1.6.3指数分布的次序统计量

指数分布的次序统计量 深度系统讲解

各位同学，今天我们来拆解指数分布的次序统计量这个知识点。这个知识点是可靠性统计、生存分析、寿命数据建模的绝对核心——指数分布的无记忆性，赋予了它的次序统计量独一无二的性质，这是其他任何分布都不具备的。我们从底层定义、公式推导、定理证明到应用价值，一步一步拆透，不仅让你会算公式，更能理解它背后的统计思想与工程意义。

---

一、开篇：为什么要专门研究指数分布的次序统计量？

在正式推导之前，我们必须先搞懂这个知识点的核心定位：

1. 指数分布的核心地位：指数分布是描述“无老化、无记忆”寿命的唯一连续型分布，电子元器件的寿命、设备的故障间隔时间、生物的生存时间，绝大多数都用指数分布建模，是可靠性工程与生存分析的“基础分布”。
2. 次序统计量的工程意义：在寿命试验中，我们不可能等到所有样本都失效（时间成本极高），通常只观测前r个失效的样本（定数截尾试验），这些失效时间就是指数分布样本的前r个次序统计量。因此，指数分布的次序统计量，是截尾寿命试验统计推断的唯一数据基础。
3. 独有的核心特性：指数分布的次序统计量，其间距具有独立性——这是指数分布无记忆性的直接体现，也是它和均匀分布、正态分布次序统计量最本质的区别。均匀分布的间距同分布但不独立，而指数分布的归一化间距独立同分布，这个性质直接决定了它在工程中的易用性。

---

二、基础铺垫：指数分布的定义与核心特性

首先我们明确教材中指数分布的参数形式，避免大家和其他参数定义混淆。

1. 位置-尺度型指数分布的定义

教材中给出的指数分布为带位置参数的双参数指数分布，记为 \(X_1 \sim \mu + \Gamma(1/\sigma,1)\)，其中：

• \(\mu\)：位置参数，也叫“保证寿命”——产品在时间\(\mu\)之前绝对不会失效，只有超过\(\mu\)才会发生失效，因此样本取值一定满足 \(X \geqslant \mu\)；
• \(\sigma\)：尺度参数，也叫“特征寿命”，失效率 \(\lambda = 1/\sigma\) 为常数，这是指数分布无记忆性的核心；
• \(\Gamma(\alpha,\lambda)\)：Gamma分布，当形状参数\(\alpha=1\)时，Gamma分布退化为指数分布，因此标准指数分布（\(\mu=0,\sigma=1\)）就是 \(\Gamma(1,1)\)。

对应的概率密度函数（PDF）和分布函数（CDF）为：

\[f(x_1) = \frac{1}{\sigma} \mathrm{e}^{-\frac{x_1-\mu}{\sigma}} I\{x_1 \geqslant \mu\}, \quad F(x_1) = \left(1 - \mathrm{e}^{-\frac{x_1-\mu}{\sigma}}\right) I\{x_1 \geqslant \mu\} \tag{1.6.12} \]

其中 \(I\{\cdot\}\) 是指示函数，满足条件时取1，否则取0。

2. 核心特性：无记忆性

指数分布的所有性质，都源于它的无记忆性：对于任意 \(s,t>0\)，有

\[P(X > s+t \mid X > s) = P(X > t) \]

翻译成工程语言就是：一个已经工作了\(s\)小时的产品，它再工作\(t\)小时的概率，和一个全新的产品工作\(t\)小时的概率完全相同——产品不会“老化”，过去的工作时间不影响未来的寿命。

我们后续推导的次序统计量间距的独立性，本质就是无记忆性的直接体现。

---

三、前r个次序统计量的联合密度推导

在寿命试验中，我们最常用的是定数截尾试验：投n个样本进行寿命试验，观测到前r个样本失效就停止试验，得到的观测数据就是前r个次序统计量 \(X_{(1)} < X_{(2)} < \dots < X_{(r)}\)（\(r \leqslant n\)）。因此我们首先推导它的联合概率密度。

1. 回顾通用公式

上一节我们已经推导了任意连续型分布前r个次序统计量的联合密度通用公式：

\[f(y_1,\dots,y_r) = \frac{n!}{(n-r)!} \left[ \prod_{i=1}^r f(y_i) \right] [1-F(y_r)]^{n-r} I\{y_1 < y_2 < \dots < y_r\} \tag{1.6.8} \]

