統計で英語多読 4-2: 離散型分布② — ポアソン分布と幾何分布

「大人のための英語多読図書館」へようこそ。今回は、一定の時間や範囲の中でまれな事象が何回起こるかを表すポアソン分布と、初めて成功するまでに何回かかるかを表す幾何分布を、英語の文章でたどっていきます。

📊 このユニットの情報 語数: 約540語 / 推定読了時間: 5〜6分 / 難易度: ★★☆☆☆(初中級)

Learning Objectives

みなさんこんにちは。大人のための英語多読図書館へようこそ。

前回の二項分布に続き、今回も特定のパターンを持つ離散型分布を2つご紹介します。

1つ目はポアソン分布です。これは、「一定の期間や範囲の中で、ある事象が平均して何回起こるか」という確率を表します。例えば、1時間にかかってくる電話の件数や、ウェブサイトへの1分間のアクセス数など、「まれに」発生する事象の回数を数えるのに使われます。

2つ目は幾何分布です。これは、「成功するまで、何回挑戦する必要があるか」という確率です。例えば、くじ引きで当たりが出るまで何回引くか、ゲームでレアアイテムがドロップするまで何回モンスターを倒すか、といった場面で活躍します。

それでは今回も多読を楽しんでいきましょう。

Summary

• Poisson Distribution: Models the number of events occurring in a fixed interval of time or space, given the average rate of occurrence. It's often used for rare events.
• Geometric Distribution: Models the number of trials needed to get the first success in a series of independent Bernoulli trials.
• Key Parameters: The Poisson distribution is defined by one parameter, \(\lambda\) (lambda), the average number of events. The geometric distribution is defined by \(p\), the probability of success.
• Relationship: The binomial distribution can be approximated by the Poisson distribution when the number of trials n is large and the probability of success p is small.

Explanation

Counting Rare Events: The Poisson Distribution

Imagine you work at a call center. You want to know the probability of receiving exactly 5 calls in the next hour. Or, you're managing a website and want to predict the probability of getting 100 visitors in the next minute. These situations involve counting the number of events over a continuous interval of time or space. This is the perfect job for the Poisson distribution.

The Poisson distribution is used to model the number of times an event occurs within a specific interval. The key assumptions are: - Events occur independently. - The average rate of events is constant. - It's impossible for two events to happen at the exact same time.

This distribution is characterized by a single parameter, \(\lambda\) (lambda), which represents the average number of events in that interval. For example, if the call center receives an average of 10 calls per hour, then \(\lambda = 10\).

The formula to calculate the probability of observing exactly \(k\) events is: \(P(X=k) = \frac{e^{-\lambda}\lambda^k}{k!}\)

Here, \(e\) is Euler's number (approximately 2.718). While the formula looks complex, its application is straightforward. You only need to know the average rate, \(\lambda\).

A fascinating property of the Poisson distribution is that its expected value and variance are both equal to \(\lambda\). - Expected Value: \(E[X] = \lambda\) - Variance: \(V[X] = \lambda\)

Waiting for Success: The Geometric Distribution

Now let's shift our focus. Instead of counting how many events happen in an interval, what if we're interested in how long we have to wait for the first success? This is where the Geometric distribution comes in.

The geometric distribution answers the question: "What is the probability that the first success occurs on the \(k\)-th trial?" Think about shooting basketballs. If your probability of making a shot is \(p\), what's the chance that your first successful shot is the 5th one you take?

This means you must fail the first 4 times and succeed on the 5th time. The probability is calculated as: \(P(\text{Fail, Fail, Fail, Fail, Succeed}) = (1-p) \times (1-p) \times (1-p) \times (1-p) \times p = (1-p)^4 p\)

The general formula for the geometric distribution is: \(P(X=k) = (1-p)^{k-1}p\)

This formula tells us the probability that it takes exactly \(k\) trials to achieve the first success.

The expected value of the geometric distribution is quite intuitive. - Expected Value: \(E[X] = 1/p\)

If the probability of success is 1/10 (or 10%), you would intuitively expect to try about 10 times to get a success. The formula confirms this intuition.

Both Poisson and geometric distributions are powerful tools for modeling different kinds of real-world scenarios, moving beyond the simple fixed-trial structure of the binomial distribution.

