超指数分布
背景和上下文
超指数分布 [ { α 1 , … , α 米 } , { λ 1 , … , λ 米 } ] 表示在区间内定义的连续统计分布 ,由两个矢量参数化 ( α 1 , … , α 米 ) 和 ( λ 1 , … , λ 米 ) ,称为 -相位超指数分布。 参数 α 我 称为“相位概率”,在区间内有值 ,并满足 ,而参数 λ 我 称为“相位速率”,具有正实值。 这些参数共同决定了概率密度函数(PDF)的整体形状,该函数通常是单调递减的,并且具有“薄”的尾部,即对于较大的 (通过分析 生存功能 分配的数量。) 随机变量 令人满意的 X(X) 超指数分布 [ { α 1 , … , α 米 } , { λ 1 , … , λ 米 } ] 有时被称为阶数超指数分布 . 因其变异系数( 标准偏差 到 平均值 )总是大于1(这是任何指数分布的变异系数),超指数分布是混合分布的一个示例,通常被认为是 指数分布 在这个意义上,它的PDF是指数密度函数的和。 由于超指数分布具有细尾,因此它是研究排队系统和传感器网络的常用模型。 超指数分布的一个独特特性是,它可以用来近似任意概率分布(即使是带有重尾的概率分布),这是网络性能模型研究中用来捕获各种排队模型的性能数据的一个事实,而这些模型无法用精确的方法进行定量推导。 超指数分布也被用于半导体、制造系统和计算机硬件体系结构的研究。 随机变量 可用于给出一个或多个机器或任意决策(后者通过 工作精度 选项)超指数分布的伪随机变量。 分布式 [ x个 , 超指数分布 [ { α 1 , … , α 米 } , { λ 1 , … , λ 米 } ] ] ,写得更简洁 x个 超指数分布 [ { α 1 , … , α 米 } , { λ 1 , … , λ 米 } ] ,可用于断言随机变量 x个 按超指数分布。 这样的断言可以用于以下函数中 概率 , N可能性 , 期望 、和 N期望 . 概率密度和累积分布函数可以使用 PDF格式 [ 超指数分布 [ { α 1 , … , α 米 } , { λ 1 , … , λ 米 } ] , x个 ] 和 CDF公司 [ 超指数分布 [ { α 1 , … , α 米 } , { λ 1 , … , λ 米 } ] , x个 ] 平均值、中位数、方差、原始矩和中心矩可以使用 平均值 , 中值的 , 方差 , 力矩 、和 中心力矩 分别是。 分配匹配测试 可用于测试给定数据集是否符合超指数分布, 估计分布 根据给定数据估计超指数参数分布,以及 查找分布参数 以将数据拟合到超指数分布。 概率图 可用于根据符号超指数分布的CDF生成给定数据的CDF图,以及 分位数图 根据符号超指数分布的分位数生成给定数据的分位数图。 转换后的分布 可用于表示转换后的超指数分布, 审查分发 表示上下值之间截尾值的分布,以及 截断分布 表示在上下值之间截断的值的分布。 Copula分布 可用于构建包含超指数分布的高维分布,以及 产品分销 可用于计算包含超指数分布的独立分量分布的联合分布。 超指数分布与许多其他分布相关。 超指数分布 是对 指数分布 指数分布 指数分布 [ λ 1 ] 都可以被视为单相超指数 超指数分布 [ { 1 } , { λ 1 } ] 作为超指数 超指数分布 [ { α 1 , α 2 , … , α 米 } , { λ 1 , λ 1 , … , λ 1 } ] 其中相位速率 λ 1 都是平等的。 超指数分布 也可以实现为权重为每个的混合分布 指数分布 此外, 超指数分布 可以转化为 次指数分布 (反之亦然); 可以从以下位置获得 伽马分布 , Laplace分布 , BenktanderWeibull分布 , 物流配送 , 帕累托分布 , 皮尔逊分布 , 电力分配 、和 Rayleigh分布 通过组合变换 指数分布 具有 转换后的分布 和/或 截断分布 ; 并且与 Coxian配电 , 极值分布 , 甘贝尔分布 , Frechet分布 、和 Weibull分布 等等。