Poisson泊松分布及应用.pptVIP

* * Poisson分布及其应用 一、Possion分布的概念 Possion分布由法国数学家S.D.Possion创立的，用以描述罕见事件发生次数的概率分布。也可视为观察例数n很大，发生的概率π很小时二项分布B（ n,π）的极限情形。 以一毫升水样中大肠杆菌数为例。设某河中，平均每毫升水中有λ个大肠杆菌，从该河中随机抽取一毫升水，将1毫升水等分成n个相当于一个大肠杆菌的微小体积，则每个体积中平均大肠杆菌数为λ/ n。这里n很大，每一个微小体积可能是水也可能是大肠杆菌，大肠杆菌数与n之比为p， p很小很小，因此一毫升水样中大肠杆菌数是一罕见事件。 分析：⒈每个体积中只能有两种结果，⒉每个体积中出现大肠杆菌数的概率均为λ/ n 。⒊不同体积上大肠杆菌出现与否相互独立。 因此，在这n个体积中出现的大肠杆菌数服从二项分布B（ n, λ/ n ），概率函数为 数学上可以证明，当 n ∞时，P（X）的极限为 若稀有事件发生数为0，1，2，…，其相应的概率函数为 ，则称此变量服从参数为λ的Poisson分布。 式中， X为观察单位内某稀有事件的发生数； e为自然对数的底，为常数，约等于2.71828 ，λ为Poisson分布的总体均数，λ=nπ 或为观察单位内的平均发生数。 Poisson分布的应用条件 必须符合二项分布的三个条件。 2 要求π或1-π接近0或1（例如0.01或0.999） 例如，上例中平均每毫升水中有8个细菌，则从该河中随机抽取1毫升水中的细菌数X服从λ=8的Poisson分布。 求1毫升水中不含细菌的概率，含1个细菌的概率 Poisson分布可视为观察例数n很大，发生的概率π很小时二项分布B（ n,π）的极限情形。 当n很大时，二项分布概率的计算相当复杂，利用二项分布的Poisson近似这一性质，当n很大且π(π≤0.01)很小时，可以用Poisson分布的概率计算近似代替二项分布的概率计算。 例4-7 如果某地新生儿先天性心脏病的发病概率为8‰那么该地120名新生儿中有4人患先天性心脏病的概率有多大？ 分析：新生儿先天性心脏病的发病率π= 8‰，新生儿人数n=120，其中患先天性心脏病的人数服从二项分布。因为8‰较小，120较大，也可以认为患先天性心脏病的人数近似地服从Poisson分布。 二、 Poisson分布的特征 （1） Poisson分布的总体均数与总体方差相等，均为λ。 若从该河中随机抽取无数个1毫升水，显然1毫升水中的细菌数X各不相同，这些细菌数X的总体均数即Poisson分布的参数λ，而且这些细菌数X的总体方差也等于此参数λ。 （2） Possion分布的观察结果有可加性。若从总体均数为λ1 的Poisson分布总体中随机抽出一份样本，其中稀有事件的发生次数为X1，再独立地从总体均数为λ2的Poisson分布总体中随机抽出另一份样本，其中稀有事件的发生次数为X2，则它们的合计发生数T=X1+X2也服从Poisson分布，总体均数为λ1 + λ2 。 上述性质推广到多个Poisson分布的情形，例如，上例中，平均每毫升水含有8个细菌，从该河中独立地取水样5次，每次水样中的细菌数分别为Xi，均服从λ=8的Poisson分布，那么把5份水样混合，其合计菌落数也服从λ=40 的Poisson分布， 若已知参数λ的取值，则可按Poisson分布的概率函数式计算不同X值时的概率，然后以X为横轴，以取值概率P为纵轴，可绘制出Poisson分布的图形。 （3） Poisson分布的图形特征 2 4 6 8 10 λ=2 2 4 6 8 10 12 λ=4 2 4 6 8 10 12 14 16 λ=6 2 4 6 8 10 12 14 16 18 λ=10 由前面的Poisson分布图可见，当总体均数λ较小时，为偏峰，λ越小分布愈偏，随λ的增大， Poisson分布的对称性越来越好。 当λ≥20时， Poisson分布近似正态分布 利用Poisson分布的正态近似性，可以解决不少Poisson分布的统计推断问题。 三、 Possion分布的应用 （一）概率估计 （二）单侧累计概率计算 若稀有事件发生次数的总体均数为λ，那么该稀有事件发生次数至多为k次的概率为 若稀有事件发生次数的总体均数为λ，那么该稀有事件发生次数至少为k次的概率为 例4-8 例4-7中，至多有