{
  "id": "poisson-distribution",
  "title": "泊松分布",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "泊松分布是描述事件发生次数的离散概率分布，其唯一参数同时等于均值和方差。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "泊松定律"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/poisson-distribution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/poisson-distribution/",
      "json": "https://aiwiki.page/en/poisson-distribution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "泊松分布是一种离散概率分布，用于描述指定观测窗口内事件发生的次数。它只有一个参数 \\(\\lambda\\)，表示预期发生次数；其可能取值为非负整数。在统计学中，泊松分布是计数数据的基本模型，尤其适用于事件以稳定的平均速率独立发生的情形。与二项分布的计数不同，泊松分布的计数没有有限的上界。(itl.nist.gov)"
    },
    {
      "heading": "定义与概率",
      "text": "若随机变量 \\(X\\) 的概率质量函数为\n\n\\[P(X=k)=e^{-\\lambda}\\frac{\\lambda^k}{k!}, \\qquad k=0,1,2,\\ldots,\\]\n\n则称 \\(X\\) 服从参数为 \\(\\lambda>0\\) 的泊松分布，记作 \\(X\\sim\\operatorname{Poisson}(\\lambda)\\)。\n\n其中，\\(k!\\) 表示 \\(k\\) 的阶乘，且 \\(0!=1\\)。由指数函数的级数展开可得 \\(\\sum_{k=0}^{\\infty}\\lambda^k/k!=e^\\lambda\\)，因此所有概率之和为 1。通常也将极限情形 \\(\\lambda=0\\) 纳入定义，此时规定 \\(X\\) 以概率 1 取值为 0。(online.stat.psu.edu)\n\n当 \\(x\\geq0\\) 时，其累积分布函数为\n\n\\[F(x)=e^{-\\lambda} \\sum_{k=0}^{\\lfloor x\\rfloor}\\frac{\\lambda^k}{k!},\\]\n\n当 \\(x<0\\) 时，\\(F(x)=0\\)。因此，累积概率构成的是阶梯函数，而非平滑曲线。(itl.nist.gov)\n\n例如，在一个预期每小时发生三次到达的模型中，一小时内恰好发生两次到达的概率为 \\(e^{-3}3^2/2!\\approx0.2240\\)，没有到达的概率为 \\(e^{-3}\\approx0.0498\\)。这些结果是所假定模型的推论，并不能证明任何特定的到达系统都遵循这一模型。"
    },
    {
      "heading": "矩与分布形状",
      "text": "泊松分布的期望值与方差相等：\n\n\\[E[X]=\\lambda,\\qquad \\operatorname{Var}(X)=\\lambda.\\]\n\n因此，其标准差为 \\(\\sqrt{\\lambda}\\)。均值与方差相等这一性质称为等离散性。当 \\(\\lambda\\) 较小时，分布明显右偏；其偏度为 \\(1/\\sqrt{\\lambda}\\)，因此随着参数增大，分布逐渐趋于对称。(online.stat.psu.edu)\n\n当 \\(\\lambda\\) 不是整数时，概率最大的计数值为 \\(\\lfloor\\lambda\\rfloor\\)。当 \\(\\lambda\\) 为正整数时，\\(\\lambda-1\\) 和 \\(\\lambda\\) 都是众数。这些结论可由相邻概率之比得出：\n\n\\[\\frac{P(X=k+1)}{P(X=k)} =\\frac{\\lambda}{k+1}.\\]\n\n尽管每次观测到的计数都是整数，均值却不一定是整数。(itl.nist.gov)"
    },
    {
      "heading": "与二项分布的关系",
      "text": "泊松分布可以作为二项分布的极限出现。若 \\(X_n\\sim\\operatorname{Binomial}(n,p_n)\\)，且 \\(n\\to\\infty\\)、\\(p_n\\to0\\)、\\(np_n\\to\\lambda\\)，则对每个固定的非负整数 \\(k\\)，都有\n\n\\[P(X_n=k)\\longrightarrow e^{-\\lambda}\\frac{\\lambda^k}{k!}.\\]\n\n这解释了泊松分布为何与“发生机会很多，但每次机会中事件发生的概率很小”的情形相关。每次机会都可以用一个服从伯努利分布的变量表示，而这些变量之和就是成功次数。(online.stat.psu.edu)\n\n对于有限的 \\(n\\)，当 \\(n\\) 较大且 \\(p\\) 较小时，可以用参数为 \\(\\lambda=np\\) 的泊松分布近似二项分布的概率。不过，两者的区别仍然重要：二项随机变量的取值不能超过 \\(n\\)，而泊松近似却为所有非负整数计数赋予正概率。(online.stat.psu.edu)"
    },
    {
      "heading": "泊松过程与叠加",
