Показательное распределение в теории вероятностей¶

Показательное распределение (экспоненциальное распределение) — непрерывное распределение вероятностей, описывающее время между двумя последовательными событиями в простейшем (пуассоновском) потоке. Является частным случаем гамма-распределения и распределения Вейбулла, широко применяется в теории массового обслуживания, теории надёжности, физике и страховании. Характеризуется единственным параметром — интенсивностью λ (лямбда), которая задаёт среднюю частоту наступления события в единицу времени.

¶Определение и основные характеристики

Непрерывная случайная величина X имеет показательное распределение с параметром λ > 0, если её функция распределения имеет вид:

• F(x) = 1 − e^(−λx) при x ≥ 0;
• F(x) = 0 при x < 0.

Плотность вероятности:

• f(x) = λ·e^(−λx) при x ≥ 0;
• f(x) = 0 при x < 0.

Числовые характеристики:

Среднее и стандартное отклонение совпадают, что является отличительной чертой распределения. Коэффициент асимметрии равен 2, коэффициент эксцесса — 6.

¶Свойство отсутствия памяти

Ключевое свойство показательного распределения — отсутствие памяти (марковское свойство). Оно выражается равенством:

P(X > s + t | X > s) = P(X > t).

Это означает, что вероятность того, что событие не наступит в течение дополнительного времени t, не зависит от того, сколько времени уже прошло. Именно это свойство делает показательное распределение естественной моделью времени ожидания в пуассоновском процессе: если события происходят независимо с постоянной интенсивностью, то оставшееся время до следующего события распределено так же, как и полное.

Среди всех непрерывных распределений только показательное обладает свойством отсутствия памяти. Это его роднит с геометрическим распределением в дискретном случае.

¶Связь с распределением Пуассона

Если число событий за фиксированный интервал времени имеет распределение Пуассона с параметром λt, то промежутки времени между соседними событиями независимы и имеют показательное распределение с параметром λ. Эта двойственность лежит в основе описания простейшего потока — стационарного, ординарного потока без последействия.

Пусть N(t) — число событий за время t, тогда P(N(t) = k) = (λt)^k·e^(−λt)/k!. Время до первого события и интервалы между событиями распределены экспоненциально.

¶Применение

¶Теория массового обслуживания

В моделях систем обслуживания (например, M/M/1) время между поступлениями заявок и время обслуживания часто предполагаются показательно распределёнными. Это позволяет описывать систему марковским процессом и получать аналитические формулы для длины очереди и времени ожидания.

¶Теория надёжности

Показательное распределение используется как модель времени безотказной работы элементов при постоянной интенсивности отказов. Если интенсивность отказов λ постоянна (период нормальной эксплуатации), то наработка на отказ распределена экспоненциально. Это применяется при расчёте надёжности электронных компонентов, приборов и систем.

¶Физика и радиоактивный распад

Время жизни радиоактивного ядра до распада подчиняется показательному распределению: вероятность распада за малый интервал не зависит от возраста ядра. Постоянная распада λ связана с периодом полураспада T₁/₂ соотношением T₁/₂ = ln2/λ.

¶Прочие области

• Страхование: моделирование времени между страховыми случаями.
• Биология: длительность некоторых биологических процессов, время между делениями клеток в простых моделях.
• Экономика: интервалы между транзакциями, время до следующего обращения клиента.

¶Оценка параметра

При наличии выборки x₁, …, xₙ из показательного распределения оценка максимального правдоподобия параметра λ равна:

λ̂ = 1 / x̄,

где x̄ — выборочное среднее. Оценка состоятельна и эффективна. Для проверки согласия используют критерий согласия Пирсона (хи-квадрат) или критерий Колмогорова.

¶Связь с другими распределениями

• Гамма-распределение с параметром формы k = 1 совпадает с показательным.
• Распределение Вейбулла при параметре формы k = 1 переходит в показательное.
• Сумма n независимых показательных величин с одинаковым λ имеет гамма-распределение (распределение Эрланга) с параметром формы n.
• Если X и Y независимы и экспоненциальны с параметрами λ и μ, то min(X, Y) экспоненциально с параметром λ + μ.

¶Генерация случайных величин

Для моделирования показательной величины применяют метод обратного преобразования: если U — равномерная на [0,1] величина, то X = −ln(U)/λ имеет показательное распределение с параметром λ. Этот приём используется в имитационном моделировании и методе Монте-Карло.

¶История

Распределение введено в работах, связанных с изучением радиоактивного распада и теории очередей в первой половине XX века. Существенный вклад внесли исследования Агнера Крарупа Эрланга по телефонным сетям (1909–1920-е годы) и работы по теории надёжности середины XX века. В российской научной традиции распределение традиционно называется показательным, что отражает его показательную (экспоненциальную) функцию распределения.

Источники: Гнеденко Б. В. «Курс теории вероятностей»; Вентцель Е. С. «Теория вероятностей»; Феллер В. «Введение в теорию вероятностей и её приложения»; справочные материалы по теории массового обслуживания.