G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
1<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
0<br />
0 2 4 6 8 10 12<br />
Fig 8.1 Eksponentialfordelingerne exp(1) og exp(2)<br />
115<br />
8.3 Eksponentialfordelingen<br />
Som det fremgår af beviset for sætning 8.2, er fordelingsfunktionen for en eksponentialfordelt<br />
variabel bestemt ved udtrykket<br />
x<br />
⎧ −<br />
⎪ µ<br />
F( x) = P( X ≤ x)<br />
=<br />
1− e for x > 0<br />
⎨<br />
⎩<br />
⎪0<br />
ellers<br />
På nedenstående graf er afbildet tæthedsfunktionen for eksponentialfordelingerne exp(1.0) og<br />
exp(2.0)<br />
Eksempel 8.2. Afstanden mellem successive revner i kabel.<br />
Vi betragter det i eksempel 5.1 omtalte problem, hvor man fandt, at antallet N af mikroskopiske<br />
revner i et kobberkabel er Poissonfordelt. Der var i gennemsnit 12.3 af den type revner pr. 10<br />
meter. Lad X være afstanden mellem to på hinanden følgende revner.<br />
Beregn sandsynligheden for, at der er mere end 1 meter mellem to revner.<br />
LØSNING:<br />
1<br />
Da der i gennemsnit er 1.23 revner pr. meter, må der i gennemsnit være = 0812 . meter mellem<br />
123 .<br />
to revner. Vi har derfor at X er eksponentialfordelt med µ = 0.813.<br />
1<br />
⎛ − ⎞ 0813 .<br />
−123<br />
.<br />
P( X > 1) = 1− P( X ≤ 1) = 1− ⎜1<br />
− e ⎟ =e<br />
= 0. 2923<br />
⎝ ⎠