当前课程知识点:概率论与数理统计 >  第四周:常见随机变量 >  泊松分布 >  4.2 泊松分布

返回《概率论与数理统计》慕课在线视频课程列表

4.2 泊松分布在线视频

4.2 泊松分布

下一节:4.3 几何分布与指数分布

返回《概率论与数理统计》慕课在线视频列表

4.2 泊松分布课程教案、知识点、字幕

对给定的大于零的常数λ

如果随机变量X取值为

全体非负整数

X=k的概率为e的负λ次方

乘以k阶乘分之λ的k次方

则称此随机变量服从

参数为λ的泊松分布

泊松分布常用字母P表示

首先验证一下泊松分布的定义

给出了一个恰当的分布

显然所有pk都大于0

下面验证对所有的pk求和等于1

这里用到了e的x次幂的

泰勒展开式

即e的x次幂

等于k阶乘分之x的k次方

k从0到无穷求和

如图给出的是参数1,4,10对应的

泊松分布的分布列和分布函数

可以看出泊松分布的分布列

有一个最大值

随着λ的不同

峰值的高度和位置均有不同

达到峰值后

随着k的增大概率值Pk迅速减小

虽然泊松分布的取值范围

是全体非负整数

但对较大的k

X=k的概率非常小

几乎为0

泊松分布与二项分布

有密切的关联

参数为n,p的二项分布

如果p很小n很大

则B(n,p)与以np为参数的

泊松分布非常相似

可相互近似

这里 相似、可相互近似的意思是

如果随机变量X

服从参数n,p的二项分布

而随机变量Y

服从参数为np的泊松分布

则对于任意k

X=k的概率都与

Y=k的概率非常接近

我们对这一性质做一简单说明

考虑n很大

p很小的二项分布

令np等于λ

计算二项分布等于k的概率Bk

和等于k-1的概率Bk-1的比值

因为p很小,k为常数

所以分子中的(k-1)p近似为0

分母中的1-p近似为1

所以得到比值近似为k分之λ

利用基本的极限结果

推出二项分布等于0的概率

近似等于e的负λ次方

注意这里需要在n很大

n分之λ很小的情况下

才近似符合极限条件

近似才有意义

进而利用Bk比B(k-1)

