התפלגות מעריכית

מתוך ויקיפדיה, האנציקלופדיה החופשית
קפיצה אל: ניווט, חיפוש
התפלגות מעריכית
פונקציית צפיפות ההסתברות
Exponential distribution pdf.png
פונקציית ההסתברות המצטברת
Exponential distribution cdf.png
מאפיינים
פרמטרים  \ \lambda>0
תומך x \in [0,\infty)\!
פונקציית הסתברות

(pmf)

פונקציית צפיפות הסתברות

(pdf)

 \,\lambda e^{-\lambda x}
פונקציית ההסתברות המצטברת

(cdf)

 \ 1 - e^{-\lambda x}
תוחלת \lambda^{-1}\,
חציון \ln(2)/\lambda\,
ערך שכיח 0\,
שוֹנוּת \lambda^{-2}\,
אנטרופיה 1 - \ln(\lambda)\,
פונקציה יוצרת מומנטים

(mgf)

\left(1 - \frac{t}{\lambda}\right)^{-1}\,
צידוד \ 2
גבנוניות  \ 6

בתורת ההסתברות ובסטטיסטיקה, התפלגות מעריכית (או התפלגות אקספוננציאלית, Exponential Distribution), היא התפלגות רציפה על המספרים האי-שליליים.

ההתפלגות המעריכית היא ההתפלגות הרציפה היחידה שהיא חסרת זיכרון, והיא מאופיינת באופן מלא על ידי תכונה זו. משכך, היא מתארת תופעות אקראיות שהסיכוי להתרחשותן קבוע בזמן, כגון התפרקות רדיואקטיבית או הזמן עד לתקלה בנורה או ברכיב חשמלי.

הגדרה[עריכת קוד מקור | עריכה]

פונקציית צפיפות[עריכת קוד מקור | עריכה]

התפלגות מעריכית היא התפלגות רציפה, שפונקציית הצפיפות שלה היא


f(x) = \left\{\begin{matrix}
\lambda e^{-\lambda x} &\; x \ge 0 \\
0 &\; x < 0
\end{matrix}\right.

כאשר \,\! \lambda > 0 היא הפרמטר של ההתפלגות, המכונה גם קצב או קבוע דעיכה.
ההתפלגות מתוארת לעתים באמצעות ההופכי של פרמטר הקצב, כלומר באמצעות פרמטר \,\!\tau = 1/\lambda > 0. במקרה זה, פונקציית הצפיפות היא


f(x) = \left\{\begin{matrix}
\frac{1}{\tau} e^{-x/\tau} &\; x \ge 0 \\
0 &\; x < 0
\end{matrix}\right.

משתנה מקרי \,\!X המתפלג מעריכית עם פרמטר \,\!\lambda מסומן בדרך כלל \,\!X \sim \textrm{exp}(\lambda) . הערכים שמשתנה מקרי שכזה יכול לקבל הם המספרים האי-שליליים, כלומר התומך של ההתפלגות המעריכית הוא הקטע \,\![0, \infty).

פונקציית התפלגות מצטברת[עריכת קוד מקור | עריכה]

ניתן להגדיר את ההתפלגות המעריכית גם באמצעות פונקציית ההתפלגות המצטברת שלה, שהיא


F(x) = \left\{\begin{matrix}
1-e^{-\lambda x} &\; x \ge 0 \\
0 &\; x < 0
\end{matrix}\right.

שימושים[עריכת קוד מקור | עריכה]

ההתפלגות המעריכית מתאימה לתיאור הזמן בין אירועים המתרחשים באקראי אך בקצב ממוצע קבוע. דוגמאות לתופעות הניתנות (בקירוב) לתיאור כזה הן

מתמטית, תופעות כאלה מתוארות לעתים קרובות כתהליכי פואסון הומוגניים בזמן, שבהם הזמן הבין מופעי מתפלג מעריכית.

