Die gewichtete Summe zweier unabhängiger Poisson-Zufallsvariablen

Mit Wikipedia habe ich einen Weg gefunden, die Wahrscheinlichkeitsmassenfunktion zu berechnen, die sich aus der Summe zweier Poisson-Zufallsvariablen ergibt. Ich denke jedoch, dass mein Ansatz falsch ist.

Sei zwei unabhängige Poisson-Zufallsvariablen mit dem Mittelwert und , wobei und Konstanten sind, dann die Wahrscheinlichkeit erzeugende Funktion von ist gegeben durch $X_1, X_2$ $\lambda_1, \lambda_2$ $S_2 = a_1 X_1+a_2 X_2$ $a_1$ $a_2$ $S_2$ Nun kann mit der Tatsachedass die Wahrscheinlichkeit erzeugende Funktion für eine Poisson Zufallsvariable , können wir die Wahrscheinlichkeit erzeugende Funktion der Summe der zwei unabhängigen Poisson zufälligen Schreib Variablen als

G_{S_{2}} (z) = E (z^{S_{2}}) = E (z^{a_{1} X_{1} + a_{2} X_{2}}) G_{X_{1}} (z^{a_{1}}) G_{X_{2}} (z^{a_{2}}) .

$G_{S_2}(z) = \operatorname{E}(z^{S_2})= \operatorname{E}(z^{a_1 X_1+a_2 X_2}) G_{X_1}(z^{a_1})G_{X_2}(z^{a_2}).$

G_{X_{i}} (z) = e^{λ_{i} (z - 1)}

$G_{X_i}(z) = \textrm{e}^{\lambda_i(z - 1)}$

Es scheint, dass die Wahrscheinlichkeitsmassenfunktion von

wiederhergestellt wird, indem Ableitungen von

\begin{aligned} G_{S_{2}} (z) & = e^{λ_{1} (z^{a_{1}} - 1)} e^{λ_{2} (z^{a_{2}} - 1)} \\ = e^{λ_{1} (z^{a_{1}} - 1) + λ_{2} (z^{a_{2}} - 1)} . \end{aligned}

$\begin{aligned} G_{S_2}(z) &= \textrm{e}^{\lambda_1(z^{a_1} - 1)}\textrm{e}^{\lambda_2(z^{a_2} - 1)} \\ &= \textrm{e}^{\lambda_1(z^{a_1} - 1)+\lambda_2(z^{a_2} - 1)}. \end{aligned}$

S_{2}

$S_2$

G_{S_{2}} (z)

$G_{S_2}(z)$

wobei

\Pr (S_{2} = k) = \frac{G_{S_{2}}^{(k)} (0)}{k!}

$\operatorname{Pr}(S_2 = k) = \frac{G_{S_2}^{(k)}(0)}{k!}$

G_{S_{2}}^{(k)} = \frac{d^{k} G_{S_{2}} (z)}{d z^{k}}

$G_{S_2}^{(k)} = \frac{d^k G_{S_2}(z)}{ d z^k}$

Ist das richtig? Ich habe das Gefühl, dass ich aufgrund der Konstanten und nicht einfach die Ableitung nehmen kann, um die Wahrscheinlichkeitsmassenfunktion zu erhalten . Ist das richtig? Gibt es einen alternativen Ansatz? $a_1$ $a_2$

Wenn dies korrekt ist, kann ich jetzt eine Annäherung an die kumulative Verteilung erhalten, indem ich die unendliche Summe über alle k abschneide?

distributions poisson-distribution

— Michel
quelle

Warum skalierst du die Summanden mit

und

? Die Summe ist nur eine weitere Poisson-Verteilung ohne diese. Die Variablen nehmen Werte in den positiven ganzen Zahlen an, also ungefähr das

fache des ersten Plus

a_{1}

$a_1$

a_{2}

$a_2$

1

$1$

mal die Sekunde ist normalerweise ziemlich unnatürlich und lässt Sie die Werte beider Variablen wiederherstellen.

\sqrt{2}

$\sqrt{2}$

— Douglas Zare

Die Schwierigkeit hierbei ist, dass man nicht sicher sein kann, dass

nur ganzzahlige Werte annimmt , es sei denn, sowohl

als auch

sind ganze Zahlen . Somit müssen Sie nicht nur finden

für ganzzahlige Werte von

, sondern auch

für jede

, die ausgedrückt werden können als

für nicht - negative ganze Zahlen

und

a_{1}

$a_1$

a_{2}

$a_2$

S_{2}

$S_2$

P (S_{2} = k)

$P(S_2 = k)$

k

$k$

P (S_{2} = α)

$P(S_2 = \alpha)$

α

$\alpha$

a_{1} m + a_{2} n

$a_1m + a_2n$

m

$m$

n

$n$ .

