Em um processo de Poisson medido com alguma eficiência, a contagem medida ainda é Poisson?

8

Situação:

Digamos que eu tenha um processo de Poisson, como decaimento radioativo, produzindo partículas R por segundo. Eu meço com um detector. Existe uma probabilidade P de que uma partícula seja detectada pelo detector.

Coisas que acho que sei:

  1. O tempo entre a chegada da emissão de partículas é distribuído exponencialmente com parâmetros com base em R .
  2. O número de partículas emitidas antes da detecção é determinada por uma binomial negativo com base em P .
  3. Se um número N for amostrado de (2), uma única amostra do tempo de chegada para partículas detectadas pode ser fornecida pela soma de N amostras de (1). Esta soma pode ser obtido por amostragem a partir de uma gama de distribuição com base em parâmetros N e R .

Minha pergunta:

Se um único tempo de chegada pode ser calculado por amostragem de uma gama baseada em N e R , como o número de contagens de detectores em um intervalo acaba sendo Poisson novamente? (Para ser Poisson, o tempo de chegada do detector deve ser exponencial, não distribuído de acordo com alguma coisa gama estranha.) É claro que N está flutuando, mas não consigo ver como isso funciona.

No entanto, tenho quase certeza absoluta de que a contagem de detectores é de fato distribuída por Poisson. Alguém poderia me mostrar a matemática? Obrigado pela ajuda!

EDITAR:

Encontrei este artigo: Fried, DL "Ruído na corrente de fotoemissão". Applied Optics 4.1 (1965): 79-80.

O que mostra o resultado de que uma variável aleatória poisson selecionada binomialmente também é Poisson com uma taxa dada por PR. Isso confirma o comentário de jbowman. Ainda assim, eu estaria interessado em ver a explicação de como meu processo de gerar o tempo de chegada no detector usando a distribuição negativa binomial e gama está incorreto. Este é o meu grande soluço mental. Obrigado.

EDIT 2:

Eu escrevi esse script do matlab para testar se o que eu estava tentando com a distribuição gama funcionou. Acontece que, de alguma forma, os tempos de chegada gama gerados com um N geometricamente distribuído são exponenciais e concordam com os tempos de chegada sugeridos por Poisson (PR). (ia2 e ia3 são distribuídos de forma idêntica). Alguma idéia de como isso funciona analiticamente? Não era intuitivamente óbvio para mim!

close all
n = 100000;
ia1 = exprnd(1,n,1); % create exponentially distributed inter-arrival times
t1 = cumsum(ia1); % running sum (the real experiment time)

mask = (rand(n,1) > 0.5); % flip a coin
t2 = t1(mask); % get only the events for which "the coin landed on heads"
ia2 = diff(t2); % calculate the inter-arrival times at the detector.

% plot the distributions
figure; hist(ia1,100); title('exponential inter-arrival times');
figure; hist(ia2,100); title('binomial sampled inter-arrival times');

%%
spacing = geornd(0.5,n,1) + 1; % how many events before we get heads
ia3 = gamrnd(spacing,ones(n,1)); % generate the interarrival times with gamma
figure; hist(ia3,100); title('geom/gamma inter-arrival times');
user487100
fonte
# 2 não está realmente correto; se cada partícula tem uma probabilidade de ser detectada, a distribuição das partículas detectadas por segundo é Poisson ( ) (assumindo que as detecções sejam independentes etc.) Para o # 3, se for amostrado de 2, você não terá um amostra de horários de chegada; você tem uma única observação da soma de tempos entre, o que é de fato distribuído Gamma com parâmetro de forma . Conseqüentemente, a premissa de sua pergunta ("Se um único tempo entre chegadas ...") não é verdadeira. PRPNNN
jbowman
Não entendo como você sabe que a taxa é Poisson (RP). Você poderia me mostrar? Esse é o cerne desta questão, eu acho. No item 2, suponho que, se tiver uma chance de acertar o detector, o número de partículas emitidas antes de atingi-lo é distribuído geometricamente com uma média de 1 / P. Assim, posso calcular que podemos obter amostras dessa distribuição geométrica para obter N e, em seguida, resumir N tempos de chegada para obter um único tempo de chegada no detector. Você pode explicar a falha nessa lógica? Penso que a sua afirmação sobre a taxa de Poisson (RP) é importante. Obrigado!
User487100
Você conhece um pouco as funções características / geradoras de momento? Eu escreveria usando essa abordagem, pois é simples, a menos que também seja inútil.
jbowman
Não, eu não trabalhei com funções geradoras de momento. Você tem alguma idéia de como mostrar que Poisson + alguma probabilidade fixa de aceitação apenas escala a taxa de poisson? Estou disposto a aprender o momento gerando uma abordagem de função com base se você puder mostrar como isso funciona.
User487100
1
Hoje será muito mais tarde (horário padrão do Pacífico); Também posso fazê-lo da maneira mais direta, o que será menos opaco.
21134 jbowman

Respostas:

4

Um rápido argumento não técnico pode usar redes Jackson . No seu caso, o total de chegadas externas é a taxa e não há transições internas (as partículas observadas não mudam para a fila não observada). A proporção de divisão entre os nós observados e não observados é , então aRp0iP

λobs=RP

Se você estiver procurando os primeiros princípios, chame do processo de contagem observado e o processo de contagem total. Onde cada chegada em é registrada em com probabilidade . Portanto, se para alguns , temos então tem uma distribuição binomial ( ).O(t)N(t)PP(r)N(t)O(t)psN(s)=nO(s)n,p

Essa abordagem usa funções de geração de probabilidade:

E[zO(t)|N(t)=n]=j=0nzj(nj)pj(1p)nj=(1p+pz)n

Última igualdade pelo teorema do binômio. Então, incondicionalmente, já que :N(t)Poisson(rt)

E[zO(t)]=E[E[zO(t)|N(t)=n]]=n=0(1p+pz)nrtnn!ert=ertert(1p+pz)=erpt(z1)

Qual é a função geradora de probabilidade de uma variável aleatória Poisson ( ).rpt

conjecturas
fonte