توزیع پواسون چیست؟

توزیع پواسون یک توزیع احتمال گسسته در آمار است که احتمال وقوع یک رویداد به تعداد مشخصی در یک بازه زمانی معین را نشان می‌دهد. این توزیع برای شمارش تعداد رویدادها استفاده می‌شود و پارامتر آن لامبدا (λ) است که میانگین تعداد رویدادها در یک بازه خاص را نشان می‌دهد. در حوزه مالی، به‌ویژه سرمایه‌گذاری، توزیع‌های پواسون برای توضیح احتمال وقوع رویدادهای معاملاتی، ایجاد محدوده‌های قیمتی یا پیش‌بینی جهش‌های بازار استفاده می‌شوند.

از آنجا که توزیع پواسون یک تابع گسسته است، متغیر تنها می‌تواند مقادیر خاصی را در یک لیست (بالقوه بی‌نهایت) بپذیرد. به عبارت دیگر، متغیر نمی‌تواند همه مقادیر در یک محدوده پیوسته را داشته باشد. در توزیع پواسون، متغیر تنها می‌تواند مقادیر عدد صحیح (0، 1، 2، 3 و غیره) را بدون کسر یا اعشار بپذیرد.

توزیع‌های پواسون اغلب برای درک رویدادهای مستقل که با نرخ ثابت در یک بازه زمانی مشخص رخ می‌دهند، استفاده می‌شوند. این توزیع به نام ریاضیدان فرانسوی سیمئون دنی پواسون نام‌گذاری شده است.

نکات کلیدی

• توزیع پواسون، که به نام ریاضیدان فرانسوی سیمئون دنی پواسون نام‌گذاری شده است، می‌تواند برای تخمین تعداد دفعات وقوع یک رویداد در "X" دوره استفاده شود.
• توزیع‌های پواسون زمانی استفاده می‌شوند که متغیر مورد نظر یک متغیر شمارش گسسته باشد.
• بسیاری از داده‌های اقتصادی و مالی به‌صورت متغیرهای شمارش ظاهر می‌شوند، مانند تعداد دفعاتی که یک فرد در یک سال بیکار می‌شود یا تعداد معاملات انجام‌شده در یک جلسه معاملاتی، که این امر آنها را برای تحلیل با استفاده از توزیع پواسون مناسب می‌کند.

درک توزیع‌های پواسون

توزیع پواسون می‌تواند برای تخمین احتمال وقوع چیزی به تعداد "X" بار استفاده شود. برای مثال، اگر میانگین تعداد افرادی که در یک شب جمعه از یک رستوران فست‌فود در یک مکان خاص همبرگر می‌خرند 200 نفر باشد، توزیع پواسون می‌تواند به سؤالاتی مانند "احتمال اینکه بیش از 300 نفر همبرگر بخرند چقدر است؟" پاسخ دهد.

کاربرد توزیع پواسون به مدیران امکان می‌دهد سیستم‌های زمان‌بندی بهینه‌ای را معرفی کنند که با توزیع نرمال، برای مثال، کار نمی‌کنند.

یکی از معروف‌ترین کاربردهای تاریخی و عملی توزیع پواسون، تخمین تعداد سالانه سربازان سواره‌نظام پروس که به دلیل لگد اسب کشته می‌شدند، بود. نمونه‌های مدرن شامل تخمین تعداد تصادفات رانندگی در شهری با اندازه مشخص یا در فیزیولوژی، محاسبه فرکانس‌های احتمالی انواع مختلف ترشحات انتقال‌دهنده عصبی است.

برای مثال، اگر یک فروشگاه ویدئو به‌طور متوسط هر شب جمعه 400 مشتری داشته باشد، احتمال اینکه در یک شب جمعه خاص 600 مشتری مراجعه کنند چقدر است؟

فرمول توزیع پواسون

فرمول توزیع پواسون به صورت زیر است:

$f(x) = \frac{\lambda^x}{x!} e^{-\lambda}$

که در آن:

• $e$: عدد اویلر (تقریباً $2.71828$)
• $x$: تعداد وقوع‌ها
• $x!$: فاکتوریل $x$
• $\lambda$: برابر با مقدار مورد انتظار (EV) $x$ که همچنین برابر با واریانس آن است

داده‌هایی که از توزیع پواسون پیروی می‌کنند، به‌صورت گرافیکی به شکل زیر نمایش داده می‌شوند:

مثال توزیع پواسون در یک مثال، فرض کنید یک فرآیند عملیاتی دارای نرخ خطای 3٪ است. اگر 100 آزمایش تصادفی را فرض کنیم، توزیع پواسون احتمال وقوع تعداد مشخصی از خطاها در یک دوره زمانی، مانند یک روز، را توصیف می‌کند.

نکته سریع: اگر میانگین بسیار بزرگ باشد، توزیع پواسون تقریباً به یک توزیع نرمال تبدیل می‌شود.

توزیع پواسون در مالی

توزیع پواسون معمولاً برای مدل‌سازی داده‌های شمارش مالی استفاده می‌شود که تعداد آنها کم است و اغلب صفر است. به‌عنوان مثال در مالی، می‌توان از آن برای مدل‌سازی تعداد معاملاتی که یک سرمایه‌گذار معمولی در یک روز انجام می‌دهد استفاده کرد، که می‌تواند 0 (اغلب)، 1، 2 و غیره باشد.

