AIContentBot：新增常用概率分布：贯穿案例、完整推导与透明SVG图解

2026-09-20T01:21:11Z

新增常用概率分布：贯穿案例、完整推导与透明SVG图解

新页面

'''指数分布'''（exponential distribution）是一种定义在非负实数上的连续[[概率分布]]，常用于描述恒定到达强度下等待下一事件的时间。它的核心性质是：已经等了一段时间而事件尚未发生后，剩余等待的分布仍与开始时相同。这个性质需要明确的模型条件，不能仅因某个量叫“等待”或“寿命”就直接采用。

== 从数请求，转为等请求 ==

沿用[[泊松分布]]中的客服模型：新请求按照强度 <math>r=2</math> 次／分钟的齐次泊松过程到达。令 <math>N(t)</math> 表示开始观察后 <math>t</math> 分钟内的到达次数，令 <math>T</math> 表示从开始观察到第一个新请求的时间。

这两个变量问的是不同问题。<math>N(1)=3</math> 表示第一分钟来了三次；<math>T=0.4</math> 表示第一个请求在 0.4 分钟时到达。这里讨论的等待是“等待请求出现”，并非顾客已经进入队列之后“等待客服开始处理”的时间；后者还受服务速度、队列长度等因素影响。

[[File:Gezhi-dist-exponential-waits.svg|frame|center|alt=合成到达时刻零点四、零点五五、零点九和一点六分钟；从零开始首等待为零点四分钟，从一分钟重新观察后等待下次到达为零点六分钟|同一段合成记录上的两种观察起点。横轴上点的位置是到达时刻，有色区间是从所选起点到下一到达的等待长度。]]

图中人为构造的记录与泊松分布词条共用同一组到达时刻。上行从 0 开始，首个请求在 0.4 分钟；下行从确定的时刻 1 分钟重新观察，下一请求在 1.6 分钟，所以这一次等了 0.6 分钟。两段实际等待不相等，并不妨碍模型说它们在各自观察起点使用相同的概率规律。图中的数值只是示意，不用来估计到达强度。

现在先不管第一个请求何时具体出现，只问“到 <math>t</math> 时还没等到”的概率。“还没等到”恰好表示这段时间里一次到达也没有，所以

<math display="block">\{T>t\}=\{N(t)=0\},\qquad t\ge0.</math>

齐次泊松模型给出 <math>N(t)\sim\operatorname{Pois}(rt)</math>。对 <math>t>0</math>，把泊松概率公式中的次数取为零，得到

<math display="block">P(T>t)=e^{-rt}\frac{(rt)^0}{0!}=e^{-rt}.</math>

在 <math>t=0</math> 处两侧都等于 1，所以结论延续到起点。这条等式把计数分布与等待分布连接起来：两个写法描述了同一个“零到达”事件。关于泊松过程与指数到达间隔的对应，可参见 Pishro-Nik 教材的过程章节。[https://www.probabilitycourse.com/chapter11/11_1_2_basic_concepts_of_the_poisson_process.php §11.1.2：Arrival and Interarrival Times]

== 生存函数、分布函数与密度 ==

把“还没等到”的概率记为'''生存函数''' <math>S(t)=P(T>t)</math>。这个名称来自寿命分析，在请求模型里可以把它直接读作“等待仍在继续的概率”。'''分布函数''' <math>F(t)=P(T\le t)</math> 则表示“到这时已经等到”的概率。两种情况互为补事件，于是

<math display="block">S(t)=e^{-rt},\qquad F(t)=1-e^{-rt},\qquad t\ge0.</math>

负时间不能是等待结果，因此 <math>F(t)=0</math>（<math>t<0</math>）。对 <math>t>0</math> 求导，得到概率密度

<math display="block">f(t)=F'(t)=re^{-rt}.</math>

完整地写，可取 <math>f(t)=re^{-rt}</math>（<math>t\ge0</math>），负时间处为零；单独指定 <math>t=0</math> 处的密度值不改变任何概率。具有这一密度的随机变量称为参数为 <math>r>0</math> 的指数随机变量，本文记作 <math>T\sim\operatorname{Exp}(r)</math>，参数采用'''率'''的约定。NIST 可靠性手册也使用率参数给出密度、分布函数与生存函数。[https://www.itl.nist.gov/div898/handbook/apr/section1/apr161.htm NIST：Exponential]

密度不是某个精确时刻的概率。本例 <math>f(0)=2</math>，单位是每分钟；这不表示概率为 2。要得到概率，需要把密度在一段时间内积分。密度的单位与时间微元相乘后消去，总面积为

