---
title: 卜瓦松分佈和連續型分佈|第七週
tags: 機率
---

# 卜瓦松分布 Poisson distribution

:::warning
卜瓦松分布適合於描述單位時間內隨機事件發生的次數的機率分布 [By wiki](https://zh.wikipedia.org/zh-tw/%E5%8D%9C%E7%93%A6%E6%9D%BE%E5%88%86%E5%B8%83)
:::

在固定的連續時間或空間的區間內，某個隨機事件發生的次數的分佈。
其中參數 $\lambda$ 代表平均發生的次數

要滿足下面三大條件，才能說是卜瓦松分佈

- 非重疊 non overlapping subintervals 子區間，都是獨立的

- 在足夠短的，長度為 h 的子區間，恰好只發生一個事件的機率為 λh
- 這代表機率是跟區間長度的關係是線性的，區間越大則機率越大，越小則機率越小

- 在足夠短的，長度為 h 的子區間，發生兩次以上事件的機率為0
- 也就是說在足夠小的區間內，只能容納一件事發生

## 隨機變數

$$
P(X=x)
$$

代表了在某個單位長度的區間，事件發生了 $x$ 次的機率，那機率是怎麼算的？

首先要把那個區間分成 n 個子區間，並且那個 n 要遠大於我們要的次數 x

$$
n >> x
$$

而我們要的機率，就是在那 n 個區間，剛好發生 x 個的機率是多少

根據上面的條件，在一個子區間發生兩次的機率為 0

$$
P(two\ or\ more\ occurrences\ occur\ in\ any\ one\ subinterval) ≅ 0
$$

然後在任何子區間恰好發生 1 次的機率等於子區間長度乘上參數 λ

$$
P(one\ occurrence\ occur\ in\ any\ one\ subinterval) ≅ \frac{\lambda}{n}
$$

最後根據第一個條件，不重疊的子區間，發生的機率是獨立的，也就是說其實這 n 個區間
**就好像做 n 次 Bernoulli 試驗**；而成功機率 p，就是上面的 λ×1/n

於是我們就得到我們的卜瓦松機率

$$
P(X=x)≈C(n,x)p^x(1-p)^{n-x}
$$

但是這還不夠，因為這只是近似
我們要做的事就是讓 n 趨近無限大；那麼我們的 p 就越來越小，因為 $\lambda$ 是個平均次數，是個常數

$$
np = \lambda,\ \lim_{n\rightarrow\infty} np = \lambda
$$

所以接下來就是算極限

$$
C(n,x)p^x(1-p)^{n-x}=\frac{n!}{x!(n-x)!}(\frac{\lambda}{n})^{x}(1-\frac{\lambda}{n})^{n}(1-\frac{\lambda}{n})^{-x}
$$

將上面左邊的階乘化簡，然後稍微移動一些位置

$$
\frac{n(n-1)...(n-x+1)}{n^{x}}\frac{\lambda^{x}}{x!}(1-\frac{\lambda}{n})^{n}(1-\frac{\lambda}{n})^{-x}
$$

仔細看可以發現左邊的分母有 x 個 n 相乘，剛好可以各分配一個給上面的分子

$$
\frac{n(n-1)...(n-x+1)}{n^{x}}=\frac{n(n-1)...(n-x+1)}{n×n...×n}\\
=\frac{n}{n}×\frac{n-1}{n}...×\frac{n-x+1}{n}=1×(1-\frac{1}{n})...×(1-\frac{x-1}{n})
$$

當 n 趨近無限大的時候，上面的乘積就剛好是 1；接著來看右邊的部分

$$
(1-\frac{\lambda}{n})^{-x}
$$

這個趨近無限大的時候剛好也是 1

$$
\lim_{n\rightarrow\infty}(1-\frac{\lambda}{n})^{n}=\lim_{n\rightarrow\infty}(1+\frac{-\lambda}{n})^{n}=e^{-\lambda}
$$

這個的極限就是微積分講到的自然指數；所以我們最後就得到

$$
P(X=x)=\frac{\lambda^{x}}{x!}e^{-\lambda}
$$

並且從上面的推導可以知道，卜瓦松跟 Bernoulli 圖形其實蠻像的

:::warning
在二項分布的伯努利試驗中，如果試驗次數 n很大，二項分布的機率 p 很小，且乘積 $\lambda =np$ 比較適中，則事件出現的次數的機率可以用卜瓦松分布來逼近 [By wiki](https://zh.wikipedia.org/zh-tw/%E5%8D%9C%E7%93%A6%E6%9D%BE%E5%88%86%E5%B8%83)

所以卜瓦松的使用時機，可以知道用於發生機率非常低的情況 [參見1](https://wiki.mbalib.com/zh-tw/%E6%B3%8A%E6%9D%BE%E5%88%86%E5%B8%83) [參見2](https://cyhsumd.blogspot.com/2020/09/blog-post.html)
:::

