Показательное распределение с параметром лямбда

Обновлено: 04.02.2025

Рассмотрим некоторый поток событий, в котором события наступают независимо друг от друга и с некоторой фиксированной средней интенсивностью $lambda$ (событий в единицу времени). Тогда случайная величина $X$, равная числу событий $k$, произошедших за фиксированное время, имеет распределение Пуассона. Вероятности вычисляются по следующей формуле:

Для пуассоновской случайной величины математическое ожидание и дисперсия совпадают с интенсивностью потока событий:

$$M(X)=lambda, quad D(X)=lambda.$$

Распределение Пуассона играет важную роль в теории массового обслуживания . При увеличении $lambda$ данное распределение стремится к нормальному распределению $N(lambda, sqrt)$. В свою очередь, оно само является “приближенной” моделью биномиального распределения при больших $n$ и крайне малых $p$ (см. теорию про формулу Пуассона ).

Распределение Пуассона – определение

Распределение Пуассона — вероятностное распределение дискретного типа, моделирует случайную величину, представляющую собой число событий, произошедших за фиксированное время, при условии, что данные события происходят с некоторой фиксированной средней интенсивностью и независимо друг от друга. Другими словами, если событие происходит с некоторой периодичностью, то мы можем определить вероятность, что такое событие произойдёт n раз за интересующий нас период.

Параметр лямбда – λ

Распределение Пуассона зависит только от одного параметра – λ, данный параметр зависит от вероятности успешного события и общего количества событий.
Успешное событие: распределение Пуассона применяется только тогда, когда есть разделение на результат “да” и “нет”, например, лампочка перегорела: да – успешное событие; шина прокололась: да – успешное событие и так далее.

λ = n*p, где p – вероятность успешного события, а n – общее количество событий, для которых ведётся расчёт.
Например, если гроза проходит раз в месяц и мы хотим посчитать вероятность грозы за 24 месяца, то вероятность равна единице, а количество событий равно 24, откуда лямбда равна 24.
Можно считать по-другому, вероятность грозы в конкретный день – 1/30, количество событий – 730 дней, лямбда равна 24.3.

Пример

В тысяче ящиков с антоновками в одном попадается голден, какова вероятность, что в 5000 ящиках будет меньше 4 ящиков с яблоком голден?

Вероятность ящика с яблоком голден – 0.1% (1 ящик на 1000 = 1/1000, если в процентах – 1/1000 * 100 = 0.1%)
Общее количество событий – 5000 ящиков
Из вышесказанного следует:
λ = 5000 * 0.001 = 5

Функция вероятности (формула Пуассона)

Вероятность, что успешное событие произойдёт k раз:

Пример

В тысяче ящиков с антоновками в одном попадается голден, какова вероятность, что в 5000 ящиках будет 2 ящика с яблоком голден?

Из предыдущего примера мы знаем, что λ=5, теперь мы ищем вероятность, что k будет равно 2, для этого используем формулу функции вероятности:

f(4) = P(k = 4) = λ k e -λ / k! = 5 2 * e -5 / 2! = 0.084 = 8.4%

Условия возникновения распределения Пуассона

Рассмотрим условия, при которых возникает распределение Пуассона.

Во-первых, распределение Пуассона является предельным для биномиального распределения, когда число опытов n неограниченно увеличивается (стремится к бесконечности) и одновременно вероятность p успеха в одном опыте неограниченно уменьшается (стремится к нулю), но так, что их произведение np сохраняется в пределе постоянным и равным λ (лямбде):

В математическом анализе доказано, что распределение Пуассона с параметром λ = np можно приближенно применять вместо биномиального, когда число опытов n очень велико, а вероятность p очень мала, то есть в каждом отдельном опыте событие A появляется крайне редко.

Во-вторых, распределение Пуассона имеет место, когда есть поток событий, называемым простейшим (или стационарным пуассоновским потоком). Потоком событий называют последовательность таких моментов, как поступление вызовов на коммуникационный узел, приходы посетителей в магазин, прибытие составов на сортировочную горку и тому подобных. Пуассоновский поток обладает следующими свойствами:

стационарность: вероятность наступления m событий в определённый период времени постоянна и не зависит от начала отсчёта времени, а зависит только от длины участка времени;
ординарность: вероятность попадания на малый участок времени двух или более событий пренебрежимо мала по сравнению с вероятностью попадания на него одного события;
отсутствие последствия: вероятность наступления m событий в определённый период времени не зависит от того, сколько событий наступило в предыдущий период.

