Poisson-Verteilung

Werbung
Poisson-Verteilung
Die Normal-Verteilung ist eine kontinuierliche Verteilung
Die Binomial-Verteilung ist diskret.
Eine weitere diskrete Verteilung ist die Poisson-Verteilung.
Die Anwendung der Poisson-Verteilung ist breit gefächert:
Anzahl der Telefongespräche, die in einer bestimmten Zeit bei einer Firma
eintreffen.
Anzahl der Kunden an einem Bankschalter pro Zeiteinheit.
Anzahl der Bakterien pro Liter Nährlösung.
Anzahl der Verkehrsunfälle pro Zeiteinheit an einer Kreuzung.
Anzahl der in einer bestimmten Zeit zerfallenden Atomkerne.
09.01.2002
Vorlesung 7
1
Poisson-Verteilung
x ist die Anzahl von Ereignissen in einer bestimmten Zeit oder in einem
bestimmten Volumen, wobei ein bestimmter Mittelwert solcher Ereignisse erwartet
werden kann.
Die Ereignisse müssen zufällig und unabhängig voneinander sein.
P(x ) =
µ x e− µ
x!
,
wobei x = 0,1, 2, 3,.....
Herleitung der Poisson-Verteilung ist auf mehrere Arten möglich:
Zunächst Erklärung des einzigen Parameters µ .
09.01.2002
Vorlesung 7
2
Poisson-Verteilung
Wie groß ist der Mittelwert (Erwartungswert)?
x =
∞
∑ x P( x ) =
x =0
∞
∑
x
x =0
µx
x!
e −µ
Der erste Term der Summe ist Null.
Der Faktor x/x! kann durch 1/(x-1)! ersetzt werden.
x = µ e−µ
µ x −1
∞
∑ (x − 1)!
= µ
x=1
1
424
3
1+ µ +
µ2
2!
+
µ3
3!
+ ....= e µ
Das heißt der Parameter µ , der die Poisson-Verteilung charakterisiert,
ist gleich der mittleren Anzahl der gezählten Ereignisse, die erwartet wird, wenn wir das
Zählexperiment viele Male wiederholen.
09.01.2002
Vorlesung 7
3
Poisson-Verteilung
Wie groß ist die Standardabweichung ?
Zunächst Berechnung der Varianz
σ2 =
σ
2
=
∞
∑ (x − µ )
2
x=0
=
∑ (x
∞
x=0
2
2
x
∑
µ x e− µ
x!
x=0
µ x e−µ
µ x e−µ
∞
−∑ 2 x µ
x!
0
1x=4
42443
−2µ 2
x!
− 2 xµ + µ
∞
2
)
µ x e−µ
x!
∞
µ x e−µ
+∑µ
x!
x=0
14
42443
+µ 2
09.01.2002
Vorlesung 7
2
4
Poisson-Verteilung
σ =
2
∞
∑ (x − µ )
2
µ x e− µ
x=0
=
∞
∑x
2
µ x e−µ
x!
x=0
x!
− µ2
ersetzen von x2 mit (x ( x - 1 ) + x ), führt zu
σ2 =
∞
∑
x=0
=
(x (x − 1) + x ) µ x e − µ
x!
x ( x − 1) µ e
∑
x!
x=0
∞
x −µ
+
σ
− µ2
x −µ
xµ e
∑
x!
x=0
∞
2
=
∞
∑
x=0
= µ
− µ2
2
x ( x − 1) µ x e − µ
+ µ − µ2
x!
∞
∑
x=2
µ x−2 e −µ
(x − 2 )!
+ µ − µ2
Ersetzen von x-2 durch ν, summieren von ν=0
ergibt für die Summe den Wert eins und damit wird:
σ µ2 = µ2 + µ − µ2 = µ
σµ =
09.01.2002
Vorlesung 7
µ
5
Poisson-Verteilung
σµ =
µ
Die Standardabweichung ist somit gleich der
Wurzel aus dem Mittelwert.
Der Fehler des Mittelwertes ist gegeben durch:
σµ =
wobei n die Anzahl der Messungen ist,
σµ
n
die wir verwendet haben um den Mittelwert zu bestimmen.
Der relative Fehler der Poisson-Verteilung ist somit:
09.01.2002
Vorlesung 7
σµ
=
nµ
µ
=
nµ
1
nµ
6
Die Poisson-Verteilung
Beispiel:
An einer Kreuzung finden pro Woche zwei Verkehrsunfälle statt.
Die Häufigkeit der Verkehrsunfälle wird durch eine Poissonverteilung
mit
µ = 2 beschrieben.
Wie groß ist die Wahrscheinlichkeit dafür,
dass in einer Woche kein Unfall stattfindet ?
P(x ) =
µ x e−µ
x!
2 0 e −2
P(0 ) =
= e −2 = 0.135335
0!
09.01.2002
Vorlesung 7
7
Die Poisson-Verteilung
Beispiel:
An einer Kreuzung finden pro Woche zwei Verkehrsunfälle statt.
