??-
泊松过程{N(t), t>0}的第n 个事件到达时间n T 的概率密度分布：
1()()(1)!
n f e n λτ
λττλ--=?-
3、 时间间隔（0，t ）内发生一个事件，事件发生时间的概率密度
泊松过程{N(t), t>0}在（0,t ）内有一个事件出现，事件到达时间Ｓ的概率分布
(){/()1}{()1/()1},
()
{()1}{()()}{()1}
s t s t
P S s N t P N s N t s t P N s P N t N s P N t se e s te t
λλλλλ----<====<=?==
=?==
则 Ｓ的概率密度是1/t 。
结论：如果已知在(0,t)内发生n 次事件，则n 次事件的发生时间是n 个独
立同分布的随机变量的顺序序列，每一随机变量均匀分布于(0,t)内。
4、 时间间隔2(0,)t 内发生n 个事件时，12(0,)t t <内发生k 次事件的概率
考虑条件概率，[]1212()|(),,0,1,,P N t k N t n t t k n ==≤=
{}{}
{}
{}
{}
()()
()()
()()
211212122121221121122(),()()|()()(),()()!!!
1n k
k
t t t n
t k
n k
P N t k N t n P N t k N t n P N t n P N t k N t t n k P N t n e t t e t n k n k e t n t t k t t λλλλλλ------=====
==-=-=
=-=
-??????=- ? ? ?????
??
结论：条件概率服从二项式分布
5、第一个过程的第一个事件先于第二个过程的第一个事件的概率
有两个相互独立的泊松过程1{(),0)N t t >及2{(),0)N t t >，它们在单位时间内出现事件的平均数分别是12,λλ，设x,y,分别是两个过程出现第一次事件的时刻，求第一个过程的第一个事件先于第二个过程的第一个事件的概率，即P{ x 解：首先考虑第一个过程第1个事件在时刻()dx x +发生，而第二个过程在 （0,x ）时间内不发生任何事件的概率密度，再考虑x 从0到∞的积分。 121210 ()11 2 120 112 ()() () x x x dx e e dx e λλλλλλλ λ λλ λλλ ∞ --∞-+???= ??++?= ? +?? 6、第一个过程的第k 个事件先于第二个过程的第一个事件的概率 有两个相互独立的泊松过程{N1(t), t>0}及{N2(t), t>0}，它们在单位时间内出现事件的平均数分别是λ1，λ2，设t1k,t21,分别是两个过程出现第一次事件的时刻，求第一个过程的第k 个事件先于第二个过程的第一个事件的概率，即Pr{ t1k < t21}。 首先考虑第一个过程第k 个事件在时刻(x+dx)发生，而第二个过程在（0,x ）时间内不发生任何事件的概率密度，再考虑x 从0到∞的积分。 12121110 1 ()112 1 2120 112()(1)![()]()(1)!k x x k k x k x dx e e k x dx e k λλλλλλλλ λλλλλλλλ ∞ ---∞ --+??-???+=+?? ?+-?????= ?+?? ?? 六、 泊松分布的实际应用 （1) 二项分布的泊松近似常常被应用于研究稀有事件,即每次试验中事件出现的概率p 很小,而贝努里试验的次数n 很大时,事件发生的概率。 例1 通过某路口的每辆汽车发生事故的概率为p = 0.0001 ,假设在某路段时间 内有1000 辆汽车通过此路口,试求在此时间内发生事故次数X 的概率分布和发生2次以上事故的概率。 分析 首先在某时间段内发生事故是属于稀有事件,观察通过路口的1000辆汽车发生事故与 否,可视为是n = 1000次伯努里试验,出现事故的概率为p = 0.0001 ,因此X 是服从二 项分布的,即,0.0001) B(1000~X 。 )0.9999 0.0001 1000 - 0.9999 - 1 1 x p{ - 0 x p{ - 1 2 x ( p Q 999 1000 ??=}=}==}≥= 由于n = 1000很大,且p = 0.0001很小,上面的式子计算工作量很大,则可以用: n) , , ,1 0 m ( e m! np p) - (1p C m} v p{np -m m -n m n m n n =≈== 求近似.注意到0.1 .0001 01000 np =?=,故有 0.0045 e 1! 0.1- e !01.0- 1 2 x p{0.1 -0.1 -0==}≥. 2) 泊松分布可以计算大量试验中稀有事件出现频数的概率。这里的频数指在相同条件下, 进行大量试验,在这大量试验中,稀有事件发生的次数。 例2 已知患色盲者占0.25 %,试求: ①为发现一例色盲者至少要检查25人的概 率; ②为使发现色盲者的概率不小于0.9 ,至少要对多少人的辨色力进行检查? 分析 设X 表示恰好发现一例患色盲者所需要检查的人数,则 G(0.0025) ~ X 。 解 () ()()94.09975 .01p -1p 25 x p{24 24 25 25 k ≈=-==}≥-∞ =∑p k 设至少对n 个人的辨色能力进行检查,于是p{ x ≤n}≥0.9。从而: () () ()n k n k k p p p --=-- ==≤-∞ +=-∞ =∑∑1111p -1p n} x p{1 1 1 1k 由0.9 p) - (1 - 1n ≥,得8827.9199975 .0lg 1 .0lg =≥n .