Exponentialverteilung

Dichte der Exponentialverteilung mit verschiedenen Werten für λ

Die Exponentialverteilung (auch negative Exponentialverteilung) ist eine stetige Wahrscheinlichkeitsverteilung über der Menge der nicht-negativen reellen Zahlen, die durch eine Exponentialfunktion gegeben ist. Sie wird als Modell vorrangig bei der Beantwortung der Frage nach der Dauer von zufälligen Zeitintervallen benutzt, wie z.B.

\lambda steht für die Zahl der erwarteten Ereignisse pro Einheitsintervall. Wie aus dem Diagramm ersichtlich, sind kürzere Intervalle zwischen Ereignissen (Intervalllänge x) wahrscheinlicher. Seltener treten aber auch sehr lange Intervalle auf. Die Wahrscheinlichkeitsdichte kann durchaus Werte > 1 annehmen (z.B. für \lambda = 2), da die Fläche unter der Kurve auf 1 normiert ist. Konkrete Wahrscheinlichkeitsangaben über das Eintreten des nächsten Ereignisses gewinnt man hier am ehesten aus der Verteilungsfunktion.

Oft ist die tatsächliche Verteilung keine Exponentialverteilung, jedoch ist die Exponentialverteilung einfach zu handhaben und wird zur Vereinfachung unterstellt. Sie ist anwendbar, wenn ein Poisson-Prozess vorliegt, also die poissonschen Annahmen erfüllt sind.

Die Exponentialverteilung ist ein Teil der viel größeren und allgemeineren Exponentialfamilie, einer Klasse von Wahrscheinlichkeitsmaßen, die sich durch eine leichte Handhabbarkeit auszeichnen.

Definition

Eine stetige Zufallsvariable X genügt der Exponentialverteilung \operatorname {Exp}(\lambda ) mit dem positiven reellen Parameter \lambda \in \mathbb{R} _{{>0}}, wenn sie die Dichtefunktion

f_{{\lambda }}(x)={\begin{cases}\displaystyle \lambda {{\rm {e}}}^{{-\lambda x}}&x\geq 0\\0&x<0\end{cases}}

besitzt.

Der Parameter \lambda besitzt den Charakter einer Ereignisrate und 1/\lambda den eines Ereignisabstandes (mittlere Reichweite oder mittlere Lebensdauer).

Eine (vor allem im angelsächsischen Raum übliche) alternative Parametrisierung führt zur Wahrscheinlichkeitsdichte

f_{{\mu }}(x)={\begin{cases}\displaystyle {\frac  {1}{\mu }}{\mathrm  {e}}^{{-{\frac  {x}{\mu }}}}&x\geq 0\\0&x<0\end{cases}}.

Die Beziehung zur obigen Parametrisierung ist dabei einfach \mu =1/\lambda . Um Missverständnissen vorzubeugen, wird empfohlen, den Erwartungswert explizit anzugeben, also von einer Exponentialverteilung mit Erwartungswert 1/\lambda zu sprechen.

Eigenschaften

Verteilungsfunktion

Verteilungsfunktion der Exponentialverteilung mit verschiedenen Werten für λ

Die (kumulative) Verteilungsfunktion der Exponentialverteilung ist

F(x)=\int \limits _{{0}}^{x}f_{\lambda }\left(t\right)\ {{\rm {d}}}t={\begin{cases}1-{\mathrm  {e}}^{{-\lambda x}}&x\geq 0,\\0&x<0.\end{cases}}

Sie erlaubt die Berechnung der Wahrscheinlichkeit des Auftretens des nächsten Ereignisses im Intervall von 0 bis x.

Die Wahrscheinlichkeit für eine Intervalllänge größer als x bis zum nächsten Ereignis beträgt {\mathrm  {e}}^{{-\lambda x}}.

Erwartungswert

Die Exponentialverteilung besitzt den Erwartungswert {\tfrac {1}{\lambda }}, denn

\operatorname {E}(X)=\int \limits _{0}^{\infty }\lambda x{\mathrm  {e}}^{{-\lambda x}}\,{\mathrm  {d}}x={\frac  {1}{\lambda }}.

