1 基本概念
ポアソン分布は、ある区間内で起こる事象の回数を表す離散確率分布である。対象となる出来事は、互いに独立で、短い区間では発生しにくく、平均発生率が一定とみなせることが多い。問い合わせ件数、放射線の検出回数、一定面積内の粒子数など、単位あたりの発生がまれな現象の記述に適している。
1.1 定義
ポアソン分布は、パラメータ λ を用いて表される。確率変数 X がポアソン分布に従うとき、X は非負整数の値を取り、区間内にちょうど k 回事象が起こる確率は λ によって決まる。ここで λ は、単位区間あたりの平均発生回数に相当する。
1.2 確率質量関数
確率質量関数は、次の形で与えられる。
P(X = k) = e^{-λ} λ^k / k! (k = 0, 1, 2, ...)
この式は、0回、1回、2回といった各回数に対する確率を具体的に示す。k が大きくなるほど確率は一般に小さくなるが、λ の値によって分布の広がり方は変化する。
1.3 パラメータ
ポアソン分布の中心となるパラメータは λ である。これは分布の形を決める唯一の量であり、発生頻度の高低を反映する。
1.3.1 平均発生率
λ は平均発生率として解釈される。たとえば、1時間あたり平均3件の到着があるなら、1時間区間での λ は3と置かれる。別の長さの区間を扱う場合は、その区間に比例して期待される回数が変わる。
1.3.2 平均値と分散
ポアソン分布では、平均値と分散がともに λ になる。これはこの分布を特徴づける重要な性質であり、観測値の散らばりが平均の大きさと同程度になることを意味する。実データでは、この関係から大きく外れる場合もあり、そのときは他のモデルが検討される。
1.4 代表的な性質
ポアソン分布は、簡潔な式で表せるだけでなく、複数の区間を合わせたときの扱いや近似計算にも便利である。
1.4.1 独立性と加法性
互いに独立なポアソン型の事象では、区間ごとの回数を足し合わせたものもポアソン分布になる。たとえば、別々の時間帯での発生回数の和は、各区間の平均発生率の和をパラメータとする分布で表される。この加法性は、複雑な状況を分割して扱う際に有用である。
1.4.2 確率の直感的解釈
この分布は、まれな出来事がランダムに散らばる状況を直感的に表す。短い時間では起こらないことが多いが、観測区間を長くすると回数が増える。0回の確率も含めて扱えるため、「まったく起こらない可能性」も明示できる点に利点がある。
2 数学的性質
ポアソン分布は、基本式だけでなく、期待値や母関数を通じて多くの解析的性質を持つ。これらは理論的導出や応用計算で重要である。
2.1 期待値と分散
期待値は λ、分散も λ である。したがって、平均と散らばりが同一の値で結びつく。標準偏差は √λ となるため、相対的なばらつきは λ が大きくなるほど小さく見える。
2.2 モーメント母関数
モーメント母関数は、ポアソン分布では M(t) = exp(λ(e^t - 1)) となる。これにより、各種モーメントを体系的に求められる。分布の形を解析する際や、他の分布との比較に役立つ。
2.3 累積生成関数
累積生成関数は K(t) = λ(e^t - 1) である。モーメント母関数の対数に対応し、独立な確率変数の和を扱うときに特に便利である。加法性がこの関数の線形性として表れる。
2.4 再帰関係
ポアソン分布の確率値は、隣り合う k に対して単純な関係を持つ。このため、表を順に計算する際に効率がよい。
2.4.1 隣接確率の比
P(X = k+1) / P(X = k) = λ / (k+1)
この比は、k が増えるにつれて確率がどのように変化するかを示す。λ が小さいと低い回数に確率が集中し、λ が大きいと山の位置が右へ移る。
2.4.2 漸化式
P(X = k+1) = [λ / (k+1)] P(X = k)
この漸化式によって、初期値 P(X=0)=e^{-λ} から順に確率を求められる。数値計算では、直接 factorial を計算するより安定な場合がある。
3 導出と関連分布
ポアソン分布は、他の分布から自然に現れる。特に、二項分布の極限として導かれることがよく知られている。
3.1 二項分布からの極限
試行回数 n が非常に大きく、各試行の成功確率 p が非常に小さいとき、n p = λ を一定に保つと、二項分布はポアソン分布に近づく。この極限は「まれな事象の近似」として広く使われる。大量の試行のうち、成功が少数にとどまる場面で特に有効である。
