Poisson Distribution
βνλ₯ κ³Ό ν΅κ³(MATH230)β μμ μμ λ°°μ΄ κ²κ³Ό 곡λΆν κ²μ μ 리ν ν¬μ€νΈμ λλ€. μ 체 ν¬μ€νΈλ Probability and Statisticsμμ νμΈνμ€ μ μμ΅λλ€ π²
Poisson Distribution
<νΈμμ‘ λΆν¬ Poisson Distribution>λ μ΄ν λΆν¬ $\text{BIN}(n, p)$μ νΉμν κ²½μ°μ΄λ€. $\text{BIN}(n, p)$μμ $n$μ΄ λ¬΄νλλ‘ μ»€μ§κ³ , $p$κ° μμ£Όμμ£Ό μμμ§ λ, λΆν¬λ νΈμμ‘ λΆν¬λ₯Ό λ§μ‘±νκ² λλ€!
κ·Έλ λ€λ©΄ λ³Έλ BINμ΄λκ±Έ μ νΈμμ‘ λΆν¬λ‘ ν΄μνλ κ±ΈκΉ? μ΄ μ§λ¬Έμ λν λ΅μ μλμ μ νλΈ μμμμ μ λ§ μ μ€λͺ νκ³ μλ€. νλ² λ³΄κ³ μ€μ.
π Youtube - νΈμμ‘λΆν¬ μκ°
μ¦, $n$κ³Ό $p$μ κ°μ λ€λ£° μλ μκ³ μ μν μλ μμ λ, νΈμμ‘μ $np$λ₯Ό $\lambda$λ‘ λκ³ μλ‘μ΄ ννμ λΆν¬λ₯Ό μ λν κ²μ΄λ€. λλ νκ· κ°μΈ $\lambda$λ₯Ό μλ μνμμ μ λν λΆν¬λΌκ³ λ³Ό μ μμ κ² κ°λ€.
Definition. Poisson Distribution
A Poisson random variable $X$ with parameter $\lambda > 0$, denoted as $X \sim \text{POI}(\lambda)$, and it has a pmf $f(x)$ as
\[f(x) = e^{-\lambda} \frac{\lambda^x}{x!} \quad \text{for} \quad x=0, 1, \dots\]μ΄ νΈμμ‘ λΆν¬κ° μ λ§ pmfμΈμ§ κ²μ¦ν΄λ³΄μ. νλ₯ μ εμ΄ 1μ΄ λ¨μ 보μ΄λ©΄ λλ€.
\[\begin{aligned} \sum f(x) &= e^{-\lambda} \sum_{x=0} \frac{\lambda^x}{x!} \\ &= e^{-\lambda} e^\lambda = 1 \end{aligned}\]Derivation
μμμ νΈμμ‘ λΆν¬λ μ΄νλΆν¬μ νΉμν κ²½μ°λΌκ³ μκ°νλ€. μ΄κ²μ νμΈν΄λ³΄μ.
Derivation.
Let $X \sim \text{BIN}(n, p) = \text{BIN}(n, \frac{\lambda}{n})$, then pmf $f_n (x)$ is
\[f_n (x) = \binom{n}{x} p^x (1-p)^{n-x} = \binom{n}{x} \left( \frac{\lambda}{n}\right)^x \left( 1 - \frac{\lambda}{n}\right)^{n-x}\]μμ μμμ $\binom{n}{x}$λ₯Ό νμ΄μ μ¨λ³΄λ©΄ μλμ κ°κ³ , μ΄κ²μ μ μ 리ν΄λ³΄μ.
\[\begin{aligned} f_n (x) &= \binom{n}{x} \left( \frac{\lambda}{n}\right)^x \left( 1 - \frac{\lambda}{n}\right)^{n-x} \\ &= \frac{n!}{x!(n-x)!} \frac{\lambda^x}{n^x} \left( 1 - \frac{\lambda}{n}\right)^n \left( 1 - \frac{\lambda}{n}\right)^{-x} \\ &= \frac{\lambda^x}{x!} \cdot \left( 1 - \frac{\lambda}{n}\right)^n \cdot \frac{n!}{(n-x)!} \left(\frac{1}{n}\right)^x \left( 1 - \frac{\lambda}{n}\right)^{-x} \end{aligned}\]μ΄μ μμ μμμ $n \rightarrow \infty$λ₯Ό μ·¨νμ!
