Duality: Exponential Distribution and Geometric 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
Memoryless Property
μ΄λ€ νλ₯ λΆν¬κ° Memoryless Property(κΈ°μ΅ μμ μ±μ§)λ₯Ό κ°μ§λ€λ©΄, λ€μ 쑰건μ λ§μ‘±ν©λλ€.
\[P(X > a + t \mid X > a) = P(X > t)\]μ΄λ βμ΄λ―Έ $a$λ§νΌ μκ°μ΄ μ§λ¬λλΌλ λ¨μ μκ° $t$ λμ μ¬κ±΄μ΄ λ°μνμ§ μμ νλ₯ μ μ²μλΆν° $t$ μκ° λ§νΌ κΈ°λ€λ¦΄ λμ λμΌνλ€βλ μλ―Έμ λλ€. μ¦, νμ¬κΉμ§ μΌλ§λ κΈ°λ€λ Έλμ§μ κ΄κ³μμ΄ λ¨μ λκΈ° μκ°μ΄ λμΌν νλ₯ λΆν¬λ₯Ό λ°λ₯Έλ€λ νΉμ§μ κ°μ§λλ€.
μ§μ λΆν¬(Exponential Distribution)κ° μμ Memoryless Propertyλ₯Ό λ§μ‘±νλμ§ νμΈν΄ λ΄ μλ€.
\[\begin{aligned} P(X > a + t \mid X > a) &= \frac{P(X > a + t)}{P(X > a)} \\ &= \frac{e^{-\lambda (a+t)}}{e^{-\lambda a}} \\ &= e^{-\lambda t} = P(X > t) \end{aligned}\]λ°λΌμ, μ§μ λΆν¬(Exponential Distribution)λ Memoryless Propertyλ₯Ό κ°μ§λλ€! π
Example
μ΄λ€ μ ꡬμ μλͺ μ΄ μ§μ λΆν¬λ₯Ό λ°λ₯Έλ€κ³ ν©λλ€. μ¦, μ κ΅¬κ° μΈμ κ³ μ₯λ μ§λ μμ ν λλ€μ΄κ³ , νκ· μ μΌλ‘ $1/\lambda$ μκ°λ§λ€ κ³ μ₯ λλ€κ³ ν©λλ€.
μ§κΈκΉμ§ 100μκ° λμ μ κ΅¬κ° κ³ μ₯λμ§ μμλ€κ³ ν©λλ€. κ·ΈλΌ μ§κΈλΆν° $t$μκ° λ μ κ΅¬κ° μ§μν μ§λ
- βμ΄ μ ꡬλ μ΄λ―Έ 100μκ°μ΄λ λ²ν ΌμΌλκΉ μμΌλ‘λ νμ°Έ λ λ²ν°κ² μ§?β β (μ΄κ±΄ νλ¦° μκ°!)
- βμ΄ μ ꡬλ μ²μ μμ λλ λκ°μ νλ₯ λ‘ μμΌλ‘λ κ³ μ₯μ΄ λ κ±°μΌ.β β (μ΄κ² λ§λ μκ°!)
Relationship with Geometric Distribution
μ°λ¦¬λ μ΄λ€ μ¬κ±΄μ΄ μ²μμΌλ‘ λ°μνλ μν νμ $X$λ₯Ό λͺ¨λΈλ§ν Geometric Distributionμ μ΄ν΄λ³Έ μ μ΄ μμ΅λλ€.
κΈ°ν λΆν¬ μμ Memoryless Propertyλ₯Ό λ§μ‘±ν©λλ€. μ¦, μ΄λ―Έ λͺ λ²μ μνμ΄ μ§νλμλ μκ΄μμ΄, μμΌλ‘ μ¬κ±΄μ΄ μ²μ λ°μνκΈ°κΉμ§ 걸리λ μν νμμ νλ₯ μ νμ λμΌν©λλ€. λλκ²λ, κΈ°ν λΆν¬μμ μ§μ λΆν¬μ Memoryless μ±μ§μ μ λν μλ μμ΅λλ€!
νλ₯ λ³μ $X_n$μ βκ° μν κ°κ²©μ΄ $1/n$μ΄μΌ λ, λ²μ€κ° μ²μ λμ°©ν λκΉμ§ κ±Έλ¦° μν νμβλΌκ³ μ μν©μλ€. μ¦, 맀 $1/n$μ΄λ§λ€ λ²μ€κ° λμ°©νλμ§ νμΈνλ©°, $X_n$μ μ²μμΌλ‘ λ²μ€λ₯Ό λ°κ²¬νκΈ°κΉμ§μ μν νμλ₯Ό λνλ λλ€. λν, $X$λ₯Ό βλ²μ€κ° μ²μ λμ°©ν λκΉμ§ κ±Έλ¦° μ€μ μκ°βμ΄λΌκ³ μ μν©λλ€.
