指数分布

指数分布の確率密度関数（pdf ）は

${\displaystyle f(x;\lambda )={\begin{cases}\lambda e^{-\lambda x}&x\geq 0,\\0&x<0.\end{cases}}}$

ここでλ > 0 は分布のパラメータであり、しばしばレートパラメータと呼ばれます。この分布は区間[ 0, ∞)でサポートされます。確率変数Xがこの分布に従う場合、 X ~ Exp( λ )と書きます。  

指数分布は無限分割可能性を示す。

累積分布関数は次のように表される。

${\displaystyle F(x;\lambda )={\begin{cases}1-e^{-\lambda x}&x\geq 0,\\0&x<0.\end{cases}}}$

指数分布は、平均値でもある 尺度パラメータβ = 1/ λを用いてパラメータ化されることがある。$${\displaystyle f(x;\beta )={\begin{cases}{\frac {1}{\beta }}e^{-x/\beta }&x\geq 0,\\0&x<0.\end{cases}}\qquad \qquad F(x;\beta )={\begin{cases}1-e^{-x/\beta }&x\geq 0,\\0&x<0.\end{cases}}}$$

レートパラメータλを持つ指数分布に従う確率変数Xの平均値または期待値は、次式で与えられる。 $${\displaystyle \operatorname {E} [X]={\frac {1}{\lambda }}.}$$

以下の例を考慮すると、これは理にかなっています。1時間に平均2回の電話を受ける人は、連続する電話の間隔が0.5時間、つまり30分になると予想できます。

Xの分散は次のように与えられる。 $${\displaystyle \operatorname {Var} [X]={\frac {1}{\lambda ^{2}}},}$$ つまり、標準偏差は平均値と等しい。

Xのモーメントは、${\displaystyle n\in \mathbb {N} }$は $${\displaystyle \operatorname {E} \left[X^{n}\right]={\frac {n!}{\lambda ^{n}}}.}$$

Xの中心モーメントは、${\displaystyle n\in \mathbb {N} }$は $${\displaystyle \mu _{n}={\frac {!n}{\lambda ^{n}}}={\frac {n!}{\lambda ^{n}}}\sum _{k=0}^{n}{\frac {(-1)^{k}}{k!}}.}$$ ここで 、! nはnの階乗です。

Xの中央値は次のように与えられる。 $${\displaystyle \operatorname {m} [X]={\frac {\ln(2)}{\lambda }}<\operatorname {E} [X],}$$ ここでln は自然対数を表します。したがって、平均値と中央値の 絶対差は$${\displaystyle \left|\operatorname {E} \left[X\right]-\operatorname {m} \left[X\right]\right|={\frac {1-\ln(2)}{\lambda }}<{\frac {1}{\lambda }}=\operatorname {\sigma } [X],}$$

中央値と平均値の不平等に従って。

指数分布に従う確率変数Tは次の関係式に従う。 $${\displaystyle \Pr \left(T>s+t\mid T>s\right)=\Pr(T>t),\qquad \forall s,t\geq 0.}$$

これは、相補累積分布関数を考慮することで理解できる。 $${\displaystyle {\begin{aligned}\Pr \left(T>s+t\mid T>s\right)&={\frac {\Pr \left(T>s+t\cap T>s\right)}{\Pr \left(T>s\right)}}\\[4pt]&={\frac {\Pr \left(T>s+t\right)}{\Pr \left(T>s\right)}}\\[4pt]&={\frac {e^{-\lambda (s+t)}}{e^{-\lambda s}}}\\[4pt]&=e^{-\lambda t}\\[4pt]&=\Pr(T>t).\end{aligned}}}$$

Tをある初期時刻からの事象発生までの待ち時間として解釈する場合、この関係は、 Tが初期期間s内に事象が観測されないことを条件としている場合、残りの待ち時間の分布は元の無条件分布と同じであることを意味します。例えば、30秒経過しても事象が発生しない場合、発生までに少なくとも10秒以上かかるという条件付き確率は、初期時刻から10秒以上経過後に事象が観測されるという無条件確率と等しくなります。

指数分布と幾何分布は、記憶を持たない唯一の確率分布である。

したがって、指数分布は必然的に、一定の故障率を持つ唯一の連続確率分布でもある。

Exp( λ )の分位関数（逆累積分布関数）は $${\displaystyle F^{-1}(p;\lambda )={\frac {-\ln(1-p)}{\lambda }},\qquad 0\leq p<1}$$