因此至少要检查920人。 参考文献 [1 ]复旦大学编. 概率论基础(第三版) .高等教育出版社 [ 2 ]魏宗舒等. 概率论与数理统计教程[M ]. 高等教育出版社. [ 3 ]王梓坤. 概率论基础及应用[M ]. 科学出版社1976. 9. 正确理解泊松分布 很多人在上概率论这门课的时候就没搞明白过泊松分布到底是怎么回事，至少我就是如此。虽然那个时候大家都会背“当试验的次数趋于无穷大，而乘积np固定时，二项分布收敛于泊松分布”，大部分的教科书上也都会给出这个收敛过程的数学推导，但是看懂它和真正的理解还有很大距离。如果我们学习的意义是为了通过考试，那么我们大可停留在“只会做题”的阶段，因为试卷上不会出现“请发表一下你对泊松公式的看法”这样的题目，因为那样一来卷子就变得不容易批改，大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。 而如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在18XX年由贝尔发明，一台电话由几个部分构成……”（泊松分布在18XX年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们去每天食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t（比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数（比如一直是200人），而应该符合某种随机规律：比如在1个小时内来200 个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k个学生到达的概率为： 其中为单位时间内学生的期望到达数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 概率论大作业 --泊松分布 班级：11011001班 姓名：郭敏 学号：2010302612 2013年1月10日 摘要 作为一种常见的离散型随机变量的分布,泊松分布日益显示其重要性,成为概率论中最重要的几个分布之一。服从泊松分布的随机变量是常见的,它常与时间单位的计数过程相联系。 泊松分布在现实生活中应用非常广泛,如数学建模、管理科学、运筹学及自然科学、概率论等等。在某些函数关系泊松分布起着一种重要作用，例如线性的、指数的、三角函数的等等。同样, 在为观察现象构造确定性模型时, 某些概率分布也经常出现。泊松分布作为大量试验中稀有事件出现的频数的概率分布的数学模型, 它具有很多性质。为此本文讲述了泊松分布的一些性质以及基本相关知识, 并讨论了这些知识在实际生活中的重要作用。 关键词：泊松分布性质及其应用、二项分布、泊松过程 近数十年来，泊松分布日益显示其重要性，成了了解概率论中最重要的几个分布之一。 一、泊松分布的由来 在历史上泊松分布是作为二项分布的近似，于1837年由法国数学家泊松引入。 设随机变量) , ,2 1 n ( x n =服从二项分布,其分布律为 {}n k p p C k x P k n n k n k n n ,,2,1,0,)1( =-==-。又设0>=λn np 是常数, 则{}λλ-∞ →= =e k k x P k n n ! lim 。 证明 由λ=n np 得: {}()()n n k n k k n k n n n k n n k n n k k n n n k x P ?--??? ??-??????? ??? ??--????? ??-???? ? ?-?= ? ? ? ??-??? ??+--==λλλλ11121111!1!11 显然,当k = 0 时,故λ -n e k} x P{→=。当k ≥1 且k → ∞时,有 λλ-?-→? ? ? ??-→??? ??--????? ??-???? ??-?e n n k n n n n k n 1,11121111 从而{}λ λ-→ =e k k x P k n 1 ，故{}λλ-∞ →= =e k k x P k n n ! lim 。 在应用中，当p 相当小时（一般当p<=0.1）时，用下面近似公式 np k e k np p n k b -≈! )(),;( 对于不同λ值得泊松分布图： 目录 1命名原因 2分布特点 3关系 4应用场景 5应用示例 6推导 7形式与性质 命名原因 泊松分布实例 泊松分布（Poisson distribution），台译卜瓦松分布（法语：loi de Poisson，英语：Poisson distribution，译名有泊松分布、普阿松分布、卜瓦松分布、布瓦松分布、布阿松分布、波以松分布、卜氏分配等），是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）。泊松分布是以18～19 世纪的法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）命名的，他在1838年时发表。这个分布在更早些时候由贝努里家族的一个人描述过。 分布特点 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为特征函数为 关系 泊松分布与二项分布 泊松分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦时，就可以用泊松公式近似得计算。 事实上，泊松分布正是由二项分布推导而来的，具体推导过程参见本词条相关部分。 