指数分布的分布函数和概率密度函数的推导,牢记指数分布的分布函数为1-e^(-λx)

前言:重在记录,可能出错。

之前推导出了泊松分布的概率公式——泊松分布概率公式的推导,现在推导一下指数分布的分布函数和概率密度函数。

很多人在初学时,只记得指数分布的概率密度函数,e^(-λx),再利用积分计算概率,这是对的,但有人利用积分直接得分布函数,这样就错了。

1. 首先,指数分布描述的是等待事件下一次发生的时间间隔t的概率,分布函数为:

\[\color{red}{F\mathop{{}}\nolimits_{{X}} \left( t \left) =P \left\{ X \le t \left\} =1-P \left\{ X > t \right\} \right. \right. \right. \right. }
\]

求分布函数可以先求\(\color{red}{P \left\{ X > t \right\} }\)

2. 其次,\(\color{red}{P \left\{ X > t \right\} }\)描述的是等待事件下一次发生的时间间隔大于t的概率,换一种说法,即在t时间(t个单位时间)内事件未发生(发生次数为0)的概率。描述一个事件在一段时间内发生次数的概率,恰好是泊松分布。

3.每个单位时间内事件发生次数为0的概率使用泊松分布转换为代数式为

\[\color{red}{P \left\{ X=0 \left\} =\frac{{ \lambda \mathop{{}}\nolimits^{{0}}}}{{0!}}⸳e\mathop{{}}\nolimits^{{- \lambda }}=e\mathop{{}}\nolimits^{{- \lambda }}\right. \right.}
\]

那么‘在t个单位时间内事件发生次数为0的概率’,即

\[\color{red}{P \left\{ X > t \left\} =e\mathop{{}}\nolimits^{{- \lambda t}}\right. \right.}
\]

4. 最后,综上可得,将t替换为x,当x≥0时,指数分布的分布函数为:

\[\color{red}{F\mathop{{}}\nolimits_{{X}} \left( x \left) =P \left\{ X \le x \left\} =1-P \left\{ X > x \left\} =1-e\mathop{{}}\nolimits^{{- \lambda x}}\right. \right. \right. \right. \right. \right. }
\]

当x≥0时,指数分布的概率密度函数为:

\[\color{red}{f\mathop{{}}\nolimits_{{X}} \left( x \left) = \lambda e\mathop{{}}\nolimits^{{- \lambda x}}\right. \right. }
\]

5. 从上述过程来看,指数分布公式里的λ与单位时间下泊松分布的λ相同,不是单位时间下就不同了。以下举例:

例题:公司茶水间饮水机,平均每分钟有一名员工接水并离开。分别以泊松分布和指数分布计算,三分钟没有员工在茶水间饮水机接水并离开的概率。

解:

(1).泊松分布:

\[\begin{array}{*{20}{l}}{E \left( x \left) =3= \lambda \mathop{{}}\nolimits_{{1}}\text{ }\text{ }\text{ }\text{ }\text{ }\text{问}\text{三}\text{分}\text{钟}\text{,}\text{所}\text{以}\text{此}\text{时}\text{期}\text{望}\text{为}3\right. \right. }\\{P \left( x=0 \left) =\frac{{ \lambda \mathop{{}}\nolimits_{{1}}\mathop{{}}\nolimits^{{0}}}}{{0!}}e\mathop{{}}\nolimits^{{- \lambda \mathop{{}}\nolimits_{{1}}}}=e\mathop{{}}\nolimits^{{-3}}\right. \right. }\end{array}
\]

(2).指数分布:

\[{\begin{array}{*{20}{l}}{E \left( t \left) =1=\frac{{1}}{{ \lambda \mathop{{}}\nolimits_{{2}}}}\text{ }\text{ }\text{ }\text{ }\text{ }\text{指}\text{数}\text{分}\text{布}\text{的}\text{期}\text{望}\text{仍}\text{为}1\right. \right. }\\{ \lambda \mathop{{}}\nolimits_{{2}}=1}\\{P \left( \text{t} > 3 \left) ={\mathop{ \int }\nolimits_{{3}}^{{+ \infty }}{ \lambda \mathop{{}}\nolimits_{{2}}e\mathop{{}}\nolimits^{{- \lambda \mathop{{}}\nolimits_{{2}}t}}dt=e\mathop{{}}\nolimits^{{-3}}}}\right. \right. }\end{array}}
\]
三分钟内事件未发生,即事件发生的间隔超过了三分钟

指数分布的分布函数和概率密度函数的推导,牢记指数分布的分布函数为1-e^(-λx)的更多相关文章

  1. PDF的来源——概率密度函数

    //首发于简书,详见原文:https://www.jianshu.com/p/6493edd20d61 你不会还真的以为这是一篇讲怎么做pdf文件,怎么编辑.保存.美化的文章吧? 咳咳,很遗憾告诉你不 ...

  2. rvs产生服从指定分布的随机数 pdf概率密度函数 cdf累计分布函数 ppf 分位点函数

    统计工作中几个常用用法在python统计函数库scipy.stats的使用范例. 正态分布以正态分布的常见需求为例了解scipy.stats的基本使用方法. 1.生成服从指定分布的随机数 norm.r ...

