无记忆的指数分布

问题提出

呼噜星球的物理实验室里，学生们正在研究放射性元素的衰变。

他们发现了一个奇怪的现象：

一块放射性物质，不管它已经衰变了多久，接下来 1 小时内发生衰变的概率都是一样的。

也就是说，一个已经存在了 10 亿年的原子，和一个刚刚产生的原子，在接下来一小时内衰变的概率完全相同。原子似乎”忘记”了自己的年龄。

一个学生问：

老师，这种”无记忆”的等待时间，服从什么分布呢？

我告诉他们：这就是指数分布，而 $e$ 在其中扮演了核心角色。

观察与猜想

设 $T$ 为原子的衰变时间（从现在到衰变的等待时间）。

“无记忆性”的数学表达是：对任意 $s, t > 0$，

$P(T > s + t \mid T > s) = P(T > t)$

意思是：已知原子已经存活了 $s$ 时间，它再存活 $t$ 时间的概率，等于一个新原子存活 $t$ 时间的概率。

学生们猜想：什么样的函数满足这个性质呢？

设 $G(t) = P(T > t)$（生存函数），则无记忆性可以写成：

$G(s+t) = G(s) \cdot G(t)$

这是一个函数方程。学生们回忆起，满足 $f(s+t) = f(s)f(t)$ 的连续函数是指数函数：

$G(t) = e^{-\lambda t}$

其中 $\lambda > 0$ 是常数。

于是概率密度函数为：

$f(t) = -G'(t) = \lambda e^{-\lambda t}, \quad t \geq 0$

这就是指数分布！

严格证明

从恒定事件率推导指数分布

设事件在单位时间内发生的概率为 $\lambda$（恒定事件率）。将时间区间 $[0, t]$ 分成 $n$ 个小段，每段长度 $\Delta t = \frac{t}{n}$。

在每一小段内，事件发生的概率约为 $\lambda \Delta t$，不发生的概率约为 $1 - \lambda \Delta t$。

假设各小段独立，则在 $[0, t]$ 内事件不发生的概率为：

$P(T > t) \approx (1 - \lambda \Delta t)^n = \left(1 - \frac{\lambda t}{n}\right)^n$

令 $n \to \infty$：

$P(T > t) = \lim_{n \to \infty} \left(1 - \frac{\lambda t}{n}\right)^n = e^{-\lambda t}$

这里用到了 $e^x = \lim_{n \to \infty}(1+\frac{x}{n})^n$。

所以生存函数 $G(t) = e^{-\lambda t}$，累积分布函数：

$F(t) = P(T \leq t) = 1 - e^{-\lambda t}$

概率密度函数：

$f(t) = F'(t) = \lambda e^{-\lambda t}, \quad t \geq 0$

验证无记忆性

$P(T > s+t \mid T > s) = \frac{P(T > s+t)}{P(T > s)} = \frac{e^{-\lambda(s+t)}}{e^{-\lambda s}} = e^{-\lambda t} = P(T > t)$

无记忆性成立！

指数分布的数字特征

期望：

$E[T] = \int_0^{\infty} t \cdot \lambda e^{-\lambda t} dt$

用分部积分（$u = t$，$dv = \lambda e^{-\lambda t}dt$）：

$E[T] = \left[-t e^{-\lambda t}\right]_0^{\infty} + \int_0^{\infty} e^{-\lambda t} dt = 0 + \frac{1}{\lambda} = \frac{1}{\lambda}$

方差：

$\text{Var}(T) = E[T^2] - (E[T])^2 = \frac{2}{\lambda^2} - \frac{1}{\lambda^2} = \frac{1}{\lambda^2}$

指数分布的唯一性

可以证明：在所有连续型分布中，只有指数分布具有无记忆性。

这意味着，只要一个等待时间过程满足”无记忆”和”恒定事件率”，它就一定服从指数分布。这就是为什么指数分布在排队论、可靠性理论、生存分析中无处不在。

泊松过程与指数分布的关系

如果事件按泊松过程发生（单位时间内事件数服从参数为 $\lambda$ 的泊松分布），那么相邻两次事件的等待时间就服从参数为 $\lambda$ 的指数分布。

泊松分布的概率质量函数：

$P(N(t) = k) = \frac{(\lambda t)^k e^{-\lambda t}}{k!}$

这里 $e^{-\lambda t}$ 再次出现，确保了所有概率之和为 1：

$\sum_{k=0}^{\infty} \frac{(\lambda t)^k e^{-\lambda t}}{k!} = e^{-\lambda t} \sum_{k=0}^{\infty} \frac{(\lambda t)^k}{k!} = e^{-\lambda t} \cdot e^{\lambda t} = 1$

结论与应用

• 指数分布：$f(t) = \lambda e^{-\lambda t}$（$t \geq 0$），$E[T] = \frac{1}{\lambda}$
• 无记忆性：$P(T > s+t \mid T > s) = P(T > t)$，是指数分布的标志性性质
• 核心作用：$e^{-\lambda t}$ 来自极限 $\lim_{n\to\infty}(1-\frac{\lambda t}{n})^n$
• 应用场景：放射性衰变、设备寿命、排队等待时间、电话通话时长

呼噜星球的学生们恍然大悟：

原来原子的”无记忆”衰变，背后就是指数分布！而 $e$ 之所以出现在这里，是因为”无限分割时间区间取极限”这个操作，自然地产生了 $e$。

我补充道：

指数分布描述的是”单个事件的等待时间”。但在现实世界中，很多现象是大量独立随机因素的叠加结果——那时候，我们会遇到另一个包含 $e$ 的重要分布：正态分布。

上一章节e 的现实身影：概率与统计里的 e从指数分布到正态分布，观察 e 的角色

下一章节无处不在的正态分布从二项分布极限得到正态分布，解析 e 的作用