指数分布有序随机变量闭式解及实验均值求解技术问询

嘿，你在Matlab里做的这个模拟，其实对应的是指数分布顺序统计量的样本均值估计——这类问题完全有精确的闭式解，根本不用靠迭代模拟来凑结果！

首先明确背景：我们有k个独立同分布的指数随机变量，参数为μ（概率密度为f(x) = μe^{-μx}，x≥0），按降序排列为$X_1 > X_2 > \dots > X_k$。你通过迭代计算的样本均值，其实是在估计这些顺序统计量的理论期望，而这个期望有完美的解析表达式。

核心结论：每个降序统计量的期望 #

我们先从升序顺序统计量说起（记为$Y_1 \leq Y_2 \leq \dots \leq Y_k$，即第i小的变量），指数分布的升序统计量$Y_i$的期望公式是：

E[Y_i] = (1/μ) * (1/k + 1/(k-1) + ... + 1/(k - i + 1))

而你要的降序统计量$X_l$，对应升序里的第$k-l+1$个统计量（比如$X_1$是最大的，对应$Y_k$；$X_k$是最小的，对应$Y_1$）。把i替换成$k-l+1$，就能得到降序统计量的期望：

E[X_l] = (1/μ) * (1/l + 1/(l+1) + ... + 1/k)

用调和数$H_n = 1 + 1/2 + ... + 1/n$简化的话，也可以写成：

E[X_l] = (H_k - H_{l-1})/μ

（注：$H_0=0$）

举个直观的例子：当k=3，μ=1时：

• $E[X_1] = 1 + 1/2 + 1/3 = 11/6 ≈ 1.8333$
• $E[X_2] = 1/2 + 1/3 = 5/6 ≈ 0.8333$
• $E[X_3] = 1/3 ≈ 0.3333$
  你可以把这个结果和Matlab模拟的1000次迭代均值对比，应该会非常接近。

推导思路（可选） #

指数分布的无记忆性是关键：

1. k个指数变量的最小值$Y_1$，服从参数为$kμ$的指数分布，期望为$1/(kμ)$；
2. 从$Y_1$到$Y_2$的间隔（即$Y_2-Y_1$），相当于剩下k-1个指数变量的最小值，服从参数为$(k-1)μ$的指数分布，期望为$1/((k-1)μ)$；
3. 以此类推，第i个间隔$Y_i-Y_{i-1}$服从参数为$(k-i+1)μ$的指数分布，期望为$1/((k-i+1)μ)$。

把这些间隔加起来，就是$Y_i$的期望，再转换为降序统计量的表达式即可。

额外扩展：方差的闭式解 #

如果需要方差的话，同样有解析结果：
升序统计量$Y_i$的方差为：

Var(Y_i) = (1/μ²) * (1/k² + 1/(k-1)² + ... + 1/(k-i+1)²)

对应降序统计量$X_l$的方差就是：

Var(X_l) = (1/μ²) * (1/l² + 1/(l+1)² + ... + 1/k²)

内容的提问来源于stack exchange，提问作者kyub