这个视频是 BV1B54y1s7Ud《泊松分布是怎么来的？应该怎么用？》（UP：oqnx0902，12 分 13 秒）。
一句话概括
泊松分布是二项分布在"n 极大、p 极小、np 适中"时的极限，用来回答：一段固定时间或空间里，某个"稀有事件"发生 k 次的概率是多少。
1. 出发点：二项分布
n 次独立试验，每次成功概率 p，成功次数 X ~ B(n,p)：
P ( X = k ) = C n k p k ( 1 − p ) n − k , E ( X ) = n p P(X=k)=C_n^k p^k(1-p)^{n-k},\qquad E(X)=np P(X=k)=Cnkpk(1−p)n−k,E(X)=np
二项分布可以直观地理解成"多次扔硬币"，其中最关键的数值就是期望 np。
2. 三个前提条件
令 λ = n p \lambda=np λ=np 保持恒定，同时满足：
- n → ∞ n\to\infty n→∞：观测的次数或观测单元足够多
- p → 0 p\to 0 p→0：单次事件属于小概率事件
- n p = λ np=\lambda np=λ 是常数：平均发生率固定，比如"每分钟平均 3 辆"
三者同时成立时，二项分布就趋于泊松分布，这就是泊松定理。
3. 推导（三步）
① 拆开组合数，给每个分子配一个 n
C n k p k = n ( n − 1 ) ⋯ ( n − k + 1 ) k ! ⋅ λ k n k = λ k k ! ( 1 − 1 n ) ( 1 − 2 n ) ⋯ ( 1 − k − 1 n ) ⟶ λ k k ! C_n^k p^k=\frac{n(n-1)\cdots(n-k+1)}{k!}\cdot\frac{\lambda^k}{n^k} =\frac{\lambda^k}{k!}\left(1-\frac1n\right)\left(1-\frac2n\right)\cdots\left(1-\frac{k-1}{n}\right)\longrightarrow\frac{\lambda^k}{k!} Cnkpk=k!n(n−1)⋯(n−k+1)⋅nkλk=k!λk(1−n1)(1−n2)⋯(1−nk−1)⟶k!λk
（这里就是弹幕里说的"抓大头"：k 是固定的有限数，每个括号都 →1。）
② 处理 ( 1 − p ) n − k (1-p)^{n-k} (1−p)n−k
( 1 − p ) n − k = ( 1 − λ / n ) n ( 1 − λ / n ) k ⟶ e − λ 1 = e − λ (1-p)^{n-k}=\frac{(1-\lambda/n)^n}{(1-\lambda/n)^k}\longrightarrow\frac{e^{-\lambda}}{1}=e^{-\lambda} (1−p)n−k=(1−λ/n)k(1−λ/n)n⟶1e−λ=e−λ
这里用到了第二个重要极限 lim ( 1 + x / n ) n = e x \lim(1+x/n)^n=e^x lim(1+x/n)n=ex，也就是弹幕里说的"构造 e 的次方"。
构造出上面的形式：
③ 合并
P ( X = k ) = λ k e − λ k ! , k = 0 , 1 , 2 , ... \boxed{P(X=k)=\frac{\lambda^k e^{-\lambda}}{k!}},\quad k=0,1,2,\dots P(X=k)=k!λke−λ,k=0,1,2,...