Die Häufigkeit der Verkehrsunfälle wird durch eine Poissonverteilung
mit
µ = 2 beschrieben.
Wie groß ist die Wahrscheinlichkeit dafür,
dass weniger als vier Verkehrsunfälle in zwei Wochen stattfinden ?
P(≤ 3) = P(0) + P(1) + P(2) + P(3) = 0.4335
P (0 ) =
P (1) =
P (2 ) =
P (3) =
09.01.2002
40 e −4
0!
41e −4
1!
42 e −4
2!
43 e − 4
3!
= 0.018316
= 0.073264
Ähnliche Fragen sind z. B. wie viele Kinder werden
pro Tag in einem Krankenhaus geboren ?
(Jahreszeitliche Schwankungen) !!.
Liegt tatsächlich eine Poissonverteilung vor ?
= 0.146528
= 0.195367
Qualitativer graphischer Vergleich
Quantitativ mittels χ2-Test
Vorlesung 7
8
Poissonverteilung
Übungsaufgabe zur Poissonverteilung:
Wir zählen die Anzahl von Ereignissen pro Zeiteinheit ∆t.
Wir führen eine Messung n = 84 mal durch
Wir erhalten als Mittelwert 2.119
Die Standardabweichung ist 1.456
Der Fehler des Mittelwertes ist 0.16
µ = 2.12 ± 0.16
09.01.2002
Vorlesung 7
9
Poissonverteilung
Annahme wir wären zu faul gewesen
und hätten bei der gleichen Messung die Apparatur 84 ∆t laufen lassen
Wir hätten nur eine Messung durchgeführt.
Der Mittelwert wäre 178 Ereignisse.
Die Standardabweichung 13.34.
Der Standardfehler somit 13.
Das Endergebnis:
µ = 178 ± 13
µ = 2.12 ± 0.16
09.01.2002
Vorlesung 7
10
Poisson-Verteilung
Zusammenhang zur Binomial-Verteilung
n
n−m
Bi (m ) =   p m (1 − p )
 m
Zusammenhang der Verteilungen
PoissonVerteilung
Bernoulli- Verteilung
diskret
Parameter: n=1, p
Binomial-Verteilung
diskret
Parameter: n, p
n ! ∞
p ! 0
diskret
Parameter µ = σ2
"Grenzfall seltener Ereignisse"
Anwendung auf radioaktiven Zerfall
P(x)
Bi (x)
In einer radioaktiven Probe seien sehr viele (n) Teilchen vorhanden,
die mit einer äußerst geringen Wahrscheinlichkeit p zerfallen,
(z.B. unter Aussendung eines - Quants).
Wir registrieren die Anzahl der emittierten - Quanten
in einem bestimmten Zeitintervall t.
Wir messen sehr viele Zeitintervalle i und erhalten Anzahlen von Ereignissen m.
Der Erwartungswert (Mittelwert) ist = n p.
Grenzübergang zu n !
09.01.2002
Vorlesung 7
∞
11
Poisson-Verteilung
Zusammenhang zur Binomial-Verteilung
n m
n−m
Bi(m ) =   p (1 − p )
 m
 n  µ 
=    
 m  n 
m
 µ
1 − 
 n
n!
=
(n − m)!m!
n−m
m
µ 
µ
n−m
  1 − 
n
n 
n(n − 1)(n − 2).......(n − m + 1) µ m  µ 
=
1− 
nm
m!  n 
µm  µ 
=
1− 
m!  n 
µm −µ
=
e
m!
09.01.2002
n
n−m
−m
 µ   1   2   m −1

1−  1 −  1 − ......1 −
n
n
n
n


 

 
für n → ∞
Vorlesung 7
12
Normal-Verteilung
Zusammenhang zur Binomial-Verteilung
Wir machen eine Messung
Bernoulli- Verteilung
diskret
Parameter: n=1, p
Binomial-Verteilung
Die Messwerte xm setzen sich aus einer großen Zahl
diskret
Parameter: n, p
von kleinen Elementarfehlern β zusammen,
Bi (x)
die um den wahren Wert (Mittelwert) µ verteilt sind.
Gauss-Verteilung
n ! ∞
p ! const.
Die Elementarfehler treten n mal auf,
Normal-Verteilung
kontinuierlich
Parameter: µ, σ
m mal positiv und n-m mal negativ.
G (x)
Der Fehler fm setzt sich somit zusammen aus (p = 1/2):
fm = m β - (n-m) β = 2 m β – n β
[m = n/2 + fm/ 2 β]
09.01.2002
Vorlesung 7
13
Normal-Verteilung
Zusammenhang zur Binomial-Verteilung
Die Wahrscheinlichkeit dafür, dass der Fehler m mal positiv und n-m mal
negativ auftritt wird durch die Binomial-Verteilung gegeben:
n 1
n
n!
n−m
Pm =   p m (1 − p )
=   n =
m!(n − m )!2n
 m 2
 m
Die Verteilung ist treppenförmig
Lassen wir β immer kleiner werden und n immer größer,
dann wird die Anzahl der Stufen immer größer, die Kurve
immer "glatter".
