大家好，我是小寒泊松分布（Poisson Distribution）是统计学和概率论中一种重要的离散概率分布，用于描述在单位时间或单位空间内某事件发生次数的概率。

泊松分布广泛应用于排队论、通信、保险、交通流量、生物统计等多个领域。

泊松分布的定义如果随机变量 X 表示某单位时间或单位区域内事件发生的次数，并且满足以下条件。独立性：事件的发生是独立的，某一区域的发生不影响另一区域。稀疏性：在很短的时间间隔或很小的区域内，事件发生的概率很低。恒定速率：单位时间或单位区域内，事件发生的平均次数是恒定的。

那么，X 就服从泊松分布，其概率质量函数为

其中

X 是随机变量，表示单位时间或空间内事件发生的次数。

是泊松分布的参数，表示单位时间或单位面积内事件发生的平均次数（即期望值）。e 是自然对数的底，约等于 2.71828。泊松分布的性质1.泊松分布的期望和方差

期望（均值）

方差

这表明，泊松分布的均值和方差相等，这一特性在实际应用中具有重要意义。

2.无记忆性泊松过程具有无记忆性，即未来的事件发生与过去无关。3.加法性若 和 ，且 和 独立，则泊松分布与其他分布的关系

二项分布的极限

当二项分布的试验次数 n 趋近于无穷大，而成功概率 p 趋近于零，且 时二项分布趋近于泊松分布。

公式表示为：

指数分布的事件间隔

如果事件间隔服从指数分布，且事件独立发生，那么在单位时间内事件的次数服从泊松分布。

泊松分布的应用电信领域：用于建模电话呼叫中心在单位时间内接到的呼叫数量。交通领域：描述某段道路在单位时间内发生交通事故的次数。生物统计：用于描述细胞分裂、基因突变或动物个体的分布情况。网络安全：评估网络攻击事件在单位时间内发生的次数。保险业：用于预测单位时间内的索赔次数。案例分享例1：呼叫中心电话到达某呼叫中心平均每分钟接到 5 个电话。假设电话到达是独立的，求一分钟内接到7个电话的概率。从题目描述可以得到所以一分钟内接到7个电话的概率为import numpy as npimport matplotlib.pyplot as pltfrom scipy.stats import poisson# 参数设定lambda_ = 5  # 平均到达率 λk = 7        # 事件次数# 计算泊松概率prob = poisson.pmf(k, lambda_)print(f'一分钟内接到{k}个电话的概率为: {prob:.4f}')例2：交通事故某城市平均每天有 2 起交通事故。求某一天无交通事故发生的概率。从题目描述可以得到

所以某天无交通事故发生的概率为

# 参数设定lambda_ = 2  # 平均事故发生率 λk = 0        # 事件次数# 计算泊松概率prob = poisson.pmf(k, lambda_)print(f'某天无交通事故发生的概率为: {prob:.4f}')

例三：绘制泊松分布的概率质量函数

下面的代码将绘制不同 λ 值下的泊松分布 PMF 图像。

# 参数设定lambda_values = [2, 5, 10]  # 不同的 λ 值k_max = 15                  # k 的最大值# 生成 k 值k = np.arange(0, k_max + 1)# 绘制不同 λ 值的泊松分布plt.figure(figsize=(10, 6))for lambda_ in lambda_values:    pmf = poisson.pmf(k, lambda_)    plt.plot(k, pmf, 'o-', label=f'λ = {lambda_}')plt.title('泊松分布的概率质量函数 (PMF)')plt.xlabel('事件发生次数 (k)')plt.ylabel('概率 P(X = k)')plt.legend()plt.grid(True)plt.show()该图显示了 λ = 2、5、10 时泊松分布的 PMF。

可以观察到，随着 λ 的增加，分布的形状由偏斜逐渐趋于对称。

图片

最后

—

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。