Duality: Exponential Distribution and Poisson Process
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©°
βμ§μ λΆν¬(Exponential Distribution)βμ λν ν¬μ€νΈμμ μ΄μ΄μ§λ λ΄μ© μ λλ€.
μ²μμ Waiting Timeμ λν λΆν¬λ₯Ό λ μ¬λ¦¬λ©° μ§μ λΆν¬ $\text{EXP}(\beta)$λ₯Ό λ μ¬λ Έκ³ , λ¨μ μκ°λΉ μ΄λ²€νΈ λ°μ νμ(Event Rate)μ λν λΆν¬λ₯Ό λ μ¬λ¦¬λ©° νΈμμ‘ λΆν¬ $\text{POI}(\lambda)$λ₯Ό λ μ¬λ Έμ΅λλ€. κ·Έλ°λ°, μ΄ λ λΆν¬λ μλ‘ μλμ±(Duality)λ₯Ό κ°κ³ μμ΅λλ€.
Duality with Poisson Distribution
νκ· λκΈ° μκ° $\beta$λ μ¬κ±΄μ΄ ν λ² λ°μνκΈ°κΉμ§ 걸리λ νκ· μκ°μ μλ―Έν©λλ€. μλ₯Ό λ€μ΄, 5λΆμ ν λμ© μ§νμ² μ΄ λμ°©νλ€λ©΄, $\beta = 5$μ λλ€. μ΄λ₯Ό βλ¨μ μκ°λΉ νκ· λ°μ νμ(event rate)βλ‘ λ³ννλ©΄, 1λΆλΉ νκ· 0.2λμ μ΄μ°¨κ° λμ°©νκ² λ©λλ€. μ¦, $\lambda = 0.2$μ΄λ©°, μ΄λ $\lambda = \frac{1}{\beta}$λ‘ λνλΌ μ μμ΅λλ€.
\[\beta = \frac{1}{\lambda} \quad \text{and} \quad \frac{1}{\beta} = \lambda\]μ΄κ²μ $\beta$μ $\lambda$ λμ€ νλλ§ μλ©΄ λ€λ₯Έ νλΌλ―Έν°μ κ°μ μμ°μ€λ½κ² μ μ μλ€λ κ²μ΄μ£ .
κ·Έλμ μ§μ λΆν¬λ₯Ό μλμ κ°μ΄ μ μν μλ μμ΅λλ€.
\[\text{EXP}(1/\lambda): P(X = x) = \lambda \cdot e^{-\lambda x}\]κ·Έλ¦¬κ³ νΈμμ‘ λΆν¬λ μ΄λ κ² μ μν μλ μμ΅λλ€.
\[\text{POI}(1/\beta): P(X = x) = \frac{(1/\beta)^x \cdot e^{-1/\beta}}{x!}\]보면 μ§μ λΆν¬ $\text{EXP}(1/\lambda)$λ λΆμμ νν $1/\beta$κ° μμ΄μ§λ©΄μ μμ΄ κ½€ κΉλν΄μ‘λλ°, $\text{POI}(1/\beta)$λ μμ΄ μμ£Ό κ΄΄λν΄μ‘μ΅λλ€. κ·Έλμ μμ λ κ΅μλμ $\text{EXP}(\lambda)$μΌλ‘ νκΈ°νκΈ°λ νμ ¨λλ°μ. $\lambda$κ° Event Rateμ λν κ²μ΄λ€λΌλ λͺ νν ν©μμ νκΈ°λ§ μλ€λ©΄ μ΄λ κ² μ¨λ λ κ² κ°μ΅λλ€.
λ€λ§, βExponential Distributionμ λκΈ° μκ°μ λν λΆν¬λ€!βλΌλ μ¬μ€μ μ§κ΄μ μΌλ‘ λ°μλ€μ΄κ³ μΆμ΄μ μ μ ν¬μ€νΈμμλ $\text{EXP}(\beta)$λ₯Ό νμ€μΌλ‘ μ°κ³ , $\lambda$κ° μ£Όμ΄μ§ κ²½μ°λΌλ©΄ $\text{EXP}(\beta = 1/\lambda)$ μ΄λ κ² μ λλ‘ νκ² μ΅λλ€.
Relationship with Poisson Process
νΈμμ‘ κ³Όμ (Poisson Process) ${ N(t) }$λ $t$μκ° λμ λ°μν μ΄ μ¬κ±΄μ κ°μμ λν λͺ¨λΈλ§ μ λλ€. μ΄λ, νΉμ μμ $t$μμμ $N(t)$λ ν¬μμ‘ λΆν¬λ₯Ό λ°λ¦ λλ€. μ¦,
\[N(t) \sim \text{POI}(\lambda t)\]μ¬κΈ°μ $\lambda$λ λ¨μ μκ°λΉ νκ· μ¬κ±΄ λ°μ νμμ΄λ©°, λ°λΌμ $t$μκ° λμμ μ΄ λ°μ νμλ νκ· μ μΌλ‘ $\lambda t$κ° λ©λλ€. νΈμμ‘ κ³Όμ μ λν΄μλ λ³λ ν¬μ€νΈμμ μμΈν μ 리ν κ²μ΄ μμ΅λλ€.