したがって、四分位数は次のとおりです。

• 第1四分位数：ln(4/3)/ λ
• 中央値：ln(2)/ λ
• 第3四分位数：ln(4)/ λ

その結果、四分位範囲は ln(3)/ λとなります。

条件付きリスク値（CVaR）は、Exp( λ )の期待ショートフォールまたはスーパークオンタイルとしても知られており、次のように導出されます。^{[ 4 ]}

$${\displaystyle {\begin{aligned}{\bar {q}}_{\alpha }(X)&={\frac {1}{1-\alpha }}\int _{\alpha }^{1}q_{p}(X)dp\\&={\frac {1}{(1-\alpha )}}\int _{\alpha }^{1}{\frac {-\ln(1-p)}{\lambda }}dp\\&={\frac {-1}{\lambda (1-\alpha )}}\int _{1-\alpha }^{0}-\ln(y)dy\\&={\frac {-1}{\lambda (1-\alpha )}}\int _{0}^{1-\alpha }\ln(y)dy\\&={\frac {-1}{\lambda (1-\alpha )}}[(1-\alpha )\ln(1-\alpha )-(1-\alpha )]\\&={\frac {-\ln(1-\alpha )+1}{\lambda }}\\\end{aligned}}}$$

超過確率の緩衝値は、CVaRが閾値と等しくなる確率レベルから1を引いた値である。${\displaystyle x}$以下のように導出される：^{[ 4 ]}

$${\displaystyle {\begin{aligned}{\bar {p}}_{x}(X)&=\{1-\alpha |{\bar {q}}_{\alpha }(X)=x\}\\&=\{1-\alpha |{\frac {-\ln(1-\alpha )+1}{\lambda }}=x\}\\&=\{1-\alpha |\ln(1-\alpha )=1-\lambda x\}\\&=\{1-\alpha |e^{\ln(1-\alpha )}=e^{1-\lambda x}\}=\{1-\alpha |1-\alpha =e^{1-\lambda x}\}=e^{1-\lambda x}\end{aligned}}}$$

ナッツの方向性のあるカルバック・ライブラーダイバージェンス${\displaystyle e^{\lambda }}$（分布を「近似」する）${\displaystyle e^{\lambda _{0}}}$（「真の」分布）は次のように与えられる。 $${\displaystyle {\begin{aligned}\Delta (\lambda _{0}\parallel \lambda )&=\mathbb {E} _{\lambda _{0}}\left(\log {\frac {p_{\lambda _{0}}(x)}{p_{\lambda }(x)}}\right)\\&=\mathbb {E} _{\lambda _{0}}\left(\log {\frac {\lambda _{0}e^{\lambda _{0}x}}{\lambda e^{\lambda x}}}\right)\\&=\log(\lambda _{0})-\log(\lambda )-(\lambda _{0}-\lambda )E_{\lambda _{0}}(x)\\&=\log(\lambda _{0})-\log(\lambda )+{\frac {\lambda }{\lambda _{0}}}-1.\end{aligned}}}$$

サポートが[ 0, ∞)で平均μを持つすべての連続確率分布の中で、 λ = 1/ μの指数分布は最大の微分エントロピーを持ちます。言い換えれば、これは、ゼロ以上のランダム変数Xに対して、E[ X ] が固定されている最大のエントロピー確率分布です。^{[ 5 ]}

確率変数${\displaystyle X\sim \mathrm {Exp} (\lambda )}$パラメータ付き${\displaystyle \lambda }$変数に定数を掛けたもの${\displaystyle c>0}$再び指数分布に従う： $${\displaystyle cX\sim \mathrm {Exp} (\lambda /c).}$$

X ₁、 ...、X _nをレートパラメータλ ₁、 ...、λ _nを持つ独立な指数分布確率変数とする。すると^{[ 6 ]}$${\displaystyle \min \left\{X_{1},\dotsc ,X_{n}\right\}}$$ は指数分布に従い、パラメータは $${\displaystyle \lambda =\lambda _{1}+\dotsb +\lambda _{n}.}$$

これは、相補累積分布関数を考慮することで理解できる。 $${\displaystyle {\begin{aligned}&\Pr \left(\min\{X_{1},\dotsc ,X_{n}\}>x\right)\\={}&\Pr \left(X_{1}>x,\dotsc ,X_{n}>x\right)\\={}&\prod _{i=1}^{n}\Pr \left(X_{i}>x\right)\\={}&\prod _{i=1}^{n}\exp \left(-x\lambda _{i}\right)=\exp \left(-x\sum _{i=1}^{n}\lambda _{i}\right).\end{aligned}}}$$

