Difference between revisions of "Theory of Stochastic Signals/Poisson Distribution"
| Line 12: | Line 12: | ||
Der Parameter $λ$ gibt die mittlere Anzahl der „Einsen” in einer festgelegten Zeiteinheit an und wird als die Rate bezeichnet. Weiter ist zu vermerken: | Der Parameter $λ$ gibt die mittlere Anzahl der „Einsen” in einer festgelegten Zeiteinheit an und wird als die Rate bezeichnet. Weiter ist zu vermerken: | ||
| − | *Im Gegensatz zur Binomialverteilung (0 ≤ $μ$ ≤ I) kann hier die Zufallsgröße beliebig große (ganzzahlige, positive) Werte annehmen, was bedeutet, dass die Menge der möglichen Werte hier nicht abzählbar ist. Da jedoch keine Zwischenwerte auftreten können, spricht man auch hier von einer diskreten Verteilung. | + | *Im Gegensatz zur Binomialverteilung (0 ≤ $μ$ ≤ $I$) kann hier die Zufallsgröße beliebig große (ganzzahlige, positive) Werte annehmen, was bedeutet, dass die Menge der möglichen Werte hier nicht abzählbar ist. Da jedoch keine Zwischenwerte auftreten können, spricht man auch hier von einer diskreten Verteilung. |
*Berücksichtigt man die oben genannten Grenzübergänge in der Gleichung für die Wahrscheinlichkeiten der Binomialverteilung, so folgt für die Auftrittswahrscheinlichkeiten der poissonverteilten Zufallsgröße $z$: | *Berücksichtigt man die oben genannten Grenzübergänge in der Gleichung für die Wahrscheinlichkeiten der Binomialverteilung, so folgt für die Auftrittswahrscheinlichkeiten der poissonverteilten Zufallsgröße $z$: | ||
$$p_\mu = \rm Pr (\it z=\mu \rm ) = \lim_{I\to\infty} \cdot \frac{I !}{\mu ! \cdot \rm (I-\mu \rm )!} \cdot\rm (\frac{\lambda}{I} \rm )^\mu \cdot \rm (\rm 1-\frac{\lambda}{I})^{I-\mu}.$$ | $$p_\mu = \rm Pr (\it z=\mu \rm ) = \lim_{I\to\infty} \cdot \frac{I !}{\mu ! \cdot \rm (I-\mu \rm )!} \cdot\rm (\frac{\lambda}{I} \rm )^\mu \cdot \rm (\rm 1-\frac{\lambda}{I})^{I-\mu}.$$ | ||
| Line 79: | Line 79: | ||
Gegenüberstellung Binomialverteilung – Poissonverteilung | Gegenüberstellung Binomialverteilung – Poissonverteilung | ||
| + | ==Anwendungen der Poissonverteilung== | ||
| + | Die Poissonverteilung ist das Ergebnis eines so genannten Poissonprozesses. Ein solcher dient häufig als Modell für Folgen von Ereignissen, die zu zufälligen Zeitpunkten eintreten können. Beispiele für derartige Ereignisse sind | ||
| + | *der Ausfall von Geräten – eine wichtige Aufgabenstellung in der Zuverlässigkeitstheorie, | ||
| + | *das Schrotrauschen bei der optischen Übertragung, und | ||
| + | *der Beginn von Telefongesprächen in einer Vermittlungsstelle („Verkehrstheorie”). | ||
| + | |||
| + | {{Beispiel}} | ||
| + | Gehen bei einer Vermittlungsstelle im Langzeitmittel neunzig Vermittlungswünsche pro Minute (entsprechend $λ =$ 1.5 pro Sekunde) ein, so lauten die Wahrscheinlichkeiten $p_µ$, dass in einem beliebigen Zeitraum von einer Sekunde genau $µ$ Belegungen auftreten: | ||
| + | $$p_\mu = \frac{1.5^\mu}{\mu!}\cdot {\rm e}^{-1.5}.$$ | ||
| + | |||
| + | Es ergeben sich die Zahlenwerte $p_0 =$ 0.223, $p_1 =$ 0.335, $p_2 =$ 0.251, usw. | ||
| + | |||
| + | Daraus lassen sich weitere Kenngrößen ableiten: | ||
| + | *Die Abtand $τ$ zwischen zwei Vermittlungswünschen genügt der Exponentialverteilung. | ||
| + | *Die mittlere Zeitspanne zwischen Vermittlungswünschen beträgt E[ $τ$] $= 1/λ ≈$ 0.667 s. | ||
| + | |||
| + | |||
| + | {{end}} | ||
{{Display}} | {{Display}} | ||
Revision as of 20:19, 26 May 2016
Contents
Wahrscheinlichkeiten der Poissonverteilung
Die Poissonverteilung ist ein Grenzfall der Binomialverteilung, wobei
- zum einen von den Grenzübergängen $I → ∞$ und $p →$ 0 ausgegangen wird,
- zusätzlich vorausgesetzt ist, dass das Produkt $I · p = λ$ einen endlichen Wert besitzt.
