포아송분포는 일정한 시간이나 공간에서 드물게 발생하는 사건의 횟수를 모델링하는 확률분포입니다. 사건들이 독립적으로 일정한 평균 비율로 발생할 때 사용됩니다.
다이어그램이 말하는 것
●
드물게 발생하는 사건 수의 분포 — 1837년 Siméon Denis Poisson 발견
●
평균 = 분산 = λ — 두 값이 같다는 게 포아송분포의 결정적 특징
●
이항분포의 극한 (n→∞, p→0, np=λ 유지) — 희귀 사건 모형의 기반
포아송분포를 병원 응급실에 비유해보세요. 평균적으로 1시간에 3명의 응급환자가 온다면, 특정 1시간 동안 정확히 2명이 올 확률이나 5명이 올 확률을 계산할 수 있습니다. 각 환자의 도착은 독립적이고, 평균 도착률은 일정합니다. 이처럼 희귀하지만 일정한 비율로 발생하는 사건을 모델링하는 것이 포아송분포입니다.
핵심 포인트
•
일정한 시간/공간에서 발생하는 희귀 사건
•
사건들은 서로 독립적으로 발생
•
평균 발생률(λ)이 일정함
•
동시에 두 사건이 발생할 확률은 0
간단한 예시
평균 1시간에 전화가 4번 온다면 (λ=4), 1시간 동안 정확히 3번 올 확률은 P(X=3) = e⁻⁴ × 4³ ÷ 3! = 0.0183 × 64 ÷ 6 ≈ 0.195
이해도 확인하기
정답:
포아송분포에서는 평균과 분산이 같습니다. 둘 다 모수 λ와 같습니다.
정답:
교통사고 발생 횟수, 방사능 붕괴 횟수, 고객 도착 횟수 등 희귀하고 독립적인 사건의 발생 횟수를 모델링할 때 사용합니다.
포아송분포 Loading...의 확률질량함수는 Loading...입니다. 여기서 Loading...는 평균 발생률이고, Loading...는 자연상수입니다. Loading...가 클수록 분포는 오른쪽으로 치우치며, Loading...일 때 정규분포로 근사할 수 있습니다.
수학적 공식
Loading...는 평균 발생률, Loading...는 실제 발생 횟수Loading..., Loading...는 자연상수 약 Loading...입니다. Loading...는 Loading...의 팩토리얼입니다.
월평균 2건이어도 사고가 3건 이상인 달이 대략 세 달에 한 번꼴(32.3%)로 나옵니다. 특정 달에 사고가 몰렸다고 곧바로 "교차로가 위험해졌다"고 결론 내리면 안 되는 이유입니다 — 발생률 λ가 그대로여도 자연스러운 변동입니다. 마찬가지로 사고 0건인 달(13.5%)도 안전 대책의 효과를 입증하지 못합니다.
"20통 이상"인데 계산에 19.5를 쓴 것이 연속성 수정입니다. 이산분포인 포아송을 연속분포인 정규분포로 근사할 때 경계값을 0.5만큼 보정해야 하며, 수정 없이 (20−15)/√15 ≈ 1.29를 쓰면 확률이 약 9.8%로 과소평가됩니다. λ ≥ 10이라 근사 자체는 타당해도 연속성 수정 여부가 결과를 바꿉니다.
평균 결함이 1개 미만(0.8개)이어도 무결함 확률은 44.9%에 그칩니다 — 절반 이상의 제품에는 결함이 1개 이상 있습니다. 또 검사 면적을 2m²로 늘리면 λ = 1.6이 되어 무결함 확률은 e⁻¹·⁶ = (0.449)² ≈ 20.2%로 곱셈적으로 줄어듭니다. 포아송분포에서는 관찰 단위(면적·시간)를 바꾸면 λ도 비례해서 바꿔야 합니다.
흔한 실수들
잘못된 방법:
사건이 독립적이지 않은 상황에 포아송분포 적용
왜 틀렸을까?
포아송분포는 사건들이 서로 독립적으로 발생해야 성립하는데, 연쇄반응이나 상호의존적 사건에서는 적용할 수 없습니다
올바른 방법:
사건들의 독립성을 확인하고, 독립성이 보장될 때만 포아송분포를 사용하세요
잘못된 방법:
발생률이 시간에 따라 변하는 경우 무시
왜 틀렸을까?
포아송분포는 발생률이 일정해야 하는데, 시간대별로 발생률이 다른 경우 이를 간과합니다
올바른 방법:
발생률이 변하는 경우 시간을 구간별로 나누어 각각 다른 λ값을 사용하세요
잘못된 방법:
큰 λ값에서 정규근사 사용 시 연속성 수정 생략
왜 틀렸을까?
