泊松分布（Poisson Distribution） 是统计学和概率论中的一种离散概率分布，通常用于描述在固定时间或空间内，某个事件发生的次数。该分布适用于稀有事件的建模，特别是当事件发生是独立的、随机的，且发生的平均速率是恒定的。
1. 泊松分布的定义
泊松分布用于描述某个事件在特定时间段、区域或空间内发生的次数，假设这些事件是独立发生的，且在某个单位时间或单位空间内的平均发生率（即事件的期望发生次数）为 λ \lambda λ。
a. 泊松分布的概率质量函数（PMF）
泊松分布的概率质量函数描述了在某一段时间或某一区域内，发生 k k k 次事件的概率为：
P ( X = k ) = λ k e − λ k ! P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!} P(X=k)=k!λke−λ
- X X X：表示事件发生的次数。
- λ \lambda λ：表示在单位时间或单位空间内，事件发生的平均次数（也称为事件的速率或强度）。
- k k k：是事件发生的具体次数，可以是 0 , 1 , 2 , … 0, 1, 2, \dots 0,1,2,… 等非负整数。
- e e e：是自然对数的底，约等于 2.71828。
泊松分布的关键参数是 λ \lambda λ ，它决定了事件发生的平均频率。如果 λ \lambda λ 较大，则事件在单位时间内发生的次数更多，分布趋向于更加集中。如果 λ \lambda λ 较小，则事件发生的频率较低，分布更加分散。
b. 泊松分布的条件
泊松分布通常用于描述以下情形：
- 在给定的时间或空间内，某个事件发生的平均次数是已知的。
- 每次事件发生是独立的，不受其他事件的影响。
- 事件在短时间或小区域内发生的概率与时间或区域的长度成正比。
- 在非常短的时间内，事件发生一次的概率远大于事件发生两次或多次的概率。
2. 泊松分布的特性
a. 期望值和方差
泊松分布的期望值和方差都等于 λ \lambda λ，即：
E ( X ) = λ , V a r ( X ) = λ E(X) = \lambda, \quad Var(X) = \lambda E(X)=λ,Var(X)=λ
- 期望值 E ( X ) E(X) E(X)：表示事件在单位时间或单位区域内的平均发生次数。
- 方差 V a r ( X ) Var(X) Var(X)：表示事件发生次数的离散程度，越大意味着事件发生次数的波动越大。
由于期望值和方差相等，这意味着泊松分布的形状由参数 λ \lambda λ 完全决定。 λ \lambda λ 越大，分布的集中性越高，事件发生的次数越趋近于 λ \lambda λ； λ \lambda λ 越小，分布越分散，事件发生次数可能较少。
b. 泊松分布的形状
泊松分布形状随 λ \lambda λ 值变化的示意图如下：
图片来源：https://www.scribbr.com/statistics/poisson-distribution/
这张图展示了不同参数 λ \lambda λ 下的泊松分布概率质量函数（PMF），每条曲线表示在不同 λ \lambda λ 值下随机变量 k k k 的概率。
- λ \lambda λ 越小（如 λ = 0.5 \lambda = 0.5 λ=0.5），事件发生的概率更集中在 k = 0 k = 0 k=0 或者 k = 1 k = 1 k=1，即事件在单位时间内较少发生。
- λ \lambda λ 增大（如 λ = 6 \lambda = 6 λ=6），事件发生的次数更集中在更高的 k k k 值，峰值逐渐向右移动，概率分布更为平缓，且分布的范围也更宽。
泊松分布中的 λ \lambda λ 控制了事件的频率和分布的形状。 λ \lambda λ 值越大，泊松分布的曲线越向右侧移动，且曲线越宽，表示事件发生的次数增多且变得更加分散。随着事件发生的平均次数，即 λ \lambda λ 值逐渐增加，分布变得更像正态分布。根据中心极限定理，当 λ \lambda λ 变得足够大时，泊松分布趋近于正态分布。
c. 稀有事件
