Vad är skevheten i en exponentiell distribution?

Allmänning parametrar för sannolikhetsfördelning inkludera medel- och standardavvikelsen. Medelvärdet ger en mätning av centrum och standardavvikelsen berättar hur spridningen är fördelad. Förutom dessa välkända parametrar finns det andra som uppmärksammar andra funktioner än spridningen eller mitten. En sådan mätning är den av skevhet. Skewness ger ett sätt att fästa ett numeriskt värde till asymmetrin i en distribution.

En viktig distribution som vi kommer att undersöka är den exponentiella fördelningen. Vi kommer att se hur man kan bevisa att skevheten i en exponentiell distribution är 2.

Vi börjar med att ange sannolikhetsdensitetsfunktionen för en exponentiell distribution. Dessa fördelningar har vardera en parameter som är relaterad till parametern från den relaterade Poisson process. Vi anger denna distribution som Exp (A), där A är parametern. Sannolikhetsdensitetsfunktionen för denna distribution är:

f(x) = e^{-x/ A}/ A, där x är inte negativ.

Här e är det matematiska konstant e det är ungefär 2.718281828. Medel- och standardavvikelsen för exponentiell distribution Exp (A) är båda relaterade till parametern A. I själva verket är medel- och standardavvikelsen båda lika med A.

Skewness definieras av ett uttryck relaterat till det tredje ögonblicket om medelvärdet. Detta uttryck är det förväntade värdet:

E [(X - μ)³/σ³] = (E [X³] - 3μ E [X²] + 3μ²E [X] - μ³)/σ³ = (E [X³] – 3μ(σ² – μ³)/σ³.

Vi ersätter μ och σ mot A, och resultatet är att skevheten är E [X³] / A³ – 4.

Det enda som återstår är att beräkna den tredje ögonblick om ursprunget. För detta måste vi integrera följande:

∫^∞₀x³f(x) dx.

Denna integral har en oändlighet för en av dess gränser. Således kan det utvärderas som en felaktig integral av typ I. Vi måste också bestämma vilken integrationsteknik som ska användas. Eftersom funktionen att integrera är produkten av en polynom- och exponentiell funktion, skulle vi behöva använda integration av delar. Denna integrationsteknik används flera gånger. Slutresultatet är att:

EX³] = 6A³

Vi kombinerar sedan detta med vår tidigare ekvation för skevheten. Vi ser att skevheten är 6 - 4 = 2.

Det är viktigt att notera att resultatet är oberoende av den specifika exponentiella distribution som vi börjar med. Skedan i den exponentiella fördelningen förlitar sig inte på värdet på parametern A.

Dessutom ser vi att resultatet är en positiv skevhet. Detta innebär att fördelningen är sned åt höger. Detta borde inte bli någon överraskning när vi tänker på formen på grafen för sannolikhetsdensitetsfunktionen. Alla sådana fördelningar har y-avlyssning som 1 // teta och en svans som går längst till höger i diagrammet, motsvarande höga värden på variabeln x.

Naturligtvis bör vi också nämna att det finns ett annat sätt att beräkna skevhet. Vi kan utnyttja den momentgenererande funktionen för den exponentiella distributionen. Det första derivatet av ögonblicksgenererande funktion utvärderad till 0 ger oss E [X]. På liknande sätt ger det tredje derivatet av den ögonblickgenererande funktionen vid utvärdering vid 0 oss E (X³].