Экспоненциальное распределение вероятностей. Экспоненциальный закон распределения. Геометрическое распределение и его обобщения

Вероятность противоположного события (безотказная работа в течение времени t ) равна R(t) = P(T>t) = 1 - F(t).

Определение. Функцией надежности R(t) называют функцию, определяющую вероятность безотказной работы устройства в течение времени t .

Часто на практике длительность безотказной работы подчиняется показательному закону распределению.

Вообще говоря , если рассматривать новое устройство, то вероятность отказа в начале его функционирования будет больше, затем количество отказов снизится и будет некоторое время иметь практически одно и то же значение. Затем (когда устройство выработает свой ресурс) количество отказов будет возрастать.

Другими словами , можно сказать, что функционирование устройства на протяжении всего существования (в смысле количества отказов) можно описать комбинацией двух показательных законов (в начале и конце функционирования) и равномерного закона распределения.

Функция надежности для какого- либо устройства при показательном законе распределения равна:

Данное соотношение называют показательным законом надежности .

Важным свойством , позволяющим значительно упростить решение задач теории надежности, является то, что вероятность безотказной работы устройства на интервале времени t не зависит от времени предшествующей работы до начала рассматриваемого интервала, а зависит только от длительности времени t .

Таким образом , безотказная работа устройства зависит только от интенсивности отказов l и не зависит от безотказной работы устройства в прошлом.

Так как подобным свойством обладает только показательный закон распределения, то этот факт позволяет определить, является ли закон распределения случайной величины показательным или нет.

2.8 Распределение «Хи-квадрат»

Пусть X i (i=1,2,…,n) - нормальные независимые случайные величины, причем математическое ожидание каждой из них равно нулю, а среднее квадратическое отклонение - единице. Тогда сумма квадратов этих величин

распределена по закону («Хи-квадрат») с k=n степенями свободы; если же эти величины связаны одним линейным соотношением, например , то число степеней свободы k=n-1.

Плотность этого распределения

где -Гамма-функция; в частности,

Отсюда видно , что распределение «Хи-квадрат» определяется одним параметром - числом степеней свободы k. С увеличением числа степеней свободы распределение медленно приближается к нормальному.

2.9 Распределение Стьюдента

Пусть Z -нормальная случайная величина, причем M(Z)=0, s(Z)=1, а V- независимая от Z величина, которая распределена по закону с k степенями свободы. Тогда величина

имеет распределение, которое называют t- распределением или распределением Стьюдента, k степенями свободы. Итак отношение нормированной нормальной величины к квадратному корню из независимой случайной величины, распределенной по закону

«Хи-квадрат» с k степенями свободы , деленной на k, деленной на k распределено по закону Стьюдента с k степенями свободы. . С увеличением числа степеней свободы распределение медленно приближается к нормальному.

2.9 Нормальный закон распределения

Определение. Нормальным называется распределение вероятностей непрерывной случайной величины, которое описывается плотностью вероятности

Нормальный закон распределения также называется законом Гаусса .

Нормальный закон распределения занимает центральное место в теории вероятностей. Это обусловлено тем, что этот закон проявляется во всех случаях, когда случайная величина является результатом действия большого числа различных факторов. К нормальному закону приближаются все остальные законы распределения.

Можно легко показать , что параметры и , входящие в плотность распределения являются соответственно математическим ожиданием и средним квадратическим отклонением случайной величины Х.

Найдем функцию распределения F(x) .

График плотности нормального распределения называется нормальной кривой или кривой Гаусса .

Нормальная кривая обладает следующими свойствами:

1 ) Функция определена на всей числовой оси.

2 ) При всех х функция распределения принимает только положительные значения.

3 ) Ось ОХ является горизонтальной асимптотой графика плотности вероятности, т.к. при неограниченном возрастании по абсолютной величине аргумента х , значение функции стремится к нулю.

4 ) Найдем экстремум функции.

Т.к. при y’ > 0 при x < m и y’ < 0 при x > m , то в точке х = т функция имеет максимум, равный .

