Главная > Советы

Дисперсия экспоненциального распределения. Показательный (экспоненциальный) закон распределения

Отметим здесь основные понятия и формулы, связанные с показательным распределением непрерывной случайной величины $X$ не вдаваясь в подробности их вывода.

Определение 1

Показательным или экспоненциальным распределения непрерывной случайной величины $X$ называется распределение, плотность которого имеет вид:

Рисунок 1.

График плотности показательного распределения имеет вид (рис. 1):

Рисунок 2. График плотности показательного распределения.

Функция показательного распределения

Как нетрудно проверить, функция показательного распределения имеет вид:

Рисунок 3.

где $\gamma $ - положительная константа.

График функции показательного распределения имеет вид:

Рисунок 4. График функции показательного распределения.

Вероятность попадания случайной величины при показательном распределении

Вероятность попадания непрерывной случайной величины в интервал $(\alpha ,\beta)$ при показательном распределении вычисляется по следующей формуле:

Математическое ожидание : $M\left(X\right)=\frac{1}{\gamma }.$

Дисперсия : $D\left(X\right)=\frac{1}{{\gamma }^2}.$

Среднее квадратическое отклонение: $\sigma \left(X\right)=\frac{1}{\gamma }$.

Пример задачи на показательное распределение

Пример 1

Случайная величина $X$ подчиняется экспоненциальному закону распределения. На участке области определения $\left \

Определение 2. Х имеет показательный (экспоненциальный) закон распределения с параметром , если ее плотность вероятности имеет вид:

Функция распределения случайной величины, распределенной по показательному закону, равна

Действительно,

Кривая распределения и график функции распределения приведены ниже:

Для случайной величины, распределенной по показательному закону

Действительно,

Вероятность попадания в интервал непрерывной случайной величины Х , распределенной по показательному закону, находится по формуле

Замечание 1. Показательный закон распределения вероятностей встречается во многих задачах, связанных с простейшим потоком событий. Под потоком событий понимают последовательность событий, наступающих одно за другим в случайные моменты. Например, поток вызовов на телефонной станции, поток заявок в системе массового обслуживания и др.

Часто длительность времени безотказной работы элемента имеет показательное распределение, функция распределения которого

определяет вероятность отказа элемента за время длительностью t . Здесь Т – длительность времени безотказной работы элемента, λ − интенсивность отказов (среднее число отказов в единицу времени).

Функция надежности

определяет вероятность безотказной работы элемента за время длительностью t .

Пример 2. Установлено, что время ремонта магнитофонов есть случайная величина Х , распределенная по показательному закону. Определить вероятность того, что на ремонт магнитофона потребуется не менее 15 дней, если среднее время ремонта магнитофонов составляет 12 дней. Найти плотность вероятности, функцию распределения и среднее квадратическое отклонение случайной величины Х .

Решение. По условию математическое ожидание =12, откуда параметр и тогда плотность вероятности и функция распределения имеют вид: , (). Искомую вероятность можно найти, используя функцию распределения:

Среднее квадратическое отклонение дней.

Пример 3. Испытывают три элемента, которые работают независимо один от другого. Длительность времени безотказной работы элементов распределена по показательному закону:

для первого элемента ;

для второго ;

для третьего элемента .

Найти вероятности того, что в интервале времени (0;5) ч. откажут: а) только один элемент; б) только два элемента; в) все три элемента.

Решение. Вероятность отказа первого элемента

Вероятность отказа второго элемента

Вероятность отказа третьего элемента

Искомая вероятность



3. Нормальное распределение. В теории вероятностей и математической статистике важнейшую роль играет так называемое нормальное или гауссовское распределение. Оно также широко применяется и при решении прикладных задач. Значимость нормального распределения определяется тем, что оно служит хорошим приближением для большого числа наборов случайных величин, получаемых при наблюдениях и экспериментах. Нормальное распределение почти всегда имеет место, когда наблюдаемые случайные величины формируются под влиянием большого числа случайных факторов, ни один из которых существенно не превосходит остальные.