## 檢查是否符合

來檢測符不符合機率空間的定義，就是把他從頭加起來看機率有沒有等於 1

$$
\sum_{x=0}^{\infty}\frac{\lambda^{x}}{x!}e^{-\lambda}=e^{-\lambda}\sum_{x=0}^{\infty}\frac{\lambda^{x}}{x!}
$$

注意看，右手邊的極限，其實就是指數函數的馬克勞林級數，所以就可以寫成

$$
e^{-\lambda}\sum_{x=0}^{\infty}\frac{\lambda^{x}}{x!}=e^{-\lambda}e^{\lambda}=1
$$

## MGF

$$
M(t)=E[e^{tX}]=\sum_{x=0}^{\infty}e^{tx}\frac{\lambda^{x}}{x!}e^{-\lambda}\\
=e^{-\lambda}\sum_{x=0}^{\infty}\frac{(e^{t}\lambda)^{x}}{x!}=e^{-\lambda}e^{e^{t}\lambda}=e^{\lambda(e^{t}-1)}\\
M'(t)=e^{\lambda(e^{t}-1)}\lambda e^{t}=\lambda(e^{\lambda(e^{t}-1)} e^{t})\\
M''(t)=\lambda((\lambda(e^{\lambda(e^{t}-1)} e^{t}))e^{t}+e^{\lambda(e^{t}-1)}e^{t})\\
$$

所以我們便知道期望值跟變異數分別為

$$
\mu=E[X]=M'(0)=\lambda\\
\sigma^{2}=Var[X]=M''(0)-(M'(0))^{2}=\lambda(\lambda-1)-\lambda ^{2}=\lambda\\
$$

---

# 連續型分佈

從離散世界到連續的世界。

原本離散型的隨機變數是將實驗得到的數據，映射到離散的集合；而連續型隨機變數，則是映射到**實數**內

## 值域 Space

- 離散型 $S_{X}$ 是個離散的數字集合
- 連續型 $S_{X}$ 是個連續或相連(union)連續的區間

有些表記方式變得不一樣了

- 機率函數從 $P_{X}(x)$ 變成了 $f_{X}(x)$
- 累積分佈函數一樣都是 $F_{X}(x)$
- 有另外的名稱叫做 distribution function
- 隨機變數的機率從 $P(X=x)$ 變成了 $P[X=x]$

## 機率密度函數 Probability density function / PDF

定義為

$$
f_{X}(x)=\frac{dF_{X}(t)}{dt}
$$

所以可以知道跟 CDF 的關係為

$$
F_{X}(x)=\int_{-\infty}^{x}f_{X}(t)dt
$$

而 PDF 一樣要符合三大性質

- $$f_{X}(x) \ge 0,\forall\ -\infty<x<\infty$$
- 跟以前一樣機率要大於等於 0
- $$\int_{-\infty}^{\infty}f_{X}(x)dx= 1$$
- 全部範圍積分起來要是 1，也就是說機率總和要是 1
- $$\forall\ -\infty<a<b<\infty,\ P[a<X\le b]=F_{X}(b)-F_{X}(a)=\int^{b}_{a}f_{X}(x)dx$$
- 這個是在求隨機變數對應到某個區間的機率
- 並且從定義可以知道，對於連續型隨機變數，**在任意一點的機率都是0**，也就是說
- $$P[X=a]=0$$

:::warning
如果 PDF 在某點連續的話，那麼 CDF 在該點就可導，並且 $F'_{X}(x)=f_{X}(x)$
:::

## 均勻分布 Uniform distribution

$$
F_{X}(x)=\begin{Bmatrix}
0 & x < a\\
\frac{x-a}{b-a} & a \le x \le b\\
1 & x > b\\
\end{Bmatrix}
$$

$$
f_{X}(x)=\begin{Bmatrix}
0 & x < a\ or\ x > b\\
\frac{1}{b-a} & a \le x \le b
\end{Bmatrix}
$$

PDF是一個常數，也就是居間長度的導數，可以很輕鬆的證明整個範圍積分為 1

也可以輕鬆的得到 CDF

$$
P[a\le x]=\int_{a}^{x}\frac{1}{b-a}dt=\frac{x-a}{b-a}
$$

:::info
程式語言用到的偽隨機就是利用均一分佈
:::

## 相關

$$
E[X]=\frac{a+b}{2}\\
Var[X]=\sigma ^{2}=\frac{(b-a)^{2}}{12}
$$

# Moment 和 MGF

只要把以前的總和換成積分就可以了

### n 階 moment

$$
E[X^{n}]=\int_{-\infty}^{\infty}x^{n}f_{X}(x)dx
$$

回顧離散型的

$$
E[X^{k}]=\sum_{x_{i}\in S}x_{i}^{k}P_{X}(x_{i})
$$

### General 的 期望值

$$
E[g(X)]=\int_{-\infty}^{\infty}g(x)f_{X}(x)dx
$$

回顧離散型的

$$
E[u(X)]=\sum_{x_{i}\in S}u(x_{i})P_{X}(x_{i})
$$

### MGF

就是使用上面 General 的期望值

$$
E[e^{tX}]=\int_{-\infty}^{\infty}e^{tx}f_{X}(x)dx
$$