指数分布 | Codeboy's Blog

形式陈述

指数分布是一参数连续概率分布，其支持集为非负实数，描述以恒定速率等候下一次事件的时间；下文的无记忆性说明，已经等过多久不会改变剩余等待的分布。

给定速率参数 $\lambda>0$ ，时间若用小时计， $\lambda$ 的单位就是每小时。若随机变量 $X$ 的概率密度为

f_X(x)=\lambda e^{-\lambda x}\mathbf 1_{\{x\ge0\}},

则称 $X$ 服从速率为 $\lambda$ 的指数分布，记作 $X\sim\operatorname{Exp}(\lambda)$ 。它的分布函数与生存函数分别为

F_X(x)=1-e^{-\lambda x},\qquad \Pr(X>x)=e^{-\lambda x}\quad(x\ge0),

负数 $x$ 处有 $F_X(x)=0$ 。对于 $x\ge0$ ，从密度积分可直接得到 $F_X(x)=\int_0^x\lambda e^{-\lambda u}du=1-e^{-\lambda x}$ ，故尾概率是它的补数。并且

\mathbb E X=\frac1\lambda,\qquad \operatorname{Var}(X)=\frac1{\lambda^2},\qquad M_X(t)=\frac{\lambda}{\lambda-t}\quad(t<\lambda).

这些矩也可从矩母函数计算：直接积分得 $M_X(t)=\int_0^\infty\lambda e^{-(\lambda-t)x}\,dx$ ，仅在 $t<\lambda$ 有限。它在零点附近有限，故 $M_X'(0)=1/\lambda$ 、 $M_X''(0)=2/\lambda^2$ ，相减得到上述方差。

对 $s,t\ge0$ ，它满足连续无记忆性

\Pr(X>s+t\mid X>s)=\Pr(X>t).

无记忆等式可以直接验算：条件概率等于 $e^{-\lambda(s+t)}/e^{-\lambda s}=e^{-\lambda t}$ 。其失效率（也称危险率） $h(x)=f_X(x)/\Pr(X>x)$ 恒等于 $\lambda$ ；在非负连续分布中，无记忆性刻画的正是指数分布。

广义 Pareto 分布把它扩展为阈值稳定性：提高门槛后形状保持不变，尺度按门槛更新；指数分布对应尺度恰好不变的零形状。高阈值超额定理则说明哪些一般总体会渐近出现这个分布族。

直觉

生存函数每经过长度 $t$ 的时间就乘上同一个因子 $e^{-\lambda t}$ 。因此已经等待了多久，不会改变再等待一段固定时长仍未发生事件的条件概率；在极短区间 $\Delta t$ 内发生事件的条件概率约为 $\lambda\Delta t$ ，这就是恒定失效率。 $\lambda$ 越大，事件到来得越快，所以均值是 $1/\lambda$ 而不是 $\lambda$ 。这个速率—尺度倒数关系是使用指数模型时最容易混淆、也最需要先固定的参数约定。

例子与边界

若某类到达构成速率为每小时 $\lambda=2$ 次的齐次 Poisson 过程，即不交区间内到达数独立、长度 $t$ 小时内的计数服从 $\operatorname{Pois}(2t)$ ，则首次到达等待时间 $X\sim\operatorname{Exp}(2)$ 。平均等待为 $1/2$ 小时，即 $30$ 分钟。等待超过半小时的概率为 $e^{-2\times0.5}=e^{-1}\approx0.36788$ ；若把时间改用分钟，速率也必须改为 $2/60=1/30$ ，指数仍为 $-(1/30)\times30=-1$ 。

已经空等一小时后，再等半小时仍无到达的条件概率依旧是 $e^{-1}$ 。但“从开始算累计超过一小时半”的无条件概率是 $e^{-3}$ 。两者不同，因为前者已经限定在等到一小时仍无到达的样本中。

指数分布是连续模型，单点概率 $\Pr(X=x)$ 都为零，不能把几何分布的 PMF 直接搬来。

现实寿命若存在老化、磨损或早期故障，失效率会随时间改变，指数模型就不合适。一个明确反例是班车每半小时准点到站、乘客在周期内均匀随机到达：初始等待在 $[0,30]$ 分钟内均匀分布，等待超过十分钟的概率为 $2/3$ ；已等二十分钟后，再等超过十分钟的概率却为零。固定班次会缩短剩余等待，正好违背无记忆性。

某些文献以尺度参数 $\theta=1/\lambda$ 记作 $\operatorname{Exp}(\theta)$ ；若不声明约定，同一个符号会让均值和密度都写反。矩母函数也只在 $t<\lambda$ 时有限，不能把代数表达式越过收敛域使用。

推论与应用

指数等待时间与Poisson 计数形成“相邻事件间隔—固定窗口计数”的对应：在Poisson 过程中，第一个等待时间以及以后各相邻等待时间独立同分布为指数分布；反过来，以独立指数间隔构造的更新过程给出 Poisson 计数。若把若干独立 $\operatorname{Exp}(\lambda)$ 等待时间相加，则得到 Erlang/Gamma 型等待时间，而非仍为指数分布。排队论、可靠性分析与连续时间 Markov 链之所以常选指数停留时间，核心正是无记忆性使当前状态足以决定下一步。标准M/M/1 队列将 Poisson 到达与独立指数服务组合起来，进一步给出稳定负载条件和平均等待公式。

一致加权抽样使用指数分布的另一项性质：独立速率sᵢ的等待时间竞赛以sᵢ/Σsⱼ的概率选中坐标i。其共享Gamma格点构造还证明获胜分数与坐标内均匀高度独立，并另证缩权一致性，才把两输入指纹碰撞率连接到加权Jaccard。

参考资料

Hossein Pishro-Nik, Introduction to Probability, Statistics, and Random Processes, 作者开放网络教材，§4.2.2 Exponential Distribution，访问于 2026-10-03。
Robert G. Gallager, MIT 6.262 Discrete Stochastic Processes, Ch. 2 on exponential interarrival times in the Poisson process, accessed 2026.

形式陈述 ​

反向链接

形式陈述