Słownik metodologiczny · Statystyka opisowa

Rozkład wykładniczy – jak długo czekamy na zdarzenie?

Rozkład wykładniczy opisuje czas oczekiwania na zdarzenie przy stałej intensywności. Pokazujemy wzór, średnią i wariancję, brak pamięci, przykład w R, związek z rozkładem Poissona i rolę w analizie przeżycia.

Strona główna / Słownik / Rozkład wykładniczy
W skrócie: Rozkład wykładniczy to ciągły rozkład czasu oczekiwania na zdarzenie, które zachodzi ze stałą intensywnością λ. Jego średnia wynosi 1/λ, a wariancja 1/λ². Nie ma pamięci: szansa zdarzenia w najbliższym okresie nie zależy od dotychczasowego czekania. Odstępy wykładnicze dają liczby zdarzeń o rozkładzie Poissona.

Co to jest rozkład wykładniczy?

Rozkład wykładniczy (ang. exponential distribution) to ciągły rozkład czasu oczekiwania na zdarzenie, gdy zdarzenia zachodzą niezależnie ze stałą intensywnością λ: czasu do nawrotu objawów, do rezygnacji z terapii albo między kolejnymi wizytami w poradni. Gęstość wynosi f(x) = λe−λx dla x ≥ 0, a prawdopodobieństwo, że zdarzenie nie nastąpi do czasu t, to S(t) = e−λt.

Własności

  • Średnia 1/λ, wariancja 1/λ2. Odchylenie standardowe jest równe średniej, a mediana wynosi ln 2/λ, czyli mniej niż średnia – rozkład jest prawostronnie skośny. Ogólne pojęcie opisuje hasło wariancja.
  • Brak pamięci. Szansa, że zdarzenie nastąpi w najbliższym miesiącu, nie zależy od tego, jak długo już czekamy. Hazard jest stały.
  • Związek z rozkładem Poissona. Gdy odstępy między zdarzeniami mają rozkład wykładniczy z parametrem λ, liczba zdarzeń w jednostce czasu ma rozkład Poissona ze średnią λ.
  • Szczególny przypadek. To rozkład Weibulla z parametrem kształtu równym 1.

Przykład w R

Przy λ = 0.5 zdarzenia na miesiąc średni czas oczekiwania wynosi 2 miesiące, wariancja 4, mediana 1.386, a prawdopodobieństwo zdarzenia w pierwszym miesiącu .393. Brak pamięci widać w liczbach: P(X > 3 | X > 1) = P(X > 2) = .368. W 10 000 symulowanych czasach średnia wyniosła 2.00, a wariancja 4.05. Gdy z wykładniczych odstępów policzono zdarzenia w 5000 kolejnych miesiącach, średnia wyniosła 0.50, a wariancja 0.51, jak w rozkładzie Poissona.

W analizie przeżycia rozkład wykładniczy jest najprostszym modelem parametrycznym. Bender, Augustin i Blettner (2005) pokazują, jak z rozkładów wykładniczego, Weibulla i Gompertza generować czasy przeżycia do symulacji modelu Coxa, i podkreślają, że sam rozkład wykładniczy nie wystarcza, by zbadać model w nietypowych sytuacjach. Carroll (2003) przypomina, że model parametryczny daje szersze wnioski niż model Coxa, jeśli dobrze opisuje dane.

Na rysunku

Rysunek 1 pokazuje trzy rozkłady wykładnicze, a rysunek 2 – brak pamięci na 10 000 czasach z przykładu wyżej (to samo ziarno 4831, λ = 0.5 zdarzenia na miesiąc).

Dwa panele dla λ = 0.5 (ciągła niebieska), 1 (przerywana pomarańczowa) i 2 (kreska-kropka zielona). A: gęstości malejące od wartości λ w zerze; krzywa λ = 2 opada najszybciej, λ = 0.5 najwolniej i ma najdłuższy ogon. B: hazard jako trzy poziome linie na wysokości 0.5, 1 i 2
Rysunek 1. Gęstość (A) i hazard (B) rozkładu wykładniczego dla trzech intensywności λ. Obliczenia: R, pakiety ggplot2 i patchwork.