Определение 3. Непрерывная случайная величина Х имеет нормальный закон распределения (закон Гаусса) с параметрами а и σ, если ее плотность вероятности имеет вид:

Кривую нормального закона распределения называют нормальной или кривой Гаусса .

График функции плотности нормального закона представляет собой колоколообразную кривую, принимающую наибольшее значение в точке и быстро убывающую при .

Докажем, что . Действительно

Используя несобственные двойные интегралы можно доказать, что

Этот интеграл называется интегралом Пуассона. Подставив этот результат в последнее выражение, получим .

Сложность непосредственного нахождения функции распределения случайной величины, распределенной по нормальному закону, и вероятности ее попадания на некоторый промежуток связана с тем, что интеграл от функции (15) не берется в элементарных функциях. Поэтому ее выражают через функцию Лапласа (интеграл вероятностей), для которой составлены таблицы.

Найдем функцию распределения случайной величины Х , распределенной по нормальному закону:

Так как (подынтегральная функция четная).

Таким образом,

Для случайной величины, распределенной по нормальному закону,

Выясним как будет меняться нормальная кривая при изменении параметров a иσ. Если и меняется параметр a – центр симметрии распределения, то нормальная кривая будет смещаться вдоль оси абсцисс, не меняя формы.

Если и меняется параметр – разброс значений случайной величины от центра симметрии распределения, то при увеличении уменьшается, но т.к. площадь под любой кривой распределения должна оставаться равной 1, то кривая становится более плоской, растягиваясь вдоль оси Ox. При уменьшении увеличивается и нормальная кривая вытягивается вверх, одновременно сжимаясь с боков.

В соответствии со свойством функции распределения, вероятность попадания значений нормальной случайной величины Х в интервал определяется формулой

4. Вероятность заданного отклонения для нормального распределения. Вероятность того, что отклонение случайной величины Х , распределенной по нормальному закону, от математического ожидания а не превысит величину (по абсолютной величине), равна

«Правило трех сигм»: Если случайная величина Х имеет нормальный закон распределения с параметрами а и , т.е. , то практически достоверно, что ее значения заключены в интервале :

Отклонение по абсолютной величине нормально распределенной СВ X больше, чем на , является событием практически невозможным, т.к. его вероятность весьма мала:

Т.к. кривая Гаусса симметрична относительно математического ожидания, то коэффициент асимметрии нормального распределения . Эксцесс нормального распределения Е =0 и крутость других распределений определяется по отношению к нормальному.

Замечание 2. Случайная величина, имеющая нормальное распределения с параметрами и , называется стандартной (нормированной) нормальной случайной величиной, а ее распределение – стандартным (нормированным) нормальным распределением.

Плотность и функция стандартного нормального распределения даются формулами:

Пример 4. Определить закон распределения случайной величины Х , если ее плотность распределения вероятностей задана функцией:

Найти математическое ожидание, дисперсию и функцию распределения случайной величины Х .

Решение. Сравнивая данную функцию с функцией плотности вероятности для случайной величины, распределенной по нормальному закону, заключаем, что случайная величина Х распределена по нормальному закону с параметрами а = 1 и .и, следовательно, .

Пример 7. Рост взрослых мужчин является случайной величиной, распределенной по нормальному закону. Пусть математическое ожидание ее равно 175 см, а среднее квадратическое отклонение – 6 см. Определить вероятность того, что хотя бы один из наудачу выбранных пяти мужчин будет иметь рост от 170 до 180 см.

Решение. Найдем вероятность того, что рост мужчины будет принадлежать интервалу (180;170):

Тогда вероятность того, что рост мужчины не будет принадлежать интервалу (170; 180): . Вероятность того, что хотя бы один из 5 мужчин будет иметь рост от 170 до 180 см равна: .

Как было сказано ранее, примерами распределений вероятностей непрерывной случайной величины Х являются:

  • равномерное распределение вероятностей непрерывной случайной величины;
  • показательное распределение вероятностей непрерывной случайной величины;
  • нормальное распределение вероятностей непрерывной случайной величины.

