STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
2007-10-08 – sida 55 – # 59<br />
3.4 KONTINUERLIGA SLUMPVARIABLER 55<br />
λX(t) = 2. Om X symboliserar tiden till en viss händelse (t.ex. att en maskinkomponent<br />
går sönder) tolkas detta som att risken att komponenten,<br />
som ännu ej gått sönder, går sönder inom en kort tid h är 2h, <strong>och</strong> att detta<br />
gäller oberoende av hur gammal komponenten är. Det speciella <strong>med</strong> exponentialfördelningen<br />
är f.ö. just att intensiteten är konstant vilket brukar<br />
formuleras som att den är minneslös. Vad gäller komponenten betyder det<br />
att den inte åldras eftersom den inte får ökad risk att gå sönder ju äldre<br />
den är.<br />
Vi har nu stött på såväl diskreta som kontinuerliga slumpvariabler <strong>och</strong> sett<br />
att de behandlas olika matematiskt. Framför allt gäller att det som skrivs som<br />
summor för diskreta slumpvariabler i stället blir integraler för kontinuerliga<br />
slumpvariabler. Integraler definieras f.ö. som gränsvärden av summor. Av<br />
detta kan man ana att en diskret slumpvariabel <strong>med</strong> många olika möjliga utfall<br />
ofta kan approximeras av någon kontinuerlig slumpvariabel. Vi illustrerar<br />
detta <strong>med</strong> ett exempel.<br />
EXEMPEL 3.13<br />
Vid kvalitetskontroll av en datorserver görs mätningar av tid att expediera<br />
elektronisk post. Den sanna tidsåtgången kan beskrivas av en (positiv)<br />
kontinuerlig slumpvariabel X <strong>med</strong> någon viss fördelning fX(t). Mätningarna<br />
görs bara <strong>med</strong> viss noggrannhet <strong>och</strong> den uppmätta tidsåtgången kan<br />
därför beskrivas av en diskret slumpvariabel Y <strong>med</strong> sannolikhetsfunktion<br />
pY (y). Om vi t.ex. antar att noggrannheten är mikrosekunder <strong>och</strong> vi anger<br />
tiden i millisekunder, så är täthetsfunktionen för X <strong>och</strong> sannolikhetsfunktionen<br />
för Y relaterade på följande vis:<br />
pY (y) =<br />
y+0.0005<br />
y−0.0005<br />
fX(t)dt,<br />
för y ≥ 0 angivet <strong>med</strong> tre decimaler, t.ex. y = 1.279. Som exempel följer<br />
det av det approximativa sambandet mellan summor <strong>och</strong> integraler att<br />
P (1.350 ≤ X ≤ 2.484) =<br />
2.484<br />
1.350<br />
fX(t)dt ≈<br />
2.484 <br />
y=1.350<br />
pY (y).<br />
Trots att X är kontinuerlig <strong>och</strong> Y är diskret är de två slupvariablerna alltså<br />
approximativt lika varför det inte spelar så stor roll vilken man betraktar.<br />
Tur är väl det, eftersom de flesta saker man gör mätningar av är diskreta<br />
approximationer av kontinuerliga ting.