5 ) Функция является симметричной относительно прямой х = а , т.к. разность

(х - а ) входит в функцию плотности распределения в квадрате.

6 ) Для нахождения точек перегиба графика найдем вторую производную функции плотности.

При x = m + s и x = m - s вторая производная равна нулю, а при переходе через эти точки меняет знак, т.е. в этих точках функция имеет перегиб.

В исходных факторах, мы свяжем факторы 1 - 7 с факторами из раздела VI. 3 в том порядке, в котором они записаны, т. е. фактор 1 - это усечение, фактор 2 - симметрия и т. д. Затем мы свяжем уровни + и - факторов в табл. 4 с двумя уровнями факторов VI. 3 случайным образом. Этот случайный порядок был достигнут с помощью таблицы случайных чисел и сравнением этих чисел с 1/2. Результаты этой процедуры показаны в табл. 5. Совмещение табл. 4 и 5 дает план в исходных факторах, приведенный в табл. 6, где Л1, (i = 1,. .., 4) обозначают неизвестные случайные величины , имеющие экспоненциальное распределение с параметром Ьг - Ь. В качестве примера рассмотрим комбинацию 1 в табл. 6. Факторы 1 и 2 находятся на уровне + в табл. 4. Следовательно, из табл. 5 мы должны взять усеченное, асимметричное распределение с поднятыми хвостами. В табл. 1 мы видим, что это распределение - экспоненциальное распределение случайной величины х. Фактор 6 находится на уровне  

В нашем случае для технологических изделий объективные причины не позволяют пользоваться этими законами распределения . Во-первых, условием получения нормального закона являются совместные действия множества случайных факторов , ни один из которых не является доминирующим. Этому не соответствуют условия эксплуатации и выбраковки изделий технологического назначения, где обязательно фигурируют доминирующие факторы. Во-вторых, для экспоненциального закона обязательны условия ординарности, стационарности и последействия, которые зачастую не выполняются для этих изделий. В частности, поток отказов их нельзя считать стационарным вследствие меняющегося во времени вероятностного режима его.  

Такая информация отражает сложившиеся условия производственных процессов и поэтому является выборкой из генеральной совокупности . На основании закона больших чисел можно утверждать, что если генеральная совокупность подчиняется определенному закону распределения , то и выборка из этой совокупности при достаточно большом ее объеме будет подчиняться этому закону. Чаще всего этот закон неизвестен, и определение его вызывает значительные трудности. В таких случаях предпочтение отдается хорошо известным законам распределения , чаще всего-экспоненциальному и нормальному.  

Под словом случайно будем понимать, что вероятность прибытия на АЗС одного автомобиля за любой малый промежуток времени , начинающийся в произвольный момент времени / и имеющий длину т, с точностью до пренебрежимо малых величин пропорциональна т с некоторым коэффициентом пропорциональности X > 0. Величину К можно интерпретировать как среднее число автомобилей, появляющихся на станции за единицу времени, а обратную ей величину 1Л, - как среднее время появления одного автомобиля. Вероятность того, что за этот промежуток времени не прибудет ни одного автомобиля, считается приблизительно равной 1 - т, а вероятность прибытия двух или более автомобилей - величиной, пренебрежимо малой по сравнению со значением Ял. Из выдвинутых предположений можно получить следующие выводы. Во-первых, промежутки времени / между двумя последовательными прибытиями автомобилей удовлетворяют экспоненциальному распределению  

Потери, возникающие в результате работы средств автоматизации за этот промежуток, могут быть подсчитаны на основе использования теории надежности, согласно которой внезапные отказы определяются как выход системы из строя вследствие возникновения непредвиденных, внезапных концентраций внешних нагрузок и внутренних напряжений, превышающих расчетные. Если часть элементов и соединений изготовлена или отремонтирована некачественно, то они будут отказывать при более низких нагрузках. Поэтому отказы дефектных элементов распределяются экспоненциально (рассматривается пуассоновский характер распределения внезапных выходов из строя), со средней наработкой в несколько раз меньшей, чем у остальных элементов.  

