Экспоненциальное распределение

Экспоненциальное распределение — это непрерывное распределение вероятностей, которое моделирует время между независимыми событиями, происходящими с постоянной средней интенсивностью. Оно является частным случаем гамма-распределения и широко используется в теории надёжности, теории массового обслуживания, физике (например, для описания радиоактивного распада) и актуарной математике. Ключевым свойством экспоненциального распределения является отсутствие последействия (память), что делает его удобным для моделирования процессов, где вероятность события не зависит от времени, прошедшего с последнего события.

Определение и основные параметры

Случайная величина \( X \) имеет экспоненциальное распределение с параметром \( \lambda > 0 \) (интенсивность), если её функция плотности вероятности (PDF) задаётся формулой:

\[ f(x; \lambda) = \begin{cases} \lambda e^{-\lambda x}, & x \ge 0, \\ 0, & x < 0. \end{cases} \]

Параметр \( \lambda \) интерпретируется как среднее число событий в единицу времени. Обратная величина \( \theta = 1/\lambda \) называется средним временем между событиями (масштабный параметр). В некоторых источниках экспоненциальное распределение определяется через \( \theta \), и тогда его плотность имеет вид \( f(x) = \frac{1}{\theta} e^{-x/\theta} \).

Функция распределения (CDF) экспоненциального закона:

\[ F(x; \lambda) = 1 - e^{-\lambda x}, \quad x \ge 0. \]

Квантильная функция (обратная функция распределения):

\[ Q(p) = -\frac{\ln(1-p)}{\lambda}, \quad 0 \le p < 1. \]

Числовые характеристики

• Математическое ожидание (среднее): \( E[X] = \frac{1}{\lambda} \).
• Дисперсия: \( \text{Var}[X] = \frac{1}{\lambda^2} \).
• Стандартное отклонение: \( \sigma = \frac{1}{\lambda} \), что равно среднему значению.
• Медиана: \( \text{Med}[X] = \frac{\ln 2}{\lambda} \approx \frac{0.693}{\lambda} \).
• Мода: \( \text{Mo}[X] = 0 \) (для \( \lambda > 0 \)).
• Коэффициент асимметрии: \( \gamma_1 = 2 \).
• Коэффициент эксцесса: \( \gamma_2 = 6 \).

Свойства

Отсутствие последействия (память)

Экспоненциальное распределение является единственным непрерывным распределением, обладающим свойством отсутствия последействия:

\[ P(X > s + t \mid X > s) = P(X > t), \quad \forall s, t \ge 0. \]

Это означает, что если процесс, описываемый экспоненциальным распределением, не завершился к моменту \( s \), то оставшееся время до его завершения распределено так же, как и исходное время. Данное свойство делает экспоненциальное распределение естественной моделью для времени жизни элементов, не подверженных старению (например, в радиоактивном распаде).

Минимальное из нескольких экспоненциальных

Если \( X_1, X_2, \dots, X_n \) — независимые экспоненциальные случайные величины с параметрами \( \lambda_1, \lambda_2, \dots, \lambda_n \), то минимум \( Y = \min(X_1, \dots, X_n) \) также имеет экспоненциальное распределение с параметром \( \lambda = \lambda_1 + \lambda_2 + \dots + \lambda_n \).

Сумма экспоненциальных распределений

Сумма \( n \) независимых одинаково распределённых экспоненциальных величин с параметром \( \lambda \) имеет гамма-распределение (или распределение Эрланга) с параметрами \( n \) и \( \lambda \):

\[ \sum_{i=1}^{n} X_i \sim \text{Gamma}(n, \lambda). \]

Связь с распределением Пуассона

Экспоненциальное распределение тесно связано с распределением Пуассона. Если число событий за фиксированный интервал времени подчиняется распределению Пуассона со средним \( \lambda t \), то время между последовательными событиями распределено экспоненциально с параметром \( \lambda \). Обратно, если времена между событиями независимы и экспоненциально распределены, то число событий за время \( t \) является пуассоновским.

Преобразование к равномерному распределению

Если \( X \sim \text{Exp}(\lambda) \), то \( U = 1 - e^{-\lambda X} \) имеет равномерное распределение на отрезке \( [0, 1] \). Это свойство используется для генерации экспоненциально распределённых случайных чисел методом обратного преобразования.