첫 λ²μ§Έ μ¬κ±΄μ΄ λ°μν λκΉμ§ κ±Έλ¦° μκ°
νΈμμ‘ κ³Όμ μμ βμ΄λ€ μ¬κ±΄μ΄ μ²μ λ°μνκΈ°κΉμ§ 걸리λ μκ°βμ μκ°ν΄ λ΄ μλ€. μ°λ¦¬λ μ¬κ±΄μ΄ λ°μνλ μ νν μκ°μ μ μ μμΌλ©°, μ¬κ±΄μ νλ₯ μ μΌλ‘ μΌμ΄λλ―λ‘, μ΄ μκ°μ νλ₯ λ³μ(Random Variable) $T$λ‘ μ μν©μλ€.
μ΄μ β첫 λ²μ§Έ μ¬κ±΄μ΄ $t$μκ° μ΄νμ λ°μν νλ₯ βμ κ΅¬ν΄ λ΄ μλ€. 첫 λ²μ§Έ μ¬κ±΄μ΄ $t$ μ΄νμ λ°μνλ €λ©΄, μ¦ $T > t$μ΄λ €λ©΄, $t$μκ° λμ μλ¬΄λ° μ¬κ±΄λ λ°μνμ§ μμ μνμ¬μΌ ν©λλ€. μ΄λ 곧 νΈμμ‘ κ³Όμ μμ $t$μκ° λμ μ¬κ±΄μ κ°μκ° 0κ°λΌλ μλ―Έμ΄λ―λ‘, λ€μκ³Ό κ°μ΄ ννν μ μμ΅λλ€.
\[P(T > t) = P(N(t) = 0)\]μ°λ¦¬λ μμ§ νλ₯ λ³μ $T$κ° μ΄λ€ λΆν¬λ₯Ό λ°λ₯΄λμ§ λͺ¨λ¦ λλ€. νμ§λ§ $P(T > t)$κ° νΈμμ‘ κ³Όμ μμ $P(N(t) = 0)$κ³Ό κ°λ€λ κ²μ μκ³ μμΌλ©°, νΈμμ‘ λΆν¬μ νλ₯ μ§λ ν¨μ(PMF)λ λ€μκ³Ό κ°μ΅λλ€.
\[P(N(t) = k) = e^{-\lambda t} \frac{(\lambda t)^k}{k!}\]μ¬κΈ°μ $k = 0$μ λμ νλ©΄,
\[P(N(t) = 0) = e^{-\lambda t} \frac{(\lambda t)^0}{0!} = e^{-\lambda t}\]λ°λΌμ,
\[P(T > t) = e^{-\lambda t}\]μ¦, 첫 λ²μ§Έ μ¬κ±΄μ΄ $t$ μ΄νμ λ°μν νλ₯ μ $e^{-\lambda t}$λ‘ λνλΌ μ μμ΅λλ€.
μμμ ꡬν $P(T > t)$λ νλ₯ λ³μ $T$μ 꼬리 νλ₯ (Tail Probability)μ λλ€. μ΄λ₯Ό λμ λΆν¬ ν¨μ(CDF)μ ννλ‘ λ³ννλ©΄,
\[P(T \le t) = 1 - P(T > t) = 1 - e^{-\lambda t}\]μ΄μ CDFλ₯Ό λ―ΈλΆνλ©΄ νλ₯ λ°λ ν¨μ(PDF)λ₯Ό μ»μ μ μμ΅λλ€.
\[f_T(t) = \frac{d}{dt} P(T \le t) = \frac{d}{dt} (1 - e^{-\lambda t}) = \lambda e^{-\lambda t}\]π μ΅μν νν μλκ°μ? λ°λ‘ μ§μ λΆν¬(Exponential Distribution)μ νλ₯ λ°λ ν¨μ(PDF)μ λλ€! π
\[T \sim \text{EXP}(\beta = 1/\lambda) \quad \Rightarrow \quad f_T(t) = \lambda e^{-\lambda t}\]μ¦, μ§μ λΆν¬λ μ΄λ€ μ¬κ±΄μ΄ μ²μ λ°μν λκΉμ§ 걸리λ μκ°μ λν νλ₯ λΆν¬λΌκ³ ν μ μμ΅λλ€!
λ§Ίμλ§
- μ΄λ€ μ¬κ±΄μ λ°μ νμκ° ν¬μμ‘ λΆν¬λ₯Ό λ°λ₯Έλ€λ©΄, μ¬κ±΄ μ¬μ΄μ λκΈ° μκ°μ μ§μ λΆν¬λ₯Ό λ°λ₯΄κ² λλ€. (λλ 첫 μ¬κ±΄μ΄ λ°μνλ λ°κΉμ§ 걸리λ μκ°μ μ§μ λΆν¬λ₯Ό λ°λ₯Έλ€.)
- $\lambda$λ Unit time λμ Eventκ° μΌμ΄λ νκ· νμλ₯Ό μλ―Ένλ€. κ·Έλ¦¬κ³ κ·Έ μμμΈ $\beta$λ ν λ²μ Eventκ° λ°μνλ λ° κ±Έλ¦¬λ νκ· μκ°μ μλ―Ένλ€.
λ³Έ ν¬μ€νΈλ βμ§μ λΆν¬(Exponential Distribution)βμ λν ν¬μ€νΈ λ΄μ©μ΄ κΈΈμ΄μ Έμ λ³λλ‘ λΆλ¦¬ν λ¬Έμ μ λλ€. μ§μ λΆν¬μ κ΄λ ¨λ μ 체 λͺ©λ‘μ μλμμ νμΈν μ μμ΅λλ€!