最小値を達成する変数の指標は、カテゴリ分布に従って分布する。 $${\displaystyle \Pr \left(X_{k}=\min\{X_{1},\dotsc ,X_{n}\}\right)={\frac {\lambda _{k}}{\lambda _{1}+\dotsb +\lambda _{n}}}.}$$

証明は、${\displaystyle I=\operatorname {argmin} _{i\in \{1,\dotsb ,n\}}\{X_{1},\dotsc ,X_{n}\}}$。 それから、 $${\displaystyle {\begin{aligned}\Pr(I=k)&=\int _{0}^{\infty }\Pr(X_{k}=x)\Pr(\forall _{i\neq k}X_{i}>x)\,dx\\&=\int _{0}^{\infty }\lambda _{k}e^{-\lambda _{k}x}\left(\prod _{i=1,i\neq k}^{n}e^{-\lambda _{i}x}\right)dx\\&=\lambda _{k}\int _{0}^{\infty }e^{-\left(\lambda _{1}+\dotsb +\lambda _{n}\right)x}dx\\&={\frac {\lambda _{k}}{\lambda _{1}+\dotsb +\lambda _{n}}}.\end{aligned}}}$$

対照的に、${\displaystyle \max\{X_{1},\dotsc ,X_{n}\}}$X ₁、 ...、X _{n が}すべてパラメータ 0 を持たない場合、指数分布には従わない。^{[ 7 ]}

させて${\displaystyle X_{1},\dotsc ,X_{n}}$なれ${\displaystyle n}$独立同分布の指数型確率変数で、レートパラメータはλとする。${\displaystyle X_{(1)},\dotsc ,X_{(n)}}$対応する順序統計量を表す。${\displaystyle i<j}$合同の瞬間${\displaystyle \operatorname {E} \left[X_{(i)}X_{(j)}\right]}$順序統計${\displaystyle X_{(i)}}$そして${\displaystyle X_{(j)}}$は $${\displaystyle {\begin{aligned}\operatorname {E} \left[X_{(i)}X_{(j)}\right]&=\sum _{k=0}^{j-1}{\frac {1}{(n-k)\lambda }}\operatorname {E} \left[X_{(i)}\right]+\operatorname {E} \left[X_{(i)}^{2}\right]\\&=\sum _{k=0}^{j-1}{\frac {1}{(n-k)\lambda }}\sum _{k=0}^{i-1}{\frac {1}{(n-k)\lambda }}+\sum _{k=0}^{i-1}{\frac {1}{((n-k)\lambda )^{2}}}+\left(\sum _{k=0}^{i-1}{\frac {1}{(n-k)\lambda }}\right)^{2}.\end{aligned}}}$$

これは、全期待の法則と無記憶性 を用いることで理解できる。$${\displaystyle {\begin{aligned}\operatorname {E} \left[X_{(i)}X_{(j)}\right]&=\int _{0}^{\infty }\operatorname {E} \left[X_{(i)}X_{(j)}\mid X_{(i)}=x\right]f_{X_{(i)}}(x)\,dx\\&=\int _{x=0}^{\infty }x\operatorname {E} \left[X_{(j)}\mid X_{(j)}\geq x\right]f_{X_{(i)}}(x)\,dx&&\left({\textrm {since}}~X_{(i)}=x\implies X_{(j)}\geq x\right)\\&=\int _{x=0}^{\infty }x\left[\operatorname {E} \left[X_{(j)}\right]+x\right]f_{X_{(i)}}(x)\,dx&&\left({\text{by the memoryless property}}\right)\\&=\sum _{k=0}^{j-1}{\frac {1}{(n-k)\lambda }}\operatorname {E} \left[X_{(i)}\right]+\operatorname {E} \left[X_{(i)}^{2}\right].\end{aligned}}}$$

最初の式は全期待値の法則から導かれる。2番目の式は、条件付けを行うと、${\displaystyle X_{(i)}=x}$必然的に次のことが導かれる。${\displaystyle X_{(j)}\geq x}$3番目の式は、無記憶性を利用して置き換える。${\displaystyle \operatorname {E} \left[X_{(j)}\mid X_{(j)}\geq x\right]}$と${\displaystyle \operatorname {E} \left[X_{(j)}\right]+x}$。