Der Erwartungswert entspricht der mittleren Betriebsdauer von Bauteilen, Maschinen und Geräten, wenn Alterungserscheinungen nicht betrachtet werden müssen. Er wird in diesem Zusammenhang als Mean Time Between Failures (MTBF) bezeichnet.

Median

Die Exponentialverteilung besitzt ihren Median bei

{\displaystyle {\tilde {x}}={\frac {\ln 2}{\lambda }}={\frac {0{,}693}{\lambda }}}.

Modus

Den maximalen Wert nimmt die Dichtefunktion der Exponentialverteilung bei x=0 an, d.h. der Modus ist

x_{D}=0.

Varianz

Die Varianz ergibt sich analog mittels

\operatorname {Var}(X)=\int \limits _{0}^{\infty }\left(x-{\frac  {1}{\lambda }}\right)^{2}\lambda {\mathrm  {e}}^{{-\lambda x}}\,{\mathrm  {d}}x=\lambda \int \limits _{0}^{\infty }x^{2}{\mathrm  {e}}^{{-\lambda x}}\,{\mathrm  {d}}x-2\int \limits _{0}^{\infty }x{\mathrm  {e}}^{{-\lambda x}}\,{\mathrm  {d}}x+{\frac  {1}{\lambda }}\int \limits _{0}^{\infty }{\mathrm  {e}}^{{-\lambda x}}\,{\mathrm  {d}}x={\frac  {1}{\lambda ^{2}}}.

Standardabweichung

Für die Standardabweichung ergibt sich

\sigma ={\sqrt  {\operatorname {Var}(X)}}={\sqrt  {{\frac  {1}{\lambda ^{2}}}}}={\frac  {1}{\lambda }}.

Variationskoeffizient

Aus Erwartungswert und Varianz erhält man unmittelbar den Variationskoeffizienten. Es gilt

\operatorname {VarK}(X)={\frac  {{\sqrt  {\sigma ^{2}(X)}}}{\operatorname {E}(X)}}={\frac  {{\sqrt  {\operatorname {Var}(X)}}}{\operatorname {E}(X)}}.

Also gilt

\operatorname {VarK}(X)=1.

Geometrischer Mittelwert

Das Geometrische Mittel der Exponentialverteilung ist

{\displaystyle \operatorname {GM} (X)=\exp \left(\int \limits _{0}^{\infty }\ln(x)\lambda \mathrm {e} ^{-\lambda x}\,\mathrm {d} x\right)=\exp \left(\ln \left({\frac {1}{\lambda }}\right)-\gamma \right)={\frac {1}{\lambda \mathrm {e} ^{\gamma }}}},

wobei \gamma die Euler-Mascheroni-Konstante bezeichnet.

Weitere Streumaße

Die mittlere absolute Abweichung

{\displaystyle {\mathit {e}}={\frac {2/e}{\lambda }}={\frac {0{,}736}{\lambda }}}

ist kleiner als die Standardabweichung, die mittlere absolute Abweichung bezüglich des Medians

{\mathit  {MD}}={\frac  {\ln 2}{\lambda }}={\frac  {0{,}693}{\lambda }}

ist noch etwas kleiner.

Schiefe

Die Schiefe besitzt unabhängig vom Parameter \lambda immer den Wert 2. Die Verteilung ist ein typischer Vertreter einer rechtsschiefen Verteilung, für die auch \tilde{x} < E(X) gilt.

Wölbung

Die Wölbung besitzt unabhängig vom Parameter \lambda immer den Wert 9.

Quantile

Die Quantilfunktion der Exponentialverteilung lässt sich angeben und ist

F_{\lambda }^{{-1}}(p)={\frac  {-\ln(1-p)}{\lambda }}.

Damit ist der Interquartilabstand {\displaystyle \ln(3)/\lambda =1,10/\lambda }.

Höhere Momente

Die k-ten Momente sind

\operatorname {E}(X^{k})={\frac  {k!}{\lambda ^{k}}}.