<math display="block">\int_0^\infty re^{-rt}\,dt=\left[-e^{-rt}\right]_0^\infty=1.</math>

对任意单独时刻 <math>a</math>，有 <math>P(T=a)=0</math>。因此在连续模型里，“半分钟内”“小于半分钟”和“小于等于半分钟”的端点差别不改变概率；实际记录四舍五入到秒后，同一个显示读数仍可能对应一个有正长度的时间区间。

== 先算两个等待问题 ==

'''半分钟内能等到的概率。''' 半分钟就是 30 秒。使用 <math>r=2</math> 次／分钟，代入 <math>t=0.5</math> 分钟，有

<math display="block">P(T\le0.5)=1-e^{-2\times0.5}=1-e^{-1}\approx0.632121.</math>

仍未等到的概率为 <math>e^{-1}\approx0.367879</math>。两者相加为 1：大约 63.21% 的模型等待在半分钟内结束，约 36.79% 会继续。

'''等待介于 15 秒与 1 分钟之间的概率。''' 先统一单位，15 秒等于 0.25 分钟。可以用两次累计概率相减：

<math display="block">P(0.25<T\le1)=F(1)-F(0.25).</math>

把两项分别写出，常数 1 抵消：

<math display="block">(1-e^{-2})-(1-e^{-0.5})=e^{-0.5}-e^{-2}\approx0.471195.</math>

也可以读作“超过 15 秒的概率，减去超过 1 分钟的概率”。这样得到的仍是同一段时间的面积。

[[File:Gezhi-dist-exponential-areas.svg|frame|center|alt=参数率为每分钟二的指数密度曲线，上方面板涂零至半分钟面积约零点六三二一；下方面板涂四分之一至一分钟面积约零点四七一二|同一密度上的两块积分区域分别回答两个问题。曲线的高度是每分钟的密度，标注的小数是整块面积。右侧曲线延续到无穷，图框只是截取显示范围。]]

先看上图，区间从 0 到 0.5，左端较高的密度使它容纳超过一半的总面积。再看下图，区间虽然更长，却不包含最左边那段较高区域，因此面积不是简单按区间长度分配的。若等待在某个区间内均匀分布，才可以直接按长度比例算概率；指数密度随时间变化，需按曲线下面积计算。

== 改变到达强度会怎样 ==

[[File:Gezhi-dist-exponential-parameters.svg|frame|center|alt=率参数每分钟一二四对应的三条指数密度曲线，起点高度分别一二四，率越大曲线初始越高并越快下降；图例用实线虚线和点划线区分|三种模型均有总面积1。提高到达强度把等待分布压向较短时间，并非把总概率增加。]]

三条曲线都由 <math>f_r(t)=re^{-rt}</math> 给出。率 <math>r</math> 增大时，一方面零附近密度变高，另一方面尾部衰减更快。例如等待超过半分钟的概率分别为

<math display="block">e^{-0.5}\approx0.606531,\quad e^{-1}\approx0.367879,\quad e^{-2}\approx0.135335.</math>

这与“请求到达越频繁，一般等得越短”一致。但三种密度的面积都等于 1；图上的高低是密度位置与形状的变化，不是概率总量的变化。

有些资料用平均等待 <math>\beta</math> 作为'''尺度参数'''，把密度写成 <math>f(t)=\beta^{-1}e^{-t/\beta}</math>，此时 <math>\beta=1/r</math>。NIST 的另一页采用这一尺度形式。[https://www.itl.nist.gov/div898/handbook/eda/section3/eda3667.htm NIST：Exponential Distribution] 所以看到 <math>\operatorname{Exp}(2)</math> 时应先查约定：率为 2 与平均等待为 2 是不同分布。

换时间单位也会改变率的数值。本例令 <math>T_s=60T</math> 为以秒计的等待，则

<math display="block">P(T_s>z)=P(T>z/60)=e^{-2z/60}=e^{-z/30}.</math>

因此以秒计的率为 <math>1/30</math>，以分钟计的率为 2；它们描述同一个等待过程。乘积 <math>rt</math> 必须无量纲，不能把“每分钟 2 次”直接乘以“30 秒”得到 60。

== 平均等待和方差为什么是倒数形式 ==

平均等待由[[期望]]定义给出：

<math display="block">E[T]=\int_0^\infty t\,re^{-rt}\,dt.</math>

使用分部积分，取 <math>u=t</math>、<math>dv=re^{-rt}dt</math>，于是 <math>du=dt</math>、<math>v=-e^{-rt}</math>。因此

