Exponential distribution

簡介：歡迎來到「等待」分佈的世界！

你是否曾經坐在巴士站，心想下一班巴士還需要多久才會到？又或者，你是否曾等待過放射性原子的衰變，或是等待一個燈泡最終壽終正寢？在統計學中，當我們想要為隨機事件之間的時間或距離建立模型時，我們會使用指數分佈（Exponential Distribution）。

你可以把它想像成 Poisson 分佈的「等待時間」版本。Poisson 分佈告訴我們在特定時間內會發生多少次事件，而指數分佈則告訴我們兩次事件之間會經過多少時間。如果現在聽起來覺得有點深奧，別擔心，我們將一步步為你拆解！

1. 什麼是指數分佈？

指數分佈是一種連續概率分佈（Continuous probability distribution）。這是一個非常重要的區別！與處理計數（如 0, 1, 2...）的離散分佈（如二項分佈或 Poisson 分佈）不同，連續分佈處理的是測量值，例如時間、重量或距離，這些數值可以是任何數（例如 1.5 秒或 2.718 分鐘）。

關鍵詞：速率參數 \(\lambda\) (Lambda)
指數分佈的形狀取決於一個名為 \(\lambda\) 的數值，它代表每單位時間內事件發生的平均次數。

例子：如果一個客戶服務中心每小時平均接到 10 個電話，那麼 \(\lambda = 10\)。指數分佈就能幫助我們計算下一個電話到來前需等待特定時間的概率。

速覽小冊

- 類型： 連續分佈。
- 用途： 為事件之間的時間間隔建立模型。
- 主要參數： \(\lambda\)（事件發生的速率）。

2. 概率密度函數 (PDF)

概率密度函數 (Probability Density Function)，即 \(f(x)\)，描述了分佈的「形狀」。對於指數分佈，其公式為：

\( f(x) = \lambda e^{-\lambda x} \) 當 \( x \ge 0 \) 時

若 \( x < 0 \)，則 \( f(x) = 0 \)。

圖表長什麼樣子？
想像一條從 y 軸高處開始，向 x 軸彎曲向下的滑梯，它會越來越靠近 x 軸，但永遠不會真正接觸到它。

你知道嗎？
概率最高的地方始終在 \( x = 0 \)。這意味著在指數分佈中，較短的等待時間比非常長的等待時間更有可能發生。

3. 求概率：累積概率分佈函數 (CDF)

在考試中，通常不會直接問你 PDF。相反地，題目會要求你計算等待時間小於或大於某個值的概率。為此，我們使用累積概率分佈函數 (Cumulative Distribution Function, CDF)，記作 \(F(x)\)。

時間 \(X\) 小於或等於某個值 \(x\) 的概率為：

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

「大於」的技巧：
因為總概率必須加起來等於 1，所以計算等待時間超過某個值的概率會更簡單！

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

如果覺得這裡有點難也不用擔心！只要記住：「大於」是很簡單的（直接用 \(e^{-\lambda x}\)），而「小於」則是你要用 1 減去那個值。

避免常見錯誤

確保你的 \(\lambda\) 和 \(x\) 的單位一致！如果 \(\lambda\) 是每小時的速率，那麼 \(x\) 必須以小時為單位。如果題目給的是分鐘，請先將其轉換為小時。

4. 平均值與方差

你經常會被要求計算等待時間的「平均值」（mean）和「離散程度」（variance）。這些公式非常簡單，但很容易搞混！

1. 平均值 (期望值)：
\( E(X) = \frac{1}{\lambda} \)

類比：如果你每小時有 2 班巴士（\(\lambda = 2\)），那麼平均等車時間就是 \(1/2\) 小時（即 30 分鐘）。

2. 方差：
\( Var(X) = \frac{1}{\lambda^2} \)

3. 標準差：
標準差是方差的平方根，因此對於指數分佈：
\( \sigma = \sqrt{\frac{1}{\lambda^2}} = \frac{1}{\lambda} \)

等等！你注意到了嗎？對於指數分佈來說，平均值和標準差是完全一樣的！這是一個獨特的屬性，你可以用它來檢查自己的計算結果。

重點總結

- 平均值： \( 1 / \lambda \)
- 方差： \( 1 / \lambda^2 \)
- 標準差： \( 1 / \lambda \)

5. 步驟範例

問題：顧客進入商店的時間間隔服從指數分佈，速率為每小時 4 位顧客。
a) 求顧客之間的平均時間。
b) 求下一位顧客在 15 分鐘內到達的概率。

步驟 1：識別 \(\lambda\)
速率是每小時 4 位，所以 \(\lambda = 4\)。

步驟 2：解決部分 (a) - 平均值
\( E(X) = 1 / \lambda = 1 / 4 = 0.25 \) 小時（即 15 分鐘）。

步驟 3：解決部分 (b) - 概率
首先，檢查單位。\(\lambda\) 是以小時為單位，但題目說是 15 分鐘。
將 15 分鐘轉換為小時：\( 15 / 60 = 0.25 \) 小時。
我們想要的是「15 分鐘內」，也就是 \( P(X \le 0.25) \)。

使用公式 \( P(X \le x) = 1 - e^{-\lambda x} \)：
\( P(X \le 0.25) = 1 - e^{-(4 \times 0.25)} \)
\( P(X \le 0.25) = 1 - e^{-1} \)
\( P(X \le 0.25) \approx 1 - 0.3679 = 0.632 \)（取小數點後三位）。

6. 無記憶性 (Memoryless Property)

指數分佈有一個非常奇特且著名的屬性，稱為「無記憶性」。

簡單來說，這意味著無論你已經等待了多久，在接下來的 10 分鐘內發生事件的概率永遠是一樣的。

類比：如果你在等待放射性粒子衰變，粒子並不會因為還沒衰變就變得「疲累」或「更接近衰變」。無論你是剛開始觀察，還是已經觀察了一小時，它在下一秒衰變的概率都是一樣的。

注意：在現實生活中，電池或汽車引擎等物件並不完全符合此特性，因為它們會隨著時間磨損。但對於像放射性衰變或網站點擊量這類隨機事件，這項特性非常準確！

成功考試清單

考前請確保你能：
- 從題目中識別出 \(\lambda\)。
- 使用 \( 1 - e^{-\lambda x} \) 來計算「小於」的概率。
- 使用 \( e^{-\lambda x} \) 來計算「大於」的概率。
- 計算平均值 (\(1/\lambda\)) 和方差 (\(1/\lambda^2\))。
- 再三檢查你的時間單位是否與速率單位一致！