Exponentially Distributed Random Variables

One-sided exponential distribution

$\text{Definition:}$ A continuous random variable $x$ is called (one-sided) exponentially distributed if it can take only non–negative values and the PDF for $x>0$ has the following shape:

$f_x(x)=\it \lambda\cdot\rm e^{\it -\lambda \hspace{0.05cm}\cdot \hspace{0.03cm} x}.$

PDF and CDF of an exponentially distributed random variable

The left image shows the probability density function (PDF) of such an exponentially distributed random variable $x$ . Highlight:

The larger the distribution parameter $λ$ is, the steeper the decay occurs.
By definition $f_{x}(0) = λ/2$ , i.e. the mean of left-hand limit $(0)$ and right-hand limit $(\lambda)$ .

For the cumulative distribution function (right graph), we obtain for $r > 0$ by integration over the PDF:

$F_{x}(r)=1-\rm e^{\it -\lambda\hspace{0.05cm}\cdot \hspace{0.03cm} r}.$

The moments of the one-sided exponential distribution are generally equal to

$m_k = k!/λ^k.$

From this and from Steiner's theorem, we get for the mean and the dispersion:

$m_1={1}/{\lambda},$

$\sigma=\sqrt{m_2-m_1^2}=\sqrt{\frac{2}{\lambda^2}-\frac{1}{\lambda^2}}={1}/{\lambda}.$

$\text{Example 1:}$ The exponential distribution has great importance for reliability studies, and the term "lifetime distribution" is also commonly used in this context.

In these applications, the random variable is often the time $t$ that elapses before a component fails.
Furthermore, it should be noted that the exponential distribution is closely related to the Poisson distribution .

Transformation of random variables

To generate such an exponentially distributed random variable on a digital computer, for example, a nonlinear transformation The underlying principle is first stated here in general terms.

$\text{Procedure:}$ If a continuous random variable $u$ possesses the PDF $f_{u}(u)$ , then the probability density function of the random variable transformed at the nonlinear characteristic $x = g(u)$ $x$ holds:

$f_{x}(x)=\frac{f_u(u)}{\mid g\hspace{0.05cm}'(u)\mid}\Bigg \vert_{\hspace{0.1cm} u=h(x)}.$

Here $g\hspace{0.05cm}'(u)$ denotes the derivative of the characteristic curve $g(u)$ and $h(x)$ gives the inverse function to $g(u)$ .

The above equation is valid, however, only under the condition that the derivative $g\hspace{0.03cm}'(u) \ne 0$ .
For a characteristic with horizontal sections $(g\hspace{0.05cm}'(u) = 0)$ additional Dirac functions appear in the PDF if the input quantity has components in the range.
The weights of these Dirac functions are equal to the probabilities that the input quantity lies in these domains.

To transform random variables

$\text{Example 2:}$ Given a random variable distributed between $-2$ and $+2$ triangularly $u$ on a nonlinearity with characteristic $x = g(u)$ ,

which, in the range $\vert u \vert ≤ 1$ triples the input values, and
mapping all values $\vert u \vert > 1$ to $x = \pm 3$ depending on the sign,

then the PDF $f_{x}(x)$ sketched on the right is obtained.

Please note:

(1) Due to the amplification by a factor of $3$ $f_{x}(x)$ is wider and lower than $f_{u}(u) by this factor.$

(2) The two horizontal limits of the characteristic at $u = ±1$ lead to the two Dirac functions at $x = ±3$ , each with weight $1/8$ .

(3) The weight $1/8$ corresponds to the green areas in the PDF $f_{u}(u).$

Erzeugung einer exponentialverteilten Zufallsgröße

$\text{Vorgehensweise:}$ Nun wird vorausgesetzt, dass die zu transformierende Zufallsgröße $u$ gleichverteilt zwischen $0$ (inklusive) und $1$ (exklusive) ist. Außerdem betrachten wir die monoton steigende Kennlinie

$x=g_1(u) =\frac{1}{\lambda}\cdot \rm ln \ (\frac{1}{1-\it u}).$

Es kann gezeigt werden, dass durch diese Kennlinie $x=g_1(u)$ eine einseitig exponentialverteilte Zufallsgröße $x$ mit folgender PDF entsteht
(Herleitung siehe nächste Seite):

$f_{x}(x)=\lambda\cdot\rm e^{\it -\lambda \hspace{0.05cm}\cdot \hspace{0.03cm} x}\hspace{0.2cm}{\rm f\ddot{u}r}\hspace{0.2cm} {\it x}>0.$

Für $x = 0$ ist der PDF-Wert nur halb so groß $(\lambda/2)$ .
Negative $x$ -Werte treten nicht auf, da für $0 ≤ u < 1$ das Argument der (natürlichen) Logarithmus–Funktion nicht kleiner wird als $1$ .

Die gleiche PDF erhält man übrigens mit der monoton fallenden Kennlinie

$x=g_2(u)=\frac{1}{\lambda}\cdot \rm ln \ (\frac{1}{\it u})=-\frac{1}{\lambda}\cdot \rm ln(\it u \rm ).$

Bitte beachten Sie:

Bei einer Rechnerimplementierung entsprechend der ersten Transformationskennlinie $x=g_1(u)$ ist der Wert $u = 1$ auszuschließen.
Verwendet man die zweite Transformationskennlinie $x=g_2(u)$ , so muss dagegen der Wert $u =0$ ausgeschlossen werden.

Das Lernvideo Erzeugung einer Exponentialverteilung soll die hier abgeleiteten Transformationen verdeutlichen.