Характеристики случайной величины, распределённой по закону Пуассона

Характеристики случайной величины, распределённой по закону Пуассона:

Распределение Пуассона и расчёты в MS Excel

Вероятность распределения Пуассона P(m) и значения интегральной функции F(m) можно вычислить при помощи функции MS Excel ПУАССОН.РАСП. Окно для соответствующего расчёта показано ниже (для увеличения нажать левой кнопкой мыши).

MS Excel требует ввести следующие данные:

x – число событий m;
среднее;
интегральная – логическое значение: 0 – если нужно вычислить вероятность P(m) и 1 – если вероятность F(m).

Почему Пуассон изобрел свое распределение?

Чтобы предсказывать количествобудущихсобытий!

Или более формально: чтобы предсказывать вероятность данного числа событий, происходящих в определенный интервал времени.

В продажах, например, “событие” это покупка (сам момент покупки, не просто выбор). Событием может быть количество посетителей в день на веб-сайте, кликов на рекламном объявлении в следующем месяце, число звонков в рабочее время или число людей, которые умрут от смертельных заболеваний в следующем году, и так далее.

Недостатки биномиального распределения

a) Биномиальная случайная величина бинарна — 0 или 1.

В примере выше у нас было 17 лайков в неделю. Это 17/7 = 2.4 человека в день и 17/(7*24) = 0.1 в час.

Если моделировать вероятность успеха в часах (0.1 человек в час), используя биномиальную случайную величину, получим, что в большем количестве часов лайков будет 0, а в некоторые часы ровно 1 лайк. Также возможно, что в час будет больше 1 лайка (2, 3, 5 и т.д.).

Проблема с биномиальным распределением в том, что оно не может содержать более одного события в единицу времени (1 час в примере).

Так может разделить 1 час на 60 минут и принять за единицу времени минуту? Тогда в 1 час поместится несколько событий. (Помним, что 1 минута содержит только ноль или одно событие).

Теперь проблема решена?

Вроде бы. Но что если в течение одной минуты мы получим несколько лайков? (например, кто-то поделился постом в Твиттере, и трафик вырос в эту минуту). Что тогда? Можно разделить минуту на секунды. Тогда единицей времени становится секунда, и в минуту помещается несколько событий. Но проблема бинарного контейнера будет существовать для все меньших единиц времени.

Дело в том, что биномиальная случайная величина может содержать несколько событий, если делить единицу времени на все меньшие единицы. В результате изначальная единица времени будет содержать более одного события.

Математически это означает n → ∞. Если предположим, что среднее значение фиксировано, тогда p → 0. В противном случае n*p — количество событий — чрезмерно возрастет.

Единица времени с использованием этого лимита может быть бесконечно мала. Больше не нужно беспокоиться о более чем одном событии в единицу времени. Так получается распределение Пуассона.

b) В биномиальном распределении количество попыток (n) должно быть известно заранее.

Нельзя посчитать вероятность успеха при помощи биномиального распределения, зная только среднее значение (17 человек в неделю). Нужно больше информации (n и p), чтобы использовать формулу.

Распределение Пуассона же не обязывает вас знать ни n ни p. Предположим, что n бесконечно велико, а p бесконечно мала. Единственный параметр распределения — значение λ (ожидаемое значение x). В реальной жизни чаще известно только значение (например, с 2 до 4 часов дня я принял 3 телефонных звонка), а не значения n и p.

Решение задачи на распределение Пуассона в Excel

Пример 1. Отдел технического контроля определил, что среднее число не соблюденных допусков в размерах производимых деталей составляет 6. Определить вероятности следующих событий обеими рассматриваемыми функциями (для сравнения результатов вычислений):

Вероятность наличия 3 и менее погрешностей в случайно отобранной детали.
Вероятность наличия ровно 3 погрешностей в случайно выбранной детали.

Вид таблицы данных:

Рассчитаем вероятность наличия трех и менее дефектов с помощью функций:

B3 – среднее значение;
B2 – предполагаемое значение, для которого рассчитывается вероятность;
ИСТИНА – указатель на интегральный тип функции.

