指数分布

同義語:exponential distribution

概要

指数分布(exponential distribution)とは、率 $\lambda>0$ について密度 $\lambda e^{-\lambda x}$($x\ge0$)をもつ $\mathbb{R}$ 上の確率分布で、起こるまでの待ち時間 $X$ の模型であり、$P(X>t)=e^{-\lambda t}$($t\ge0$)、平均は $1/\lambda$、分散は $1/\lambda^2$ である。$P(X>0)>0$ を満たす実数値の確率変数が、すべての実数 $s,t\ge0$ で $P(X>s+t)=P(X>s)P(X>t)$ を満たす(無記憶性)ことと、指数分布に従うことは同値である。独立な指数分布の最小値は率の和の指数分布に従い、どれが最小かは最小値と独立に率の比で決まる。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 確率分布, 確率密度関数, 独立性(確率論)

放射性の原子が壊れるまでの時間、窓口に次の客が来るまでの時間、部品が突然故障するまでの時間のように、「いつ起こってもおかしくないことが起こるまでの待ち時間」の模型になるのが 指数分布(exponential distribution)である。率 $\lambda>0$ の指数分布に従う待ち時間 $X$ は、時刻 $t\ge0$ を過ぎても起こっていない確率が $P(X>t)=e^{-\lambda t}$ で与えられる。
指数分布を特徴づけるのは 無記憶性 である。すでに $s$ だけ待って起こっていないとき、さらに $t$ 以上待つ確率は、待ち始めたときに $t$ 以上待つ確率と同じである。待った時間が何の情報にもならないこの性質をもつ分布は、指数分布しかない。
この記事では、指数分布を定義して積率・特性関数を求め、主定理として次の 2 つを示す。(1) 無記憶性をもつ分布は、$P(X>0)>0$ のもとで指数分布に限る(密度の存在は仮定しない)。(2) 独立な指数分布に従う待ち時間の最小値はまた指数分布に従い、どれが最初に起こるかは最小値と独立に、率の比で決まる。あわせて、幾何分布・ガンマ分布・Poisson 過程との関係を述べる。

定義

指数分布

$\lambda>0$ とする。密度
$$ p(x)=\begin{cases}\lambda e^{-\lambda x}&(x\ge0)\\0&(x< 0)\end{cases} $$
をもつ $\mathbb{R}$ の上の確率分布を、率(rate)$\lambda$ の 指数分布 といい、$\mathrm{Exp}(\lambda)$ と書く。

$\int_0^\infty\lambda e^{-\lambda x}\,dx=1$ なので $p$ は密度である。分布関数 $F$ と、$t$ を過ぎても起こらない確率(生存関数)$G(t):=1-F(t)$ は
$$ F(t)=1-e^{-\lambda t},\qquad G(t)=P(X>t)=e^{-\lambda t}\qquad(t\ge0) $$
であり、$t< 0$ では $F(t)=0$ である(Dur19 Example 1.2.4、p. 12)。$1/\lambda$ を尺度といい、本によっては平均 $\theta=1/\lambda$ を使って密度を $\theta^{-1}e^{-x/\theta}$ と書く。この記事の $\lambda$ は単位時間あたりに起こる「率」である。

尺度の変換

$X\sim\mathrm{Exp}(\lambda)$、$c>0$ ならば $cX\sim\mathrm{Exp}(\lambda/c)$ である。とくに $X\sim\mathrm{Exp}(1)$ なら $X/\lambda\sim\mathrm{Exp}(\lambda)$ である。

生存関数で比べる

$t\ge0$ について $P(cX>t)=P(X>t/c)=e^{-(\lambda/c)t}$ であり、$t< 0$ では $P(cX\le t)=0$ である。分布関数が $\mathrm{Exp}(\lambda/c)$ のものと一致するので、確率分布 の定理「同分布の判定」により $cX\sim\mathrm{Exp}(\lambda/c)$ である。$\square$