Дадим понятие равномерного и показательного законов распределения, формулы вероятности и числовые характеристики рассматриваемых функций.

Показатель Раномерный закон распределения Показательный закон распределения
Определение Равномерным называется распределение вероятностей непрерывной случайной величины X, плотность которого сохраняет постоянное значение на отрезке и имеет вид Показательным (экспоненциальным) называется распределение вероятностей непрерывной случайной величины X, которое описывается плотностью, имеющей вид

где λ – постоянная положительная величина
Функция распределения
Вероятность попадания в интервал
Математическое ожидание
Дисперсия
Среднее квадратическое отклонение

Примеры решения задач по теме «Равномерный и показательный законы распределения»

Задача 1.

Автобусы идут строго по расписанию. Интервал движения 7 мин. Найти: а) вероятность того, что пассажир, подошедший к остановке, будет ожидать очередной автобус менее двух минут; б) вероятность того, что пассажир, подошедший к остановке, будет ожидать очередной автобус не менее трех минут; в) математическое ожидание и среднее квадратическое отклонение случайной величины X – времени ожидания пассажира.

Решение. 1. По условию задачи непрерывная случайная величина X={время ожидания пассажира} равномерно распределена между приходами двух автобусов. Длина интервала распределения случайной величины Х равна b-a=7, где a=0, b=7.

2. Время ожидания будет менее двух минут, если случайная величина X попадает в интервал (5;7). Вероятность попадания в заданный интервал найдем по формуле: Р(х 1 <Х<х 2)=(х 2 -х 1)/(b-a) .
Р(5 < Х < 7) = (7-5)/(7-0) = 2/7 ≈ 0,286.

3. Время ожидания будет не менее трех минут (т.е. от трех до семи мин.), если случайная величина Х попадает в интервал (0;4). Вероятность попадания в заданный интервал найдем по формуле: Р(х 1 <Х<х 2)=(х 2 -х 1)/(b-a) .
Р(0 < Х < 4) = (4-0)/(7-0) = 4/7 ≈ 0,571.

4. Математическое ожидание непрерывной, равномерно распределенной случайной величины X – времени ожидания пассажира, найдем по формуле: М(Х)=(a+b)/2 . М(Х) = (0+7)/2 = 7/2 = 3,5.

5. Среднее квадратическое отклонение непрерывной, равномерно распределенной случайной величины X – времени ожидания пассажира, найдем по формуле: σ(X)=√D=(b-a)/2√3 . σ(X)=(7-0)/2√3=7/2√3≈2,02.

Задача 2.

Показательное распределение задано при x ≥ 0 плотностью f(x) = 5e – 5x. Требуется: а) записать выражение для функции распределения; б) найти вероятность того, что в результате испытания X попадает в интервал (1;4); в) найти вероятность того, что в результате испытания X ≥ 2 ; г) вычислить M(X), D(X), σ(X).

Решение. 1. Поскольку по условию задано показательное распределение , то из формулы плотности распределения вероятностей случайной величины X получаем λ = 5. Тогда функция распределения будет иметь вид:

2. Вероятность того, что в результате испытания X попадает в интервал (1;4) будем находить по формуле:
P(a < X < b) = e −λa − e −λb .
P(1 < X < 4) = e −5*1 − e −5*4 = e −5 − e −20 .

3. Вероятность того, что в результате испытания X ≥ 2 будем находить по формуле: P(a < X < b) = e −λa − e −λb при a=2, b=∞.
Р(Х≥2) = P(1< X < 4) = e −λ*2 − e −λ*∞ = e −2λ − e −∞ = e −2λ - 0 = e −10 (т.к. предел e −х при х стремящемся к ∞ равен нулю).

4. Находим для показательного распределения:

  • математическое ожидание по формуле M(X) =1/λ = 1/5 = 0,2;
  • дисперсию по формуле D(X) = 1/ λ 2 = 1/25 = 0,04;
  • среднее квадратическое отклонение по формуле σ(Х) = 1/λ = 1/5 = 1,2.

