泊松分布——公式、均值与例题

泊松分布用于表示：在一个固定区间内，如果事件彼此独立发生，并且平均发生率大致保持不变，那么出现 $0, 1, 2, \dots$ 次事件的概率是多少。只要你知道一个区间内平均会出现多少次来电、缺陷或到达事件，泊松模型就能帮助你求出某个精确次数出现的概率。

关键在于模型是否选对，而不只是代数计算是否正确。如果独立性或“平均发生率大致恒定”这个条件并不合理，那么即使泊松公式写得没错，回答的也可能是错误的问题。

泊松分布公式

如果 $X$ 服从参数为 $\lambda > 0$ 的泊松分布，那么对任意整数 $k \ge 0$，

$$P(X = k) = \frac{e^{-\lambda}\lambda^k}{k!}$$

这里，$k$ 是你想求的精确事件次数，$\lambda$ 是你所选区间内事件的期望次数。

对于泊松模型，均值和方差都等于 $\lambda$：

$$\text{mean} = \text{variance} = \lambda$$

这并不表示所有真实数据的均值和方差都会相等。它的意思是：泊松模型预测二者应当满足这种关系。

用通俗的话解释 $\lambda$ 的含义

$\lambda$ 是某一个特定区间内的平均计数。这个区间可以是一小时、一平方米、一页，或者一公里，但你必须把它定义清楚。

如果一家商店平均每小时接到 $3$ 个电话，那么对于“一小时”这个区间，$\lambda = 3$。如果改成“两小时”这个区间，只有在这两小时内平均发生率仍然合理地保持不变时，才可以使用 $\lambda = 6$。

这是最容易出错的地方之一。区间一旦改变，$\lambda$ 通常也要跟着改变。

例题：1 小时内恰好接到 2 个电话

假设一家小商店平均每小时接到 $3$ 个客户来电。如果来电到达可以近似看作相互独立，并且平均来电率比较稳定，那么接下来 1 小时内恰好接到 $2$ 个电话的概率是多少？

这里，$\lambda = 3$，$k = 2$，所以：

$$P(X = 2) = \frac{e^{-3}3^2}{2!}$$

一步一步化简：

$$P(X = 2) = \frac{9e^{-3}}{2}$$

利用 $e^{-3} \approx 0.0498$，

$$P(X = 2) \approx \frac{9(0.0498)}{2} \approx 0.224$$

所以这个概率大约是 $0.224$，也就是 $22.4\%$。结合实际情境来看，这表示接下来 1 小时恰好接到 $2$ 个电话是一个比较常见的结果，并不算罕见。

什么时候泊松模型是合理的

当下面这些条件大致都成立时，可以使用泊松模型：

• 你统计的是发生次数，而不是时间、高度这类连续变量。
• 计数是在一个固定区间内完成的，比如 1 小时或 1 页。
• 在这个区间内，平均发生率大致保持不变。
• 一个事件的发生不会直接让另一个事件变得明显更可能或更不可能发生。

这也是为什么泊松分布常见于排队论、可靠性分析、交通流、电信和质量控制中。它最适合用于发生率稳定的计数数据，而不适合事件明显聚集或一天中不同时段差异很大的情形。

泊松问题中的常见错误

把泊松分布用于非计数型数据

泊松分布适用于 $0, 1, 2, 3, \dots$ 这样的计数。它不能用来描述身高、时间或温度这类连续测量值。

忘记按区间重新调整 $\lambda$

如果 $\lambda = 3$ 每小时，这并不意味着每 $30$ 分钟仍然有 $\lambda = 3$。如果平均发生率不变，那么半小时对应的参数应为 $\lambda = 1.5$。

以为“稀有事件”就是完整规则

“稀有”这个说法有助于直观理解，但它并不是完整条件。真正要看的是：固定区间、平均发生率大致恒定，以及近似独立，这些条件是否合理。

把“均值等于方差”当成自然规律

对于泊松模型，均值和方差都等于 $\lambda$。但真实数据未必总是这么理想，所以这个相等关系是模型性质，不是自然规律。

泊松分布 vs. 二项分布

当你统计的是某个区间内发生了多少次事件，并且题目中没有预先给定固定试验次数时，使用泊松模型。

当你已经有固定的试验次数，并且每次试验成功概率相同时，使用二项模型。比如，在抽取的 $20$ 个灯泡样本中统计次品个数，这就是二项分布，因为试验次数固定为 $20$。

试着做一道类似的题

你可以自己试一题：假设平均每天有 $5$ 次送货。先求明天恰好有 $4$ 次送货的概率，然后把区间改成半天，并在计算前先判断 $\lambda$ 会如何变化。