指数分布とポアソン過程とは？無記憶性と待ち時間を例で解説

次の電話がかかってくるのはいつでしょうか。次の地震、次にお客さんが来店する瞬間、放射性原子が次に崩壊する時刻。どれも「いつ起きるか」は言い当てられませんが、「起きるまでの待ち時間」には、はっきりした確率の法則があります。ランダムに発生する出来事の待ち時間を記述する連続確率分布が指数分布であり、その背後で出来事の発生そのものを支えているのがポアソン過程です。この 2 つはコインの裏表のような関係にあり、待ち行列や信頼性、通信トラフィックの解析で繰り返し登場します。

指数分布の定義

パラメータ $\lambda >0$ の指数分布に従う確率変数 $X$ の確率密度関数は、次の形をしています。

$$f(x)=\lambda e^{-\lambda x}(x\ge 0)$$

$x<0$ では $f(x)=0$ で、待ち時間は負にならないという当たり前の事実を表します。$\lambda$ は単位時間あたりのイベント発生率で、大きいほど密度は原点で高く、急に減衰します。つまり発生が頻繁なほど、短い待ち時間のほうへ確率が集中していきます。

<div class="dens">
<svg viewBox="0 0 420 280" xmlns="http://www.w3.org/2000/svg" role="img" aria-label="指数分布の密度 λe^(-λx) を λ=0.5, 1, 2 で比較">
<rect x="0" y="0" width="420" height="280" rx="10" fill="#fafbfc"/>
<line x1="45" y1="240" x2="410" y2="240" stroke="#8b9098" stroke-width="1.2"/>
<line x1="45" y1="240" x2="45" y2="20" stroke="#8b9098" stroke-width="1.2"/>
<g font-family="ui-sans-serif, system-ui, sans-serif" font-size="11" fill="#6b7178" text-anchor="middle">
<text x="117" y="255">1</text>
<text x="189" y="255">2</text>
<text x="261" y="255">3</text>
<text x="333" y="255">4</text>
<text x="405" y="255">5</text>
<text x="37" y="139" text-anchor="end">1</text>
<text x="37" y="34" text-anchor="end">2</text>
</g>
<text x="408" y="235" font-family="ui-sans-serif, system-ui, sans-serif" font-size="11.5" fill="#33373d" text-anchor="end">x</text>
<text x="52" y="17" font-family="ui-sans-serif, system-ui, sans-serif" font-size="11.5" fill="#33373d" text-anchor="start">f(x)</text>
<polyline fill="none" stroke="#e0872f" stroke-width="2" points="45.0,30.0 59.4,99.2 73.8,145.6 88.2,176.7 102.6,197.6 117.0,211.6 131.4,220.9 145.8,227.2 160.2,231.4 174.6,234.3 189.0,236.2 203.4,237.4 217.8,238.3 232.2,238.8 246.6,239.2 261.0,239.5 275.4,239.7 289.8,239.8 304.2,239.8 318.6,239.9 333.0,239.9 347.4,240.0 361.8,240.0 376.2,240.0 390.6,240.0 405.0,240.0"/>
<polyline fill="none" stroke="#2f9e44" stroke-width="2" points="45.0,135.0 59.4,154.0 73.8,169.6 88.2,182.4 102.6,192.8 117.0,201.4 131.4,208.4 145.8,214.1 160.2,218.8 174.6,222.6 189.0,225.8 203.4,228.4 217.8,230.5 232.2,232.2 246.6,233.6 261.0,234.8 275.4,235.7 289.8,236.5 304.2,237.1 318.6,237.7 333.0,238.1 347.4,238.4 361.8,238.7 376.2,238.9 390.6,239.1 405.0,239.3"/>
<polyline fill="none" stroke="#3468d6" stroke-width="2" points="45.0,187.5 59.4,192.5 73.8,197.0 88.2,201.1 102.6,204.8 117.0,208.2 131.4,211.2 145.8,213.9 160.2,216.4 174.6,218.7 189.0,220.7 203.4,222.5 217.8,224.2 232.2,225.7 246.6,227.1 261.0,228.3 275.4,229.4 289.8,230.4 304.2,231.3 318.6,232.1 333.0,232.9 347.4,233.6 361.8,234.2 376.2,234.7 390.6,235.2 405.0,235.7"/>
<g font-family="ui-sans-serif, system-ui, sans-serif" font-size="12" fill="#1b1d22">
<line x1="300" y1="42" x2="326" y2="42" stroke="#e0872f" stroke-width="2.5"/>
<text x="332" y="46">λ = 2</text>
<line x1="300" y1="62" x2="326" y2="62" stroke="#2f9e44" stroke-width="2.5"/>
<text x="332" y="66">λ = 1</text>
<line x1="300" y1="82" x2="326" y2="82" stroke="#3468d6" stroke-width="2.5"/>
<text x="332" y="86">λ = 0.5</text>
</g>
</svg>
</div>