应用场景 在实际事例中，当一个随机事件，例如某电话交换台收到的呼叫、来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布P(λ)。因此,泊松分布在管理科学、运筹学以及自然科学的某些问题中都占有重要的地位（在早期学界认为人类行为是服从泊松分布，2005年在nature上发表的文章揭示了人类行为具有高度非均匀性）。 应用示例 泊松分布及其在实际中的应用 摘要：本文从泊松分布的定义和基本性质出发，举例讨论了泊松分布在实际中的重要应用。 关键字：泊松分布；应用；运筹学；分子生物学；核衰变 泊松分布是法国数学家泊松于1837年引入的，是概率论中的几大重要分布之一。作为一种常见的离散型随机变量的分布，其在实际中有着非常广泛的应用。 1泊松分布的定义及基本知识 1.1定义： （1）若随机变量X 的分布列为 ）， ?=>= =-,2,1,0(0,! )(k k e k X P k λλλ 则称X 服从参数为λ的泊松分布，并用记号X~P(λ)表示。 （2）泊松流： 随机质点流：随机现象中源源不断出现的随机质点构成的序列。 若质点流具有平稳性、无后效性、普通性, 则称该质点流为泊松事件流(泊松流)。 例如某电话交换台收到的电话呼叫数; 到某机场降落的飞机数; 一个售货员接待的顾客数等这些事件都可以看作泊松流。 1.2有关泊松分布的一些性质 （1）满足分布列的两个性质：P(X=k)≥0(k=0,1,2,…）， 且有 1! ! )(0 =?====-∞ =-∞=∞ =-∑∑∑ λλλ λ λλe e k e k e k X P k k k o k k . （2）若随机变量X 服从参数为λ的泊松分布，则X 的期望和方差分别为：E （X)=λ; D(X)=λ. （3）以n ，p 为参数的二项分布，当n →∞，p →0时，使得np=λ保持为正常数，则 λλ--→ -e k p p C k k n k k n ! ) 1(对于k=0,1,2，…一致成立。 由如上定理的条件λ=np 知，当n 很大时，p 很小时，有下面的近似公式 λλ--→ -=e k p p C k P k k n k k n n ! ) 1()( 2泊松分布的应用 对于试验成功概率很小而试验次数很多的随机过程, 都可以很自然的应用于泊松分布的理论。在泊松分布中的概率表达式只含一个参数λ，减少了对参数的确定与修改工作量, 模型构建比较简单, 具有很重要的实际意义。 以下具体举例说明泊松分布在实际中的重要应用。 （1）泊松分布在经济生活中的应用： 泊松分布是经济生活中的一种非常重要的分布形式，尤其是经常被运用在运筹学研究中的一个分布模型。如物料订单的规划，道路交通信号灯的设计，生产计划的安排，海港发 泊松分布的概念及表和查表方法 Poisson分布，是一种统计与概率学里常见到的离散概率分布，由法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）在1838年时发表。 中文名泊松分布外文名poisson distribution 分类数学时间1838年 台译卜瓦松分布提出西莫恩·德尼·泊松 目录 1命名原因 2分布特点 3关系 4应用场景 5应用示例 6推导 7形式与性质 命名原因 泊松分布实例 泊松分布（Poisson distribution），台译卜瓦松分布（法语：loi de Poisson，英语：Poisson distribution，译名有泊松分布、普阿松分布、卜瓦松分布、布瓦松分布、布阿松分布、波以松分布、卜氏分配等），是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）。泊松分布是以18～19 世纪的法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）命名的，他在1838年时发表。这个分布在更早些时候由贝努里家族的一个人描述过。 分布特点 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为特征函数为 关系 泊松分布与二项分布 泊松分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦时，就可以用泊松公式近似得计算。 事实上，泊松分布正是由二项分布推导而来的，具体推导过程参见本词条相关部分。 应用场景 在实际事例中，当一个随机事件，例如某电话交换台收到的呼叫、来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布P(λ)。因此,泊松分布在管理科学、运筹学以及自然科学的某些问题中都占有重要的地位（在早期学界认为人类行为是服从泊松分布，2005年在nature上发表的文章揭示了人类行为具有高度非均匀性）。 应用示例 泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。 观察事物平均发生m次的条件下，实际发生x次的概率P（x）可用下式表示： 例如采用㎡紫外线照射大肠杆菌时，每个基因组（～4×106核苷酸对）平均产生3个嘧啶二体。实际上每个基因组二体的分布是服从泊松分布的，将取如下形式： …… 是未产生二体的菌的存在概率，实际上其值的5%与采用㎡照射时的大肠杆菌uvrA-株，recA-株（除去既不能修复又不能重组修复的二重突变）的生存率是一致的。由于该菌株每个基因组有一个二体就是致死量，因此就意味着全部死亡的概率。 推导 很多人在上概率论这门课的时候就没搞明白过泊松分布到底是怎么回事，至少我就是如此。