3.2 指数分布との関係
ポアソン過程では、事象の発生回数がポアソン分布に従い、次の発生までの待ち時間は指数分布に従う。両者は表裏の関係にあり、回数の記述と時間間隔の記述を相互に結びつける。
3.3 ガンマ関数との関係
ポアソン分布の式に含まれる k! は、ガンマ関数 Γ(k+1) と対応する。これにより、階乗の概念が連続的な関数の枠組みと接続される。解析学とのつながりを理解するうえで重要な関係である。
3.4 正規分布による近似
λ が十分大きいとき、ポアソン分布は正規分布で近似できる。平均は λ、分散も λ として扱われるため、連続分布への置き換えがしやすい。大きな期待回数を持つデータの概算に向いている。
4 応用
ポアソン分布は、数え上げ型の現象を扱う多くの分野で利用される。回数データのモデルとして、理論と実務の両方に浸透している。
4.1 待ち行列理論
窓口への到着、サービス要求、処理イベントなどの回数モデルに用いられる。一定時間内の到着件数がポアソン分布に従うと仮定すると、待ち時間や混雑度の解析が進めやすい。通信受付や予約対応の設計にも関係する。
4.2 交通流と通信
一定区間での車両通過数や、ネットワーク上のパケット到着数の近似に使われる。平均流量が安定しているとき、短時間での変動を記述する手段となる。通信品質の評価や設備容量の見積もりで参照されることが多い。
4.3 事故や故障の件数モデル
設備の故障回数、部品の不具合発生数、一定期間の事故件数などの分析に利用される。発生が比較的まれで、各事象が独立に起こるとみなせる場合に適している。信頼性工学や保全計画で重要な役割を果たす。
4.4 自然現象の回数分析
一定面積内の植物の数、単位長さあたりの放射性崩壊の数、天文学における観測イベントの頻度など、自然界の離散的な回数を表現できる。条件が整えば、観測対象の空間分布や時間分布の簡潔な近似になる。
5 推定と検定
観測データから λ を推定し、仮定した分布が妥当かを調べることは、実用上きわめて重要である。
5.1 パラメータ推定
ポアソン分布の推定では、主に λ をデータから求める。観測回数の平均が基本的な手がかりとなる。
5.1.1 最尤推定
独立な観測値が得られているとき、最尤推定量は標本平均に一致する。これは直観的にも自然で、データの平均発生回数をそのままパラメータとして採用する方法である。
5.1.2 モーメント法
モーメント法でも、第一モーメントである標本平均を λ に合わせる。最尤推定と一致するため、計算が簡単で解釈もしやすい。小標本では推定の不確かさを別途考慮する必要がある。
5.2 仮説検定
あるデータがポアソン分布に従うかどうかを、適合度検定や平均の比較によって調べる。特定の λ を仮定して観測値と照合することで、モデルの適切さを評価できる。カイ二乗検定が使われることも多い。
5.3 適合度の評価
実データがポアソン分布にどの程度沿っているかは、平均と分散の一致、度数分布の形、残差の挙動などで確認される。観測値に過分散や零の偏りがある場合は、単純なポアソンモデルでは不十分なことがある。
5.4 実データへの適用上の注意
現実のデータでは、独立性や一定発生率の仮定が崩れる場合がある。時間帯による変動、群れとしての発生、外れ値の混入などは、モデルのずれを生みやすい。適用時には、前提条件を点検し、必要なら拡張モデルを検討する。
6 拡張と一般化
基本的なポアソン分布を土台として、より複雑な状況に対応するための拡張が数多く提案されている。
6.1 非一様ポアソン過程
発生率が時間や空間に応じて変化する場合を扱うモデルである。一定の λ を仮定せず、強度関数によって回数の分布を表現する。季節変動や局所的な集中がある現象に向いている。
6.2 混合ポアソン分布
λ 自体が確率変数として変動する場合、混合ポアソン分布になる。観測対象のばらつきが大きいときに有効で、通常のポアソン分布より広い分布形を示しやすい。異質な集団の集計にも用いられる。
6.3 零膨張モデル
0回の観測が通常より多いデータに対して使われる。ゼロの過剰発生を別成分として取り入れることで、単純なポアソン分布では説明しにくい度数構造を表現できる。欠測や非観測状態が関係する場面でも有用である。
6.4 多変量的な拡張
複数の種類の事象を同時に扱うための拡張では、各成分の関連や相関を表現する工夫が必要になる。共通要因を導入したモデルや、連動する発生過程を組み合わせた形式が使われる。複数系列のイベント解析に応用される。