2 つの独立な確率変数の和の確率分布関数 (PDF) は、それぞれの PDF の畳み込みです。${\displaystyle X_{1}}$そして${\displaystyle X_{2}}$は、それぞれレートパラメータを持つ独立な指数分布に従う確率変数である。${\displaystyle \lambda _{1}}$そして${\displaystyle \lambda _{2},}$すると確率密度は${\displaystyle Z=X_{1}+X_{2}}$は $${\displaystyle {\begin{aligned}f_{Z}(z)&=\int _{-\infty }^{\infty }f_{X_{1}}(x_{1})f_{X_{2}}(z-x_{1})\,dx_{1}\\&=\int _{0}^{z}\lambda _{1}e^{-\lambda _{1}x_{1}}\lambda _{2}e^{-\lambda _{2}(z-x_{1})}\,dx_{1}\\&=\lambda _{1}\lambda _{2}e^{-\lambda _{2}z}\int _{0}^{z}e^{(\lambda _{2}-\lambda _{1})x_{1}}\,dx_{1}\\&={\begin{cases}{\dfrac {\lambda _{1}\lambda _{2}}{\lambda _{2}-\lambda _{1}}}\left(e^{-\lambda _{1}z}-e^{-\lambda _{2}z}\right)&{\text{ if }}\lambda _{1}\neq \lambda _{2}\\[4pt]\lambda ^{2}ze^{-\lambda z}&{\text{ if }}\lambda _{1}=\lambda _{2}=\lambda .\end{cases}}\end{aligned}}}$$ この分布のエントロピーは閉じた形で得られます。${\displaystyle \lambda _{1}>\lambda _{2}}$（一般性を失うことなく） $${\displaystyle {\begin{aligned}H(Z)&=1+\gamma +\ln \left({\frac {\lambda _{1}-\lambda _{2}}{\lambda _{1}\lambda _{2}}}\right)+\psi \left({\frac {\lambda _{1}}{\lambda _{1}-\lambda _{2}}}\right),\end{aligned}}}$$ どこ${\displaystyle \gamma }$はオイラー・マスケローニ定数であり、${\displaystyle \psi (\cdot )}$はディガンマ関数である。^{[ 8 ]}

レートパラメータが等しい場合、結果は形状が 2 でパラメータが のアーラン分布になります。${\displaystyle \lambda ,}$これは、ガンマ分布の特殊なケースである。

n 個の独立した Exp( λ)指数分布に従う確率変数の合計は、ガンマ(n, λ)分布に従います。

• 指数分布は、タイプ3ピアソン分布の特殊なケースです。
• いかなる場合でも${\displaystyle \lambda >0}$:${\displaystyle \mathrm {Exp} (\lambda )\sim \operatorname {Weibull} \left({\frac {1}{\lambda }},1\right)=\mathrm {Gamma} (1,\lambda )=\mathrm {Erlang} (1,\lambda )}$[ ^{9 ]​}
• ${\displaystyle \mathrm {Exp} (1/2)=\chi _{2}^{2}}$。