Der Parameter $λ$ gibt die mittlere Anzahl der „Einsen” in einer festgelegten Zeiteinheit an und wird als die Rate bezeichnet. Weiter ist zu vermerken:
- Im Gegensatz zur Binomialverteilung (0 ≤ $μ$ ≤ $I$) kann hier die Zufallsgröße beliebig große (ganzzahlige, positive) Werte annehmen, was bedeutet, dass die Menge der möglichen Werte hier nicht abzählbar ist. Da jedoch keine Zwischenwerte auftreten können, spricht man auch hier von einer diskreten Verteilung.
- Berücksichtigt man die oben genannten Grenzübergänge in der Gleichung für die Wahrscheinlichkeiten der Binomialverteilung, so folgt für die Auftrittswahrscheinlichkeiten der poissonverteilten Zufallsgröße $z$:
$$p_\mu = \rm Pr (\it z=\mu \rm ) = \lim_{I\to\infty} \cdot \frac{I !}{\mu ! \cdot \rm (I-\mu \rm )!} \cdot\rm (\frac{\lambda}{I} \rm )^\mu \cdot \rm (\rm 1-\frac{\lambda}{I})^{I-\mu}.$$ Daraus erhält man nach einigen algebraischen Umformungen: $$p_\mu = \frac{\it \lambda^\mu}{\mu!}\cdot \rm e^{-\lambda}.$$
Die Wahrscheinlichkeiten von
- Binomialverteilung (mit $I =$ 6, $p =$ 0.4)
- und Poissonverteilung (mit $λ =$ 2.4)
sind nebenstehender Grafik zu entnehmen:
- Beide Verteilungen besitzen den gleichen Mittelwert $m_1 =$ 2.4.
- Bei der Poissonverteilung (rote Pfeile) sind die äußeren Werte wahrscheinlicher als bei der Binomialverteilung.
- Zudem sind auch Zufallsgrößen $z$ > 6 möglich, auch wenn deren Wahrscheinlichkeiten bei der gewählten Rate eher klein sind.
Momente der Poissonverteilung
Mittelwert und Streuung der Poissonverteilung ergeben sich direkt aus den entsprechenden Gleichungen der Binomialverteilung durch zweifache Grenzwertbildung: $$m_1 =\lim_{\left.{I\to\infty \atop {p\hspace{0.05cm}\to\hspace{0.05cm} 0}}\right.} I \cdot p= \lambda,$$ $$\sigma =\lim_{\left.{I\to\infty \atop {p\hspace{0.05cm}\to\hspace{0.05cm} 0}}\right.} \sqrt{I \cdot p \cdot (1-p)} = \sqrt {\lambda}.$$
Daraus ist ersichtlich, dass bei der Poissonverteilung stets $σ^2 = m_1 = λ$ gilt.
Wie im letzten Beispiel werden hier
- Binomialverteilung (mit $I =$ 6, $p =$ 0.4)
- und Poissonverteilung (mit $λ =$ 2.4)
miteinander verglichen:
- Beide Verteilungen besitzen genau den gleichen Mittelwert $m_1 =$ 2.4.
- Bei der Poissonverteilung (im Bild rot markiert) beträgt die Streuung $σ ≈$ 1.55.
- Bei der (blauen) Binomialverteilung ist die Standardabweichung nur $σ =$ 1.2.
