지수분포 (Exponential Distribution)
쉽게 풀면
버스가 평균 10분에 한 대씩 오지만 정확한 시각표 없이 무작위로 도착한다고 해봅시다. 정류장에 도착한 순간부터 다음 버스가 올 때까지 걸리는 시간을 확률로 표현한 것이 지수분포입니다. 이 분포의 독특한 성질은 "무기억성"입니다. 이미 5분을 기다렸든 방금 도착했든, 앞으로 더 기다려야 할 시간의 확률분포는 똑같다는 뜻입니다. 즉 과거에 얼마나 기다렸는지는 앞으로 남은 대기시간에 아무 영향을 주지 않습니다. 그래서 지수분포는 부품 고장까지 걸리는 시간, 콜센터에 다음 전화가 걸려오기까지의 간격처럼 "무작위로, 일정한 비율로 일어나는 사건 사이의 간격"을 모델링할 때 자주 쓰입니다.
왜 중요한가
지수분포는 대기시간, 고장까지의 시간, 사건 간 간격을 다루는 여러 연구 분야의 가장 기본적인 확률모형으로 쓰이며, 더 복잡한 생존분석 모형이나 신뢰성 이론을 이해하기 위한 출발점 역할을 합니다. 무기억성이라는 단순한 성질 덕분에 수학적으로 다루기 쉬워 이론적 벤치마크로 자주 활용되며, 통신·대기행렬 이론, 신뢰성공학, 의학의 생존분석 등에서 실제 자료를 모델링하거나 다른 분포와 비교하는 기준점으로 등장합니다.
논문에서는 이렇게 쓰입니다
이 문장은 재입원 사건이 시간에 따라 일정한 비율로 무작위 발생한다는 가정 위에서, 그 비율(위험률)로부터 평균적으로 얼마나 기다려야 재입원이 발생하는지를 계산했다는 뜻입니다.
산업공학·경영과학의 대기행렬(queueing) 연구에서는 사건 발생 간격을 지수분포로 가정해 시스템 성능을 분석하는 경우가 흔합니다.
신뢰성공학 연구에서는 부품의 고장률이 시간에 따라 일정하다고 가정할 수 있는 초기 설계 단계에서 지수분포를 기본 모형으로 사용합니다.
조금 더 깊게 보면
지수분포는 일정 시간 동안 발생하는 사건의 횟수를 다루는 포아송분포와 밀접하게 연결되어 있습니다. 사건 발생 횟수가 포아송분포를 따른다면, 사건과 사건 사이의 대기시간은 지수분포를 따르게 됩니다. 또한 지수분포는 위험률(hazard rate)이 시간에 따라 변할 수 있도록 일반화한 와이블분포의 특수한 경우(형상모수가 1인 경우)로도 이해할 수 있어, 실제 생존분석 논문에서는 데이터가 지수분포의 가정(일정한 위험률)을 만족하는지를 먼저 점검한 뒤 필요하면 더 유연한 모형으로 전환하는 절차를 거칩니다.
주의할 점
지수분포의 핵심 가정은 "사건이 일어날 위험률이 시간에 따라 변하지 않고 일정하다"는 것입니다. 그러나 실제 생존분석 데이터에서는 위험률이 초반에 높았다가 낮아지거나, 시간이 지날수록 커지는 경우가 흔합니다. 이런 상황에서 지수분포를 그대로 적용하면 추정이 왜곡될 수 있어, 위험률이 시간에 따라 변하는 것을 허용하는 와이블분포 같은 더 유연한 분포를 대신 사용하는 경우가 많습니다.