这个公式的本质是：r个样本分别落在r个微小区间，剩下的\(n-r\)个样本全部大于\(y_r\)，组合数为排列数 \(\frac{n!}{(n-r)!}\)。

2. 代入指数分布的f和F，逐步化简

我们记 \(Y_i = X_{(i)}\)，将指数分布的\(f(y_i)\)和\(F(y_r)\)代入通用公式：

1. 首先代入密度和生存函数（\(1-F(y_r)\) 也叫生存函数，记为\(S(y_r)=P(X>y_r)\)）：
   \[f(y_1,\dots,y_r) = \frac{n!}{(n-r)!} \left[ \prod_{i=1}^r \frac{1}{\sigma} \mathrm{e}^{-\frac{y_i-\mu}{\sigma}} I\{y_i \geqslant \mu\} \right] \cdot \left( \mathrm{e}^{-\frac{y_r-\mu}{\sigma}} \right)^{n-r} \cdot I\{y_1 < \dots < y_r\} \]

2. 指示函数的化简：因为次序统计量是严格递增的，即 \(y_1 < y_2 < \dots < y_r\)，因此只要 \(y_1 \geqslant \mu\)，就一定有 \(y_2,\dots,y_r \geqslant \mu\)。因此乘积里的 \(r\) 个指示函数 \(\prod_{i=1}^r I\{y_i \geqslant \mu\}\)，可以直接简化为 \(I\{y_1 \geqslant \mu\}\)，这是很多同学推导时容易卡住的细节。
3. 常数项的合并：乘积里的 \(\frac{1}{\sigma}\) 一共有r个，因此合并为 \(\frac{1}{\sigma^r}\)。
4. 指数项的合并：指数部分是求和形式，我们把所有指数提出来：
   \[\exp\left\{ -\frac{1}{\sigma} \left[ \sum_{i=1}^r (y_i - \mu) + (n-r)(y_r - \mu) \right] \right\} \]
   展开括号里的项：
   \[\sum_{i=1}^r (y_i - \mu) + (n-r)(y_r - \mu) = \sum_{i=1}^r y_i + (n-r)y_r - r\mu - (n-r)\mu = \sum_{i=1}^r y_i + (n-r)y_r - n\mu \]

3. 最终化简结果

把以上所有化简合并，最终得到前r个次序统计量的联合密度：

\[f(y_1,\dots,y_r) = \frac{n!}{(n-r)!} \frac{1}{\sigma^r} \exp\left\{ -\frac{1}{\sigma} \left[ \sum_{i=1}^r y_i + (n-r)y_r - n\mu \right] \right\} I\{y_1 \geqslant \mu\} I\{y_1 < \dots < y_r\} \tag{1.6.13} \]

4. 结果的核心解读

这个化简后的式子，直接揭示了两个核心统计量：

1. \(Y_1 = X_{(1)}\)：第一个失效时间，也就是最小次序统计量；
2. \(T_{n,r} = \sum_{i=1}^r Y_i + (n-r)Y_r\)：定数截尾总试验时间。

这里给大家讲清楚\(T_{n,r}\)的工程意义：

• 前r个样本，分别在\(Y_1,Y_2,\dots,Y_r\)时刻失效，每个样本的试验时间就是它的失效时间；
• 剩下的\(n-r\)个样本，在试验停止时（\(Y_r\)时刻）还没有失效，每个样本的试验时间都是\(Y_r\)；
• 因此所有样本的总试验时间，就是 \(\sum_{i=1}^r Y_i + (n-r)Y_r\)，这是可靠性统计中估计参数的核心统计量。

联合密度完全由\(Y_1\)和\(T_{n,r}\)决定，这为我们后续的定理证明指明了方向。

---

四、核心定理1.6.3 深度讲解与证明

定理1.6.3是本节的核心，它完整揭示了指数分布次序统计量的分布、独立性，是截尾寿命试验参数估计的理论基础。

1. 定理内容拆解

设 \(X_1,\dots,X_n\) 是i.i.d.服从(1.6.12)式的双参数指数分布，定义两个核心统计量：

• 定数截尾总偏差：\(S_1 = \sum_{i=1}^r [X_{(i)}-X_{(1)}] + (n-r)[X_{(r)}-X_{(1)}] = T_{n,r} - nX_{(1)}\)
• 全样本总偏差：\(S = \sum_{i=1}^n [X_{(i)}-X_{(1)}] = \sum_{i=1}^n X_i - nX_{(1)}\)（即\(r=n\)时的\(S_1\)）