בתורת התורים (Queueing Theory), ההתפלגות המעריכית משמשת לעתים לתיאור זמן השירות. תחת הנחה זו (והנחות נוספות), מערכות תורים ניתנות לתיאור כשרשראות מרקוב, וקל יחסית לנתח את התנהגותן.

בתורת האמינות (Reliability Theory) ובניתוח שרידות (Survival Analysis), ההתפלגות המעריכית משמשת לעתים לתיאור (חלקי או מלא) של משך החיים של רכיב או של חולה.

בפיזיקה סטטיסטית, במערכות שבהן האנרגיה יכולה לקבל ערכים רציפים והאנרגיה הכלולת של המערכת ידועה (כלומר, בצבר הקנוני), התפלגות האנרגיה היא התפלגות מעריכית עם פרמטר התפלגות \lambda=\frac{1}{k_b T} כאשר \ k_b הוא קבוע בולצמן. התפלגות זו נקראת גם התפלגות בולצמן. לדוגמה, האנרגיה הקינטית של מולקולות גז בטמפרטורה נתונה מתפלגת מעריכית. עובדה זו נובעת מתכונת האנטרופיה המקסימלית המתוארת להלן.

תכונות[עריכת קוד מקור | עריכה]

תוחלת ושונות[עריכת קוד מקור | עריכה]

התוחלת של משתנה מקרי \,\!X \sim \textrm{exp}(\lambda) , הקרויה גם "זמן החיים הממוצע" של ההתפלגות, היא \,\!E(X) = 1/\lambda; השונות היא \mathrm{Var}(X) = 1/\lambda^2\,\!.

תכונת חוסר הזיכרון[עריכת קוד מקור | עריכה]

משתנה מקרי מעריכי הוא חסר זיכרון, כלומר לכל s, t \ge 0 מתקיים כי

\,\!P(X > s + t\; |\; X > s) = P(X > t)

בניסוח אחר: אם \,\!X \sim \textrm{exp}(\lambda) , אז ההתפלגות המותנית של \,\!X - s, בהינתן \,\!X > s, גם היא \,\!\textrm{exp}(\lambda) .

המשמעות המילולית של תכונה זו היא כדלקמן: כשאנו ממתינים לאירוע שהזמן עד להתרחשותו מתפלג מעריכית, הזמן שחלף עד כה אינו משנה את התפלגות הזמן שנותר עד להתרחשות האירוע, וזמן זה (הזמן שנותר עד להתרחשות האירוע) ממשיך להתפלג מעריכית, בדיוק כאילו התחלנו להמתין זה עתה.

ההתפלגות המעריכית היא ההתפלגות הרציפה היחידה בעלת תכונת חוסר הזיכרון. אפשר לראות זאת כך. נניח התפלגות חסרת זיכרון. היא צריכה לקיים את התכונה

\,\!P(X > s + t\; |\; X > s) = {P(X > s + t\; ,\; X > s ) \over P(X > s )} = 
{P(X > s + t) \over P(X > s )} = 
P(X > t)

מכאן נקבל את הדרישה:

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

נתבונן, לכן, בפונקציה המקיימת

f(s + t) = f(s)f(t).

נציב t = 0 ונקבל

f(s + 0) = f(s) = f(s)f(0),

ומכאן נסיק

f(0) = 1.

נקח שוב את השוויון המקורי, ונחסר מכל אגף f(s):

f(s + t) -f(s) = f(s)f(t) - f(s) = f(s)(f(t) - 1) = f(s)(f(t) - f(0)).

נחלק ב-t ונשאיפו ל0:

\lim_{t \rightarrow 0}{f(s + t) -f(s) \over t}= \lim_{t \rightarrow 0} f(s){f(t) - f(0)  \over t}.

מכאן קיבלנו את המד"ר:

f'(s) = f(s)f'(0).

תחת הנחות קלות למדי, פתרון משוואה זו הוא פונקציה מעריכית.

שברונים[עריכת קוד מקור | עריכה]

החציון של משתנה מקרי \,\mathrm{exp}(\lambda) הוא \,\!\ln(2)/\lambda. גודל זה קרוי לעתים זמן מחצית החיים.