如果我们学习的意义是为了通过考试，那么我们大可停留在“只会做题”的阶段，因为试卷上不会出现“请发表一下你对泊松公式的看法”这样的题目，因为那样一来卷子就变得不容易批改，大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。而如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在1876 年由贝尔发明，一台电话由几个部分构成……”（泊松分布在1876 年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。比如在一段时间t（比如 1 个小时）内来到食堂就餐的学生数量肯定不会是一个常数（比如一直是200 人），而应该符合某种随机规律：假如在 1 个小时内来200 个学生的概率是10%，来180 个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 这当然只是形象化的理解什么是泊松分布，若要公式化定义，那就是：若随机变量X 只取非负整数值0,1,2,..., 且其概率分布服 从则随机变量X 的分布称为泊松分布，记作P(λ)。这个分布是S.-D.泊松研究二项分布的渐近公式时提出来的。泊松分布P (λ)中只有一个参数λ ，它既是泊松分布的均值，也是泊松分布的方差。生活中，当一个随机事件，例如来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ(或称密度)随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从 第二讲 泊松过程 1．随机过程和有限维分布族 现实世界中的随机过程例子： 液体中，花粉的不规则运动：布朗运动；股市的股票价格； 到某个时刻的电话呼叫次数； 到某个时刻服务器到达的数据流数量，等。 特征：都涉及无限多个随机变量，且依赖于时间。 定义（随机过程） 设有指标集T ，对T t ∈都有随机变量)(t X 与之对应，则称随机变量族 }),({T t t X ∈为随机过程。 注 一个随机过程是就是一个二元函数E T t X →?Ωω:),(。固定ω，即考虑某个事件相 应的随机变量的值，得到函数R T t X →:),(ω称为样本函数或轨道或一个实现。映射的值域空间E 称为状态空间。 例 随机游动(离散时间，离散状态) 质点在直线上每隔单位时间位置就发生变化，分别以概率p 或概率p -1向正或负向移动一个单位。如果以n S 记时刻n 质点所处的位置，那么就得到随机过程{,0}n S n ≥。这里指标集},1,0{ =T ，状态空间},1,0,1,{ -=E 。 如果记n X 为时刻n ，质点的移动，那么{,1}n X n ≥也是随机过程。 两个过程的区别：{}n S 不独立；{}n X 独立； 两个过程的关系：01 n n k k S S X ==+ ∑ 习题 计算n ES 和n DS （设00S =）。 提示 利用∑== n k k n X S 1 ，其中k X 是时刻k 的移动方式。 习题 设从原点出发，则()/2()/2()/2 ,2()0, 21n k n k n k n n C q p n k i P S k n k i +-+?+===?+=-?。 例 服务器到达的数据流(连续时间，离散状态) 在],0[t 内，到达服务器的数据包个数记为)(t N ，那么}0),({≥t t N 也是个随机过程， 其指标集}{+ ∈=R t T ，状态空间},1,0{ =E 。 第三章Poisson过程 教学目的：（1）了解计数过程的概念； （2）掌握泊松过程两种定义的等价性； （3）掌握泊松过程的到达时刻的分布、等待时间的分布和来到时刻的条件分布； （4）了解泊松过程的三种推广。 教学重点：（1）泊松过程两种定义的等价性； （2）泊松过程的到达时刻的分布、等待时间的分布和来到时刻的条件分布； （3）泊松过程的三种推广。 教学难点：（1）泊松过程两种定义的等价性的证明； （2）泊松过程来到时刻的条件分布； （3）泊松过程的推广。 3.1 Poisson过程 教学目的：掌握Poisson过程的定义及等价定义；会进行Poisson过程相关的概率的计算。 教学重点：Poisson过程的定义与其等价定义等价性的证明；Poisson过程相关的概率的计算。 教学难点：Poisson过程的定义与其等价定义等价性的证明。 Poisson过程是一类重要的计数过程，先给出计数过程的定义 定义3.1：{(),0} 表示从到时刻 N t t N t t≥ 随机过程称为计数过程，如果()0特定事件发生的次数，它具备以下两个特点： 某一A N t取值为整数； (1)() 内事件发生的次数。 (2)()()()-()(,] 时，且表示时间A s t N s N t N t N s s t <≤ 计数过程有着广泛的应用，如：某商店一段时间内购物的顾客数；某段时 间内电话转换台呼叫的次数；加油站一段时间内等候加油的人数等。 如果在不相交的时间区间中发生的事件个数是独立的，则称该计数过程 有独立增量。即当123,t t t <<2132()-()()-()X t X t X t X t 有与是独立的。 若在任一时间区间中的事件个数的分布只依赖于,时间区间的长度则计数 过程有平稳增量。即对一切12120(,]t t s t s t s <>++及，在中事件个数 21()()N t s N t s +-+12(,]t t 与区间中事件的个数21()()N t N t -有相同的分布。 Poission 过程是计数过程，而且是一类最重要、应用广泛的计数过程，它最早于1837年由法国数学家Poission 引入。 .独立增量和平稳增量是某些级数过程的主要性质Poisson 过程是具有独立 增量.