Dies lässt sich zum Beispiel mit der k-ten Ableitung der momenterzeugenden Funktion zeigen.

Kumulanten

Die kumulantenerzeugende Funktion ist

g_{X}(t)=\ln \left({\frac  {\lambda }{\lambda -t}}\right).

Damit ist die k-te Kumulante \kappa _{k}={\frac  {(k-1)!}{\lambda ^{k}}}.

Charakteristische Funktion

Die charakteristische Funktion hat die Form

\phi _{{X}}(t)={\frac  {\lambda }{\lambda -\operatorname {i}t}}.

Momenterzeugende Funktion

Die momenterzeugende Funktion der Exponentialverteilung ist

m_{{X}}(t)={\frac  {\lambda }{\lambda -t}}.

Entropie

Die Entropie der Exponentialverteilung beträgt

H(X)=1-\ln(\lambda ).

Überlebenswahrscheinlichkeit

Da die Exponentialverteilung auch als Lebensdauerverteilung und im technischen Bereichen als Ausdruck für die Zuverlässigkeit eines Gerätes verwendet wird, ist es möglich, damit zusammenhängende Größen wie Überlebensfunktion und die Ausfallrate mit Hilfe der Verteilungsfunktion anzugeben. So nennt man das Komplement der Verteilungsfunktion die Überlebensfunktion:

P(X\operatorname >x)=1-F(x)={\mathrm  {e}}^{{-\lambda x}}

Damit ergibt sich unmittelbar die auf einen Zeitpunkt x_{{0}} bezogene bedingte Überlebenswahrscheinlichkeit

P(X>x_{{0}}+x|X>x_{{0}})={\frac  {{\mathrm  {e}}^{{-\lambda (x_{{0}}+x)}}}{{\mathrm  {e}}^{{-\lambda x_{{0}}}}}}={\mathrm  {e}}^{{-\lambda x}}

Die Exponentialverteilung ist eine gedächtnislose Lebensdauerverteilung, d.h. die Überlebenswahrscheinlichkeit in Bezug auf einen bestimmten Zeitpunkt ist unabhängig vom bisher erreichten Alter. Im Gegensatz zur Weibull-Verteilung kann die Exponentialverteilung nur für sogenannte ermüdungsfreie Systeme verwendet werden

Die Ausfallrate h(x) ergibt sich zu

h(x)={\frac  {f(x)}{1-F(x)}}={\frac  {\lambda {\mathrm  {e}}^{{-\lambda x}}}{{\mathrm  {e}}^{{-\lambda x}}}}=\lambda

Sie ist für die Exponentialverteilung zeitlich und räumlich konstant und wird in der Literatur üblicherweise mit der Konstanten λ bezeichnet.

Gedächtnislosigkeit

Die Exponentialverteilung ist im folgenden Sinne gedächtnislos: Ist bekannt, dass eine exponentialverteilte Zufallsvariable X den Wert x überschreitet, so ist die bedingte Wahrscheinlichkeit, dass sie x um mindestens t überschreitet genau so groß wie die, dass eine exponentialverteilte Zufallsvariable (mit gleichem Parameter \lambda ) den Wert t überschreitet, formal

P\left(X\geq x+t\,\mid \,X\geq x\right)=P\left(X\geq t\right).

Die Gedächtnislosigkeit ist sogar eine definierende Eigenschaft der Exponentialverteilung; diese ist die einzig mögliche stetige Verteilung mit dieser Eigenschaft. Dies folgt direkt mit der Definition der bedingten Wahrscheinlichkeit und der daraus entstehenden Funktionalgleichung. Das diskrete Pendant hierzu ist die geometrische Verteilung als einzig mögliche diskrete gedächtnislose Verteilung.