積率と特性関数

積率・積率母関数・特性関数

$X\sim\mathrm{Exp}(\lambda)$ とする。

  1. $k=0,1,2,\dots$ について $E[X^k]=\dfrac{k!}{\lambda^k}$ である。とくに $E[X]=\dfrac1\lambda$、$V[X]=\dfrac1{\lambda^2}$ である。
  2. 実数 $s$ について、$E[e^{sX}]$ は $s< \lambda$ なら $\dfrac\lambda{\lambda-s}$ であり、$s\ge\lambda$ なら $\infty$ である。
  3. 実数 $t$ について $E[e^{itX}]=\dfrac\lambda{\lambda-it}$ である。
  4. 中央値は $\dfrac{\log2}\lambda$ である。
部分積分と指数関数の積分

1:prop-exp-scale により $X\overset{d}{=}Y/\lambda$($Y\sim\mathrm{Exp}(1)$)なので、$\lambda=1$ の場合に $I_k:=\int_0^\infty x^ke^{-x}\,dx=k!$ を示せばよい($E[X^k]=E[Y^k]/\lambda^k$)。$I_0=1$ であり、$k\ge1$ では部分積分により $I_k=\bigl[-x^ke^{-x}\bigr]_0^\infty+k\int_0^\infty x^{k-1}e^{-x}\,dx=kI_{k-1}$ である($x^ke^{-x}\to0$)。よって $I_k=k!$ である。$V[X]=\frac2{\lambda^2}-\frac1{\lambda^2}=\frac1{\lambda^2}$ である。
2:$E[e^{sX}]=\int_0^\infty\lambda e^{-(\lambda-s)x}\,dx$ であり、$s< \lambda$ ならこれは $\frac\lambda{\lambda-s}$、$s\ge\lambda$ なら被積分関数が $\lambda$ 以上なので $\infty$ である。
3:$\frac{d}{dx}\frac{e^{(it-\lambda)x}}{it-\lambda}=e^{(it-\lambda)x}$(実部と虚部に分けて確かめられる)と $\lvert e^{(it-\lambda)x}\rvert=e^{-\lambda x}\to0$ から、$\int_0^\infty\lambda e^{(it-\lambda)x}\,dx=\frac{-\lambda}{it-\lambda}=\frac\lambda{\lambda-it}$ である。
4:$F(m)=\frac12$ を解くと $e^{-\lambda m}=\frac12$、$m=\frac{\log2}\lambda$ である。$F$ は $[0,\infty)$ で狭義単調増加かつ連続なので、中央値はこの 1 点である。$\square$

$\lambda=1$ の場合の 1 と 3 は Dur19 Example 1.6.10(p. 33)と Example 3.3.8(p. 128)にある。2 は指数分布が ガンマ分布 の形のパラメータ $1$ の場合であることからも分かる(ガンマ分布 の定理「積率と積率母関数」)。平均 $\frac1\lambda$ は、率 $\lambda$(単位時間に平均 $\lambda$ 回)で起こることの平均の待ち時間である。標準偏差も $\frac1\lambda$ で、平均と同じ大きさのばらつきがある。

主定理 1:無記憶性による特徴づけ

無記憶性

実数値の確率変数 $X$ が、すべての $s,t\ge0$ について
$$ P(X>s+t)=P(X>s)\,P(X>t) $$
を満たすとき、$X$(またはその分布)は 無記憶性 をもつという。$P(X>s)>0$ のとき、これは
$$ P(X>s+t\mid X>s)=P(X>t) $$
と同じことである。

条件付き確率の形は、「$s$ まで起こらなかった」と知っても、その先の待ち時間の分布が変わらないことを述べている(Dur19 (3.7.1)、p. 176)。

無記憶性による指数分布の特徴づけ

$X$ を、$P(X>0)>0$ を満たす実数値の確率変数とする。$X$ が無記憶性をもつことと、ある $\lambda>0$ について $X\sim\mathrm{Exp}(\lambda)$ であることは同値である。