• X ~ Laplace (μ, β ^-1 )の場合、| X − μ| ~ Exp(β) となります。^{[ 9 ]}一方、XとY ~ Exp(λ) が独立である場合、X  -  Y ~ Laplace (0, λ ^-1 ) となります。また、X ~ Exp(λ ₁ ) とY ~ Exp(λ ₂ ) が独立である場合、λ ₁ X  -  λ ₂ Y ~ Laplace (0, 1) となります。
• X ~ Beta(λ, 1)の場合、−log( X ) ~ Exp(λ) となります。同様に、Y ~ Exp(λ) の場合、e ^−Y ~ Beta(λ, 1)となります。^{[ 9 ]}
• 上記の特殊なケースとして、X ~ U (0, 1)の場合、−log( X )/λ ~ Exp(λ) となります。同様に、Y ~ Exp(λ) の場合、e ^−λY ~ U (0, 1)となります。これは確率積分変換の直接的な結果です。
• X ~ Pareto(k, λ)の場合、log( X /k) ~ Exp(λ) となります。同様に、Y ~ Exp(λ) の場合、ke ^Y ~ Pareto( k , λ)となります。^{[ 9 ]}
• X ~ SkewLogistic(θ)の場合、${\displaystyle \log \left(1+e^{-X}\right)\sim \operatorname {Exp} (\theta )}$同等に、Y ~ Exp(λ) の場合、−log(e ^Y −1) ~ SkewLogistic(λ)となります。
• X ~ Rayleigh(σ)の場合、${\displaystyle X^{2}\sim \mathrm {Exp} (1/(2\sigma ^{2}))}$同等に、Y ~ Exp(λ) の場合、${\displaystyle {\sqrt {Y}}\sim \operatorname {Rayleigh} \left(1/{\sqrt {2\lambda }}\right)}$[ ^{9 ]​}
• X ~ Weibull(λ, k)の場合、X ^k ~ Exp(1/λ ^k ) となります。^{[ 10 ]}特に、Y ~ Exp(λ) の場合、Y ² ~ Weibull(1/λ ² , 1/2)となります。^{[ 9 ]}
• X ~ Gumbel(μ, β)の場合、exp(( X -μ)/β) ~ Exp(1)。同様に、Y ~ Exp(λ) の場合、μ − β log(λ X ) ∼ Gumbel (μ, β) = GEV(μ, σ, 0)となります。
• Xがベンクタンダーワイブル分布(λ, 1)に従う場合、X - 1 は 指数分布(λ)に従う。同様に、Yが指数分布(λ)に従う場合、1  + Yはベンクタンダーワイブル分布(λ, 1)に従い、これは切断指数分布に帰着する。 
• X ~ Exp(λ) の場合、${\displaystyle \lfloor X\rfloor \sim \operatorname {Geometric} _{0}\left(1-e^{-\lambda }\right)}$、${\displaystyle \lceil X\rceil \sim \operatorname {Geometric} _{1}\left(1-e^{-\lambda }\right)}$1 / k e X ~ ^PowerLaw ( k , λ ) 。
• X ~ Exp(1) の場合、${\displaystyle \mu -\beta \log \left({\frac {e^{-X}}{1-e^{-X}}}\right)\sim \operatorname {Logistic} (\mu ,\beta )}$。
• X、Y ~ Exp(1) が独立である場合、 X / Y ~ Lomax (1, 1) となり、${\displaystyle \mu -\beta \log \left({\frac {X}{Y}}\right)\sim \operatorname {Logistic} (\mu ,\beta )}$前者は、比率の商の信頼区間を求めるために使用できる。${\displaystyle {\frac {\lambda _{i}}{\lambda _{j}}}}$。
• X ~ Exp(1)の場合、${\displaystyle Y\sim \mathrm {Gamma} \left(\alpha ,{\frac {\beta }{\alpha }}\right)}$独立している場合、${\displaystyle {\sqrt {XY}}\sim \operatorname {K} (\alpha ,\beta )}$。
• X ~ Exp(λ) かつ λ ~ Gamma ( k , Λ)の場合、 Xの周辺分布はガンマ混合分布であるLomax ( k , Λ)になります。
• X ~ Exp(λ) の場合、${\displaystyle Y\mid X}$~ポアソン( X ) の場合、${\displaystyle Y\sim \operatorname {Geometric} _{0}\left({\frac {1}{1+\lambda ^{-1}}}\right)}$。
• Y _i ~ U (0, 1) の場合、$${\displaystyle n\min \left(Y_{1},\ldots ,Y_{n}\right)\ {\overset {d}{\longrightarrow }}\ \operatorname {Exp} (1).}$$以来${\displaystyle \min \left(Y_{1},\ldots ,Y_{n}\right)\sim \operatorname {Beta} (1,n)}$したがって、指数分布はスケーリングされたベータ分布の（弱い）極限である。$${\displaystyle n\operatorname {Beta} (1,n)\ {\overset {w}{\longrightarrow }}\ \operatorname {Exp} (1).}$$
• ホイト分布は、指数分布とアークサイン分布から得ることができます。
• 指数分布はκ指数分布の極限である。${\displaystyle \kappa =0}$場合。
• 指数分布はκ一般化ガンマ分布の極限である。${\displaystyle \alpha =1}$そして${\displaystyle \nu =1}$事例:

  ${\displaystyle \lim _{(\alpha ,\nu )\to (0,1)}p_{\kappa }(x)=(1+\kappa \nu )(2\kappa )^{\nu }{\frac {\Gamma {\Big (}{\frac {1}{2\kappa }}+{\frac {\nu }{2}}{\Big )}}{\Gamma {\Big (}{\frac {1}{2\kappa }}-{\frac {\nu }{2}}{\Big )}}}{\frac {\alpha \lambda ^{\nu }}{\Gamma (\nu )}}x^{\alpha \nu -1}\exp _{\kappa }(-\lambda x^{\alpha })=\lambda e^{-\lambda x}.}$