Versuch, eine Funktion zu finden, die
den Verlauf beschreibt.
09.01.2002
Vorlesung 7
14
Normal-Verteilung
Zusammenhang zur Binomial-Verteilung
Pm − Pm +1
∆P
=
∆f
f m − f m +1
n 1
Pm =   n
 m 2
Pm+1 =
n−m
Pm
m +1
sowie
und
 n  1
 n
Pm+1 = 
 m + 1 2
f m − f m+1 = − 2 β
∆P
n − 2m − 1 Pm
=
⋅
∆f
m + 1 2β
Die Rechnung soll durchgeführt werden für Fehler,
die klein sind gegen den maximalen Fehler, also
fm << n β
und
m >> 1.
[m = n/2 + fm/ 2 β]
09.01.2002
Vorlesung 7
15
Normal-Verteilung
Zusammenhang zur Binomial-Verteilung
∆P
n − 2m − 1 Pm
=
⋅
∆f
m + 1 2β
[m = n/2 + fm / 2 β]
n - 2 m – 1 ≈ n - 2 m = - fm/ β
und der Nenner
m + 1 ≈ m = n/2 + fm/2 β ≈ n/2
Pm f m
Pf
dP
∆P
≈ −
= − 2 =
2
nβ
nβ
df
∆f
dP
Pf
= − 2
df
σ
dP
1
= − 2 ⋅ f ⋅ df
P
σ
P = d ⋅e
09.01.2002
Abkürzung : n β 2 = σ2
x2
−
2σ 2
Vorlesung 7
lnP = −
d =
1
2σ 2
x 2 + const
1
2π σ 2
16
Biomialverteilung
Zusammenhang zur Normal-Verteilung
Zusammenhang der Verteilungen
PoissonVerteilung
Bernoulli- Verteilung
diskret
Parameter: n=1, p
Binomial-Verteilung
n ! ∞
p ! 0
diskret
Parameter µ = σ2
diskret
Parameter: n, p
P(x)
Bi (x)
Gauss-Verteilung
n ! ∞
p ! const.
Normal-Verteilung
µ ! ∞
kontinuierlich
Parameter: µ, σ
µ = np
G (x)
09.01.2002
09.01.2002
Vorlesung 5
Vorlesung 7
44
17
Poissonverteilung
Zusammenhang zur Normal-Verteilung
PoissonVerteilung
diskret
Parameter µ = σ2
P(x)
Gauss-Verteilung
Normal-Verteilung
µ ! ∞
kontinuierlich
Parameter: µ, σ
µ = np
G (x)
14.12.2001
09.01.2002
Vorlesung 7
Vorlesung 5
44
18
Zusammenhang der Verteilungen
Ist die Population endlich ?
JA
NEIN
Ist n groß ?
JA
NEIN
Ist n p > 9 ?
JA
Hypergeometrisch
09.01.2002
NEIN
Gauß
Poisson
Vorlesung 7
Binomial
19
Anwendung der Binomialverteilung bei der
Qualitätssicherung
Urnenmodell mit Zurücklegen
Wir haben die Aufgabe eine Lieferung zu testen.
Die Lieferung besteht aus N Teilen von denen M fehlerhaft sind.
Die Wahrscheinlichkeit bei einmaligem Ziehen ein fehlerhaftes Teil zu ziehen ist:
p = M/N
(Fehlerquote)
Wir testen insgesamt n Teile und fragen,
wie wahrscheinlich ist es, dass die n Teile keinen Fehler aufweisen?
09.01.2002
Vorlesung 7
20
Anwendung der Binomialverteilung bei der Qualitätssicherung
Wir testen insgesamt n Teile und fragen,
wie wahrscheinlich ist es, dass die n Teile keinen Fehler aufweisen?
n m
n −m
W (m )=  p (1 − p )
 m
Binomialverteilung
m = 0 (Kein fehlerhaftes Teil)
1,0
Teile.5
Wahrscheinlichkeit für Null fehlerhafte Teile
n
n!
  =
= 1, wenn m = 0
(n − m )!m!
 m
W (m ) = (1 − p )
n
0,8
0,6
0,4
0,2
0,0
Beispiel n = 5
0,0
0,1
0,2
0,3
0,4
0,5
Fehlerquote
09.01.2002
Vorlesung 7
21
Anwendung der Binomialverteilung bei der Qualitätssicherung
Erhöhung der Teilchenzahl n führt zu sicherer Entscheidung
1,0
1,0
Wahrscheinlichkeit für Null fehlerhafte Teile
Wahrscheinlichkeit für Null fehlerhafte Teile
Teile.5
0,8
0,6
0,4
0,2
0,0
Teile.5
Teile.10
Teile.50
0,8
0,6
0,4
0,2
0,0
0,0
0,1
0,2
0,3
0,4
0,0
0,5
0,1
0,2
0,3
0,4
0,5
Fehlerquote
Fehlerquote
Kostenfaktor?
09.01.2002
Vorlesung 7
22
Herunterladen