באופן כללי יותר, השברון (quantile) ה-p של ההתפלגות המעריכית הוא

\,\!F^{-1}(p) = -\frac{1}{\lambda}\ln(1 - p), \qquad 0 \leq p < 1

התפלגות המינימום[עריכת קוד מקור | עריכה]

אם \,\!X_1, \ldots, X_n הם משתנים מקריים מעריכיים בלתי תלויים, כך ש- \,\!X_i \sim \textrm{exp}(\lambda_i), אז גם המינימום שלהם מתפלג מעריכית, עם פרמטר \,\!\lambda_1 + \cdots + \lambda_n, כלומר

\,\!\min( X_1, \ldots , X_n) \sim \exp \left( \sum_{i=1}^{n}{\lambda_i} \right)

בפרט, המינימום של n משתנים מעריכיים בלתי תלויים עם פרמטר \,\!\lambda הוא משתנה מקרי מעריכי עם פרמטר  \,\!n\lambda.

התפלגות המקסימום[עריכת קוד מקור | עריכה]

המקסימום של משתנים מקריים מעריכיים בלתי תלויים לא מתפלג מעריכית, גם אם לכולם אותו פרמטר. אם \,\!X_1, \ldots, X_n הם משתנים מקריים בלתי תלויים כך ש-\,\!X_i \sim \textrm{exp}(\lambda_i), ו- \,\!X = \max(X_1,\ldots,X_n), אז

\,\!P(X \leq x) = \Pi_{i=1}^{n}(1 - e^{-\lambda_i x})

אם \,\!X_i \sim \mathrm{exp}(\lambda) (כלומר לכולם אותו פרמטר), אז

\,\!P(X \leq x) = (1 - e^{-\lambda x})^{n}, \qquad E(X) = \frac1{\lambda}\left(1 + \frac1{2} + \frac1{3} + \cdots + \frac1{n}\right)

אנטרופיה מקסימלית[עריכת קוד מקור | עריכה]

מבין כל ההתפלגויות הרציפות על \,\![0, \infty) שהתוחלת שלהן \,\!\mu, ההתפלגות המעריכית עם פרמטר \,\!\lambda = 1/\mu היא בעלת אנטרופיה מקסימלית.

פונקציית סיכון[עריכת קוד מקור | עריכה]

פונקציית הסיכון (Hazard function) של ההתפלגות המעריכית היא קבועה, וערכה הוא \,\!\lambda.

קשר להתפלגויות אחרות[עריכת קוד מקור | עריכה]

התפלגות גאומטרית[עריכת קוד מקור | עריכה]

ההתפלגות המעריכית היא במובן מסוים גבול של ההתפלגות הגאומטרית: נניח שעורכים סידרה של ניסויי ברנולי בלתי תלויים, כך שהזמן בין ניסוי לניסוי הוא 1/n, והסתברות ההצלחה בכל ניסוי היא  \lambda/n\,\!. אזי מספר הניסוי בו תתקבל ההצלחה הראשונה מתפלג גאומטרית (עם פרמטר \,\!\lambda/n), ואילו הזמן עד ההצלחה הראשונה, כש-n שואף לאין-סוף, מתכנס (בהתפלגות) להתפלגות מעריכית עם פרמטר  \,\!\lambda.

כשם שההתפלגות המעריכית היא ההתפלגות הרציפה היחידה בעלת תכונת חוסר הזיכרון, כך ההתפלגות הגאומטרית היא ההתפלגות הבדידה היחידה בעלת תכונה זו.

אם \,\! X \sim \textrm{exp}(\lambda), אז הערך השלם העליון של X (כלומר המספר השלם הנמוך ביותר שגדול או שווה ל-X, המסומן \lceil X \rceil), מתפלג גאומטרית עם פרמטר \,\!1 - e^{-\lambda}.

