※本記事にはプロモーション（広告）が含まれています。
指数分布は、ランダムに起きる出来事が、次に起きるまでの時間を表す確率分布です。確率密度関数は f(t)＝λe−λt（λ：単位時間あたりに起きる回数・故障率）、平均は 1/λ、分散は 1/λ² です。信頼性では、時刻 t まで壊れない確率を R(t)＝e−λt、平均寿命 MTBF を 1/λ として使います。
- 指数分布の公式「e−λt」が出てきたけど、なぜこの式なのかわからない
- MTBFと故障率λの関係がごちゃごちゃして混乱する
- 「無記憶性」って何？なぜそんな性質があるの？
- QC検定や信頼性工学の問題が解けない…
- 指数分布とは何か？を日常の例でイメージ理解
- なぜ e−λt という式になるのかを図解で徹底解説
- 3つの公式の意味と使い分け
- 「無記憶性」の直感的な理解
- 具体的な計算例で完全マスター
「電球って、いつ切れるんだろう？」
「このスマホ、あと何年使えるかな？」
こんな疑問、日常でよく感じますよね。実は、こうした「いつ起きるかわからないこと」を数学で表現できる道具があるんです。
それが「指数分布」です。
指数分布は、信頼性工学やQC検定で必ず登場する超重要な分布です。でも、「e−λt」という式を見ると、「なぜこんな式になるの？」と疑問に思う方も多いはず。
この記事では、公式の「なぜ？」を徹底的に図解します。読み終わる頃には、指数分布が「当たり前」に感じられるようになりますよ。
指数分布とは？｜「次に起きるまでの時間」を表す分布
指数分布が登場する場面
指数分布は、「次に何かが起きるまでの時間」を表す確率分布です。
身近な例を挙げると：
| 場面 | 指数分布で表せること |
|---|---|
| 電球 | 電球が切れるまでの時間 |
| スマホ | スマホが故障するまでの時間 |
| バス停 | 次のバスが来るまでの待ち時間 |
| コールセンター | 次の電話がかかってくるまでの時間 |
| 工場の機械 | 機械が故障するまでの稼働時間 |
共通点は、「いつ起きるかはランダムだけど、平均的な間隔は分かっている」という状況です。
指数分布のグラフの形
指数分布のグラフは、右肩下がりの曲線です。
・時間0のところが一番高い（すぐに起きる可能性が一番高い）
・時間が経つほど、確率は下がっていく
・でも、いつまでもゼロにはならない（長く待つこともあり得る）
例えば、平均5分間隔でバスが来る場合、「すぐ来る（1分以内）」可能性が一番高く、「10分以上待つ」可能性は低いけどゼロではない、というイメージです。
なぜ e−λt なのか？｜公式の意味を徹底解説
指数分布の公式で「e−λt」が出てくると、「なぜ e なの？」「なぜマイナスなの？」と疑問に思いますよね。
この章では、公式がなぜこの形になるのかを、中学生でもわかるように説明します。
複利計算の「逆バージョン」で理解する
まず、e（ネイピア数）がどこから来るか、身近な例で説明します。
複利計算：お金が「増える」場合
銀行に100万円を預けると、利息がついて増えていきますよね。これが複利計算です。
| 年数 | 年利10%の場合 | 計算式 |
|---|---|---|
| 0年 | 100万円 | 100 × 1.10 |
| 1年 | 110万円 | 100 × 1.11 |
| 2年 | 121万円 | 100 × 1.12 |
| 3年 | 133万円 | 100 × 1.13 |
複利計算では、「今あるものの一定割合が増えていく」という仕組みです。
指数分布：生存率が「減る」場合
指数分布は、これの逆バージョンです。「今生きているものの一定割合が減っていく」という仕組みです。
| 時刻 | 生存率（毎回10%減） | イメージ |
|---|---|---|
| 0 | 100% | 全員元気 |
| 1 | 90% | 100 × 0.9 = 90 |
| 2 | 81% | 90 × 0.9 = 81 |
| 3 | 72.9% | 81 × 0.9 = 72.9 |
「残っているものの一定割合が毎瞬間減っていく」
これを連続的に（無限に細かく）考えると、数式で e−λt になる！
公式の導出を図で理解する
もう少し詳しく説明しましょう。
いま、故障率λ（ラムダ）という数値があるとします。これは「単位時間あたりに、どのくらいの割合で故障するか」を表します。
例：λ = 0.1/年
→ 「1年間で、生き残っているもののおよそ10%が故障する」という意味（正確には 1−e−0.1≒9.5%）
λが大きいほど、壊れやすい（寿命が短い）
λが小さいほど、壊れにくい（寿命が長い）
時刻tまで生き残る確率 R(t) は、次のように考えます：
| 考え方 | 数式 |
|---|---|
| 時刻0では全員生きている | R(0) = 1（100%） |
