如何通俗理解泊松分布？

1 甜在心馒头店

公司楼下有家馒头店：

每天早上六点到十点营业，生意挺好，就是发愁一个事情，应该准备多少个馒头才能既不浪费又能充分供应？

老板统计了一周每日卖出的馒头（为了方便计算和讲解，缩小了数据）：

$\begin{array}{c|c} \qquad\qquad&\qquad销售\qquad\\\hline\color{SkyBlue}{周一}& 3 \\ \hline \color{blue}{周二}& 7 \\ \hline \color{orange}{周三}&4\\\hline \color{Goldenrod}{周四}&6\\ \hline \color{green}{周五}&5\\\end{array}\\$

均值为：

$\overline{X}=\frac{3+7+4+6+5}{5}=5\\$

按道理讲均值是不错的选择（参见如何理解最小二乘法？），但是如果每天准备5个馒头的话，从统计表来看，至少有两天不够卖， $40\%$ 的时间不够卖：

$\begin{array}{c|c}\qquad\qquad&\qquad销售\qquad&\quad备货五个\\\hline\color{SkyBlue}{周一}& 3 \\\hline \color{blue}{周二}& 7&\color{red}{不够} \\ \hline \color{orange}{周三}&4\\ \hline \color{Goldenrod}{周四}&6&\color{red}{不够}\\\hline \color{green}{周五}&5\\\end{array}\\$

你“甜在心馒头店”又不是小米，搞什么饥饿营销啊？老板当然也知道这一点，就拿起纸笔来开始思考。

2 老板的思考

老板尝试把营业时间抽象为一根线段，把这段时间用 $T$ 来表示：

然后把周一的三个馒头（“甜在心馒头”，有褶子的馒头）按照销售时间放在线段上：

把 $T$ 均分为四个时间段：

此时，在每一个时间段上，要不卖出了（一个）馒头，要不没有卖出：

在每个时间段，就有点像抛硬币，要不是正面（卖出），要不是反面（没有卖出）：

$T$ 内卖出3个馒头的概率，就和抛了4次硬币（4个时间段），其中3次正面（卖出3个）的概率一样了。

这样的概率通过二项分布来计算就是：

$\binom{4}{3}p^3(1-p)^1\\$

但是，如果把周二的七个馒头放在线段上，分成四段就不够了：

从图中看，每个时间段，有卖出3个的，有卖出2个的，有卖出1个的，就不再是单纯的“卖出、没卖出”了。不能套用二项分布了。

解决这个问题也很简单，把 $T$ 分为20个时间段，那么每个时间段就又变为了抛硬币：

这样， $T$ 内卖出7个馒头的概率就是（相当于抛了20次硬币，出现7次正面）：

$\binom{20}{7}p^7(1-p)^{13}\\$

为了保证在一个时间段内只会发生“卖出、没卖出”，干脆把时间切成 $n$ 份：

$\binom{n}{7}p^7(1-p)^{n-7}\\$

越细越好，用极限来表示：

$\lim_{n\to\infty}\binom{n}{7}p^7(1-p)^{n-7}\\$

更抽象一点， $T$ 时刻内卖出 $k$ 个馒头的概率为：

$\lim_{n\to\infty}\binom{n}{k}p^k(1-p)^{n-k}\\$

3 $p$ 的计算

“那么”，老板用笔敲了敲桌子，“只剩下一个问题，概率 $p$ 怎么求？”

在上面的假设下，问题已经被转为了二项分布。二项分布的期望为：

$E(X)=np=\mu\\$

那么：

$p=\frac{\mu}{n}\\$

4 泊松分布

有了 $p=\frac{\mu}{n}$ 了之后，就有：

$\lim_{n\to\infty}\binom{n}{k}p^k(1-p)^{n-k}=\lim_{n\to\infty}\binom{n}{k}\left(\frac{\mu}{n}\right)^k(1-\frac{\mu}{n})^{n-k}\\$

我们来算一下这个极限：

$\begin{align}\lim_{n\to\infty}\binom{n}{k}\left(\frac{\mu}{n}\right)^k(1-\frac{\mu}{n})^{n-k}&= \lim_{n\to\infty}\frac{n(n-1)(n-2)\cdots(n-k+1)}{k!}\frac{\mu^k}{n^k}\left(1-\frac{\mu}{n}\right)^{n-k}\\ &=\lim_{n\to\infty}\frac{\mu^k}{k!}\frac{n}{n}\cdot\frac{n-1}{n}\cdots\frac{n-k+1}{n}\left(1-\frac{\mu}{n}\right)^{-k}\left(1-\frac{\mu}{n}\right)^n\end{align}\\$

其中：

$\lim_{n\to\infty}\frac{n}{n}\cdot\frac{n-1}{n}\cdots\frac{n-k+1}{n}\left(1-\frac{\mu}{n}\right)^{-k}=1\\$