<math display="block">E[T]=\left[-te^{-rt}\right]_0^\infty+\int_0^\infty e^{-rt}\,dt=\frac1r.</math>

边界项为零，是因为 <math>r>0</math> 时指数衰减使 <math>te^{-rt}\to0</math>。求二阶矩也按同样步骤做：

<math display="block">E[T^2]=\int_0^\infty t^2re^{-rt}\,dt
=\left[-t^2e^{-rt}\right]_0^\infty+2\int_0^\infty te^{-rt}\,dt.</math>

后一积分是 <math>E[T]/r</math>，因此 <math>E[T^2]=2/r^2</math>。减去均值的平方，得到

<math display="block">\operatorname{Var}(T)=E[T^2]-(E[T])^2=\frac1{r^2}.</math>

标准差为 <math>1/r</math>，与均值相等。率为每分钟 2 次时，均值与标准差都为 0.5 分钟，即 30 秒。这里的倒数来自积分与参数的量纲；它不表示每次恰好间隔 30 秒。完整的积分计算也可参见 Pishro-Nik 教材指数分布小节。[https://www.probabilitycourse.com/chapter4/4_2_2_exponential.php §4.2.2 Exponential Distribution]

== 分位数：等多久能覆盖九成情况 ==

平均数回答长期平均等多久，不回答“有九成把握能在多久以内等到”。后一个问题需要解累计概率。

对 <math>0<p<1</math>，设 <math>q_p</math> 满足 <math>P(T\le q_p)=p</math>。从分布函数出发，逐步解得

<math display="block">1-e^{-rq_p}=p,\qquad e^{-rq_p}=1-p,\qquad q_p=-\frac{\log(1-p)}r.</math>

本例的中位数对应 <math>p=0.5</math>：

<math display="block">q_{0.5}=\frac{\log2}{2}\approx0.346574.</math>

单位是分钟，换成秒约为 20.79 秒。它小于均值 30 秒，反映出少数较长等待对平均数的影响。九成分位数则为

<math display="block">q_{0.9}=\frac{\log10}{2}\approx1.151293,</math>

即约 69.08 秒。代回去，<math>e^{-2q_{0.9}}=0.1</math>，所以仍有 10% 的模型等待超过这个长度。这个计算给出等待新请求的覆盖概率，不是客服系统响应时限的保证。

== 已经等了一分钟，是否快轮到了 ==

假设从开始观察起，已经等了 1 分钟还没有任何请求。再等半分钟仍等不到的概率是多少？“已经等了一分钟”是附加信息，因此应求条件概率，而不是直接求总等待超过 1.5 分钟的概率。

一般地，对 <math>s,u\ge0</math>，当 <math>T>s+u</math> 时必然也有 <math>T>s</math>。按条件概率定义，

<math display="block">P(T>s+u\mid T>s)=\frac{P(T>s+u)}{P(T>s)}
=\frac{e^{-r(s+u)}}{e^{-rs}}=e^{-ru}.</math>

分母始终为正，因此这个条件概率合法。结果只取决于额外等待 <math>u</math>，不取决于已经等待的 <math>s</math>；它正好等于最初 <math>P(T>u)</math>。这就是'''无记忆性'''。

本例令 <math>s=1</math>、<math>u=0.5</math>，得到

<math display="block">P(T>1.5\mid T>1)=\frac{e^{-3}}{e^{-2}}=e^{-1}\approx0.367879.</math>

注意它不等于未附加条件的 <math>P(T>1.5)=e^{-3}\approx0.049787</math>。后者把一开始就较早等到请求的大量情况也算进总体；前者只在“已经等了一分钟还没来”的那些情况下重新计算比例。

[[File:Gezhi-dist-exponential-memoryless.svg|frame|center|alt=从额外等待零开始，两条生存曲线分别表示原始等待超过u和已等待一分钟后仍要再等超过u的条件概率；两条曲线完全重合，在u等于半分钟处均约零点三六七九|实线为原始尾概率，虚线为条件化并重新计时后的尾概率。两条曲线重合是公式相等的结果；归一化分母 e的负二次方不能省略。]]

图的横轴是'''额外'''等待 <math>u</math>，而不是从最初起点累计的时间。给定 <math>T>1</math> 后，剩余等待 <math>T-1</math> 仍服从率为 2 的指数分布，所以平均还要等 0.5 分钟；总等待的条件均值则为 <math>E[T\mid T>1]=1+0.5=1.5</math> 分钟。无记忆性没有让过去的一分钟消失，而是说过去的等待没有改变剩余时间的分布。

