Xem mã nguồn của Phân phối Poisson

{{Probability distribution|
  name       =Poisson (Poa-xông)|
  type       =khối|
  pdf_image  =[[Tập tin:Poisson distribution PMF.png|325px|Plot of the Poisson PMF]]<br />Trục hoành là chỉ số ''k''. Hàm khối xác suất được định nghĩa dựa trên duy nhất biến nguyên ''k''. Đường nối dùng để minh họa chứ không có nghĩa là liên tục.|
 cdf_image  =[[Tập tin:PoissonCDF.png|325px|Plot of the Poisson CDF]]<br /><small>Trục hoành là chỉ số ''k''. </small> |
  parameters =<math>\lambda \in (0,\infty)</math>|
  support    =<math>k \in \{0,1,2,\ldots\}</math>|
  pdf        =<math>\frac{e^{-\lambda} \lambda^k}{k!}\!</math>|
  cdf        =<math>\frac{\Gamma(\lfloor k+1\rfloor, \lambda)}{\lfloor k\rfloor !}\!\text{ for }k\ge 0</math> 
(với <math>\Gamma(x, y)</math> là [[hàm gamma không đầy đủ]])|
  mean       =<math>\lambda\,</math>|
  median     =<math>\text{usually about }\lfloor\lambda+1/3-0.02/\lambda\rfloor</math>|
  mode       =<math>\lceil\lambda\rceil - 1</math>|
  variance   =<math>\lambda\,</math>|
  skewness   =<math>\lambda^{-1/2}\,</math>|
  kurtosis   =<math>\lambda^{-1}\,</math>|
  entropy    =<math>\lambda[1\!-\!\ln(\lambda)]\!+\!e^{-\lambda}\sum_{k=0}^\infty \frac{\lambda^k\ln(k!)}{k!}</math>|
  mgf        =<math>\exp(\lambda (e^t-1))\,</math>|
  char       =<math>\exp(\lambda (e^{it}-1))\,</math>
}}
Trong [[lý thuyết xác suất]] và [[khoa học Thống kê|thống kê]], '''Phân phối Poisson''' (''phân phối Poa-xông'') là một [[phân phối xác suất rời rạc]]. Nó khác với các phân phối xác suất rời rạc khác ở chỗ thông tin cho biết không phải là xác suất để một sự kiện (''event'') xảy ra (thành công) trong một lần thử như trong [[phân phối Bernoulli]], hay là số lần mà sự kiện đó xảy ra trong ''n'' lần thử như trong [[phân phối nhị thức]], mà chính là '''trung bình số lần xảy ra thành công của một sự kiện trong một khoảng thời gian nhất định'''. Giá trị trung bình này được gọi là '''lamda''', ký hiệu là <math>\lambda</math>.

Phân phối Poisson còn được dùng cho khoảng mà đơn vị khác thời gian như: khoảng cách, diện tích hay thể tích. Một ví dụ cổ điển là sự phân rã hạt nhân của các nguyên tử.

Phân phối này được tìm ra bởi nhà toán học [[Simeon Poisson|Siméon-Denis Poisson]] ([[1781]]–[[1840]]) và đã được xuất bản cùng với lý thuyết xác suất của ông, vào năm 1838 với tựa đề ''Recherches sur la probabilité des jugements en matières criminelles et matière civile'' ("Research on the Probability of Judgments in Criminal and Civil Matters").  Theo đó, nếu xem xét một [[biến ngẫu nhiên]] ''N'' nào đó, và đếm số lần xuất hiện (rời rạc) của nó trong một khoảng thời gian cho trước. Nếu giá trị kì vọng (hay số lần trung bình mà biến ngẫu nhiên đó xảy ra trong khoảng thời gian đó là λ, thì xác suất để cũng chính sự kiện đó xảy ra ''k'' lần (''k'' là [[số nguyên]] không âm, ''k'' = 0, 1, 2,...) sẽ được tính theo công thức

:<math>f(k;\lambda)=\frac{\lambda^k e^{-\lambda}}{k!},\,\!</math>

với 
* ''e'' là [[số e|cơ số của logarit tự nhiên]] (''e'' = 2.71828...)
* ''k'' là số lần xuất hiện của một sự kiện - mà xác suất của nó là cho bởi công thức trên
* ''k''! là [[giai thừa]] của ''k''
* λ là [[số thực]] dương, bằng với giá trị kì vọng xuất hiện của sự kiện trong một khoảng cho sẵn. Ví dụ, nếu một sự kiện trung bình xảy ra 1 lần trong 4 [[phút]], giờ ta quan tâm số lần sự kiện xảy ra trong khoảng thời gian 10 phút, ta dùng mô hình phân phối Poisson với λ&nbsp;=&nbsp;10/4&nbsp;=&nbsp;2.5.