泊松分布适合用于描述稀有事件，即事件在单位时间或空间内不经常发生。例如，某个区域内的车祸发生次数、网络请求失败次数等，这些事件通常不频繁，但它们的发生具有一定的规律性。
3. 泊松分布的推导
泊松分布可以从二项分布（Binomial Distribution）推导而来。
当满足以下条件时，二项分布会收敛为泊松分布：
- 试验次数 n n n 非常大（即 n → ∞ n \to \infty n→∞）。
- 每次试验的成功概率 p p p 非常小（即 p → 0 p \to 0 p→0）。
- 总的成功次数 λ = n p \lambda = np λ=np 保持为常数。
这些条件可以理解为：事件的发生非常稀少（成功的概率非常小），但试验的次数非常多，因此总的成功次数（即事件的平均发生次数）是有限的，且为常数 λ \lambda λ。
二项分布的概率质量函数为：
P ( X = k ) = ( n k ) p k ( 1 − p ) n − k P(X = k) = \binom{n}{k} p^k (1 - p)^{n - k} P(X=k)=(kn)pk(1−p)n−k
当 n → ∞ n \to \infty n→∞ 且 p → 0 p \to 0 p→0，使得 n ⋅ p = λ n \cdot p = \lambda n⋅p=λ 恒定时，二项分布就会趋于泊松分布：
P ( X = k ) = λ k e − λ k ! P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!} P(X=k)=k!λke−λ
这说明了泊松分布是二项分布在稀有事件下的极限形式，适用于建模那些发生频率较低但试验次数非常多的情形。
4. 泊松分布的例子
呼叫中心的电话呼入
假设某个呼叫中心平均每分钟接到 3 个电话，电话呼入次数符合泊松分布， λ = 3 \lambda = 3 λ=3。那么，我们可以使用泊松分布计算1分钟内接到 k k k 个电话的概率。
例如，计算1分钟内接到5个电话的概率：
P ( X = 5 ) = 3 5 e − 3 5 ! = 0.10082 P(X = 5) = \frac{3^5 e^{-3}}{5!} = 0.10082 P(X=5)=5!35e−3=0.10082
即，1分钟内接到5个电话的概率约为10%。
5. 泊松分布的应用
泊松分布广泛应用于很多实际场景，特别是在描述某些离散、稀有、随机的事件时。以下是一些常见的应用场景：
a. 电信系统
泊松分布常用于建模电信系统中电话呼入的数量或网络包的到达数量。例如，统计某个时段内呼入某个客服中心的电话次数，假设这些呼叫是独立的且随机的，可以用泊松分布来建模。
b. 交通流量
在交通工程中，泊松分布可以用来描述某条道路在单位时间内经过的车辆数或事故发生次数。如果事故是独立发生的，且某条道路上的平均事故发生率是已知的，则事故发生次数服从泊松分布。
c. 排队论
在排队论中，泊松分布用于描述客户到达某个服务系统的频率。比如统计某个时段内进入银行的顾客数量，或统计单位时间内网络中的请求数，这些场景中的到达过程常常符合泊松分布。
d. 自然灾害
泊松分布也用于建模自然灾害（如地震、洪水）在特定地区的发生频率。假设在特定时间段内，自然灾害的发生是随机且独立的，那么可以用泊松分布来描述其发生次数。
e. 医疗和公共卫生
泊松分布常用于分析医疗数据，比如某个医院急诊科在一天内接收的病人数量，或某个地区在单位时间内报告的疾病病例数。
6. 总结
泊松分布 是用于描述稀有事件在固定时间或空间内发生次数的离散分布，广泛应用于电信、交通、医疗、自然灾害等领域。它的主要参数 λ \lambda λ 表示事件的平均发生次数，且期望值和方差都等于 λ \lambda λ。泊松分布适合用于建模那些在短时间内很少发生的事件，通过其概率质量函数可以计算事件发生特定次数的概率。
![[Python学习日记-38] Python 中的函数的名称空间](https://i-blog.csdnimg.cn/direct/45744892177f44be9f7c25f2d18d9fba.png)