Co widać. Każda gęstość zaczyna się w punkcie λ i maleje, im większe λ, tym szybciej – średni czas 1/λ jest wtedy krótszy. Hazard, czyli chwilowe ryzyko zdarzenia u osób, które jeszcze na nie czekają, jest poziomą linią.

Na co uważać. Wykres gęstości nie pokazuje, czy hazard w Twoich danych jest stały – podobnie malejący kształt ma też rozkład Weibulla o kształcie mniejszym od 1, ale jego hazard maleje.

Podpis do pracy:

Rysunek 1. Gęstość (A) i funkcja hazardu (B) rozkładu wykładniczego dla intensywności λ = 0.5, 1 i 2 zdarzeń na miesiąc. Uwaga. Średni czas oczekiwania wynosi 1/λ.
Dwa panele jeden pod drugim z prawie identycznymi niebieskimi krzywymi schodkowymi odsetka osób bez zdarzenia, opadającymi od 1 do około 0.02 w ósmym miesiącu, z czarną przerywaną krzywą teoretyczną. A: wszyscy od początku, odczyt P(X > 2) = .369. B: tylko osoby czekające już miesiąc, czas liczony od miesiąca 1, odczyt P(X > 3 | X > 1) = .365
Rysunek 2. Brak pamięci rozkładu wykładniczego: odsetek bez zdarzenia od początku (A) i u osób, które czekają już miesiąc (B). Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(4831)).

Co widać. Panel B obejmuje 6066 z 10 000 osób, u których zdarzenie nie nastąpiło w pierwszym miesiącu; ich dalszy czas liczymy od nowa. Obie krzywe pokrywają się z krzywą teoretyczną e−0.5t: dalsze 2 miesiące bez zdarzenia przetrwało .369 wszystkich i .365 czekających (teoria: .368). Kto przeczekał miesiąc, nie jest „bliżej” zdarzenia.

Na co uważać. Ten obraz powstał z danych wygenerowanych z rozkładu wykładniczego, więc zgodność jest tu zagwarantowana. Na prawdziwych danych porównaj krzywą przeżycia z ostatniego okresu z krzywą od początku – jeśli się rozjeżdżają, założenie stałego hazardu nie pasuje (krzywe z cenzurowaniem opisuje krzywa Kaplana–Meiera).

Podpis do pracy:

Rysunek 2. Odsetek osób bez zdarzenia w funkcji czasu oczekiwania: w całej próbie (A; N = 10 000) i wśród osób bez zdarzenia w pierwszym miesiącu, z czasem liczonym od końca tego miesiąca (B; n = 6066). Uwaga. Dane symulowane z rozkładu wykładniczego, λ = 0.5; linia przerywana – krzywa teoretyczna.

Na stronie rysunki mają motyw serwisu (krój czcionki, siatka); dane, geometrie i skale są takie same jak w kodzie poniżej. Intensywności 0.5, 1 i 2 wybrano ręcznie dla czytelności; ziarna nie zmieniano.

Kod R rysunków 1 i 2
# Rysunki 1–2: rodzina rozkładów wykładniczych i brak pamięci
library(ggplot2)
library(patchwork)
kol <- c("#0072B2", "#D55E00", "#009E73")                 # paleta Okabe–Ito
motyw <- theme_minimal(base_size = 14) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

# Rysunek 1. Gęstość i hazard dla trzech intensywności λ
siatka <- expand.grid(t = seq(0, 6, by = 0.02), lambda = c(0.5, 1, 2))
siatka$gestosc <- dexp(siatka$t, siatka$lambda)
siatka$hazard <- siatka$lambda                            # f(t) / S(t) = λ dla każdego t
siatka$krzywa <- factor(paste0("λ = ", siatka$lambda, " (średnia ", 1 / siatka$lambda, ")"),
                        levels = paste0("λ = ", c(0.5, 1, 2), " (średnia ", c(2, 1, 0.5), ")"))
skale <- list(scale_colour_manual(values = kol, name = NULL),
              scale_linetype_manual(values = c("solid", "dashed", "dotdash"), name = NULL))
p1a <- ggplot(siatka, aes(t, gestosc, colour = krzywa, linetype = krzywa)) +
  geom_line(linewidth = 1.1) + skale +
  labs(title = "A. Gęstość f(t)", x = "Czas (miesiące)", y = "Gęstość") + motyw
p1b <- ggplot(siatka, aes(t, hazard, colour = krzywa, linetype = krzywa)) +
  geom_line(linewidth = 1.1) + skale + scale_y_continuous(limits = c(0, 2.2)) +
  labs(title = "B. Hazard h(t) – stały", x = "Czas (miesiące)", y = "Hazard (na miesiąc)") + motyw
p1 <- p1a + p1b + plot_layout(guides = "collect") & theme(legend.position = "bottom")

