Гиперэкспоненциальное распределение

В теории вероятностей, гиперэкспоненциальное распределение — абсолютно 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 $Y_{i}$ — экспоненциально 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 коэффициента вариации экспоненциального распределения. 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

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

E(X)=\int _{-\infty }^{\infty }xf(x)dx=p_{1}\int _{0}^{\infty }x\lambda \,_{1}e^{-\lambda \,_{1}x}dx+p_{2}\int _{0}^{\infty }x\lambda \,_{2}e^{-\lambda \,_{2}x}dx+\cdots +p_{n}\int _{0}^{\infty }x\lambda \,_{n}e^{-\lambda \,_{n}x}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 \,_{1}e^{-\lambda \,_{1}x}\,dx+p_{2}\int _{0}^{\infty }x^{2}\lambda \,_{2}e^{-\lambda \,_{2}x}\,dx+\cdots +p_{n}\int _{0}^{\infty }x^{2}\lambda \,_{n}e^{-\lambda \,_{n}x}\,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 \,_{1}e^{-\lambda \,_{1}x}dx+p_{2}\int _{0}^{\infty }e^{tx}\lambda \,_{2}e^{-\lambda \,_{2}x}dx+\cdots +p_{n}\int _{0}^{\infty }e^{tx}\lambda \,_{n}e^{-\lambda \,_{n}x}dx

=\sum _{i=1}^{n}{\frac {\lambda \,_{i}}{\lambda _{i}-t}}p_{i}.

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.

Вероятностные распределения
Дискретные	Бернулли Биномиальное Геометрическое Гипергеометрическое Логарифмическое Отрицательное биномиальное Пуассона Дискретное равномерное Мультиномиальное
Абсолютно непрерывные	Бета Вейбулла Гамма- Гиперэкспоненциальное Гомпертца Колмогорова Коши Лапласа Логнормальное Нормальное (Гаусса) Логистическое Накагами Парето Пирсона Полукруговое Непрерывное равномерное Райса Рэлея Стьюдента Трейси — Видома Фишера Хи-квадрат Экспоненциальное Variance-gamma Многомерное нормальное Копула