Medan diskreta fördelningar hanterar saker vi kan räkna, hanterar kontinuerliga fördelningar saker vi kan mäta - längd, vikt, tid, temperatur. När en ingenjör mäter spänning i en krets eller en läkare mäter blodtryck får de värden som kan vara vilket reellt tal som helst inom ett intervall. Kontinuerliga fördelningar ger oss verktygen för att förstå och förutsäga beteendet hos sådana mätningar.
Fördjupning
Kontinuerliga stokastiska variabler kan anta alla värden i ett intervall och beskrivs av täthetsfunktioner istället för sannolikhetsfunktioner. Sannolikheten för ett exakt värde är alltid noll - istället beräknar vi sannolikheter för intervall genom integration. De viktigaste kontinuerliga fördelningarna inkluderar normal-, exponential- och uniformfördelningen, var och en med unika egenskaper som gör dem lämpliga för olika fenomen.
Täthetsfunktion och fördelningsfunktion
För kontinuerliga variabler beskrivs sannolikheten av en täthetsfunktion f(x). Sannolikheten för ett intervall beräknas som integralen av täthetsfunktionen över intervallet.
Normalfördelning
Normalfördelningen, även kallad Gaussfördelning, är den viktigaste kontinuerliga fördelningen. Den beskrivs av två parametrar: väntevärde μ och standardavvikelse σ. Vi skriver X ~ N(μ, σ²).
IQ-poäng
Standardnormalfördelning
Standardnormalfördelningen N(0,1) är specialfallet med μ=0 och σ=1. Alla normalfördelningar kan transformeras till standardnormalfördelning genom standardisering.
Exponentialfördelning
Exponentialfördelningen modellerar tiden mellan händelser i en Poisson-process. Den har parametern λ (hastighet) och är minneslos - framtida väntetid beror inte på hur länge man redan väntat.
Serverresponstid
Uniformfördelning
Uniformfördelningen U(a,b) har konstant täthet över intervallet [a,b] och noll utanför. Alla värden i intervallet är lika troliga.
![Uniform fördelning över intervall [a,b]](/assets/bilder/grafer/graf-uniform-distribution.svg)
Vanliga misstag
❌ Beräkna P(X = c) för kontinuerliga variabler
Sannolikheten för ett exakt värde är alltid 0 för kontinuerliga variabler
❌ Förväxla täthetsfunktion med sannolikhet
f(x) kan vara större än 1, det är inte en sannolikhet
❌ Använda normalfördelning utan att kontrollera antaganden
Många fenomen är inte normalfördelade, speciellt vid extremvärden
Tillämpningar
Mätteknik
Mätfel följer ofta normalfördelning med känt medelvärde och varians
Tillförlitlighetsanalys
Livslängd för komponenter modelleras ofta med exponentialfördelning
Simulering
Uniformfördelning används för att generera andra fördelningar
Finansiell modellering
Aktiekurser och avkastning antas ofta följa log-normalfördelning
Övningar
X ~ N(50, 100). Beräkna P(40 < X < 60).
Tips
Standardisera till Z = (X-μ)/σ och använd standardnormaltabeller
Visa facit
- μ = 50, σ = 10
- P(40 < X < 60) = P((40-50)/10 < Z < (60-50)/10)
- = P(-1 < Z < 1) ≈ 0.683
Svar: ≈ 0.683
Tiden mellan ankomster följer Exp(2). Vad är sannolikheten att nästa ankomst sker inom 30 minuter?
Tips
För exponentialfördelning: P(X ≤ t) = 1 - e^(-λt)
Visa facit
- X ~ Exp(2), t = 0.5 timmar
- P(X ≤ 0.5) = 1 - e^(-2×0.5)
- = 1 - e^(-1) ≈ 1 - 0.368 = 0.632
Svar: ≈ 0.632
En random number generator ger värden uniformt fördelade mellan 0 och 1. Vad är sannolikheten att två oberoende tal båda är mindre än 0.3?
Tips
Båda variablerna är U(0,1) och oberoende
Visa facit
- X₁, X₂ ~ U(0,1) oberoende
- P(X₁ < 0.3) = 0.3
- P(X₂ < 0.3) = 0.3
- P(X₁ < 0.3 och X₂ < 0.3) = 0.3 × 0.3 = 0.09
Svar: 0.09
Sammanfattning
Kontinuerliga fördelningar beskriver mätbara storheter genom täthetsfunktioner. Normalfördelningen är central för många naturliga fenomen, exponentialfördelningen för väntetider, och uniformfördelningen för slumpmässighet. Standardisering och integration är nyckelteknikerna för beräkningar med kontinuerliga fördelningar.