和平稳增量的计数过程 定义3.2：{(),0}(0)N t t λλ≥>计数过程称为参数为Poisson 过程，如果 (1)(0)0N =； (2)过程具有独立增量； (3),0,s t ≥对任意的 (()-())P N t s N s n +=! n t t e n λλ-=（） 例3.1：3/h 设顾客到达商店依次人的平均速度到达，Poisson 且服从分布， 9:00,已知商店上午开门试求 (1)9:0010:005从到这一小时内最多有名顾客的概率？ (2)9:3011:30到时仅到一位顾客，而到时总计已达到5位顾客的概率？ (解：见板书。) 注：（1）Poisson 过程具有平稳增量。 （2）随机变量()N t 服从参数为t λ的Poisson 分布，故[()]E N t t λ=（显然，可以认为λ是单位时间内事件发生的平均次数，称λ是Poisson 过程的强度或速率或发生率。） 泊松分布的应用 泊松分布的应用 摘要 泊松分布是指一个系统在运行中超负载造成的失效次数的分布形式。它是高等数学里的一个概念,属于概率论的范畴,是法国数学家泊松在推广伯努利形式下的大数定律时,研究得出的一种概率分布,因而命名为泊松分布。 作为一种常见的离散型随机变量的分布,泊松分布日益显示其重要性,成为概率论中最重要的几个分布之一。服从泊松分布的随机变量是常见的,它常与时间单位的计数过程相联系。 在现实生活中应用更为广泛,如数学建模、管理科学、运筹学及自然科学、概率论等等。并且在某些函数关系起着一种重要作用。例如线性的、指数的、三角函数的等等。本文对泊松分布产生的过程、定义和性质做了简单的介绍，研究了泊松分布的一些性质, 并讨论了这些性质在实际生活中的重要作用。 关键词：泊松过程；泊松分布；定义；定理；应用； 一、 计数过程为广义的泊松过程 1．计数过程 设)} 0, [ T t , t)( {N X T ∞=∈=为一随机过程, 如果 t )( N 是取非负整数值的随机变量,且满足s < t 时, t)( s) ( N ≤,则称)} 0, [ T t , t)( {N X T ∞=∈=为计数过程。 将增量 t t 0 , t), t ( N ) t ( N - t)( N 000<≤?=,它表示时间间隔 t), t [ 0内出现的质点数。“在 t), t [ 0内出现k 个质点”,即k} t), t ( {N 0=是一随机事件,其概率记为 2 0,1, k , k} t), t ( P{N t), t ( P 00K ===总之,对某种随机事件的来到数都可以得到一个计数过程,而同一时刻只能至多发生一个来到的就是简单计数过程。 2．泊松过程 计数过程0} t , t)( {N ∈称为强度为λ的泊松过程,如果满足条件: (1)在不相重叠的区间上的增量具有独立性; (2)0 (0) N =; (3)对于充分小的, t)( O t 1} t) t t,( P{N t) t t,( P 1?+?==?+=?+λ其中常数 0>λ,称为过程)(t N 的强度。 (4)对于充分小的Δt (){}()t j t t t N P t t t P j j j ?==?+=?+∑∑∞ =∞=ο2 2 ,),( 亦即对于充分小的t ?,在()t t t ?+,或2个以上质点的概率与出现一个质点的概率相对可以忽略不计。了解泊松过程,就很容易去了解泊松分布的相关性质,其实泊松分布就是在泊松过程当中每单位的时间间隔内出现质点数目的计数。 二、 泊松分布的概念： 泊松分布常用于描述单位时间、单位平面或单位空间中罕见“质点”总数的随机分布规律。 定义1 设随机变量X 的可能取值为,,2,1,0 且 {}0,,2,1,0,! >===-λλ k e k x k X P k 为常数。 泊松分布 ），是一种统计与概率学里常见到的离散概率分布，由法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）在1838年时发表。 泊松分布适合于描述单位时间内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数等等。 泊松分布的概率质量函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生率。 性质 服从泊松分布的随机变量，其数学期望与方差相等，同为参数λ： E(X)=V(X)=λ 动差生成函数： 泊松分布的来源 在二项分布的伯努力试验中，如果试验次数n很大，二项分布的概率p很小，而乘积λ= n p比较适中，则事件出现的次数的概率可以用泊松分布来逼近。这在现实世界中是很常见的现象，如DNA 序列的变异、放射性原子核的衰变、电话交换机收到的来电呼叫、公共汽车站候车情况等等。 证明如下。首先，回顾e的定义： 二项分布的定义： 如果令p = λ / n, n趋于无穷时P的极限: [编辑]最大似然估计 给定n个样本值k i，希望得到从中推测出总体的泊松分布参数λ的估计。为计算最大似然估计值, 列出对数似然函数： 对函数L取相对于λ的导数并令其等于零: 解得λ从而得到一个驻点（stationary point）: 检查函数L的二阶导数，发现对所有的λ与k i大于零的情况二阶导数都为负。因此求得的驻点是对数似然函数L的极大值点: [编辑]例子 对某公共汽车站的客流做调查，统计了某天上午10：30到11：47来到候车的乘客情况。假定来到候车的乘客各批（每批可以是1人也可以是多人）是互相独立发生的。观察每20秒区间来到候车的乘客批次，共得到230个观察记录。其中来到0批、1批、2批、3批、4批及4批以上的观察记录分别是100个、81个、34个、9个、6个。