Weitere Eigenschaften

Sind X_{1}\sim {\mathrm  {Exp}}(\lambda _{1}),\,\ldots \,,X_{n}\sim {\mathrm  {Exp}}(\lambda _{n}) stochastisch unabhängig, so ist \min(X_{1},\ldots ,X_{n})\sim \operatorname {Exp}(\lambda _{1}+\dotsb +\lambda _{n})

Beziehung zu anderen Verteilungen

Beziehung zur stetigen Gleichverteilung

Wenn X eine auf dem Intervall [0, 1] gleichverteilte stetige Zufallsvariable ist, dann genügt Y=-{\tfrac  {1}{\lambda }}\ln(X) der Exponentialverteilung mit dem Parameter \lambda .

Beziehung zur Normalverteilung

Sind die Zufallsvariablen X und Y standard-normalverteilt und unabhängig, so ist X^{2}+Y^{2} exponentialverteilt mit Parameter \lambda ={\tfrac  12}.

Beziehung zur geometrischen Verteilung

In Analogie zur diskreten geometrischen Verteilung bestimmt die stetige Exponentialverteilung die Wartezeit bis zum ersten Eintreffen eines Ereignisses, das gemäß einem Poisson-Prozess auftritt; die geometrische Verteilung kann also als diskretes Äquivalent zur Exponentialverteilung betrachtet werden.

Beziehung zur Gammaverteilung

Beziehung zur Gamma-Gamma-Verteilung

Ist der Parameter \lambda der Exponential-Verteilung \operatorname {Exp}(\lambda ) eine Zufallsvariable, die wie eine Gammaverteilung G(a,b) verteilt ist, dann ist die hervorgehende Zufallsvariable wie eine Gamma-Gamma-Verteilung G(a,b,1) verteilt.

Beziehung zur Pareto-Verteilung

Wenn X Pareto-verteilt \operatorname {Par}(\lambda ,1) mit Parametern \lambda und 1 ist, dann ist \log {X} exponentialverteilt \operatorname {Exp}(\lambda ) mit dem Parameter \lambda .

Beziehung zur Poisson-Verteilung

Die Abstände zwischen dem Eintreten zufälliger Ereignisse können häufig mit der Exponentialverteilung beschrieben werden. Insbesondere gilt, dass der Abstand zwischen zwei aufeinanderfolgenden Ereignissen eines Poisson-Prozesses mit Rate \lambda exponentialverteilt mit dem Parameter \lambda ist. In diesem Fall ist die Anzahl der Ereignisse in einem Intervall der Länge \Delta w poisson-verteilt mit Parameter \lambda \cdot \Delta w.

Herleitung: Sei w eine Orts- oder Zeitvariable und \lambda die kleine konstante Eintretenshäufigkeit von Ereignissen im Einheitsintervall von w. Dann findet man mit den poissonschen Annahmen die Wahrscheinlichkeit für das nächste Eintreten eines Ereignisses im kleinen Intervall [w,w+\Delta w] als Produkt der Wahrscheinlichkeit, kein Ereignis bis w und eins im Intervall [w,w+\Delta w] zu haben:

P_{1}(w+\Delta w)={\mathrm  {e}}^{{-\lambda \cdot w}}\cdot \lambda \Delta w

Daraus ergibt sich nach Division durch \Delta w die Wahrscheinlichkeitsdichte f_{{\lambda }}(w)=\lambda {\mathrm  {e}}^{{-\lambda \cdot w}} der Exponentialverteilung mit \lambda als Ereignisrate und 1/\lambda als mittlerem Ereignisabstand.

Beziehung zur Erlang-Verteilung

Beziehung zur Weibull-Verteilung

Beziehung zur χ²-Verteilung

Die χ²-Verteilung geht für n=2 in die Exponentialverteilung mit dem Parameter \lambda ={\tfrac {1}{2}} über.

Beziehung zur Rayleigh-Verteilung

Wenn X exponentialverteilt ist mit Rate \lambda , dann ist {\displaystyle {\sqrt {X}}} Rayleigh-verteilt mit Skalenparameter {\displaystyle {\frac {1}{\sqrt {2\lambda }}}}.

Beziehung zur Laplace-Verteilung

Sind X_{\lambda },Y_{\lambda } zwei unabhängige Zufallsvariablen, die beide Exponentialverteilt zum Parameter  \lambda sind, dann ist sowohl X_{\lambda }-Y_{\lambda } als auch Y_{\lambda }-X_{\lambda } Laplace-verteilt.

