機率與統計 · 卜瓦松分布

卜瓦松分布

如果事件以固定的平均速率逐一發生,互不重疊的區間內發生次數彼此獨立,而給定區間的期望次數是λ,恰好發生k次的機率就是P(X = k) = e^(−λ)·λᵏ/k!。把區間分成n格,每格發生事件的機率是λ/n;n越大,二項分布就越接近卜瓦松分布。

這個圖中的卜瓦松分布

卜瓦松分布描述事件在固定時間、長度或面積內發生的次數,例如客服專線一小時內接到幾通電話,或一頁裡有幾個錯字。前提是事件以穩定的平均速率逐一發生,且不同、不重疊範圍內的次數彼此獨立。唯一的參數是期望次數λ\lambda,也就是速率乘以區間長度;對k=0,1,2,…k = 0, 1, 2, \dots而言,機率為P(X=k)=e−λλk/k!P(X = k) = e^{-\lambda}\lambda^k/k!。這裡把區間分成nn格,每格有λ/n\lambda/n的機率發生一次事件,總次數就服從二項分布。每當nn加倍,紅色長條就更接近卜瓦松分布的輪廓,期望次數則維持在λ\lambda。

公式從哪裡來

令p=λ/np = \lambda/n,二項分布的機率可拆成三個因子:(nk)pk(1−p)n−k=n(n−1)⋯(n−k+1)nk\binom{n}{k}p^k(1-p)^{n-k} = \frac{n(n-1)\cdots(n-k+1)}{n^k}⋅λkk!⋅(1−λn)n−k{}\cdot\frac{\lambda^k}{k!}\cdot\Bigl(1-\frac{\lambda}{n}\Bigr)^{n-k}。第一個因子把依序選出kk個不同格子的方法數除以nkn^k;固定kk時,這個比值趨近1。中間的因子與nn無關。最後一個因子表示其他格子全部為空的機率,極限是e−λe^{-\lambda}:在複利極限(1+r/n)n→er(1 + r/n)^n \to e^r中令r=−λr = -\lambda,剩下的因子(1−λ/n)−k(1 - \lambda/n)^{-k}則趨近1。把三個極限相乘,就是卜瓦松分布的公式。固定λ\lambda,當nn夠大,兩種分布之間的最大機率差大致以1/n1/n的速率縮小,因此紀錄中的比值會接近2。

期望值和變異數都等於λ

分成nn格時,不論nn是多少,期望值都是n⋅λ/n=λn\cdot\lambda/n = \lambda,變異數則是np(1−p)=λ(1−λ/n)np(1-p) = \lambda(1 - \lambda/n),比λ\lambda略小。當nn變大,因子1−λ/n1 - \lambda/n會趨近1,因此卜瓦松分布的變異數也是λ\lambda,標準差是λ\sqrt{\lambda}。

分布的形狀

卜瓦松分布的每根長條是前一根的λ/(k+1)\lambda/(k+1)倍:P(X=k+1)=P(X=k)⋅λ/(k+1)P(X = k+1) = P(X = k)\cdot\lambda/(k+1)。比值大於1時,長條逐根升高;比值降到1以下,就逐根降低。因此當λ<1\lambda < 1時,0次的機率最高,長條從一開始就下降。其餘情況在⌊λ⌋\lfloor \lambda \rfloor處有峰值;若λ\lambda是整數,λ−1\lambda - 1和λ\lambda的機率一樣高。λ\lambda越大,分布越接近對稱的鐘形,原因可由中央極限定理解釋。

值得注意

  • λ不必是整數:每個區間平均發生0.5次,和平均發生3次一樣,都能建立合理的模型。
  • 期望次數為λ,不代表通常會恰好發生λ次。例如λ = 3時,恰好發生3次的機率只有約22%。
  • 「逐一發生」是模型的前提。每格最多容許一個事件,分格的方式就體現了這個假設。若事件成批發生,次數的分布便會不同。

操作

  • 點選長條,或拖曳下方的三角形,就能讀出該次數對應的三個因子。

相關概念