双指数分布模拟：新作业等待时间仿真方法是否正确？

仿真逻辑是否正确？ #

你的仿真逻辑是正确的。两台CPU独立工作，而指数分布具备无记忆性——无论它们已运行多久，剩余服务时间仍服从原参数的指数分布。新作业的等待时间就是两台CPU中先完成当前作业的时间，也就是两个独立指数随机变量的最小值，用min(cpu1[i], cpu2[i])模拟单次等待时间完全符合场景。

代码存在的错误 #

1. 语法错误：else分支里错误嵌套了data.frame：

   df1 <- rbind(df1, data.frame(waiting_time=data.frame(waiting_time=min(cpu1[i], cpu2[i])))
   

   这会让df1$waiting_time变成嵌套数据框而非数值型向量，后续计算均值时可能报错。

2. 低效的循环rbind：用for循环逐行rbind构建数据框效率极低，n=10000时每次rbind都会复制整个已有数据框，时间复杂度为O(n²)，运行速度会很慢。

优化后的代码 #

无需循环，直接用向量化操作高效完成：

# 生成两组指数分布数据
cpu1 <- rexp(n = 10000, rate = .1)
cpu2 <- rexp(n = 10000, rate = .05)

# 向量化计算所有等待时间
waiting_times <- pmin(cpu1, cpu2)

# 转换为数据框（按需保留）
df1 <- data.frame(waiting_time = waiting_times)

# 计算均值
mean(df1$waiting_time)

pmin()可直接计算两个向量对应位置的最小值，既避免语法错误，又大幅提升效率。

另外从理论角度，两个独立指数变量（速率λ₁=0.1、λ₂=0.05）的最小值仍服从指数分布，速率为λ₁+λ₂=0.15，理论均值为1/0.15≈6.6667分钟，你仿真得到的均值应接近这个值，可用来验证结果合理性。

内容的提问来源于stack exchange，提问作者user3138594