      "text": "泊松过程是一种描述事件随时间发生情况的随机过程。在齐次泊松过程中，不相交时间区间内的计数具有统计独立性，且一个区间内计数的分布仅取决于该区间的长度。若事件发生速率为 \\(r\\)，则\n\n\\[N(t)\\sim\\operatorname{Poisson}(rt).\\]\n\n速率 \\(r\\) 的单位是单位时间内的事件数，与无量纲的预期计数 \\(\\lambda=rt\\) 不同。相邻事件之间的等待时间服从均值为 \\(1/r\\) 的指数分布。泊松分布描述的是计数，而泊松过程描述的是完整的事件发生序列。(probabilitycourse.com)\n\n独立的泊松计数具有加法封闭性：若 \\(X_i\\sim\\operatorname{Poisson}(\\lambda_i)\\)，则它们的和仍服从泊松分布，参数为 \\(\\sum_i\\lambda_i\\)。类似地，将相互独立的泊松点过程叠加后，其强度测度也相加。如果以固定概率独立地保留每个事件，所得过程仍是泊松过程，这一操作称为稀疏化。这些性质为合并事件流或仅能观测部分事件的建模提供了基础。(stat.berkeley.edu)\n\n当 \\(\\lambda\\) 较大时，可以用均值和方差均为 \\(\\lambda\\) 的正态分布进行近似。这一关系可通过中心极限定理和上述加法性质来理解。使用连续性校正，例如用正态分布在 \\(k+\\tfrac12\\) 以下的概率近似 \\(P(X\\leq k)\\)，可以改善离散计数与连续取值之间的对应关系。(online.stat.psu.edu)"
    },
    {
      "heading": "估计、回归与局限",
      "text": "对于共享同一参数的独立观测值 \\(x_1,\\ldots,x_n\\)，其似然函数为\n\n\\[L(\\lambda)= \\frac{e^{-n\\lambda}\\lambda^{\\sum_i x_i}} {\\prod_i x_i!}.\\]\n\n通过最大似然估计得到的估计值是样本均值，即 \\(\\widehat{\\lambda}=\\sum_i x_i/n\\)。如果所有计数均为零，且参数空间包含零这一边界值，则估计值为零。(statproofbook.github.io)\n\n泊松回归将泊松分布扩展到条件均值依赖于解释变量的计数数据。它是一种广义线性模型，通常采用对数连接函数。通过引入暴露量项，可以将不同观测时长或不同总体规模下的计数按发生率建模。应用示例包括客服来电次数和交通流量计数。(online.stat.psu.edu)\n\n泊松模型的一个主要局限是，它要求条件均值与条件方差相等。当变异程度超过泊松模型的预测时，就会出现过度离散，这可能是因为观测之间存在模型未考虑的差异。准泊松模型放宽了对方差关系的要求；负二项分布模型则提供了另一种分布选择。比较方差与均值时，必须考虑模型中条件均值的差异，而不能只依据合并后的计数。(online.stat.psu.edu)"
    }
  ],
  "links": [
    "probability-distribution",
    "statistics",
    "random-variable",
    "probability-mass-function",
    "cumulative-distribution-function",
    "probability",
    "expected-value",
    "variance",
    "standard-deviation",
    "binomial-distribution",
    "limit",
    "bernoulli-distribution",
    "poisson-process",
    "stochastic-process",
    "statistical-independence",
    "exponential-distribution",
    "normal-distribution",
    "central-limit-theorem",
    "likelihood-function",
    "maximum-likelihood-estimation",
    "poisson-regression",
    "generalized-linear-model",
    "overdispersion",
    "negative-binomial-distribution"
  ],
  "sources": [
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda366j.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/eda/section3/eda366j.htm"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson12",
      "url": "https://online.stat.psu.edu/stat414/Lesson12"
    },
    {
      "title": "probabilitycourse.com/chapter11/11_1_2_basic_concepts_of_the_poisson_process.php",
      "url": "https://www.probabilitycourse.com/chapter11/11_1_2_basic_concepts_of_the_poisson_process.php"
    },
    {
      "title": "stat.berkeley.edu/users/aldous/206-SNET/Papers/baccelli-1.pdf",
      "url": "https://www.stat.berkeley.edu/users/aldous/206-SNET/Papers/baccelli-1.pdf"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson28",
      "url": "https://online.stat.psu.edu/stat414/Lesson28"
    },
    {
      "title": "statproofbook.github.io/P/poiss-mle.html",
      "url": "https://statproofbook.github.io/P/poiss-mle.html"
    },
    {
      "title": "online.stat.psu.edu/stat504/Lesson09",
      "url": "https://online.stat.psu.edu/stat504/Lesson09"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}