📚 指數分佈：連續等待時間 (S2.3)

歡迎來到指數分佈 (Exponential Distribution) 的章節！這是你在 A-Level 統計學中會遇到的最實用的連續分佈之一。如果說卜瓦松分佈 (Poisson distribution) 幫我們計算在固定時間內發生了多少次事件，那麼指數分佈則能幫我們建立這些事件之間時間或距離的數學模型。

你可以把它想像成「等待時間」的數學描述。理解這個分佈對於處理現實世界中的問題至關重要，例如建立可靠性模型、排隊理論以及放射性衰變模型。

1. 定義指數分佈

1.1 什麼是連續隨機變數？（快速回顧）

與離散變數（如二項分佈或卜瓦松分佈，只能取特定的整數值）不同，連續隨機變數 (Continuous Random Variable) \(X\) 可以取給定範圍內的任何數值。由於可能性是無限的，我們無法為單一點分配機率，因此我們需要使用以下函數：

  • 機率密度函數 (PDF), \(f(x)\)：用於微積分（積分），計算特定區間內的機率。
  • 累積分配函數 (CDF), \(F(x)\)：用於計算 \(X\) 小於或等於某個值的機率。

記住：對於任何連續變數 \(X\)，取到一個確切值的機率為零，即 \(P(X = a) = 0\)。這意味著 \(P(X < a)\) 與 \(P(X \le a)\) 是相等的。

1.2 你需要掌握的公式

指數分佈由單一參數 \(\lambda\) (lambda) 定義，它代表事件發生的速率。

A. 機率密度函數 (PDF)

指數變數 \(X\) 的 PDF 為：

$$f(x) = \lambda e^{-\lambda x} \quad \text{對於 } x \ge 0$$

注意：變數 \(X\) 必須是非負數，因為你不可以等待一個負數的時間！

B. 累積分配函數 (CDF)

CDF 是 PDF 從 0 到 \(x\) 的積分。這個公式是你計算機率的捷徑：

$$F(x) = P(X \le x) = 1 - e^{-\lambda x}$$

💡 重點回顧：

若 \(X \sim \text{Exp}(\lambda)\)，你必須掌握：

  • PDF: \(f(x) = \lambda e^{-\lambda x}\)
  • CDF: \(F(x) = 1 - e^{-\lambda x}\)

關鍵點：參數 \(\lambda\) 決定了分佈的形狀，而 CDF 是計算大多數機率最簡單的方法。

2. 應用條件（與卜瓦松分佈的聯繫）

指數分佈並非憑空出現，它與卜瓦松分佈有著直接的關係。

指數分佈用於建立事件之間間隔長度的模型，前提是這些事件遵循卜瓦松過程 (Poisson process)。

如果事件是根據固定的平均速率 \(\lambda\)（卜瓦松過程）隨機且獨立地發生，那麼：

1. 在固定區間內發生的事件數量遵循卜瓦松分佈，參數為 \(\lambda\)。

2. 這些事件之間的時間/距離遵循指數分佈，參數為 \(\lambda\)。

比喻：等巴士

假設巴士以每小時 4 班的速率抵達。

  • 卜瓦松：未來 2 小時內會有多少班巴士抵達？(\(\lambda_{Poisson} = 4 \times 2 = 8\))
  • 指數：你需要等多久才會等到下一班巴士？(\(\lambda_{Exp} = 4\))

關鍵在於兩者模型中的速率 \(\lambda\) 是相同的，但對於指數分佈，這必須是每單位時間/距離的事件發生率。

你知道嗎？指數分佈是唯一具有無記憶性 (memoryless property) 的連續分佈。這意味著如果你正在等待某個事件，你還需要等待額外 5 分鐘的機率，並不取決於你已經等待了多久。這個分佈有效地「忘記了」過去的歷史。

關鍵點：當你需要測量一個受恆定速率 \(\lambda\) 控制的過程中，直至「第一次」事件發生前的連續時間（或空間），或是連續事件「之間」的時間時，請使用指數分佈。

3. 逐步計算機率

計算機率時需使用 CDF，即 \(F(x) = 1 - e^{-\lambda x}\)，或是使用其補集。

令 \(X\) 為代表等待時間的隨機變數。

3.1 三種主要的機率類型

情況 1：小於機率 (\(P(X \le a)\))

這是最直接的計算，直接使用 CDF：

$$P(X \le a) = F(a) = 1 - e^{-\lambda a}$$

例如：若 \(\lambda = 0.5\)，求等待時間小於 3 的機率 (\(P(X \le 3)\))。

$$P(X \le 3) = 1 - e^{-(0.5)(3)} = 1 - e^{-1.5} \approx 0.7769$$

情況 2：大於機率 (\(P(X > a)\))