μ¦, $X_n$μ΄ ν λ² μ¦κ°ν λλ§λ€ μ€μ μκ° $X$λ $1/n$μ΄μ© μ¦κ°νλ―λ‘,
\[X = \frac{X_n}{n}\]κ° λ©λλ€. μ΄λ₯Ό λΉλ‘μμΌλ‘ νννλ©΄ λ€μκ³Ό κ°μ΅λλ€.
\[X_n : X = 1 : \frac{1}{n}\]μ¦, $X_n$μ μν νμλ₯Ό λνλ΄λ μ΄μ° νλ₯ λ³μμ΄λ©°, $X$λ μ°μμ μΈ μκ° λ³μμ λλ€. μ΄μ $X_n$μ΄ μ΄λ€ νλ₯ λΆν¬λ₯Ό λ°λ₯΄λμ§ μ΄ν΄λ΄ μλ€.
$X_n$λ κΈ°ν λΆν¬(Geometric Distribution)λ₯Ό λ°λ₯΄λ νλ₯ λ³μ μ λλ€.
\[X_n \sim \text{Geo}(p_n)\]μ¬κΈ°μ $p_n$μ 맀 μν(μ¦, $1/n$μ΄λ§λ€) λ²μ€κ° λμ°©ν νλ₯ μ μλ―Έν©λλ€. μ΄λ, $n$μ μΆ©λΆν ν¬κ² λ§λ€λ©΄, μ¦ μν κ°κ²©μ λ§€μ° μ§§κ² νλ©΄, μ΄μ°μ μΈ κΈ°ν λΆν¬κ° μ°μμ μΈ μ§μ λΆν¬λ‘ μλ ΄ν κ²μμ κΈ°λν μ μμ΅λλ€.
μ΄μ μ΄ κ³Όμ μ μμμ μΌλ‘ μ λ¦¬ν΄ λ΄ μλ€.
- $X_n$μ΄ κΈ°ν λΆν¬λ₯Ό λ°λ₯Έλ€λ©΄, $X_n \sim \text{Geo}(p)$.
- κΈ°λκ°μ $E[X_n] = 1/p$μ΄λ―λ‘, μ΅μ΄μ λ²μ€κ° λμ°©νλ κ±Έ νμΈνκΈ° μν΄ νκ· μ μΌλ‘ $1/p$λ² νμΈμ ν©λλ€.
- μ΄λ₯Ό μκ° $X$μ κ΄μ μμ 보면, νκ· μ μΌλ‘ $\frac{1}{p} \cdot \frac{1}{n} = 1/(np)$μ΄κ° 걸립λλ€.
μ¦,
\[\beta = \frac{1}{np}, \quad \lambda = np\]λ°λΌμ,
\[X_n \sim \text{Geo}\left( \frac{\lambda}{n} \right)\]μ΄μ $X$μ tail probability $P(X > x)$λ₯Ό μ λν΄ λ΄ μλ€.
\[P(X > x) = P\left(\frac{X_n}{n} > x\right)\]μ΄κ²μ 맨 μ²μμ μΈμ΄ λΉλ‘μμ μν΄ μ±λ¦½ν©λλ€.
\[\begin{aligned} P(X > x) &= P\left(\frac{X_n}{n} > x\right) \\ &= P(X_n > nx) \\ &= \left( 1 - \frac{\lambda}{n}\right)^{nx} \\ &= e^{-\lambda x} \quad \text{as } n \rightarrow \infty \end{aligned}\]Tail Probability $P(X > x)$μμ CDF $P(X \le x)$λ₯Ό μ λνλ©΄ μλμ κ°μ΅λλ€.
\[P(X \le x) = 1 - P(X > x) = 1 - e^{-\lambda x}\]CDFλ₯Ό λ―ΈλΆνλ©΄ PDFλ₯Ό μ»μ μ μμ΅λλ€.
\[f_X(x) = \lambda \cdot e^{-\lambda x}\]μ¦, κΈ°ν λΆν¬μμ κ·Ήνμ μ·¨νλ©΄ μ§μ λΆν¬κ° μ λλ©λλ€! π
λ§Ίμλ§
- βμ§μ λΆν¬βλ βκΈ°ν λΆν¬βμ κ·Ήν λ²μ μ λλ€. κΈ°ν λΆν¬μμ trialμ μννλ μκ° κ°κ²© $1/n$μ΄ 0μ κ°κΉμμ§λ€λ©΄, κΈ°ν λΆν¬λ μ§μ λΆν¬λ₯Ό λ°λ₯΄κ² λ©λλ€.
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€!