  3. Kattis - heapsoffun Heaps of Fun (概率密度函数+dp)

    题意:有一棵含有n个结点(n<=300)的根树,树上每个结点上的权值是从[0,ai](ai<=1e9)区间内随机的一个实数,问这棵树能形成一个最小堆的概率. 由于结点取值范围是1e9而且是 ...

  4. 高斯分布(Gaussian Distribution)的概率密度函数(probability density function)

    高斯分布(Gaussian Distribution)的概率密度函数(probability density function) 对应于numpy中: numpy.random.normal(loc= ...

  5. 函数的光滑化或正则化 卷积 应用 两个统计独立变量X与Y的和的概率密度函数是X与Y的概率密度函数的卷积

    http://graphics.stanford.edu/courses/cs178/applets/convolution.html Convolution is an operation on t ...

  6. LOJ2267 SDOI2017 龙与地下城 FFT、概率密度函数、Simpson

    传送门 概率论神仙题-- 首先一个暴力做法是设\(f_{i,j}\)表示前\(i\)个骰子摇出点数和为\(j\)的概率,不难发现DP的过程是一个多项式快速幂,FFT优化可以做到\(O(XYlog(XY ...

  7. 使用Excel绘制F分布概率密度函数图表

    使用Excel绘制F分布概率密度函数图表 利用Excel绘制t分布的概率密度函数的相同方式,可以绘制F分布的概率密度函数图表. F分布的概率密度函数如下图所示: 其中:μ为分子自由度,ν为分母自由度 ...

  8. matlab 求已知概率密度函数的随机数生成

    N=10000; %需要随机数的个数 a=zeros(N,1); %存放随机数的数列 n=0; f1=@(t) 1./(1.2*pi*(1+5*(t-7.3).^2)); f2=@(t) 1./(1. ...

  9. 机器学习-LR推导及与SVM的区别

    之前整理过一篇关于逻辑回归的帖子,但是只是简单介绍了一下了LR的基本思想,面试的时候基本用不上,那么这篇帖子就深入理解一下LR的一些知识,希望能够对面试有一定的帮助. 1.逻辑斯谛分布 介绍逻辑斯谛回 ...

  10. R--相关分布函数、统计函数的使用

    分布函数家族: *func()r : 随机分布函数d : 概率密度函数p : 累积分布函数q : 分位数函数 func()表示具体的名称如下表: 例子 #r : 随机分布函数 #d : 概率密度函数 ...

随机推荐

  1. 《HTTP权威指南》– 6.代理

    代理的概念: Web代理服务器是网络的中间实体.位于客户端和服务器之间,扮演"中间人"的角色,在各端点之间来回传送HTTP报文. 私有和共享代理: 代理服务器可以是某个客户端专用的 ...

  2. 时间片差分调度法-充分利用MCU的资源

    前言 通过该篇学习了嵌入式的任务调度(即时间片论法)后,了解到通过以1ms为调度时间单位轮询判断是否需要执行函数任务,那么下面介绍如何基于时间片论法的任务调度模式充分利用MCU的资源,姑且先称这种方式 ...

  3. python中使用pip 安装第三方库报错归类及解决方式

    1.  离线安装virtualenv报错,安装命令:python setup.py install 解决方式:升级setuptools 2.  安装第三方库时安装失败,安装命令:pip install ...

  4. django.core.exceptions.ImproperlyConfigured: Application labels aren't unique, duplicates: rest_framework_swagger

    在启动服务时报django.core.exceptions.ImproperlyConfigured: Application labels aren't unique, duplicates: re ...

  5. STL string常用API

    #define _CRT_SECURE_NO_WARNINGS #include<iostream> #include<string> using namespace std; ...

  6. 简单体验一个高性能,简单,轻量的ORM库- Dapper (无依赖其它库,非常方便高效)

    步骤1)引入该ORM库. 使用Nuget搜索"Dapper"安装或者直接从github上下载源码  (https://github.com/StackExchange/Dapper ...

  7. Hadoop详解(01)-概论

    Hadoop详解(01)概论 概念 大数据(Big Data):指无法在一定时间范围内用常规软件工具进行捕捉.管理和处理的数据集合,是需要新处理模式才能具有更强的决策力.洞察发现力和流程优化能力的海量 ...

  8. Spring Boot通过Actuator显示git和build的信息

    1 简介 为了更好的版本控制和问题定位,我们需要知道正在运行的应用是什么版本,什么时候打包的,Git的相关信息等.通过/actuator/info可以帮助我们获取这些信息. 2 配置 首先要有actu ...

  9. 【LGR-125】洛谷 11 月月赛 I & JROI-7 & JRKSJ-5

    P8846 『JROI-7』PMK 配匹串符字 简要题意 给出一正整数 \(n(1 \leq n \leq 10^5)\),求出一个由小写英文字母组成的字符串 \(S\),使得 \(|S|=n\) 且 ...

  10. .NetCore下基于FreeRedis实现的Redis6.0客户端缓存之缓存键条件优雅过滤

    前言 众所周知内存缓存(MemoryCache)数据是从内存中获取,性能表现上是最优的,但是内存缓存有一个缺点就是不支持分布式,数据在各个部署节点上各存一份,每份缓存的过期时间不一致,会导致幻读等各种 ...