$\lim_{n \to \infty}\left(1-\frac{\mu}{n}\right)^n = e^{-\mu}\\$

所以：

$\lim_{n\to\infty}\binom{n}{k}\left(\frac{\mu}{n}\right)^k(1-\frac{\mu}{n})^{n-k}=\frac{\mu^k}{k!}e^{-\mu}\\$

上面就是泊松分布的概率密度函数，也就是说，在 $T$ 时间内卖出 $k$ 个馒头的概率为：

$P(X=k)=\frac{\mu^k}{k!}e^{-\mu}\\$

一般来说，我们会换一个符号，让 $\mu=\lambda$ ，所以：

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

这就是教科书中的泊松分布的概率密度函数。

5 馒头店的问题的解决

老板依然蹙眉，不知道 $\mu$ 啊？

没关系，刚才不是计算了样本均值：

$\overline{X}=5\\$

可以用它来近似：

$\overline{X}\approx\mu\\$

于是：

$P(X=k)=\frac{5^k}{k!}e^{-5}\\$

画出概率密度函数的曲线就是：

可以看到，如果每天准备8个馒头的话，那么足够卖的概率就是把前8个的概率加起来：

这样 $93\%$ 的情况够用，偶尔卖缺货也有助于品牌形象。

老板算出一脑门的汗，“那就这么定了！”

6 二项分布与泊松分布

鉴于二项分布与泊松分布的关系，可以很自然的得到一个推论，当二项分布的 $p$ 很小的时候，两者比较接近：

7 总结

这个故事告诉我们，要努力学习啊，要不以后馒头都没得卖。

生活中还有很多泊松分布。比如物理中的半衰期，我们只知道物质衰变一半的时间期望是多少，但是因为不确定性原理，我们没有办法知道具体哪个原子会在什么时候衰变？所以可以用泊松分布来计算。

还有比如交通规划等等问题。

顺着这个故事我们还可以讲解：如何理解指数分布？

文章最新版本在（有可能会有后续更新）：如何理解泊松分布？

如何通俗理解泊松分布？相关推荐

通俗理解数学符号 “∫”，“d“，“e”
积分符号 "∫" 的由来. 通俗理解微分符号d. 通俗解读自然数e. 积分符号 "∫" 的由来积分符号"∫" 的由来可以追溯到17世纪的德 ...
通俗理解条件熵-数学
就是决策树里面选划分属性用到的计算条件熵越小表示划分之后各个集合越纯净前面我们总结了信息熵的概念通俗理解信息熵 - 知乎专栏,这次我们来理解一下条件熵. 我们首先知道信息熵是考虑该随机变量的所有可 ...
通俗理解tf.nn.conv2d() tf.nn.conv3d( )参数的含义 pytorhc 卷积
20210609 例如(3,3,(3,7,7))表示的是输入图像的通道数是3,输出图像的通道数是3,(3,7,7)表示过滤器每次处理3帧图像,卷积核的大小是3 x 7 x 7. https://blo ...
通俗理解tf.name_scope()、tf.variable_scope()
前言:最近做一个实验,遇到TensorFlow变量作用域问题,对tf.name_scope().tf.variable_scope()等进行了较为深刻的比较,记录相关笔记: tf.name_scope ...
dft变换的两幅图_离散傅立叶变换DTFT、DFT和FFT在工程与数学结合的通俗理解
1.离散时间傅里叶变换DTFT 何为DTFT?就是对连续时间非周期信号进行抽样(乘积),得到的离散时间非周期信号再求傅里叶变换的过程就是DTFT.其实等同于信号频谱与脉冲信号频谱的卷积,这样得到的就是 ...
通俗理解kaggle比赛大杀器xgboost + XGBOOST手算内容转
通俗理解kaggle比赛大杀器xgboost 转 https://blog.csdn.net/v_JULY_v/article/details/81410574 XGBOOST有手算内容 htt ...
通俗理解注意力机制中的Q、K和V表示的具体含义
https://www.jianshu.com/p/7a61533fd73b 通俗理解讲解一以翻译为例 source:我是中国人 target: I am Chinese 比如翻译目标单词为 I ...
对于随机森林的通俗理解
原文:http://blog.csdn.net/mao_xiao_feng/article/details/52728164 对于随机森林的通俗理解一.决策树决策树是机器学习最基本的模型,在不考虑 ...
CNN笔记：通俗理解卷积神经网络
通俗理解卷积神经网络(cs231n与5月dl班课程笔记) http://blog.csdn.net/v_july_v/article/details/51812459 1 前言 2012年我在北京组织 ...
oracle的redo和undo,OracleUndoRedo通俗理解
OracleUndoRedo通俗理解以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧! 什么是REDO REDO记录tran ...

如何通俗理解泊松分布？

如何通俗理解泊松分布？相关推荐

最新文章

热门文章