Vì đây là biến ngẫu nhiên rời rạc, công thức trên cho ta công thức của [[hàm khối xác suất]]. 
:<math>p_X[k]=\frac{\lambda^k e^{-\lambda}}{k!}\,\!</math>

== Các phân phối liên quan ==
* Nếu <math>X_1 \; \sim \; \mathrm{Pois}(\lambda_1)</math> và <math>X_2 \; \sim \; \mathrm{Pois}(\lambda_2)</math>, thì hiệu <math> Y = X_1 - X_2</math> tuân theo [[phân phối Skellam]].
* Nếu <math>X_1 \; \sim \; \mathrm{Pois}(\lambda_1)\,</math> và <math>X_2 \sim \mathrm{Pois}(\lambda_2)\,</math> là độc lập, và <math>Y = X_1 + X_2</math>, thì phân phối của <math>X_1</math> phụ thuộc điều kiện vào <math>Y=y</math> là một [[phân phối nhị thức]]. Đặc biệt, <math>X_1|(Y=y) \sim \mathrm{Binom}(y, \lambda_1/(\lambda_1+\lambda_2))\,</math>.  Tổng quát hơn, nếu ''X''<sub>1</sub>, ''X''<sub>2</sub>,..., ''X''<sub>''n''</sub> là các biến ngẫu nhiên Poisson với các tham số tương ứng là λ<sub>1</sub>, λ<sub>2</sub>,..., λ<sub>''n''</sub> thì <math>X_i \left|\sum_{j=1}^n X_j\right. \sim \mathrm{Binom}\left(\sum_{j=1}^nX_j,\frac{\lambda_i}{\sum_{j=1}^n\lambda_j}\right)</math>
* Phân phối Poisson có thể được xem là một trường hợp hạn chế của [[phân phối nhị thức]] khi mà số lần thử (''trials'') tiến đến vô hạn và [[giá trị kỳ vọng|giá trị kì vọng]] của số lần thành công là giữ nguyên. Vì thế, nó có thể dùng để xấp xỉ cho phân phối nhị thức nếu ''n'' là đủ lớn và ''p'' là đủ nhỏ. Có một quy luật theo kinh nghiệm là phân phối Poisson có thể ước lượng tốt cho một phân phối nhị thức nếu ''n'' lớn hơn 20 và ''p'' là nhỏ hơn hoặc bằng 0.05. Cũng theo quy luật này, xấp xỉ được xem là rất chính xác nếu ''n'' ≥ 100 và ''np'' ≤ 10.<ref>NIST/SEMATECH, '6.3.3.1. Counts Control Charts', ''e-Handbook of Statistical Methods'', <http://www.itl.nist.gov/div898/handbook/pmc/section3/pmc331.htm> [accessed ngày 25 tháng 10 năm 2006]</ref>
* Với giá trị đủ lớn của  λ, (ví dụ λ>1000), thì [[phân phối chuẩn]] với trung bình λ, và độ lệch λ, là một xấp xỉ rất chính xác cho phân phối Poisson.  Nếu λ lớn hơn 10, thì phân phối chuẩn là một xấp xỉ tốt nếu ta thực hiện chèn thêm 1/2 vào, nghĩa là, P(''X''&nbsp;≤&nbsp;''x''), với ''x'' (viết thường) là một số nguyên không âm, sẽ được thay bởi P(''X''&nbsp;≤&nbsp;''x''&nbsp;+&nbsp;0.5).
::  <math>F_\mathrm{Poisson}(x;\lambda) \approx F_\mathrm{normal}(x;\mu=\lambda,\sigma^2=\lambda)\,</math>