定理给出三个核心结论：

1. 独立性：最小次序统计量 \(X_{(1)}\) 与 \(S_1\)、\(S\) 相互独立；
2. 最小次序统计量的分布：\(X_{(1)} \sim \mu + \Gamma\left( \frac{n}{\sigma}, 1 \right)\)，即\(X_{(1)}-\mu\)服从尺度参数为\(\sigma/n\)的指数分布；
3. 总偏差的分布：\(S_1 \sim \Gamma\left( \frac{1}{\sigma}, r-1 \right)\)，\(S \sim \Gamma\left( \frac{1}{\sigma}, n-1 \right)\)。

2. 证明过程逐段拆解

教材中证明的核心是构造归一化间距变换，把不独立的次序统计量，转化为独立的指数分布随机变量，这是指数分布独有的经典变换。

步骤1：构造变换与反变换

我们针对前r个次序统计量 \(Y_1<Y_2<\dots<Y_r\)，构造如下变换：

\[\begin{cases} Z_1 = nX_{(1)} = nY_1 \\ Z_2 = (n-1)[X_{(2)}-X_{(1)}] = (n-1)(Y_2-Y_1) \\ Z_3 = (n-2)[X_{(3)}-X_{(2)}] = (n-2)(Y_3-Y_2) \\ \quad \vdots \\ Z_r = (n-r+1)[X_{(r)}-X_{(r-1)}] = (n-r+1)(Y_r-Y_{r-1}) \end{cases} \]

这个变换的本质是：对相邻次序统计量的间距，乘以剩余样本量进行“归一化”。我们可以反解出用\(Z\)表示\(Y\)的表达式：

\[\begin{cases} Y_1 = \frac{Z_1}{n} \\ Y_2 = \frac{Z_1}{n} + \frac{Z_2}{n-1} \\ Y_3 = \frac{Z_1}{n} + \frac{Z_2}{n-1} + \frac{Z_3}{n-2} \\ \quad \vdots \\ Y_r = \frac{Z_1}{n} + \frac{Z_2}{n-1} + \dots + \frac{Z_r}{n-r+1} \end{cases} \]

步骤2：计算雅可比行列式

多元随机变量变换的核心是计算雅可比行列式 \(J = \frac{\partial(y_1,\dots,y_r)}{\partial(z_1,\dots,z_r)}\)。

观察反变换的结构：\(Y_k\) 仅和 \(Z_1,\dots,Z_k\) 有关，和 \(Z_{k+1},\dots,Z_r\) 无关，因此雅可比矩阵是下三角矩阵，下三角矩阵的行列式等于对角线元素的乘积。

我们计算对角线元素：

• \(\frac{\partial y_1}{\partial z_1} = \frac{1}{n}\)
• \(\frac{\partial y_2}{\partial z_2} = \frac{1}{n-1}\)
• \(\frac{\partial y_3}{\partial z_3} = \frac{1}{n-2}\)
• \(\dots\)
• \(\frac{\partial y_r}{\partial z_r} = \frac{1}{n-r+1}\)

因此雅可比行列式为：

\[J = \frac{1}{n} \cdot \frac{1}{n-1} \cdot \frac{1}{n-2} \cdot \dots \cdot \frac{1}{n-r+1} = \frac{(n-r)!}{n!} \]

和教材中的结果完全一致。

步骤3：推导\(Z_1,\dots,Z_r\)的联合密度

根据多元随机变量变换公式，\(Z\)的联合密度为：

\[f(z_1,\dots,z_r) = f(y_1,\dots,y_r) \cdot |J| \]

我们把前r个次序统计量的联合密度(1.6.13)和雅可比行列式代入：

\[f(z_1,\dots,z_r) = \frac{n!}{(n-r)!} \frac{1}{\sigma^r} \exp\left\{ -\frac{1}{\sigma} \left[ \sum_{i=1}^r y_i + (n-r)y_r - n\mu \right] \right\} \cdot \frac{(n-r)!}{n!} \cdot I\{\cdot\} \]

首先，常数项 \(\frac{n!}{(n-r)!}\) 和 \(\frac{(n-r)!}{n!}\) 直接抵消，剩下 \(\frac{1}{\sigma^r}\)。