Виды и обобщения

Двухпараметрическое экспоненциальное распределение

В некоторых приложениях используется сдвинутое экспоненциальное распределение с плотностью:

\[ f(x; \lambda, \mu) = \lambda e^{-\lambda (x - \mu)}, \quad x \ge \mu, \]

где \( \mu \) — параметр сдвига (пороговое значение). Такое распределение применяется, когда время до события гарантированно не меньше \( \mu \) (например, минимальное время жизни устройства).

Гиперэкспоненциальное распределение

Представляет собой смесь нескольких экспоненциальных распределений с разными параметрами. Используется для моделирования процессов с переменной интенсивностью, например, в системах массового обслуживания с несколькими типами обслуживающих устройств.

Гипоэкспоненциальное распределение

Распределение суммы независимых экспоненциальных случайных величин с разными параметрами. Применяется в теории надёжности для моделирования времени работы системы с последовательно соединёнными элементами, каждый из которых имеет своё экспоненциальное время безотказной работы.

Применение

Теория надёжности

Экспоненциальное распределение используется для моделирования времени безотказной работы элементов, у которых интенсивность отказов постоянна (так называемый «период нормальной эксплуатации»). Для таких элементов вероятность безотказной работы за время \( t \) равна \( R(t) = e^{-\lambda t} \).

Теория массового обслуживания

В системах массового обслуживания (например, в очередях в банках, на телефонных линиях) время между поступлениями заявок и время обслуживания часто моделируются экспоненциальным распределением. Это позволяет аналитически рассчитывать характеристики системы, такие как средняя длина очереди и время ожидания.

Физика

Экспоненциальное распределение описывает время жизни нестабильных частиц при радиоактивном распаде. Вероятность того, что ядро распадётся за время \( t \), равна \( 1 - e^{-\lambda t} \), где \( \lambda \) — постоянная распада.

Актуарная математика

В страховании экспоненциальное распределение применяется для моделирования размера убытков (при малых значениях) и времени между страховыми случаями.

Эконометрика и финансы

В анализе длительности (duration analysis) экспоненциальное распределение используется для моделирования времени до наступления события, например, до дефолта компании или до увольнения сотрудника.

Оценка параметров

Для оценки параметра \( \lambda \) по выборке \( x_1, x_2, \dots, x_n \) используется метод максимального правдоподобия:

\[ \hat{\lambda} = \frac{n}{\sum_{i=1}^{n} x_i} = \frac{1}{\bar{x}}, \]

где \( \bar{x} \) — выборочное среднее. Оценка \( \hat{\lambda} \) является смещённой, но асимптотически несмещённой и состоятельной. Для несмещённой оценки \( \lambda \) можно использовать \( \hat{\lambda}_{\text{несм}} = \frac{n-1}{\sum x_i} \).

Интересные факты

• Экспоненциальное распределение является единственным непрерывным распределением с постоянной функцией интенсивности (hazard function), равной \( \lambda \). Это означает, что риск отказа не меняется со временем.
• В теории вероятностей экспоненциальное распределение является частным случаем распределения Вейбулла (при \( k = 1 \)) и гамма-распределения (при \( \alpha = 1 \)).
• Парадокс времени ожидания (парадокс проверки) связан с экспоненциальным распределением: если время между автобусами распределено экспоненциально, то среднее время ожидания следующего автобуса для случайно пришедшего пассажира равно среднему интервалу между автобусами, а не половине этого интервала, как можно было бы интуитивно ожидать.

Критика и ограничения

Основное ограничение экспоненциального распределения — предположение о постоянной интенсивности событий. В реальных системах часто наблюдается старение (увеличение интенсивности отказов со временем) или приработка (уменьшение интенсивности в начальный период). Для таких случаев более адекватными являются распределения Вейбулла, логнормальное или гамма-распределение. Кроме того, свойство отсутствия последействия редко выполняется в точности для механических или биологических систем.

Источники

• Вентцель Е. С. Теория вероятностей. — М.: Высшая школа, 2006.
• Гнеденко Б. В., Беляев Ю. К., Соловьёв А. Д. Математические методы в теории надёжности. — М.: Наука, 1965.
• Клейнрок Л. Теория массового обслуживания. — М.: Машиностроение, 1979.
• Феллер В. Введение в теорию вероятностей и её приложения. Том 2. — М.: Мир, 1984.