泊松分布的通俗理解、推导与应用 |
您所在的位置:网站首页 › 二项分布期望公式的理解和推论 › 泊松分布的通俗理解、推导与应用 |
泊松分布(Poisson Distribution)是概率论与数理统计中重要的分布之一,本篇文章将解释泊松分布的具体含义,并推导出泊松分布的概率分布公式及实际应用,以便于更好的理解泊松分布 泊松分布的数学定义首先来看一下教材中对于泊松分布的定义: 1.定义: 设所有随机变量 X X X 取值为0, 1, 2 … ,而取各个值的概率为 : P { X = k } = λ k k ! e − λ , k = 0 , 1 , 2 , … P\{X=k\}= \frac{λ^k}{k!} e^{-\lambda},k=0,1,2,… P{X=k}=k!λke−λ,k=0,1,2,… 其中 λ > 0 \lambda>0 λ>0是常数,则称 X X X服从参数为 λ \lambda λ的泊松分布,记为 X ∼ P ( λ ) X \sim P(λ) X∼P(λ). 易知 P { X = k } > 0 , k = 0 , 1 , 2 , … P\{X=k\}>0,k=0,1,2,… P{X=k}>0,k=0,1,2,…且有 ∑ k = 0 ∞ P { X = k } = ∑ k = 0 ∞ λ k k ! e − λ = e − λ ∑ k = 0 ∞ λ k k ! = e − λ ⋅ e λ = 1 \sum_{k=0}^{\infty}P\{X=k\}=\sum_{k=0}^{\infty} \frac{λ^k}{k!} e^{-\lambda}=e^{-\lambda}\sum_{k=0}^{\infty} \frac{λ^k}{k!} =e^{-\lambda}\cdot{e^{\lambda}}=1 k=0∑∞P{X=k}=k=0∑∞k!λke−λ=e−λk=0∑∞k!λk=e−λ⋅eλ=1 泊松分布的理解与公式推导先来来看一个实际的例子。一家馒头店每天早上六点到十点营业,现在发愁应该准备多少个馒头才能充分供应?现在老板统计了一周每日卖出的馒头(为了方便计算和讲解,缩小了数据): 现在老板尝试把营业时间抽象为一根线段,把这段时间用
T
T
T来表示: 然后把周一的三个馒头按照销售时间放在线段上: 但是,如果把周二的七个馒头放在线段上,分成四段就不够了: 从图中看,每个时间段
t
t
t有卖出3个的,有卖出2个的,有卖出1个的,就不再是单纯的“卖出、没卖出”了。不能套用二项分布了。解决这个问题也很简单,把
T
T
T分为20个时间段,那么每个时间段就又变为了抛硬币: 在上面的假设下,问题已经被转为了二项分布。二项分布的期望为: E ( x ) = n p = μ E(x)=np=\mu E(x)=np=μ 那么每个时间段卖出馒头的概率 p p p为: p = μ n p=\frac{\mu}{n} p=nμ 将 p p p代入到上述式子,就有: lim n → ∞ C n k p k ( 1 − p ) n − k = lim n → ∞ C n k ( μ n ) k ( 1 − μ n ) n − k \lim_{n \to \infty} C_{n}^{k}p^k(1-p)^{n-k}=\lim_{n \to \infty} C_{n}^{k}(\frac{\mu}{n})^k(1-\frac{\mu}{n})^{n-k} n→∞limCnkpk(1−p)n−k=n→∞limCnk(nμ)k(1−nμ)n−k 计算一下这个极限: lim n → ∞ C n k ( μ n ) k ( 1 − μ n ) n − k = lim n → ∞ n ! k ! ( n − k ) ! μ k n k ( 1 − μ n ) n − k = lim n → ∞ n ⋅ ( n − 1 ) ⋯ ( n − k + 1 ) k ! μ k n k ( 1 − μ n ) n − k = lim n → ∞ μ k k ! n n ⋅ n − 1 n ⋯ n − k + 1 n ( 1 − μ n ) − k ( 1 − μ n ) n \lim_{n \to \infty} C_{n}^{k}(\frac{\mu}{n})^k(1-\frac{\mu}{n})^{n-k} =\lim_{n \to \infty}\frac{n!}{k!(n-k)!}\frac{\mu^k}{n^k}(1-\frac{\mu}{n})^{n-k} \\ =\lim_{n \to \infty}\frac{n\cdot(n-1)\cdots(n-k+1)}{k!}\frac{\mu^k}{n^k}(1-\frac{\mu}{n})^{n-k} \\=\lim_{n \to \infty}\frac{\mu^k}{k!