# Rysunek 2. Brak pamięci: 10 000 czasów z przykładu (to samo ziarno), λ = 0.5;
# linia schodkowa – dane, przerywana – teoria exp(−0.5 t)
set.seed(4831)
x <- rexp(10000, 0.5)
dalej <- x[x > 1] - 1                                     # czas pozostały u tych, którzy czekają już 1 miesiąc
c(wszyscy = length(x), czekajacy_ponad_1 = length(dalej))
round(c(P_X_pow_2 = mean(x > 2), P_X_pow_3_gdy_X_pow_1 = mean(dalej > 2),
        teoria = exp(-0.5 * 2)), 3)
przezycie <- function(v, nazwa) {                         # empiryczne S(t) na siatce 0–8 miesięcy
  t <- seq(0, 8, by = 0.05)
  data.frame(t = t, S = sapply(t, function(s) mean(v > s)), grupa = nazwa)
}
dane2 <- rbind(przezycie(x, "A. Wszyscy (od początku)"),
               przezycie(dalej, "B. Czekający już 1 miesiąc (od miesiąca 1)"))
odczyt <- data.frame(grupa = unique(dane2$grupa), S2 = c(mean(x > 2), mean(dalej > 2)),
                     etykieta = c(paste0("P(X > 2) = ", sub("^0", "", round(mean(x > 2), 3))),
                                  paste0("P(X > 3 | X > 1) = ", sub("^0", "", round(mean(dalej > 2), 3)))))
p2 <- ggplot(dane2, aes(t, S)) +
  geom_step(colour = kol[1], linewidth = 1.2) +
  stat_function(fun = function(t) exp(-0.5 * t), linetype = "dashed", colour = "black", linewidth = 0.5) +
  geom_segment(data = odczyt, aes(x = 2, xend = 2, y = 0, yend = S2), linetype = "dotted") +
  geom_segment(data = odczyt, aes(x = 0, xend = 2, y = S2, yend = S2), linetype = "dotted") +
  geom_text(data = odczyt, aes(x = 2.3, y = 0.45, label = etykieta), hjust = 0, size = 4.2) +
  facet_wrap(~ grupa, ncol = 1) +
  labs(x = "Dodatkowy czas oczekiwania (miesiące)", y = "Odsetek bez zdarzenia S(t)") + motyw
p1
p2
Wynik w R
          wszyscy czekajacy_ponad_1 
            10000              6066 
            P_X_pow_2 P_X_pow_3_gdy_X_pow_1                teoria 
                0.369                 0.365                 0.368 

Jak opisać w pracy

Czas do nawrotu objawów modelowano rozkładem wykładniczym, zakładając stały hazard; oszacowana intensywność wyniosła λ = 0.5 na miesiąc, co odpowiada średniemu czasowi do nawrotu 2 miesiące i medianie 1.39 miesiąca.

Na co uważać

  • Stały hazard to mocne założenie. Ryzyko nawrotu jest często największe tuż po zakończeniu leczenia. Wtedy lepiej pasuje rozkład Weibulla.
  • Cenzurowanie. Średnia z samych zaobserwowanych czasów zaniża średni czas, bo pomija obserwacje cenzurowane. Analizę z cenzurowaniem pokazuje poradnik Kaplan–Meier i model Coxa krok po kroku.
Przykład reprodukowalny

Rozkład wykładniczy w R

Kod liczy średnią, wariancję, medianę i prawdopodobieństwa rozkładu wykładniczego dla λ = 0.5, sprawdza brak pamięci, porównuje wyniki z symulacją i pokazuje, że wykładnicze odstępy dają liczby zdarzeń o rozkładzie Poissona.

