【指数分布期望方差是怎么证明的】指数分布是概率论和统计学中常见的连续型概率分布，常用于描述事件发生的时间间隔。例如，在可靠性工程中，它常用来描述设备故障时间；在排队论中，它常用来描述顾客到达时间等。

指数分布的概率密度函数（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。

一、期望的证明

指数分布的期望 $E(X)$ 定义为：

$$

E(X) = \int_0^\infty x \cdot f(x) \, dx = \int_0^\infty x \cdot \lambda e^{-\lambda x} \, dx

$$

我们使用分部积分法来计算这个积分：

令 $u = x$, $dv = \lambda e^{-\lambda x} dx$，则有：

- $du = dx$

- $v = -e^{-\lambda x}$

根据分部积分公式：

$$

\int u \, dv = uv - \int v \, du

$$

代入得：

$$

\int_0^\infty x \cdot \lambda e^{-\lambda x} \, dx = \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（因为指数衰减比线性增长快），所以第一项为 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 $Var(X)$ 的定义为：

$$

Var(X) = E(X^2) - [E(X)]^2

$$

我们先计算 $E(X^2)$：

$$

E(X^2) = \int_0^\infty x^2 \cdot \lambda e^{-\lambda x} \, dx

$$

同样使用分部积分法。令：

- $u = x^2$

- $dv = \lambda e^{-\lambda x} dx$

则：

- $du = 2x dx$

- $v = -e^{-\lambda x}$

代入分部积分公式：

$$

\int x^2 \cdot \lambda e^{-\lambda x} dx = -x^2 e^{-\lambda x} \bigg_0^\infty + \int_0^\infty 2x e^{-\lambda x} dx

$$

第一项仍为 0，第二项为：

$$

2 \int_0^\infty x e^{-\lambda x} dx = 2 \cdot \frac{1}{\lambda^2} = \frac{2}{\lambda^2}

$$

因此，

$$

E(X^2) = \frac{2}{\lambda^2}

$$

再代入方差公式：

$$

Var(X) = \frac{2}{\lambda^2} - \left( \frac{1}{\lambda} \right)^2 = \frac{2}{\lambda^2} - \frac{1}{\lambda^2} = \frac{1}{\lambda^2}

$$

三、总结

以下是指数分布期望与方差的总结表格：

四、小结

指数分布作为描述独立事件发生时间间隔的重要模型，其期望和方差具有明确的数学表达形式。通过积分运算和分部积分法，可以较为直观地推导出这些结果。理解这些性质有助于在实际问题中更好地应用指数分布进行建模和分析。