# 泊松分布

> CIE A-Level 数学 · 9709
> 来源: https://www.owlsprep.com/zh/study/cie-9709-u4-the-poisson-distribution/

本模块涵盖泊松分布的性质、有效使用条件、概率公式、累积表格使用方法、二项分布的泊松近似以及标准考题解题流程。

**先修:** [基础离散概率分布](https://www.owlsprep.com/zh/study/cie-9709-u4-discrete-probability-distributions/); [二项分布的性质与计算](https://www.owlsprep.com/zh/study/cie-9709-u4-the-binomial-distribution/)

## 学习目标

- 牢记使用泊松分布对场景进行有效建模所需的4个前提条件
- 使用标准公式计算单个泊松概率，并通过官方CIE表格计算累积概率
- 求解涉及固定区间内事件发生率参数的实际问题
- 在n很大、p很小的场景下，使用泊松分布近似二项分布

## 真题考频

据 OwlsPrep 对官方 CIE 9709 S2 真题的聚合（2016–2025）: **泊松分布** 近 10 年出现 **96 次**——占 S2 全部真题的 **22.4%**（428 题中 96 题）.

最常考形式: 泊松分布 (80), 泊松近似二项 (34).

## 核心定义与有效使用条件

**泊松分布** — 一种离散概率分布，用于对在固定时间、空间或体积区间内以恒定平均速率发生的独立事件的数量进行建模

*记法:* X ~ Po(λ)

*例:* 商店每小时到店的顾客数量，平均每小时到店4人

只有同时满足以下全部4个条件时，场景才能使用泊松分布建模：事件之间完全独立、事件无法同时发生、事件的平均速率在整个区间内保持恒定、在极小子区间内发生超过1个事件的概率可忽略不计。

> **记忆技巧**
>
> PISR：泊松分布要求事件相互独立（Independent）、单次发生（Single）、且平均速率恒定（Rate）

**例题:** 判断以下每个场景是否可以使用泊松分布建模：1）抛掷20次独立骰子得到6点的次数，2）在维护一致的高速公路路网中，每1公里路段的坑洞数量。

1. 评估场景1：该场景统计固定次数独立试验中的成功次数，属于二项分布而非泊松分布，不存在具有恒定事件速率的时间/空间区间。
2. 评估场景2：坑洞独立发生、每次仅出现一个、每公里平均速率恒定，完全满足泊松分布的全部4个条件。

**概念自测**

确认你对泊松分布适用条件的理解

1. 以下哪个场景不适合使用泊松模型？

   - 每天收到的邮件数量
   - 足球比赛中的进球数
   - 抛掷100次硬币得到正面的次数
   - 教科书每页的错别字数量

   *解析:* 这是固定试验次数的二项分布场景，不属于区间内的事件计数。

## 泊松概率公式与基础计算

$$P(X = r) = \frac{e^{-\lambda} \lambda^r}{r!} \quad \text{for } r = 0, 1, 2, 3, ...$$

泊松分布的一个独有性质是其均值（期望值）完全等于方差，二者都等于速率参数λ。这是CIE考题中经常考察的知识点。

**例题:** 已知X ~ Po(2.5)，计算P(X = 3)，结果保留3位有效数字。

1. 识别参数：λ = 2.5，r = 3
2. $$P(X=3) = \frac{e^{-2.5} \times (2.5)^3}{3!}$$
3. 计算中间值：e^{-2.5} ≈ 0.082085，2.5^3 = 15.625，3! = 6
4. $$P(X=3) = \frac{0.082085 \times 15.625}{6} ≈ 0.214$$

> **tip**
>
> 中间值的舍入不要少于4位有效数字，否则CIE会因过早舍入导致最终答案偏差而扣分。

## 泊松累积概率表的使用

CIE在考试公式手册中提供官方泊松累积概率表，给出常用λ值对应的P(X ≤ x)预计算结果，无需对大r值重复使用公式计算。

**考试命令词**

CIE的泊松累积概率题目使用标准表述，你必须正确解读以避免差一错误：

- **At most k** — 直接从累积表中读取P(X ≤ k)

- **More than k** — 计算1 - P(X ≤ k)

- **Between a and b inclusive** — 计算P(X ≤ b) - P(X ≤ a-1)

