Hyperexponentialverteilung

Die Hyperexponentialverteilung ist eine stetige Wahrscheinlichkeitsverteilung. Anschaulich gesprochen ist sie eine Überlagerung mehrerer Exponentialverteilungen.

Die durchgezogene, blaue Linie zeigt die Wahrscheinlichkeitsdichte einer Hyperexponentialverteilung am Beispiel p1=0.9, p2=0.1, λ1=1 und λ2=20.

Definition

Seien (mit ) unabhängige, exponentialverteilte Zufallsvariablen mit Raten und seien Wahrscheinlichkeiten, deren Summe 1 ergibt. Dann heißt die Zufallsvariable hyperexponentialverteilt, wenn sie folgende Wahrscheinlichkeitsdichte besitzt:[1]

Einordnung und Bemerkungen

Bei einer Exponentialverteilung ist der Variationskoeffizient (Standardabweichung geteilt durch Erwartungswert) gleich 1. Die Bezeichnung „hyper“-exponential rührt daher, dass der Variationskoeffizient hier größer als 1 ist (sofern verschiedene auftreten). Im Unterschied dazu ist er bei der Hypoexponentialverteilung kleiner als 1. Während die Exponentialverteilung das stetige Analogon zur geometrischen Verteilung ist, ist die Hyperexponentialverteilung kein Analogon zur hypergeometrischen Verteilung. Die Hyperexponentialverteilung ist ein Beispiel für eine Mischverteilung.

Als Anwendungsbeispiel kann die Auslastung eines Internetanschlusses dienen, über welchen entweder (mit Wahrscheinlichkeit und Rate ) Internettelefonie oder (mit Wahrscheinlichkeit und Rate ) Dateiübertragungen laufen, wobei . Die Gesamtauslastung ist dann hyperexponentialverteilt.

Eine gegebene Wahrscheinlichkeitsverteilung, inklusive endlastiger Verteilungen, kann durch eine Hyperexponentialverteilung angenähert werden, indem rekursiv verschiedene Zeitskalen () mittels der sogenannten Prony-Methode angefittet werden.[2]

Eigenschaften

Aus d​er Linearität d​es Integrals ergibt sich:

und

Mit Hilfe d​es Verschiebungssatzes ergibt s​ich daraus d​ie Varianz:[3]

Sofern nicht alle gleich groß sind, ist die Standardabweichung größer als der Erwartungswert.

Die momenterzeugende Funktion i​st

Siehe auch

Fußnoten und Einzelnachweise

  1. L. N. Singh, G. R. Dattatreya: Estimation of the Hyperexponential Density with Applications in Sensor Networks. In: International Journal of Distributed Sensor Networks. 3, Nr. 3, 2007, S. 311. doi:10.1080/15501320701259925.
  2. A. Feldmann, W. Whitt: Fitting mixtures of exponentials to long-tail distributions to analyze network performance models. In: Performance Evaluation. 31, Nr. 3–4, 1998, S. 245. doi:10.1016/S0166-5316(97)00003-5.
  3. H. T. Papadopolous, C. Heavey, J. Browne: Queueing Theory in Manufacturing Systems Analysis and Design. Springer, 1993, ISBN 9780412387203, S. 35.
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. The authors of the article are listed here. Additional terms may apply for the media files, click on images to show image meta data.