---

まとめ

今回は、離散型分布の仲間であるポアソン分布と幾何分布を見てきました。ポアソン分布は、一定の時間や範囲の中でまれな事象が何回起こるかを、平均発生回数\(\lambda\)という1つのパラメータで表し、その期待値と分散はどちらも\(\lambda\)に等しくなります。一方の幾何分布は、初めて成功するまでに何回試行が必要かを表し、成功確率\(p\)に対して期待値は\(1/p\)となります。いずれも、二項分布の「試行回数が固定」という枠を超えて、現実のさまざまな場面をモデル化できる強力な道具です。

次回は、離散型からがらりと変わって「連続型分布」に進み、一様分布と指数分布という2つの基本的な分布を見ていきます。

---

日本語訳(全文)

英文を最後まで読み終えてから、答え合わせ用にお使いください。多読の原則として、まずは訳を見ずに英文だけで理解を試みることをおすすめします。

Summary

• ポアソン分布: 平均発生率が与えられたとき、一定の時間や空間の区間の中で起こる事象の回数をモデル化します。まれな事象によく使われます。
• 幾何分布: 独立なベルヌーイ試行の連続の中で、初めて成功するまでに必要な試行回数をモデル化します。
• 主要なパラメータ: ポアソン分布は1つのパラメータ\(\lambda\)（ラムダ、平均発生回数）で定義されます。幾何分布は\(p\)（成功確率）で定義されます。
• 関係: 試行回数nが大きく、成功確率pが小さいとき、二項分布はポアソン分布で近似できます。

まれな事象を数える: ポアソン分布

あなたがコールセンターで働いていると想像してください。次の1時間にちょうど5件の電話を受ける確率を知りたいとします。あるいは、ウェブサイトを運営していて、次の1分間に100人の訪問者がある確率を予測したいとします。こうした状況は、時間や空間という連続した区間の中で起こる事象の回数を数えることに関わります。これはポアソン分布にぴったりの仕事です。

ポアソン分布は、特定の区間の中である事象が起こる回数をモデル化するのに使われます。重要な前提は次のとおりです。 - 事象は独立に起こる。 - 事象の平均発生率は一定である。 - まったく同じ時刻に2つの事象が起こることはない。

この分布は、その区間における平均発生回数を表す1つのパラメータ\(\lambda\)（ラムダ）によって特徴づけられます。たとえば、コールセンターが1時間に平均10件の電話を受けるなら、\(\lambda = 10\)です。

ちょうど\(k\)回の事象を観測する確率を計算する公式は次のとおりです。 \(P(X=k) = \frac{e^{-\lambda}\lambda^k}{k!}\)

ここで\(e\)はネイピア数（およそ2.718）です。公式は複雑に見えますが、その使い方は単純です。必要なのは平均発生率\(\lambda\)を知ることだけです。

ポアソン分布の興味深い性質は、その期待値と分散がどちらも\(\lambda\)に等しいことです。 - 期待値: \(E[X] = \lambda\) - 分散: \(V[X] = \lambda\)

成功を待つ: 幾何分布

では、視点を変えてみましょう。区間の中で事象が何回起こるかを数えるのではなく、最初の成功をどれだけ待たなければならないかに関心があるとしたらどうでしょう。ここで幾何分布の出番です。

幾何分布は、「初めての成功が\(k\)回目の試行で起こる確率はどれくらいか」という問いに答えます。バスケットボールのシュートを考えてみてください。シュートを決める確率が\(p\)だとして、最初に成功するシュートが5本目になる可能性はどれくらいでしょうか。

これは、最初の4回は失敗し、5回目に成功しなければならないということです。確率は次のように計算されます。 \(P(\text{失敗, 失敗, 失敗, 失敗, 成功}) = (1-p) \times (1-p) \times (1-p) \times (1-p) \times p = (1-p)^4 p\)

幾何分布の一般的な公式は次のとおりです。 \(P(X=k) = (1-p)^{k-1}p\)

この公式は、初めての成功を達成するのにちょうど\(k\)回の試行がかかる確率を教えてくれます。

幾何分布の期待値は、とても直感的です。 - 期待値: \(E[X] = 1/p\)

成功確率が1/10（つまり10%）なら、直感的には成功するまでに約10回試すと見込めるでしょう。公式はこの直感を裏づけてくれます。

ポアソン分布も幾何分布も、二項分布の単純な「試行回数固定」という構造を超えて、さまざまな種類の現実の場面をモデル化できる強力な道具です。