포아송과정 (Poisson Process)
쉽게 풀면
콜센터에 전화가 걸려오는 시각이나 편의점에 손님이 들어오는 시각을 떠올려보면 됩니다. 이런 사건들은 정확히 언제 일어날지 예측할 수 없지만, 평균적으로 한 시간에 몇 번 정도 발생하는지는 어느 정도 알 수 있습니다.
포아송과정은 이렇게 사건들이 서로 영향을 주지 않고 무작위로, 그러나 평균적인 빈도는 일정하게 발생하는 상황을 수학적으로 표현하는 방법입니다.
포아송과정은 특정 시간 구간 안에 사건이 몇 번 일어날지를 확률적으로 나타내는 모형으로, 콜센터에 걸려오는 전화나 매장에 도착하는 고객처럼 무작위로 흩어져 일어나는 사건을 표현하는 데 쓰입니다.
왜 중요한가
고객의 도착, 전화 요청, 기계 고장 등 여러 현상이 포아송과정으로 잘 근사되는 경우가 많아, 대기행렬 이론과 시뮬레이션에서 도착 과정을 표현하는 기본 모형으로 널리 사용됩니다. 산업공학에서는 서비스 시스템의 설계와 용량 계획, 재고 관리 등 다양한 분야에서 포아송과정을 활용해 시스템의 성능을 분석합니다.
포아송과정은 대기행렬이론의 가장 기본적인 가정으로 자리잡고 있어, 고객센터 인력 배치나 서버 용량 산정처럼 대기 상황을 다루는 다양한 실무 모형의 출발점이 됩니다.
핵심 정리
- 포아송과정 N(t)는 시각 t까지 일어난 사건의 누적 횟수입니다. 평균 발생률(강도) λ가 일정한 (동질) 포아송과정은 다음 성질을 가집니다.
- 독립 증분. 서로 겹치지 않는 구간의 발생 횟수는 서로 독립입니다.
- 정상 증분. 구간의 길이가 같으면 위치와 상관없이 발생 횟수의 분포가 같습니다.
- 길이 t인 구간의 발생 횟수는 평균 λt인 포아송분포를 따르고(
P(N = k) = e−λt(λt)k/k!), 평균과 분산이 같습니다. - 연속한 두 사건 사이의 시간은 평균 1/λ인 지수분포를 따르며 서로 독립입니다. 지수분포의 무기억성 때문에 “지금까지 기다린 시간”이 앞으로 기다릴 시간에 영향을 주지 않습니다.
- 두 포아송과정을 합치면 강도가 더해진 포아송과정이 되고(중첩), 각 사건을 확률 p로 골라내도 포아송과정이 됩니다(솎아내기).
예시로 보기
가상의 콜센터에 전화가 시간당 평균 12건(λ = 12) 포아송과정으로 걸려 온다고 해 봅시다. 15분(0.25시간) 동안 평균 3건이 옵니다. 코드로 계산하면:
- 15분 동안 한 통도 없을 확률:
e−3= 5.0% - 정확히 3통일 확률: 22.4%
- 5통 이하일 확률: 91.6% (6통 이상: 8.4%)
- 다음 전화까지 10분(1/6시간)보다 오래 걸릴 확률:
e−12/6= 13.5%
이 값들로 상담원 수와 대기 확률을 계산하는 것이 대기행렬 모형의 출발입니다.
자주 하는 오해
| 오해 | 바로잡기 |
|---|---|
| 무작위이면 간격이 고르다. | 포아송과정의 사건은 뭉치기도 하고 길게 비기도 합니다. 간격이 지수분포라서 짧은 간격이 많이 나옵니다. |
| 도착 데이터는 항상 포아송이다. | 시간대에 따라 도착률이 달라지면 비동질 포아송과정이 필요하고, 사건끼리 영향이 있으면(단체 도착, 연쇄 고장) 맞지 않습니다. 평균 대비 분산이 1보다 크게(과산포) 나오면 의심합니다. |
| 포아송분포와 포아송과정은 같다. | 포아송분포는 정해진 구간의 횟수의 분포이고, 포아송과정은 시간에 따라 사건이 일어나는 과정 전체입니다. |
| 평균 발생률이 높으면 간격이 규칙적이다. | 간격의 변동계수는 항상 1입니다(지수분포). 규칙적인 도착은 포아송이 아니라 더 낮은 변동성을 가집니다. |
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
손님이 오는 패턴을 수학적으로 다루기 쉬운 표준적인 확률 모형으로 가정했다는 뜻입니다.
실제로 수집한 데이터가 이론적인 포아송과정의 특성과 잘 맞아떨어지는지 검증했다는 의미입니다.
조금 더 깊게 보면
포아송과정에서는 일정한 시간 동안 발생하는 사건의 수가 포아송분포를 따르며, 연속된 두 사건 사이의 시간 간격은 지수분포를 따른다는 성질이 있습니다. 이러한 성질 덕분에 포아송과정은 대기행렬 모형에서 도착과정을 표현할 때 수학적으로 다루기 쉬운 대표적인 선택지로 사용됩니다.
포아송과정은 사건 발생 간격이 지수분포를 따르며, 한 구간에서의 사건 발생이 다른 구간의 사건 발생에 영향을 주지 않는다는 독립성 가정을 전제로 하는데, 이 가정이 실제 현상과 어긋나는 경우 모형의 예측력이 떨어질 수 있습니다.
주의할 점
실제 도착 패턴이 시간대에 따라 크게 달라지거나 사건들 사이에 상관관계가 있는 경우에는 단순한 포아송과정 가정이 잘 맞지 않을 수 있어, 실제 데이터로 적합성을 확인하는 과정이 필요합니다.
헷갈리기 쉬운 용어
관련된 개념이 많아 역할을 나누어 정리합니다.
| 용어 | 무엇을 나타내나 | 연결 |
|---|---|---|
| 포아송과정 | 시간에 따라 일어나는 사건의 누적 횟수 | 횟수는 포아송분포, 간격은 지수분포 |
| 포아송분포 | 정해진 구간의 사건 횟수의 확률분포 | 포아송과정의 한 시점 분포 |
| 지수분포 | 사건 사이 시간의 분포 | 포아송과정의 도착 간격 |
| 대기행렬이론 | 도착과 서비스의 대기 현상을 분석 | 도착을 포아송과정으로 가정 |
참고 문헌
- Ross, S. M. (2014). Introduction to Probability Models (11th ed.). Academic Press.
- Kingman, J. F. C. (1993). Poisson Processes. Oxford University Press.
- Law, A. M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill Education.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.