Гиперэкспоненциальное распределение

Материал из Википедии — свободной энциклопедии
Перейти к: навигация, поиск

В теории вероятностей, гиперэкспоненциальное распределениеабсолютно непрерывное распределение, при котором плотность вероятности случайной величины X выражается как

 f_X(x) = \sum_{i=1}^n f_{Y_i}(y) p_i,

где Y_iэкспоненциально распределенная случайная величина с параметром \lambda\,_i, и p_i — вероятность того, что X будет иметь экспоненциальное распределение с параметром \lambda\,_i. Оно названо гиперэкспоненциальным распределением, так как его коэффициент вариации больше коэффициента вариации экспоненциального распределения (1) и гипоэкспоненциального распределения, у которого коэффициент вариации меньше единицы. Хотя экспоненциальное распределение — непрерывный аналог геометрического распределения, гиперэкспоненциальное распределение не является аналогом гипергеометрического распределения. Гиперэкспоненциальное распределение — пример распределения со смешанной плотностью.

Пример случайной величины, распределённой по гиперэкспоненциальному закону, можно найти в телефонии: при наличии модема и телефона использование телефонной линии может моделироваться гиперэкспоненциальным распределением с заданной вероятностью разговора по телефону p с битрейтом \lambda\,_1 и вероятностью соединения по модему q с битрейтом \lambda\,_2.

Свойства гиперэкспоненциального распределения[править | править вики-текст]

Поскольку математическое ожидание суммы есть сумма математических ожиданий, математическое ожидание гиперэкспоненциально распределённой случайной величины

 E(X) = \int_{-\infty}^\infty x f(x) dx= p_1\int_0^\infty x\lambda\,_1e^{-\lambda\,_1x} dx+ 
p_2\int_0^\infty x\lambda\,_2e^{-\lambda\,_2x} dx+ \cdots + p_n\int_0^\infty x\lambda\,_ne^{-\lambda\,_nx} dx
 = \sum_{i=1}^n \frac{p_i}{\lambda\,_i}

и

 E(X^2) = \int_{-\infty}^\infty x^2 f(x) \, dx = p_1\int_0^\infty x^2\lambda\,_1e^{-\lambda\,_1x} \, dx + 
p_2\int_0^\infty x^2\lambda\,_2e^{-\lambda\,_2x} \, dx+ \cdots + p_n\int_0^\infty x^2\lambda\,_ne^{-\lambda\,_nx}\, dx,
 = \sum_{i=1}^n \frac{2}{\lambda\,_i^2}p_i,


Производящая функция моментов


E(e^{tx}) = \int_{-\infty}^\infty e^{tx} f(x) dx= p_1\int_0^\infty e^{tx}\lambda\,_1e^{-\lambda\,_1x} dx+ 
p_2\int_0^\infty e^{tx}\lambda\,_2e^{-\lambda\,_2x} dx+ \cdots + p_n\int_0^\infty e^{tx}\lambda\,_ne^{-\lambda\,_nx} dx
 = \sum_{i=1}^n \frac{\lambda\,_i}{\lambda_i - t}p_i.


Bvn-small.png  п·о·р        Вероятностные распределения
Одномерные Многомерные
Дискретные: Бернулли | Биномиальное | Геометрическое | Гипергеометрическое | Логарифмическое | Отрицательное биномиальное | Пуассона | Дискретное равномерное Мультиномиальное
Абсолютно непрерывные: Бета | Вейбулла | Гамма | Гиперэкспоненциальное | Распределение Гомпертца | Колмогорова | Коши | Лапласа | логнормальное | нормальное (Гаусса) | Логистическое | Накагами |Парето | Полукруговое | Непрерывное равномерное | Райса | Рэлея | Стьюдента | Фишера | Хи-квадрат | Экспоненциальное | Variance-gamma Многомерное нормальное | Копула