使用极大似真估计（MLE），得到λ的估计为0.8696。实际上各批次发生的频率与λ = 0.87的泊松分布吻合的非常好。 附表1 泊松分布表 ()! m P X m e m λλ-== 390.0000070.000056 附录 附录A A1 正态分布函数表 2 2 ()e d(0) 2π t x x t x Φ -∞ =-≥ ? x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.90320 0.91924 0.93319 0.94520 0.95543 0.96407 0.97128 0.97725 0.98214 0.98610 0.98928 0.99180 0.99379 0.99534 0.99653 0.99745 0.99813 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.90490 0.92073 0.93448 0.94630 0.95637 0.96485 0.97193 0.9778 0.98257 0.98645 0.98956 0.99202 0.99396 0.99547 0.99664 0.99752 0.99819 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.90658 0.92220 0.93574 0.94738 0.95728 0.96562 0.97257 0.97831 0.98300 0.98679 0.98983 0.99224 0.99413 0.99560 0.99674 0.99760 0.99825 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.90824 0.92364 0.93699 0.94845 0.95818 0.96638 0.97320 0.97882 0.98341 0.98713 0.99010 0.99245 0.99430 0.99573 0.99683 0.99767 0.99831 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7703 0.7995 0.8264 0.8508 0.8729 0.8925 0.90988 0.92507 0.93822 0.94950 0.95907 0.96712 0.97381 0.97932 0.98382 0.98745 0.99036 0.99266 0.99446 0.99586 0.99693 0.99774 0.99836 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.91140 0.92647 0.93943 0.95053 0.95994 0.96784 0.97441 0.97982 0.98422 0.98778 0.99061 0.99286 0.99461 0.99598 0.99702 0.99781 0.99841 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.91309 0.92785 0.94062 0.95154 0.96080 0.96856 0.97500 0.98030 0.98461 0.98809 0.99086 0.99305 0.99477 0.99609 0.99711 0.99788 0.99846 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.91466 0.92922 0.94179 0.95254 0.96164 0.96926 0.97558 0.98077 0.98500 0.98840 0.99111 0.99324 0.99492 0.99621 0.99720 0.99795 0.99851 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.91621 0.93056 0.94295 0.95352 0.96246 0.96995 0.97615 0.98124 0.98537 0.98870 0.99134 0.99343 0.99506 0.99632 0.99728 0.99801 0.99856 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8389 0.8621 0.8830 0.90147 0.91774 0.93189 0.94408 0.95449 0.96327 0.97062 0.97670 0.98169 0.98574 0.98899 0.99158 0.99361 0.99520 0.99643 0.99737 0.99807 0.99861 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 正确理解-泊松分布-通俗解释 年由贝尔发明，一台电话由几个部分构成”（泊松分布在1876年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。时间t （比如1个小时）内来到食堂就餐的学生数量肯定不会是一比如在一段个常数（比 如一直是200人），而应该符合某种随机规律: 学生的概率是10%，来180个学生的概率是假如在1个小时内来200个20%'般认为，这种随机规 若要公式化定义，那就是：若 当一个随 很多人在上概率论这门课的时候就没搞明白过泊松分布到底是怎么回事，至少我就是如此。