近似为常数k分之λ

得到B1,B2到Bk等的近似式

而这些近似式恰好就是

参数为λ泊松分布对应取值的概率

假设一个射箭外行

射箭射中靶心的概率是0.0001

虽然命中率非常之低

但只要重复的次数足够多

相信总还是有几次会射中的

比如重复三万次

此时射中次数服从

参数为3万和万分之1的二项分布

3万乘以万分之一等于3

则这个二项分布近似等于

参数是3的泊松分布

考虑此时射中3次概率

用泊松分布近似计算得

射中3次的概率大约是0.224

这个概率如果直接用

二项分布律计算

则相当的麻烦

而用泊松分布近似计算

就简洁得多了

实际上

泊松分布刻画了小概率事件

或是说稀有事件

多次重复时

其发生概率的规律

下面我们给出泊松分布

与二项分布严格意义下的相互关系

设随机变量Xn

服从参数为n,pn的二项分布

其中pn依赖于n

当n趋于无穷时

n乘pn收敛

极限是一个与n无关的常数

记为λ

则对任意固定的非负整数k

当n趋于无穷时

Xn等于k的概率的极限存在

该极限就等于参数为λ的泊松分布

取值为k的概率

这个结论首先由法国数学家泊松发现

并以他的名字命名为泊松定理

看定理的证明

首先写出Xn等于k的概率

并进行展开

尽可能将n乘pn

作为一个整体提取出来

然后令这个乘积npn等于λ

因为k为常数

而n分之λn是趋于0的量

所以1-n分之λn的-k次方趋于1

1-n分之λn的n-k次方的极限

即等于1-n分之λn的n次方的极限

同样是因为k为常数

所以n趋于无穷时1-1/n

直至1-(k-1)/n是有限项趋于1的量

它们乘积的极限为1

带入到Xn=k的概率展开式中

即得到结论

卢瑟福和盖革

都是获得过诺贝尔奖的著名学者

他们在1910年共同

观察了放射性物质放出

alpha粒子的数目的情况

他们共进行了2608次观察

每1次观察就是记录在7.5秒间隔内

到达某指定区域的alpha粒子的个数

在2608次观察中

共记录下10094个粒子

数据中的Nk表示这2608次观察中

恰好记录下k个粒子的观察次数

例如N2等于383

就表示有383次观察

记录的粒子数是2个

现在建立一个泊松分布模型

来解释观测数据

假设一个粒子出现在2608次

观察中的每1次是等可能的

即落入1次观察的概率是1/2608

共有10094个粒子到达

则对1次观察而言

相当于概率1/2608的小概率事件

重复了10094

所以1次观察中

记录到的粒子数服从

参数为10094

和2608分之1的二项分布

10094乘以2608分之一约等于3.87

则X近似服从

参数为3.87的泊松分布

2608乘以泊松分布随机变量

等于k时的概率pk

即得到2608次观察中

有多少次恰好记录下

k个粒子的理论估计值

对比表中的理论估计值

和实际发生数Nk

两者有较好的吻合

二战时伦敦遭到很多次炸弹袭击

有人将轰炸区域的整个面积分为

567小块

其中发现k枚炸弹的小块数为Nk

从数据表中可以看到

共有7个小块区域发现有4枚炸弹

而有一个小块区域遭到了

超过5次的炸弹袭击

总共发现炸弹537枚

则如果炸弹是等可能的落入

每一个小块区域

则每1小块区域落入的炸弹个数

就服从重复537和

1/567的二项分布

此二项分布近似服从参数为

为0.9323的泊松分布

利用泊松分布近似X取值

分别为0,1,2等的概率

p0,p1,p2等

pk就表示一个小块区域

落入k枚炸弹的概率

用567乘以pk即得到

Nk的理论估计值

对比表中数据 说明

观测值较好地服从于泊松分布

图中给出我们做的一项

模拟试验的结果

将400个点随机地投入到一个

10乘10等分的

包含100个小正方形的

正方形区域中

右侧图中横坐标表示点数

彩色点表示落入相应点数的

小正方形的比例

黑色点则表示参数为4的

泊松分布的相应概率值

有数据记载

自1875年至1955年

中间的某63年里

上海市5月—9月间的夏季里

共发生了180次暴雨

考虑每年5月-9月之间

共有153天

每次暴雨如果以一天计算

则每天发生暴雨的概率p

大约为等于180

除以63年间5月到9月的总天数

这是个非常小的数

而每年雨季的天数

153又是个较大的数

假设暴雨在雨季的每一天是

等可能发生的

则一年中的雨季153天中

下暴雨的次数

就大约服从参数是153

和p的二项分布

又近似服从参数是

153乘以p

约等于2.9的泊松分布

计算此泊松分布的分布概率

p0,p1等等

pk就表示一年中

下暴雨k次的概率

再将pk乘以63年

即可得到63年中

有几年下暴雨次数

恰好为k次的理论估计值

表中列出了实际下暴雨k次的

年份数和理论估计数

总体看来

符合情况较好

1898年一位英国学者

给出了一个应用泊松分布的

经典的例子

这个例子今天说起来多少有些荒诞

他列出一组数据表明

一年中被马踢死的骑兵人数

近似服从泊松分布

这也是一个典型的小概率事件

被大量重复的例子

一个士兵在一年中

被马踢死这是一个小概率事件

但是士兵的人数又很多

所以 一年中被马踢死的骑兵数

是服从一个n很大p很小的二项分布

因此泊松分布对这些数据

给出一个很好的描述

泊松分布刻画了稀有事件

多次重复时的发生规律

书籍的印刷错误

在给定时间内某耐用设备

大批量使用时的故障次数等等

都近似服从泊松分布

概率论与数理统计课程列表:

