泊松分布的推导.docxVIP

泊松分布的推导

泊松分布的推导过程涉及极限、伯努利分布和二项分布的知识。

一、泊松分布的定义与背景

泊松分布是用来描述小概率事件分布的方法。它是指随机事件A发生的概率很小，但试验次数n很大的分布情况。具体来说，如果用X代表随机事件发生的次数，如果随机事件A发生的概率是p，进行n次独立试验，恰巧发生了k次，则相应的概率可以用以下公式表示，且当p趋于0，n趋于无穷大时，n·p会是一个常数，即λ（λ=n·p）。

二、泊松分布与二项分布的关系

泊松分布是二项分布的极端情况。在二项分布中，如果试验次数n很大，且每次试验中事件发生的概率p很小，那么二项分布可以近似为泊松分布。这是因为当n很大，p很小时，n·p（即λ）会保持为一个相对稳定的常数，这使得泊松分布成为描述这类情况的合适模型。

三、泊松分布的推导过程

设定条件：

已知随机事件A在n次独立试验中发生的概率为p，且n很大，p很小，使得n·p=λ（常数）。

利用二项分布公式：

在二项分布中，事件A发生k次的概率为P(X=k)=Cnkpk(1?p)n?k。

代入并化简：

将n·p=λ代入二项分布公式，得到P(X=k)=Cnk(λn)k(1?λn)n?k。

当n趋于无穷大时，利用极限的性质进行化简。具体地，可以利用e的极限表达式（即lim(x→∞)(1+1/x)^x=e）和阶乘的性质进行逐步推导。

得到泊松分布公式：

经过化简和整理，最终可以得到泊松分布的公式：P(X=k)=λke?λk!。

四、泊松分布公式的意义

泊松分布公式描述了随机事件A在给定时间段或空间内发生k次的概率。其中，λ表示单位时间或单位空间内事件发生的平均次数，e是自然对数的底数（约等于2.71828），k!表示k的阶乘。

泊松分布的推导过程涉及了极限、伯努利分布和二项分布的知识。通过设定条件、利用二项分布公式、代入并化简以及得到泊松分布公式等步骤，我们可以清晰地理解泊松分布是如何从二项分布中推导出来的。