指数法則を満たす単調な関数

$X\sim\mathrm{Exp}(\lambda)$ なら $P(X>s+t)=e^{-\lambda(s+t)}=e^{-\lambda s}e^{-\lambda t}$ なので、無記憶性をもつ。
逆を示す。$t\ge0$ について $G(t):=P(X>t)=1-F_X(t)$ とおく。分布関数の性質(確率変数 の定理「分布関数の性質」)から、$G$ は単調非増加で右連続、$t\to\infty$ で $G(t)\to0$ であり、仮定から $G(s+t)=G(s)G(t)$($s,t\ge0$)である。
段 1($G(0)=1$). $G(0)=G(0+0)=G(0)^2$ なので $G(0)\in\{0,1\}$ であり、$G(0)=P(X>0)>0$ から $G(0)=1$ である。
段 2($0< G(1)< 1$). $n\ge1$ について、$G$ の式を繰り返し使うと $G(1)=G(1/n)^n$ である。$G(1)=0$ なら、すべての $n$ で $G(1/n)=0$ となり、右連続性から $G(0)=\lim_nG(1/n)=0$ で段 1 に反する。$G(1)=1$ なら $G(n)=G(1)^n=1$ がすべての $n$ で成り立ち、$G(n)\to0$ に反する。よって $\lambda:=-\log G(1)$ は正の実数である。
段 3(有理数の点). $G(1/n)\ge0$ と $G(1/n)^n=G(1)=e^{-\lambda}$ から $G(1/n)=e^{-\lambda/n}$ であり、正の整数 $m$ について $G(m/n)=G(1/n)^m=e^{-\lambda m/n}$ である。$G(0)=1$ と合わせて、$0$ 以上のすべての有理数 $q$ で $G(q)=e^{-\lambda q}$ である。
段 4(実数の点). $t\ge0$ をとり、有理数の列 $q_k\downarrow t$ をとると、右連続性から $G(t)=\lim_kG(q_k)=\lim_ke^{-\lambda q_k}=e^{-\lambda t}$ である。
したがって $t\ge0$ で $F_X(t)=1-e^{-\lambda t}$ である。$t< 0$ では $0\le F_X(t)\le F_X(0)=1-G(0)=0$ である。$F_X$ は $\mathrm{Exp}(\lambda)$ の分布関数に一致するので、確率分布 の定理「同分布の判定」により $X\sim\mathrm{Exp}(\lambda)$ である。$\square$

この証明は密度の存在を使わず、$G$ の単調性(右連続性)と関数方程式 $G(s+t)=G(s)G(t)$ だけを使う。$\log G$ は加法的な関数になるので、これは Cauchyの関数方程式 の単調な解が 1 次関数に限ることの、いまの場合の証明でもある。Dur19 Exercise 3.7.1(p. 176)は $P(X>0)=1$ を仮定してこの主張を問うているが、上の段 1 が示すように、$P(X>0)>0$ を仮定すれば $P(X>0)=1$ が従う。定理の仮定 $P(X>0)>0$ と、無記憶性の式をすべての実数 $s,t\ge0$ で課すことは、どちらも外せない(ex-exp-cx-zero、ex-exp-cx-lattice)。

主定理 2:独立な待ち時間の最小値

複数の出来事が独立に、それぞれ指数分布に従う時間で起こるとき、最初に起こる時刻とどれが最初かは、次のように決まる。

独立な指数分布の最小値

$T_1,\dots,T_n$ を独立な確率変数とし、$T_i\sim\mathrm{Exp}(\lambda_i)$($i=1,\dots,n$)とする。$\Lambda:=\lambda_1+\cdots+\lambda_n$、$M:=\min_iT_i$ とおく。