第一周:随机事件及其概率运算

-随机试验与随机事件

--1.1 随机试验与随机事件

-古典概型

--1.2 古典概型

--第一周:古典概型

-事件间的关系与事件的运算

--1.3 事件间的关系与事件的运算

--第一周:事件间的关系与事件的运算

-两个著名的例子

--1.4 两个著名的例子

--第一周:两个著名的例子

-讲义

第二周:条件概率和独立性

-条件概率

--2.1 条件概率

--第二周:条件概率

-有关条件概率的三个重要计算公式

--2.2 条件概率的三个重要计算公式

--第二周:有关条件概率的三个重要计算公式

-事件的独立性

--2.3 事件的独立性

--第二周:事件的独立性

-应用实例

--2.4 应用实例

--第二周:应用实例

-网球比赛胜率的计算

--Video

-讲义

第三周:随机变量

-随机变量及分布函数

--3.1.随机变量及分布函数

--第三周:随机变量及分布函数

-离散型与连续型随机变量

--3.2 离散型随机变量

--第三周:离散型与连续型随机变量

-分布函数的性质与特殊的例子

--3.3 分布函数的性质与特殊的例子

--第三周:分布函数的性质与特殊的例子

-概率论所需微积分要点回顾

--3.4 概率论所需微积分要点回顾

--第三周:概率论所需微积分要点回顾

-讲义

第四周:常见随机变量

-二项分布与负二项分布

--4.1 二项分布与负二项分布

--第四周:二项分布与负二项分布

-泊松分布

--4.2 泊松分布

--第四周:泊松分布

-几何分布与指数分布

--4.3 几何分布与指数分布

--第四周:几何分布与指数分布

-正态分布

--4.4 正态分布

--第四周:正态分布

-讲义

第五周:随机变量函数的分布及随机变量的数字特征

-随机变量函数的分布

--5.1 随机变量函数的分布

--第五周:随机变量函数的分布

-随机变量的数学期望

--5.2 随机变量的数学期望

--第五周:随机变量的数学期望

-随机变量的方差

--5.3 随机变量的方差

--第五周:随机变量的方差

-原点矩与中心矩

--5.4 原点矩与中心矩

--第五周:原点矩与中心矩

-期望和方差的一些补充性质

--5.5 期望和方差的一些补充性质

--第五周:期望和方差的一些补充性质

-讲义

第六周:常见随机变量的期望方差和应用实例

-二项分布与泊松分布的期望与方差

--6.1二项分布与泊松分布的期望与方差

--第六周:二项分布与泊松分布的期望与方差

-几何分布的期望与方差

--6.2 几何分布的期望与方差

--第六周:几何分布的期望与方差

-均匀、指数和正态分布的期望与方差

--6.3 均匀、指数和正态分布的期望与方差

--第六周:均匀、指数和正态分布的期望与方差

-随机变量数学期望的应用实例

--6.4 随机变量数学期望的应用实例

--第六周:随机变量数学期望的应用实例

-快速排序算法的平均计算量分析

--Video

-讲义

第七周:多维随机变量,独立性

-多维随机变量

--7.1. 多维随机变量

-第七周:多维随机变量

-常见多维随机变量举例

--7.2. 常见多维随机变量举例

--第七周:常见多维随机变量举例

-随机变量的独立性

--7.3 随机变量的独立性

--第七周:随机变量的独立性

-独立随机变量期望和方差的性质

--7.4 独立随机变量期望和方差的性质

--第七周:独立随机变量期望和方差的性质

-讲义

第八周:条件分布与条件期望

-条件分布

--8.1条件分布

--第八周:条件分布

-条件期望

--8.2 条件期望

--第八周:条件期望

-全期望公式(上)

--8.3 全期望公式(上)

--第八周:全期望公式(上)

-全期望公式(下)

--8.4 全期望公式(下)

--第八周:全期望公式(下)

