概率空間與概率分佈
阿新 • • 發佈:2019-01-02
若服從引數為的泊松分佈,記為,或記為.
性質
1、服從泊松分佈的隨機變數,其數學期望與方差相等,同為引數λ:E(X)=V(X)=λ
2、兩個獨立且服從泊松分佈的隨機變數,其和仍然服從泊松分佈。更精確地說,若X ~ Poisson(λ1)且Y ~ Poisson(λ2),則X+Y ~Poisson(λ1+λ2)。
3、其矩母函式為:
泊松分佈的來源(泊松小數定律)
在二項分佈的伯努利試驗中,如果試驗次數n很大,二項分佈的概率p很小,且乘積λ= np比較適中,則事件出現的次數的概率可以用泊松分佈來逼近。事實上,二項分佈可以看作泊松分佈在離散時間上的對應物。
證明如下。首先,回顧e的定義:
二項分佈的定義:
- 。
如果令, 趨於無窮時的極限:
最大似然估計
給定n個樣本值ki,希望得到從中推測出總體的泊松分佈引數λ的估計。為計算最大似然估計值,列出對數似然函式:
對函式L取相對於λ的導數並令其等於零:
解得λ從而得到一個駐點(stationary point):
檢查函式L的二階導數,發現對所有的λ與ki大於零的情況二階導數都為負。因此求得的駐點是對數似然函式L的極大值點:
例子
對某公共汽車站的客流做調查,統計了某天上午10:30到11:47來到候車的乘客情況。假定來到候車的乘客各批(每批可以是1人也可以是多人)是互相獨立發生的。觀察每20秒區間來到候車的乘客批次,共觀察77分鐘*3=231次,共得到230個觀察記錄。其中來到0批、1批、2批、3批、4批及4批以上的觀察記錄分別是100次、81次、34次、9次、6次。使用極大似真估計(MLE),得到
生成泊松分佈的隨機變數一個用來生成隨機泊松分佈的數字(偽隨機數抽樣)的簡單演算法,已經由高德納給出(見下文參考):
algorithm poisson random number (Knuth): init: Let L ← e−λ, k ← 0 and p ← 1. do: k ← k + 1. Generate uniform random number u in [0,1] and let p ← p×u. while p > L. return k − 1.
儘管簡單,但複雜度是線性的,在返回的值k
對於很小的λ值,逆變換取樣簡單而且高效,每個樣本只需要一個均勻隨機數u。直到有超過u的樣本,才需要檢查累積概率。
algorithm Poisson generator based upon the inversion by sequential search:[1]init:
Let x ← 0, p ← e−λ, s ← p.
Generate uniform random number u in [0,1].
do:
x ← x + 1.
p ← p * λ / x.
s ← s + p.
while u > s.
return x.