Exponenciální rozdìlení

Podobné dokumenty
Matematika II Urèitý integrál

Matematika II Lineární diferenciální rovnice

Matematika II Aplikace derivací

Matematika II Limita a spojitost funkce, derivace

Matematika II Funkce více promìnných

VYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení

Matematika II Extrémy funkcí více promìnných

Pravděpodobnost a statistika (BI-PST) Cvičení č. 7


Minikurz aplikované statistiky. Minikurz aplikované statistiky p.1

Definice spojité náhodné veličiny zjednodušená verze

Matematika I Ètvercové matice - determinanty

naopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená.

Matematika I Podprostory prostoru V n

Pojistná matematika 2 KMA/POM2E

Pravděpodobnost a statistika I KMA/K413

Pravděpodobnost a statistika (BI-PST) Cvičení č. 4

Fyzikální korespondenční seminář MFF UK

Poznámky k předmětu Aplikovaná statistika, 5.téma

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

Charakterizace rozdělení

Přednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení

Základy teorie pravděpodobnosti

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

Úvodní info. Studium

Náhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek

KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC

A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2

Statistická termodynamika (mechanika)

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Vybraná rozdělení náhodné veličiny

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D

TECHNICKÁ UNIVERZITA V LIBERCI

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace

Rovnoměrné rozdělení

ÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd.

Poznámky k předmětu Aplikovaná statistika, 4. téma

Pravděpodobnost a matematická statistika

A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti


Toolboxy analýzy a modelování stochastických systémů

ASYNCHRONNÍ DYNAMOMETRY ØADY ASD DO 1000 kw

Exponenciální modely hromadné obsluhy

Matematika I Posloupnosti

Základy teorie pravděpodobnosti

Opakování: Standardní stav þ ÿ

Poznámky k předmětu Aplikovaná statistika, 4. téma

MATEMATIKA III V PŘÍKLADECH

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin

MATEMATICKÁ STATISTIKA

Výběrové charakteristiky a jejich rozdělení

pravděpodobnosti 10 Poissonovo a exponenciální rozdělení pravděpodobnosti

Přijímací zkouška na navazující magisterské studium 2014

6.1 Normální (Gaussovo) rozdělení

Zápočtová písemka z Matematiky III (BA04) skupina A

a způsoby jejího popisu Ing. Michael Rost, Ph.D.

pravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti.

Statistická termodynamika (mechanika)

Brownovská (stochastická) dynamika, disipativní èásticová dynamika = MD + náhodné síly. i = 1,..., N. r i. U = i<j. u(r ij ) du(r ji ) r ji

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

KGG/STG Statistika pro geografy

y = 0, ,19716x.

Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.

Úvodní info. Studium

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.

Termochemie { práce. Práce: W = s F nebo W = F ds. Objemová práce (p vn = vnìj¹í tlak): W = p vn dv. Vratný dìj: p = p vn (ze stavové rovnice) W =

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

Funkce více proměnných - úvod

MATEMATICKÁ STATISTIKA 1, CVIČENÍ (NMSA331) Poslední úprava dokumentu: 17. listopadu 2016

Nokia N76-1. Začínáme , 2. vydání CS

Cvičení 5. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

Příklad 1: Házíme dvěma kostkami. Stanovte pravděpodobnost jevu, že na kostkách padne součet menší než 5.

Cvi ení 7. Docházka a testík - 15 min. Distfun 10 min. Úloha 1

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK

Softwarové in enýrství Úvodní studie PRODUKÈNÍ SYSTÉM PRO IP TELEFONNÍ SPOLEÈNOST

VLASTNOSTI PARAMETRY SVÍTIDLA VÝHODY NA PØÁNÍ

v trojúhelníku P QC sestrojíme vý¹ky na základnu a jedno rameno, patu vý¹ky na rameno oznaèíme R a patu na základnu S

správně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.

AVDAT Náhodný vektor, mnohorozměrné rozdělení

Matematická statistika

Významná diskrétní rozdělení pravděpodobnosti

Pravděpodobnost a statistika

Diskrétní rozdělení Náhodná veličina má diskrétní rozdělení pravděpodobnosti, jestliže existuje seznam hodnot

Transportní jevy. J = konst F

Pravdìpodobnostní popis

Viriálová stavová rovnice 1 + s.1

Kendallova klasifikace

NEKOVÉ PØEVODOVKY ØADA K

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Základní statistické modely Statistické vyhodnocování exp. dat M. Čada ~ cada

1. (18 bod ) Náhodná veli ina X je po et rub p i 400 nezávislých hodech mincí. a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost

NÁHODNÝ VEKTOR. 4. cvičení

Softwarové in enýrství Úvodní studie PRODUKÈNÍ SYSTÉM PRO IP TELEFONNÍ SPOLEÈNOST

Transkript:

Exponenciální rozdìlení Ing. Michael Rost, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích Katedra aplikované matematiky a informatiky

Exponenciální rozdìlení Exp(A, λ) "Rozdìlení bez pamìti" Exponenciální rozdìlení je vhodným modelem doby èekání na výskyt nìjakého jevu. Vyu¾ívá se napøíklad v pojistné matematice pøi urèování (pravdìpodobnostního) rozdìlení vý¹e pojistného plnìní nebo èasu mezi nastalé pojistných událostí. Úzce souvisí s Poissonovým rozdìlením. Je to dùle¾ité rozdìlení pro teorii spolehlivosti. Pøíklady aplikace: doba ¾ivotnosti nìjaké vìci (tedy vlastnì doby èekání na poruchu) doba èekání ve fronì (systémy hromadné obsluhy)

Exponenciální rozdìlení Exp(A, λ) "Rozdìlení bez pamìti" doba od jedné poruchy ke druhé poru¹e ve fyzice pøi modelování èasu radioaktivního rozpadu èástic Jestli¾e Poissonovo rozdìlení modelovalo poèet nìjakých událostí v èase, exponenciální rozdìlení se pou¾ívá k modelování doby do výskytu pøíslu¹né události.

