Exponential 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
μ리μ¦: Continuous Probability Distributions
λ€μ΄κ°λ©°
μ΄λ€ μ¬κ±΄μ΄ νκ· μ μΌλ‘ β5λΆμ 1λ²β λ°μνλ€κ³ κ°μ ν΄λ³΄μ. μλ₯Ό λ€μ΄, μΆν΄κ·Ό μκ°μ 2νΈμ μ§νμ² μ΄ νκ· μ μΌλ‘ 5λΆλ§λ€ ν λμ© λμ°©νλ€κ³ μκ°ν μ μλ€.
λΈλ£¨νΌμ μ¬λΉμμμ 2νΈμ μ§νμ² μ κΈ°λ€λ¦¬κ³ μμ΅λλ€. μλ§μ μΆν΄κ·Ό κ²½νμ μν΄ λΈλ£¨νΌμ μ΄ μκ°λμ νκ· μ μΌλ‘ 5λΆ μ λ κΈ°λ€λ¦¬λ©΄ μ§νμ² μ΄ μ¨λ€λ κ²μ μκ³ μμ΅λλ€. μ΄λ¨ λλ 2νΈμ μ λμμμ λμ³λ λ€λ₯Έ λ€μ μ΄μ°¨κ° λ€μ΄μμ 3λΆλ μ κΈ°λ€λ¦΄ λκ° μμ§λ§, μ΄λ¨ λλ 2νΈμ μ νμΌμμ΄ κΈ°λ€λ¦΄ λλ μμ΅λλ€.
νκ· μ μΈ λκΈ° μκ°μ μκ³ μμ λ, μ§νμ² μ κΈ°λ€λ¦¬κΈ° μν΄ μ°λ μκ°μ βμ§μ λΆν¬βλΌλ μ°μ νλ₯ λΆν¬λ₯Ό λ°λ¦ λλ€!
Distribution for waiting time
λ€μμ λ€μ΄μ¬ 2νΈμ μ κΈ°λ€λ¦¬λλ° κ±Έλ¦¬λ μκ°μ μλμ μ§μ λΆν¬λ₯Ό λ°λ¦ λλ€.
Definition. Exponential Distribution (waiting time)
Let $\beta >0$ is an average waiting time, and we say that $X$ has an <exponential distribution> with parameter $\beta$ if it has pdf $f(x)$ as
\[f(x) = \begin{cases} \frac{1}{\beta} e^{- \frac{1}{\beta} x} & \text{for} \; x > 0\\ \quad 0 & \text{else} \end{cases}\]and we denote such RV $X$ as $X \sim \text{EXP}(\beta)$.
Expectation and Variance
$\beta$λ₯Ό νκ· λκΈ° μκ°(average waiting time)μΌλ‘ μ μνμΌλ―λ‘, νλ₯ λ³μ $X$μ κΈ°λκ°(μ¦, νκ· )μ $\beta$μ κ°μ΅λλ€. μ¦,
\[E[X] = \beta\]λΆμ°μ κ²½μ°λ μ§μ νλ₯ λΆν¬μ λν μμ μ μ 리νλ©΄ μλμ κ²°κ³Όλ₯Ό μ»μ μ μμ΅λλ€.
\[\text{Var}(X) = \beta^2\]μ΄λ $\beta$λ μ¬κ±΄μ΄ λ°μνκΈ° μν΄ νκ· μ μΌλ‘ λκΈ° νλ μκ°μ μλ―Έ ν©λλ€. β5λΆμ 1건μ©β λ°μνλ κ²½μ°λΌλ©΄, $\beta = 5$κ° λκ³ , λΆν¬λ μλμ κ°μ΅λλ€.
\[P(X = x) = \frac{1}{5} e^{-\frac{1}{5} x}\]Distribution for event rate
λΈνΌμ μΆν΄κ·Ό μκ°μ μ§νμ² μμμ λ€μ μ΄μ°¨λ₯Ό κΈ°λ€λ¦¬λ λμ, μ κ΄νμ 보면μ β1μκ° λμ μ΄μ°¨κ° λͺ λλ μ§λκ°μκΉ?βλΌλ κΆκΈμ¦μ΄ μκ²Όμ΅λλ€. λκΈ° μκ°μ λν λΆν¬λ₯Ό μ΄ν΄λ΄€λ κ²μ²λΌ, μ§νμ² μ΄ νκ· 5λΆλ 1λμ© λμ°©νλ€κ³ κ°μ νλ©΄, 1μκ° λμ λμ°©νλ μ΄μ°¨μ κ°―μλ 12λκ° λ κ² μ λλ€.