}\frac{n}{n}\cdot\frac{n-1}{n}\cdots\frac{n-k+1}{n}(1-\frac{\mu}{n})^{-k}(1-\frac{\mu}{n})^{n} n→∞limCnk(nμ)k(1−nμ)n−k=n→∞limk!(n−k)!n!nkμk(1−nμ)n−k=n→∞limk!n⋅(n−1)⋯(n−k+1)nkμk(1−nμ)n−k=n→∞limk!μknn⋅nn−1⋯nn−k+1(1−nμ)−k(1−nμ)n 其中: lim n → ∞ n n ⋅ n − 1 n ⋯ n − k + 1 n = 1 \lim_{n \to \infty}\frac{n}{n}\cdot\frac{n-1}{n}\cdots\frac{n-k+1}{n}=1 n→∞limnn⋅nn−1⋯nn−k+1=1 lim n → ∞ ( 1 − μ n ) − k = 1 \lim_{n \to \infty}(1-\frac{\mu}{n})^{-k}=1 n→∞lim(1−nμ)−k=1 lim n → ∞ ( 1 − μ n ) n = lim n → ∞ e n l n ( 1 − μ n ) = lim n → ∞ e n ∗ ( − μ n ) = e − μ \lim_{n \to \infty}(1-\frac{\mu}{n})^{n}=\lim_{n \to \infty}e^{nln(1-\frac{\mu}{n})}=\lim_{n \to \infty}e^{n*(-\frac{\mu}{n})}=e^{-\mu} n→∞lim(1−nμ)n=n→∞limenln(1−nμ)=n→∞limen∗(−nμ)=e−μ 所以在 T T T时间内卖出 k k k个馒头的概率为:: P { X = k } = lim n → ∞ C n k p k ( 1 − p ) n − k = μ k k ! e − μ P\{X=k\}=\lim_{n \to \infty} C_{n}^{k}p^k(1-p)^{n-k}=\frac{\mu^k}{k!}e^{-\mu} P{X=k}=n→∞limCnkpk(1−p)n−k=k!μke−μ 现在还有一个问题, μ \mu μ是总体均值,是未知数,所以用刚刚计算了样本均值来近似总体均值,用 λ \lambda λ来代表这个值 P { X = k } = λ k k ! e − λ P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda} P{X=k}=k!λke−λ 这就是教科书中的泊松分布的概率分布,实际应用中 λ \lambda λ一般都是时间段 T T T内的随机变量的均值,可以通过测量或者历史数据得出。 从上述的推导过程中可以知道泊松分布是将整体无限切分转化为二项分布,这样就解释了泊松分布为何是一个离散型分布,同时也解释了为什么二项分布能在 n n n比较大, p p p比较小的情况下近似于泊松分布。 泊松分布的实际应用泊松分布在实际中的应用很多,例如某一地区一段时间内的车祸发生数,医院一天的急诊病人数等,还可以用来推测产品的不合格率,确定库存数量等。 应用泊松分布需要满足如下条件: 一个事件的发生不影响其它事件的发生,即事件独立发生。举个栗子:地震发生的时候主震通常会引起余震,所以预测地震次数为无法使用泊松分布,但预测一段时间主震的次数可以应用泊松分布事件的发生率是相同的,不能有些区间内发生率高一些而另一些区间低一些;例如我们上面的卖馒头的例子。早上六点到十点可大致看作区间内馒头卖出的概率相同,但是下午卖出馒头的概率和上午可能就不相同了再回到上面我们的例子,买馒头的顾客是独立的,不会互相影响,且营业时间内买馒头的概率恒定,所以应用泊松分布的概率公式可以求出每天卖出馒头的数量的概率,
λ
\lambda
λ取值为样本均值5:
P
{
X
=
k
}
=
5
k
k
!
e
−
5
P\{X=k\}=\frac{5^k}{k!}e^{-5}
P{X=k}=k!5ke−5 具体的概率可以通过泊松分布表查询,也可以按一下计算器。当备货的馒头数为
k
k
k时,够卖的概率就是将小于等于
k
k
k的概率相加
P
{
X
≤
k
}
P\{X\leq k\}
P{X≤k} 可以看到如果备货的馒头数为8时,有93%的概率是够卖的,备货的馒头数为7时,有86%的概率是够卖的,而备货的馒头数为5时,有61%的概率是够卖的,这就是确定库存数量的实际案例。 1.泊松分布是只适用于小概率事件吗? 尽管泊松分布常用于对小概率事件进行建模,但
λ
\lambda
λ可以是任意数字。它并不总是很小。只是随着λ变大,图形看起来越来越像正态分布。 泊松分布的概率密度分布如下: 参考文章:https://blog.csdn.net/ccnt_2012/article/details/81114920 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |