Poisson 分布 | Codeboy's Blog

形式陈述

Poisson 分布是一参数离散概率分布，用于计数固定暴露量内稀疏且近似独立的事件；均值等于方差是该模型的约束而非一般计数数据定律。

参数 $\lambda$ 表示整个观察窗口内的期望次数，不是单位时间速率；若速率为每单位时间 $r$ 次、窗口长度为 $T$ ，则相应参数是 $\lambda=rT$ 。对参数 $\lambda>0$ ，若非负整数值随机变量 $X$ 满足

\Pr(X=k)=e^{-\lambda}\frac{\lambda^k}{k!}, \qquad k=0,1,2,\ldots,

则称 $X$ 服从 Poisson 分布，记作 $X\sim\operatorname{Pois}(\lambda)$ 。概率确实归一化，因为 $\sum_{k\ge0}e^{-\lambda}\lambda^k/k!=e^{-\lambda}e^\lambda=1$ 。当 $\lambda>0$ 时，

\mathbb E X=\lambda,\qquad \operatorname{Var}(X)=\lambda,\qquad M_X(t)=\exp\!\bigl(\lambda(e^t-1)\bigr).

矩母函数的零点导数给出 $M_X'(0)=\lambda$ 、 $M_X''(0)=\lambda^2+\lambda$ ，从而方差为 $\lambda$ 。若 $X\sim\operatorname{Pois}(\lambda)$ 、 $Y\sim\operatorname{Pois}(\mu)$ 且相互独立，两者 MGF 的乘积为 $\exp((\lambda+\mu)(e^t-1))$ ；它在零点邻域有限，由唯一性可识别 $X+Y\sim\operatorname{Pois}(\lambda+\mu)$ 。此外，若 $X_n\sim\operatorname{Bin}(n,p_n)$ ，且 $p_n\to0$ 、 $np_n\to\lambda$ ，那么对每个固定 $k$ ，

\Pr(X_n=k)\longrightarrow e^{-\lambda}\frac{\lambda^k}{k!}.

这才是“二项分布可用 Poisson 近似”的精确标度。

直觉

把一个固定窗口切成大量很小的区段：每段发生一次事件的概率很小，同时不同区段近似独立，而总期望次数保持在 $\lambda$ 附近。切分越来越细时，单段多次发生的影响消失，最终计数只留下一个强度参数。独立窗口的计数相加仍为 Poisson，反映的正是窗口长度或来源强度可以直接叠加。“均值等于方差”是这个模型的可检验结构，不是所有计数数据都应满足的普遍规律。

例子与边界

假设某服务到达速率稳定在每分钟 $0.3$ 次，并且到达机制适合 Poisson 模型。十分钟的参数为 $0.3\times10=3$ ，收到的请求数可近似视为 $X\sim\operatorname{Pois}(3)$ 。那么恰好两次请求的概率为

\Pr(X=2)=e^{-3}\frac{3^2}{2!}\approx0.22404,

没有请求的概率为 $e^{-3}\approx0.04979$ 。若问“至少两次”，先排除零次和一次，得到 $1-e^{-3}(1+3)\approx0.80085$ 。若另一个独立来源在同一时段平均带来两次请求，两来源总数服从 $\operatorname{Pois}(5)$ ；这里的可加性依赖来源独立。

Poisson 分布只是一个窗口内计数的边缘分布，并不自动给出不同时间窗口之间的关系，因此不能与 Poisson 过程等同。

实际数据若因高峰期与低谷期混合而出现方差显著大于均值，就称为过度离散，单一 Poisson 模型无法同时匹配均值与方差。例如一半窗口服从 $\operatorname{Pois}(1)$ ，另一半服从 $\operatorname{Pois}(5)$ ，混合后均值为 $3$ ，方差却为组内平均方差 $3$ 加组间均值方差 $4$ ，合计 $7$ 。它的零次概率为 $(e^{-1}+e^{-5})/2\approx0.18731$ ，远高于 $\operatorname{Pois}(3)$ 的 $0.04979$ 。单看平均次数会漏掉这种来源变化。

负二项回归进一步对Poisson速率作Gamma混合，得到完整的NB2计数质量和均值加二次项的方差。如果资料只收录正计数，则先要使用零截断模型处理入样条件；同样“看不见零”的按事件抽样还可能按次数加权，不能仅凭表中无零认定观测机制。

$\lambda=0$ 时分布退化于零；这是一项合法边界，而负参数没有概率意义。

推论与应用

二项分布的稀有事件极限解释了 Poisson 近似为何常用于缺陷数、到达数与大型系统中的低概率故障数。矩母函数一方面快速验证独立和的参数可加性，另一方面连接矩母函数方法。进一步令 $N(t)$ 记录从零时刻到 $t$ 的总到达数，要求 $N(0)=0$ ，不交区间的计数独立，且每个区间 $(s,t]$ 的增量都服从 $\operatorname{Pois}(r(t-s))$ ，便得到速率为 $r$ 的齐次Poisson 过程。这些要求同时固定了各时间窗口的分布及其联合关系；其中相邻到达的等待时间服从指数分布。不过这些过程级假设并不包含在单个 Poisson 随机变量的定义里。若到达间隔仍独立同分布却不再服从指数分布，可使用更一般的更新过程，但独立增量不再得到保证。

固定有限系统时，Chen–Stein近似把近似质量变成可检查的总变差预算。独立Bernoulli和可用成功率平方和；相邻重叠模式还须保留共享变量造成的联合项。相同均值本身不保证接近Poisson，也不能把相邻指标当作独立试验。

参考资料

Hossein Pishro-Nik, Introduction to Probability, Statistics, and Random Processes, 作者开放网络教材，§3.1.5 Special Distributions，Poisson 小节，访问于 2026-10-03。
Robert G. Gallager, MIT 6.262 Discrete Stochastic Processes, Ch. 2 on Poisson processes and Poisson random variables, accessed 2026.

形式陈述 ​

反向链接

形式陈述