由於 CDF 給出的是 \(P(X \le a)\)，我們利用補集規則計算等待時間超過 \(a\) 的機率：

$$P(X > a) = 1 - P(X \le a) = 1 - (1 - e^{-\lambda a})$$

這可以簡化為：

$$P(X > a) = e^{-\lambda a}$$

例如：若 \(\lambda = 0.5\)，求等待時間超過 5 的機率 (\(P(X > 5)\))。

$$P(X > 5) = e^{-(0.5)(5)} = e^{-2.5} \approx 0.0821$$

情況 3：介於兩值之間的機率 (\(P(a < X < b)\))

使用連續變數的規則：\(P(a < X < b) = F(b) - F(a)\)。

$$P(a < X < b) = (1 - e^{-\lambda b}) - (1 - e^{-\lambda a})$$

簡化後為：

$$P(a < X < b) = e^{-\lambda a} - e^{-\lambda b}$$

常見錯誤：千萬別忘記 \(\lambda\) 是速率。確保你的時間單位（小時、分鐘、天）與定義 \(\lambda\) 的單位一致。如果 \(\lambda\) 是每分鐘 0.5，所有的時間值（x, a, b）都必須以分鐘為單位。

3.2 使用積分（當不使用 CDF 時）

教學大綱允許透過積分 PDF 來計算機率。雖然通常比使用 CDF 慢，但你必須知道其原理：

$$P(a < X < b) = \int_{a}^{b} f(x) dx = \int_{a}^{b} \lambda e^{-\lambda x} dx$$

如果剛開始覺得這很複雜也不用擔心；記住 \(\lambda e^{-\lambda x}\) 的積分只是 \(-e^{-\lambda x}\)。應用極限 \(a\) 和 \(b\) 後，你將得到與上述簡化後的 CDF 公式相同的結果！

關鍵點：請務必使用 CDF 捷徑：\(P(X \le a) = 1 - e^{-\lambda a}\) 和 \(P(X > a) = e^{-\lambda a}\)。這能在考試中幫你節省寶貴的時間。

4. 平均值、變異數與標準差

對於指數分佈，理論平均值和變異數是透過積分推導出來的（但教學大綱說明你不需要證明它們——只需要知道結果！）。

若 \(X \sim \text{Exp}(\lambda)\)：

4.1 平均值 (期望值)

預期等待時間 \(E(X)\) 或 \(\mu\)，是速率 \(\lambda\) 的倒數。

$$E(X) = \mu = \frac{1}{\lambda}$$

比喻：如果巴士以 \(\lambda = 4\)（每小時）的速率抵達，你預期的平均等待時間為 1/4 小時，即 15 分鐘。

4.2 變異數與標準差

變異數 \(Var(X)\) 或 \(\sigma^2\)，以及標準差 \(\sigma\)，也是 \(\lambda\) 的簡單函數。

$$\text{變異數: } Var(X) = \sigma^2 = \frac{1}{\lambda^2}$$

$$\text{標準差: } \sigma = \sqrt{\frac{1}{\lambda^2}} = \frac{1}{\lambda}$$

✨ 記憶小撇步：

在指數分佈中，平均值與標準差在數學上是同一個值：\(\frac{1}{\lambda}\)。這是一個獨特的特徵！

計算範例

假設某個電子元件的壽命（以年為單位）遵循指數分佈，且 \(\lambda = 0.2\)。

  • 平均壽命： \(E(X) = \frac{1}{0.2} = 5\) 年。
  • 變異數： \(Var(X) = \frac{1}{0.2^2} = \frac{1}{0.04} = 25\)。
  • 標準差： \(\sigma = \frac{1}{0.2} = 5\) 年。（正如預期，與平均值相等！）

關鍵點：平均值和標準差的公式為 \(1/\lambda\)，而變異數為 \(1/\lambda^2\)。這些公式很簡單，但你必須熟記。

章節總結與最後建議

指數分佈對於建立事件以固定速率發生的系統中的連續等待時間模型至關重要。請務必將其與卜瓦松分佈連結起來，以確認你選擇的 \(\lambda\) 是否正確。

考試成功檢查清單

1. 環境檢查：我們是否在測量事件發生前的連續時間/距離？（是？請使用指數分佈。）

2. 參數 \(\lambda\)：速率是多少？（如果題目說平均時間是 10 分鐘，那麼 \(\mu = 10\)，所以 \(\lambda = 1/10 = 0.1\)。要小心！）

3. 機率捷徑：

  • \(P(X \le a) = 1 - e^{-\lambda a}\) (CDF)
  • \(P(X > a) = e^{-\lambda a}\) (存活函數)

4. 矩 (Moments)：

  • 平均值 \(E(X) = 1/\lambda\)
  • 變異數 \(Var(X) = 1/\lambda^2\)

繼續練習那些機率計算——特別是 \(P(X > a)\)，它常出現在可靠性問題中！你可以做到的！