  1. $M\sim\mathrm{Exp}(\Lambda)$ である。
  2. 確率 $1$ で、最小値をとる添字 $J$($T_J=M$)はただ 1 つに決まり、$P(J=j)=\lambda_j/\Lambda$ である。
  3. $J$ と $M$ は独立である。
1 つを固定してほかが大きい確率を積分する

1:$t\ge0$ について、独立性から $P(M>t)=P(T_1>t,\dots,T_n>t)=\prod_ie^{-\lambda_it}=e^{-\Lambda t}$ であり、$t< 0$ では $P(M\le t)=0$ である。確率分布 の定理「同分布の判定」により $M\sim\mathrm{Exp}(\Lambda)$ である。
2・3:$T_1,\dots,T_n$ は独立なので、その同時分布は周辺分布の直積測度 $P_{T_1}\otimes\cdots\otimes P_{T_n}$ である(直積集合の上で一致し、Dynkinのπ-λ定理 の定理「π系の上で一致する測度の一意性」による)。まず $i\ne j$ について、Fubiniの定理 の定理「非負関数の累次積分の交換」で $T_j$ の値 $s$ を固定して積分すると
$$ P(T_i=T_j)=\int P(T_i=s)\,P_{T_j}(ds)=0 $$
である($T_i$ は密度をもつので 1 点の確率は $0$)。したがって確率 $1$ で $T_1,\dots,T_n$ はすべて異なり、$J$ はただ 1 つに決まる。次に $j$ と $t\ge0$ を固定する。同じく $T_j=s$ を固定して積分すると
$$ P(J=j,\ M>t)=P\bigl(T_j>t,\ T_i>T_j\ (i\ne j)\bigr)=\int_t^\infty\prod_{i\ne j}e^{-\lambda_is}\cdot\lambda_je^{-\lambda_js}\,ds=\frac{\lambda_j}\Lambda e^{-\Lambda t} $$
である。$t=0$ として $P(J=j)=\lambda_j/\Lambda$ を得る($P(M>0)=1$)。したがって、すべての $j$ と $t\ge0$ で $P(J=j,\ M>t)=P(J=j)\,P(M>t)$ である。$t< 0$ でも両辺は $P(J=j)$ で等しい。半直線 $(t,\infty)$ の全体と $\mathbb{R}$ からなる族は π 系で $\mathcal{B}(\mathbb{R})$ を生成するので、Dynkinのπ-λ定理 の命題「π系の独立性はσ-代数に広がる」を $\{\{J=j\}\mid j\}\cup\{\emptyset,\Omega\}$ と $\{\{M>t\}\}\cup\{\Omega\}$ に使えば、$J$ と $M$ は独立である。$\square$

$n=2$ の場合と一般の $n$ の場合は Dur19 Exercise 3.7.2・3.7.3(p. 176)にある。1 は、率は足し算されることを述べている。部品が 2 つあり、どちらか一方が壊れると全体が止まる装置では、止まるまでの時間の率は 2 つの率の和である。2・3 は、「最初の出来事がいつ起こったか」を知っても、「どれが起こったか」の確率は $\lambda_j/\Lambda$ のまま変わらないことを述べている。独立性を外すと 1 は成り立たない(ex-exp-cx-dependent)。

ほかの分布との関係

切り捨てると幾何分布

$X\sim\mathrm{Exp}(\lambda)$、$q:=e^{-\lambda}$ とする。整数部分 $K:=\lfloor X\rfloor$ は $P(K=k)=(1-q)q^k$($k=0,1,2,\dots$)を満たし、小数部分 $X-K$ は $K$ と独立で、$[0,1)$ の上の密度 $\lambda e^{-\lambda x}/(1-q)$ をもつ。