如果我们学习的意义是为了通过考试，那么我们大可停留在 只会做题”的阶段，因为试卷上不会出现请发表一下你对泊松公式的看法”这 样的题目，因为那样一来卷子就变得不容易批改，大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。而如果我们学习的目的是为了理解一 样东西，那么我们就有必要停下来去思考一下诸如为什么要有泊松分布？” 泊松分布的物理意义是什么？”这样的哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：电话是 一种机器，两个距离很远的人可以通过它进行交谈”而不会说：电话在1876 律服从的就是泊松分布。 这当然只是形象化的理解什么是泊松分布， 随机变量X只取非负整数值0,1,2,…，且其概率分布服 从"k!则随机变量X的分布称为泊松分布，记作P（入。）这个分布是S.-D.泊松研究二项分布的渐近公式时提出来的。泊松分布P （/中只有一个参数入，它既是泊松分布的均值，也是泊松分布的方差。生活中，当 机事件，例如来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜 F某区域中的白血球等等，以固定的平均瞬时速率入或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地 泊松分布的概念及表和查表方法 目录 1命名原因 2分布特点 3关系 4应用场景 5应用示例 6推导 7形式与性质 命名原因 泊松分布实例 泊松分布（Poisson distribution），台译卜瓦松分布（法语：loi de Poisson，英语：Poisson distribution，译名有泊松分布、普阿松分布、卜瓦松分布、布瓦松分布、布阿松分布、波以松分布、卜氏分配等），是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）。泊松分布是以18～19 世纪的法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）命名的，他在1838年时发表。这个分布在更早些时候由贝努里家族的一个人描述过。 分布特点 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为特征函数为 关系 泊松分布与二项分布 泊松分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦0.05时，就可以用泊松公式近似得计算。 事实上，泊松分布正是由二项分布推导而来的，具体推导过程参见本词条相关部分。 应用场景 在实际事例中，当一个随机事件，例如某电话交换台收到的呼叫、来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布P(λ)。因此,泊松分布在管理科学、运筹学以及自然科学的某些问题中都占有重要的地位（在早期学界认为人类行为是服从泊松分布，2005年在nature上发表的文章揭示了人类行为具有高度非均匀性）。 应用示例 泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。 观察事物平均发生m次的条件下，实际发生x次的概率P（x）可用下式表示： 例如采用0.05J/㎡紫外线照射大肠杆菌时，每个基因组（～4×106核苷酸对）平均产生3个嘧啶二体。实际上每个基因组二体的分布是服从泊松分布的，将取如下形式： …… 是未产生二体的菌的存在概率，实际上其值的5%与采用0.05J/㎡照射时的大肠杆菌uvrA-株，recA-株（除去既不能修复又不能重组修复的二重突变）的生存率是一致的。由于该菌株每个基因组有一个二体就是致死量，因此就意味着全部死亡的概率。 推导 泊松分布推导 如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在18XX年由贝尔发明，一台电话由几个部分构成……”（泊松分布在18XX年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们去每天食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t（比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数（比如一直是200人），而应该符合某种随机规律：比如在1个小时内来200个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k个学生到达的概率为： 其中为单位时间内学生的期望到达数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的 一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 二项分布很容易理解，比如一个牛仔一枪打中靶子的概率是p，如果我们让他开10枪，如果每击中一次目标就得1分，问他一共能得几分？虽然我们不能在牛仔射击前准确地预测出具体的得分k，但可以求出k的概率分布，比如k=9的概率是50%，k=8分的概率是30%……并且根据k的分布来判断他的枪法如何，这便是概率统计的思想。 具体计算的方法就是求出“得k分”的概率。比如“得9分”可以是“射失第1发，而命中其余的9发”，它的概率是p的9次方乘上1-p。 