🧮 泊松分布

公式 · 核心性质 · 应用场景 · 常见疑问

概率论随机过程计数分布 λ参数

📐 泊松分布公式

Poisson

P(X = k) = \frac{λ^k e^{-λ}}{k!}

其中 λ (lambda) 为事件平均发生率 · k 为发生次数 (k = 0, 1, 2, …)

📌 记忆要点：泊松分布适用于“小概率事件”在固定时间/空间内发生的次数，且事件相互独立。

期望 E(X)

λ

方差 Var(X)

λ

✅ 泊松分布中期望与方差相等，均为 λ。这一特性可用于快速识别数据是否可能服从泊松分布。

λ > 0 实数

k = 0,1,2,…

e ≈ 2.71828

λ 较小（如 λ=1）：分布右偏，大部分质量集中在 k=0,1,2。
λ 中等（如 λ=5）：分布接近对称。
λ 较大（如 λ=20）：分布近似正态分布 (均值=λ, 方差=λ)。

💡 泊松分布可加性：若 X ~ Poisson(λ₁), Y ~ Poisson(λ₂) 独立，则 X+Y ~ Poisson(λ₁+λ₂)。

泊松分布与二项分布的关系？

当二项分布 n 很大，p 很小，且 np = λ 时，二项分布近似泊松分布。即“稀有事件”的计数模型。

泊松分布要求事件独立吗？

是的。标准泊松过程要求事件在不相交的时间区间内独立，且发生率恒定。若事件有聚集性，则可能不适用。

λ 必须是整数吗？

λ 是正实数，不一定是整数。例如每 10 分钟平均发生 2.5 次事件，λ=2.5 完全合理。

如何判断数据是否服从泊松分布？

可检查样本均值与方差是否近似相等；也可使用卡方拟合优度检验或 QQ 图。

泊松分布的方差为什么等于均值？

由公式推导可得 Var(X)=λ。直观上，泊松过程的不确定性随平均发生率线性增长。

“泊松流”是什么？

泊松流 (Poisson process) 是计数过程，相邻事件间隔服从指数分布，具有无记忆性。广泛应用于排队论。

某客服中心平均每小时接到 λ=4 个投诉电话。求下一小时恰好接到 2 个投诉的概率？

P(X=2) = (4² × e⁻⁴) / 2! = (16 × 0.0183) / 2 ≈ 0.1465

即约 14.65% 的概率。

在实际工作中，可使用 Python (scipy.stats.poisson)、R、Excel (POISSON.DIST) 或在线计算器快速计算泊松概率。以下为部分累积概率值（λ=3）：

P(X≤1) ≈ 0.1991

P(X≤3) ≈ 0.6472

P(X=5) ≈ 0.1008