指数分布均值与方差（理论与经验值）：R中lambda参数实现及精确均值求解

指数分布的理论均值为 1/lambda，核心是明确你生成随机变量时使用的lambda参数，再通过简单计算得到精确值，以下是两种常见场景的处理方式：

场景1：已知生成随机数时的lambda值 #

如果你生成1e6个指数分布随机数时，已经通过rexp()函数指定了lambda（对应rate参数），直接计算倒数即可得到精确均值：

# 示例：假设你使用的lambda为2
lambda <- 2
exact_mean <- 1 / lambda
print(exact_mean) # 输出结果为0.5

场景2：未知lambda，但有生成的随机样本 #

若忘记了当初设置的lambda参数，可以通过样本均值反推lambda，再计算理论精确均值：

# 假设你的样本存储在exp_samples变量中（替换为你实际的样本数据）
exp_samples <- rexp(1e6, rate = 3)
# 用样本均值估计lambda
estimated_lambda <- 1 / mean(exp_samples)
# 计算理论精确均值
exact_mean_theory <- 1 / estimated_lambda
print(exact_mean_theory)

注意事项 #

• R中rexp()函数的rate参数就是指数分布的lambda，不要和scale参数混淆：scale = 1/lambda，如果生成随机数时用了scale，那精确均值就是scale的值，无需额外计算。

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