指数分布公式
指数分布公式为f(x)=λexp(-λx)。
指数分布的ex和dx求：
当X，Y无关时，E（XY）=E（X）E（Y），D（X）=E（X^2）-（E（X））^2，此时，E（X（X+Y-2））=E（X^2+XY-2X）=E（X^2）+E（XY）-2E（X）。
D（x）指方差，E（x）指期望。方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。
在概率理论和统计学中：
指数分布（也称为负指数分布）是描述泊松过程中的事件之间的时间的概率分布，即事件以恒定平均速率连续且独立地发生的过程。 这是伽马分布的一个特殊情况。 它是几何分布的连续模拟，它具有无记忆的关键性质。 除了用于分析泊松过程外，还可以在其他各种环境中找到。
指数分布的可加性公式：f(x)=λe^(-λx)。
正态分布是所有分布趋于极限大样本的分布，属于连续分布。二项分布与泊松分布，则都是离散分布，二项分布的极限分布是泊松分布、泊松分布的极限分布是正态分布。即np=λ,当n很大时，可以近似相等。
指数函数的一个重要特征：
是无记忆性（Memoryless Property，又称遗失记忆性）。这表示如果一个随机变量呈指数分布，当s,t>0时有P(T>t+s|T>t)=P(T>s)。即，如果T是某一元件的寿命，已知元件使用了t小时，它总共使用至少s+t小时的条件概率，与从开始使用时算起它使用至少s小时的概率相等。
绛旓細浣犲ソ锛佽嫢f(x)=位exp(-位x)锛屽垯绉癤鏈嶄粠鍙傛暟涓何荤殑鎸囨暟鍒嗗竷銆傛墍浠ヨX鏈嶄粠鍙傛暟涓簄鐨勬寚鏁板垎甯冩椂锛屼唬鍏ョ殑鏄=n鑰屼笉鑳芥槸1/n銆傜粡娴庢暟瀛﹀洟闃熷府浣犺В绛旓紝璇峰強鏃堕噰绾炽傝阿璋紒
绛旓細鍦ㄦ暟瀛︿腑锛岃繛缁瀷闅忔満鍙橀噺鐨勬鐜囧瘑搴﹀嚱鏁帮紙鍦ㄤ笉鑷充簬娣锋穯鏃跺彲浠ョ畝绉颁负瀵嗗害鍑芥暟锛夋槸涓涓弿杩拌繖涓殢鏈哄彉閲忕殑杈撳嚭鍊硷紝鍦ㄦ煇涓‘瀹氱殑鍙栧肩偣闄勮繎鐨勫彲鑳芥х殑鍑芥暟銆鎸囨暟鍒嗗竷鐨勫垎甯冨嚱鏁扮敱涓嬪紡缁欏嚭锛
绛旓細鏂瑰樊鏄 閲忔暟鎹垎甯冪鏁ｇ▼搴︾殑涓涓噸瑕佹寚鏍囷紝瀹冭〃绀烘暟鎹笌鍏跺潎鍊间箣闂寸殑骞冲潎鍋忕绋嬪害銆傚浜鎸囨暟鍒嗗竷鏉ヨ锛屽叾鏂瑰樊D(X)绛変簬鍙傛暟λ鐨勫掓暟鐨勫钩鏂癸紝鍗矰(X) = 1/λ²銆傝繖涓鍏紡鍛婅瘔鎴戜滑锛屽綋λ瓒婂ぇ鏃讹紝浜嬩欢鍙戠敓鐨勫钩鍧囬熺巼瓒婂揩锛屾暟鎹垎甯冭秺闆嗕腑锛屾柟宸秺灏忥紱鍙嶄箣锛屽綋λ瓒婂皬鏃讹紝...
绛旓細杩欎釜鍙敤璇炬湰涓婄殑甯哥敤杩炵画鎬ч殢鏈哄彉閲忕殑鍒嗗竷涓殑鍐呭瑙ｃ傛湁涓夌鍒嗗竷锛屽垎鍒槸鍧囧寑鍒嗗竷锛鎸囨暟鍒嗗竷鍜屾鎬佸垎甯冧功涓婃湁鐩存帴鐨鍏紡鍙互浣跨敤 杩欐槸鎸囨暟鍒嗗竷F(x)=1-e^(-位x) (x>0)鐨勫叕寮忥紝杩樻湁f(x)鐨勫叕寮忔槸位e^(-位x)(x>0)澶х殑F锛圶锛夊拰灏忕殑f(x)鐨勫叕寮忔槸鏈夊尯鍒殑锛屽綋鐒秄(x)=F(x)姹傚鐨勶紝鑰孎...
