泊松分布和指数分布,包你学会
当你学习指数分布的时候,经常会看到泊松分布的身影,网上的大部分教程讲的非常复杂,看完之后还是一头雾水。
本文本着通俗易懂的原则,使用生活中的例子,说明泊松分布和指数分布的关系。一下子学会了两种分布,有没有很有成就感?
泊松分布
在日常生活中,许多事件是有一定的频率的,比如下面的例子。
某公司平均每一小时接到三个用户电话。
某超市平均每五小时卖掉一个玩具。
一个网站平均每一分钟有二次访问。
你有没有发现上面事件的一些共同点?细心的你会发现,上面的事件,只能估计事件发生的总数,但是不能知道具体发生的时间。如果我问你,上面的第一个例子,平均每一小时接到一个用户电话,下一小时接到几个电话?我们并不能准确知道。
泊松分布便是描述某段时间内,事件发生的次数的概率。
泊松分布的概率密度函数公式如下,
P(N(t)=n)=(λt)ne−λtn!P(N(t)=n)=\frac{(\lambda t)^ne^{-\lambda t}}{n!}P(N(t)=n)=n!(λt)ne−λt
上面的式子中,PPP表示概率,NNN表示某种函数关系,ttt表示时间段,nnn表示事件发生的次数。一小时内接到一个用户电话的概率表示为P(N(1)=3)P(N(1)=3)P(N(1)=3)。λ\lambdaλ表示事件的频率。
为了理解的更深入,咱们再多举一些例子。
接下来两个小时,一个用户电话也没有的概率是0.025%,发生概率约等于零,计算方法如下所示,
P(N(2)=0)=(3×2)0e−3×20!≈0.0025P(N(2)=0)=\frac{(3\times2)^0e^{-3\times2}}{0!}\approx 0.0025P(N(2)=0)=0!(3×2)0e−3×2≈0.0025
接下来一个小时,至少有两个用户电话的概率是80%。计算方法如下所示,
P(N(1)≥2)=1−P(N(1)=0)−P(N(1)=1)=1−(3×1)0e−3×10!−(3×1)1e−3×11!=1−e−3−3e−3=1−4e−3≈0.8009\begin{aligned} P(N(1)\geq 2)&=1-P(N(1)=0)-P(N(1)=1) \\ &=1-\frac{(3\times1)^0e^{-3\times1}}{0!}-\frac{(3\times1)^1e^{-3\times1}}{1!} \\ &=1-e^{-3}-3e^{-3} \\ &=1-4e^{-3} \\ &\approx 0.8009 \end{aligned}P(N(1)≥2)=1−P(N(1)=0)−P(N(1)=1)=1−0!(3×1)0e−3×1−1!(3×1)1e−3×1=1−e−3−3e−3=1−4e−3≈0.8009
通过上面的例子,相信大家对泊松分布的理解又上了一层楼。
泊松分布的概率密度图大概长下面的样子,
在频率附近,事件的发生的概率最大。两边对称下降,意思是事件发生次数越大和越小概率越来越小。每小时接到三个用户的电话的概率是最大的,接到更多和更少的电话次数的概率变得越来越小。
指数分布
下面这些例子全是指数分布。
来电的时间间隔。
玩具销售的时间间隔。
网站访问的时间间隔。
细心的你发现了,上面的例子的共同点,时间间隔。
指数分布描述事件发生的时间间隔的概率。
指数分布和泊松分布有什么关系呢?指数分布的概率密度函数能从泊松分布的概率密度函数推导出来。
为了通俗易懂,还是举例子来说明。
假如下一个用户电话的间隔时间是ttt,等价于ttt时间内没有任何用户打电话。用公式表示如下所示,
P(X>t)=P(N(t)=0)=(λt)0e−λt0!=e−λt\begin{aligned} P(X>t)&=P(N(t)=0) \\ &=\frac{(\lambda t)^0e^{-\lambda t}}{0!} \\ &=e^{-\lambda t} \end{aligned}P(X>t)=P(N(t)=0)=0!(λt)0e−λt=e−λt
有了上式,用户在ttt时间内打电话的概率是1减去上面的概率
P(X≤t)=1−P(X>t)=1−e−λt\begin{aligned} P(X\leq t)&=1-P(X>t) \\ &=1-e^{-\lambda t} \end{aligned}P(X≤t)=1−P(X>t)=1−e−λt
有了上面的公式,我们计算一下接下来15分钟内,有用户打电话的概率是
P(X≤0.25)=1−P(X>t)=1−e−3×0.25≈0.5276\begin{aligned} P(X\leq 0.25)&=1-P(X>t) \\ &=1-e^{-3\times 0.25} \\ &\approx0.5276 \end{aligned}P(X≤0.25)=1−P(X>t)=1−e−3×0.25≈0.5276
我们再计算一下,用户接下来在15到30分钟内打电话的概率是
P(0.25≤X≤0.5)=P(X≤0.5)−P(X≤0.25)=(1−e−3×0.5)−(1−e−3×0.25)=e−0.75−e−1.5≈0.2492\begin{aligned} P(0.25\leq X\leq 0.5)&=P(X\leq 0.5)-P(X\leq 0.25) \\ &=(1-e^{-3\times 0.5})-(1-e^{-3\times 0.25}) \\ &=e^{-0.75}-e^{-1.5} \\ &\approx 0.2492 \end{aligned}P(0.25≤X≤0.5)=P(X≤0.5)−P(X≤0.25)=(1−e−3×0.5)−(1−e−3×0.25)=e−0.75−e−1.5≈0.2492
理解了吗?指数分布描述的是时间发生的时间间隔的概率。
指数分布的概率密度函数长下面的样子。
因为概率密度函数图像呈现指数衰减的样子,所以起名叫指数分布。
从上图能知道,随着时间间隔变长,事件发生的概率急剧下降。是指数式衰减的。
还是上面的例子,每个小时内有三个用户打电话,下一个用户间隔2小时打电话的概率是0.25%,那么间隔3小时,4小时的概率,更加接近于0。
总结
一句话来说。
泊松分布是单位时间内独立事件发生次数的概率分布。
指数分布是独立事件的时间间隔的概率分布。
泊松分布和指数分布,包你学会相关推荐
- 泊松分布和指数分布:10分钟教程
作者: 阮一峰 大学时,我一直觉得统计学很难,还差点挂科. 工作以后才发现,难的不是统计学,而是我们的教材写得不好.比起高等数学,统计概念其实很容易理解. 我举一个例子,什么是泊松分布和指数分布?恐怕 ...
