泊松分布最显著的特征是其期望与方差相等，均等于分布参数 $\lambda$（读作“lambda”）。这一特性使其在描述稀有事件发生规律时具有独特价值，从放射性衰变到客服电话呼入量等场景均有广泛应用。

数学表达与核心结论

若随机变量 $X$ 服从参数为 $\lambda$ 的泊松分布（记为 $X \sim P(\lambda)$），其概率质量函数为：
$P(X=k) = \frac{e^{-\lambda} \lambda^k}{k!} \quad (k=0,1,2,\dots)$
其中 $e$ 为自然常数（约2.71828），$k!$ 为 $k$ 的阶乘。通过严格推导可证明：

期望：$E(X) = \lambda$

方差：$D(X) = \lambda$

期望推导过程

期望的定义为 $E(X) = \sum_{k=0}^{\infty} k \cdot P(X=k)$。将泊松分布的概率公式代入并化简：

$\begin{align*}E(X) &= \sum_{k=0}^{\infty} k \cdot \frac{e^{-\lambda} \lambda^k}{k!} \\&= e^{-\lambda} \lambda \sum_{k=1}^{\infty} \frac{\lambda^{k-1}}{(k-1)!} \quad \text{（令 } m=k-1\text{）} \\&= e^{-\lambda} \lambda \sum_{m=0}^{\infty} \frac{\lambda^m}{m!} \\&= e^{-\lambda} \lambda e^{\lambda} = \lambda\end{align*}$

关键步骤利用了指数函数的泰勒展开式 \(\sum_{m=0}^{\infty} \frac{\lambda^m}{m!} = e^{\lambda}\)。

方差推导过程

方差计算公式为 \(D(X) = E(X^2) - [E(X)]^2\)。已知 \(E(X)=\lambda\)，故需先求 \(E(X^2)\)：

\(\begin{align*}E(X^2) &= \sum_{k=0}^{\infty} k^2 \cdot \frac{e^{-\lambda} \lambda^k}{k!} \\&= e^{-\lambda} \lambda \sum_{k=1}^{\infty} k \cdot \frac{\lambda^{k-1}}{(k-1)!} \\&= e^{-\lambda} \lambda \sum_{m=0}^{\infty} (m+1) \cdot \frac{\lambda^m}{m!} \quad \text{（令 } m=k-1\text{）} \\&= e^{-\lambda} \lambda \left( \sum_{m=0}^{\infty} m \frac{\lambda^m}{m!} + \sum_{m=0}^{\infty} \frac{\lambda^m}{m!} \right) \\&= e^{-\lambda} \lambda (\lambda e^{\lambda} + e^{\lambda}) = \lambda^2 + \lambda\end{align*}\)

因此，\(D(X) = (\lambda^2 + \lambda) - \lambda^2 = \lambda\)。

直观理解与应用意义

\(\lambda\) 代表单位时间/空间内事件的平均发生次数。例如：

某客服热线每小时平均接到5个电话（\(\lambda=5\)），则1小时内接到 \(k\) 个电话的概率服从 \(P(5)\)，且平均每小时5个电话，波动程度也为5。

当 \(\lambda\) 增大（如 \(\lambda=10\)），分布形态逐渐接近正态分布，但期望与方差始终保持相等。

这一“均值=方差”的特性为数据建模提供了便捷检验方法：若实际观测数据的均值与方差显著不等，则泊松分布可能不是最佳模型选择。