間接的に関連する分布：

• 超指数分布とは、その密度が指数分布の密度の加重和となる分布のことである。
• 指数分布とは、指数分布に従う確率変数の一般的な和の分布のことである。^{[ 9 ]}
• exGaussian分布– 指数分布と正規分布の和。

以下では、X、X ₁、...、X _n ~ Exp(λ) はすべて独立であるとする。

• ${\displaystyle X_{1}+\cdots +X_{n}=\sum _{i=1}^{n}X_{i}\sim }$アーラン( n , λ) =ガンマ( n , λ)。^{[ 11 ]}
• もし${\displaystyle T=X_{1}+\cdots +X_{n}=\sum _{i=1}^{n}X_{i}}$、 それから${\displaystyle 2\lambda T\sim \chi _{2n}^{2}}$。
• ${\displaystyle {\frac {X}{\sum _{i=1}^{n}X_{i}}}\sim }$ロマックス（n、1）と${\displaystyle {\frac {X}{\sum _{i=1}^{n}X_{i}}}+1\sim }$パレート（1、n）。
• ${\displaystyle {\frac {X}{X+\sum _{i=1}^{n}X_{i}}}\sim }$ベータ（1、n）。^{[ 12 ]}特に、${\displaystyle {\frac {X}{X+X_{1}}}\sim }$U (0,1)。

フィッシャー情報量${\displaystyle {\mathcal {I}}(\lambda )}$レートパラメータの推定値の場合${\displaystyle \lambda }$次のように与えられます。 $${\displaystyle {\mathcal {I}}(\lambda )=\operatorname {E} \left[\left.\left({\frac {\partial }{\partial \lambda }}\log f(x;\lambda )\right)^{2}\right|\lambda \right]=\int \left({\frac {\partial }{\partial \lambda }}\log f(x;\lambda )\right)^{2}f(x;\lambda )\,dx}$$

分布を代入して解くと次のようになる。 $${\displaystyle {\mathcal {I}}(\lambda )=\int _{0}^{\infty }\left({\frac {\partial }{\partial \lambda }}\log \lambda e^{-\lambda x}\right)^{2}\lambda e^{-\lambda x}\,dx=\int _{0}^{\infty }\left({\frac {1}{\lambda }}-x\right)^{2}\lambda e^{-\lambda x}\,dx=\lambda ^{-2}.}$$

これは、指数分布の各独立サンプルが未知のレートパラメータについて持つ情報量を決定する。${\displaystyle \lambda }$。

指数分布のレートパラメータの正確な 100(1 − α)% 信頼区間は次のように与えられます。^{[ 16 ]}$${\displaystyle {\frac {2n}{{\widehat {\lambda }}_{\textrm {mle}}\chi _{{\frac {\alpha }{2}},2n}^{2}}}<{\frac {1}{\lambda }}<{\frac {2n}{{\widehat {\lambda }}_{\textrm {mle}}\chi _{1-{\frac {\alpha }{2}},2n}^{2}}}\,,}$$ これはまた、 $${\displaystyle {\frac {2n{\overline {x}}}{\chi _{{\frac {\alpha }{2}},2n}^{2}}}<{\frac {1}{\lambda }}<{\frac {2n{\overline {x}}}{\chi _{1-{\frac {\alpha }{2}},2n}^{2}}}\,,}$$ ここで、χ ² _{p , v}は自由度vのカイ二乗分布の 100( p )パーセンタイル、n は観測数、x バーは標本平均です。χ 2 _{p , v}分布の正規近似を用いることで、正確な区間端点の簡単な近似値を導出できます。この近似値を用いると、 ⁹⁵ % 信頼区間に対して以下の値が得られます。 $${\displaystyle {\begin{aligned}\lambda _{\text{lower}}&={\widehat {\lambda }}\left(1-{\frac {1.96}{\sqrt {n}}}\right)\\\lambda _{\text{upper}}&={\widehat {\lambda }}\left(1+{\frac {1.96}{\sqrt {n}}}\right)\end{aligned}}}$$

この近似は、少なくとも15〜20個の元素を含むサンプルに対しては許容できる可能性がある。^{[ 17 ]}

指数分布の共役事前分布はガンマ分布です（指数分布はガンマ分布の特殊な場合です）。ガンマ確率密度関数の以下のパラメータ化が有用です。

$${\displaystyle \operatorname {Gamma} (\lambda$$ ;\alpha ,\beta )={\frac {\beta ^{\alpha }}{\Gamma (\alpha )}}\lambda ^{\alpha -1}\exp(-\lambda \beta ).}

