Zusammenhang zwischen Poisson und Exponentialverteilung

72

Die Wartezeiten für die Poissonverteilung sind eine Exponentialverteilung mit dem Parameter Lambda. Aber ich verstehe es nicht. Poisson modelliert beispielsweise die Anzahl der Ankünfte pro Zeiteinheit. In welcher Beziehung steht dies zur Exponentialverteilung? Nehmen wir an, die Wahrscheinlichkeit von k Ankünften in einer Zeiteinheit ist P (k) (modelliert durch Poisson) und die Wahrscheinlichkeit von k + 1 ist P (k + 1). Wie modelliert die Exponentialverteilung die Wartezeit zwischen ihnen?

user862
quelle
3
Eine Poisson- Distribution hat keine Wartezeiten. Diese sind eine Eigenschaft eines Poisson-Prozesses.
Glen_b
Siehe auch hier , um den Unterschied zwischen diesen beiden Verteilungen besser zu erklären.
Belter

Antworten:

73

Ich werde die folgende Notation verwenden, um mit dem Wiki so konsistent wie möglich zu sein (falls Sie zwischen meiner Antwort und den Wiki-Definitionen für Poisson und Exponential hin und her gehen möchten .)

Nt : Die Anzahl der Ankünfte während des Zeitraumst

Xt : Die Zeit, die eine weitere Ankunft benötigt, vorausgesetzt, dass jemand zur Zeit angekommen istt

Per Definition sind die folgenden Bedingungen äquivalent:

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

Das Ereignis auf der linken Seite erfasst das Ereignis, dass niemand in dem Zeitintervall angekommen ist was impliziert, dass unsere Zählung der Anzahl von Ankünften zum Zeitpunkt identisch ist mit der Zählung zum Zeitpunkt das ist Veranstaltung auf der rechten Seite.[t,t+x]t+xt

Nach der Ergänzungsregel haben wir auch:

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

Unter Verwendung der Äquivalenz der beiden oben beschriebenen Ereignisse können wir das Obige wie folgt umschreiben:

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

Aber,

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

Die Verwendung des oben genannten Poisson pmf, bei dem die durchschnittliche Anzahl der Ankünfte pro Zeiteinheit und eine Anzahl von Zeiteinheiten ist, vereinfacht Folgendes:λx

P(Nt+xNt=0)=(λx)00!eλx

dh

P(Nt+xNt=0)=eλx

Ersetzt man unsere ursprüngliche Gleichung, so haben wir:

P(Xtx)=1eλx

Das obige ist das cdf eines exponentiellen pdf.

Motte
quelle
7
Ok das macht es klar. Exponentielle PDF-Dateien können verwendet werden, um Wartezeiten zwischen zwei aufeinanderfolgenden Poisson-Treffern zu modellieren, während Poisson die Wahrscheinlichkeit der Trefferanzahl modelliert. Poisson ist diskret, während Exponential eine kontinuierliche Verteilung ist. Es wäre interessant, ein reales Beispiel zu sehen, bei dem die beiden gleichzeitig ins Spiel kommen.
User862
1
Huh? ist ein Moment in der Zeit oder ein Zeitraum von Zeit? t
CodyBugstein
2
Beachten Sie, dass eine Poisson-Verteilung nicht automatisch eine exponentielle PDF-Datei für Wartezeiten zwischen Ereignissen impliziert. Dies gilt nur für Situationen, in denen Sie wissen, dass ein Giftprozess abläuft. Sie müssen jedoch die Existenz der Poisson-Verteilung UND die Existenz eines exponentiellen PDF-Dokuments nachweisen, um zu zeigen, dass ein Poisson-Prozess ein geeignetes Modell ist!
Jan Rothkegel,
@CodyBugstein Beide: Sie sind in diesem Zusammenhang austauschbar. Die Ankünfte sind unabhängig voneinander, was bedeutet, dass der Zeitversatz keine Rolle spielt. Der Zeitraum von Zeit 0bis Zeit tentspricht einem beliebigen Zeitraum t.
Chiel ten Brinke
@ user862: Es ist genau analog zu der Beziehung zwischen Frequenz und Wellenlänge. Längere Wellenlänge; niedrigere Frequenz analog zu: längere Wartezeit; niedrigere erwartete Ankünfte.
DWin
38