区間ごとに分ける

整数 $k\ge0$ と $0\le x< 1$ について
$$ P(K=k,\ X-K\le x)=P(k\le X\le k+x)=e^{-\lambda k}-e^{-\lambda(k+x)}=q^k(1-q)\cdot\frac{1-e^{-\lambda x}}{1-q} $$
である。$x\uparrow1$ とすると $P(K=k)=q^k(1-q)$ であり、$k$ について足すと $P(X-K\le x)=\frac{1-e^{-\lambda x}}{1-q}$ である。よって $P(K=k,\ X-K\le x)=P(K=k)P(X-K\le x)$ であり、Dynkinのπ-λ定理 の命題「π系の独立性はσ-代数に広がる」により $K$ と $X-K$ は独立である。$\frac{1-e^{-\lambda x}}{1-q}=\int_0^x\frac{\lambda e^{-\lambda y}}{1-q}\,dy$ から密度の主張を得る。$\square$

$P(K=k)=(1-q)q^k$ は、成功の確率 $1-q$ の試行を繰り返したときの、最初の成功までの失敗の回数の分布(幾何分布)である。逆向きに、幾何分布を細かい時間の刻みで見ると指数分布が現れる。成功の確率 $p$ の独立な試行で最初の成功までにかかる回数を $Y_p$ とすると $P(Y_p>m)=(1-p)^m$($m=0,1,\dots$)なので、$x\ge0$ について
$$ P(pY_p>x)=(1-p)^{\lfloor x/p\rfloor}\to e^{-x}\qquad(p\to0) $$
である($\lfloor x/p\rfloor\log(1-p)\to-x$ による)。すなわち、まれな出来事を待つ回数を確率 $p$ で縮尺すると $\mathrm{Exp}(1)$ に近づく(Dur19 Example 3.2.4、p. 116)。
指数分布はほかにも次の分布とつながっている。

関係内容所在
独立な和率 $\lambda$ の独立な指数分布 $n$ 個の和は $\mathrm{Gamma}(n,\lambda)$ガンマ分布 の系「指数分布の和」
カイ二乗分布自由度 $2$ のカイ二乗分布は $\mathrm{Exp}(\frac12)$カイ二乗分布 の例「自由度 2 は指数分布」
Poisson 過程独立な $\mathrm{Exp}(\lambda)$ の間隔で到着を並べると率 $\lambda$ の Poisson 過程Poisson過程 の定理「指数分布の間隔による構成」
一様分布$U\sim\mathrm{Unif}(0,1)$ なら $-\frac1\lambda\log U\sim\mathrm{Exp}(\lambda)$一様分布 の例「逆関数法の例」
順序統計量独立な指数分布の最小値と最大値順序統計量 の例「指数分布の最小値と最大値」

故障率. $X\ge0$ が $[0,\infty)$ の上で連続な密度 $p$ をもち、すべての $t\ge0$ で $G(t)=P(X>t)>0$ とする。$h(t):=p(t)/G(t)$ を 故障率(hazard rate)という。$t$ まで起こらなかったとき、直後の短い時間 $\Delta t$ に起こる確率は $h(t)\Delta t$ 程度である。$G'=-p$ なので $h=-(\log G)'$ であり、$G(0)=1$ と合わせて $G(t)=\exp\bigl(-\int_0^th(u)\,du\bigr)$ である。したがって、故障率が定数 $\lambda$ であることと $X\sim\mathrm{Exp}(\lambda)$ であることは同値である。使うほど壊れやすくなる部品では、$h$ は増加し、無記憶性は成り立たない。

例

半減期

原子が壊れるまでの時間が $\mathrm{Exp}(\lambda)$ に従うとする。半分の原子が壊れるまでの時間である半減期 $\tau$ は、prop-exp-moments の 4 の中央値 $\frac{\log2}\lambda$ であり、平均の寿命は $\frac1\lambda=\frac\tau{\log2}=1.442\ldots\,\tau$ である。炭素 14 のように $\tau=5730$ 年とすると、平均の寿命は約 $8267$ 年で、$10000$ 年後に壊れずに残っている確率は
$$ P(X>10000)=e^{-\lambda\cdot10000}=2^{-10000/5730}=0.298\ldots $$
である。すでに $10000$ 年残った原子が、さらに $5730$ 年残る確率も、thm-exp-memoryless の無記憶性により $\frac12$ のままである。互いに独立な $n$ 個の原子のうち最初の 1 個が壊れるまでの時間は、thm-exp-min により $\mathrm{Exp}(n\lambda)$ に従い、平均は $\frac1{n\lambda}$ である。