接下来是最关键的一步：指数部分的化简。我们先看变换的一个核心恒等式：

\[Z_1 + Z_2 + \dots + Z_r = \sum_{i=1}^r y_i + (n-r)y_r = T_{n,r} \]

这个恒等式大家可以自己展开验证，它的意义是：所有归一化间距的和，恰好等于总试验时间\(T_{n,r}\)。

同时，\(Z_1 = nY_1\)，因此 \(nY_1 = Z_1\)，指数部分的 \(n\mu\) 可以和\(Z_1\)结合。

因此指数部分可以化简为：

\[\exp\left\{ -\frac{1}{\sigma} \left( Z_1 + Z_2 + \dots + Z_r - n\mu \right) \right\} = \exp\left\{ -\frac{1}{\sigma}(Z_1 - n\mu) \right\} \cdot \prod_{i=2}^r \exp\left\{ -\frac{1}{\sigma} Z_i \right\} \]

最后是指示函数的化简：

• \(y_1 \geqslant \mu \implies \frac{Z_1}{n} \geqslant \mu \implies Z_1 \geqslant n\mu\)
• \(y_1 < y_2 < \dots < y_r \implies Z_i \geqslant 0,\ i=2,\dots,r\)（因为间距\(Y_i-Y_{i-1}>0\)）

把所有部分合并，最终\(Z\)的联合密度可以拆分为：

\[f(z_1,\dots,z_r) = \underbrace{\frac{1}{\sigma} \exp\left\{ -\frac{1}{\sigma}(Z_1 - n\mu) \right\} I\{Z_1 \geqslant n\mu\}}_{Z_1的密度} \cdot \prod_{i=2}^r \underbrace{\frac{1}{\sigma} \exp\left\{ -\frac{1}{\sigma} Z_i \right\} I\{Z_i \geqslant 0\}}_{Z_i的密度} \]

步骤4：从联合密度推导独立性与分布

我们知道，多元随机变量相互独立的充要条件是：联合密度可以分解为各变量边缘密度的乘积。

上面的式子中，联合密度完美拆成了r个独立函数的乘积，因此我们直接得到两个核心结论：

1. \(Z_1,Z_2,\dots,Z_r\) 相互独立；
2. 每个变量的分布：
   • \(Z_1 = nY_1 \sim n\mu + \Gamma\left( \frac{1}{\sigma},1 \right)\)，即\(Z_1 - n\mu\)服从尺度参数为\(\sigma\)的指数分布；
   • \(Z_2,Z_3,\dots,Z_r\) 独立同分布，均服从 \(\Gamma\left( \frac{1}{\sigma},1 \right)\)（标准指数分布）。

接下来我们推导定理的三个结论：

1. \(X_{(1)}\)的分布：
   由 \(Z_1 = nX_{(1)}\)，得 \(X_{(1)} = \frac{Z_1}{n}\)，因此：

   \[X_{(1)} - \mu = \frac{Z_1 - n\mu}{n} \sim \Gamma\left( \frac{n}{\sigma}, 1 \right) \]

   即 \(X_{(1)} \sim \mu + \Gamma\left( \frac{n}{\sigma}, 1 \right)\)，结论(2)得证。

2. \(S_1\)的分布与独立性：
   由定义，\(S_1 = T_{n,r} - nX_{(1)} = (Z_1+\dots+Z_r) - Z_1 = Z_2 + Z_3 + \dots + Z_r\)。
   因为 \(Z_1\) 与 \(Z_2,\dots,Z_r\) 独立，因此 \(X_{(1)} = Z_1/n\) 与 \(S_1 = Z_2+\dots+Z_r\) 独立。
   又因为独立Gamma分布的可加性：\(k\)个独立同分布的\(\Gamma(1/\sigma,1)\)之和，服从\(\Gamma(1/\sigma,k)\)。这里\(Z_2\)到\(Z_r\)共\(r-1\)个独立指数变量，因此：

   \[S_1 = Z_2+\dots+Z_r \sim \Gamma\left( \frac{1}{\sigma}, r-1 \right) \]

   结论(1)和(3)的\(S_1\)部分得证。

3. \(S\)的分布：
   当\(r=n\)时，\(S_1=S\)，代入上面的结论，直接得到 \(S \sim \Gamma\left( \frac{1}{\sigma}, n-1 \right)\)，且与\(X_{(1)}\)独立，定理全部得证。