Для нахождения вероятности выбора детали с наличием ровно трех дефектов используем функции:

Для расчета вероятности точного совпадения третий аргумент задан в качестве логического ЛОЖЬ.

Как видно, результаты вычислений обеих функций идентичны.

Числовые характеристики случайной величины Х

Математическое ожидание распределения Пуассона
M[X] = λ

Дисперсия распределения Пуассона
D[X] = λ

Пример №1 . Семена содержат 0.1% сорняков. Какова вероятность при случайном отборе 2000 семян обнаружить 5 семян сорняков?
Решение.
Вероятность р мала, а число n велико. np = 2 P(5) = λ 5 e -5 /5! = 0.03609
Математическое ожидание: M[X] = λ = 2
Дисперсия: D[X] = λ = 2

Пример №2 . Среди семян ржи имеется 0.4% семян сорняков. Составить закон распределения числа сорняков при случайном отборе 5000 семян. Найти математическое ожидание и дисперсию этой случайной величины.
Решение. Математическое ожидание: M[X] = λ = 0.004*5000 = 20. Дисперсия: D[X] = λ = 20
Закон распределения:

X	0	1	2	…	m	…
P	e -20	20e -20	200e -20	…	20 m e -20 /m!	…

Пример №3 . На телефонной станции неправильное соединение происходит с вероятностью 1/200. Найдите вероятность того, что среди 200 соединений произойдет:
а) ровно одно неправильное соединение;
б) меньше чем три неправильных соединения;
в) больше чем два неправильных соединения.
Решение. По условию задачи вероятность события мала, поэтому используем формулу Пуассона (15).
а) Задано: n = 200, p = 1/200, k = 1. Найдем P₂₀₀(1).
Получаем: . Тогда P₂₀₀(1) ≈ e -1 ≈ 0,3679.
б) Задано: n = 200, p = 1/200, k . Тогда P₂₀₀(1) ≈ e -1 ≈ 0,3679.
б) Задано: n = 200, p = 1/200, k
в) Задано: n = 200, p = 1/200, k > 2. Найдем P₂₀₀(k > 2).
Эту задачу можно решить проще: найти вероятность противоположного события, так как в этом случае нужно вычислить меньше слагаемых. Принимая во внимание предыдущий случай, имеем

Рассмотрим случай, когда n является достаточно большим, а p — достаточно малым; положим np = a, где a — некоторое число. В этом случае искомая вероятность определяется формулой Пуассона:

Вероятность появления k событий за время длительностью t можно также найти по формуле Пуассона:

где λ — интенсивность потока событий, то есть среднее число событий, которые появляются в единицу времени.

Пример №4 . Вероятность того, что деталь бракованная, равна 0.005. проверяется 400 деталей. Укажите формулу вычисления вероятности того, что больше 3 деталей оказались с браком.

Пример №5 . Вероятность появления бракованных деталей при их массовом производстве равна p. определить вероятность того, что в партии из N деталей содержится а) ровно три детали; б) не более трех бракованных деталей.
p=0,001; N = 4500
Решение.
Вероятность р мала, а число n велико. np = 4.5
Найдем ряд распределения X.
Здесь λ = np = 4500*0.001 = 4.5
P(0) = e – λ = e -4.5 = 0.01111
P(1) = λe -λ = 4.5e -4.5 = 0.04999

Найдем ряд распределения X.
Здесь λ = np = 4500*0.001 = 4.5
P(0) = e – λ = e -4.5 = 0.01111
P(1) = λe -λ = 4.5e -4.5 = 0.04999

Тогда вероятность того, что в партии из N деталей содержится ровно три детали, равна:

Тогда вероятность того, что в партии из N деталей содержится не более трех бракованных деталей:
P(x Пример №6 . Автоматическая телефонная станция получает в среднем за час N вызовов. Определить вероятность того, что за данную минуту она получит: а) ровно два вызова; б) более двух вызовов.
N = 18
Решение.
За одну минуту АТС в среднем получает λ = 18/60 мин. = 0,3
Считая, что случайное число X вызовов, поступивших на АТС за одну минуту,
подчиняется закону Пуассона, по формуле найдем искомую вероятность

Найдем ряд распределения X.
Здесь λ = 0.3
P(0) = e – λ = e -0.3 = 0.7408
P(1) = λe -λ = 0.3e -0.3 = 0.2222