Bei einem Poisson-Prozess treten Treffer unabhängig von der Vergangenheit zufällig auf, jedoch mit einer bekannten langfristigen Durchschnittsrate der Treffer pro Zeiteinheit. Die Poisson-Verteilung würde uns die Wahrscheinlichkeit ermitteln lassen, eine bestimmte Anzahl von Treffern zu erhalten.λ

Anstatt nun die Anzahl der Treffer zu betrachten, betrachten wir die Zufallsvariable (für die Lebensdauer), die Zeit, die Sie auf den ersten Treffer warten müssen.L

Die Wahrscheinlichkeit, dass die Wartezeit größer als ein gegebener Zeitwert ist, ist (durch die Poisson-Verteilung, wobei ).P(L>t)=P(no hits in time t)=Λ0eΛ0!=eλtΛ=λt

P(Lt)=1eλt (die kumulative Verteilungsfunktion). Wir können die Dichtefunktion erhalten, indem wir die Ableitung hiervon nehmen:

f(t)={λeλtfor t00for t<0

Jede Zufallsvariable mit einer solchen Dichtefunktion wird als exponentiell verteilt bezeichnet.

George Dontas
quelle
2
Mir hat die Erklärung (keine Treffer in der Zeit t) gefallen. Das ergab für mich Sinn. P(L>t)=P
user1603548
1
Ein weiterer Punkt, 1 Zeiteinheit hat Treffer, also haben Zeiteinheiten Treffer. t λ tλtλt
Belter
5

Die anderen Antworten erklären die Mathematik sehr gut. Ich denke, es hilft, ein physikalisches Beispiel zu betrachten. Wenn ich an einen Poisson-Prozess denke, komme ich immer wieder auf die Idee zurück, dass Autos auf einer Straße fahren. Lambda ist die durchschnittliche Anzahl von Autos, die pro Zeiteinheit verkehren, sagen wir 60 pro Stunde (Lambda = 60). Wir wissen jedoch, dass die tatsächliche Anzahl variieren wird - einige Tage mehr, einige Tage weniger. Mit der Poisson-Verteilung können wir diese Variabilität modellieren.

Mittlerweile entsprechen durchschnittlich 60 Autos pro Stunde einem Auto, das pro Minute vorbeifährt. Wir wissen jedoch auch hier, dass die Zeitspanne zwischen den Ankunftsterminen unterschiedlich sein wird: Manchmal länger als 1 Minute; andere Male weniger. Mit der Exponentialverteilung können wir diese Variabilität modellieren.

Abgesehen davon folgen vorbeifahrende Autos nicht immer einem Poisson-Prozess. Wenn es zum Beispiel eine Ampel gleich um die Ecke gibt, werden die Ankünfte gebündelt statt stetig. Auf einer offenen Autobahn kann ein langsamer Sattelzug eine lange Reihe von Autos halten, was wiederum ein Zusammenballen verursacht. In diesen Fällen funktioniert die Poisson-Verteilung möglicherweise für längere Zeiträume noch in Ordnung, aber die Exponentialfunktion schlägt bei der Modellierung der Ankunftszeiten schwer fehl.

Beachten Sie auch, dass es eine enorme Variabilität in Abhängigkeit von der Tageszeit gibt. viel langsamer um 3 Uhr morgens. Stellen Sie sicher, dass Ihr Lambda den von Ihnen in Betracht gezogenen Zeitraum widerspiegelt.

user2024015
quelle
4

Die Poisson-Verteilung wird normalerweise von der Binomialverteilung abgeleitet (beide diskret). Dies finden Sie im Wiki.

Die Poisson-Verteilung (diskret) kann jedoch auch aus der Exponentialverteilung (stetig) abgeleitet werden.

Ich habe den Proof zum Wiki hinzugefügt (Link unten):

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

Stuart Winter
quelle
Die Verbindung zwischen diskret und kontinuierlich war nicht offensichtlich, danke dafür!
JSpacek