.dens { margin: 0; text-align: center; }
.dens svg { width: 100%; max-width: 440px; height: auto; }

密度を $0$ から $x$ まで積分すると累積分布関数が得られ、こちらも簡潔な指数の形になります。

$$F(x)=P(X\le x)=1-e^{-\lambda x}(x\ge 0)$$

裏を返せば、時刻 $x$ を過ぎてもまだ起きていない確率が $P(X>x)=e^{-\lambda x}$ です。この「まだ起きない確率」が指数関数で素直に減っていくところに、指数分布のすべての性質が詰まっています。

待ち時間を計算する

数値を入れて感覚をつかみましょう。$1$ 時間に平均 $5$ 回の電話がかかるコールセンターを考えます。発生率は $\lambda =5$（毎時）で、次の電話までの待ち時間 $X$ は $\mathrm{Exp}(5)$ に従います。期待値は $E[X]=1/\lambda =1/5$ 時間、すなわち $12$ 分です。

具体的な確率も計算できます。次の電話が $6$ 分（$0.1$ 時間）以内にかかる確率は、こうなります。

$$P(X\le 0.1)=1-e^{-5\times 0.1}=1-e^{-0.5}\approx 0.39$$

およそ $39\%$ です。逆に $30$ 分以上まったく鳴らない確率は $P(X>0.5)=e^{-2.5}\approx 0.08$ で、$8\%$ ほどしかありません。平均 $12$ 分の待ちといっても、実際には短い間隔が多く、たまに長く空く、という偏った分布になっているわけです。

平均・分散・中央値

一般に $X\sim \mathrm{Exp}(\lambda )$ の期待値と分散は、次のとおりです。

$$E[X]=\frac{1}{\lambda },V[X]=\frac{1}{{\lambda }^2}$$

標準偏差も $1/\lambda$ で、期待値と一致します。ばらつきが平均と同じ大きさというのは、指数分布が大きく広がった分布であることの表れです。いっぽう中央値は期待値とずれます。$F(m)=1/2$ を解くと、

$$m=\frac{\ln 2}{\lambda }\approx \frac{0.693}{\lambda }$$

となり、期待値 $1/\lambda$ よりも小さくなります。さきほどのコールセンターなら、中央値は $\ln 2/5$ 時間、およそ $8.3$ 分です。電話の半数は $8.3$ 分以内に来るのに、平均は $12$ 分もある。少数の長い待ち時間が平均を引き上げているためで、右へ長い裾を引く分布に特徴的な現象です。

無記憶性：過去を忘れる分布

指数分布のもっとも重要で、もっとも直感に反する性質が無記憶性です。すでに時間 $s$ だけ待ったという条件のもとで、さらに $t$ 以上待つ確率が、最初から $t$ 以上待つ確率とまったく同じになります。

$$P(X>s+t\mid X>s)=P(X>t)$$

証明は $P(X>x)=e^{-\lambda x}$ から一行です。条件付き確率の定義に当てはめると、次のように $s$ がきれいに消えます。

$$P(X>s+t\mid X>s)=\frac{P(X>s+t)}{P(X>s)}=\frac{e^{-\lambda (s+t)}}{e^{-\lambda s}}=e^{-\lambda t}=P(X>t)$$

どれだけ待っても、その先の見通しは変わらないのです。さきほどの例なら、すでに $10$ 分待っていようが、そこからさらに $12$ 分以上鳴らない確率は $e^{-1}\approx 0.37$ で、待っていない状態から $12$ 分待つ確率とまったく同じ。「そろそろ来るはず」という期待は、指数分布のもとでは幻想でしかありません。

