Экспоненциальное распределение
Показательное распределение | |
---|---|
Обозначение | [math]\displaystyle{ \mathrm{Exp}(\lambda), \mathcal{E} (\lambda) }[/math] |
Параметры | [math]\displaystyle{ \lambda \gt 0 }[/math] — интенсивность или обратный коэффициент масштаба |
Носитель | [math]\displaystyle{ x \in [0;\infty) }[/math] |
Плотность вероятности | [math]\displaystyle{ \lambda e^{-\lambda x} }[/math] |
Функция распределения | [math]\displaystyle{ 1 - e^{-\lambda x} }[/math] |
Математическое ожидание | [math]\displaystyle{ \lambda^{-1} }[/math] |
Медиана | [math]\displaystyle{ \ln(2)/\lambda }[/math] |
Мода | [math]\displaystyle{ 0 }[/math] |
Дисперсия | [math]\displaystyle{ \lambda^{-2} }[/math] |
Коэффициент асимметрии | [math]\displaystyle{ 2 }[/math] |
Коэффициент эксцесса | [math]\displaystyle{ 6 }[/math] |
Дифференциальная энтропия | [math]\displaystyle{ 1 - \ln(\lambda) }[/math] |
Производящая функция моментов | [math]\displaystyle{ \left(1 - \frac{t}{\lambda}\right)^{-1} }[/math] |
Характеристическая функция | [math]\displaystyle{ \left(1 - \frac{it}{\lambda}\right)^{-1} }[/math] |
Экспоненциа́льное (или показа́тельное[1]) распределе́ние — абсолютно непрерывное распределение, моделирующее время между двумя последовательными свершениями одного и того же события.
Определение
Случайная величина [math]\displaystyle{ X }[/math] имеет экспоненциальное распределение с параметром [math]\displaystyle{ \lambda \gt 0 }[/math], если её плотность вероятности имеет вид:
- [math]\displaystyle{ f_X(x) = \begin{cases} \lambda \,e^{-\lambda x} ,& x \ge 0, \\ 0 ,& x \lt 0. \end{cases} }[/math].
Пример. Пусть есть магазин, в который время от времени заходят покупатели. При определённых допущениях время между появлениями двух последовательных покупателей будет случайной величиной с экспоненциальным распределением. Среднее время ожидания нового покупателя (см. ниже) равно [math]\displaystyle{ 1/\lambda }[/math]. Сам параметр [math]\displaystyle{ \lambda }[/math] тогда может быть интерпретирован как среднее число новых покупателей за единицу времени.
В этой статье для определённости будем предполагать, что плотность экспоненциальной случайной величины [math]\displaystyle{ X }[/math] задана первым уравнением, и будем писать: [math]\displaystyle{ X \sim \mathrm{Exp}(\lambda) }[/math].
Функция распределения
Интегрируя плотность, получаем функцию экспоненциального распределения:
- [math]\displaystyle{ F_X(x) = \left\{\begin{matrix} 1-e^{-\lambda x}&,\; x \ge 0, \\ 0 &,\; x \lt 0. \end{matrix}\right. }[/math]
Моменты
Несложным интегрированием находим, что производящая функция моментов для экспоненциального распределения имеет вид:
- [math]\displaystyle{ \mathrm{M}_X(t) = \left(1 - {t \over \lambda}\right)^{-1} }[/math],
откуда получаем все моменты:
- [math]\displaystyle{ \mathbb{E}\left[X^n\right] = \frac{n!}{\lambda^n} }[/math].
В частности,
- [math]\displaystyle{ \mathbb{E}[X] = \frac{1}{\lambda} }[/math],
- [math]\displaystyle{ \mathbb{E}\left[X^2\right] = \frac{2}{\lambda^2} }[/math],
- [math]\displaystyle{ \operatorname{D} [X] = \frac{1}{\lambda^2} }[/math].
Независимость событий
Пусть [math]\displaystyle{ X \sim \mathrm{Exp}(\lambda) }[/math]. Тогда [math]\displaystyle{ \mathbb{P}(X \gt s+t \mid X \geqslant s) = \mathbb{P}(X \gt t) }[/math].
Пример. Пусть автобусы приходят на остановку случайно, но с некоторой фиксированной средней интенсивностью. Тогда количество времени, уже затраченное пассажиром на ожидание автобуса, не влияет на время, которое ему ещё придётся прождать.
Связь с другими распределениями
- Экспоненциальное распределение является распределением Пирсона типа X[2].
- Минимум независимых экспоненциальных случайных величин также экспоненциальная случайная величина. Пусть [math]\displaystyle{ X_1, \ldots, X_n }[/math] независимые случайные величины, и [math]\displaystyle{ X_i \sim \mathrm{Exp}(\lambda_i) }[/math]. Тогда[3]:
- [math]\displaystyle{ Y = \min\limits_{i=1,\ldots,n}(X_i) \sim \mathrm{Exp}\left(\sum\limits_{i=1}^n \lambda_i\right). }[/math]
- Экспоненциальное распределение является частным случаем гамма-распределения:
- [math]\displaystyle{ \mathrm{Exp}(\lambda) \equiv \Gamma( 1,1/ \lambda). }[/math]
- Сумма независимых одинаково распределённых экспоненциальных случайных величин имеет гамма-распределение. Пусть [math]\displaystyle{ X_1, \ldots, X_n }[/math] независимые случайные величины, и [math]\displaystyle{ X_i \sim \mathrm{Exp}(\lambda) }[/math]. Тогда:
- [math]\displaystyle{ Y = \sum\limits_{i=1}^n X_i \sim \Gamma(n, 1/\lambda). }[/math]
- Экспоненциальное распределение может быть получено из непрерывного равномерного распределения методом обратного преобразования. Пусть [math]\displaystyle{ U \sim U[0,1] }[/math]. Тогда:
- [math]\displaystyle{ X = - \frac{1}{\lambda} \ln U \sim \mathrm{Exp}(\lambda). }[/math]
- Экспоненциальное распределение с параметром [math]\displaystyle{ \lambda=1/2 }[/math] — это частный случай распределения хи-квадрат:
- [math]\displaystyle{ \mathrm{Exp}(1/2) \equiv \chi^2(2). }[/math]
- Экспоненциальное распределение является частным случаем распределения Вейбулла.
- Пусть [math]\displaystyle{ X_1, \ldots, X_n }[/math] независимые случайные величины, и [math]\displaystyle{ X_i \sim \mathrm{Exp}(\lambda) }[/math]и [math]\displaystyle{ Y=\max{X_1,...,X_n}, Z=X_1+\frac{X_2}{2}+...+\frac{X_n}{n} }[/math]. Тогда:
- [math]\displaystyle{ P(Y\lt t)=(1-\exp(-\lambda t))^n, P(Z\lt t)=(1-\exp(-\lambda t))^n. }[/math]
Примечания
- ↑ Андрей Рукосуев, Виктор Башлыков, Константин Балдин. Основы теории вероятностей и математической статистики. Учебник. — Litres, 2016-03-26. — С. 80. — 489 с. — ISBN 9785457365889.
- ↑ Королюк, 1985, с. 135.
- ↑ Виктор Каштанов, Алексей Медведев. Теория надежности сложных систем. — 2018. — С. 498. — 608 с.
Литература
- Королюк В. С., Портенко Н. И.,Скороход А. В., Турбин А. Ф. Справочник по теории вероятностей и математической статистике. — М.: Наука, 1985. — 640 с.
Для улучшения этой статьи желательно: |