- 泊松分布和指数分布——超简单例子助你理解
传送门 泊松分布与指数分布的简单理解:http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html 概率分布函数(所有值的概率的累加 ...
- 【概率论系列学习】泊松分布和指数分布的关系
http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html 转载于:https://www.cnblogs.com/itcsl/p ...
- geometric distribution and exponential distribution(几何分布和指数分布)
几何分布 分布函数 均值和方差 意义 表示经过k次实验才第一次得到正确的实验结果 比如抛硬币得到正面的需要抛的次数 指数分布 分布函数 均值和方差 意义 表示经过一段x之后,某件事第一次发生 比如经过 ...
- 13. 均匀分布和指数分布
文章目录 均匀分布和指数分布 均匀分布的定义 性质:均匀分布具有等可能性 均匀分布的概率计算 指数分布的定义 性质:指数分布具有无记忆性 均匀分布和指数分布 均匀分布的定义 若 XXX 的概率密度函数 ...
- 蛙泳、自由泳、仰泳、蝶泳,图解动画,教你游泳,不会游的看了包你学会!!!
坐办公室的人们儿,一天到晚坐在那里难免会缺乏锻炼,周末之余我们可以去游泳池游泳,锻炼下身体,缓解一下一个星期的乏味,准备这个周末和朋友去游泳,好久没有游泳了,所以在网上找些教程拿出来和大 ...
- unity学习开发小球吃方块小游戏(从制作到发布程序,超详细全教程包你学会)
unity小球吃方块开发过程 你将学会用unity开发小游戏的基础知识 吃方块游戏超详细全教程,保姆式教学包你学会 一.创建对象 创建PlayBall小球吃金币游戏项目,创建地面和小球. 二.添加脚本 ...
- 手势舞视频教程_抖音另一个我手势舞视频教程 分解动作包你学会
川北在线核心提示:原标题:抖音另一个我手势舞视频教程 分解动作包你学会 相信大家都非常喜欢看都语音吧?抖音上面有很多非常有趣的视频而且还有很多好看的手势舞.抖音上面的手势舞也是多彩多样的.各种歌都能配 ...
- python-介绍泊松分布(poisson分布)
一.泊松分布问题: 假设我每天接到骚扰电话的次数服从泊松分布,并且经统计平均每天我会接到20个骚扰电话. 请问: 1.我明天接到15个骚扰电话的概率? 2.我明天接到24个骚扰电话以下的概率(包含24 ...
- 手机原来也能把照片制作成视频?1分钟包你学会,发朋友圈超有范
照片制作成视频,是最近很流行的一种照片处理方式.其实它还有很多叫法,比如制作电子相册,还有就是比较常见的卡点视频,也是照片制作成视频的一种.对照片进行这样的处理,可以使照片不再单调,配上音乐之后,瞬间 ...
最新文章
- tf.keras.layers.Reshape 示例
- 内网渗透测试:隐藏通讯隧道技术(下)
- 算法——常用的数据结构/模板/基础知识
- 微软请你学Linux第三季: 6月最后的约会,再次诚意邀请!
- lisp的vla函数画矩形_利用Lisp做Tin三角网建模(源代码)
- jmeter之线程组如何使用
- 学习NSURLSession(1)
- Rhino学习教程——1.1
- 正交表测试与混合正交表工具
- 交通路标识别(毕业设计)
- python登录二维码_python实现二维码扫码自动登录淘宝
- python爬取百度首页源代码并存储到HTML文件里
- struct和typedef struct的用法和区别
- 通用路由封装协议--GRE的简单配置
- 阿里邮箱备份,引发的小小插曲--2018年6月21日
- 多智能体强化学习-G2ANet
- 目标检测网络---评价指标
- 项目07城市餐饮店铺选址分析
- 战网游戏服务器连接中断,魔兽世界7.0军团再临游戏常见问题及解决方法
- python格式化字符_Python格式化字符串
热门文章
- 公告栏模板php代码,如何实现手机端公告栏显示
- 自适应辛普森(Simpson)积分及二重积分
- Proxy(代理)服务器
- mtk 6577 root
- kgb压缩_KGB Archiver可能是可用的最佳压缩工具吗? 还是最慢?
- 判断视频中是否存在移动物体
- 面包屑导航 java_jquery 面包屑导航 具体实现
- 【生物信息】影像组学入门实践成长营(14天)
- 额定能量不得超过160Wh, 等同是多少mAh电池容量?
- 思科二层冗余技术对比---PortChannel/StackWise/VSS/vPC