Anwendungsbeispiel

Die Exponentialverteilung ist eine typische Lebensdauerverteilung. So ist beispielsweise die Lebensdauer von elektronischen Bauelementen häufig annähernd exponentialverteilt. Hierbei spielt besonders die Gedächtnislosigkeit eine bedeutende Rolle: die Wahrscheinlichkeit, dass ein x Tage altes Bauelement noch mindestens t Tage hält, ist demnach genauso groß wie die, dass ein neues Bauelement überhaupt t Tage hält. Charakteristisch bei der Exponentialverteilung ist die konstante Ausfallrate \lambda .

Dies ist zum Beispiel bei Glühlampen nur annähernd richtig, da diese nur beim Einschalten stark beansprucht werden. Auf Lebewesen darf ebenfalls keine Exponentialverteilung angewendet werden, sonst wäre zum Beispiel die Wahrscheinlichkeit, dass ein Achtzigjähriger noch weitere fünfzig Jahre lebt, genauso hoch wie die, dass ein Neugeborener das fünfzigste Lebensjahr erreicht.

Beispiel: In einer Elektronikfirma werden Funkwecker produziert. Im Rahmen der Qualitätssicherung wird anhand von Reklamationen die Funktionsdauer der Wecker untersucht. Es stellt sich heraus, dass durchschnittlich pro Tag 5 ‰ der Wecker unabhängig von ihrem Alter ausfallen.

Die Zufallsgröße X= „Zeitdauer der Funktionsfähigkeit eines Funkweckers in Tagen“ ist also exponentialverteilt mit der Ausfallrate \lambda =0{,}005. Entsprechend beträgt die durchschnittliche Zeitdauer, bis ein Wecker ausfällt, 1/\lambda =200 Tage.

Die Wahrscheinlichkeit, dass ein Wecker höchstens (noch) 20 Tage hält, ist

1-{\mathrm  {e}}^{{-0{,}005\cdot 20}}=0{,}0952

d.h. nach 20 Tagen sind durchschnittlich ca. 10 % der Wecker ausgefallen.

Entsprechend ist der Anteil der Wecker, die mindestens 180 Tage aushalten,

1-\left(1-{\mathrm  {e}}^{{-0{,}005\cdot 180}}\right)=1-0{,}5934=0{,}4066

also halten durchschnittlich ca. 40 % der Wecker länger als 180 Tage.

Obwohl bei einer exponentialverteilten Lebensdauerverteilung am Anfang absolut betrachtet mehr Geräte ausfallen, ist die Ausfallrate konstant: in jedem Zeitintervall fallen relativ betrachtet immer gleich viele Geräte aus. Dieser Umstand darf nicht mit den Frühausfällen der Badewannenkurve verwechselt werden. Hier ist zu Beginn die Ausfallrate \lambda höher und nicht konstant über die Lebensdauer. Zur Beschreibung der Badewannenkurve ist eine andere Lebensdauerverteilung (Weibull-Verteilung) notwendig.

Zufallszahlen

Zur Erzeugung exponentialverteilter Zufallszahlen bietet sich die Inversionsmethode an.

Die nach dem Simulationslemma zu bildende Inverse der Verteilungsfunktion F(x)=1-{\mathrm  {e}}^{{-\lambda x}} lautet hierbei F^{{-1}}(y)=-{\tfrac  {1}{\lambda }}\ln(1-y). Zu einer Folge von Standardzufallszahlen u_{i} lässt sich daher eine Folge x_{i}:=-{\tfrac  {1}{\lambda }}\ln(1-u_{i}) exponentialverteilter Zufallszahlen berechnen. Einfacher kann stattdessen auch x_{i}:=-{\tfrac  {1}{\lambda }}\ln(u_{i}) gerechnet werden.

Trenner
Basierend auf einem Artikel in: Wikipedia.de
Seitenende
Seite zurück
©  biancahoegel.de
Datum der letzten Änderung:  Jena, den: 24.06. 2021