\[\begin{aligned} \lim_{n \rightarrow \infty} f_n (x) &= \lim_{n \rightarrow \infty} \frac{\lambda^x}{x!} \cdot \left( 1 - \frac{\lambda}{n}\right)^n \cdot \frac{n!}{(n-x)!} \left(\frac{1}{n}\right)^x \left( 1 - \frac{\lambda}{n}\right)^{-x} \\ &= \lim_{n \rightarrow \infty} \frac{\lambda^x}{x!} \cdot e^{-\lambda} \cdot \frac{n(n-1)\cdots(n-x+1)}{n^x} \cdot \frac{(n-\lambda)^{-x}}{n^{-x}} \\ &= \frac{\lambda^x}{x!} \cdot e^{-\lambda} \cdot 1 \cdot 1 \\ &= \frac{\lambda^x}{x!} e^{-\lambda} \end{aligned}\]$\blacksquare$
μμ μ λ κ³Όμ μμλ μ΄ν λΆν¬λ₯Ό μ¬μ©νμ§λ§, λ―ΈλΆλ°©μ μμΌλ‘λ νΈμμ‘ λΆν¬λ₯Ό μ λν μ μλ€κ³ νλ€. μ λ κ³Όμ μ λν μμμ λ§ν¬λ‘ κ±Έμ΄λλ€. π YouTube - νΈμμ‘ λΆν¬, λ―ΈλΆλ°©μ μμΌλ‘ μ λ
Law of Rare Events
Theorem. Law of Rare Events
$n$μ΄ λ¬΄νν 컀μ§κ² λλ©΄, μμ°μ€λ½κ² νλ₯ $p=\dfrac{\lambda}{n}$λ μμμ§κ² λλ€. νμ§λ§, μ΄ν λΆν¬μ μ±μ§μ λ°λΌ μ¬μ ν νκ· κ³Ό λΆμ°μ μλμ κ°μ κ²μ΄λ€.
- $\displaystyle E[X] = \lim_{n\rightarrow\infty} np = \lambda$
- $\displaystyle \text{Var}(X) = \lim_{n\rightarrow\infty} n \frac{\lambda}{n} \left( 1 - \frac{\lambda}{n}\right) = \lambda$
μμ λͺ μ μ λν μ¦λͺ μ νκ· κ³Ό λΆμ°μ μ μμ μ κ°ν΄ μμ μ κ°νλ©΄ λλ€. μ¦λͺ μ μΆνμ κΈ°μ νκ² λ€.
Poisson Process
(μ£Όμ) μ§μ λΆν¬λ₯Ό μκ³ μμ΄μΌ ν©λλ€.
νΈμμ‘ νλ‘μΈμ€λ μ§μ λΆν¬μ νλ₯ λΆν¬λ₯Ό κ°λ μνμ κ³μν λ, μΌμ μκ° λμ μ¬κ±΄μ΄ λͺ λ² λ°μνλμ§λ₯Ό μ€λͺ νλ λΆν¬ μ λλ€.
μμΈν λ΄μ©μ λ³λ ν¬μ€νΈ βPoisson Processβλ‘ λΆλ¦¬ νμμ΅λλ€.
- βBernoulli Processβ
- λλ€ νλ‘μΈμ€λ₯Ό μ²μ λ€μ΄λ΄€λ€λ©΄ μ΄ λ μλΆν° μ λ¬Έν΄λ³΄μ!
- βPoisson Processβ
λ§Ίμλ§
μ΄λ² ν¬μ€νΈμμ λ€λ£¬ <Poisson Distribution>μ λμΌλ‘ κ΅μ¬μμ λ€λ£¨λ λͺ¨λ μ΄μ° νλ₯ λΆν¬λ₯Ό μ΄ν΄λ³΄μλ€. λ€μ ν¬μ€νΈλΆν°λ μ°μ RVκ° κ°λ βμ°μ νλ₯ λΆν¬; Continuous Distributionβλ₯Ό μ΄ν΄λ³Έλ€.