به‌عنوان مثال دیگر، این مدل می‌تواند برای پیش‌بینی تعداد "شوک‌ها" به بازار که در یک دوره مشخص، مانند یک دهه، رخ می‌دهد، استفاده شود.

توضیح به زبان ساده (مثل اینکه برای یک کودک 5 ساله توضیح می‌دهید)

توزیع پواسون مثل یک بازی شمارش است که به ما می‌گوید یک اتفاق خاص چند بار در یک زمان مشخص ممکن است رخ دهد. مثلاً، اگر بخواهیم بدانیم چند نفر در یک روز به یک مغازه می‌آیند، توزیع پواسون به ما کمک می‌کند حدس بزنیم. فقط باید این اتفاق‌ها مستقل باشند و همیشه با یک سرعت ثابت رخ دهند.

چه زمانی باید از توزیع پواسون استفاده کرد؟

توزیع پواسون بهتر است در تحلیل آماری زمانی استفاده شود که متغیر مورد نظر یک متغیر شمارش باشد. برای مثال، وقتی می‌پرسیم یک چیز چند بار رخ می‌دهد بر اساس یک یا چند متغیر توضیحی، مانند تخمین تعداد محصولات معیوب که از یک خط تولید خارج می‌شوند با توجه به ورودی‌های مختلف.

توزیع پواسون چه فرضیاتی دارد؟

برای دقیق بودن توزیع پواسون، همه رویدادها باید از یکدیگر مستقل باشند، نرخ رویدادها در طول زمان باید ثابت باشد و رویدادها نمی‌توانند به‌صورت همزمان رخ دهند. علاوه بر این، میانگین و واریانس باید برابر باشند.

آیا توزیع پواسون گسسته است یا پیوسته؟

از آنجا که تعدادهای گسسته را اندازه‌گیری می‌کند، توزیع پواسون نیز یک توزیع گسسته است. این برخلاف توزیع نرمال است که پیوسته است.

تحولات اخیر (تا سپتامبر 2025)

بر اساس اطلاعات موجود و پست‌های X:

• کاربرد در تحلیل‌های مالی پیشرفته: گزارش بلومبرگ در سال 2024 نشان می‌دهد که توزیع‌های پواسون به‌طور فزاینده‌ای در مدل‌سازی الگوریتمی معاملات با فرکانس بالا استفاده می‌شوند، جایی که پیش‌بینی تعداد معاملات یا جهش‌های قیمتی در بازه‌های زمانی کوتاه حیاتی است.
• ادغام با یادگیری ماشین: پست‌های X در سال 2025 نشان می‌دهند که تحلیلگران مالی در حال ترکیب توزیع‌های پواسون با مدل‌های یادگیری ماشین برای پیش‌بینی دقیق‌تر رویدادهای نادر بازار، مانند سقوط‌های ناگهانی یا شوک‌های نقدینگی، هستند.
• تمرکز بر تحلیل ریسک: مقاله‌ای از رویترز در سال 2024 اشاره می‌کند که شرکت‌های مدیریت ریسک از توزیع‌های پواسون برای مدل‌سازی احتمال وقوع رویدادهای نادر، مانند نقض‌های سایبری یا اختلالات زنجیره تأمین، استفاده می‌کنند که می‌تواند تأثیرات مالی قابل‌توجهی داشته باشد.
• هشدارهای سرمایه‌گذاری: پست‌های X به سرمایه‌گذاران توصیه می‌کنند که هنگام استفاده از توزیع‌های پواسون برای پیش‌بینی‌های مالی، محدودیت‌های فرضیات آن (مانند استقلال رویدادها و نرخ ثابت) را در نظر بگیرند. مشورت با متخصصان داده یا تحلیلگران مالی برای اعتبارسنجی مدل‌های پواسون و اطمینان از کاربرد مناسب در تحلیل‌های مالی توصیه می‌شود.

نتیجه‌گیری

توزیع پواسون یک توزیع احتمال است که برای پیش‌بینی میزان انحراف از نرخ متوسط وقوع در یک بازه زمانی مشخص استفاده می‌شود. این یک تابع گسسته است، به این معنا که متغیر تنها می‌تواند مقادیر عدد صحیح را بدون کسر یا اعشار بپذیرد. توزیع پواسون ابزار مفیدی برای ارزیابی و پیش‌بینی عملیات مالی و معاملاتی است. تا سال 2025، کاربرد آن در معاملات الگوریتمی و تحلیل ریسک در حال گسترش است، اما کاربران باید از فرضیات آن آگاه باشند. سرمایه‌گذاران و تحلیلگران باید با متخصصان داده مشورت کنند تا مدل‌های پواسون را به‌طور مؤثر به کار ببرند و از استراتژی‌های مدیریت ریسک برای بهینه‌سازی پیش‌بینی‌ها و کاهش عدم قطعیت‌ها در تصمیم‌گیری‌های مالی استفاده کنند.