泊松定理公式-泊松定理公式

泊松定理这东西，说白了就是用来算“倒霉”事儿形成概率的。
要是说正态分布是描述身高这种宏观量级波动，那泊松定理就是专门管那些“单兵作战”小概率事件的。它最让人上头的一点，就是能算出长期来看，某件事形成会撞中多少次。 这玩意儿最直观的用处，就是在排队要么等待的时候。
你想象一下，在一个两车道的高速公路上，高速上全是车，每辆车后面跟个车，这跟“有两个事件与此同时形成”类似。在一般/平平交通里，两辆车与此同时变道的概率微乎其微，可是两辆车与此同时变道、与此同时变道的概率，那不就是个挺小的数，得算一下它们与此同时撞在一起的概率。泊松定理正好能帮你算。 举个具体的例子，咱们看一个常见的场景：假设每秒钟有两个事件形成，比如两个信号灯与此同时变红，要么两个人与此同时到达某个路口。
要是这两事件独立形成，那它们与此同时形成的概率就是 $1/4$，也就是 0.25，这个概率挺大。但要是你 20 分钟（1200 秒）不发现别人也和你与此同时形成，那实际概率就变了。
这时候用 $1 - (1 - 0.25)^{1200}$ 算，结局大约在 90% 以上。 再换个说法，就是要是你在一个工夫段里，期望有 3 个人到达，那你要等上 20 分钟，等到第 5 个人才到，概率有多大。
这个关键数据是 $1 - (1 - 3/20)^{20}$，算的结局是 0.45，也就是 45%。 再回到高斯分布的难题。假设你每秒钟有两个事件，持续 20 分钟，那 20 分钟一共 1200 秒，总共期望有 2400 个事件形成。
要是这 2400 个事件是独立同分布且相互独立，那它们就符合泊松分布。
这时候，连续 10 个事件里，有 20 个事件与此同时形成的概率如何算？公式是 $P = e^{-2400} times frac{2400^{20}}{20!}$。 随意算个数字，比如某次航班延误。假设延误是 10 分钟，这已经不算长。
要是你问“两次航班与此同时延误”的概率，是 25%。但要是问“连续 20 次航班都延误”，那这个概率就小多了，得用泊松公式算。 还有一个常见的例子，就是排队难题。
比方说，一个系统里，平均每分钟有 5 个顾客到达，到达率和服务工夫都是固定的。
此时，顾客在排队中等待的工夫，就遵循泊松分布。
要是你让 5 个顾客排队，那么有 3 个顾客处于排队状态的概率是多少？答案就是 $1 - P(0) - P(1) - P(2)$。 这时候大量人会误解，认定泊松公式就是正态分布的近似。
实际上不然。泊松分布实际上是一个二项分布的极限情况。当试验次数 $n$ 挺大，成功概率 $p$ 挺小时，二项分布 $P(X=k) = C(n,k) p^k (1-p)^{n-k}$ 挺好办趋近于 $e^{-lambda lambda^k / k!}$。
也就是说，只要 $np$ 固定，而 $n$ 无限大，$p$ 无限小，二项分布就会变成泊松分布。
要是 $np$ 挺大，但 $n$ 挺小，你就不能用泊松来近似正态分布了。 还有一个贼生活化的例子，就是“生日悖论”的修正版。假设你有个系统，每天有两个事件形成。
要是你问“连续 10 天，有 10 个事件形成”的概率，那用 $1 - (1 - 0.1)^{10}$ 算，结局大约是 0.65。但这和正态分布没关系。正态分布一般用来描述连续变量，比如身高、体重这些。而泊松定理管的是离散事件，比如“每次投骰子出现 6 点”要么“每次抽奖抽到特定号码”。 你看，泊松定理的魅力就在于它能把离散的小概率事件量化，把长周期的累计效应算出来。
要是你把数据画出来，你会发现它的概率密度曲线和正态分布挺搭，特别是在中心区域。但在两头，也就是那些极端的数字上，正态分布会掉下來。
比方说，当两个事件与此同时形成的概率是 0.25 时，正态分布可能会告诉你这是不可能的，但泊松定理告诉你这是大约率事件。 要是数据分布呈现长尾要么尾部挺厚，那种极端值出现的概率可能会要高得多。
这时候要是强行用正态分布来近似，可能会算错。
故此，用泊松定理的时候，起初要确认你的数据是不是符合泊松分布的假设，比如是否知足独立、同分布这些条件。 有时候，我们就连能够把泊松分布用在解释性统计里。
比方说，假设某个地区的交通事故形成率是每年 200 起，而一个事故形成在某一年，另一个事故形成在某一年，这两件事是独立的。
要是你想知道“某年形成 3 起交通事故，而另一年没有形成”的概率，这就是一个典型的泊松分布难题。
这时候，你不需求管正态分布，直接套用 $P(X=3)$ 的公式就行。 实际上，正态分布和泊松分布并不是对立的。它们都是概率论的基石，只是适用的场景不同。正态分布适合那些“大数”、“连续”、“对称”的情况；而泊松定理适合那些“离散”、“小概率”、“工夫累积”的情况。 最终总结一下，泊松定理的核心逻辑挺好办：把一堆独立的小概率事件加起来，算出那个小概率事件形成的累积概率。它不追求精确到小数点后四位，而是追求的是那种“大约多少”的直观感受。甭管是排队、等待、还是任何可能出现多个独立事件的场景，只要知足独立性和同分布，泊松定理就是那个好用的工具。