事後分布pは、上記で定義した尤度関数とガンマ事前分布を用いて次のように表すことができる。

$${\displaystyle {\begin{aligned}p(\lambda )&\propto L(\lambda )\Gamma (\lambda$$ ;\alpha ,\beta )\\&=\lambda ^{n}\exp \left(-\lambda n{\overline {x}}\right){\frac {\beta ^{\alpha }}{\Gamma (\alpha )}}\lambda ^{\alpha -1}\exp(-\lambda \beta )\\&\propto \lambda ^{(\alpha +n)-1}\exp(-\lambda \left(\beta +n{\overline {x}}\right)).\end{aligned}}}

これで事後確率密度pは、不足している正規化定数を除いて特定されました。ガンマ分布の形をしているため、これは簡単に補完でき、次の式が得られます。

$${\displaystyle p(\lambda )=\operatorname {Gamma} (\lambda$$ ;\alpha +n,\beta +n{\overline {x}}).}

ここで、ハイパーパラメータαは事前観測の数、βは事前観測の合計と解釈できます。事後平均は次のようになります。 $${\displaystyle {\frac {\alpha +n}{\beta +n{\overline {x}}}}.}$$

指数分布は、グループ構造を持つ統計分布の1つです。グループ構造の結果として、指数分布には関連するハール測度があり、それは${\displaystyle 1/\lambda .}$ベイズ予測において、ハール測度を事前分布（ハール事前分布として知られる）として使用すると、基礎となる真のパラメータ値に関わらず、完全に較正された確率が得られます。 ^{[ 18 ] [ 19 ] [ 20 ]}完全に較正された確率は、予測された確率がサンプル外イベントの頻度と完全に一致するという性質を持ちます。指数分布の場合、ハール事前分布を使用して生成されたベイズ予測の正確な式は、次のように与えられます。

${\displaystyle p_{\rm {Haar-prior}}(x_{n+1}\mid x_{1},\ldots ,x_{n})={\frac {n^{n+1}\left({\overline {x}}\right)^{n}}{\left(n{\overline {x}}+x_{n+1}\right)^{n+1}}}.}$

これは、事前予測の較正の一例であり、較正精度を向上させるため（そしてこの場合は較正を完璧にするため）に事前分布が選択されます。指数分布に対するHaar事前分布を用いた事前予測の較正は、Rソフトウェアパッケージfitdistcpに実装されています。

同様の予測は、以下の予測のセクションで説明するように、他の多くの視点からも導き出すことができる。

指数分布は、均質なポアソン過程における到着間隔時間の長さを記述する際に自然に現れる。

指数分布は、離散的なプロセスが状態変化を起こすのに必要なベルヌーイ試行の回数を表す幾何分布の連続版と見なすことができる。一方、指数分布は、連続的なプロセスが状態変化を起こすのにかかる時間を表す。

現実世界では、一定のレート（または単位時間あたりの確率）という仮定はめったに満たされません。たとえば、着信電話のレートは時間帯によって異なります。しかし、平日の午後2時から4時までのように、レートがほぼ一定の時間帯に注目すれば、指数分布は次の電話がかかってくるまでの時間の近似モデルとして使用できます。指数分布に近い変数が得られる以下の例にも、同様の注意点があります。

• 放射性粒子が崩壊するまでの時間、またはガイガーカウンターのクリック音の間隔。
• 電話を1回受けてから次の電話を受けるまでの時間
• 簡略化された信用リスクモデルにおける、債務不履行（企業債権者への支払い）までの期間

指数変数は、 DNA鎖上の突然変異間の距離や、特定の道路における轢死事故の間隔など、単位長さあたりの一定の確率で特定の事象が発生する状況をモデル化するためにも使用できます。

待ち行列理論では、システム内のエージェントのサービス時間（例えば、銀行の窓口係などが顧客にサービスを提供するのにかかる時間など）は、指数分布に従う変数としてモデル化されることが多い。（例えば、顧客の到着は、到着が独立で同一の分布に従う場合、ポアソン分布によってモデル化される。）複数の独立したタスクのシーケンスと考えることができるプロセスの長さは、アーラン分布（複数の独立した指数分布に従う変数の合計の分布）に従う。

