توزیع پواسون: تفاوت میان نسخه‌ها

محتوای حذف‌شده محتوای افزوده‌شده
FreshmanBot (بحث | مشارکت‌ها)
جز replaced: بعنوان ← به عنوان (3)، پیش بینی ← پیش‌بینی ، شده است ← شده‌است (2)، به طور ← به‌طور ، آنها ← آن‌ها با ویرایشگر خودکار فارسی
جز ←‏جایگزینی با [[وپ:اشتباه|اشتباه‌یاب]]: بیفتدو⟸بیفتد و، پارمتر⟸پارامتر، اثربیشتر⟸اثر بیشتر
خط ۱۹:
}}
در [[آمار]] و احتمال '''توزیع پواسون''' (یا قانون پواسون اعداد کوچک) یک [[توزیع احتمالی گسسته]] است که احتمال اینکه یک حادثه به تعداد مشخصی در فاصلهٔ زمانی یا مکانی ثابتی رخ دهد را شرح می‌دهد؛ به شرط اینکه این حوادث با نرخ میانگین مشخصی و مستقل از زمان آخرین حادثه رخ دهند. (توزیع پواسون همچنین برای تعدادی از حوادث در فاصله‌های مشخص دیگری مثل مسافت، مساحت یا حجم استفاده شود)
این توزیع برای اولین بار توسط Siméon Denis Poisson 1781-1840 معرفی و به ضمیمه [[تئوری احتمال]] او در سال ۱۸۳۸ در یکی از کتابهایش بنامRecherches sur la probabilité des jugements en matière criminelle et en matière civile(جستاری در احتمال قضاوت‌ها در مسائل کیفری و حقوقی) چاپ شد. اولین استفادهٔ عملی از این توزیع به سال ۱۸۹۸ برمی گردد جایی که Ladislaus Bortkiewicz به بررسی تعداد تصادفی از سربازان ارتش پروس که توسط پا زدن اسب کشته شدند می‌پردازد. این اثربیشتراثر بیشتر بر [[متغیرهای تصادفی]] خاصی تأکید می‌کند مانند [[متغیر تصادفی]] N که تعداد ظهورها (یا ورودهای) گسسته را که در فاصله زمانی مشخصی اتفاق می‌افتند را می‌شمارد.
توزیع پواسن در هر زمینه‌ای استفاده می‌شود برای مثال: فرض کنید شخصی به‌طور متوسط چهار ایمیل در روز دریافت می‌کند تعداد ایمیل‌های دریافت شده در برخی از روزها می‌تواند کمی کمتر یا بیشتر از چهار باشد ولی در بازه زمانی طولانی اگر بر دریافت ایمیل نظارت کنیم، می‌بینیم نرخ دریافت ثابت است. حال فرض کنید فرایند یا ترکیبی از چند فرایند یک جریان رویداد به صورت تصادفی تولید کنند، توزیع پواسن احتمال اینکه تعداد این رخدادها ۲٬۳٬۴ و اعداد دیگر باشد را مشخص می‌کند. توزیع پواسن درجه پراکندگی اطراف نرخ متوسط وقوع رخداد را پیش‌بینی می‌کند.
* در سیستم‌های الکتریکی: تعداد دفعاتی که زنگ یک تلفن به صدا در می‌آید
خط ۳۱:
* ''e'' پایه [[لگاریتم طبیعی]] است (e=۲٫۷۱۸۲۸)
* ''k'' تعداد ظهورهای یک حادثه است که احتمالش با تابع [[فوق داده]] شده‌است.
* ''λ'' یک عدد مثبت حقیقی و برابر با امید ریاضی ظهورها در طول بازه داده شده‌است. برای مثال اگر بطور میانگین در هر دقیقه ۴ حادثه اتفاق بیفتدوبیفتد و احتمال اتفاق افتادن یک حادثه در فاصله زمانی ۱۰ دقیقه‌ای را بخواهیم، باید از توزیع پواسون با λ = 10×4 = 40 استفاده کنیم.
تابع فوق به عنوان تابعی از ''k'' یک تابع جرم احتمال ست. توزیع پواسون می‌تواند به عنوان تقریبی از توزیع [[دوجمله‌ای]] در نظر گرفته شود.
توزیع پواسون می‌تواند برای سیستم‌هایی بکار برده شود که دارای تعداد وقایع بسیار زیاد هستند و احتمال وقوع هر واقعه بسیار کم است؛ به عنوان یک مثال کلاسیک برای این حالت می‌توان [[فروپاشی هسته‌ای]] اتم‌ها را در نظر گرفت. (احتمال فروپاشی یک اتم بسیار کم است ولی میلیون‌ها اتم در کنار یکدیگر وجود دارند که درواقع تعداد وقایع بسیاری داریم)
خط ۴۱:
== توزیع‌های مرتبط ==
* اگر <math>X_1</math> توزیع پواسون با پارامتر <math>\lambda_1</math> و <math>X_2</math> توزیع پواسون با پارامتر <math>\lambda_2</math> داشته باشد آنگاه تفاضل آن‌ها دارای توزیع skellam خواهد بود.
* اگر <math>X_1</math> با توزیع پواسون با پارمترپارامتر <math>\lambda_1</math> و <math>X_2</math> با توزیع پواسون با پارمترپارامتر<math>\lambda_2</math> مستقل باشند و <math>Y=X_1+X_2</MATH> آنگاه متغیر تصادفی <math>X_1</math> به شرط <math>Y=y</math> دارای [[توزیع دوجمله‌ای]] خواهد بود. بطور خاص <MATH>X_1|(Y=y) \sim \mathrm{Binom}(y, \lambda_1/(\lambda_1+\lambda_2))\, </MATH> در حالت کلی اگر ''X''<sub>1</sub>, ''X''<sub>2</sub>,... , ''X''<sub>''n''</sub> متغیرهای مستقل پواسون با پارامترهای λ<sub>1</sub>, λ<sub>2</sub>,... , λ<sub>''n''</sub> باشند آنگاه :: <math>X_i \left|\sum_{j=1}^n X_j\right. \sim \mathrm{Binom}\left(\sum_{j=1}^nX_j,\frac{\lambda_i}{\sum_{j=1}^n\lambda_j}\right)</math><ref>
en:Poisson distribution</ref>