嘿，这个问题挺有意思的——用指数分布来处理这种条件概率，核心要抓住指数分布的无记忆性，不过咱们一步步拆解，先从基础的条件概率公式入手，再结合指数分布的特性简化计算。

首先明确变量定义：假设V₁和V₂是独立同分布的指数随机变量，代表顾客到达的间隔时间，概率密度函数为 f(v) = λe^(-λv)（v>0），其中λ是单位时间内的顾客到达速率。你的目标是计算 P(V₁ + V₂ > 10 | V₁ ≤ 10)。

步骤1：用条件概率定义展开 #

条件概率的核心公式是：

P(A|B) = P(A∩B) / P(B)

这里A是「V₁+V₂>10」，B是「V₁≤10」。所以我们需要分别计算分子（两个事件同时发生的概率）和分母（V₁≤10的概率）。

步骤2：计算分母（P(V₁≤10)） #

这个很直接，指数分布的累积分布函数（CDF）是 P(V≤t) = 1 - e^(-λt)，代入t=10就得到：

P(V₁≤10) = 1 - e^(-10λ)

步骤3：计算分子（P(V₁≤10 且 V₁+V₂>10)） #

因为V₁和V₂是独立的，我们可以用二重积分来计算联合概率：

分子 = ∫（v₁从0到10）[ ∫（v₂从10-v₁到∞）f(v₂)dv₂ ] * f(v₁)dv₁

先看内层积分：∫(10-v₁到∞) λe^(-λv₂)dv₂，这其实是指数分布的生存函数（即P(V₂>10-v₁)），根据指数分布的性质，生存函数结果是 e^(-λ(10 - v₁))。

把内层结果代入分子，指数部分可以化简：-λv₁ -λ(10 -v₁) = -10λ，所以被积函数变成了常数 λe^(-10λ)，积分结果就是：

分子 = λe^(-10λ) * ∫₀¹⁰ dv₁ = 10λe^(-10λ)

步骤4：合并得到最终结果 #

把分子分母代入条件概率公式，就得到：

P(V₁+V₂>10 | V₁≤10) = (10λe^(-10λ)) / (1 - e^(-10λ))

如果觉得指数负号看着别扭，可以分子分母同乘 e^(10λ)，整理成更简洁的形式：

= 10λ / (e^(10λ) - 1)

用无记忆性辅助理解 #

指数分布的无记忆性是说「P(V > s + t | V > s) = P(V > t)」，放在这个问题里：当给定V₁=x（x≤10）时，V₂需要大于10-x才能让两者之和超过10。由于V₂和V₁独立，P(V₂>10-x)就是指数分布在10-x处的生存函数。我们的结果其实是对所有x≤10的情况，用V₁的概率密度做加权平均后的结果，这也符合条件概率的本质。

举个实际例子，如果平均每10分钟到一个顾客（即λ=1/10），代入公式得到结果是 1/(e-1)≈0.582，也就是说：给定第一个顾客在10分钟内到达，前两个顾客的总到达时间超过10分钟的概率大概是58%，这个数值也符合直觉。

备注：内容来源于stack exchange，提问作者MB Playz