信頼性理論および信頼性工学においても、指数分布は広く利用されています。この分布は無記憶性を持つため、信頼性理論で使用されるバスタブ曲線の一定ハザード率部分をモデル化するのに適しています。また、信頼性モデルに故障率を簡単に追加できるため、非常に便利です。しかしながら、指数分布は生物や技術機器の全体的な寿命をモデル化するのに適していません。なぜなら、これらの「故障率」は一定ではなく、非常に若いシステムと非常に古いシステムでは故障が多く発生するからです。

物理学において、一定の温度と圧力で均一な重力場にある気体を観測すると、様々な分子の高さも近似的に指数分布に従うことが知られています。これは気圧公式として知られています。これは、後述するエントロピーの性質の結果です。

水文学では、指数分布は、日降雨量や河川流量の月間および年間最大値などの変数の極値を分析するために使用されます。^{[ 21 ]}

青色の図は、年間最大1日降水量を順位付けしたデータに指数分布を当てはめた例を示しており、二項分布に基づく90%信頼区間も表示されています。降水量データは、累積頻度分析の一環として、位置をプロットすることで表されています。

手術室管理においては、典型的な作業内容を持たない手術のカテゴリー（例えば、救急室におけるあらゆる種類の手術を含む）における手術時間の分布。

未知の指数分布からn個のデータ点のサンプルを観測した後、同じソースからの将来のデータについて予測を行うのが一般的なタスクです。将来のサンプルに対する一般的な予測分布は、レートパラメータλの適切な推定値を指数密度関数に代入することによって形成される、いわゆるプラグイン分布です。一般的な推定値は最尤法の原理によって提供されるものであり、これを使用すると、観測されたサンプルx = ( x ₁ , ..., x _n )を条件とした 将来のサンプルx _{n +1}に対する予測密度が得られます。$${\displaystyle p_{\rm {ML}}(x_{n+1}\mid x_{1},\ldots ,x_{n})=\left({\frac {1}{\overline {x}}}\right)\exp \left(-{\frac {x_{n+1}}{\overline {x}}}\right).}$$

ベイズアプローチは、推定パラメータの不確実性を考慮した予測分布を提供するが、これは事前分布の選択に大きく依存する可能性がある。

主観的ベイズアプローチで生じる事前分布の選択の問題から解放された予測分布は

$${\displaystyle p_{\rm {CNML}}(x_{n+1}\mid x_{1},\ldots ,x_{n})={\frac {n^{n+1}\left({\overline {x}}\right)^{n}}{\left(n{\overline {x}}+x_{n+1}\right)^{n+1}}},}$$

これは次のように考えることができる

1. 中心量の分布から得られる頻度論的信頼分布${\displaystyle {x_{n+1}}/{\overline {x}}}$; ^{[ 22 ]}
2. プロファイル予測尤度は、 x _{n +1}とλの同時尤度からパラメータλ を最大化によって除去することによって得られます。^{[ 23 ]}
3. 客観的なベイズ予測事後分布は、非情報的なジェフリーズ事前分布1/ λ を使用して得られ、この場合、右ハール事前分布に等しくなります。右ハール事前分布を使用して生成された予測は、完全に較正された確率を与えることが保証されています。^{[ 24 ] [ 25 ]}
4. 情報理論的考察に基づく条件付き正規化最大尤度（CNML）予測分布。^{[ 26 ]}

予測分布の精度は、レートパラメータλ₀を持つ真の指数分布と、サンプルxに基づく予測分布との間の距離または乖離を用いて測定できます。カルバック・ライブラー情報量は、2つの分布間の差を測る、パラメータ化を必要としない一般的な尺度です。レートパラメータλ₀を持つ指数分布と予測分布pとの間のカルバック・ライブラー情報量をΔ( _{λ₀ ||} p )とする_と、次のことが示されます。

$${\displaystyle {\begin{aligned}\operatorname {E} _{\lambda _{0}}\left[\Delta (\lambda _{0}\parallel p_{\rm {ML}})\right]&=\psi (n)+{\frac {1}{n-1}}-\log(n)\\\operatorname {E} _{\lambda _{0}}\left[\Delta (\lambda _{0}\parallel p_{\rm {CNML}})\right]&=\psi (n)+{\frac {1}{n}}-\log(n)\end{aligned}}}$$

ここで、期待値はレートパラメータλ ₀ ∈ (0, ∞)を持つ指数分布に関して取られ、ψ( · )はディガンマ関数です。CNML予測分布は、すべてのサンプルサイズn > 0について、平均カルバック・ライブラー情報量の観点から、最尤プラグイン分布よりも明らかに優れています。