== Sự ra đời ==
Phân phối Poisson ra đời gắn liền với [[quá trình Poisson]]. Nó được áp dụng cho nhiều hiện tượng (có tính rời rạc) (nghĩa là số lần xuất hiện trong một khoảng (thời gian, không gian) cho trước đó phải là số nguyên 0, 1, 2, 3,...) với xác suất để sự kiện (hiện tượng) đó xảy ra là không đổi trong suốt khoảng (thời gian, không gian) đó. Các ví dụ sau được mô hình theo phân phối Poisson:
* Số lượng xe hơi đi ngang qua 1 điểm trên con đường trong một khoảng thời gian cho trước.
* Số lần gõ bị sai của khi đánh máy một trang giấy.
* Số cuộc điện thoại tại một trạm điện thoại trong mỗi phút.
* Số lần truy cập vào một máy chủ web trong mỗi phút.
* Số lần động vật bị chết do xe cộ cán phải trên mỗi đơn vị độ dài của một con đường.
* Số lần [[đột biến sinh học|đột biến]] xảy ra trên một đoạn [[ADN|DNA]] sau khi chịu một lượng bức xạ..
* Số lượng cây thông trên mỗi đơn vị diện tích rừng hỗn hợp.
* Số lượng ngôi sao trong một thể tích không gian vũ trụ.
* Số lượng người lính bị chết do ngựa đá mỗi năm trông mỗi đội của kị binh Phổ. Ví dụ này rất nổi tiếng trong cuốn sách của [[Ladislaus Bortkiewicz|Ladislaus Josephovich Bortkiewicz]] ([[1868]]–[[1931]]).
* Phân phối của các tế bào cảm quang trong [[võng mạc]] của mắt.
* Số lượng bóng đèn bị cháy trong một khoảng thời gian xác định.
* Số lượng virut có thể lây nhiễm lên một tế bào trong cấu trúc tế bào.
* Số lưộng phát minh của một nhà sáng chế trong suốt cuộc đời của họ.

== Tại sao lại tồn tại phân phối này? — ''Luật của các sự kiện hiếm'' ==

== Các tính chất ==
* [[Giá trị kỳ vọng|Giá trị kì vọng]] của một biến ngẫu nhiên phân phối Poisson là λ và nó cũng chính là [[độ lệch]].  Các giá trị [[mômen (toán học)|mômen]] cao hơn của phân phối Poisson chính là các [[đa thức Touchard]] trong λ, với các hệ số có ý nghĩa [[toán học tổ hợp|tổ hợp]].  Cụ thể là nếu khi giá trị kì vọng của phân phối Poisson là 1, thì [[công thức Dobinski]] nói rằng moment thứ ''n'' bằng với số phân hoạch của một tập hợp có kích thước là ''n''.
* [[mode (thống kê)|mode]] của một biến ngẫu nhiên phân phối Poisson với λ không là số nguyên thì bằng với <math>\scriptstyle\lfloor \lambda \rfloor</math>, chính là số nguyên lớn nhất không vượt quá λ. Nếu λ là số nguyên dương, thì modes chính là λ và λ&nbsp;−&nbsp;1.
* Tổng của các biến ngẫu nhiên theo phân phối Poisson:
: Nếu <math>X_i \sim \mathrm{Poi}(\lambda_i)\,</math> tuân theo phân phối Poisson với tham số <math>\lambda_i\,</math> và <math>X_i</math> là [[độc lập thống kê|độc lập nhau]], thì <math>Y = \sum_{i=1}^N X_i \sim \mathrm{Poi}\left(\sum_{i=1}^N \lambda_i\right)\,</math> cũng tuân theo phân phối Poisson với tham số là tổng của các tham số thành phần.

* [[Hàm khởi tạo mômen]] của phân phối Poisson với giá trị kì vọng λ là

:: <math>\mathrm{E}\left(e^{tX}\right)=\sum_{k=0}^\infty e^{tk} f(k;\lambda)=\sum_{k=0}^\infty e^{tk} {\lambda^k e^{-\lambda} \over k!} =e^{\lambda(e^t-1)}.</math>

* Mọi [[nửa bất biến]] (''cumulant'') của phân phối Poisson bằng với giá trị kì vọng λ.  [[Mômen giai thừa]] thứ ''n'' của phân phối Poisson là λ<sup>''n''</sup>.
* Phân phối Poisson chính là phân phối xác suất có thể chia hết vô hạn.
* Định hướng [[phân kì Kullback-Leibler]] giữa Poi(λ<sub>0</sub>) và Poi(λ) được cho bởi

:: <math>\Delta(\lambda||\lambda_0) = \lambda \left(1 - \frac{\lambda_0}{\lambda} + \frac{\lambda_0}{\lambda} \log \frac{\lambda_0}{\lambda} \right).</math>

=== Khởi tạo các biến ngẫu nhiên có phân phối Poisson ===
Một cách đơn giản để khởi tạo các số ngẫu nhiên theo phân phối Poisson được đưa ra bởi [[Donald Knuth|Knuth]], xem tham khảo ở dưới.