| 微小時間Δtの間に、生存者の λΔt 割合が故障 | R(t+Δt) = R(t) × (1 − λΔt) |
| これを無限に繰り返すと… | R(t) = e−λt |
時刻tまで「生き残っている」確率
つまり、e−λtは「毎瞬間、一定割合で故障するリスクがあるとき、時刻tまで生き残る確率」を表しているんです。
指数分布の3つの公式｜これだけ覚えればOK！
指数分布で覚えるべき公式は3つだけです。それぞれの意味を丁寧に解説します。
公式① 故障率λとMTBFμの関係
λ（ラムダ）は故障率、μ（ミュー）はMTBF（平均故障間隔）です。この2つは逆数の関係にあります。
| 記号 | 名前 | 意味 | 例 |
|---|---|---|---|
| λ | 故障率 | 単位時間あたりの故障しやすさ | λ = 0.1/年（10%/年） |
| μ | MTBF | 平均で何時間もつか | μ = 10年 |
λ（故障率）が大きい → よく壊れる → MTBF（寿命）が短い
λ（故障率）が小さい → 壊れにくい → MTBF（寿命）が長い
反比例の関係なので、λ = 1/μ です！
公式② 時刻tまでに故障する確率（累積分布関数）
時刻tまでに「故障している」確率
これは「時刻tまでに壊れている確率」です。1 − R(t) の関係になっています。
公式③ 時刻tまで生き残る確率（信頼度関数）
時刻tまで「生き残っている」確率
これが一番よく使う式です。「まだ壊れていない確率」＝「信頼度」を表します。
3つの公式の関係をまとめると
| 公式 | 式 | 意味 |
|---|---|---|
| ①基本関係 | λ = 1/μ | 故障率とMTBFは逆数 |
| ②故障確率 | F(t) = 1 − e−t/μ | 時刻tまでに壊れている確率 |
| ③生存確率 | R(t) = e−t/μ | 時刻tまで生き残る確率 |
故障確率と生存確率を足すと必ず1（100%）になります。
「壊れている」か「生き残っている」かのどちらかだからです。
t分布とは？「データが少ないのに正規分布を使うな！」と神様が怒る理由
無記憶性とは？｜指数分布の不思議な性質
指数分布には、「無記憶性」という不思議な性質があります。これを理解すると、指数分布の本質がわかります。
無記憶性って何？
無記憶性とは、「過去の経過時間が、将来の故障確率に影響しない」という性質です。
言葉だけだと難しいので、具体例で説明します。
友人A：「俺のスマホ、もう2年使ってるから、そろそろ壊れそう」
友人B：「私のスマホ、まだ買ったばかりだから安心」
指数分布では：
2年使ったスマホも、買ったばかりのスマホも、
「明日壊れる確率」は同じ！
「えっ、それっておかしくない？」と思いますよね。でも、これが指数分布の特徴なんです。
指数分布の確率密度関数・平均・分散｜ポアソン分布との関係
| 量 | 式 | 意味 |
|---|---|---|
| 確率密度関数 | f(t)＝λe−λt（t≧0） | t のあたりで起きる確率の密度。t＝0 でいちばん高い |
| 累積分布関数 | F(t)＝1−e−λt | t までに起きている確率 |
| 平均（期待値） | E(T)＝1/λ | 平均の待ち時間。信頼性では MTBF（MTTF） |
| 分散 | V(T)＝1/λ² | 標準偏差も 1/λ で、平均と同じ大きさ |
| 中央値 | ln2/λ≒0.693/λ | 半分が起きるまでの時間。平均より短い |
平均より中央値が短いのは、グラフが右に長く裾を引くためです。MTBF の時間がたったとき、すでに約63%が故障しています。
ポアソン分布との関係
単位時間に平均 λ 回、ランダムに起きる出来事を考えます。このとき、決まった時間に起きる回数はポアソン分布に、次に起きるまでの時間は指数分布にしたがいます。同じ現象を「回数」で見るか「間隔」で見るかの違いです。
例：バスがランダムに、平均5分に1台（λ＝0.2台/分）来るとします。
10分以上待つ確率は、R(10)＝e−0.2×10＝e−2≒0.135（約14%）。
同じことをポアソン分布で見ると、「10分間に1台も来ない確率」＝e−2×2⁰÷0!＝e−2 で、答えは一致します。
実際のバスは時刻表で走るので、ここでは「ランダムに来る」と仮定した例です。故障・電話の着信・機械の停止など、間隔がばらばらに起きるものに当てはめます。
指数分布は平均 1/λ・分散 1/λ²。回数を数えるとポアソン分布、間隔を測ると指数分布。
決まった時間に起きる「回数」のほうはポアソン分布で計算します。公式と使える条件を確かめられます。
数式で確認してみよう
無記憶性を数式で表すと、こうなります：
「すでにs時間経過した条件で、さらにt時間もつ確率」＝「最初からt時間もつ確率」
実際に計算して確認してみましょう：
