Relación entre poisson y distribución exponencial

72

Los tiempos de espera para la distribución de Poisson es una distribución exponencial con parámetro lambda. Pero no lo entiendo. Poisson modela el número de llegadas por unidad de tiempo, por ejemplo. ¿Cómo se relaciona esto con la distribución exponencial? Digamos que la probabilidad de que k llegue en una unidad de tiempo es P (k) (modelada por Poisson) y la probabilidad de k + 1 es P (k + 1), ¿cómo modela la distribución exponencial el tiempo de espera entre ellos?

usuario862
fuente
3
Una distribución de Poisson no tiene tiempos de espera. Esas son propiedad de un proceso de Poisson.
Glen_b
También vea aquí , una mejor explicación sobre la diferencia entre estas dos distribuciones.
Belter

Respuestas:

73

Usaré la siguiente notación para ser lo más coherente posible con el wiki (en caso de que quiera ir y venir entre mi respuesta y las definiciones de wiki para el poisson y exponencial ).

Nt : el número de llegadas durante el período de tiempot

Xt : el tiempo que tarda una llegada adicional en llegar, suponiendo que alguien haya llegado a la horat

Por definición, las siguientes condiciones son equivalentes:

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

El evento de la izquierda captura el evento de que nadie ha llegado en el intervalo de tiempo que implica que nuestro recuento del número de llegadas en el tiempo es idéntico al recuento en el tiempo que es el evento a la derecha.[t,t+x]t+xt

Por la regla del complemento, también tenemos:

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

Usando la equivalencia de los dos eventos que describimos anteriormente, podemos reescribir lo anterior como:

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

Pero,

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

Usando el poisson pmf lo anterior donde es el número promedio de llegadas por unidad de tiempo una cantidad de unidades de tiempo, se simplifica a:λx

P(Nt+xNt=0)=(λx)00!eλx

es decir

P(Nt+xNt=0)=eλx

Sustituyendo en nuestra ecuación original, tenemos:

P(Xtx)=1eλx

Lo anterior es el cdf de un pdf exponencial.

Polilla
fuente
77
Ok, esto lo deja claro. El pdf exponencial se puede utilizar para modelar los tiempos de espera entre dos hits poisson sucesivos, mientras que poisson modela la probabilidad de número de hits. Poisson es discreto, mientras que exponencial es la distribución continua. Sería interesante ver un ejemplo de la vida real donde los dos entran en juego al mismo tiempo.
user862
1
¿Eh? ¿Es un momento en el tiempo o un período de tiempo? t
CodyBugstein
2
Tenga en cuenta que una distribución de Poisson no implica automáticamente un pdf exponencial para los tiempos de espera entre eventos. Esto solo da cuenta de situaciones en las que sabe que un proceso de Poisson está funcionando. ¡Pero necesitaría demostrar la existencia de la distribución de Poisson Y la existencia de un pdf exponencial para demostrar que un proceso de Poisson es un modelo adecuado!
Jan Rothkegel el
@CodyBugstein Ambos: son intercambiables en este contexto. Las llegadas son independientes entre sí, lo que significa que no importa cuál sea el desplazamiento del tiempo. El período de tiempo 0hasta el tiempo tes equivalente a cualquier período de tiempo de duración t.
Chiel ten Brinke
@ user862: es exactamente análogo a la relación entre frecuencia y longitud de onda. Longitud de onda más larga; frecuencia inferior análoga a: mayor tiempo de espera; menores llegadas esperadas.
DWin
38

λ

L

P(L>t)=P(no hits in time t)=Λ0eΛ0!=eλtΛ=λt

P(Lt)=1eλt

f(t)={λeλtfor t00for t<0

Se dice que cualquier variable aleatoria que tenga una función de densidad como esta se distribuye exponencialmente.

George Dontas
fuente
2
P(L>t)=P
1
λtλt
5

Las otras respuestas hacen un buen trabajo al explicar las matemáticas. Creo que ayuda considerar un ejemplo físico. Cuando pienso en un proceso de Poisson, siempre vuelvo a la idea de que los automóviles pasan por una carretera. Lambda es el número promedio de autos que pasan por unidad de tiempo, digamos 60 / hora (lambda = 60). Sin embargo, sabemos que el número real variará: algunos días más, otros días menos. La distribución de Poisson nos permite modelar esta variabilidad.

Ahora, un promedio de 60 automóviles por hora equivale a un promedio de 1 automóvil que pasa por minuto. Sin embargo, una vez más, sabemos que habrá una variabilidad en la cantidad de tiempo entre llegadas: a veces más de 1 minuto; otras veces menos La distribución exponencial nos permite modelar esta variabilidad.

Dicho todo esto, los autos que pasan por una carretera no siempre seguirán un Proceso de Poisson. Si hay una señal de tráfico a la vuelta de la esquina, por ejemplo, las llegadas se agruparán en lugar de ser constantes. En una carretera abierta, un tractor-remolque lento puede sostener una larga fila de automóviles, causando nuevamente agrupamiento. En estos casos, la distribución de Poisson puede funcionar bien durante períodos de tiempo más largos, pero la exponencial fallará gravemente en el modelado de los tiempos de llegada.

Tenga en cuenta también que existe una gran variabilidad en función de la hora del día: más ocupada durante los tiempos de desplazamiento; mucho más lento a las 3am. Asegúrese de que su lambda refleje el período de tiempo específico que está considerando.

user2024015
fuente
4

La distribución de Poisson se deriva normalmente de la distribución binomial (ambas discretas). Esto lo encontrarás en Wiki.

Sin embargo, la distribución de Poisson (discreta) también puede derivarse de la Distribución exponencial (continua).

He agregado la prueba a Wiki (enlace a continuación):

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

Stuart Winter
fuente
La conexión entre discreto y continuo no era obvia, ¡gracias por esto!
jspacek