【指数分布期望方差证明方法】指数分布是概率论中一种重要的连续型概率分布，广泛应用于可靠性工程、排队论和生存分析等领域。其概率密度函数（PDF）为：
$$
f(x) = \lambda e^{-\lambda x}, \quad x \geq 0
$$
其中，$\lambda > 0$ 是分布的参数，表示事件发生的速率。
本文将对指数分布的期望（均值）和方差进行推导，并以总结形式配合表格展示关键信息。
一、期望（均值）的证明
期望 $E(X)$ 的定义为：
$$
E(X) = \int_{0}^{\infty} x \cdot f(x) \, dx = \int_{0}^{\infty} x \cdot \lambda e^{-\lambda x} \, dx
$$
使用分部积分法：
令 $u = x$, $dv = \lambda e^{-\lambda x} dx$，则 $du = dx$，$v = -e^{-\lambda x}$
$$
\int x \cdot \lambda e^{-\lambda x} dx = -x e^{-\lambda x} + \int e^{-\lambda x} dx
$$
计算定积分：
$$
E(X) = \left[ -x e^{-\lambda x} \right]_0^{\infty} + \int_{0}^{\infty} e^{-\lambda x} dx
$$
第一项在 $x=0$ 时为 0，在 $x \to \infty$ 时也为 0；第二项为：
$$
\int_{0}^{\infty} e^{-\lambda x} dx = \frac{1}{\lambda}
$$
因此，指数分布的期望为：
$$
E(X) = \frac{1}{\lambda}
$$
二、方差的证明
方差的定义为：
$$
Var(X) = E(X^2) - [E(X)]^2
$$
先求 $E(X^2)$：
$$
E(X^2) = \int_{0}^{\infty} x^2 \cdot \lambda e^{-\lambda x} \, dx
$$
同样使用分部积分法，设 $u = x^2$, $dv = \lambda e^{-\lambda x} dx$，则 $du = 2x dx$, $v = -e^{-\lambda x}$
$$
\int x^2 \cdot \lambda e^{-\lambda x} dx = -x^2 e^{-\lambda x} + 2 \int x e^{-\lambda x} dx
$$
计算定积分：
$$
E(X^2) = \left[ -x^2 e^{-\lambda x} \right]_0^{\infty} + 2 \int_{0}^{\infty} x e^{-\lambda x} dx
$$
第一项仍为 0，第二项即为 $2 \cdot E(X) = 2 \cdot \frac{1}{\lambda}$
所以：
$$
E(X^2) = \frac{2}{\lambda^2}
$$
代入方差公式：
$$
Var(X) = \frac{2}{\lambda^2} - \left( \frac{1}{\lambda} \right)^2 = \frac{1}{\lambda^2}
$$
三、总结与对比
| 指标 | 公式 | 推导方式 | 说明 |
| 期望 $E(X)$ | $\frac{1}{\lambda}$ | 分部积分法 | 表示平均发生时间 |
| 方差 $Var(X)$ | $\frac{1}{\lambda^2}$ | 期望平方差法 | 表示数据的离散程度 |
四、结论
指数分布具有记忆无性，其期望和方差仅依赖于参数 $\lambda$，且方差等于期望的平方。这一特性使得它在实际应用中非常方便，尤其适用于描述独立事件之间的时间间隔问题。通过上述推导过程可以看出，数学工具如积分和分部积分法在概率分布研究中具有重要作用。