-讲义

第九周 协方差与相关系数

-随机变量函数的期望

--9.1. 随机变量函数的期望

--第九周:随机变量函数的期望

-协方差

--9.2 协方差

--第九周:协方差

-相关系数

-- 9.3 相关系数

--第九周:相关系数

-相关与独立

--9.4 相关与独立

--第九周:相关与独立

-讲义

第十周 独立随机变量和的分布与顺序统计量

-独立随机变量和的分布

--10.1. 独立随机变量和的分布

--第十周:独立随机变量和的分布

-独立正态分布和的分布

--10.2 独立正态分布和的分布

--第十周:独立正态分布和的分布

-最大值、最小值分布

--10.3 最大值、最小值分布

--第十周:最大值、最小值分布

-顺序统计量

--10.4 顺序统计量

--第十周:顺序统计量

-讲义

第十一周 正态分布专题

-正态分布的相关与独立

--11.1 正态分布的相关与独立

--第十一周:正态分布的相关与独立

-边缘密度均为正态,联合分布不是二元正态的例子

--11.2 边缘密度均为正态,联合分布不是二元正态的例子

--第十一周:边缘密度均为正态,联合分布不是二元正态的例子

-二项分布的正态近似

--11.3 二项分布的正态近似

--第十一周:二项分布的正态近似

-正态近似计算实例

--11.4 正态近似计算实例

--第十一周:正态近似计算实例

-讲义

第十二周 大数定律和中心极限定理

-大数定律

--12.1大数定律

--第十二周:大数定律

-中心极限定理

--12.2 中心极限定理

--第十二周:中心极限定理

-蒙特卡洛(Monte Carlo)算法

--12.3 蒙特卡洛(Monte Carlo)算法

-伪随机数和随机模拟

--12.4 伪随机数和随机模拟

-讲义

第十三周 统计学基本概念

-统计学实例

--13.1 统计学实例

-总体与样本

--13.2.总体与样本

-常用统计量

--13.3 常用统计量

--第十三周:常用统计量

-三种重要的统计分布和分位数

--13.4 三种重要的统计分布和分位数

--第十三周:三种重要的统计分布和分位数

-讲义

第十四周 参数点估计

-参数的矩估计

--14.1参数的矩估计法

--第十四周:参数的矩估计

-参数的极大似然估计

--14.2参数的极大似然估计法

--第十四周:参数的极大似然估计

-参数点估计的无偏性和有效性

--14.3 参数点估计的无偏性和有效性

--第十四周:参数点估计的无偏性和有效性

-参数点估计应用实例

--14.4 参数点估计应用实例

--第十四周:参数点估计应用实例

-讲义

第十五周 参数的区间估计

-区间估计的基本思想

--15.1 区间估计的基本思想

--第十五周:区间估计的基本思想

-区间估计的构造方法

--15.2 区间估计的构造方法

--第十五周:区间估计的构造方法

-两个正态总体的区间估计

--15.3 两个正态总体的区间估计

--第十五周:两个正态总体的区间估计

-大样本置信区间

--15.4 大样本置信区间

--第十五周:大样本置信区间

-讲义

第十六周 假设检验

-假设检验问题的提示和标准步骤

--16.1假设检验问题的提示和标准步骤

--第十六周:假设检验问题的提示和标准步骤

-假设检验问题的两类错误和P值

--16.2假设检验问题的两类错误和P值

--第十六周:假设检验问题的两类错误和P值

-单个正态总体参数的假设检验

--16.3 单个正态总体参数的假设检验

--第十六周:单个正态总体参数的假设检验

-拟合优度检验

--16.4拟合优度检验

--第十六周:拟合优度检验

-讲义

应用实例

-利用条件概率计算网球比赛胜率

--利用条件概率计算网球比赛胜率

-利用期望的计算性质分析快速排序算法的平均计算量

--利用期望的计算性质分析快速排序算法的平均计算量

-讲义

习题课一

-事件

--事件

-分布函数

--分布函数

-正态

--正态

-指数与二项

--指数与二项

习题课二

-随机变量函数的分布

--随机变量函数的分布

-指数分布期望

--指数分布期望

-切比雪夫不等式

--切比雪夫

-二元离散

--二元离散

-协方差

--协方差

-二元特征

--二元特征

习题课三

-统计量

--统计量

-无偏估计

--无偏估计

-点估计

--点估计

-假设检验

--假设检验

习题课四

-选择

--选择

-填空

--填空

-大题

--大题

4.2 泊松分布笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。