Экспоненциальный закон распределения называемый также основным законом надежности, часто используют для прогнозирования надежности в период нормальной эксплуатации изделий, когда постепенные отказы еще не проявились и надежность характеризуется внезапными отказами. Эти отказы вызываются неблагоприятным стечением многих обстоятельств и поэтому имеют постоянную интенсивность. Экспоненциальное распределение находит довольно широкое применение в теории массового обслуживания, описывает распределение наработки на отказ сложных изделий, время безотказной работы элементов радиоэлектронной аппаратуры.

Приведем примеры неблагоприятного сочетания условий работы деталей машин, вызывающих их внезапный отказ. Для зубчатой передачи это может быть действием максимальной нагрузки на наиболее слабый зуб при его зацеплении; для элементов радиоэлектронной аппаратуры - превышение допустимого тока или температурного режима.

Плотность распределения экспоненциального закона (рис. 1) описывается соотношением

f (x ) = λe −λ x ; (3)

функция распределения этого закона - соотношением

F (x ) = 1− e −λ x ; (4)

функция надежности

P (x ) = 1− F (x ) = e −λ x ; (5)

математическое ожидание случайной величины Х

дисперсия случайной величины Х

(7)

Экспоненциальный закон в теории надежности нашел широкое применение, так как он прост для практического использования. Почти все задачи, решаемые в теории надежности, при использовании экспоненциального закона оказываются намного проще, чем при использовании других законов распределения. Основная причина такого упрощения состоит в том, что при экспоненциальном законе вероятность безотказной работы зависит только от длительности интервала и не зависит от времени предшествующей работы.

Риc. 1. График плотности экспоненциального распределения

Пример 2. По данным эксплуатации генератора установлено, что наработка на отказ подчиняется экспоненциальному закону с параметром λ=2*10 -5 ч -1 . Найти вероятность безотказной работы за время t =100 ч. Определить математическое ожидание наработки на отказ.

Р е ш е н и е. Для определения вероятности безотказной работы воспользуемся формулой (5), в соответствии с которой

Математическое ожидание наработки на отказ равно

Показательным называют распределение непрерывной случайной величины Х которое описывается следующей дифференциальной функцией

Экспоненциальное распределение для непрерывных случайных величин является аналогом распределения Пуассона для дискретных случайных величин и имеет следующий вид.

вероятность попадания случайной величины Х на интервал (α;β)

Следует отметить, что время безотказной работы удовлетворяется именно показательному закону, а поэтому это понятие часто используется в понятии надежности.

Нормальный закон распределения (закон Гаусса)

Нормальным называется распределение случайной величины Х если ф-ция плотности распределения

Полученное выражение через элементарные функции не может быть выражено, такая функция так называемый интеграл вероятности для которой составлены таблицы, чаще всего в качестве такой функции используют

Часто по условию задачи необходимо определить вероятность попадания случайной величины Х на участок симметричный математическому ожиданию.

Правило трех сигм это правило часто используется для подтверждения или отбрасывания гипотезы о нормальном распределении случайной величины.

Мат. статистика

Выборочная сумма:

.

Выборочное среднее:

.

Выборочная дисперсия:

, где т i – частота.

Выборочное СКО:

.

Эмпирическая функция распределения:

F * (x)=P(X

F * (x)= .

Точечные оценки:

Несмещенная оценка генеральной средней (мат.ожидания ):

, х i – варианта выборки, m i – частота варианты х i , - объем выборки.

Смещенная оценка генеральной дисперсии – выборочная дисперсия:

, так как

.

Несмещенной оценкой генеральной дисперсии служит «исправленная дисперсия»:

. При п<30.

Коэффициент вариации:

.

Центральный момент к -го порядка:

.

Начальный момент к -го порядка:

.

Ассиметрия : , т 3 =

Эксцесс : , где т 4 =

Групповая средняя : .

Общая средняя: , где .

Общая дисперсия: .

Интервальные оценки:

Доверительный интервал для мат.ожидания а нормально распределенного количества признака Х :

.