3. 特殊情况：标准指数分布（\(\mu=0\)）

当位置参数\(\mu=0\)时，指数分布退化为标准指数分布 \(X_1 \sim \Gamma(1/\sigma,1)\)，此时所有结论都可以简化：

1. 前r个次序统计量的联合密度简化为：
   \[f(y_1,\dots,y_r) = \frac{n!}{(n-r)!} \frac{1}{\sigma^r} \exp\left\{ -\frac{1}{\sigma} \left[ \sum_{i=1}^r y_i + (n-r)y_r \right] \right\} I\{y_1 \geqslant 0\} I\{y_1 < \dots < y_r\} \tag{1.6.17} \]

2. 总试验时间的分布：\(T_{n,r} = Z_1+Z_2+\dots+Z_r \sim \Gamma\left( \frac{1}{\sigma}, r \right)\)，因为此时\(Z_1\)也服从\(\Gamma(1/\sigma,1)\)，和\(Z_2,\dots,Z_r\)独立同分布，r个独立指数变量之和服从Gamma分布。

---

五、核心推论：间距的独立性

定理的直接推论，是指数分布次序统计量最经典的性质：相邻间距的独立性。

1. 推论内容

设 \(X_1,\dots,X_n\) 是i.i.d.服从双参数指数分布的样本，则：

1. 最小次序统计量与所有相邻间距相互独立：\(X_{(1)},\ X_{(2)}-X_{(1)},\ X_{(3)}-X_{(2)},\ \dots,\ X_{(n)}-X_{(n-1)}\) 相互独立；
2. 任意次序统计量与后续的剩余寿命独立：对任意的\(i,k\)，\(X_{(i)}\) 与 \(X_{(i+k)}-X_{(i)}\) 相互独立。

2. 证明与本质解读

这个推论的证明非常直接：
在定理的变换中，当\(r=n\)时，我们构造的变换为：

\[Z_1 = nX_{(1)},\ Z_2=(n-1)(X_{(2)}-X_{(1)}),\ \dots,\ Z_n = 1 \cdot (X_{(n)}-X_{(n-1)}) \]

我们已经证明了\(Z_1,Z_2,\dots,Z_n\)相互独立，而\(X_{(1)}=Z_1/n\)，\(X_{(i)}-X_{(i-1)}=Z_i/(n-i+1)\)，都是\(Z_i\)的线性变换，因此它们必然相互独立，第一个结论得证。

第二个结论的本质，就是指数分布的无记忆性：
\(X_{(i)}\) 是第i个失效时间，\(X_{(i+k)}-X_{(i)}\) 是从第i个失效到第i+k个失效的时间间隔。因为指数分布无记忆，到第i个失效时，剩余的\(n-i\)个样本的剩余寿命，和全新的样本完全相同，和之前的失效时间\(X_{(i)}\)没有任何关系，因此二者独立。

3. 与均匀分布的核心区别

这里必须给大家划清两个分布的性质边界，避免混淆：

分布类型	次序统计量间距的核心性质
均匀分布	等间隔的间距同分布，但不独立
指数分布	归一化后的间距独立同分布，天然满足无记忆性

这是两个分布最本质的区别，也是它们应用场景的核心分界：均匀分布的性质用于非参数无分布检验，指数分布的性质用于参数化的可靠性与寿命分析。

---

六、工程应用价值与总结

1. 核心应用场景

这个知识点的所有结论，最终都落地到可靠性工程的定数截尾寿命试验中：

1. 参数估计：对于双参数指数分布，\(X_{(1)}\) 是位置参数\(\mu\)的充分完备统计量，\(S_1/S\) 是尺度参数\(\sigma\)的充分完备统计量，我们可以直接用这两个统计量构造\(\mu\)和\(\sigma\)的无偏估计、置信区间；
2. 假设检验：利用\(S_1\)的Gamma分布，可以构造关于失效率\(\lambda=1/\sigma\)的检验，判断产品的寿命是否达到设计要求；
3. 加速寿命试验：基于指数分布次序统计量的性质，可以设计定数截尾的加速寿命试验，大幅缩短试验时间，评估产品的长期寿命。