— Dilip Sarwate

@ DilipSarwate Ist das möglich? Gibt es einen anderen Ansatz, um dies zu tun?

— Michel

@DouglasZare Ich muss das tun ... Vielleicht muss ich mich einer Art Bootstrapping-Methode zuwenden.

— Michel

Ich glaube nicht , Sie können viel besser als ein Brute-Force - Ansatz, der die möglichen Werte fest , dass

annehmen kann und dann für jedes

, Verwendung

S_{2}

$S_2$

α

$\alpha$

Fürmeisten Entscheidungen von

und

, würde ich erwartendassmeisten Summen auf einen einzigen Begriff reduzieren. Ich erwartedass Sie wissendass für

ist eine Poisson Zufallsvariable mit Parameter

P {S_{2} = α} = \sum_{a_{1} m + a_{2} n = α} P {X_{1} = m} P {X_{2} = n} = \sum_{a_{1} m + a_{2} n = α} \exp (- λ_{1} m) \frac{λ_{1}^{m}}{m!} \exp (- λ_{2} n) \frac{λ_{2}^{n}}{n!} .

$P\{S_2 = \alpha\} = \sum_{a_1m + a_2n = \alpha}P\{X_1=m\}P\{X_2=n\} = \sum_{a_1m + a_2n = \alpha} \exp(-\lambda_1m)\frac{\lambda_1^m}{m!}\exp(-\lambda_2n)\frac{\lambda_2^n}{n!}.$

a_{1}

$a_1$

a_{2}

$a_2$

a_{1} = a_{2} = 1

$a_1=a_2=1$

S_{2}

$S_2$

λ_{1} + λ_{2}

$\lambda_1+\lambda_2$

— Dilip Sarwate

Antworten:

Vorausgesetzt, dass sich in dieser linearen Kombination nicht viel Wahrscheinlichkeit auf einen einzelnen Wert konzentriert, sieht es aus wie eine Cornish-Fisher-Erweiterung gute Annäherungen an die (inverse) CDF zu liefern.

Denken Sie daran, dass diese Erweiterung die inverse CDF der Standardnormalverteilung unter Verwendung der ersten paar Kumulanten von anpasst . Seine Schiefe ist $S_2$ $\beta_1$

\frac{a_{1}^{3} λ_{1} + a_{2}^{3} λ_{2}}{{(\sqrt{a_{1}^{2} λ_{1} + a_{2}^{2} λ_{2}})}^{3}}

$\frac{a_1^3 \lambda_1 + a_2^3 \lambda_2}{\left(\sqrt{a_1^2 \lambda_1 + a_2^2 \lambda_2}\right)^3}$

$\beta_2$

\frac{a_{1}^{4} λ_{1} + 3 a_{1}^{4} λ_{1}^{2} + a_{2}^{4} λ_{2} + 6 a_{1}^{2} a_{2}^{2} λ_{1} λ_{2} + 3 a_{2}^{4} λ_{2}^{2}}{{(a_{1}^{2} λ_{1} + a_{2}^{2} λ_{2})}^{2}} .

$\frac{a_1^4 \lambda_1 + 3a_1^4 \lambda_1^2 + a_2^4 \lambda_2 + 6 a_1^2 a_2^2 \lambda_1 \lambda_2 + 3 a_2^4 \lambda_2^2}{\left(a_1^2 \lambda_1 + a_2^2 \lambda_2\right)^2}.$

$\alpha$ $S_2$

w_{α} = z + \frac{1}{6} β_{1} (z^{2} - 1) + \frac{1}{24} (β_{2} - 3) (z^{2} - 3) z - \frac{1}{36} β_{1}^{2} z (2 z^{2} - 5 z) - \frac{1}{24} (β_{2} - 3) β_{1} (z^{4} - 5 z^{2} + 2)

$w_\alpha = z +\frac{1}{6} \beta _1 \left(z^2-1\right) +\frac{1}{24} \left(\beta _2-3\right) \left(z^2-3\right) z-\frac{1}{36} \beta _1^2 z \left(2 z^2-5 z\right)-\frac{1}{24} \left(\beta _2-3\right) \beta _1 \left(z^4-5 z^2+2\right)$

$z$ $\alpha$ $S_2$

a_{1} λ_{1} + a_{2} λ_{2} + w_{α} \sqrt{a_{1}^{2} λ_{1} + a_{2}^{2} λ_{2}} .