直列の装置と並列の装置

部品 1、2 の寿命 $T_1\sim\mathrm{Exp}(\lambda_1)$、$T_2\sim\mathrm{Exp}(\lambda_2)$ が独立であるとする。どちらかが壊れると止まる直列の装置の寿命は $\min\{T_1,T_2\}$ で、thm-exp-min の 1 により平均は $\frac1{\lambda_1+\lambda_2}$ である。両方が壊れると止まる並列の装置の寿命は $\max\{T_1,T_2\}$ で、$\max\{T_1,T_2\}+\min\{T_1,T_2\}=T_1+T_2$ から
$$ E[\max\{T_1,T_2\}]=\frac1{\lambda_1}+\frac1{\lambda_2}-\frac1{\lambda_1+\lambda_2} $$
である。$\lambda_1=\lambda_2=\lambda$ なら値は $\frac3{2\lambda}$ で、最初の故障までの平均 $\frac1{2\lambda}$ と、残った部品の寿命の平均 $\frac1\lambda$ の和になっている。残った部品が新品と同じに見えるのは、次の命題による。

独立な時刻での無記憶性

$T\sim\mathrm{Exp}(\lambda)$ とし、$S\ge0$ を $T$ と独立な確率変数とする。このとき $P(T>S)>0$ であり、すべての $t\ge0$ について
$$ P(T>S+t\mid T>S)=e^{-\lambda t} $$
である。

独立な時刻の値を固定して積分する

$(T,S)$ の同時分布は $P_T\otimes P_S$ である(prf-exp-min と同じ理由による)。Fubiniの定理 の定理「非負関数の累次積分の交換」で $S$ の値 $s$ を固定して積分すると、$t\ge0$ について
$$ P(T>S+t)=\int P(T>s+t)\,P_S(ds)=e^{-\lambda t}\int e^{-\lambda s}\,P_S(ds) $$
である。$t=0$ とすると $P(T>S)=\int e^{-\lambda s}\,P_S(ds)$ であり、$e^{-\lambda s}>0$ なのでこれは正である。2 つの式の比をとればよい。$\square$

郵便局の窓口

窓口が 2 つあり、客 A、B が時刻 $0$ から応対を受けていて、客 C は先に空いた窓口で応対を受け始める。応対の時間 $T_A,T_B,T_C$ は独立で、どれも $\mathrm{Exp}(\lambda)$ に従うとする。C が 3 人の中で最後に終わる確率は $\frac12$ である。
先に終わる時刻を $M:=\min\{T_A,T_B\}$、その時点で残っている客の残り時間を $R:=\max\{T_A,T_B\}-M$ とおく。prop-exp-random-time を $(T,S)=(T_B,T_A)$ と $(T_A,T_B)$ に使うと、$t\ge0$ について
$$ P(R>t)=P(T_B>T_A+t)+P(T_A>T_B+t)=e^{-\lambda t}\bigl(P(T_B>T_A)+P(T_A>T_B)\bigr)=e^{-\lambda t} $$
である($P(T_A=T_B)=0$ による)。よって $R\sim\mathrm{Exp}(\lambda)$ であり、$R$ は $T_A,T_B$ だけで決まるので $T_C$ と独立である。C が最後に終わるのは $T_C>R$ のときなので、thm-exp-min の 2 を $R,T_C$ に使うと、確率は $\frac\lambda{\lambda+\lambda}=\frac12$ である。A や B が先に応対を受け始めたことは、残り時間の分布に影響しない。

