Калькулятор экспоненциального распределения
Рассчитайте PDF, CDF и статистику экспоненциального распределения.
Введите параметр интенсивности λ и значение x, чтобы вычислить вероятности и статистические характеристики экспоненциального распределения.
Калькулятор экспоненциального распределения
Рассчитайте PDF, CDF и статистику экспоненциального распределения.
Об экспоненциальном распределении
Экспоненциальное распределение — это непрерывное распределение вероятностей, описывающее время между событиями в процессе Пуассона, то есть процессе, в котором события происходят непрерывно и независимо с постоянной средней интенсивностью. Оно характеризуется одним параметром λ (лямбда), параметром интенсивности, который равен среднему числу событий в единицу времени. Среднее время между событиями равно 1/λ.
Функция плотности вероятности (PDF) имеет вид f(x) = λe^(−λx) при x ≥ 0. Функция распределения (CDF) равна F(x) = P(X ≤ x) = 1 − e^(−λx) и показывает вероятность того, что время до следующего события окажется меньше либо равно x. Функция выживания P(X > x) = e^(−λx) показывает вероятность того, что событие ещё не произошло к моменту x.
У экспоненциального распределения есть важное свойство — отсутствие памяти: P(X > s + t | X > s) = P(X > t). Это означает, что вероятность ждать ещё t единиц времени не зависит от того, сколько уже было пройдено ожидания. Среди непрерывных распределений только экспоненциальное обладает этим свойством, поэтому оно особенно подходит для моделирования систем без старения и износа.
Статистические моменты экспоненциального распределения выражаются через λ: среднее = 1/λ, дисперсия = 1/λ², стандартное отклонение = 1/λ, медиана = ln(2)/λ ≈ 0.693/λ. Обратите внимание, что среднее больше медианы, что отражает правостороннюю асимметрию распределения.
Практические применения охватывают многие области. В теории надёжности экспоненциальное распределение моделирует срок службы электронных компонентов, которые не изнашиваются (например, некоторых типов транзисторов). В теории массового обслуживания оно описывает интервалы между поступлениями и времена обслуживания. В ядерной физике радиоактивный распад подчиняется экспоненциальному распределению. В телекоммуникациях оно моделирует время между последовательными поступлениями пакетов. В финансах оно в упрощённых моделях приближённо описывает время между сделками или кредитными событиями.
Примеры
Эти примеры показывают, как экспоненциальное распределение проявляется на практике.
| Параметры | Вероятность | Сценарий |
|---|---|---|
| λ = 2 per min, x = 0.5 min | P(X < 0.5) ≈ 0.6321 | Звонки в службу поддержки поступают со скоростью 2 в минуту; 63% шанс, что следующий звонок придёт в течение 30 секунд |
| λ = 0.0005 per hr, x = 2500 hr | P(X ≥ 2500) ≈ 0.2865 | Лампочка со средней продолжительностью жизни 2000 часов; 29% шанс проработать более 2500 часов |
| λ = 0.1 per sec, x = 5 sec | f(5) ≈ 0.0607 | PDF радиоактивного распада ровно на 5-й секунде |
| λ = 0.1 per min, x = 15 min | P(X > 15) ≈ 0.2231 | Автобус приходит в среднем каждые 10 минут; 22% шанс ждать дольше 15 минут |
Как пользоваться калькулятором
- Введите параметр интенсивности λ (лямбда) — это среднее число событий в единицу времени. Если среднее время между событиями 10 минут, то λ = 1/10 = 0.1.
- Введите значение x — конкретное время (или расстояние, или другую величину), в котором вы хотите оценить распределение.
- Выберите тип расчёта: PDF для плотности в точке x или один из вариантов CDF для накопленных вероятностей.
- Нажмите «Рассчитать», чтобы увидеть выбранную вероятность, а также среднее, медиану, дисперсию и стандартное отклонение распределения.
- Используйте кнопки быстрой загрузки, чтобы изучить распространённые реальные сценарии, связанные с экспоненциальным распределением.
Часто задаваемые вопросы
Что означает параметр интенсивности λ?
Параметр интенсивности λ (лямбда) — это среднее число событий, происходящих в единицу времени (или расстояния, или пространства). Например, если клиенты приходят со скоростью 3 в час, то λ = 3 в час, а среднее время между приходами равно 1/λ = 20 минут. Чем больше λ, тем чаще происходят события и тем ближе распределение сосредоточено к нулю.
В чём разница между PDF и CDF?
PDF f(x) = λe^(−λx) задаёт плотность вероятности в конкретной точке x — это не сама вероятность, а скорость вероятности на единицу x. CDF F(x) = P(X ≤ x) = 1 − e^(−λx) задаёт вероятность того, что случайная величина не превысит x, то есть настоящую вероятность от 0 до 1. Для непрерывных распределений вероятность в точной точке равна нулю; вероятности применяются только к интервалам.
Что такое свойство отсутствия памяти?
Свойство отсутствия памяти утверждает, что P(X > s + t | X > s) = P(X > t): если вы уже ждали s единиц времени без события, вероятность подождать ещё t единиц такая же, как если бы ожидание только началось. На практике лампочка, проработавшая 1000 часов, имеет ту же вероятность отказа в следующем часе, что и новая лампочка — эффекта старения нет. Среди непрерывных распределений этим свойством обладает только экспоненциальное.
Почему среднее больше медианы?
Среднее экспоненциального распределения равно 1/λ, а медиана — ln(2)/λ ≈ 0.693/λ. Медиана меньше, потому что распределение правосторонне асимметрично: длинный хвост больших значений тянет среднее вверх. Более половины наблюдений лежат ниже среднего, что характерно для распределений с положительной асимметрией. Это важно в анализе надёжности, где «типичное» время отказа часто смотрят по медиане, а не по среднему.
Можно ли использовать экспоненциальное распределение для данных о сроке службы?
Экспоненциальное распределение подходит для компонентов с постоянной интенсивностью отказов — тех, которые не изнашиваются со временем и не подвержены усталости или старению. Это разумная модель для некоторых электронных компонентов и некоторых типов отказов ПО. Однако для компонентов, которые изнашиваются (например, механических деталей или человеческой продолжительности жизни), более подходит распределение Вейбулла с параметром формы, отличным от 1.
Как найти λ по эмпирическим данным?
Оценка максимального правдоподобия для λ по наблюдаемым данным x₁, x₂, …, xₙ — это просто обратная величина выборочного среднего: λ̂ = n / Σxᵢ = 1 / x̄. Это интуитивно понятно: если события происходят в среднем каждые 5 минут (среднее = 5), то интенсивность равна λ = 1/5 = 0.2 в минуту. Проверить экспоненциальную подгонку можно с помощью Q-Q графика или критерия согласия.