指数随机变量 泊松过程跳_如何深刻理解garmma分布？指数随机变量的总和

如何深刻理解garmma分布？指数随机变量的总和

推导erlang分布

X1和X2是比率为λ的独立指数随机变量。 X1〜exp（λ） X2〜exp（λ） 令Y = X1 + X2。 问题：Y的PDF是什么？ 我们在场景下适用Y的分布？

---

要查找任何分布的PDF，我们使用什么技术？ 我们找先找到CDF并对其进行微分。 （在以前的文章中，我们已经多次使用了此技术，都是老套路了）

---

好的，接下来找到（X1 + X2）的CDF 。

但是我们不知道（X1 + X2）的PDF 。实际上，这就是我们要计算的东西。 嗯...可以说...

∫PDF（X1 + X2）=∫PDF（X1）+∫PDF（X2）???！？！？ g 不，当然不。

如果执行此操作，则（X1 + X2）的PDF 总数将为2。（任何PDF的整数应始终为1。）

我如何在不了解PDF的情况下找到的CDF？

我们可以用于概率计算的技术：边际化和独立性。

上述CDF推导中使用了两个主要技巧。 一种是将X1边缘化（以便我们可以将其整合到 1上），另一种是利用独立性的定义，即P（ 1+ 2≤ | 1）= P（ 1+ 2≤ ）。这些技巧简化了推导过程，并以 表示结果。

和 有什么区别？

这些是数学惯例。 是随机的， 是确定性的。例如，假设 是从roll获得的数字。因此， 可以取{1,2,3,4,5,6}中的任何数字。但是，一旦我们roll出来，价值 确定。 符号 = 表示随机变量 具有特定值 。

• 是一个随机变量，使用大写字母。
• 是随机变量可以采用的某个（固定）值。例如， 1，，2，…， n可以是对应于随机变量X的样本。
• 因此，累积概率P（ ≤ ）表示函数范围内的概率 是 小于一定值 。 可以是任何标量，例如， ≤1 ， ≤2.5， ≤888， 等等。
• 波浪号（〜）表示“具有概率分布”，例如X1〜EXP（λ）

现在，让我们区分CDF以获取PDF。

这是一个Erlang（2，λ）分布，garmma分布的整数形式。

Erlang分布在哪里使用？

在速率为λ的泊松过程中，X1 + X2表示第二个事件发生的时间。 在我们的博客点赞示例中，如果您以每单位时间λ的速率获得点赞，则等到看到第一个鼓掌爱好者的时间以λ呈指数分布。 如果您等待其他粉丝拍手更多时间，那么您可能会看到0、1、2…粉丝。 然后使用Erlang分布来回答这个问题：

“我要等多久才能看到n位粉丝为我点赞？”

答案是独立指数分布的随机变量的总和，即Erlang（n，λ）分布。Erlang分布是Gamma分布的特例。Erlang和Gamma之间的区别在于，在Gamma分布中，n可以是非整数。

练习 a）什么分布等效于Erlang（1，λ）？

简单。指数分布

b）[排队论]您去了超市，与您前面的两个人一起参加了排队。一个正在提供服务，另一个正在等待。它们的服务时间S1和S2是独立的指数随机变量，平均值为2分钟。（因此，平均服务费率为.5 /分钟。如果此“费率与时间”概念使您感到困惑，请阅读此内容进行澄清。） 给定系统状态N = 2 ，您在队列中的条件时间为T = S1 + S2。T是Erlang分布式的。 您在队列中等待5分钟以上的概率是多少？ 让我们将λ= 0.5插入我们已经得到的CDF中。

爱荷华大学的Bognar博士构建了这个Erlang（Gamma）分布计算器，我发现它非常有用和美观：