Экспоненциальное распределение. Этому распределению, как правило, подчиняются наработки внезапных отказов (т. е. отказов вследствие скрытых дефектов технологии) и распределение времени между двумя последовательными отказами, если изделия работают в установившемся режиме .  

Рассмотрим случай, когда исследуемый параметр распределен по экспоненциальному закону.  

Я. Б. Шор дает следующую формулу для определения доверительного интервала для генеральной средней в случае распределения случайной величины по экспоненциальному закону  

Несмотря на кажущуюся необременительность условий, при которых получено последнее выражение, в теоретическом отношении для ряда интересных случаев они оказываются невыполнимыми. Это происходит, когда производная g (x) в точке х = v обращается в бесконечность. В частности, так обстоят дела с двусторонним экспоненциальным распределением, с которым мы уже встречались в примерах 2 и 3 из . В одном варианте построения оптимального  

В этой главе мы рассмотрим наиболее употребительные законы распределения случайных величин , а также основные параметры этих законов. Будут даны методы поиска функции распределения вероятности случайной величины в случае неинтегрируемой плотности вероятности , а также алгоритмы получения последовательностей случайных величин с произвольным законом распределения , что необходимо при моделировании случайных процессов . Особое внимание будет уделено обобщенному экспоненциальному распределению, которое наиболее пригодно при изучении ценообразования активов.  

Одним из важнейших распределений, встречающихся в статистике, является нормальное распределение (распределение Гаусса), относящееся к классу экспоненциальных. Плотность вероятности этого распределения  

Еще одним типом экспоненциального распределения, наряду с нормальным, является распределение Лапласа , плотность которого выражается формулой  

Обобщенное экспоненциальное распределение.  

Выше в этой главе были рассмотрены два вида экспоненциальных распределений Гаусса и Лапласа. У них много общего они симметричны, зависят от двух параметров (//, сг),  

В VI. 2 мы коротко опишем ММР и цель эксперимента, т. е. изучение чувствительности ММР к нарушению его предпосылок. В VI.3 мы подробно обсудим различные факторы, которые могут влиять на эту чувствительность. Ненормальность распределения мы определим как фактор 1. Этот фактор описывает возможность или невозможность для случайных величин стать меньше заданной константы (так называемый фактор усеченное распределения) асимметрию и хвосты распределения мы примем фактором 2. Комбинируя факторы 1 и 2, мы выберем четыре типа распределений (экспоненциальное, Эрланга, взвешенную разность двух случайных величин с экспоненциальным распределением и сумму разностей случайных величин с экспоненциальным распределением). Неоднородность дисперсий будет обозначена как фактор 3. Это означает, что дисперсия наилучшей генеральной совокупности (afki) может быть либо больше, либо меньше дисперсии конкурирующей худшей совокупности (при наименее благоприятной ситуации). Фактор 4 измеряет, сильно ли различаются или не различаются вовсе эти две дисперсии. Фактор 5 показывает, являются ли дисперсии худших генеральных совокупностей (в наименее благоприятной ситуации) равными или они все различны. Фактор 6 определяет число совокупностей (три или семь) фактор 7 определяет расстояние 8 = 6 между наилучшей и следующей за ней совокупностями в наименее благоприятной ситуации . Фактор Р, гарантирующий минимальное значение вероятности правильного выбора, рассматривается  

Такая информация является выборкой из генеральной, совокупности, имеющей определенный закон распределения . Чащевсе-го этот закон неизвестен и определение его вызывает зиждительные трудности. В таких случаях предпочтение отдается х >ошо известным законам распределения , чаще всего - экспоненциальному и нормальному.  

законов распределения . В частности, при b = 1 он превращается в экспоненциальный закон , при b = 2 - в закон Релея, при b - = 3,25 - близок к нормальному. Зто обстоятельство позволяет использовать один и тот математический аппарат при исследовании самых различных потоков отказов изделий. Кроме того, этот  

В ряде исследований утверждается, что для отказов технических изделий вследствие износа, усталости, коррозии и старения вполне удовлетворительным будет нормальный или логарифмически нормальный закон распределения , в случае же внезапных отказов, возникающих вследствие случ-айных перегрузок, аварий и т. д., подходит экспоненциальный закон распределения .  

