---
title: "指數分佈（Exponential distribution）"
slug: exponential-distribution
language: zh-TW
source: https://aiterms.tw/terms/exponential-distribution
updated_at: 2026-07-30
tags: [機率統計, 指數分佈, 無記憶性, 泊松過程, 可靠度分析, 資料科學]
ipas_term: false
---

# 指數分佈（Exponential distribution）

描述隨機事件發生的等待時間或相鄰事件間隔的連續機率分佈，具備無記憶性。

## 完整說明

指數分佈（Exponential Distribution）是描述泊松過程中相鄰事件時間間隔的連續機率分佈。其機率密度函數為 f(x; λ) = λe^(-λx)（x ≥ 0），其中 λ > 0 為事件發生率（速率參數）。指數分佈的期望值（均值）為 1/λ，變異數為 1/λ²。其最重要的特性是無記憶性（Memoryless Property）：已等待一段時間的條件下，繼續等待所需時間的分佈與從頭開始等待相同。

## 常見問題

### 指數分佈的「無記憶性」在實際上有哪些意涵與限制？

無記憶性意味著在指數分佈的假設下，一個系統或事件的未來行為完全不受過去歷史的影響。這在某些真實場景中是合理的近似：例如放射性衰變、電子元件的純隨機故障；但在許多工程場景中是不現實的：例如機械零件通常會隨使用時間增長而加速老化（失效率遞增），此時應使用韋伯分佈而非指數分佈。在機器學習模型的使用場景中，若模型的「過時」風險（因資料漂移導致的性能下降）隨時間加速，就不應假設指數壽命，而需要更細緻的時變失效率模型。

### 指數分佈和泊松分佈有什麼關係？

兩者是同一個隨機過程（泊松過程）的不同視角。泊松分佈描述固定時間窗口內隨機事件的發生次數：例如某小時內到達客服的電話數量服從泊松分佈；指數分佈則描述相鄰兩次事件之間的等待時間：例如兩通客服電話之間的間隔時間服從指數分佈。如果單位時間事件次數服從泊松分佈（參數 λ），則相鄰事件的等待時間就服從速率參數為 λ 的指數分佈。理解這個對偶關係對於建構排隊模型、模擬隨機事件序列、以及分析 AI 服務的請求模式都非常重要。

### 在 AI 相關的資料集中，什麼樣的數據適合用指數分佈來建模？

指數分佈適合建模「非負且具備無記憶特性」的時間間隔或等待時間資料。在 AI 應用中，常見的例子包括：用戶在電商網站上兩次購買之間的間隔時間（若購買行為近似隨機）、網路服務請求的到達間隔（在低負載的泊松到達假設下）、AI 模型推論的等待佇列時間（M/M/1 排隊模型的基本假設）。要驗證資料是否符合指數分佈，常用的方法包括繪製 Q-Q 圖（Quantile-Quantile Plot）、計算偏態係數是否接近 2，以及使用 Kolmogorov-Smirnov 或 Anderson-Darling 檢定。若資料呈現遞增或遞減的風險率，應考慮更彈性的韋伯分佈。

---

來源：https://aiterms.tw/terms/exponential-distribution
快查頁：https://aiterms.tw/terms/exponential-distribution
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-exponential-distribution