$a_1 \lambda_1 + a_2 \lambda_2 + w_\alpha \sqrt{a_1^2 \lambda_1 + a_2^2 \lambda_2}.$

$\lambda_1$ $\lambda_2$ $5$ $\lambda_1 = 5,$ $\lambda_2=5\pi/2,$ $a_1=\pi,$ $a_2=-2$

Zahl

$S_2$

— whuber
quelle

λ_{1}

$\lambda_1$

λ_{2} \leq 5

$\lambda_2 \leq 5$

Verwenden Sie die Faltung:

$f_{X_1}(x_1)= \dfrac{\lambda^{x_1}e^{-\lambda}}{x_1!}$ $x_1 \geq 0$ $f_{X_1}(x_1)= 0$ $f_{X_2}(x_2)=\dfrac{\lambda^{x_2}e^{-\lambda}}{x_2!}$ $x_2 \geq 0$ $f_{X_2}(x_2)= 0$ ansonsten .

$Z=X_1+X_2\rightarrow X_1=Z-X_2$

f_{Z} (z) = \int_{- \infty}^{\infty} \int_{- \infty}^{\infty} f_{x_{1}, x_{2}} (z - x_{2}, x_{2}) d x_{1} d x_{2}

$f_Z(z)=\int\limits_{-\infty}^{\infty}\int\limits_{-\infty}^{\infty}f_{x_1,x_2}(z-x_2,x_2)dx_1dx_2$

$X_1$ $X_2$

f_{Z} (z) = \int_{- \infty}^{\infty} \int_{- \infty}^{\infty} f_{X_{1}} (z - x_{2}) f_{X_{2}} (x_{2}) d x_{1} d x_{2}

$f_Z(z)=\int\limits_{-\infty}^{\infty}\int\limits_{-\infty}^{\infty}f_{X_1}(z-x_2)f_{X_2}(x_2)dx_1dx_2$ Auf diese Weise kann man erhalten , die Verteilung der Summe zweier kontinuierlicher Zufallsvariablen.

f_{Z} (z) = \sum_{x_{2} = 0}^{z} \frac{λ_{1}^{z - x_{2}} e^{- λ_{1}}}{(z - x_{2})!} \frac{λ_{2}^{x_{2}} e^{- λ_{2}}}{x_{2}!}

$f_Z(z)=\sum\limits_{x_2=0}^{z} \dfrac{\lambda^{z-x_{2}}_1e^{-\lambda_1}}{(z-x_2)!}\dfrac{\lambda^{x_2}_2e^{-\lambda_2}}{x_2!}$

= e^{- (λ_{1} + λ_{2})} \frac{(λ_{1} + λ_{2})^{z}}{z!}

$= e^{-(\lambda_1+\lambda_2)}\dfrac{(\lambda_1+\lambda_2)^z}{z!}$

λ_{1} + λ_{2}

$\lambda_1+\lambda_2$

— QAChip
quelle

a_{1} = a_{2} = 1

$a_1=a_2=1$

a_{1} = a_{2}

$a_1 = a_2$

a_{1} \neq a_{2}

$a_1 \ne a_2$

S = \sum_{i = 1}^{N} X_{i}

$S = \sum_{i=1}^N X_i$

N

$N$

X_{i}

$X_i$

i i d

$iid$

N

$N$

X_{i} = k

$X_i=k$

k N

$k N$

k

$k$

N

$N$

E [s^{k N}] = E [(s^{k})^{N}] = G_{N} (s^{k}) = \exp (λ (s^{k} - 1))

$E[s^{k N}] = E[(s^{k})^N] = G_N(s^{k}) = \exp(\lambda(s^k-1))$

Z = k_{1} N_{1} + k_{2} N_{2}

$Z = k_1 N_1 + k_2 N_2$

G_{Z} (s) = \exp (λ_{1} (s^{k_{1}} - 1) + λ_{2} (s^{k_{2}} - 1)) .