この不思議さは、記憶をもつ現象と並べると際立ちます。

無記憶性をもつ連続分布は、指数分布ただ一つに限られます。この一意性こそ、待ち時間のモデルとして指数分布が特別扱いされる理由です。

なぜ指数分布か：一定の危険率

無記憶性は、ハザード率（危険率）という量で見るとすっきりします。ハザード率とは「まだ起きていないとき、いままさに起きようとする勢い」のことで、$h(x)=f(x)/P(X>x)$ で定義されます。指数分布で計算すると、

$$h(x)=\frac{\lambda e^{-\lambda x}}{e^{-\lambda x}}=\lambda$$

と、時刻によらず一定になります。いつ見ても同じ勢いで起きようとしている。これが無記憶性の正体であり、指数分布を特徴づける本質です。ちなみに、コインを繰り返し投げて初めて表が出るまでの回数が従う幾何分布も、同じ無記憶性をもちます。指数分布は、この幾何分布を連続時間へ移した姿だと考えると腑に落ちます。

ポアソン過程との関係

ここまで待ち時間だけを見てきましたが、視点を「回数」に移すとポアソン過程が現れます。ポアソン過程は、時間軸の上でランダムにイベントが発生する確率過程です。単位時間あたり平均 $\lambda$ 回の割合で起きるとき、時間 $[0,t]$ に発生する回数 $N(t)$ は、平均 $\lambda t$ のポアソン分布に従います。

$$P(N(t)=k)=\frac{(\lambda t{)}^k{e}^{-\lambda t}}{k!}$$

同じ現象を、回数で見ればポアソン分布、間隔で見れば指数分布、という関係になっています。

2 つがつながっていることは、次のように確かめられます。時間 $t$ までに $1$ 回も起きない確率 $P(N(t)=0)$ は、ポアソン分布から $e^{-\lambda t}$ です。これは「最初のイベントまでの待ち時間 $X_1$ が $t$ を超える確率」$P(X_1>t)=e^{-\lambda t}$ とぴったり一致します。回数の言葉と間隔の言葉が、同じ $e^{-\lambda t}$ で握手するわけです。そして連続するイベントの間隔は互いに独立で、どれも同じ $\mathrm{Exp}(\lambda )$ に従います。

ポアソン過程を計算する

回数の分布も数値で見てみます。同じコールセンター（$\lambda =5$ 毎時）で、$1$ 時間に電話が $1$ 本も来ない確率は $P(N(1)=0)=e^{-5}\approx 0.0067$、およそ $150$ 回に $1$ 回という珍しさです。ちょうど $3$ 本かかる確率は、次のようになります。

$$P(N(1)=3)=\frac{5^3{e}^{-5}}{3!}\approx 0.14$$

$14\%$ ほどです。平均が $5$ 本なので、ちょうど $5$ 本の確率がもっとも高く、$\approx 0.18$ になります。待ち時間の指数分布と回数のポアソン分布は、こうして同じ $\lambda$ を共有しながら、別々の問いに答えているのです。

組み合わせる：最初の 1 つと n 番目

指数分布は、いくつか組み合わせても指数分布やその親戚になります。実用で効く 2 つの性質を挙げます。

最小値の性質は「競合するイベント」の解析にそのまま使えます。$2$ 台のサーバがそれぞれ毎時 $3$ 回・$2$ 回の割合で応答するなら、どちらか早いほうの応答は毎時 $5$ 回のポアソン過程になり、サーバ $1$ が先に応える確率は $3/5=60\%$ です。和のほうは、$3$ 本目の電話がかかるまでの時刻を考えるようなときに現れ、コールセンターなら平均 $3/5$ 時間、$36$ 分となります。複数のポアソン過程を重ね合わせると発生率がそのまま足し算になる。この単純さが、指数分布が理論の土台に選ばれる大きな理由です。

理解の確認

指数分布が支える理論

待ち時間の分布が一つ決まっただけで、ずいぶん遠くまで見通せるようになります。窓口に行列がどれだけ伸びるかを予測する待ち行列理論では、到着間隔とサービス時間をともに指数分布と仮定するモデル（M/M/1 など）が出発点になります。機械や部品がいつ壊れるかを扱う信頼性工学では、ハザード率が一定という指数分布の仮定が、寿命の基準線を与えます。通信ネットワークのパケット到着や、化学反応の起こる時刻も、同じ枠組みで語られます。

とりわけ理論の芯にあるのが、連続時間マルコフ連鎖です。状態がランダムな時刻に移り変わるこの過程では、各状態にとどまる時間が指数分布に従います。無記憶性をもつ連続分布が指数分布しかないことが、「現在の状態だけで未来が決まる」というマルコフ性をちょうど支えているのです。次に何かを待つとき、その待ち時間の裏側にはこれだけの構造が広がっている。指数分布とポアソン過程は、ランダムな時間を読み解くための最初の言葉です。