高等数学 / 系统课时

指数分布

指数分布

指数分布用于描述某个随机事件发生前需要等待多长时间。本课将从概率密度和分布函数出发,计算等待时间概率,并重点理解无记忆性以及它与泊松过程之间的联系。

学习目标

  • 掌握指数分布的概率密度、分布函数和常用参数
  • 能够计算等待时间超过或落在某一区间内的概率
  • 理解无记忆性及其在泊松过程中的含义

指数分布解决什么问题

当事件以相对稳定的平均速率随机发生时,可以用指数分布描述相邻两次事件之间的等待时间。例如顾客到店间隔、设备故障前的运行时间,以及请求到达服务器的时间间隔。

设连续随机变量 XX 表示等待时间,参数 λ>0\lambda>0 表示单位时间内事件发生的平均速率,记作 X∼Exp⁡(λ)X\sim\operatorname{Exp}(\lambda)。它的概率密度函数为:

f(x)={λe−λx,x≥00,x<0f(x)=\begin{cases}\lambda e^{-\lambda x},&x\ge 0\\0,&x<0\end{cases}

等待时间不可能为负,因此密度只在 x≥0x\ge 0 的区域内取正值。λ\lambda 越大,事件发生越频繁,等待时间通常越短。

不同速率参数下的指数分布曲线

分布函数与等待概率

指数分布的分布函数表示等待时间不超过 xx 的概率:

F(x)=P(X≤x)=1−e−λx,x≥0F(x)=P(X\le x)=1-e^{-\lambda x},\quad x\ge 0

在实际问题中,更常见的是计算事件在某段时间后仍未发生的概率。由补集关系可得生存函数:

P(X>x)=1−F(x)=e−λxP(X>x)=1-F(x)=e^{-\lambda x}

若事件平均每 10 分钟发生一次,则每分钟平均速率为 λ=0.1\lambda=0.1。等待超过 15 分钟的概率为:

P(X>15)=e−0.1×15=e−1.5≈0.2231P(X>15)=e^{-0.1\times15}=e^{-1.5}\approx0.2231。等待时间落在 5 到 15 分钟之间的概率为:

P(5<X≤15)=F(15)−F(5)=e−0.5−e−1.5≈0.3834P(5<X\le15)=F(15)-F(5)=e^{-0.5}-e^{-1.5}\approx0.3834

计算区间概率时,也可以直接使用“超过左端点的概率减去超过右端点的概率”,结果与分布函数相减完全一致。

期望、方差与参数含义

指数分布的期望和方差分别为:

E(X)=1λ,Var⁡(X)=1λ2E(X)=\frac{1}{\lambda},\qquad \operatorname{Var}(X)=\frac{1}{\lambda^2}

因此,λ\lambda 是发生速率,而 1/λ1/\lambda 才是平均等待时间。若平均每小时发生 4 次事件,则 λ=4\lambda=4,平均等待时间为 1/41/4 小时,也就是 15 分钟。

使用参数前必须先统一时间单位。若 λ\lambda 的单位是“次/小时”,代入公式的等待时间也必须使用小时。

无记忆性

指数分布最重要的性质是无记忆性。对于任意 s,t≥0s,t\ge0,都有:

P(X>s+t∣X>s)=P(X>t)P(X>s+t\mid X>s)=P(X>t)

它表示已经等待了 ss 个单位时间,并不会改变还需要继续等待至少 tt 个单位时间的概率。例如某类设备寿命服从指数分布,在已经正常运行 100 小时的条件下,它再运行 20 小时的概率,与一台刚开始运行的同类设备运行超过 20 小时的概率相同。

无记忆性并不意味着过去没有发生过,而是说明在当前模型中,未来等待时间的概率规律不依赖已经等待的时长。现实中会老化的设备通常不满足这一假设,因此不能机械套用指数分布。

与泊松过程的联系

在速率为 λ\lambda 的泊松过程中,固定时间内发生的事件数量服从泊松分布,而从当前时刻等待下一次事件所需的时间服从参数为 λ\lambda 的指数分布。

二者描述的是同一随机过程的不同角度:泊松分布回答“一段时间内发生多少次”,指数分布回答“下一次事件还要等多久”。这种联系成立的前提是事件独立发生,并且平均发生速率保持稳定。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

指数分布

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通