指数分布
背景和上下文
指数分布 [ λ ] 表示在区间内定义的连续统计分布 并通过正实数进行参数化 λ 指数分布的概率密度函数(PDF)是单调递减的。 此外,PDF的尾部是“薄”的,在这个意义上,对于较大的值,PDF以指数形式减少 (通过分析 生存功能 分配的数量。) 指数分布有时被称为负指数分布、单参数指数分布或反对数分布。 从历史上看,指数分布被广泛用于描述“在时间上随机”重复发生的事件,即在个人未来寿命具有相同分布的情况下,无论其当前状态如何。 在过去75年中,指数分布的使用大幅增加,部分原因是从20世纪50年代初到中期,在订单统计领域进行了大量研究。 自那时以来,指数分布被用于在近似恒定速率的时间间隔内模拟各种现象,例如,每天特定时间间隔内的通话次数。 在随机过程中,指数分布描述了齐次泊松过程(即增量独立、平稳和泊松分布的连续时间计数过程 — 实现为 泊松过程 ). 指数分布也用于信用风险建模、排队论、可靠性理论、物理学和水文学。 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)指数分布的伪随机变量。 分布式 [ x , 指数分布 [ λ ] ] ,写得更简洁 x 指数分布 [ λ ] ,可用于断言随机变量 x 按照指数分布。 这样的断言可以用于以下函数中 概率 , N可能性 , 期望 ,以及 N期望 . 概率密度和累积分布函数可以使用 PDF格式 [ 指数分布 [ λ ] , x ] 和 CDF公司 [ 指数分布 [ λ ] , x ] 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 ,以及 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指数分布, 估计分布 根据给定数据估计指数参数分布,以及 查找分布参数 使数据符合指数分布。 概率图 可用于根据符号指数分布的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 可以用来表示转换后的指数分布, 截尾分布 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 可用于构建包含指数分布的高维分布,以及 产品分销 可用于计算包含指数分布的独立分量分布的联合分布。 指数分布与大量其他分布相关。 它相对于 泊松过程 诱导与 泊松分布 和 组合Poisson分配 . 指数分布 可以认为是极值分布族的基础,因为 指数分布 [ 1 ] 可以转换为 极值分布 , 甘贝尔分布 , Frechet分布 ,以及 Weibull分布 ,同时 指数分布 可以从每个 伽马分布 , Laplace分布 , BenktanderWeibull分布 , 物流配送 , Pareto分布 , 皮尔逊分布 , 电力分配 ,以及 Rayleigh分布 通过 转换后的分布 和/或 截断分布 。通过将各种其他分布与 指数分布 ,例如。 几何分布 (通过组合 指数分布 具有 泊松分布 ), K分配 (通过与 伽马分布 ), 霍伊特分销 (通过与 ArcSin分布 )、和 帕累托分布 (通过与 Erlang分布 或 伽马分布 ).