Poisson ဖြန့်ဖြူးခြင်း၏ အယူအဆလေးခု

Poisson ဖြန့်ဖြူးမှုသည် ပုံသေအချိန်ကြားကာလတစ်ခုအတွင်း ဖြစ်ပျက်နေသည့် ဖြစ်ရပ်အရေအတွက်အချို့၏ ဖြစ်နိုင်ခြေကို နမူနာယူရန် အသုံးပြုသည့် ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။

အောက်ဖော်ပြပါ ယူဆချက်လေးခုနှင့် ကိုက်ညီပါက Poisson ဖြန့်ဖြူးမှုကို အသုံးပြုရန် သင့်လျော်ပါသည်။

ယူဆချက် 1- ဖြစ်ရပ်အရေအတွက်ကို ရေတွက်နိုင်ပါသည်။

ပေးထားသည့်အချိန်ကြားကာလတစ်ခုအတွင်း ဖြစ်ပေါ်လာနိုင်သည့် “ ဖြစ်ရပ်များ” အရေအတွက်ကို ရေတွက်နိုင်ပြီး 0၊ 1၊ 2၊ 3၊… စသည်ဖြင့် တန်ဖိုးများကို ယူနိုင်သည်ဟု ကျွန်ုပ်တို့ ယူဆပါသည်။

Hypothesis 2- အဖြစ်အပျက်များ ဖြစ်ပျက်မှုသည် သီးခြားဖြစ်သည်။

ဖြစ်ရပ်တစ်ခု ဖြစ်ပွားခြင်းသည် အခြားဖြစ်ရပ်တစ်ခု ဖြစ်ပွားနိုင်ခြေကို သက်ရောက်မှုမရှိဟု ကျွန်ုပ်တို့ ယူဆပါသည်။

ယူဆချက် 3- အဖြစ်အပျက်များ တွက်ချက်နိုင်သည့် ပျမ်းမျှအမြန်နှုန်း။

ပေးထားသောအချိန်ကြားကာလတစ်ခုအတွင်း ဖြစ်ပေါ်လာသည့် ပျမ်းမျှနှုန်းကို တွက်ချက်နိုင်ပြီး ကြားကာလတစ်ခုစီတွင် ကိန်းသေဖြစ်နေသည်ဟု ကျွန်ုပ်တို့ယူဆပါသည်။

ယူဆချက် 4- အဖြစ်အပျက်နှစ်ခုသည် တစ်ချိန်တည်းတွင် အတိအကျမဖြစ်နိုင်ပါ။

အလွန်သေးငယ်သော ကြားကာလတစ်ခုစီတွင် ဖြစ်ရပ်တစ်ခု အတိအကျ ဖြစ်ပေါ်သည် သို့မဟုတ် မဖြစ်ပေါ်ကြောင်း ကျွန်ုပ်တို့ ယူဆပါသည်။

အောက်ဖော်ပြပါ ဥပမာများသည် Poisson ဖြန့်ဖြူးမှု၏ ယူဆချက်များနှင့် ကိုက်ညီသော အမျိုးမျိုးသော မြင်ကွင်းများကို ပြသသည်။

ဥပမာ 1- စားသောက်ဆိုင်သို့ ရောက်ရှိသူအရေအတွက်

နေ့စဉ်စားသောက်ဆိုင်သို့ရောက်ရှိလာသောဖောက်သည်အရေအတွက်ကို Poisson ဖြန့်ဖြူးမှုအသုံးပြု၍ စံနမူနာယူနိုင်ပါသည်။

ဤအခြေအနေသည် Poisson ဖြန့်ဖြူးမှု၏ ယူဆချက်တစ်ခုစီနှင့် ကိုက်ညီသည်-

ယူဆချက် 1- ဖြစ်ရပ်အရေအတွက်ကို ရေတွက်နိုင်ပါသည်။

စားသောက်ဆိုင်သို့ နေ့စဉ်လာရောက်သော ဖောက်သည်အရေအတွက်ကို ရေတွက်နိုင်သည် (ဥပမာ ဖောက်သည် ၂၀၀)။

