6.8
Rozkład prawdopodobieństwa Poissona
Rozkład prawdopodobieństwa Poissona jest dyskretnym rozkładem prawdopodobieństwa. Podaje prawdopodobieństwo wystąpienia szeregu zdarzeń w ustalonym pr…
Rozkład Poissona to rodzaj dyskretnego rozkładu prawdopodobieństwa, który ma zastosowanie do wystąpienia zdarzeń w określonym przedziale czasu, takim jak czas, objętość, odległość lub dowolna podobna jednostka.
Weźmy pod uwagę dane dotyczące dziennej sprzedaży samochodów ze średnią trzech dziennie. W tym przypadku rozkład Poissona można wykorzystać do przewidywania stopnia rozrzutu wokół wartości średniej.
Na przykład może przewidzieć prawdopodobieństwo sprzedaży dokładnie 4 samochodów w danym dniu, korzystając ze wzoru na rozkład Poissona. Ta wartość prawdopodobieństwa zależy tylko od średniej, a nie od wcześniejszej historii sprzedaży.
Korzystając z tej samej formuły, wszystkie inne prawdopodobieństwa można obliczyć i wykreślić w celu lepszej reprezentacji wizualnej.
Odchylenie standardowe dla rozkładu Poissona jest określone przez pierwiastek kwadratowy ze średniej.
W przeciwieństwie do rozkładu dwumianowego, na rozkład Poissona wpływa tylko średnia, a nie wielkość próby lub prawdopodobieństwo. Ponadto zmienna losowa w rozkładzie Poissona nie ma górnej granicy.
View the full transcript and gain access to JoVE Core videos
Q1: What types of events can the Poisson distribution model?
The Poisson distribution models discrete events occurring over a specified interval such as time, volume, or distance. It applies when events happen at a known average rate and independently of each other. Examples include daily car sales, misspelled words in a book, or any countable occurrences within a fixed interval where the average rate is known.
Q2: How does the Poisson distribution differ from the binomial probability distribution?
Unlike the binomial probability distribution, the Poisson distribution depends only on the mean and is unaffected by sample size or probability of individual events. The binomial distribution requires a fixed number of trials and constant probability, while Poisson applies to events in a continuous interval with no upper limit on the random variable.
Q3: What formula determines the standard deviation in a Poisson distribution?
The standard deviation of a Poisson distribution equals the square root of the mean. This relationship is unique to Poisson distributions and simplifies calculations since you need only the mean value to determine both the distribution's center and spread around that mean.
Q4: Can you use the Poisson distribution to approximate other probability distributions?
Yes, the Poisson distribution can approximate the binomial probability distribution when the probability of success is small (such as 0.01) and the number of trials is large (such as 1,000). This approximation simplifies calculations when binomial conditions are met but parameters make direct computation difficult.
Q5: Why does the Poisson distribution depend only on the mean?
The Poisson distribution models independent events occurring at a constant average rate within a fixed interval. Since each event is independent and the rate is known, only the mean is needed to describe the probability of any number of occurrences. Previous event history does not influence future probabilities in this model.
Q6: How would you calculate the probability of a specific number of events using Poisson?
The Poisson formula calculates the probability of exactly k events occurring given the mean. For example, with an average of three daily car sales, you can calculate the probability of selling exactly four cars on a given day. Once calculated, all other probabilities can be plotted in probability histograms for visual representation.
Q7: What real-world scenarios are suitable for Poisson distribution analysis?
Poisson distribution applies to countable events in fixed intervals where the average rate is known and events are independent. Examples include the number of misspelled words in 100 pages of a book, customer arrivals per hour at a service desk, or defects per unit of production. Any scenario with a predictable average rate over a defined interval fits this model.