2. 全知识点核心总结

1. 指数分布的次序统计量，是定数截尾寿命试验的核心数据基础，前r个次序统计量的联合密度完全由最小失效时间和总试验时间决定；
2. 核心定理的本质，是通过归一化间距变换，将次序统计量转化为独立的指数分布随机变量，从而得到最小次序统计量和总试验时间的分布与独立性；
3. 相邻间距的独立性，是指数分布无记忆性的直接体现，也是它区别于其他分布的核心特征；
4. 所有结论都可以直接推广到截尾寿命试验的统计推断中，是可靠性统计的理论基石。

---

指数分布的次序统计量 知识点全归纳表格汇总

以下表格严格对应教材公式、定理推导与工程应用逻辑，完整覆盖基础定义、公式推导、核心定理、证明关键、性质对比与落地场景，可直接用于公式速查、备课与可靠性统计知识点梳理。

---

表1 基础前提与指数分布核心定义

分类	核心内容	教材对应/公式编号	关键说明与本质意义
双参数指数分布定义	\(X_1 \sim \mu + \Gamma(1/\sigma,1)\)，其中失效率 \(\lambda=1/\sigma\)	开篇定义	1. \(\mu\)：位置参数/保证寿命，产品在\(\mu\)前绝对不失效，样本满足 \(X\geqslant\mu\) 2. \(\sigma\)：尺度参数/特征寿命，决定失效速率 3. 形状参数为1的Gamma分布，退化为指数分布
概率密度函数（PDF）	\(f(x_1) = \frac{1}{\sigma} \mathrm{e}^{-\frac{x_1-\mu}{\sigma}} I\{x_1 \geqslant \mu\}\)	(1.6.12)	仅在 \(x\geqslant\mu\) 时有非零取值，呈指数衰减趋势
分布函数（CDF）	\(F(x_1) = \left(1 - \mathrm{e}^{-\frac{x_1-\mu}{\sigma}}\right) I\{x_1 \geqslant \mu\}\)	(1.6.12)	生存函数（可靠度）为 \(S(x)=1-F(x)=\mathrm{e}^{-\frac{x-\mu}{\sigma}}\)，是可靠性计算的核心
核心特性	无记忆性：对任意 \(s,t>0\)，\(P(X>s+t \mid X>s)=P(X>t)\)	基础特性	产品无老化效应，已工作时间不影响剩余寿命，是后续间距独立性的本质来源
次序统计量的工程背景	定数截尾寿命试验：投n个样本，观测前r个失效时间 \(X_{(1)}<X_{(2)}<\dots<X_{(r)}\)（\(r\leqslant n\)），即前r个次序统计量	开篇说明	是可靠性工程中最常用的试验方案，无需等待所有样本失效，大幅降低时间成本

---

表2 前r个次序统计量的联合密度推导汇总

推导步骤	公式内容	教材公式编号	关键化简逻辑
通用前r个次序统计量联合密度	\(f(y_1,\dots,y_r) = \frac{n!}{(n-r)!} \left[ \prod_{i=1}^r f(y_i) \right] [1-F(y_r)]^{n-r} I\{y_1 < \dots < y_r\}\)	(1.6.8)	核心逻辑：r个样本落在r个微小区间，剩余\(n-r\)个样本全部大于\(y_r\)，组合数为排列数 \(\frac{n!}{(n-r)!}\)
代入指数分布的f与F	\(f(y_1,\dots,y_r) = \frac{n!}{(n-r)!} \left( \prod_{i=1}^r \frac{1}{\sigma} \mathrm{e}^{-\frac{y_i-\mu}{\sigma}} I\{y_i \geqslant \mu\} \right) \cdot \left( \mathrm{e}^{-\frac{y_r-\mu}{\sigma}} \right)^{n-r} \cdot I\{y_1 < \dots < y_r\}\)	推导中间式	代入指数分布的PDF和生存函数 \(1-F(y_r)=\mathrm{e}^{-\frac{y_r-\mu}{\sigma}}\)
指示函数与常数项化简	1. \(\prod_{i=1}^r I\{y_i \geqslant \mu\} = I\{y_1 \geqslant \mu\}\) 2. \(\prod_{i=1}^r \frac{1}{\sigma} = \frac{1}{\sigma^r}\)	推导中间式	利用次序统计量的递增性：\(y_1\geqslant\mu\) 可推出所有 \(y_i\geqslant\mu\)，简化指示函数
指数项合并	\(\exp\left\{ -\frac{1}{\sigma} \left[ \sum_{i=1}^r (y_i-\mu) + (n-r)(y_r-\mu) \right] \right\} = \exp\left\{ -\frac{1}{\sigma} \left[ \sum_{i=1}^r y_i + (n-r)y_r - n\mu \right] \right\}\)	推导中间式	展开并合并常数项，最终消去\(r\mu\)与\((n-r)\mu\)，得到\(n\mu\)
最终化简结果	\(f(y_1,\dots,y_r) = \frac{n!}{(n-r)!} \frac{1}{\sigma^r} \exp\left\{ -\frac{1}{\sigma} \left[ \sum_{i=1}^r y_i + (n-r)y_r - n\mu \right] \right\} I\{y_1 \geqslant \mu\} I\{y_1 < \dots < y_r\}\)	(1.6.13)	联合密度完全由两个核心统计量决定：最小次序统计量\(Y_1=X_{(1)}\)、总试验时间\(T_{n,r}\)
核心统计量解读	总试验时间：\(T_{n,r} = \sum_{i=1}^r y_i + (n-r)y_r\)	定义式	工程意义：前r个失效样本的总试验时间 + 剩余\(n-r\)个未失效样本的总试验时间，是参数估计的核心统计量