X O O OO O OOOO O X O OOOOOOO O O X O OOOOOO …… 根据组合数性质，在种情况下，牛仔都可以得到9分。因此牛仔“得9分”的概率。 同理，“得k分”的概率就是。而对于一个神枪手（p=1）来讲，他“得 10分”的概率就是1。 二项分布和泊松分布最大的不同是前者的研究对象是n个离散的事件（10次射击），而后者考察的是一段连续的时间（单位时间）。因此泊松分布就是在二项分布的基础上化零为整。 如果我们把单位时间划分成n个细小的时间片，假设在每个时间片内牛仔都在射击，只 正确理解泊松分布 很多人在上概率论这门课的时候就没搞明白过泊松分布到底是怎么回事，至少我就是如此。虽然那个时候大家都会背“当试验的次数趋于无穷大，而乘积np 固定时，二项分布收敛于泊松分布”，大部分的教科书上也都会给出这个收敛过程的数学推导，但是看懂它和真正理解还有很大距离。如果我们学习的意义是为了通过考试，那么我们大可停留在“只会做题”的阶段，因为试卷上不会出现“请发表一下你对泊松公式的看法”这样的题目，因为那样一来卷子就变得不容易批改。所以现在的大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。而如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在1876年由贝尔发明，一台电话由几个部分构成……”（泊松分布在1876年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们每天去食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t （比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数，（比如一直是200人），而应该符合某种随机规律：比如1个小时内来200个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k 个学生到达的概率为： ,...1,0,! )(==-k k e k f k λλ 其中λ为单位时间内学生的期望到达人数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 二项分布很容易理解，比如一个牛仔一枪打中靶子的概率是p ，如果我们让他开10枪，如果每击中一次目标就得一分，问他一共能得几分？虽然我们不能在牛仔射击前准确地预测出具体的得分k ，但可以求出k 的概率分布，比如k=9的概率是50%，k=8的概率是30%……并且根据k 的分布来判断他的枪法如何，这便是概率统计的思想。 具体计算的方法就是求出“得k 分”的概率。比如“得9分”可以是“射失第一发，而命中其余的9发”，它的概率是p 的9次方乘上（1-p ），当然，可能情况不只这种，我们用X 代表“没命中”，O 代表“命中”，“得9分”所有的可能的情况如下： XOOOO OOOOO OXOOO OOOOO OOXOO OOOOO 正确理解泊松分布 敛于泊松分布”，大部分的教科书上也都会给出这个收敛过程的数学推导，但是看懂它和真正理解还有很大距离。如果我们学习的意义是为了通过考试，那么我们大可停留在“只会做题”的阶段，因为试卷上不会出现“请发表一下你对泊松公式的看法”这样的题目，因为那样一来卷子就变得不容易批改。所以现在的大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。而如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在1876年由贝尔发明，一台电话由几个部分构成……”（泊松分布在1876年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们每天去食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t （比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数，（比如一直是200人），而应该符合某种随机规律：比如1个小时内来200个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k 个学生到达的概率为： ,...1,0,! )(==-k k e k f k λλ 其中λ为单位时间内学生的期望到达人数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 二项分布很容易理解，比如一个牛仔一枪打中靶子的概率是p ，如果我们让他开10枪，如果每击中一次目标就得一分，问他一共能得几分？虽然我们不能在牛仔射击前准确地预测出具体的得分k ，但可以求出k 的概率分布，比如k=9的概率是50%，k=8的概率是30%……并且根据k 的分布来判断他的枪法如何，这便是概率统计的思想。 具体计算的方法就是求出“得k 分”的概率。比如“得9分”可以是“射失第一发，而命中其余的9发”，它的概率是p 的9次方乘上（1-p ），当然，可能情况不只这种，我们O 代表“命中”，“得9分”所有的可能的情况如下：正确理解泊松分布
泊松分布
泊松分布的概念及表和查表方法
概率论与数理统计课程报告：泊松分布及其在实际中的应用
泊松分布的概念及表和查表方法
正确理解 泊松分布 通俗解释
泊松过程
Poisson过程
泊松分布的应用
泊松分布
概率论与数理统计附表1 泊松分布表
正确理解-泊松分布-通俗解释
泊松分布的概念及表和查表方法
泊松分布推导
简单理解泊松分布
正确理解泊松分布