Найдем ряд распределения X.
Здесь λ = 0.3
P(0) = e – λ = e -0.3 = 0.7408
P(1) = λe -λ = 0.3e -0.3 = 0.2222

Вероятность того, что за данную минуту она получит ровно два вызова:
P(2) = 0,03334
Вероятность того, что за данную минуту она получит более двух вызовов:
P(x>2) = 1 – 0,7408 – 0,2222 – 0,03334 = 0,00366

Пример №7 . Рассматриваются два элемента, работающих независимо друг от друга. Продолжительность времени безотказной работы имеет показательное распределение с параметром λ1 = 0,02 для первого элемента и λ2 = 0,05 для второго элемента. Найти вероятность того, что за 10 часов: а) оба элемента будут работать безотказно; б) только Вероятность того, что за 10 часов элемент №1 не выйдет из строя:
Рещение.
P₁(0) = e -λ1*t = e -0.02*10 = 0,8187

Вероятность того, что за 10 часов элемент №2 не выйдет из строя:
P₂(0) = e -λ2*t = e -0.05*10 = 0,6065

а) оба элемента будут работать безотказно;
P(2) = P₁(0)*P₂(0) = 0,8187*0,6065 = 0,4966
б) только один элемент выйдет из строя.
P(1) = P₁(0)*(1-P₂(0)) + (1-P₁(0))*P₂(0) = 0.8187*(1-0.6065) + (1-0.8187)*0.6065 = 0.4321

Пример №7 . Производство даёт 1% брака. Какова вероятность того, что из взятых на исследование 1100 изделий выбраковано будет не больше 17?
Примечание: поскольку здесь n*p =1100*0.01=11 > 10, то необходимо использовать теорему Лапласа .

Формула Пуассона

Давайте получим формулу Пуассона математически из формулы функции биномиального распределения.

Таким образом, показательное распределение определяется только одним параметром.

Найдем функцию распределения показательного закона:
.

Графики плотности и функции распределения показательного закона изображены на рис.13.1.22, 13.1.23.

Найдем вероятность попадания в интервал (a;b) непрерывной случайной величины X, которая распределена по показательному закону, заданному функцией распределения F(x).

Для этого используем формулу

ПРИМЕР 13.1.47 Непрерывная случайная величина Х распределена по показательному закону

Найти вероятность того, что в результате испытания Х попадет в интервал (0,6;2).

Решение. По условию, . Тогда
.

Показательное распределение — абсолютно непрерывное распределение, моделирующее время между двумя последовательными свершениями одного и того же события.

Содержание

Определение

$<\displaystyle X> Случайная величина$
имеет экспоненциальное распределение с параметром , если её плотность имеет вид

$<\displaystyle 1/\lambda > Иногда семейство экспоненциальных распределений параметризуют обратным параметром$
:

Оба способа одинаково естественны, и необходима лишь договорённость, какой из них используется.

$<\displaystyle 1/\lambda > Пример. Пусть есть магазин, в который время от времени заходят покупатели. При определённых допущениях время между появлениями двух последовательных покупателей будет случайной величиной с экспоненциальным распределением. Среднее время ожидания нового покупателя (см. ниже) равно$
. Сам параметр " width="" height="" />
тогда может быть интерпретирован, как среднее число новых покупателей за единицу времени.

$<\displaystyle X> В этой статье для определённости будем предполагать, что плотность экспоненциальной случайной величины$
задана первым уравнением, и будем писать: (\lambda )>" width="" height="" />
.

Функция распределения

Моменты

Несложным интегрированием находим, что производящая функция моментов для экспоненциального распределения имеет вид:

$<\displaystyle \mathrm <M> _(t)=\left(1-\right)^>$
,

откуда получаем все моменты:

$<\displaystyle \mathbb <E> \left[X^\right]=<\lambda ^>>>$
.

$<\displaystyle \mathbb <E> [X]=<\lambda >>>$
, [X]=<\lambda ^<2>>>>" width="" height="" />
.

Отсутствие памяти

$<\displaystyle X\sim \mathrm <Exp> Пусть (\lambda )>$
. Тогда .

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

Эта страница использует содержимое раздела Википедии на русском языке. Оригинальная статья находится по адресу: Экспоненциальное распределение. Список первоначальных авторов статьи можно посмотреть в истории правок. Эта статья так же, как и статья, размещённая в Википедии, доступна на условиях CC-BY-SA .