---

表3 定理1.6.3 核心结论完整汇总

结论分类	核心公式与分布结论	教材公式编号	证明核心逻辑	关键意义
独立性结论	最小次序统计量 \(X_{(1)}\) 与 \(S_1\)、\(S\) 相互独立	定理核心结论	构造归一化间距变换后，\(X_{(1)}\) 仅与\(Z_1\)有关，\(S_1/S\)仅与\(Z_2,\dots,Z_r\)有关，而\(Z_1\)与其他\(Z_i\)独立	解决了双参数指数分布参数估计的独立性问题，可分别构造两个参数的估计量
最小次序统计量的分布	\(X_{(1)} \sim \mu + \Gamma\left( \frac{n}{\sigma}, 1 \right)\)	(1.6.16)	由\(Z_1 = nX_{(1)} \sim n\mu + \Gamma(1/\sigma,1)\)，做线性变换推导得到	\(X_{(1)}-\mu\) 服从尺度参数为\(\sigma/n\)的指数分布，是位置参数\(\mu\)的充分完备统计量
定数截尾总偏差\(S_1\)的分布	\(S_1 = T_{n,r} - nX_{(1)} \sim \Gamma\left( \frac{1}{\sigma}, r-1 \right)\)	(1.6.14)(1.6.16)	\(S_1 = Z_2+\dots+Z_r\)，是\(r-1\)个独立同分布的\(\Gamma(1/\sigma,1)\)变量之和，由Gamma分布可加性推导	是尺度参数\(\sigma\)的核心估计量，可直接用于构造\(\sigma\)的置信区间与假设检验
全样本总偏差\(S\)的分布	\(S = \sum_{i=1}^n X_i - nX_{(1)} \sim \Gamma\left( \frac{1}{\sigma}, n-1 \right)\)	(1.6.15)(1.6.16)	\(r=n\)时\(S_1=S\)，代入\(S_1\)的分布结论直接得到	全样本试验下，尺度参数\(\sigma\)的核心估计量
标准指数分布特例（\(\mu=0\)）	1. \(X_{(1)} \sim \Gamma\left( \frac{n}{\sigma}, 1 \right)\) 2. 联合密度简化为：\(f(y_1,\dots,y_r) = \frac{n!}{(n-r)!} \frac{1}{\sigma^r} \exp\left\{ -\frac{1}{\sigma} \left[ \sum_{i=1}^r y_i + (n-r)y_r \right] \right\} I\{y_1 \geqslant 0\} I\{y_1 < \dots < y_r\}\)	(1.6.17)	令\(\mu=0\)，代入通用公式直接化简	单参数指数分布的核心公式，是最常用的工程简化形式
总试验时间\(T_{n,r}\)的分布（\(\mu=0\)）	\(T_{n,r} = Z_1+Z_2+\dots+Z_r \sim \Gamma\left( \frac{1}{\sigma}, r \right)\)	(1.6.18)(1.6.19)	\(\mu=0\)时\(Z_1\sim\Gamma(1/\sigma,1)\)，与\(Z_2,\dots,Z_r\)独立同分布，r个Gamma变量之和服从\(\Gamma(1/\sigma,r)\)	定数截尾试验下，总试验时间的分布完全已知，可用于试验方案设计

