exponential distribution 예제

푸아송 프로세스는 시간에 이러한 임의의 지점 중 하나가 일어날 가능성이 있을 때 당신을 알 수 있습니다. 예를 들어 고객이 매장에 도착하는 시기 또는 배터리를 교체해야 하는 경우를 예로 들 수 있습니다. 기본적으로 계산 프로세스입니다. 오후 1시 이후 1210명의 고객 또는 정오 이후 543개의 파일과 같이 특정 시점 이후 이벤트가 발생한 횟수를 계산합니다. 프로세스에 대한 가정은 독립 이벤트에만 사용된다는 것입니다. 나는 항상 현실을 모델링하려고 할 때 흥미로운 토론 포인트로 지수 분포를 발견했기 때문에이 기사를 썼습니다. 메모리없는 조건은 실제로 사용하기 어렵게하고, 나는 성공하지 않고 내 작품에 밀어 하려고했습니다. 이러한 오류로 인해 받은 가장 중요한 것은 내 데이터와 작업 중인 배포판, 그리고 왜 더 좋거나 나쁘게 행동하거나 모델링하는지 이해하는 것이었습니다. 그것은 결코 끝나지 않는 과정이며, 당신이 또한 포용하기를 바랍니다.

두 독립 변수의 합은 확률 분포의 수렴에 해당합니다. X 1 {디스플레이 스타일 X_{1}}과 X 2 {디스플레이 스타일 X_{2}}가 독립 관측값의 독립적인 지수 임의 변수인 경우, 각각의 속도 매개변수 1 {디스플레이 스타일 람다 _{1}} 및 λ 2 {디스플레이 스타일 lambda _{2}} Z = X 1 + X 2 {디스플레이 스타일 Z =X_{1}+X_{2}}의 밀도는 λ의 값을 얻고 푸아송 분포및 지수 분포를 통해 시간당 웹 사이트 평균 조회를 모델링할 수 있는 기능을 제공합니다. 이 두 가지 는 함께 푸아송 프로세스입니다. 이렇게 하면 지수 분포의 각 독립 표본이 알 수 없는 속도 매개 변수 λ {displaystyle lambda }에 대해 전달하는 정보의 양을 결정합니다. 이제 이러한 웹 사이트 이벤트 간의 기간을 기술적으로 „도착 간 간격“으로 모델링할 수 있습니다. μ = 0 및 β = 1이 표준 지수 분포라고 하며 x ≥ 0에 대한 f(x)=e-x 방정식을 가립니다. 물리학에서 맨 위로, 균일한 중력장에서 고정 된 온도와 압력에서 가스를 관찰하는 경우, 다양한 분자의 높이는 기압 공식으로 알려진 대략적인 지수 분포를 따릅니다. 이것은 아래에 언급 된 엔트로피 속성의 결과입니다. 지수 분포는 이벤트 간의 면적과 시간을 모델링할 수 있습니다. 푸아송 분포는 확률 질량 함수(PMF)로 모델링되므로 이 곡선의 적수를 얻을 수 없으며 아래 방정식을 사용하여 확률을 계산할 수 있습니다. 이 PMF는 이벤트가 발생하는 횟수(k)가 0을 포함한 모든 양수 정수 집합에 있기 때문에 불연속 임의 변수의 확률을 제공합니다.

가능하기 때문에 이벤트가 전혀 발생하지 않습니다 (k = 0). 시간당 120명의 고객은 남성(확률 0.5), 여성(확률 0.3), 어린이(확률 0.2)와 같은 범주로 나눌 수도 있습니다. 여성, 남성 또는 어린이의 도착 시간 사이의 시간 간격을 계산할 수 있습니다. 예를 들어, 여성의 도착 사이의 시간은 속도 0.3 *120 = 시간당 36, 또는 100 초마다 하나입니다. 남성의 경우 시간당 0.5 *120 = 60 의 속도 또는 분당 1 회입니다.