Herleitung der zugehörigen Transformationskennlinie

$\text{Aufgabenstellung:}$ Nun wird die bereits auf der letzten Seite verwendete Transformationskennlinie $x = g_1(u)= g(u)$ hergeleitet, die aus einer zwischen $0$ und $1$ gleichverteilten Zufallsgröße $u$ mit der Wahrscheinlichkeitsdichtefunktion (PDF) $f_{u}(u)$ eine einseitig exponentialverteilte Zufallsgröße $x$ mit der PDF $f_{x}(x)$ formt:

$f_{u}(u)= \left\{ \begin{array}{*{2}{c} } 1 & \rm falls\hspace{0.3cm} 0 < {\it u} < 1,\\ 0.5 & \rm falls\hspace{0.3cm} {\it u} = 0, {\it u} = 1,\\ 0 & \rm sonst, \\ \end{array} \right. \hspace{0.5cm}\Rightarrow \hspace{0.5cm} f_{x}(x)= \left\{ \begin{array}{*{2}{c} } \lambda\cdot\rm e^{\it -\lambda\hspace{0.03cm} \cdot \hspace{0.03cm} x} & \rm falls\hspace{0.3cm} {\it x} > 0,\\ \lambda/2 & \rm falls\hspace{0.3cm} {\it x} = 0 ,\\ 0 & \rm falls\hspace{0.3cm} {\it x} < 0. \\ \end{array} \right.$

$\text{Problemlösung:}$

(1) Ausgehend von der allgemeinen Transformationsgleichung

$f_{x}(x)=\frac{f_{u}(u)}{\mid g\hspace{0.05cm}'(u) \mid }\Bigg \vert _{\hspace{0.1cm} u=h(x)}$

erhält man durch Umstellen und Einsetzen der vorgegebenen PDF $f_{ x}(x):$

$\mid g\hspace{0.05cm}'(u)\mid\hspace{0.1cm}=\frac{f_{u}(u)}{f_{x}(x)}\Bigg \vert _{\hspace{0.1cm} x=g(u)}= {1}/{\lambda} \cdot {\rm e}^{\lambda \hspace{0.05cm}\cdot \hspace{0.05cm}g(u)}.$

Hierbei gibt $x = g\hspace{0.05cm}'(u)$ die Ableitung der Kennlinie an, die wir als monoton steigend voraussetzen.

(2) Mit dieser Annahme erhält man $\vert g\hspace{0.05cm}'(u)\vert = g\hspace{0.05cm}'(u) = {\rm d}x/{\rm d}u$ und die Differentialgleichung ${\rm d}u = \lambda\ \cdot {\rm e}^{-\lambda \hspace{0.05cm}\cdot \hspace{0.05cm} x}\, {\rm d}x$ mit der Lösung $u = K - {\rm e}^{-\lambda \hspace{0.05cm}\cdot \hspace{0.05cm} x}.$

(3) Aus der Bedingung, dass die Eingangsgröße $u =0$ zum Ausgangswert $x =0$ führen soll, erhält man für die Konstante $K =1$ und damit $u = 1- {\rm e}^{-\lambda \hspace{0.05cm}\cdot \hspace{0.05cm} x}.$

(4) Löst man diese Gleichung nach $x$ auf, so ergibt sich die vorne angegebene Gleichung:

$x = g_1(u)= \frac{1}{\lambda} \cdot {\rm ln} \left(\frac{1}{1 - u} \right) .$

Bei einer Rechnerimplementierung ist allerdings sicherzustellen, dass für die gleichverteilte Eingangsgröße $u$ der kritische Wert $1$ ausgeschlossen wird.
Dies wirkt sich jedoch auf das Endergebnis (fast) nicht aus.

Two-sided exponential distribution - Laplace distribution

In engem Zusammenhang mit der Exponentialverteilung steht die sogenannte Laplaceverteilung mit der Wahrscheinlichkeitsdichtefunktion

$f_{x}(x)=\frac{\lambda}{2}\cdot\rm e^{\it -\lambda \hspace{0.05cm} \cdot \hspace{0.05cm} | x|}.$

Die Laplaceverteilung ist eine zweiseitige Exponentialverteilung, die insbesondere die Amplitudenverteilung von Sprach– und Musiksignalen ausreichend gut approximiert.

Die Momente $k$ –ter Ordnung ⇒ $m_k$ der Laplaceverteilung stimmen für geradzahliges $k$ mit denen der Exponentialverteilung überein.
Für ungeradzahliges $k$ ergibt sich bei der (symmetrischen) Laplaceverteilung dagegen stets $m_k= 0$ .

Zur Generierung verwendet man eine zwischen $±1$ gleichverteilte Zufallsgröße $v$ (wobei $v = 0$ ausgeschlossen werden muss) und die Transformationskennlinie

$x=\frac{{\rm sign}(v)}{\lambda}\cdot \rm ln(\it v \rm ).$

Weitere Hinweise:

Aus der Aufgabe 3.8 erkennt man weitere Eigenschaften der Laplaceverteilung.

Im Lernvideo Wahrscheinlichkeit und WDF wird gezeigt, welche Bedeutung die Laplaceverteilung für die Beschreibung von Sprach– und Musiksignalen hat.
Mit dem Applet WDF, VTF und Momente können Sie sich die Kenngrößen $($ WDF, VTF, Momente $)$ von Exponential- und Laplaceverteilung anzeigen lassen.
Wir weisen Sie auch auf das Applet Zweidimensionale Laplace-Zufallsgrößen hin.

Aufgaben zum Kapitel

Aufgabe 3.8: Verstärkung und Begrenzung

Aufgabe 3.8Z: Kreis(ring)fläche

Aufgabe 3.9: Kennlinie für Cosinus-WDF

Aufgabe 3.9Z: Sinustransformation