Hypothesis 2- အဖြစ်အပျက်များ ဖြစ်ပျက်မှုသည် သီးခြားဖြစ်သည်။

ဖောက်သည်တစ်ဦး၏ ရောက်ရှိလာမှုသည် အခြားဖောက်သည်တစ်ဦး၏ ရောက်ရှိလာမှုကို မထိခိုက်စေပါ။

ယူဆချက် 3- အဖြစ်အပျက်များ တွက်ချက်နိုင်သည့် ပျမ်းမျှအမြန်နှုန်း။

ကျွန်ုပ်တို့သည် နေ့စဉ်စားသောက်ဆိုင်သို့ ဝင်ရောက်သော ပျမ်းမျှဖောက်သည်အရေအတွက်အပေါ် အလွယ်တကူ စုဆောင်းနိုင်ပါသည်။

ယူဆချက် 4- အဖြစ်အပျက်နှစ်ခုသည် တစ်ချိန်တည်းတွင် အတိအကျမဖြစ်နိုင်ပါ။

နည်းစနစ်ပိုင်းအရ ဖောက်သည်နှစ်ဦးသည် စားသောက်ဆိုင်တစ်ဆိုင်ကို တစ်ချိန်တည်း တွင် ဝင်၍မရပါ။

ဥပမာ 2- တစ်ပတ်လျှင် ကွန်ရက်ပြတ်တောက်မှု အရေအတွက်

နည်းပညာကုမ္ပဏီတစ်ခုမှ အပတ်စဉ်ကြုံတွေ့နေရသော ကွန်ရက်ပြတ်တောက်မှုအရေအတွက်ကို Poisson ဖြန့်ဖြူးမှုကို အသုံးပြု၍ နမူနာယူနိုင်ပါသည်။

ဤအခြေအနေသည် Poisson ဖြန့်ဖြူးမှု၏ ယူဆချက်တစ်ခုစီနှင့် ကိုက်ညီသည်-

ယူဆချက် 1- ဖြစ်ရပ်အရေအတွက်ကို ရေတွက်နိုင်ပါသည်။

အပတ်စဉ် ကွန်ရက်ပြတ်တောက်မှု အရေအတွက်ကို ရေတွက်နိုင်သည် (ဥပမာ- ကွန်ရက်ပြတ်တောက်မှု 3 ခု)။

Hypothesis 2- အဖြစ်အပျက်များ ဖြစ်ပျက်မှုသည် သီးခြားဖြစ်သည်။

ကွန်ရက်ပြတ်တောက်မှု ပေါ်ပေါက်ခြင်းသည် အခြားသော ကွန်ရက်ပြတ်တောက်မှု ဖြစ်ပွားနိုင်ခြေကို သက်ရောက်မှု မရှိဟု ယူဆပါသည်။

ယူဆချက် 3- အဖြစ်အပျက်များ တွက်ချက်နိုင်သည့် ပျမ်းမျှအမြန်နှုန်း။

အပတ်စဉ်ဖြစ်ပေါ်နေသော ပျမ်းမျှကွန်ရက်ပြတ်တောက်မှု အရေအတွက်အပေါ် ကျွန်ုပ်တို့ အလွယ်တကူ စုဆောင်းနိုင်ပါသည်။

ယူဆချက် 4- အဖြစ်အပျက်နှစ်ခုသည် တစ်ချိန်တည်းတွင် အတိအကျမဖြစ်နိုင်ပါ။

ကွန်ရက်ပြတ်တောက်မှုနှစ်ခုသည် တစ်ချိန်တည်းတွင် အတိအကျ မဖြစ်ပွားနိုင်ပါ။ တစ်ကြိမ်လျှင် ကွန်ရက်ပြတ်တောက်မှုတစ်ခုသာ ဖြစ်ပေါ်နိုင်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

Poisson ဖြန့်ဖြူးမှုမိတ်ဆက်
ငါးဖြန့်ဝေဂဏန်းတွက်စက်
Poisson ဖြန့်ဖြူးခြင်း၏ ခိုင်မာသော ဥပမာ ၅ ခု
Poisson ယုံကြည်မှုကြားကာလကို တွက်နည်း