Критерий согласия Пирсона:

Если число наблюдений очень велико, то закон распределения СВ не зависит от того, какому закону подчинена генеральная совокупность. Он приближается к распределению с к степенями свободы, а сам критерий называется критерием согласия Пирсона:

, где к – количество интервалов сгруппированного ряда, т i >0,05n .

Количество степеней свободы : r=k-p-1 , где к – количество интервалов, р – количество параметров закона.



Уровень значимости α :

α=0,05 и α=0,01.

Если , то Н 0 принимается , т.е. предполагаемый закон распределения отвечает эмпирическим данным. При этом мы ошибаемся в 5-ти случаях из 100, принимая возможно ошибочную гипотезу (ошибка 2-го рода).

Если , то Н 0 отвергается , т.е. предполагаемый закон не отвечает эмпирическим данным. При этом мы ошибаемся в 1-ом случае из 100, отбрасывая правильную гипотезу (ошибка 1-го рода).

Если , то имеем неопределенность и можно использовать др. критерии.


Корреляция

- сумма частот в i -ом столбце;

- сумма частот в к -ой строке;

- число пар (х i ; y k) .

Условное среднее : .

Теоретические уравнения линий регрессии :

.

Расчет числовых характеристик:

Показатель тесноты корреляционной связи – эмпирическое корреляционное отношение:

, где .

.

Свойства:

1. 0≤η≤1 .

2. если η =1, то у(х) – связь функциональная.

3. η =0, то связи нет.

4. η≥ .

5. если η = , то имеет место точная линейная корреляционная зависимость.

6. чем ближе η к 0, тем корреляционная связь слабее, чем ближе к 1, тем корреляционная связь сильнее и в пределе она превращается в функциональную зависимость.

Коэффициент корреляции:

.

Проверка значимости параметров корреляционной зависимости:

1. Проверка существенности линейной корреляционной связи (значимости регрессии) .

При больших объемах выборки коэф.корреляции подчиняется нормальному закону. При этом .

2. Проверка значимости регрессии :

.

Если τ р >2,58, то с уверенностью 99% можно утверждать, что корреляционная зависимость существенна (регрессия значима). Т.е. корреляционная связь существует не только в выборке, но и во всей генеральной совокупности.

τ р <1,96, то с уверенностью 95% можно утверждать, что корреляционная зависимость не явл. существенной, т.е. она характерна только для данной выборки и может не существовать в генеральной совокупности.



1,96<τ р < 2,58 – несущественная корреляционная зависимость.

3. Проверка линейности выбранной модели (проверка адекватности):

.

Р=99% (α=0,01): t=2,58

Р=95% (α=0,05): t=1,96

Если величина η у/х удовлетворяет этому неравенству, то выбранная модель адекватна, она соответствует эмпирическим данным.

Критерий Фишера:

, п – число наблюдений, к – число интервалов по Х.

При уровнях значимости:

α=0,05 и α=0,01: F 0,05 (k-1;n-1); F 0,01 (k-1;n-k).

Если F y / x

Проверка значимости регрессии:

, по табл. F 0,01 (1;n-2), F 0,05 (1;n-2).

Если F R >F 0,01 , то регрессия значима, если F R

Адекватность модели по Фишеру:

.

F 0,01 (k-2;n-k), F 0,05 (k-2;n-k).

Если F A >F 0,01 , то модель неадекватна, если F A

Критерий Романовского:

, где r – число ступеней свободы. Если ρ<3 , то расхождение между теоретическими и эмпирическими распределениями нужно считать незначительными.

Критерий согласованности Калмагорова:

- наибольшая по абсолютной величине разность между накопленными частотами эмпирического и теоретического распределения.

к – количество интервалов.

По таблице находим соответствующее значение вероятности Р(λ). Если Р(λ)<0,05, то расхождение между распределениями существенно, оно не может быть вызвано случайными причинами. Чем ближе эта вероятность к 1, тем лучше теоретическое распределение согласовывается с эмпирическим.

Рекомендуем также

Loading...Loading...