泊松分布的现实意义是什么，为什么现实生活多数服从于泊松分布？

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 \color{SkyBlue}{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 \color{blue}{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。

这篇文章可以继续扩充： 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？

百个故事，千幅图片，万名同学，欢迎加入：