κ·Έλ¬λ μ΄λ€ λ μ μ€ν¬λ¦°λμ΄ κ³ μ₯μΌλ‘ μ΄μ°¨κ° μ§μ° λμ΄ 1μκ° λμ 10λκ° μ¬ μ μκ³ , μ΄λ€ λ μ μ΄νμ΄ μμ‘°λ‘μμ 1μκ°μ 15λκ° μ¬ μλ μμ΅λλ€.
λΈλ£¨νΌμ μΌμ ν μκ° λμ μ΄μ°¨κ° λͺ λ λμ°©νλμ§λ₯Ό νλ₯ μ μΌλ‘ λͺ¨λΈλ§νκ³ μΆμ΄μ‘μ΅λλ€. μ¬κ±΄ λ°μ νμ(count)μ λν νλ₯ λΆν¬κ° λ°λ‘ βνΈμμ‘ λΆν¬βμ λλ€. νΈμμ‘ λΆν¬μ λν΄μλ λ³λ ν¬μ€νΈμ μ 리ν κ²λ μμ΅λλ€.
Definition. Poisson Distribution (event rate)
Let $\lambda >0$ is an event occurring rate, and we say that $X$ has an <Poisson distribution> with parameter $\lambda$ if it has pdf $f(x)$ as
\[f(x) = \frac{\lambda^x \cdot e^{-\lambda}}{x!}\]for $x = 0, 1, β¦$ and we denote such RV $X$ as $X \sim \text{POI}(\lambda)$.
μμμ μν©μ κ°μ Έμμ ν¨μλ₯Ό λͺ¨λΈλ§ νλ©΄, 5λΆλΉ 1λμ μ΄μ°¨κ° λ€μ΄μ¨λ€λ©΄ 1λΆλΉ 0.2λμ μ΄μ°¨κ° λ€μ΄μ€λ κ²κ³Ό κ°μ΅λλ€. μ¦, $\lambda = 0.2$ μ΄κ²μ ν¬μμ‘ λΆν¬μ ν¨μλ‘ μ μΌλ©΄
\[P(X = x) = \frac{(0.2)^x \cdot e^{-0.2}}{x!}\]μ κ°μ΅λλ€.
Expectation and Variance
Theorem.
Let $X \sim \text{EXP}(\lambda)$, then
- $E[X] = \dfrac{1}{\lambda}$
- $\text{Var}(X) = \dfrac{1}{\lambda^2}$
λΆμ°μ λν κ²λ§
Proof.
$\lambda = \beta = 1$μΈ νμ€ μ§μ λΆν¬μ λν΄ μκ°ν΄λ΄ μλ€.
\[Y \sim \text{EXP}(1)\]μ΄ νμ€ μ§μ λΆν¬μ νκ· κ³Ό λΆμ°μ μ΄λ»κ² λ κΉμ?
\[\begin{aligned} E[Y] &= \int^{\infty}_0 y \cdot e^{-y} \; dy = 1 \end{aligned}\]Varianceλ₯Ό ꡬν΄λ³΄λ©΄,
\[\begin{aligned} E[Y^2] = \int^{\infty}_0 y^2 \cdot e^{-y} \; dy = 2 \end{aligned}\]λ°λΌμ, $\text{Var}(Y) = E[Y^2] - E[Y]^2 = 2 - 1^2 = 1$.