绛旓細姒傜巼瀵嗗害鍑芥暟:鍦ㄦ暟瀛︿腑锛岃繛缁瀷闅忔満鍙橀噷鐨勬鐜囧瘑搴﹀嚱鏁帮紙鍦ㄤ笉鑷充簬娣锋穯鏃跺彲浠ョ畝绉颁负瀵嗗害鍑芥暟锛夋槸涓涓弿杩拌繖涓殢鏈哄彉閲岀殑杈撳嚭鍊硷紝鍦ㄦ煇涓‘瀹氱殑鍙栧肩偣闄勮繎鐨勫彲鑳芥х殑鍑芥暟銆鍏紡锛氬叾涓叆>0鏄垎甯冪殑涓涓弬鏁,甯歌绉颁负鐜囧弬鏁(rate par ameter)銆傚嵆姣忓崟浣嶆椂闂村唴鍙戠敓鏌愪簨浠剁殑娆℃暟銆鎸囨暟鍒嗗竷鐨勫尯闂存槸[o, oo)...
绛旓細绠鍗曟潵璇达紝鍒嗗竷鍑芥暟灏辨槸鎻忚堪浜嗕竴涓殢鏈哄彉閲忓彇鏌愪釜鍊间互涓嬬殑姒傜巼銆備緥濡傦紝瀵逛簬鏍囧噯姝ｆ佸垎甯冿紝鎴戜滑鍙互鐢ㄥ垎甯冨嚱鏁版潵璁＄畻涓涓殢鏈哄彉閲忓皬浜庢垨绛変簬0鐨勬鐜囥備緥濡傦細鎸囨暟鍒嗗竷鐨勫垎甯冨嚱鏁鍏紡鏄疐锛埾囷紝位锛=1-e^(-位蠂)锛埾>=0锛夛紱F锛埾囷紝位锛=0锛埾<0锛夈傚叾涓 > 0鏄垎甯冪殑涓涓弬鏁帮紝甯歌绉颁负鐜囧弬鏁...
绛旓細涓轰簡鏇寸洿瑙傚湴鐞嗚В杩欎釜姒傚康锛屾垜浠彲浠ヤ妇涓涓緥瀛愩傚亣璁炬垜浠湁涓涓伅娉★紝瀹冪殑骞冲潎瀵垮懡鏄1000灏忔椂銆傞偅涔堬紝鎴戜滑鍙互璇寸伅娉＄殑瀵垮懡鏈嶄粠鍙傛暟涓λ=1/1000鐨鎸囨暟鍒嗗竷銆傛牴鎹寚鏁板垎甯冪殑鍧囧鍏紡锛屾垜浠彲浠ヨ绠楀嚭鐏场瀵垮懡鐨勫潎鍊间篃鏄1000灏忔椂銆傝繖鎰忓懗鐫锛屽鏋滄垜浠殢鏈洪夋嫨涓涓伅娉″苟瑙傚療瀹冪殑瀵垮懡锛岄偅涔堝钩鍧囨潵璇达紝杩欎釜...
绛旓細x:琛ㄧず鍑芥暟鐨勬暟鍊笺俵ambda:琛ㄧず鍙傛暟鍊笺俢umulative:琛ㄧず纭畾鎸囨暟鍑芥暟褰㈠紡鐨勯昏緫鍊硷紝鑻umulative涓篢RUE锛屽垯EXPONDIST鍑芥暟杩斿洖绉疮 鍒嗗竷鍑芥暟;鑻umulative涓篎ALSE锛屼繍EXPONDIST鍑芥暟杩斿洖姒傜巼瀵嗗害鍑芥暟銆係tep01 閫変腑B4鍗曞厓鏍硷紝鍦鍏紡缂栬緫鏍忎腑杈撳叆鍏紡: =EXPONDIST(A2锛孊2锛孴RUE)鎸塃nter閿嵆鍙绠楀嚭绱Н鎸囨暟鍒嗗竷鍑芥暟...
绛旓細鎸囨暟鍒嗗竷婊¤冻濡傚浘鍏紡 鎵浠ュ垎甯冨嚱鏁板氨鏄埆_0^x▒銆栁籩^(-位x) dx銆=-鈭玙0^x▒銆杄^(-位x) d(-位x銆)= 1- e^锛嵨籜, 甯屾湜鏈夋墍甯姪