λ≥10일 때 정규분포로 근사할 수 있지만, 연속성 수정(±0.5)을 해야 정확합니다
올바른 방법:
포아송분포를 정규분포로 근사할 때는 연속성 수정을 적용하세요
실제 사례 분석: 전력회사 정전 예측 시스템
배경
대한민국 주요 전력회사에서 기후변화로 인한 극한 기상현상 증가와 전력 수요 급증으로 정전 위험이 높아지고 있습니다. 효율적인 비상 대응과 자원 배치를 위해 데이터 기반의 정전 예측 시스템 구축이 절실한 상황입니다.
문제 상황
기존의 경험 기반 대응 방식으로는 예측 불가능한 정전 상황에 효과적으로 대처하기 어렵습니다. 계절별, 기상 조건별 정전 발생 패턴을 정량적으로 분석하여 사전 예방적 대응 체계를 구축해야 합니다.
데이터 설명
과거 5년간 수집된 정전 데이터 (월별 집계):
• 평상시(봄/가을): 월평균 1.8건, 표준편차 1.3
• 여름철(6-8월): 월평균 3.2건, 폭염 시 최대 12건
• 겨울철(12-2월): 월평균 2.1건, 한파 시 최대 8건
• 태풍 시즌(7-9월): 월평균 8.5건, 태풍 직접 영향 시 최대 25건
• 추가 변수: 기온, 습도, 풍속, 전력 수요량, 설비 연식
분석 방법
1단계: 계절별 포아송 모델링
• 평상시: Loading...
• 여름철: Loading...
• 겨울철: Loading...
• 태풍시즌: Loading...
2단계: 임계값 설정 및 확률 계산
• 비상체계 가동 기준: 월 5건 이상
• Loading... 계산으로 위험도 평가
3단계: 베이지안 실시간 업데이트
• 감마 사전분포: Loading...
• 포아송 우도 + 감마 사전분포 → 감마 사후분포
• 실시간 정전 발생 시 Loading... 추정치 업데이트
해결책 및 결과
위험도 평가 결과:
• 평상시: Loading... (2.4% - 저위험)
• 여름철: Loading... (17.1% - 중위험)
• 겨울철: Loading... (6.8% - 저중위험)
• 태풍시즌: Loading... (94.6% - 고위험)
자원 배치 전략:
• 평상시: 기본 복구팀 2개조 대기
• 여름/겨울철: 추가 복구팀 1개조 예비 배치
• 태풍시즌: 비상복구팀 5개조 + 외부 협력업체 대기
실시간 모니터링:
• 월초 3일간 정전 2건 발생 → 베이지안 업데이트
• 예상 월말 정전 수: 기존 8.5건 → 업데이트 후 11.2건
운영 성과 (시스템 도입 후 1년):
• 평균 복구 시간: 4.2시간 → 2.8시간 (33% 단축)
• 비상 대응 정확도: 67% → 89% (22%p 향상)
• 고객 만족도: 3.2점 → 4.1점 (5점 만점)
• 불필요한 자원 동원: 45% → 18% (27%p 감소)
비용 효과:
• 연간 비상대응 비용 15% 절감 (약 12억원)
• 정전으로 인한 사회적 비용 25% 감소
결론:
포아송분포를 활용한 예측 시스템을 통해 정전 위험도를 정량화하고 효율적인 자원 배치가 가능해졌습니다. 특히 베이지안 업데이트 기법으로 실시간 상황 변화에 적응적으로 대응할 수 있어 전력 공급의 안정성과 경제성을 동시에 향상시켰습니다.
참고 문헌
Poisson, S.-D. (1837), Recherches sur la probabilité des jugements en matière criminelle et en matière civile, Paris: Bachelier — 포아송분포가 처음 등장한 원전
von Bortkiewicz, L. (1898), Das Gesetz der kleinen Zahlen, Leipzig: B. G. Teubner — 프로이센 기병대 낙마(말 발길질) 사망 데이터로 포아송분포를 희귀 사건에 처음 본격 적용한 고전
Kingman, J. F. C. (1993), Poisson Processes, Oxford Studies in Probability 3, Oxford: Clarendon Press — 포아송과정(독립증분·사건 간 지수분포 간격)의 표준 참고서
Cameron, A. C. & Trivedi, P. K. (2013), Regression Analysis of Count Data (2nd ed.), Cambridge: Cambridge University Press — 과분산(분산>평균)·영과잉 등 포아송 모형의 한계와 대안을 다루는 가산자료 표준 교과서
