기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis] 포아송분포(Poisson distribution)

포아송분포(Poisson distribution)

고정된 시간이나 공간에서 일어날 수 있는 사건의 확률을 표현하는 이산분포이며 가장 많이 사용되는 분포 중의 하나로서 확률변수 X는 사건의 수가 됩니다. 그러므로 이 분포는 전체 발생 사건수를 결정할 수 없으므로 전체에 대한 대상 사건의 발생의 비율 즉, 일반적인 확률 개념을 사용할 수 없습니다. 대신에 대상 시간 또는 공간에서의 평균적인 발생횟수를 알 수 있다면 식 1과 같은 분포함수를 적용할 수 있습니다.

$$P(X = x) = \frac{e^{-\lambda}\lambda^x}{x!}$$(식 1)

식 1에서 λ는 사건의 평균발생수를 나타냅니다.

위 식의 확률질량함수를 가지는 포아송 분포는 다음의 전제조건을 갖습니다.

  • 특정한 시간 또는 공간에서 발생하는 사건은 다른 시간, 공간에서 발생하는 결과와 독립이어야 합니다.
  • 단위 시간 또는 공간에 발생하는 사건의 횟수는 동일하여야 합니다.
  • 매우 짧은 시간 또는 매우 작은 공간에서 두 개 이상의 결과가 동시에 발생할 확률은 0이어야 합니다.

모든 범위에서 포아송분포의 확률질량함수는 1이 되어야 하며 식 2와 같이 증명할 수 있습니다.

\begin{align}\sum^\infty_{i=1}\frac{e^{-\lambda}\lambda^i}{i!}&=e^{\lambda}\sum^\infty_{i=1}\frac{\lambda^i}{i!}\\&=e^{-\lambda}e^\lambda\\&=1\\ \because\, \sum^\infty_{x=1}\frac{\lambda^x}{x!}&=1+\lambda+\frac{\lambda^2}{2!}+\frac{\lambda^3}{3!}+\cdots\\&\text{Taylor series}\end{align} (식 2)

위 전개과정에서 적용한 테일러 급수를 sympy의 series()와 Sum()함수를 사용하여 확인해 봅니다.

l, x = symbols('lambda, x')
f=l**x/factorial(x)
Sum(f, (x, 0, oo)).doit()
eλ
series(exp(l), l, 0, 6,"+")

$1+\lambda+\frac{\lambda^2}{2}+\frac{\lambda^3}{6}+\frac{\lambda^4}{24}+\frac{\lambda^5}{120}+O(\lambda^6)$

요약하면 확률변수 X가 모수 λ(사건의 평균 발생수)에 의존된다면 이 변수는 포아송분포를 따르며 식 3과 같이 나타냅니다.

X ∼ Poisson(λ)(식 3)

이 분포에서 생성되는 표본공간은 Sx = {0, 1, 2, · · · }입니다.

λ = 5의 경우 포아송 확률질량함수은 scipy.stats.possion 클래스의 메소드 .pmf(확률변수, λ)를 사용할 수 있습니다.

stats.poisson.pmf(range(5), 5)
array([0.00673795, 0.03368973, 0.08422434, 0.1403739 , 0.17546737])

포아송 분포는 유일한 매개변수 λ에 의존합니다. 그림 1은 λ에 따른 분포의 변화를 나타낸 것입니다.

그림 1. λ에 따른 포아송 분포의 변화.
x=range(1, 41)
p=[1, 5, 10, 30]
pmf={}
for i in p:
    pmf[i]=stats.poisson.pmf(x, i)
fig, ax=plt.subplots(figsize=(4,3))
col=["g",'b','r','k']
for i in range(4):
    ax.plot(x, pmf[p[i]], color=col[i], alpha=0.6, label=f"Poisson({p[i]})")
ax.set_xlabel("x")
ax.set_ylabel("Probability")
ax.legend(loc="best", frameon=False)
plt.show()

포아송분포의 기대값과 분산은 식 4에서 나타낸 모멘트 생성함수로부터 계산할 수 있습니다.

\begin{align}M_x(t) & = E\left(e^{tX}\right)\\&=\sum^\infty_{x=0}e^{tx}f(x)\\&=\sum^\infty_{x=0}\frac{\lambda^xe^{-\lambda}e^{tx}}{x!} \\&=e^{-\lambda}\sum^\infty_{x=0}\frac{(\lambda e^{t})^x}{x!}\\&=e^{-\lambda}e^{\lambda e^{t}} \end{align} (식 4)

위 MGF를 사용하여 계산한 기대값과 분산은 식 5와 같습니다.

E(X) = M'x(0) = λ(식 5)
Var(X) = M"x(0) - (E(X))2 = λ

식 5는 sympy의 다양한 함수를 사용하여 계산할 수 있습니다.

l, x, t=symbols("lambda, x, t")
f=exp(-l)*l**x/factorial(x); f

$\frac{\lambda^x e^{-\lambda}}{x!}$

M=Sum(exp(-l)*(l*exp(t))**x/factorial(x), (x, 0, oo)).doit();M
e-λeλet
E=M.diff(t).subs(t, 0); E
λ
var=M.diff(t, 2).subs(t,0)-E**2
simplify(var)
λ

예 1)

30분간 평균 변화가 50원인 한 주식의 변화는 포아송 분포를 따른다고 가정합시다. 이 모형에 의해 5분간 변화가 없을 확률과 분포의 기대값과 분산을 결정합시다.

이 문제에서 확률변수는 5분 동안의 변화없는 것으로 사건이 0인 확률입니다. 즉, P(X=0)을 결정하는 것입니다. 30분간의 평균 변화가 50이므로 5분의 평균변화(λ)는 식 6과 같습니다.

\begin{align} \lambda &=\frac{50\cdot 5}{30}\\&=\frac{25}{3}\end{align}(식 6)

식 6의 결과인 λ를 모수로 하는 포아송 분포의 형태는 그림 2와 같습니다.

그림 2. 모수 $λ= \frac{25}{3}$인 포아송분포.
x=range(1, 20)
pmf=stats.poisson.pmf(x, 25/3)
fig, ax=plt.subplots(figsize=(4,3))
ax.bar(x, pmf, color="g", alpha=0.6, label=r"Poisson$\left(\frac{25}{3}\right)$")
ax.set_xlabel("x")
ax.set_ylabel("Probability")
ax.legend(loc="best", frameon=False)
plt.show()
p=stats.poisson.pmf(0, 25/3)
round(p, 5)
0.00024
mu, var=stats.poisson.stats(25/3, moments="mv")
print("평균: %.3f, 분산: %.3f"%(mu, var))
평균: 8.333, 분산: 8.333

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...