Średnia, mediana, brak pamięci i związek z rozkładem Poissona

Dane wejściowe: λ = 0.5 zdarzenia na miesiąc; 10 000 czasów z rexp(); 20 000 odstępów zsumowanych w czasy zdarzeń i policzonych w 5000 miesiącach; set.seed(4831).

Co odczytać: średnią 2, wariancję 4, medianę 1.386 i P(X ≤ 1) = .393, równość P(X > 3 | X > 1) = P(X > 2) = .368, wyniki symulacji oraz średnią (0.50) i wariancję (0.51) liczby zdarzeń na miesiąc.

R
lambda <- 0.5                            # średnio 0.5 zdarzenia na miesiąc
round(c(srednia = 1 / lambda, wariancja = 1 / lambda^2,
        mediana = qexp(0.5, lambda), P_do_1 = pexp(1, lambda)), 3)
# brak pamięci: P(X > 3 | X > 1) = P(X > 2)
round(c(warunkowe = pexp(3, lambda, lower.tail = FALSE) /
          pexp(1, lambda, lower.tail = FALSE),
        P_powyzej_2 = pexp(2, lambda, lower.tail = FALSE)), 3)
set.seed(4831)
x <- rexp(10000, lambda)
round(c(srednia_sym = mean(x), wariancja_sym = var(x)), 2)
# odstępy wykładnicze -> liczby zdarzeń Poissona w kolejnych miesiącach
czasy <- cumsum(rexp(20000, lambda))
liczby <- table(factor(floor(czasy[czasy < 5000]), levels = 0:4999))
round(c(srednia_liczby = mean(liczby), wariancja_liczby = var(as.vector(liczby))), 2)
Wynik w R
  srednia wariancja   mediana    P_do_1 
    2.000     4.000     1.386     0.393 
  warunkowe P_powyzej_2 
      0.368       0.368 
  srednia_sym wariancja_sym 
         2.00          4.05 
  srednia_liczby wariancja_liczby 
            0.50             0.51 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Obliczenia w przykładzie nie wymagają dodatkowych pakietów; rysunki 1 i 2 wykonano w pakiecie ggplot2, a panele złożono pakietem patchwork. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Co oznacza brak pamięci w rozkładzie wykładniczym?

Że dotychczasowe czekanie nic nie zmienia. Przy λ = 0.5 na miesiąc P(X > 3 | X > 1) = P(X > 2) = .368. Ryzyko zdarzenia, czyli hazard, jest w każdej chwili takie samo.

Jak parametr λ wiąże się ze średnim czasem oczekiwania?

Średni czas to 1/λ. Jeśli zdarzenie występuje średnio 0.5 raza na miesiąc, czeka się na nie średnio 2 miesiące. Mediana jest krótsza i wynosi ln 2/λ, czyli 1.39 miesiąca.

Kiedy zamiast rozkładu wykładniczego wybrać rozkład Weibulla?

Gdy ryzyko zdarzenia rośnie lub maleje z czasem, np. nawroty są najczęstsze tuż po leczeniu. Rozkład Weibulla ma dodatkowy parametr kształtu; przy kształcie 1 jest rozkładem wykładniczym.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bender, R., Augustin, T., & Blettner, M. (2005). Generating survival times to simulate Cox proportional hazards models. Statistics in Medicine, 24(11), 1713–1723. https://doi.org/10.1002/sim.2059 ● Otwarty dostęp: pełny tekst
  2. Carroll, K. J. (2003). On the use and utility of the Weibull model in the analysis of survival data. Controlled Clinical Trials, 24(6), 682–701. https://doi.org/10.1016/s0197-2456(03)00072-2

Cytowania BibTeX

@article{bender2005generating, author={Bender, Ralf and Augustin, Thomas and Blettner, Maria}, title={{Generating survival times to simulate Cox proportional hazards models}}, journal={Statistics in Medicine}, year={2005}, volume={24}, number={11}, pages={1713--1723}, doi={10.1002/sim.2059}}
@article{carroll2003use, author={Carroll, Kevin J.}, title={{On the use and utility of the Weibull model in the analysis of survival data}}, journal={Controlled Clinical Trials}, year={2003}, volume={24}, number={6}, pages={682--701}, doi={10.1016/s0197-2456(03)00072-2}}
R