为什么指数分布是无记忆的：条件概率恒等性

指数分布是概率论中最常用的连续分布之一，常用于描述“等待时间”——比如设备寿命、排队时间、放射性衰变间隔。它有一个反直觉的独特性质：无记忆性。简单说就是“已经用了很久的旧设备，在下一个瞬间坏掉的概率，和一台全新设备完全相同”。这篇文章手把手带你从条件概率公式出发，推导出这个恒等式，并解释它为什么成立。

1. 从定义出发：写出指数分布的概率密度函数

使用指数分布的标准定义。若随机变量 $X$ 服从参数为 $\lambda$ 的指数分布（$\lambda > 0$），其概率密度函数为：

$$f_X(t) = \lambda e^{-\lambda t}, \quad t \geq 0$$

计算其累积分布函数 $F_X(t) = P(X \leq t)$，即“在前 $t$ 个单位时间内事件已经发生”的概率：

$$F_X(t) = \int_0^t \lambda e^{-\lambda s} \, ds = 1 - e^{-\lambda t}$$

推导生存函数 $S(t)$，即“到时间 $t$ 为止事件尚未发生”的概率：

$$S(t) = P(X > t) = 1 - F_X(t) = e^{-\lambda t}$$

这个 $e^{-\lambda t}$ 是整个推导的核心基础。记住这个生存函数的指数形式。

2. 理解条件概率：先明确题干中的事件

设 $X$ 表示某设备的使用寿命，服从指数分布。现在已知该设备已经工作了 $s$ 秒（$s > 0$），你想知道它还能再工作至少 $t$ 秒的概率。

写出这个概率的数学表示：在“$X > s$”已经发生的条件下，“$X > s + t$”也发生的概率：

$$P(X > s + t \mid X > s)$$

展开条件概率公式。回忆条件概率的定义：$P(A|B) = \frac{P(A \cap B)}{P(B)}$，其中 $A$ 和 $B$ 都是事件。这里令 $A = \{X > s + t\}$，$B = \{X > s\}$：

$$P(X > s + t \mid X > s) = \frac{P(X > s + t \ \text{且} \ X > s)}{P(X > s)}$$

化简分子。因为“$X > s + t$”本身就蕴含了“$X > s$”（只要寿命超过 $s+t$，自然超过 $s$），所以两个条件同时成立等价于“$X > s + t$”单独成立：

$$P(X > s + t \mid X > s) = \frac{P(X > s + t)}{P(X > s)}$$

代入第 1 步得到的生存函数 $S(t) = e^{-\lambda t}$：

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

3. 完成核心证明：指数的除法法则带来恒等性

执行指数的减法运算。同底数幂相除，指数相减：

$$\frac{e^{-\lambda (s+t)}}{e^{-\lambda s}} = e^{-\lambda (s+t) + \lambda s} = e^{-\lambda t}$$

对比等号两端的含义。左边是在“已存活 $s$ 秒”条件下再存活 $t$ 秒的概率；右边是全新设备直接存活 $t$ 秒的概率 $P(X > t)$。因此：

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

读取这条恒等式的含义：历史存活时间 $s$ 被完全消去了，条件概率退化为无条件概率。这就是指数分布无记忆性的数学体现。

归纳出关键结论：指数分布是唯一具有连续无记忆性的分布。也就是说，在所有连续分布中，只有指数分布满足上述恒等式。这一点是后续一切应用的基础。

4. 验证直觉：用数值例子感受“无记忆”有多反直觉

假设某设备的寿命服从 $\lambda = 0.1$ 的指数分布（单位：小时），则其平均寿命为 $10$ 小时。

计算一台全新设备工作超过 $5$ 小时的概率：

$$P(X > 5) = e^{-0.1 \times 5} = e^{-0.5} \approx 0.6065$$

计算同一台设备已经工作了 $1000$ 小时，再工作超过 $5$ 小时的概率：

$$P(X > 1005 \mid X > 1000) = e^{-0.1 \times 5} = e^{-0.5} \approx 0.6065$$

对比两个结果：完全相等。即使设备已经运行了 1000 小时（远超过平均寿命 10 小时），它在未来 5 小时内继续运作的概率，和一台从未运行过的新设备一样。这就是为什么指数分布常被用来建模“无老化过程”的系统。

5. 深入一步：从风险函数看无记忆性的根源

定义风险函数 $h(t)$，表示在时刻 $t$ 存活的条件下，瞬时故障率：

$$h(t) = \frac{f_X(t)}{S(t)}$$

代入指数分布的密度函数和生存函数：

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

观察结果：风险函数是常数 $\lambda$，不随时间 $t$ 变化。这意味着在任意时刻，故障的瞬时速率都相同——设备不会因为“变老”而更容易坏。这正是无记忆性的底层原因。

对比其他分布：威布尔分布的风险函数通常随 $t$ 递增（老龄化），因此它没有无记忆性。只有指数分布的恒定风险函数才能推出无记忆性这个性质。

6. 反向思考：无记忆性如何反过来推出指数分布

假设一个连续分布满足无记忆性恒等式：

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

推导其生存函数必须满足的函数方程。利用条件概率公式，令 $G(t) = P(X > t)$：

$$\frac{G(s+t)}{G(s)} = G(t)$$

改写为乘法形式：

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

求解这个函数方程。在连续函数且 $G(0) = 1$ 的条件下，唯一解是指数函数：

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

识别出这正是指数分布的生存函数。因此，无记忆性不仅是指数分布的性质，更是它的判别特征：凡是满足无记忆性的连续分布，必为指数分布。

7. 应用与限制：什么场景适合用指数分布

场景一：放射性粒子衰变。每个粒子衰变的概率在任意时刻都相同，因此相邻衰变之间的间隔时间服从指数分布。

场景二：随机到达的顾客。如果顾客到达间隔严格服从指数分布，那么无论你已经等了多久，未来再等 1 分钟的概率不变。这在排队论中称为“泊松过程”。

场景三：电子元件的偶然故障期。在浴盆曲线的底部，故障率近似恒定，适合用指数分布建模。但注意：磨损期和老化期不能用指数分布。

执行以下三步，快速判断某个实际问题能否用指数分布建模：

1. 检查风险函数是否恒定。方法是收集历史故障数据，看不同时间段的瞬时故障率是否大致相同。
2. 验证无记忆性是否合理。问自己：一个已经工作了 100 小时的旧设备和一台新设备，在下一个 10 小时内坏掉的风险真的相同吗？
3. 选择其他分布（如威布尔分布、对数正态分布）来表示老化或损耗过程。

8. 用模拟实验验证无记忆性

运行以下 Python 代码，模拟 100 万个指数分布样本，直接计算条件概率并对比理论值：

import numpy as np

lambda_ = 0.5
n = 1_000_000
s, t = 2.0, 3.0

# 生成服从 Exp(lambda) 的样本
samples = np.random.exponential(scale=1/lambda_, size=n)

# 条件概率: 在 X > s 的条件下, X > s+t 的比例
cond = samples > s
n_cond = np.sum(cond)
n_cond_and_survive = np.sum(samples > s + t)
empirical = n_cond_and_survive / n_cond

# 理论值
theoretical = np.exp(-lambda_ * t)

print(f"模拟条件概率: {empirical:.4f}")
print(f"理论无条件概率 P(X > t): {theoretical:.4f}")

观察输出结果：两个数值几乎相等，误差在 0.001 以内。这个实验通过随机抽样直接验证了恒等式 $P(X > s+t \mid X > s) = P(X > t)$ 在统计意义上成立。