4. 公式与性质
| 项目 | 结论 |
|---|---|
| 参数 | 只有一个 λ > 0 \lambda>0 λ>0，表示单位时间或单位空间内的平均发生次数 |
| 期望 | E ( X ) = λ E(X)=\lambda E(X)=λ |
| 方差 | D ( X ) = λ D(X)=\lambda D(X)=λ，期望和方差相等是泊松分布的标志 |
| 归一性 | ∑ λ k / k ! = e λ \sum \lambda^k/k!=e^\lambda ∑λk/k!=eλ，概率加起来正好是 1 |
| 递推 | P ( k ) / P ( k − 1 ) = λ / k P(k)/P(k-1)=\lambda/k P(k)/P(k−1)=λ/k，实际计算时很方便 |
| 时间换算 | 时间或空间扩大 t t t 倍，参数就变成 t λ t\lambda tλ |
5. 例题：停车场（10:00 之后）
平均每分钟进入 3 辆车。把 1 分钟切成 n 个极短的时间片，每片最多进 1 辆，各时间片相互独立，进车概率很小，而总平均数是 3，正好满足泊松分布的条件， λ = 3 \lambda=3 λ=3。
1 分钟内进来 5 辆：
P ( X = 5 ) = 3 5 e − 3 5 ! = 243 × 0.049787 120 ≈ 10.08 % P(X=5)=\frac{3^5 e^{-3}}{5!}=\frac{243\times0.049787}{120}\approx 10.08\% P(X=5)=5!35e−3=120243×0.049787≈10.08%
推广到 2 分钟 （ λ = 3 × 2 = 6 \lambda=3\times2=6 λ=3×2=6）：
P ( X = 5 ) = 6 5 e − 6 5 ! = 7776 × 0.002479 120 ≈ 16.06 % P(X=5)=\frac{6^5e^{-6}}{5!}=\frac{7776\times0.002479}{120}\approx 16.06\% P(X=5)=5!65e−6=1207776×0.002479≈16.06%
λ=3 时的常见值：P(0)=4.98%，P(1)=14.9%，P(2)=22.4%，P(3)=22.4%，P(4)=16.8%，P(5)=10.08%。最可能的情况落在期望附近，但并不等于在期望处概率最大。
6. 适用条件（缺一不可）
- 计数型：统计的是次数或个数，不是等待时间
- 独立：各个事件互不影响
- 稀有且机会多：p 小、n 大、np 适中
- 平均发生率稳定：考察的区间内 λ 基本不变
误差上界约为 n p 2 = λ p np^2=\lambda p np2=λp，所以 p 越小越准；经验上 n ≥ 20 n\ge20 n≥20、 p ≤ 0.05 p\le0.05 p≤0.05 就可以用。
UP 在评论区还补充过一个观点： n → ∞ n\to\infty n→∞ 只是一种概念上的趋势，并不是硬性门槛。n 越大描述越准；实际问题里常常是先假设泊松分布，再检验拟合程度 ，不准就调整假设。空难、重大事故这类数据，也没有严格的 n → ∞ n\to\infty n→∞，但观测时间够长时用它描述就挺准。
7. 易错点（弹幕里集中争论的地方）
- λ 不是概率：λ=3 指平均发生 3 次，概率始终 ≤1；弹幕里"np 怎么会是 3"就是把期望当成了概率
- 不是 λ→∞：λ 是常数，趋于无穷的是 n
- k 是有限项 ：所以 ( 1 − λ / n ) k → 1 (1-\lambda/n)^k\to1 (1−λ/n)k→1；这里 q 型极限和下面的极限不能混在一起算
- 分步求极限要小心 ：第一部分是 1 ∞ 1^\infty 1∞ 型，第二部分是 1 的有限次方，必须分开处理
- 泊松 ≠ 指数分布：泊松分布统计的次数，指数分布统计的是两次事件之间的等待时间，它们是同一个过程的两种视角
- 泊松 ≠ 几何分布：几何分布关心的是"第一次成功要试几次"
8. 一分钟记忆卡
二项 B(n,p) ──n→∞, p→0, np=λ──► 泊松 P(λ)
P(X=k)=λ^k e^(-λ)/k! E = D = λ
λ 是单位时间平均数；时间×t ⇒ λ×t
适用：独立 + 稀有 + 机会多 + 率稳定9. 时间轴（近似）
| 时间 | 内容 |
|---|---|
| 0:00 | 开场、泊松读音、回顾二项分布 |
| 1:00--2:00 | 组合数 C n k C_n^k Cnk 与二项公式 |
| 2:30--4:00 | 拆组合数、给每项分子配一个 n、抓大头 → 1 |
| 4:00--5:30 | 第二个重要极限 → e − λ e^{-\lambda} e−λ |
| 5:30--6:30 | 期望 np、令 λ=np、为什么 p 小 n 大 |
| 6:30--9:00 | 合并出泊松公式、方差=λ、λ 的物理含义 |
| 9:00--10:00 | 空难/事故等"小概率大样本"场景铺垫 |
| 10:00--11:40 | 停车场例题：λ=3，P(5)≈10.08%；推广到 2 分钟 λ=6 |
| 11:40--12:13 | 收尾 |