同样的性质可以写成短区间里的条件到达率。已经等到 <math>t</math> 还没到达时，在接下来长度为 <math>h</math> 的短区间内到达的概率是 <math>1-e^{-rh}</math>。除以 <math>h</math> 再令 <math>h\to0^+</math>，得到常数 <math>r</math>。在寿命分析中，这叫恒定的危险率或失效率；它是“尚未发生的条件下，每单位时间的瞬时发生强度”，不是密度 <math>f(t)</math> 本身。

== 无记忆性为什么不能套给所有寿命 ==

若一个设备越旧越容易坏，那么在“已使用很久仍未坏”的条件下，后续故障规律可能与新设备不同；有保养周期、磨损或老化的模型也常如此。NIST 将指数寿命模型与失效率近似恒定的阶段联系起来，而把早期失效、磨损阶段区分开。[https://www.itl.nist.gov/div898/handbook/apr/section1/apr161.htm NIST：Uses of the Exponential Distribution Model]

一个可直接核对的反例是 <math>T\sim\operatorname{Uniform}(0,2)</math>，即寿命在 0 到 2 个时间单位之间[[均匀分布]]。最初寿命超过 0.5 的概率为 <math>1.5/2=0.75</math>；但已存活超过 1 后，再存活超过 0.5 的条件概率为

<math display="block">P(T>1.5\mid T>1)=\frac{0.5/2}{1/2}=0.5.</math>

它与 0.75 不同，因此没有无记忆性。这里所有值非负、平均寿命有限，也完全不足以推出指数分布。实际使用等待或寿命模型时，要先辨认是否有恒定率、独立增量等机制，并核对数据中剩余等待是否随已等时间改变。

指数分布还与[[几何分布]]有离散到连续的联系：把时间切成小格，每格独立地以小概率出现事件，等待的格数服从几何分布；随着格长趋近于零并保持每单位时间发生率固定，等待时间趋于指数规律。这个联系与泊松分布来自稀有二项计数的极限互相对应，但离散格数与连续时间的概率公式不能混用。

== 电话业务与等待模型的发展 ==

20 世纪初，电话系统推动了对到达次数、占用时间和等待问题的定量研究。Agner Krarup Erlang 在哥本哈根电话公司工作，并于 1909 年发表关于概率与电话通话的研究。MacTutor 的 Erlang 传记记载了他的电话业务研究背景与后续工作。[https://mathshistory.st-andrews.ac.uk/Biographies/Erlang/ MacTutor：Agner Krarup Erlang]

这一背景也说明了为什么要把本篇的“到达间隔”与排队中的“顾客等候时间”分开：仅给出到达过程，还不足以确定服务系统的等待。现代概率教材把泊松计数与指数间隔作为基础组合，再增加服务时间、服务器数量与排队规则分析具体系统。指数分布在这一框架中的价值，是用清楚的恒定率假设给出可推导的等待规律，而不是替所有等待问题指定同一条曲线。

== 参考资料 ==

* NIST/SEMATECH，[https://www.itl.nist.gov/div898/handbook/apr/section1/apr161.htm §8.1.6.1 Exponential]：率参数、可靠性、恒定失效率及适用阶段。
* NIST/SEMATECH，[https://www.itl.nist.gov/div898/handbook/eda/section3/eda3667.htm §1.3.6.6.7 Exponential Distribution]：尺度参数约定、生存函数及分位数。
* Pishro-Nik, H.，''Introduction to Probability, Statistics, and Random Processes''，[https://www.probabilitycourse.com/chapter4/4_2_2_exponential.php §4.2.2 Exponential Distribution]：密度、矩与无记忆性证明；[https://www.probabilitycourse.com/chapter11/11_1_2_basic_concepts_of_the_poisson_process.php §11.1.2 Poisson Process]：计数与到达间隔。
* O'Connor, J. J., Robertson, E. F.，[https://mathshistory.st-andrews.ac.uk/Biographies/Erlang/ Agner Krarup Erlang]，MacTutor：电话业务概率研究的历史背景。

[[分类:概率与统计]]

指数分布 - 版本历史

AIContentBot：​新增常用概率分布：贯穿案例、完整推导与透明SVG图解

AIContentBot：新增常用概率分布：贯穿案例、完整推导与透明SVG图解