Söz bir genelleme dağılımı sorar dağılımı zaman bilinen ve doğal sayılar desteklenir. ( , ve parametresinin Poisson dağılımına sahiptir .)X X λ = λ 1 + λ 2 + ⋯ + λ n m = nY= ⌊ X/ m⌋XXλ = λ1+ λ2+ ⋯ + λnm = n
Dağılımı Y kolay dağılımı tarafından belirlenir m Y olasılık üreten fonksiyonu (PGF) PGF açısından belirlenebilir, X . İşte türetmenin bir özeti.
p ( x ) = p0+ p1x + ⋯ + pnxn+ ⋯Xpn= Pr ( X= n )X qm YXq
q( x )=( p0+ p1+ ⋯ + pm - 1) + ( pm+ pm + 1+ ⋯ + p2 m - 1) xm+ ⋯ +( pn m+ pn m + 1+ ⋯ + p( n + 1 ) m - 1) xn m+ ⋯ .
Çünkü bu kesinlikle , terimleri formun toplamına yeniden düzenleyebiliriz| x | ≤ 1
Dm , tp ( x ) = pt+ pt + mxm+ ⋯ + pt + n mxn m+ ⋯
için . Fonksiyonları gücü dizisi , her oluşur dizisinin terimi başlayarak bu bazen bir adlandırılır: seyreltme ve . Google aramaları şu anda kararlar hakkında çok yararlı bilgiler vermiyor, bu nedenle tamlık için bir formülün türevi.x t D m , t p m th p t th pt = 0 , 1 , … , m - 1xtDm , tpminciptincip
Let bir ilkel birlik kök; örneğin, . Sonra izler ve olduğum th ω = exp ( 2 i π / m ) ω m = 1 ∑ m - 1 j = 0 ω j = 0ωminciω = exp( 2 i π/ m)ωm= 1Σm - 1j = 0ωj= 0
xtDm , tp ( x ) = 1mΣj = 0m - 1ωt jp ( x / ωj) .
Bunu görmek için, operatörünün doğrusal olduğunu unutmayın, bu nedenle formülü temelinde kontrol etmek yeterlidir. . Sağdaki tarafını uygulanması verir { 1 , x , x 2 , … , x n , … } x nxtDm , t{ 1 , x , x2, … , Xn, … }xn
xtDm , t[ xn] = 1mΣj = 0m - 1ωt jxnω- n j= xnmΣj = 0m - 1ω( t - n ) j .
Tüm ve bir çoklu ile farklılık , toplamı, her bir terimin eşittir ve elde . Aksi takdirde, terimler yetkileri arasında geçiş yapar ve bunlar sıfıra eşitlenir. Bu operatörün modulo uygun tüm güçlerini koruduğu ve diğerlerinin hepsini öldürdüğü: tam olarak istenen projeksiyon.n m 1 x n ω t - n xtnm1xnωt - nxmtm
için bir formül , toplama sırasını değiştirerek ve toplamlardan birini geometrik olarak tanıyarak ve ardından kapalı biçimde yazarak kolayca takip eder:q
q( x )= ∑t = 0m - 1(Dm,t[p])(x)=∑t=0m−1x−t1m∑j=0m−1ωtjp(ω−jx)=1m∑j=0m−1p(ω−jx)∑t=0m−1(ωj/x)t=x(1−x−m)m∑j=0m−1p(ω−jx)x−ωj.
Örneğin parametre bir Poisson dağılımının PGF olduğu . İle , ve PGF olacakp ( x ) = exp ( λ ( x - 1 ) ) m = 2 ω = - 1 2 Yλp(x)=exp(λ(x−1))m=2ω=−12Y
q(x)=x(1−x−2)2∑j=02−1p((−1)−jx)x−(−1)j=x−1/x2(exp(λ(x−1))x−1+exp(λ(−x−1))x+1)=exp(−λ)(sinh(λx)x+cosh(λx)).
Bu yaklaşımın bir kullanımı ve momentlerini hesaplamaktır . Değeri değerlendirilen PGF türevi olduğu faktörlü an. an ilk doğrusal bir kombinasyonudur faktöryel anlar. Bir Poisson dağıtılan, örneğin, sürekli olarak bu gözlemleri kullanılarak , (birinci faktoryel an olan) eşit olan ortalama , ortalama eşit ve eşittirXk inci x = 1 k inci k inci k x λ 2 ⌊ ( x / 2 ) ⌋ λ - 1mYkthx=1kthkthkXλ2 ⌊ ( X/ 2)⌋3⌊(X/3)⌋λ-1+E-3λ/2(sin ( √λ - 12+ 12e- 2 λ3 ⌊ ( X/ 3)⌋λ - 1 + e- 3 λ / 2( günah( 3√λ2)3√+ cos( 3√λ2) ) :
için araçlar sırasıyla : asimptotik olarak işlevler olarak mavi, kırmızı ve sarı renklerle gösterilmiştir, ortalama orijinal Poisson ortalamasına kıyasla düşer .λ ( m - 1 ) / 2m=1,2,3λ(m−1)/2
Varyanslar için benzer formüller elde edilebilir. ( yükseldikçe dağınık hale gelirler ve bu yüzden atlanırlar. Kesin olarak belirledikleri bir şey, olduğunda , katının hiçbiri Poisson değildir: ortalama ve varyansın karakteristik eşitliğine sahip değildir) İşte varyansların bir grafiği için bir fonksiyonu olarak :m > 1 Y λ m = 1 , 2 , 3mm>1Yλm=1,2,3
Daha büyük değerleri için varyansların artması ilginçtir . Sezgisel olarak, bu iki rakip fenomenden kaynaklanır: zemin fonksiyonu, başlangıçta farklı olan değer gruplarını etkili bir şekilde gruplandırır; bu varyansın azalmasına neden olmalıdır . Aynı zamanda, gördüğümüz gibi, araçlar da değişiyor (çünkü her kutu en küçük değeriyle temsil ediliyor); bu, geri eklenecek araç farkının karesine eşit bir terime neden olmalıdır. Büyük için varyans artışı daha büyük değerleri ile artar .λ mλλm
ile varyansının davranışı şaşırtıcı derecede karmaşıktır. Neler yapabileceğini gösteren hızlı bir simülasyonla (in ) bitirelim. Plotlar aşağıda belirtilen maddelerin varyans arasındaki farkı gösteren ve varyans Poisson dağıtılmış için çeşitli değerlerle kadar ile . Her durumda parseller sağda asimptotik değerlerine ulaşmış gibi görünmektedir.m m ⌊ X / m ⌋ X X λ 1 5000mYmR
m⌊X/m⌋XXλ15000
set.seed(17)
par(mfrow=c(3,4))
temp <- sapply(c(1,2,5,10,20,50,100,200,500,1000,2000,5000), function(lambda) {
x <- rpois(20000, lambda)
v <- sapply(1:floor(lambda + 4*sqrt(lambda)),
function(m) var(floor(x/m)*m) - var(x))
plot(v, type="l", xlab="", ylab="Increased variance",
main=toString(lambda), cex.main=.85, col="Blue", lwd=2)
})