התפלגות פואסון[עריכת קוד מקור | עריכה]

אם תופעה מסוימת מתרחשת מפעם לפעם, כך שפרקי הזמן בין התרחשות להתרחשות הם משתנים מקריים בלתי תלויים \,\!\mathrm{exp}(\lambda), אז מספר ההתרחשויות בפרק זמן שאורכו t מתפלג פואסונית עם פרמטר \lambda t. תהליך שכזה נקרא תהליך פואסון (הומוגני בזמן).

כדוגמה קונקרטית, נניח שבידנו מספר נורות שזמן החיים של כל אחת מהן מתפלג \,\!\mathrm{exp}(\lambda), ונחשוב על המערכת הבאה: מחברים את הנורות לחשמל ומדליקים את הנורה הראשונה בלבד; ברגע שהיא נשרפת, מדליקים את הנורה השנייה; ברגע שגם היא נשרפת, מדליקים את הנורה השלישית; וכן הלאה. אזי מספר הנורות Y שנשרפות עד זמן t מתפלג פואסונית עם פרמטר \lambda t, כלומר

\,\!P( Y = y) = \frac{ e^{-\lambda t} (\lambda t)^y}{y!}

התפלגות גמא והתפלגות ארלנג[עריכת קוד מקור | עריכה]

ההתפלגות המעריכית היא מקרה פרטי של התפלגות גמא: משתנה מקרי \mathrm{Gamma}(\lambda, 1)\! (כלומר עם פרמטר צורה 1) הוא משתנה מקרי \,\!\mathrm{exp}(\lambda). היות שהתפלגות גמא עם פרמטר צורה שלם נקראת לעתים התפלגות ארלנג, ההתפלגות המעריכית היא גם מקרה פרטי של התפלגות ארלנג.

הסכום של n משתנים מקריים בלתי תלויים \,\!\mathrm{exp}(\lambda) מתפלג \,\!\mathrm{Gamma}(\lambda, n).

התפלגות אחידה[עריכת קוד מקור | עריכה]

אם U הוא משתנה מקרי רציף המתפלג אחיד על הקטע (0,1), אז

\,\! -\frac{\ln(U)}{\lambda}\sim \mathrm{exp}(\lambda)

על בסיס תוצאה זו ניתן לחולל ("להגריל") מספרים מקריים מעריכיים, לצורכי סימולציה ממוחשבת.

התפלגות חי בריבוע[עריכת קוד מקור | עריכה]

ההתפלגות המעריכית עם פרמטר \lambda = 1/2 היא מקרה פרטי של התפלגות חי בריבוע: משתנה מקרי \,\!\chi^2_2 (כלומר עם שתי דרגות חופש) הוא משתנה מקרי \,\!\mathrm{exp}(1/2).

התפלגות וייבול[עריכת קוד מקור | עריכה]

ההתפלגות המעריכית היא מקרה פרטי של התפלגות וייבול: משתנה מקרי \,\!\mathrm{Weibull}(\lambda, 1) (כלומר עם פרמטר צורה 1) הוא משתנה מקרי \,\!\mathrm{exp}(\lambda).

התפלגות לפלס[עריכת קוד מקור | עריכה]

התפלגות לפלס, הקרויה גם "התפלגות מעריכית כפולה", היא ההתפלגות של ההפרש בין שני משתנים מקריים מעריכיים בלתי תלויים בעלי אותו פרמטר. כלומר, אם \,\!X_1, X_2, \sim \mathrm{exp}(\lambda) הם בלתי תלויים, אז \,\!X_1 - X_2 מתפלג התפלגות לפלס.

אמידה[עריכת קוד מקור | עריכה]

בהינתן מדגם \,\!x_1, x_2, \ldots, x_n של תצפיות בלתי תלויות מהתפלגות מעריכית בעלת פרמטר לא ידוע \lambda, אומד הנראות המרבית הוא ההופכי של ממוצע התצפיות, כלומר

\,\!\widehat{\lambda} = \frac{n}{\sum_{i=1}^n x_i}

אותו אומד בדיוק מתקבל גם בשיטת המומנטים.