Go Gonum Poisson 参数为什么表示均值而不是成功概率

你在用Go的Gonum库写泊松分布相关逻辑的时候，大概率会好奇为什么它的Poisson接口入参要求传入的是均值，而不是很多同类型概率分布库常用的成功概率参数。这个设计不是实现疏漏，是严格对齐泊松分布的标准统计定义做的。

Gonum的Poisson方法要求传入的参数，本身就是泊松分布定义里的λ值，代表指定观测区间内事件的平均发生次数，和二项分布语境里的单次试验成功概率是完全不同的统计量，不存在设计错误或者参数混淆的问题。

Gonum的 distuv.Poisson{Lambda: ...} 中，Lambda是固定观察区间内事件次数的均值，不是一次试验的成功概率。它可以大于1；真正的概率通过 Prob(k)、CDF等方法得到，结果才应落在概率范围内。

官方地址：https://www.gonum.org/

例如每分钟平均出现2次任务到达，对“一分钟内的到达次数”建模就取Lambda=2。把另一个业务指标“20%成功率”填成0.2，不是换一种写法，而是把模型改成每个窗口平均只有0.2次事件。下面用理论指标对比说明差异，不做性能压测，也不把推导值说成实测结果。

先给基线：均值、次数与概率各用什么表示

令K表示一个固定窗口内的事件次数。泊松分布满足P(K=k)=exp(-λ)·λᵏ/k!，其中k为非负整数。λ既是均值，也是方差；P(K=k)才是“恰好k次”的概率。Gonum中字段名是Lambda，概率查询写作Prob(k)。

虽然某些API注释沿用density一词，Poisson是离散分布，Prob(k)在这里应理解为概率质量，不是连续随机变量的密度。不能因为字段和方法都用float64，就把计数当作任意小数事件。

假设与改动：先统一速率单位，再计算窗口均值

若事件强度在所考虑区间内保持一致，窗口均值可以按λ=r·t换算。r与t的单位必须配套：每分钟2次与30秒窗口对应λ=1，与5分钟窗口对应λ=10。Lambda不是“每秒”的固有参数，时间单位由建模者决定。

第一张图分为“观察合同”和“分布参数”：事件定义、事件速率与时间窗口属于观察合同，Lambda、Mean与Variance属于分布参数。事件定义关联速率，速率和窗口共同决定Lambda，Lambda关联Mean和Variance。它表示参数关系，不是模拟事件发生的时间轴。

原代码若把概率p直接填入Lambda，修正前先问“p来自哪里”。假如它表示n次固定试验中每次成功的概率，可能应使用Binomial{N:n,P:p}；不能无条件把成功率乘一个时间长度就称为泊松均值。λ=np作为二项到泊松的近似还有相应前提，并不是两个模型完全相同。

用同一组指标比较正确参数与误填参数

下面的完整main示例需要工程已加入 gonum.org/v1/gonum 依赖。函数名称和参数把每秒速率写清楚，使用time.Duration换算窗口，避免把“分钟数”与“秒数”混用。它只查询理论概率，不调用Rand。

package main

import (
    "fmt"
    "log"
    "math"
    "time"

    "gonum.org/v1/gonum/stat/distuv"
)

// ratePerSecond是每秒事件速率，window是要统计的固定时间窗口。
func poissonForWindow(ratePerSecond float64, window time.Duration) (distuv.Poisson, error) {
    if math.IsNaN(ratePerSecond) || math.IsInf(ratePerSecond, 0) ||
        ratePerSecond 

用公式计算并保留六位小数，指标对比如下；这些数值是理论推导，不是运行输出或测量数据：

两组参数都能构成正均值Poisson对象，但第二组会显著改变零事件概率。库无法仅从0.2这个数值推断调用方本来想表达“成功概率”，所以这种错误可能没有语法错误，也没有显式运行异常，却改变了结论。

至少一次的概率为1-exp(-λ)，示例用 -math.Expm1(-λ) 表达，以减轻很小λ时相近浮点数相减造成的精度损失。对于“恰好k次”，直接使用Prob(k)；累计到k用CDF(k)。必须先写清楚恰好、至多、至少各自的事件集合，不能把这些结果互换。

与成功概率对照：Poisson与Binomial参数不是同一种量

Binomial把固定试验数N与每次成功概率P分开，均值为N·P，方差为N·P·(1-P)；Poisson只用Lambda表示窗口均值，方差也等于Lambda。即使两种分布均值一致，其可取范围和概率形状也不必相同。

第二张图以“计数窗口模型”和“固定试验模型”分组：Poisson、Lambda、窗口计数属于前者；Binomial、N、P属于后者。Poisson关联Lambda与窗口计数，Binomial关联N与P；两种分布之间仅用普通关系线标注“参数含义不同”，不暗示可以直接替换。

“每分钟到达多少次”与“固定100个任务成功了多少个”是不同问题。先明确观察对象，再选择分布，比围绕一个变量名来猜模型更可靠。

样本估计与模型边界：样本均值不是发生比例

对独立同分布、等长观察窗口的Poisson计数，Lambda的极大似然估计是样本均值。假设五个一分钟窗口分别记录1、3、0、2、4次，总计10次，则估计均值是2次/窗口。不是“非零窗口4个，所以Lambda=0.8”，后者是这五个样本里至少一次事件的经验比例。

这一小组数字是原创教学样本，不足以证明业务真的服从Poisson。若窗口长度不同，直接平均次数会混合不同暴露时间；若事件速率随时间变化、成批出现或互相影响，固定强度模型也可能不适合。明显的方差大于均值值得继续分析，而不是强行修改输入让结果符合预期。

Gonum的Poisson参数合同要求Lambda大于0，示例同时拒绝NaN、Inf和乘法溢出或下溢。数学上λ=0可视为总是零次的退化情形，但不应据此假设库所有方法都支持直接填零；确需表达它时，在业务层明确返回K=0概率1，其他计数概率0的退化逻辑。

实际接入应把事件定义、速率单位、窗口长度、估计样本来源与均值一起记录。模型中的Mean不是每次随机样本都等于Lambda，也不是对下一窗口的确定承诺。若后来使用Rand做模拟，短样本均值有随机波动，不能要求每次等于理论均值。

相关疑问与参数速查

Lambda=0.2合法吗？它可以表示每个窗口平均0.2次，数值本身没有问题；问题在于它是否来自你要建模的计数均值。

Lambda能取10吗？可以。限制在0到1的是概率，不是窗口平均次数。

查询2.5次意味着什么？事件计数应为非负整数。不要把时间长度当作Prob的k参数，时间应先进入Lambda的窗口换算。

只知道20%至少一次，能得到Lambda吗？在确实采用Poisson且窗口固定的前提下，可由λ=-log(1-0.2)反推，约0.223144，仍不是直接填0.2。这是带模型前提的参数反演，不能脱离观察定义使用。

技术依据：官方Poisson API、官方Poisson实现、官方Binomial定义、NIST泊松分布与参数估计说明。窗口场景、比较代码与样本数字为本文原创示例。