μ΄μ , $X \sim \text{EXP}(\beta = 1 / \lambda)$λ₯Ό μ΄ν΄ λ΄ μλ€. λκΈ° μκ°μ΄ $\beta$ λ§νΌ λμ΄λ¬μΌλ―λ‘ $X = \beta \cdot Y = \dfrac{Y}{\lambda}$λ₯Ό λ§μ‘±ν©λλ€. λ°λΌμ
\[E[X] = E\left[\beta \cdot Y \right] = E\left[\frac{Y}{\lambda}\right] = \frac{1}{\lambda}\]κ·Έλ¦¬κ³ λΆμ°μ
\[\text{Var}(X) = \text{Var}\left( \beta \cdot Y \right) = \text{Var}\left( \frac{Y}{\lambda} \right) = \frac{1}{\lambda^2}\]Unit Conversion
If $X \sim \text{EXP}(1)$, then $Y := \dfrac{X}{\lambda} \sim \text{EXP}(\lambda)$.
\[P(Y > y) = P(\frac{X}{\lambda} > y) = P(X > \lambda y) = e^{-\lambda y}\]λ³ΈμΈμ μμ μν©μ (minute - second) λ³νμ λ°νμΌλ‘ μ΄ν΄νλ€. λ§μ½ $X$κ° λΆ λ¨μμμ μ²μ λμ°©νλ λ²μ€μ μκ°μ λͺ¨λΈλ§νκ³ , κ·Έ λμ parameterκ° $\lambda = 1$λΌκ³ νμ. μ°λ¦¬λ μ΄κ²μ μ΄ λ¨μμΈ $60X$λ‘ λ³νν μ μλ€. μ΄λμ tail probabilityλ
\[P(60X > x) = P(X > x/60) = e^{- x/60}\]λ°λΌμ, $60X \sim \text{EXP}(1/60)$μ΄ λλ€. μ΄κ²μ $60X$μμ $\lambda$κ° $\lambda = 1/60$μ΄ λ¨μ μλ―Ένλ€. μ΄λ, $\lambda$λ Poisson Processμ parameterλ‘, Time Unit λΉ λμ°©νλ λ²μ€μ μλ₯Ό λͺ¨λΈλ§νλ€. λ°λΌμ 1μ΄ λΉ νκ· μ μΌλ‘ 1/60 λμ λ²μ€κ° λμ°©ν¨μ μλ―Ένλ€. μ΄κ²μ $\beta = 1 / \lambda$λ‘ ν΄μνλ©΄, λ²μ€κ° νλ² λμ°©νλ μκ°μ΄ νκ· μ μΌλ‘ 60μ΄κ° λ¨μ μλ―Ένλ€!
λ λμκ°κΈ°
Duality: Exponential Distribution and Poisson Process
νΈμμ‘ κ³Όμ μμ μ°μμ μΈ λ μ¬κ±΄ μ¬μ΄μ κ°κ²©μ μ§μ λΆν¬λ₯Ό λ°λ¦ λλ€. λ΄μ©μ΄ κΈΈμ΄μ Έμ λ³λ ν¬μ€νΈλ‘ λΆλ¦¬νμμ΅λλ€ γ γ
π Duality: Exponential Distribution and Poisson Process
Duality: Exponential Distribution and Geometric Distribution
μ°μνλ₯ λΆν¬μΈ μ§μ λΆν¬λ μ΄μ°νλ₯ λΆν¬μΈ κΈ°ν λΆν¬μμ μν κ°κ²©μ κ·ΉνμΌλ‘ μ€μΈ λ²μ μ λλ€. μ΄κ²λ λ΄μ©μ΄ κΈΈμ΄μ Έμ λ³λ ν¬μ€νΈλ‘ λΆλ¦¬νμμ΅λλ€ γ γ
π Duality: Exponential Distribution and Geometric Distribution
λ§Ίμλ§
μ΄μ΄μ§λ ν¬μ€νΈμμλ μ°μ νλ₯ λΆν¬μμ <μ κ· λΆν¬>λ§νΌμ΄λ μ€μν λΆν¬μΈ <κ°λ§ λΆν¬; Gamma Distribution>μ λν΄ μ΄ν΄ λ³΄κ² μ΅λλ€ π€©
π Gamma Distribution