数学 (9709) 复习笔记：概率与统计 2 (卷 6)

6.1 泊松分布 (Poisson Distribution)

欢迎来到泊松分布的世界！这章节对于卷 6 而言至关重要。二项分布处理的是在固定次数试验中的成功次数，而泊松分布则帮助我们建立在特定时间间隔或空间范围内随机发生的事件模型。你可以把它想象成是在统计罕见事件！

如果刚开始觉得有些棘手，不用担心。掌握泊松分布的关键在于了解它的使用条件，并记住那些重要的近似法。

1. 理解泊松分布模型

泊松分布，记作 \(X \sim \text{Po}(\lambda)\)，是一个离散随机变量，用于计算事件在固定区间（时间、面积、体积等）内发生的次数。

什么时候应该用泊松分布？（适用条件）

一个随机变量 \(X\) 若要用泊松分布建模，必须满足以下条件：

• 事件独立发生：一个事件的发生不会影响另一个事件发生的概率。
• 事件单个发生：两个事件不能在同一瞬间完全重叠发生。（例如：从数学严谨的角度来说，两辆车不能在同一瞬间到达路口）。
• 发生率 (\(\lambda\)) 为常数：在整个区间内，平均发生率 \(\lambda\) 必须保持恒定。此速率通常与区间的大小成正比。

关键词：平均发生率参数 (\(\lambda\))

符号 \(\lambda\)（读作 "lambda"）代表在指定区间内的平均发生次数。如果题目给出的区间与原本不同，你必须按比例调整 \(\lambda\)。

例子：如果总机的平均通话量为每分钟 4 次，那么在 5 分钟的间隔内，\(\lambda = 4 \times 5 = 20\)。

本节要点 (第 1 节)

泊松分布用于计算固定空间或时间内随机、罕见且独立事件的发生次数，并受平均发生率 \(\lambda\) 控制。

2. 泊松分布概率公式

要计算刚好观察到 \(r\) 次事件的概率，我们使用公式表 (MF19) 中提供的公式：

若 \(X \sim \text{Po}(\lambda)\)，则发生 \(r\) 次的概率为：

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

其中：

• \(e\) 是自然对数的底数（约为 2.718）。
• \(\lambda\) 是平均发生率参数。
• \(r\) 是我们感兴趣的具体发生次数 (\(r = 0, 1, 2, 3, \dots\))。
• \(r!\) 是 \(r\) 的阶乘。

计算步骤示例

假设页面上错误的平均数为 \(\lambda = 1.5\)。求页面刚好有 3 个错误的概率，即 \(P(X=3)\)。

1. 识别参数：\(\lambda = 1.5\)，\(r = 3\)。
2. 代入公式：\(P(X=3) = \frac{e^{-1.5} (1.5)^3}{3!}\)
3. 计算：\(P(X=3) = \frac{(0.22313) \times (3.375)}{6} \approx 0.1255\)

计算累积概率

由于泊松分布是离散的，请记住：

• \(P(X \le r) = P(X=0) + P(X=1) + \dots + P(X=r)\)。
• \(P(X > r) = 1 - P(X \le r)\)。
• \(P(X \ge r) = 1 - P(X \le r-1)\)。

记忆小窍门：如果你需要求 \(P(X \ge 5)\)，你需要计算 \(1 - [P(X=0) + P(X=1) + P(X=2) + P(X=3) + P(X=4)]\)。

本节要点 (第 2 节)

使用公式 \(P(X=r) = \frac{e^{-\lambda} \lambda^r}{r!}\) 来计算精确概率，并记住处理“小于或等于”或“大于”等累积概率时的标准规则。

3. 期望与方差

泊松分布最优雅的特性之一，就是其期望与方差之间的关系。

泊松分布的黄金法则

若 \(X \sim \text{Po}(\lambda)\)，则：

\(E(X) = \lambda\)
\(\text{Var}(X) = \lambda\)

这意味着期望与方差完全相同，皆等于发生率参数 \(\lambda\)。

你知道吗？这种相等关系 (\(E(X) = \text{Var}(X)\)) 有时会在实务中用于检验泊松模型是否适用于现实数据。如果观察到的期望与方差差异很大，该模型可能就不适用了。

本节要点 (第 3 节)

对于泊松分布，\(\text{期望} = \text{方差} = \lambda\)。

4. 二项分布的泊松近似

有时候，问题看起来像是二项分布的情境，但数值太大，导致计算二项概率变得不切实际甚至不可能（想象一下计算 \(\binom{1000}{3}\)！）。这时，泊松分布作为一种有效的近似工具就派上用场了。

回顾：\(X \sim B(n, p)\) 需要固定次数的试验 \(n\)。

Po \(\approx\) B 的适用条件

当满足以下条件时，可以使用泊松分布来近似二项分布 \(B(n, p)\)：

1. \(n\) 很大（试验次数很多）。
2. \(p\) 很小（成功的概率很低）。

课程大纲建议以下近似准则作为有效判断标准：

\(n > 50 \quad \text{且} \quad np < 5\)

如何设定泊松参数 \(\lambda\)：

进行近似时，平均发生率 \(\lambda\) 使用二项分布的期望来计算：

\(\lambda = np\)

例子：一家工厂每天生产 500 件产品。产品有缺陷的概率是 0.005。设 \(X\) 为缺陷产品的数量。

二项分布：\(X \sim B(500, 0.005)\)。这里 \(n=500\)（很大）且 \(p=0.005\)（很小）。

泊松近似：计算 \(\lambda = np = 500 \times 0.005 = 2.5\)。我们使用 \(X \sim \text{Po}(2.5)\)。

