指数分布

指數分配

概率密度函數
累積分布函數
参数	${\displaystyle \lambda >0\,}$ 率
值域	${\displaystyle x\in [0;\infty )\!}$
概率密度函数	${\displaystyle \,\lambda e^{-\lambda x}$
累積分布函數	${\displaystyle 1-e^{-\lambda x}$
期望值	${\displaystyle \lambda ^{-1}\,}$
中位數	${\displaystyle \ln(2)/\lambda \,}$
眾數	${\displaystyle 0\,}$
方差	${\displaystyle \lambda ^{-2}\,}$
偏度	${\displaystyle 2\,}$
峰度	${\displaystyle 6\,}$
熵	${\displaystyle 1-\ln(\lambda )\,}$
矩生成函数	${\displaystyle \left(1-{\frac {t}{\lambda }\right)^{-1}\,}$
特徵函数	${\displaystyle \left(1-{\frac {it}{\lambda }\right)^{-1}\,}$

在機率論和統計學中，指數分布（英語：Exponential distribution）是一種連續機率分佈。指數分布可以用来建模平均发生率恒定、连续、独立的事件發生的間隔，比如旅客進入機場的時間間隔、電話打進客服中心的時間間隔、中文維基百科新條目出現的時間間隔、機器的壽命等。

指數分布即形狀母數α為1的伽瑪分布。

若隨機變數${\displaystyle X}$服从母數為${\displaystyle \lambda }$或${\displaystyle \beta }$的指数分布，則記作

${\displaystyle X\sim {\text{Exp}(\lambda )}$ 或 ${\displaystyle X\sim {\text{Exp}(\beta )}$

兩者意義相同，只是${\displaystyle \lambda }$與${\displaystyle \beta }$互為倒數關係。只要將以下式子做${\displaystyle {\color {Red}\lambda ={\frac {1}{\beta }$的替換即可，即，指數分布之機率密度函數為：

${\displaystyle f(x;{\color {Red}\lambda })=\left\{\begin{matrix}{\color {Red}\lambda }e^{-{\color {Red}\lambda }x}&x\geq 0,\\0&,\;x<0.\end{matrix}\right.}$

或

${\displaystyle f(x;{\color {Red}\beta })=\left\{\begin{matrix}{\color {Red}{\frac {1}{\beta }e^{-{\color {Red}{\frac {1}{\beta }x}&x\geq 0,\\0&,\;x<0.\end{matrix}\right.}$

累积分布函数為：

${\displaystyle F(x;{\color {Red}\lambda })=\left\{\begin{matrix}1-e^{-\color {Red}{\lambda }x}&,\;x\geq 0,\\0&,\;x<0.\end{matrix}\right.}$

或

${\displaystyle F(x;{\color {Red}\beta })=\left\{\begin{matrix}1-e^{-{\color {Red}{\frac {1}{\beta }x}&,\;x\geq 0,\\0&,\;x<0.\end{matrix}\right.}$

其中${\displaystyle \lambda >0}$是分布的母數，即每单位时间发生该事件的次数；${\displaystyle \beta }$為比例母數，即該事件在每單位時間內的發生率。兩者常被称为率参数（rate parameter）。指数分布的区间是[0,∞)。

随机变量X (X 的母數為λ或β) 的期望值是：

${\displaystyle \mathbf {E} (X)={\frac {1}{\color {Red}{\lambda }={\color {Red}\beta }$

例如：如果你平均每个小时接到2次电话，那么你预期等待每一次电话的时间是半个小时。

X 的方差是：

${\displaystyle \mathbf {Var} (X)={\frac {1}{\color {Red}{\lambda ^{2}={\color {Red}\beta ^{2}$

X 的偏態系数是： V[X] = 1

指数函数的一个重要特征是无记忆性（Memoryless Property，又稱遺失記憶性）。这表示如果一个随机变量呈指数分布，它的条件概率遵循：

${\displaystyle P(T>s+t\;|\;T>t)=P(T>s)\;\;{\hbox{for all}\ s,t\geq 0.}$

泊松過程是一种重要的随机过程。泊松過程中，第k次随机事件与第k+1次随机事件出现的时间间隔服从指数分布。而根据泊松過程的定义，长度为t的时间段内没有随机事件出现的概率等于

${\displaystyle {\frac {e^{-\lambda t}(\lambda t)^{0}{0!}=e^{-\lambda t}$,

长度为t的时间段内随机事件发生一次的概率等于 ${\displaystyle {\frac {e^{-\lambda t}(\lambda t)^{1}{1!}=e^{-\lambda t}\lambda t}$, 所以第k次随机事件之后长度为t的时间段内，第k+n次 (n=1, 2, 3,...)随机事件出现的概率等于${\displaystyle 1-e^{-\lambda t}$。这是指数分布。这还表明了泊松过程的无记忆性。

率参数λ的四分位数函数（Quartile function）是：

${\displaystyle F^{-1}(p;\lambda )={\frac {-\ln(1-p)}{\lambda },\qquad 0\leq p<1}$

• 第一四分位数：${\displaystyle \ln(4/3)/\lambda \,}$
• 中位数：${\displaystyle \ln(2)/\lambda \,}$
• 第三四分位数：${\displaystyle \ln(4)/\lambda \,}$

因此，四分位距為ln(3)/λ。

给定独立同分布样本x = (x₁, ..., x_n)，λ的似然函数（Likelihood function）是：

${\displaystyle L(\lambda )=\prod _{i=1}^{n}\lambda \,\exp(-\lambda x_{i})=\lambda ^{n}\,\exp \!\left(\!-\lambda \sum _{i=1}^{n}x_{i}\right)=\lambda ^{n}\exp \left(-\lambda n{\overline {x}\right)}$

其中：

${\displaystyle {\overline {x}={1 \over n}\sum _{i=1}^{n}x_{i}$是样本期望値。

似然函数对数的导数是：

${\displaystyle {\frac {\mathrm {d} }{\mathrm {d} \lambda }\ln L(\lambda )={\frac {\mathrm {d} }{\mathrm {d} \lambda }\left(n\ln(\lambda )-\lambda n{\overline {x}\right)={n \over \lambda }-n{\overline {x}\ \left\{\begin{matrix}>0&{\mbox{if}\ 0<\lambda <1/{\overline {x},\\\\=0&{\mbox{if}\ \lambda =1/{\overline {x},\\\\<0&{\mbox{if}\ \lambda >1/{\overline {x}.\end{matrix}\right.}$

参数λ的最大概似估計（Maximum likelihood）值是：

${\displaystyle {\widehat {\lambda }={\frac {1}{\overline {x}$

• 拉普拉斯分布（又稱：雙指數分布）
• 幾何分布

1. Donald E. Knuth (1998). The Art of Computer Programming, volume 2: Seminumerical Algorithms, 3rd edn. Boston: Addison-Wesley. ISBN 0-201-89684-2. pp. 133
2. Luc Devroye (1986). Non-Uniform Random Variate Generation. New York: Springer-Verlag. ISBN 0-387-96305-7. pp. 392–401

• 指数分布 （页面存档备份，存于互联网档案馆）