 '''algorithm''' ''poisson random number (Knuth)'':
     '''init''':
          '''Let''' L ← ''e''<sup>−λ</sup>, k ← 0 and p ← 1.
     '''do''':
          k ← k + 1.
          Generate uniform random number u and '''let''' p ← p × u.
     '''while''' p ≥ L.
     '''return''' k − 1.

Dù đơn giản, nhưng độ phức tạp của giải thuật là tuyến tính với λ. Nên có nhiều giải thuật khác giải quyết vấn đề này. Xem tham khảo tại sách của Ahrens & Dieter.

== Ước lượng tham số ==
=== Hợp lý cực đại ===

Cho một mẫu gồm ''n'' giá trị được đo ''k''<sub>''i''</sub> chúng ta muốn ước lượng giá trị của tham số ''λ'' của tập hợp phân phối Poisson mà từ đó mẫu này được rút ra. Để tính giá trị [[hợp lý cực đại]] (''maximum likelihood''), ta tạo ra hàm log-likelihood

:<math>L(\lambda) = \ln \prod_{i=1}^n f(k_i \mid \lambda) \!</math>
:<math>= \sum_{i=1}^n \ln\!\left(\frac{e^{-\lambda}\lambda^{k_i}}{k_i!}\right) \!</math>
:<math>= -n\lambda + \left(\sum_{i=1}^n k_i\right) \ln(\lambda) - \sum_{i=1}^n \ln(k_i!). \!</math>

Lấy đạo hàm của ''L'' theo ''λ'' và cho nó bằng 0:

:<math>\frac{\mathrm{d}}{\mathrm{d}\lambda} L(\lambda) = 0
\iff -n + \left(\sum_{i=1}^n k_i\right) \frac{1}{\lambda} = 0 \!</math>

Giải tìm ''λ'' sẽ cho ta ước lượng hợp lý cực đại của ''λ'':

:<math>\widehat{\lambda}_\mathrm{MLE}=\frac{1}{n}\sum_{i=1}^n k_i. \!</math>

Vì mỗi quan sát có kì vọng λ theo ý nghĩa của mẫu.  Vì thế nó là một [[ước lượng không lệch]] của λ.

=== Suy luận Bayes ===

Trong [[suy luận Bayes]], [[tiên nghiệm liên hợp]] (''conjugate prior'') cho tham số ''λ'' của phân phối Poisson là [[phân phối Gamma]].  Nếu

:<math>\lambda \sim \mathrm{Gamma}(\alpha, \beta) \!</math>

đại diện cho ''λ'' được phân phối theo [[hàm mật độ xác suất|mật độ]] Gamma  ''g' được tham số hóa theo một [[tham số hình dạng]]  (''shape parameter'') ''α'' và một [[tham số tỉ lệ]] (''scale parameter'') nghịch đảo ''β'':

:<math> g(\lambda \mid \alpha,\beta) = \frac{\beta^{\alpha}}{\Gamma(\alpha)} \; \lambda^{\alpha-1} \; e^{-\beta\,\lambda} \qquad \mbox{for}\ \lambda>0 \,\!.</math>

Thì, nếu cho cùng một mẫu gồm ''n'' giá trị được đo ''k''<sub>''i''</sub> như ở trên, và một tiên nghiệm của Gamma(''α'', ''β''), thì phân phối hậu nghiệm (''posterior distribution'') là

:<math>\lambda \sim \mathrm{Gamma}(\alpha + \sum_{i=1}^n k_i, \frac{1}{\frac{1}{\beta} + n}). \!</math>

== "Luật số nhỏ" ==
Phân phối Poisson còn được gọi là '''luật số nhỏ''' vì nó là xác suất phân phối của số lần xuất hiện của một sự kiện mà rất hiếm khi xảy ra, nhưng cơ hội để xảy ra thì lại rất nhiều. Và ''The Law of Small Numbers'' là tiêu đề của cuốn sách viết bởi [[Ladislaus Bortkiewicz]] về phân phối Poisson, được xuất bản năm [[1898]]. Vì thế, một số cho rằng phân phối Poisson nên được gọi là phân phối Bortkiewicz.<ref>p.e. I J Good, Some statistical applications of Poisson's work, Statist. Sci. 1 (2) (1986), 157-180.
[http://links.jstor.org/sici?sici=0883-4237%28198605%291%3A2%3C157%3ASSAOPW%3E2.0.CO%3B2-I JSTOR link]</ref>

== Tính toán gần đúng cho xác suất Poisson ==
Khi ''k'' lớn (>20) việc sử dụng xấp xỉ hàm logarit và lũy thừa là cần thiết.  Ví dụ sau viết bằng Java.