Содержание

Определение

Случайная величина X имеет экспоненциальное распределение с параметром λ > 0 , если её плотность имеет вид

$f_X(x) = \left\<\begin \lambda \,e^ <-\lambda x>&,\; x \ge 0, \\ 0 &,\; x < 0. \end\right.$
.

Иногда семейство экспоненциальных распределений параметризуют обратным параметром 1 / λ :

$f_X(x) = \left\<\begin \,e^> &,\; x \ge 0, \\ 0 &,\; x < 0. \end\right.$
.

Оба способа одинаково естественны, и необходима лишь договорённость, какой из них используется.

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 1 / λ . Сам параметр λ тогда может быть интерпретирован, как среднее число новых покупателей за единицу времени.

$X \sim \mathrm<Exp> В этой статье для определённости будем предполагать, что плотность экспоненциальной случайной величины X задана первым уравнением, и будем писать: (\lambda)$
.

Функция распределения

$F_X(x) = \left\<\begin 1-e^<-\lambda x>&,\; x \ge 0, \\ 0 &,\; x < 0. \end\right.$

Моменты

$\mathrm<M> _X(t) = \left(1 - \right)^$
,

откуда получаем все моменты:

$\mathbb<E> \left[X^n\right] = \frac<\lambda^n>$
.

[X] = \frac<\lambda>" width="" height="" />
, [X] = \frac<\lambda^2>" width="" height="" />
.

Отсутствие памяти

Пусть (\lambda)" width="" height="" />
. Тогда (X > s+t \mid X > s) = \mathbb(X > t)" width="" height="" />
.

Связь с другими распределениями

Wikimedia Foundation . 2010 .

Полезное

Смотреть что такое "Показательное распределение" в других словарях:

показательное распределение — экспоненциальное распределение — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом Синонимы экспоненциальное распределение EN exponential distribution … Справочник технического переводчика

Показательное распределение — распределение вероятностей на действительной прямой с плотностью вероятностей (См. Плотность вероятности) р (х), равной при х ≥ 0 показательной функции λe λx, λ > 0 [отсюда название П. р.] и при х … Большая советская энциклопедия

ПОКАЗАТЕЛЬНОЕ РАСПРЕДЕЛЕНИЕ — непрерывное распределение вероятностей случайной величины X, задаваемое плотностью (1) Плотность р(х).зависит от положительного масштабного параметра l. Формула для моментов: , в частности для математич. ожидания и дисперсии ; характеристич.… … Математическая энциклопедия

ОТРИЦАТЕЛЬНОЕ ПОКАЗАТЕЛЬНОЕ РАСПРЕДЕЛЕНИЕ — то же, что показательное распределение … Математическая энциклопедия

РАСПРЕДЕЛЕНИЕ ВЕРОЯТНОСТЕЙ — одно из основных понятий вероятностей теории и математической статистики. При современном подходе в качестве математич. модели изучаемого случайного явления берется соответствующее вероятностное пространство, где W множество элементарных … Математическая энциклопедия

Экспоненциальное распределение — Показательное распределение Плотность вероятности Функция распределения … Википедия

НЕПРЕРЫВНОЕ РАСПРЕДЕЛЕНИЕ — распределение вероятностей, не имеющее атомов. Если атомы суть отдельные точки, то Н. р. противоположно дискретному распределению (см. также Атомическое распределение). Вместе с дискретным распределением Н. р. образует основные типы распределений … Математическая энциклопедия

ЭРЛАНГА РАСПРЕДЕЛЕНИЕ — эрланговское распределение, сосредоточенное на распределение вероятностей с плотностью где целое и действительное параметры. Характеристич. функция Э. р. имеет вид а математич. ожидание и дисперсия соответственно и … Математическая энциклопедия

ЛАПЛАСА РАСПРЕДЕЛЕНИЕ — непрерывное распределение вероятностей с плотностью где параметр сдвига, а a>0, масштабный параметр. Плотность Л. р. симметрична относительно точки x=b, производная плотности имеет разрыв при x=b. Характеристич. функция Л. р. с параметрами a и … Математическая энциклопедия

ЭКСПОНЕНЦИАЛЬНОЕ РАСПРЕДЕЛЕНИЕ — то же, что показательное распределение … Математическая энциклопедия

Читайте также: