Zależność między rozkładem Poissona a rozkładem wykładniczym


72

Czasy oczekiwania na rozkład Poissona są rozkładem wykładniczym z parametrem lambda. Ale ja tego nie rozumiem. Na przykład Poisson modeluje liczbę przyjazdów na jednostkę czasu. Jak to się ma do rozkładu wykładniczego? Powiedzmy, że prawdopodobieństwo przybycia k w jednostce czasu wynosi P (k) (modelowane przez Poissona), a prawdopodobieństwo k + 1 to P (k + 1), w jaki sposób rozkład wykładniczy modeluje czas oczekiwania między nimi?


3
Rozkład Poissona nie ma czasów oczekiwania. Są własnością procesu Poissona.
Glen_b

Zobacz także tutaj , lepsze wyjaśnienie różnicy między tymi dwiema dystrybucjami.
Belter,

Odpowiedzi:


73

Użyję następującego zapisu, aby zachować jak największą spójność z wiki (na wypadek, gdybyś chciał przechodzić między moją odpowiedzią a definicjami wiki dla poissona i wykładniczego ).

Nt : liczba przylotów w okresiet

Xt : czas potrzebny na przybycie jednego dodatkowego przybycia przy założeniu, że ktoś przybył w czasiet

Z definicji następujące warunki są równoważne:

(Xt>x)(Nt=Nt+x)

Zdarzenie po lewej przechwytuje zdarzenie, że nikt nie przybył w przedziale czasowym co oznacza, że ​​nasza liczba przylotów w czasie jest identyczna z liczbą w chwili która jest wydarzenie po prawej stronie.[t,t+x]t+xt

Zgodnie z zasadą dopełniania mamy również:

P(Xtx)=1P(Xt>x)

Używając równoważności dwóch zdarzeń, które opisaliśmy powyżej, możemy ponownie napisać powyższe jako:

P(Xtx)=1P(Nt+xNt=0)

Ale,

P(Nt+xNt=0)=P(Nx=0)

Używając poissona pmf powyższego, gdzie jest średnią liczbą przylotów na jednostkę czasu, a ilość jednostek czasu, upraszcza:λx

P(Nt+xNt=0)=(λx)00!eλx

to znaczy

P(Nt+xNt=0)=eλx

Podstawiając się w naszym oryginalnym eqn, mamy:

P(Xtx)=1eλx

Powyżej jest format pdf wykładniczego pliku pdf.


7
Ok, to wyjaśnia. Wykładniczy pdf może służyć do modelowania czasów oczekiwania między dowolnymi dwoma kolejnymi trafieniami Poissona, podczas gdy Poisson modeluje prawdopodobieństwo liczby trafień. Poisson jest dyskretny, a wykładniczy jest rozkładem ciągłym. Byłoby ciekawie zobaczyć przykład z prawdziwego życia, w którym obaj wchodzą w grę w tym samym czasie.
user862,

1
Co? czy jest momentem czy okresem czasu? t
CodyBugstein

2
Zauważ, że rozkład Poissona nie oznacza automatycznie wykładniczego pdf dla czasów oczekiwania między zdarzeniami. Dotyczy to tylko sytuacji, w których wiesz, że proces poissona działa. Ale musisz udowodnić istnienie rozkładu Poissona ORAZ istnienie wykładniczego pliku pdf, aby pokazać, że proces Poissona jest odpowiednim modelem!
Jan Rothkegel,

@CodyBugstein Oba: są one wymienne w tym kontekście. Przyjazdy są od siebie niezależne, co oznacza, że ​​nie ma znaczenia przesunięcie czasu. Okres od czasu 0do czasu tjest równoważny każdemu okresowi długości t.
Chiel ten Brinke

@ user862: Jest to dokładnie analogiczne do związku między częstotliwością a długością fali. Dłuższa długość fali; niższa częstotliwość analogiczna do: dłuższego czasu oczekiwania; niższe spodziewane przyjazdy.
DWin

38

W przypadku procesu Poissona trafienia występują losowo niezależnie od przeszłości, ale ze znaną długoterminową średnią częstotliwością trafień na jednostkę czasu. Rozkład Poissona pozwoliłby nam znaleźć prawdopodobieństwo uzyskania określonej liczby trafień.λ

Teraz zamiast patrzeć na liczbę trafień, patrzymy na losową zmienną (dla Lifetime), czas, w którym musisz czekać na pierwsze trafienie.L

Prawdopodobieństwo, że czas oczekiwania jest dłuższy niż podana wartość czasu, to (według rozkładu Poissona, gdzie ).P(L>t)=P(no hits in time t)=Λ0eΛ0!=eλtΛ=λt

P(Lt)=1eλt (funkcja rozkładu skumulowanego). Możemy uzyskać funkcję gęstości, biorąc pochodną tego:

f(t)={λeλtfor t00for t<0

Każda zmienna losowa, która ma taką funkcję gęstości, jest rozkładana wykładniczo.


2
Podobało mi się wyjaśnienie (brak trafień w czasie t) . To miało dla mnie sens. P(L>t)=P
user1603548

1
Kolejny punkt, 1 jednostka czasu ma trafień, więc jednostek czas ma trafień. t λ tλtλt
Belter

5

Pozostałe odpowiedzi dobrze wyjaśniają matematykę. Myślę, że warto rozważyć fizyczny przykład. Kiedy myślę o procesie Poissona, zawsze wracam do idei przejeżdżających samochodów. Lambda to średnia liczba samochodów, które przejeżdżają w jednostce czasu, powiedzmy 60 / godzinę (lambda = 60). Wiemy jednak, że faktyczna liczba będzie się różnić - o kilka dni dłużej, a kilka dni krócej. Rozkład Poissona pozwala nam modelować tę zmienność.

Obecnie średnio 60 samochodów na godzinę to średnio 1 samochód przejeżdżający w każdej minucie. Znów wiemy jednak, że między przyjazdami będzie istniała zmienność: czasami więcej niż 1 minuta; innym razem mniej. Rozkład wykładniczy pozwala nam modelować tę zmienność.

To powiedziawszy, samochody przejeżdżające po drodze nie zawsze będą podlegały procesowi Poissona. Na przykład, jeśli tuż za rogiem jest sygnał drogowy, przyjazdy będą grupowane zamiast stałych. Na otwartej autostradzie powolna przyczepa ciągnikowa może utrzymywać długą linię samochodów, co ponownie powoduje pękanie. W takich przypadkach rozkład Poissona może nadal działać dobrze przez dłuższy czas, ale wykładniczy nie powiedzie się źle w modelowaniu czasów przyjazdu.

Należy również zauważyć, że istnieje ogromna zmienność w zależności od pory dnia: bardziej zajęty w czasie dojazdów do pracy; znacznie wolniej o 3 nad ranem. Upewnij się, że lambda odzwierciedla konkretny okres, który rozważasz.


4

Rozkład Poissona jest zwykle uzyskiwany z rozkładu dwumianowego (oba dyskretne). Znajdziesz to na Wiki.

Jednak rozkład Poissona (dyskretny) można również wyprowadzić z rozkładu wykładniczego (ciągły).

Dodałem dowód na Wiki (link poniżej):

https://en.wikipedia.org/wiki/Talk:Poisson_distribution/Archive_1#Derivation_of_the_Poisson_Distribution_from_the_Exponential_Distribution


dzięki temu połączenie między dyskretnym a ciągłym nie było oczywiste!
jspacek
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.