Hustota pravdìpodobnosti Hustotu pravdìpodobnosti lze vyjádøit jako: f(x) = 1 λ e (x A) λ prox > A (1) Parametr A lze interpretovat jako parametr posunutí na ose x. Parametr λ mù¾eme interpretovat stejnì jako u Poissonova rozdìlení. Zde jej lze oznaèit za intenzitu náhodné velièiny Èasto se spí¹e setkáme s neposunutým rozdìlením, kde A = 0. Hustota pak pøejde na tvar: f(x) = 1 λ e x λ. (2)

Graf hustoty pravdìpodobnosti

Graf hustoty pravdìpodobnosti Exp(0;1/13,5) f(x) 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0 10 20 30 40 x

Distribuèní funkce náhodné velièiny s exponenciálním rozdìlením Distribuèní funkci velièiny X Exp(A, λ) denujeme jako F X (x) = 1 e (x A) λ pro A > 0; λ > 0 (3)

Graf distribuèní funkce

Graf distribuèní funkce Exp(0;1/13,5) F(x) 0.0 0.2 0.4 0.6 0.8 0 10 20 30 40 x

Charakteristiky a vlastnosti exponenciálního rozdìlení Momenty: Støední hodnota náhodné velièiny s exponenciálním rozdìlením : E(X) = A + λ Rozptyl náhodné velièiny s exponenciálním rozdìlením: var(x) = λ 2 Kvantily: α100% kvantily rozdìlení urèíme snadno následovnì: ln(1 α) Exp α (0, λ) =, pro0 < α < 1 λ

Charakteristiky a vlastnosti exponenciálního rozdìlení Pozn.: Exponenciální rozdìlení bývá nìkdy nazýváno jako "rozdìlení bez pamìti". Tento název je odvozen z následující vlastnosti: Pravdìpodobnost, ¾e náhodná velièina X s rozdìlením Exp(0, d) pøekroèí hodnotu x + a podmínìná jevem X > a, je pro libovolné kladné a a x rovna nepodmínìné pravdìpodobnosti jevu X > x, tj. P (X > x + a) P (X > a) = P (X > x) Pokud by tedy n.v. X pøedstavovala dobu do poruchy zaøízení, pak by pravdìpodobnost, toho, ¾e zaøízení, které pracovalo bez poruchy po dobu a hodin, bude pracovat bez poruchy je¹tì

Charakteristiky a vlastnosti exponenciálního rozdìlení alespoò x hodin, je rovna pravdìpodobnosti, ¾e zaøízení, které dosud nebylo v provozu, bude pracovat alespoò x hodin, jako by "zapomnìlo" døíve odpracovanou dobu. Tato vlastnost vysvìtluje pou¾ití exponenciálního rozdìlení v teorii spolehlivosti, nebo» Exp(A, λ) popisuje dobøe rozdìlení doby ¾ivota zaøízení, u kterých dochází k poru¹e ze zcela náhodných pøíèin a nikoliv v dùsledku opotøebení (mechanické opotøebení, únava materiálu apod.). Má-li doba do výskytu události stejné exponenciální rozdìlení, pak informace o tom, ¾e událost nenastala po dobu a hodin, nemìní pravdìpodobnost výskytu události v pøí¹tích x hodinách.

Normalizace na Exp(0; 1) Jestli¾e má náhodná velièina X rozdìlení Exp(A, λ), pak má náhodná velièina (X A) Y = (4) λ normované exponenciální rozdìlení Exp(0; 1).

Pøíklad Pøedpokládejme, ¾e se doba mytí øídí exponenciálním rozdìlením pravdìpodobnosti a mìjme k dispozici napozorované èasy (doby mytí aut v mycí lince): 10; 8; 7; 8; 14; 45; 13; 20; 8; 8; 9; 11; 15; 36; 7; 4; 6; 15 Prùmìrná doba mytí auta v mycí lince je cca 13 minut 30 sekund. Urèete: a) pravdìpodobnost, ¾e obsluha bude trvat více ne¾ 10 minut, b) stanovte dobu obsluhy, bìhem ní¾ bude zákazník obslou¾en s pravdìpodobností 0,9.

Øe¹ení 1 λ = 1 13, 5 = 0, 07407407 zak.min 1 ad a) P (X > 10) = 1 P (X 10) = 1 [1 e 10.0,07407407 ] = e 0,7407407 = 0, 4767606 ad b) P (0 < X < t) = 0, 9 = F X (t) F X (0) = 0, 9 1 e t/λ = 0, 9 λ t = 2, 302585 t = 2, 302585.λ = 31, 084min.