$G_Z(s) = \exp(\lambda_1(s^{k_1}-1) + \lambda_2(s^{k_2}-1)).$

λ = λ_{1} + λ_{2}

$\lambda = \lambda_1 + \lambda_2$

G_{Z} (s) = \exp (λ (\frac{λ_{1}}{λ} (s^{k_{1}} - 1) + \frac{λ_{2}}{λ} (s^{k_{1}} - 1)) = \exp (λ (\frac{λ_{1}}{λ} s^{k_{1}} + \frac{λ_{2}}{λ} s^{k_{1}} - 1)) .

$G_Z(s) = \exp(\lambda ( \frac{\lambda_1}{\lambda}(s^{k_1}-1)+ \frac{\lambda_2}{\lambda}(s^{k_1}-1)) = \exp(\lambda (\frac{\lambda_1}{\lambda}s^{k_1}+ \frac{\lambda_2}{\lambda}s^{k_1}-1)).$

λ = λ_{1} + λ_{2}

$\lambda = \lambda_1 + \lambda_2$

X_{i}

$X_i$

k_{1}

$k_1$

λ_{1} / λ

$\lambda_1/\lambda$

k_{2}

$k_2$

λ_{2} / λ

$\lambda_2/\lambda$

$k_1$ $k_2$ $0$

Nach einer Diskussion bearbeiten:

Ich denke, das Beste, was Sie tun können, ist MC. Sie könnten die Ableitung verwenden, dass dies eine zusammengesetzte Poisson-Verteilung ist.

$Pois(\lambda)$
$i=1,\ldots,N$ $X_1$ $X_2$ $\lambda_1/\lambda$ $\lambda_1/\lambda$ $1$ $k_1$ $k_2$

Sie erhalten in Sekunden eine Stichprobe von beispielsweise 100 000.

Alternativ können Sie die beiden Summanden in Ihrer Anfangsdarstellung separat abtasten. Dies geht genauso schnell.

Alles andere (FFT) ist kompliziert, wenn die konstanten Faktoren k1 und k2 völlig allgemein sind.

— Ric
quelle

Die endgültige Verteilung kann vom Panjer-Algorithmus ermittelt werden, wenn die Faktoren Ganzzahlen sind.

— Ric

G_{S_{2}} (z) = e^{λ_{1} (z^{a_{1}} - 1)} e^{λ_{2} (z^{a_{2}} - 1)}

$G_{S_2}(z) = \textrm{e}^{\lambda_1(z^{a_1} - 1)}\textrm{e}^{\lambda_2(z^{a_2} - 1)}$

a_{1}, a_{2} \in R^{1}

$a_1,a_2 \in R^1$

P {S_{2} = α} = \sum_{a_{1} m + a_{2} n = α} P {X_{1} = m} P {X_{2} = n} = \sum_{a_{1} m + a_{2} n = α} \exp (- λ_{1} m) \frac{λ_{1}^{m}}{m!} \exp (- λ_{2} n) \frac{λ_{2}^{n}}{n!},

$P\{S_2 = \alpha\} = \sum_{a_1m + a_2n = \alpha}P\{X_1=m\}P\{X_2=n\} = \sum_{a_1m + a_2n = \alpha} \exp(-\lambda_1m)\frac{\lambda_1^m}{m!}\exp(-\lambda_2n)\frac{\lambda_2^n}{n!},$

a_{1}, a_{2}

$a_1,a_2$

Hallo Michel, ich habe meine Antwort bearbeitet. Ja, Panjer ist von begrenztem Nutzen. Sie könnten jedoch einen Fourier-Transformationsansatz ausprobieren. Nicht ganzzahlige Einheiten sind jedoch problematisch ... Ich muss mehr darüber nachdenken, was in diesem Fall zu tun ist. In jedem Fall ist zu beachten, dass das Ergebnis eine zusammengesetzte Poisson-Verteilung ist (keine "einfache" Poisson-Verteilung).

— Ric

P r (S_{2} = x) = \frac{1}{2 π} \int_{R} e^{- i t x} G_{S 2} (e^{i t}) d t

$Pr(S_2=x) = \frac{1}{2\pi}\int_{\mathbf{R}} e^{-itx}G_{S2}(\mathrm{e}^{it})dt$

Etwas im Weg ... Wenn wir eine kontinuierliche Verteilung hätten, von der wir die charakteristische Funktion berechnen können (wie Sie), dann führt dies zu einem schnellen und schönen Ergebnis. In unserem Fall brauche ich mehr Zeit, um darüber nachzudenken. Es sollte etwas einfacher sein.

— Ric