Универсальность данного закона объясняется тем, что при различных значениях параметра b он приближается к ряду законов распределения . В частности, при Ь = он превращается в экспоненциальный закон , при 6=2 - в закон Релея, при Ь = = 3,25 - близок к нормальному.  

В данном примере мы рассмотрели самый простой случай пуассоновский входной поток , экспоненциальное время обслуживания , одна обслуживающая установка. На самом деле, в реальности, и распределения бывают значительно сложнее, и АЗС включают в себя большее число бензоколонок. Для того чтобы упорядочить классификацию систем массового обслуживания , американский математик Д. Кен-далл предложил удобную систему обозначений, широко распространившуюся к настоящему времени. Тип системы массового обслуживания Кендалл обозначил с помощью трех символов, первый из которых описывает тип входного потока , второй - тип вероятностного описания системы обслуживания , а третий - количество обслуживающих приборов. Символом М он обозначал пуассоновское распределение входного потока (с экспоненциальным распределением интервалов между заявками), этот же символ применялся и для экспоненциального распределения продолжительности обслуживания. Таким образом, описанная и изученная в этом параграфе система массового обслуживания имеет обозначение М/М/1. Система M/G/3, например, расшифровывается как система с пуассоновским входным потоком , общей (по-английски - general) функцией распределения времени обслуживания и тремя обслуживающими устройствами. Встречаются и другие обозначения D -детерминированное распределение интервалов между поступлением заявок или длительностей обслуживания, Е - распределение Эрланга порядка п и т. д.  

На основе изложенных здесь методов построения последовательностей случайных чисел с различными распределениями можно построить процедуры randl и rand2, использовавшиеся в программе на языке алгол для расчетов по модели автозаправочной станции . Если используемые случайные интервалы между автомобилями и продолжительности обслуживания имеют экспоненциальное распределение, то лучше использовать метод обратных функций , а если некоторое эмпирическое распределение, то - метод, основанный на запоминании дискретных значений в оперативной памяти ЭВМ.  

Перейдем к описанию времени обслуживания автомобиля. Поскольку водители берут разное количество бензина и различаются между собой по сноровке, то время обслуживания вряд ли можно считать постоянным. Пусть вероятность того, что обслуживание автомобиля, находящегося на заправке в любой момент t, будет завершено в малом интервале U, f + rJ, приблизительно равна JLIT, где и > 0. Вероятность того, что обслуживание за этот промежуток времени не закончится, считается приблизительно равной 1 - цт, а вероятность того, что будет закончено обслужи-. ванне двух и более автомобилей, - пренебрежимо малой величиной. Тогда

Рассмотрим Экспоненциальное распределение, вычислим его математическое ожидание, дисперсию, медиану. С помощью функции MS EXCEL ЭКСП.РАСП() построим графики функции распределения и плотности вероятности. Сгенерируем массив случайных чисел и произведем оценку параметра распределения.

(англ. Exponential distribution ) часто используется для расчета времени ожидания между случайными событиями. Ниже описаны ситуации, когда возможно применение Экспоненциального распределения :

• Промежутки времени между появлением посетителей в кафе;
• Промежутки времени нормальной работы оборудования между появлением неисправностей (неисправности возникают из-за случайных внешних влияний, а не по причине износа, см. );
• Затраты времени на обслуживание одного покупателя.

Генерация случайных чисел

Для генерирования массива чисел, распределенных по экспоненциальному закону , можно использовать формулу =-LN(СЛЧИС())/ λ

Функция СЛЧИС() генерирует от 0 до 1, что как раз соответствует диапазону изменения вероятности (см. файл примера лист Генерация ).

Если случайные числа содержатся в диапазоне B14:B213 , то оценку параметра экспоненциального распределения λ можно сделать с использованием формулы =1/СРЗНАЧ(B14:B213) .