| ステップ | 計算 |
|---|---|
| 条件付き確率の定義 | P(T > s+t | T > s) = P(T > s+t) / P(T > s) |
| 指数分布の式を代入 | = e−λ(s+t) / e−λs |
| 指数法則で計算 | = e−λs−λt / e−λs = e−λt |
| 結果 | = P(T > t) ← 最初からt時間もつ確率と同じ！ |
無記憶性が成り立つ理由
無記憶性が成り立つのは、「故障率λが常に一定」という前提があるからです。
毎日サイコロを振って「1が出たら故障」というゲームを考えてください。
・昨日まで100日連続で1が出なかった
・だからといって、今日1が出る確率は変わらない（1/6のまま）
指数分布はこれと同じ考え方です。過去は過去、今日は今日。
現実では無記憶性が成り立たないことも
現実の製品は、使い続けると劣化して故障しやすくなります。つまり、故障率λが時間とともに変化します。
| 期間 | 故障率λ | 使う分布 |
|---|---|---|
| 初期故障期 | 時間とともに減少 | ワイブル分布（m < 1） |
| 偶発故障期 | 一定（λ = const） | 指数分布 ← ここで使う！ |
| 摩耗故障期 | 時間とともに増加 | ワイブル分布（m > 1） |
指数分布は、故障率が一定の「偶発故障期」で使う分布です。初期故障期や摩耗故障期には、ワイブル分布を使います。
具体例で計算してみよう
例題1：スマホの寿命予測
あるスマホの平均寿命（MTBF）は3年です。
2年後もまだ使える確率は何%でしょうか？
| ステップ | 計算 |
|---|---|
| ① 条件の確認 | μ = 3年、t = 2年 |
| ② 公式に代入 | R(2) = e−2/3 = e−0.667 |
| ③ 計算 | = 0.513 |
| 答え | 約51%（半分くらいはまだ使える） |
例題2：電球の故障確率
ある電球のMTBFは1000時間です。
500時間使ったとき、すでに切れている確率は何%でしょうか？
| ステップ | 計算 |
|---|---|
| ① 条件の確認 | μ = 1000時間、t = 500時間 |
| ② 故障確率の公式 | F(500) = 1 − e−500/1000 = 1 − e−0.5 |
| ③ 計算 | = 1 − 0.607 = 0.393 |
| 答え | 約39%（4割近くは切れている） |
・e−0.5 ≈ 0.61（約60%生存）
・e−1 ≈ 0.37（約37%生存）← MTBFと同じ時間が経過
・e−2 ≈ 0.14（約14%生存）
・e−3 ≈ 0.05（約5%生存）
よくある質問
まとめ｜指数分布の全体像
この記事では、指数分布の基本から公式の意味、無記憶性まで解説しました。
1. 指数分布とは？
→ 「次に何かが起きるまでの時間」を表す確率分布
2. なぜ e−λt なのか？
→ 「残りの一定割合が毎瞬間減る」を連続的に考えた結果
3. 3つの公式
→ λ = 1/μ、F(t) = 1−e−t/μ、R(t) = e−t/μ
4. 無記憶性
→ 過去の経過時間が将来の故障確率に影響しない（故障率が一定だから）
5. 使いどころ
→ 故障率が一定の「偶発故障期」で使う
| 故障率とMTBF | λ = 1/μ |
| 生存確率（信頼度） | R(t) = e−t/μ |
| 故障確率 | F(t) = 1 − e−t/μ |
指数分布は、信頼性工学やQC検定で必ず登場する重要な分布です。公式を暗記するだけでなく、「なぜその式になるのか」を理解しておくと、応用問題にも対応できるようになります。
「指数分布」の土台になる統計学を、本でじっくり学び直したいときに向いています。統計学を独学で学べるように書かれた入門書です（ダイヤモンド社、小島寛之 著）。
「指数分布」の土台になる統計学を、教科書で体系立てて学びたいときに向いています。東京大学教養学部統計学教室が編集した、統計学の定番の教科書です。データのまとめ方から確率分布までを、実際の例と図表で解説しています。
「指数分布」の土台になる統計学を、検定まで含めて1冊で学びたいときに向いています。検定から多変量解析・実験計画法・ベイズ統計学までを扱う、統計学の入門書です（オーム社、栗原伸一 著、第2版）。
メーカーで電気設計と品質保証に携わってきた経験をもとに執筆しています。むずかしい専門用語をできるだけ使わず、はじめて学ぶ人がつまずかないように、図とたとえで説明することを大切にしています。
次に読むべき記事
この記事の内容がわかったら、確率分布の次のテーマに進みましょう。続けて読むと、現場でそのまま使える知識になります。
テーマ別に、もっと深く学ぶ
気になるところから読んでも大丈夫です。どの記事も、はじめて学ぶ人向けにやさしく書いています。