反例

反例:確率 1 で 0 以下の値をとる場合

$X:=0$(定数)とすると、すべての $t\ge0$ で $P(X>t)=0$ なので、無記憶性の式は $0=0$ として成り立つ。しかし $X$ は指数分布に従わない。thm-exp-memoryless の仮定のうち $P(X>0)>0$ だけが満たされておらず、「無記憶性をもつなら指数分布」という含意が成り立たない。証明では、段 1 の $G(0)\in\{0,1\}$ で $G(0)=0$ の場合にあたる。

反例:整数の時刻だけで成り立つ場合

無記憶性の式を $0$ 以上の整数 $s,t$ だけで課すと、thm-exp-memoryless の結論は成り立たない。

  1. $0< q< 1$ とし、$Y$ を $P(Y=k)=(1-q)q^{k-1}$($k=1,2,\dots$)を満たす確率変数とする。整数 $m\ge0$ で $P(Y>m)=q^m$ なので、整数 $s,t\ge0$ について式が成り立つが、$Y$ は離散分布に従う。実数まで広げると、$s=t=\frac12$ で $P(Y>1)=q$、$P(Y>\frac12)^2=1$ となって式は成り立たない。
  2. 連続分布でも同じことが起こる。$\lambda>0$、$0< a\le\frac\lambda{\lambda+2\pi}$ とし、$t\ge0$ で $G(t):=e^{-\lambda t}(1+a\sin2\pi t)$、$t< 0$ で $G(t):=1$ とおく。$t>0$ で
    $$ G'(t)=e^{-\lambda t}\bigl(-\lambda-\lambda a\sin2\pi t+2\pi a\cos2\pi t\bigr)\le e^{-\lambda t}\bigl(-\lambda+(\lambda+2\pi)a\bigr)\le0 $$
    なので $G$ は単調非増加で連続であり、$G(0)=1$、$t\to\infty$ で $G(t)\to0$ である。よって $1-G$ は分布関数であり(確率変数 の定理「分布関数の特徴づけ」)、対応する確率変数 $X$ は $P(X>0)=1$ を満たす。整数 $m\ge0$ で $G(m)=e^{-\lambda m}$ なので、整数 $s,t\ge0$ について式が成り立つ。指数分布なら $G(1)$ から率は $\lambda$ に決まるが、$G(\frac14)=e^{-\lambda/4}(1+a)\ne e^{-\lambda/4}$ なので、$X$ は指数分布に従わない。
    どちらも満たされていないのは「すべての実数 $s,t\ge0$ で成り立つ」という条件である。
反例:独立でない待ち時間

$T\sim\mathrm{Exp}(\lambda)$ とし、$T_1=T_2:=T$ とおく。$T_1,T_2$ はどちらも $\mathrm{Exp}(\lambda)$ に従うが、$\min\{T_1,T_2\}=T$ は $\mathrm{Exp}(\lambda)$ に従い、率が $2\lambda$ の指数分布ではない。さらにすべての点で $T_1=T_2$ なので、最小値をとる添字はただ 1 つに決まらない。周辺分布は thm-exp-min の仮定のとおりで、成り立たないのは独立性だけである。

主張成り立つための条件反例(満たされない条件)
無記憶性をもつなら指数分布$P(X>0)>0$ex-exp-cx-zero:$X=0$
無記憶性をもつなら指数分布式がすべての実数 $s,t\ge0$ で成り立つex-exp-cx-lattice:整数の $s,t$ だけで成り立つ
最小値は率の和の指数分布$T_1,\dots,T_n$ が独立ex-exp-cx-dependent:$T_1=T_2$

関連項目

参考文献

[1]
Rick Durrett, Probability: Theory and Examples, 5th ed., Cambridge University Press, 2019, Example 1.2.4(p. 12)、Example 1.6.10(p. 33)、Example 3.2.4(p. 116)、Example 3.3.8(p. 128)、(3.7.1)・Exercise 3.7.1〜3.7.3(p. 176)

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する