Задачи

Экспоненциальное распределение широко используется в такой дисциплине как Техника обеспечения надежности (Reliability Engineering). Параметр λ называется интенсивность отказов , а 1/ λ – среднее время до отказа .

Предположим, что электронный компонент некой системы имеет срок полезного использования, описываемый Экспоненциальным распределением с интенсивностью отказа равной 10^(-3) в час, таким образом, λ = 10^(-3). Среднее время до отказа равно 1000 часов. Для того чтобы подсчитать вероятность, что компонент выйдет из строя за Среднее время до отказа, то нужно записать формулу:

Т.е. результат не зависит от параметра λ .

В MS EXCEL решение выглядит так: =ЭКСП.РАСП(10^3; 10^(-3); ИСТИНА)

Задача . Среднее время до отказа некого компонента равно 40 часов. Найти вероятность, что компонент откажет между 20 и 30 часами работы. =ЭКСП.РАСП(30; 1/40; ИСТИНА)- ЭКСП.РАСП(20; 1/40; ИСТИНА)

СОВЕТ : О других распределениях MS EXCEL можно прочитать в статье .

Непрерывная случайная величина $X$ подчиняется показательному (экспоненциальному) закону распределения вероятностей, если ее плотность распределения вероятностей $f\left(x\right)$ имеет следующий вид:

$$f(x)=\left\{\begin{matrix}
0,\ x < 0\\
\lambda e^{-\lambda x},\ x\ge 0
\end{matrix}\right..$$

Тогда функция распределения:

$$F(x)=\left\{\begin{matrix}
0,\ x < 0\\
1-e^{-\lambda x},\ x\ge 0
\end{matrix}\right.$$

Графики функций плотности $f\left(x\right)$ и распределения $F\left(x\right)$ представлены на рисунке:

Для показательного закона распределения числовые характеристики могут быть вычислены по известным формулам. Математическое ожидание и среднее квадратическое отклонение равны между собой и равны $1/\lambda $, то есть:

$$M\left(X\right)=\sigma \left(X\right)={{1}\over {\lambda }}.$$

Дисперсия :

$$D\left(X\right)={{1}\over {{\lambda }^2}}.$$

Параметр распределения $\lambda $ в статистическом смысле характеризует среднее число событий, наступающих в единицу времени. Так, если средняя продолжительность безотказной работы прибора равна $1/\lambda $, то параметр $\lambda $ будет характеризовать среднее число отказов в единицу времени. Примерами случайных величин, подчиненных показательному закону распределения, могут быть:

• Продолжительность телефонного разговора;
• Затраты времени на обслуживание покупателя;
• Период времени работы прибора между поломками;
• Промежутки времени между появлениями автомашин на автозаправочной станции.

Пример . Случайная величина $X$ распределена по показательному закону $f\left(x\right)=\left\{\begin{matrix}
0,\ x < 0\\
5e^{-5x},\ x\ge 0
\end{matrix}\right.$. Тогда математическое ожидание $=$ стандартное отклонение $\sigma (X)=1/\lambda =1/5=0,2$, дисперсия $D(X)=1/{\lambda }^2=1/25=0,04.$

Пример . Время работы прибора - случайная величина $X$, подчиненная показательному распределению. Известно, что среднее время работы данного прибора составляет $500$ часов. Какова вероятность того, что данный прибор проработает не менее $600$ часов?

Математическое ожидание случайной величины $X$ равно $M\left(X\right)=500=1/\lambda $, отсюда параметр распределения $\lambda =1/500=0,002.$ Можем записать функцию распределения:

$$F(x)=\left\{\begin{matrix}
0,\ x < 0\\
1-e^{-\lambda x}=1-e^{-0,002x},\ x\ge 0
\end{matrix}\right.$$

Тогда вероятность того, что прибор проработает менее $600$ часов, равна:

$$P\left(X\ge 600\right)=1-P\left(X < 600\right)=1-F\left(600\right)=1-\left(1-e^{-0,002\cdot 600}\right)\approx 0,301.$$