Mit den nachfolgend genannten Modulen können Sie die Wahrscheinlichkeiten und Mittelwerte der Poissonverteilung für beliebige $λ$–Werte ermitteln:
Ereigniswahrscheinlichkeiten der Poissonverteilung (für zwei unterschiedliche Raten) Gegenüberstellung Binomialverteilung - Poissonverteilung
Gegenüberstellung Binomialverteilung - Poissonverteilung
Im Folgenden sollen die Gemeinsamkeiten als auch die Unterschiede zwischen binomial- und poissonverteilten Zufallsgrößen nochmals herausgearbeitet werden.
Die Binomialverteilung ist zur Beschreibung von solchen stochastischen Ereignissen geeignet, die durch einen vorgegebenen Takt $T$ gekennzeichnet sind. Beispielsweise beträgt bei ISDN (Integrated Services Digital Network) mit 64 kbit/s die Taktzeit $T$ etwa 15.6 μs.
- Nur in diesem Zeitraster treten binäre Ereignisse auf. Solche Ereignisse sind beispielsweise die fehlerfreie $(e_i = 0)$ oder fehlerhafte $(e_i = 1)$ Übertragung einzelner Symbole.
- Die Binomialverteilung ermöglicht nun statistische Aussagen über die Anzahl der in einem längeren Zeitintervall $T_{\rm I} = I · T$ zu erwartenden Übertragungsfehler entsprechend des oberen Zeitdiagramms (blau markierte Zeitpunkte).
Auch die Poissonverteilung macht Aussagen über die Anzahl eintretender Binärereignisse in einem endlichen Zeitintervall:
- Geht man hierbei vom gleichen Betrachtungszeitraum $T_{\rm I}$ aus und vergrößert die Anzahl $I$ der Teilintervalle immer mehr, so wird die Taktzeit $T$, zu der jeweils ein neues Binärereignis („0” oder „1”) eintreten kann, immer kleiner. Im Grenzfall geht $T$ gegen Null.
- Das heißt: Bei der Poissonverteilung sind die binären Ereignisse nicht nur zu diskreten, durch ein Zeitraster vorgegebenen Zeitpunkten möglich, sondern jederzeit. Das untere Bild verdeutlicht diesen Sachverhalt.
- Um im Mittel während der Zeit $T_{\rm I}$ genau so viele „Einsen” wie bei der Binomialverteilung zu erhalten (im Beispiel: sechs), muss allerdings die (charakteristische) Wahrscheinlichkeit $p =$ Pr( $e_i =$ 1) gegen Null tendieren.
Das folgende Interaktionsmodul erlaubt die Berechnung der Wahrscheinlichkeiten und Momente:
Gegenüberstellung Binomialverteilung – Poissonverteilung
Anwendungen der Poissonverteilung
Die Poissonverteilung ist das Ergebnis eines so genannten Poissonprozesses. Ein solcher dient häufig als Modell für Folgen von Ereignissen, die zu zufälligen Zeitpunkten eintreten können. Beispiele für derartige Ereignisse sind
- der Ausfall von Geräten – eine wichtige Aufgabenstellung in der Zuverlässigkeitstheorie,
- das Schrotrauschen bei der optischen Übertragung, und
- der Beginn von Telefongesprächen in einer Vermittlungsstelle („Verkehrstheorie”).
Gehen bei einer Vermittlungsstelle im Langzeitmittel neunzig Vermittlungswünsche pro Minute (entsprechend $λ =$ 1.5 pro Sekunde) ein, so lauten die Wahrscheinlichkeiten $p_µ$, dass in einem beliebigen Zeitraum von einer Sekunde genau $µ$ Belegungen auftreten: $$p_\mu = \frac{1.5^\mu}{\mu!}\cdot {\rm e}^{-1.5}.$$
Es ergeben sich die Zahlenwerte $p_0 =$ 0.223, $p_1 =$ 0.335, $p_2 =$ 0.251, usw.
Daraus lassen sich weitere Kenngrößen ableiten:
- Die Abtand $τ$ zwischen zwei Vermittlungswünschen genügt der Exponentialverteilung.
- Die mittlere Zeitspanne zwischen Vermittlungswünschen beträgt E[ $τ$] $= 1/λ ≈$ 0.667 s.