**例题:** 若X ~ Po(3.2)，使用泊松累积表求P(1 < X ≤ 4)。

1. 改写不等式以匹配累积表格式：P(1 < X ≤ 4) = P(X ≤ 4) - P(X ≤ 1)
2. 在累积表中查找λ = 3.2：P(X ≤ 4) = 0.7806，P(X ≤ 1) = 0.1712
3. 将两个值相减得到最终结果：0.7806 - 0.1712 = 0.609

## 二项分布的泊松近似

**推导:** 证明在特定条件下Bin(n,p)可以用Po(np)近似

*起点:* 二项分布概率公式：P(X=r) = \binom{n}{r} p^r (1-p)^{n-r}

1. 当n非常大（n ≥ 50）且p非常小（p < 0.1）时，令λ = np
2. 当n → ∞时，\binom{n}{r} ≈ \frac{n^r}{r!} 且 (1-p)^{n-r} ≈ e^{-np}
3. 代入这些近似即可推导出标准泊松概率公式

*结论:* 当n很大、p很小且λ = np < 10时，Bin(n,p) ≈ Po(np)

**例题:** 某工厂生产1000个元件，每个元件独立存在0.002的概率为次品。使用泊松近似求次品数大于等于3的概率。

1. 验证近似条件：n=1000 ≥ 50，p=0.002 < 0.1，因此λ = np = 2
2. 改写所求概率：P(X ≥ 3) = 1 - P(X ≤ 2)
3. $$P(X ≤ 2) = e^{-2} \left( 1 + 2 + \frac{2^2}{2!} \right) = 5e^{-2} ≈ 0.6767$$
4. 最终结果：1 - 0.6767 ≈ 0.323

## 常见错误

- **错误做法:** 将P(X ≥ 2)计算为1 - P(X ≤ 2)
  - 原因: 这是离散累积概率最常见的差一错误，会导致减去的项中包含P(X=2)，得到错误结果
  - 正确做法: 显式改写所有不等式，确认你要减去的累积概率的上限：P(X ≥ k) = 1 - P(X ≤ k-1)
- **错误做法:** 假设泊松分布的方差不等于其均值
  - 原因: 学生经常混淆泊松分布和二项分布的性质，二项分布中方差=np(1-p) < 均值
  - 正确做法: 牢记对于任意泊松随机变量X，E(X) = Var(X) = λ，这是泊松分布独有的识别性质
- **错误做法:** 当p > 0.1或n < 20时，仍对二项分布使用泊松近似
  - 原因: 超出有效参数范围后，近似的准确度会大幅下降，得到的结果与精确二项分布值偏差很大
  - 正确做法: 仅当n ≥ 50且np < 10时使用泊松近似，否则使用精确二项分布公式
- **错误做法:** 对事件可以成组发生的场景使用泊松模型
  - 原因: 这违反了“事件单次发生”的条件，破坏了分布的核心假设
  - 正确做法: 在为任意题目选择分布之前，验证泊松分布的全部4个条件
- **错误做法:** 在中间计算步骤中将e^{-λ}舍入到2或3位小数
  - 原因: CIE评分标准会对因过早舍入导致答案与正确值偏差超过0.01的情况扣除1分精度分
  - 正确做法: 所有中间值保留至少4位小数，最终答案保留3位有效数字

## 速查表

| 场景 | 分布 | 均值 | 方差 |
| --- | --- | --- | --- |
| 恒定速率区间内的独立事件计数 | Po(λ) | λ | λ |
| 二项分布n大p小且np < 10 | Po(np) | np | np |
| P(X ≤ k) | 累积表直接查找 | - | - |
| P(a ≤ X ≤ b) | P(X ≤ b) - P(X ≤ a-1) | - | - |

## 下一步

在掌握泊松分布的基础性质和计算方法后，你将可以把这些知识拓展到更多CIE 9709的进阶主题，包括独立泊松变量的和、大λ值下的正态近似以及基于泊松分布的假设检验。这是一个高分值考点，经常和通用概率规则结合考察，在第4卷中占比最高可达15%。掌握这里的核心解题流程将帮助你避免最常见的失分错误，让后续的统计建模主题学习更加直观。

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/cie-9709-u4-the-poisson-distribution/