<source lang="java">
/**Calculates an approximation of the Poisson probability.
 * @param mean - lambda, the average number of occurrences
 * @param observed - the actual number of occurences observed
 * @return ln(Poisson probability) - the natural log of the Poisson probability.
 */
public static double poissonProbabilityApproximation (double mean, int observed) {
	double k = observed;
	double a = k * Math.log(mean);
	double b = -mean;
	return a + b - factorialApproximation(k);
}

/**Srinivasa Ramanujan ln(n!) factorial estimation.
 * Good for larger values of n.
 * @return ln(n!)
 */
public static double factorialApproximation(double n) {
	if (n < 2.) return 0;
	double a = n * Math.log(n) - n;
	double b = Math.log(n * (1. + 4. * n * (1. + 2. * n))) / 6.;
	return a + b + Math.log(Math.PI) / 2.;
}
</source>

== Nhiễu Poisson ==

== Xem thêm ==
* [[Phân phối Poisson phức hợp]]
* [[Quá trình Poisson]]
* [[Hồi qui Poisson]]
* [[Lý thuyết hàng đợi]]
* [[Erlang distribution]]
* [[Phân phối Skellam]].
* [[Incomplete gamma function]] dùng để tính CDF.
* [[Dobinski's formula]]
* [[Schwarz formula]]
* [[Bổ đề Robbins]]

== Công cụ trực tuyến để minh họa hình ảnh cho phân phối Poisson ==

[http://www.stat.tamu.edu/~jhardin/applets/signed/Poiss.html Phân phối Poisson có tương tác tại đại học Texas A&M (TAMU)]

==Chú thích==
{{tham khảo}}
== Tham khảo ==
* {{chú thích sách
 | author = Donald E. Knuth
 | title = Seminumerical Algorithms
 | publisher = [[Addison Wesley]]
 | series = The Art of Computer Programming, Volume 2
 | year = 1969
}}

* {{chú thích tạp chí
 | author=Joachim H. Ahrens, Ulrich Dieter
 | title=Computer Methods for Sampling from Gamma, Beta, Poisson and Binomial Distributions
 | journal=Computing
 | year=1974
 | volume=12
 | issue=3
 | pages=223--246
 | doi=10.1007/BF02293108
}}

* {{chú thích tạp chí
 | author=Joachim H. Ahrens, Ulrich Dieter
 | title=Computer Generation of Poisson Deviates
 | journal=ACM Transactions on Mathematical Software
 | year=1982
 | volume=8
 | issue=2
 | pages=163--179
 | doi=10.1145/355993.355997
}}

== Liên kết ngoài ==
* {{planetmath reference|id=6252|title=Law of rare events}}
* [http://www.eventhelix.com/RealtimeMantra/CongestionControl/queueing_theory.htm Queueing Theory Basics]
* [http://www.eventhelix.com/RealtimeMantra/CongestionControl/m_m_1_queue.htm M/M/1 Queueing System]
* [http://www.itl.nist.gov/div898/handbook/eda/section3/eda366j.htm Engineering Statistics Handbook: Poisson Distribution]
* [http://xkcd.com/c12.html xkcd webcomic involving a Poisson distribution]
* [http://qwiki.caltech.edu/wiki/Poisson_Distribution Poisson Distribution at QWiki]
* [http://qwiki.caltech.edu/wiki/Poisson_Derivation_1 Poisson Derivation 1: Continuous limit of a Binomial distribution]
* [http://qwiki.caltech.edu/wiki/Poisson_Derivation_2 Poisson Derivation 2: Generating function approach]
* [http://qwiki.caltech.edu/wiki/Poisson_Derivation_3 Poisson Derivation 3: Summation of the waiting-time distribution]
* [http://www.elektro-energetika.cz/calculations/po.php?language=vi Máy tính trực tuyến Phân phối Poisson]

{{ProbDistributions|phân phối Poisson}}
{{Statistics}}

[[Thể loại:Phân phối xác suất rời rạc]]
[[Thể loại:Phân phối xác suất]]