常见错误警报！

一定要检查条件。如果 \(n\) 很大但 \(p\) 也很大（例如 \(p=0.9\)），或者 \(n\) 很小，那么泊松近似是无效的。此时你应该使用二项分布的正态近似（若 \(np > 5\) 且 \(nq > 5\)），或者坚持进行精确的二项分布计算。

本节要点 (第 4 节)

如果 \(n\) 很大且 \(p\) 很小 (\(\lambda = np < 5\))，请使用近似值 \(B(n, p) \approx \text{Po}(\lambda)\)，其中 \(\lambda = np\)。

5. 泊松分布的正态近似

正如泊松分布在参数极端时可近似二项分布，当 \(\lambda\) 非常大时，正态分布也可以近似泊松分布。

N \(\approx\) Po 的适用条件

当 \(\lambda\) 很大时，可以使用正态分布 \(N(\mu, \sigma^2)\) 来近似泊松分布 \(X \sim \text{Po}(\lambda)\)。

\(\lambda \text{ 很大}\)

课程大纲建议以下标准：

\(\lambda > 15 \text{ (大约)}\)

设定正态分布参数

由于泊松分布的期望和方差皆为 \(\lambda\)：

\(\mu = \lambda\)
\(\sigma^2 = \lambda\)

因此，我们使用以下近似：\(X \sim N(\lambda, \lambda)\)

连续性修正 (Continuity Correction, CC) - 关键步骤！

泊松分布是离散的（处理整数：0, 1, 2, ...），但正态分布是连续的。当从离散转换到连续时，我们必须通过调整边界值 0.5 来应用连续性修正 (CC)。

这是学生最容易失分的地方！记得脑海中要想象概率的“区块”。

• \(P(X=r)\) \(\rightarrow\) 连续近似 (\(Y\))：\(P(r - 0.5 < Y < r + 0.5)\) ｜ 解释：取中心在 \(r\) 的整个区块。
• \(P(X \le r)\) \(\rightarrow\) 连续近似 (\(Y\))：\(P(Y < r + 0.5)\) ｜ 解释：包含直到 \(r\) 的整个区块。
• \(P(X < r)\) \(\rightarrow\) 连续近似 (\(Y\))：\(P(Y < r - 0.5)\) ｜ 解释：不包含 \(r\) 的区块。
• \(P(X \ge r)\) \(\rightarrow\) 连续近似 (\(Y\))：\(P(Y > r - 0.5)\) ｜ 解释：包含从 \(r\) 开始的区块。
• \(P(X > r)\) \(\rightarrow\) 连续近似 (\(Y\))：\(P(Y > r + 0.5)\) ｜ 解释：不包含 \(r\) 的区块。

类比：想象一张柱状图（离散次数）。如果你想要 \(P(X \le 5)\)，你需要累加直到 5 为止的所有柱状。在连续意义上，代表 5 的柱状延伸范围是从 4.5 到 5.5，因此你必须积分直到 5.5。

计算步骤示例 (N \(\approx\) Po)

设 \(X \sim \text{Po}(18)\)。利用正态近似计算 \(P(X \le 20)\)。

1. 检查条件：\(\lambda = 18\)。由于 \(18 > 15\)，近似适用。
2. 定义正态近似参数：\(\mu = 18\)，\(\sigma^2 = 18\)。\(\sigma = \sqrt{18} \approx 4.243\)。
3. 应用连续性修正：\(P(X \le 20) \rightarrow P(Y < 20.5)\)。
4. 标准化：使用 \(Z = \frac{Y - \mu}{\sigma}\)。
\(Z = \frac{20.5 - 18}{\sqrt{18}} = \frac{2.5}{4.2426} \approx 0.589\)
5. 查正态分布表 (MF19)：\(P(Z < 0.589)\)。
查表得，\(\Phi(0.589) \approx 0.7224\)。
因此，\(P(X \le 20) \approx 0.7224\)。

本节要点 (第 5 节)

如果 \(\lambda\) 很大 (\(\lambda > 15\))，使用近似 \(X \sim N(\lambda, \lambda)\)，并且在从离散 \(X\) 转换到连续 \(Y\) 时，绝对不要忘记连续性修正。

快速复习总结：如何选择合适的分布

当处理涉及计数的概率问题时，请使用以下清单：

• 精确泊松：如果没有提及 \(n\)，且事件在间隔内随机发生。使用 \(P(X=r) = \frac{e^{-\lambda} \lambda^r}{r!}\)。
• 泊松近似：如果已知 \(n\) 且很大 (\(n>50\))，且 \(p\) 很小 (\(np < 5\))。使用 \(\lambda = np\)。
• 泊松的正态近似：如果 \(\lambda\) 很大 (\(\lambda > 15\))。使用 \(N(\lambda, \lambda)\) 并加上连续性修正。

除错角落：常见错误避雷针

1. 忘记调整 \(\lambda\)：如果题目给的是每小时的平均值，但问的是 30 分钟的情况，请将你的 \(\lambda\) 除以 2！

2. 连续性修正错误：学生经常在应用修正时混淆 \(P(X < r)\) 和 \(P(X \le r)\)。请务必根据边界点是否包含在内，正确使用 \(\pm 0.5\)。

3. 误用期望/方差：记住对于泊松分布（及其正态近似），期望和方差相等：\(\mu = \sigma^2 = \lambda\)。