---

表4 定理证明核心变换与关键步骤汇总

变换环节	核心公式	关键计算结果	推导意义
归一化间距变换构造	\(\begin{cases} Z_1 = nX_{(1)} \\ Z_2 = (n-1)[X_{(2)}-X_{(1)}] \\ \quad \vdots \\ Z_r = (n-r+1)[X_{(r)}-X_{(r-1)}] \end{cases}\)	对相邻间距乘以剩余样本量做归一化	打破次序统计量的大小约束，为独立性推导做铺垫，是指数分布独有的经典变换
反变换（Z表示Y）	\(\begin{cases} Y_1 = \frac{Z_1}{n} \\ Y_2 = \frac{Z_1}{n} + \frac{Z_2}{n-1} \\ \quad \vdots \\ Y_r = \frac{Z_1}{n} + \frac{Z_2}{n-1} + \dots + \frac{Z_r}{n-r+1} \end{cases}\)	雅可比矩阵为下三角矩阵，上三角部分全为0	建立Y与Z的一一映射，满足多元随机变量变换的条件
雅可比行列式计算	\(J = \frac{\partial(y_1,\dots,y_r)}{\partial(z_1,\dots,z_r)}\)	\(J = \frac{1}{n} \cdot \frac{1}{n-1} \cdot \dots \cdot \frac{1}{n-r+1} = \frac{(n-r)!}{n!}\)	下三角矩阵的行列式等于对角线元素乘积，是多元密度变换的核心
核心恒等式	\(Z_1+Z_2+\dots+Z_r = \sum_{i=1}^r Y_i + (n-r)Y_r = T_{n,r}\)	归一化间距的和恰好等于总试验时间	大幅简化指数项的化简，直接建立变换与核心统计量的关联
Z的联合密度化简	\(f(z_1,\dots,z_r) = \left[ \frac{1}{\sigma} \mathrm{e}^{-\frac{1}{\sigma}(Z_1-n\mu)} I\{Z_1\geqslant n\mu\} \right] \cdot \prod_{i=2}^r \left[ \frac{1}{\sigma} \mathrm{e}^{-\frac{1}{\sigma}Z_i} I\{Z_i\geqslant0\} \right]\)	联合密度可完全分解为r个单变量密度的乘积	直接证明\(Z_1,\dots,Z_r\)相互独立，是定理结论的核心支撑
分布推导	1. \(Z_1 \sim n\mu + \Gamma(1/\sigma,1)\) 2. \(Z_2,\dots,Z_r \overset{i.i.d.}{\sim} \Gamma(1/\sigma,1)\)	每个\(Z_i\)的边缘分布均为指数分布	利用Gamma分布的可加性，直接推导\(S_1\)、\(T_{n,r}\)的分布

---

表5 核心推论与分布性质对比

分类	核心结论	证明逻辑	本质解读
相邻间距的独立性	\(X_{(1)},\ X_{(2)}-X_{(1)},\ X_{(3)}-X_{(2)},\ \dots,\ X_{(n)}-X_{(n-1)}\) 相互独立	\(r=n\)时，\(Z_1,\dots,Z_n\)相互独立，而间距是\(Z_i\)的线性变换，因此保持独立性	指数分布无记忆性的直接体现：每次失效后，剩余样本的剩余寿命与全新样本一致，与之前的失效时间无关
次序统计量与剩余寿命的独立性	对任意\(i,k\)，\(X_{(i)}\) 与 \(X_{(i+k)}-X_{(i)}\) 相互独立	\(X_{(i)} = \sum_{j=1}^i W_j\)，\(X_{(i+k)}-X_{(i)} = \sum_{j=i+1}^{i+k} W_j\)，而\(W_j\)相互独立，因此二者独立	无记忆性的推广：第i个失效时间不影响后续的失效间隔时间，是生存分析中剩余寿命预测的理论基础
指数分布vs均匀分布 次序统计量性质核心对比	1. 指数分布：归一化间距独立同分布 2. 均匀分布：等间隔间距同分布但不独立	指数分布的无记忆性决定了间距独立；均匀分布的区间对称性决定了间距同分布，但大小约束导致不独立	两个分布的核心分界： - 指数分布性质用于参数化可靠性与寿命分析 - 均匀分布性质用于非参数无分布检验

---

表6 工程应用场景与落地价值

应用场景	对应核心知识点	实际工程用途
定数截尾寿命试验参数估计	前r个次序统计量的联合密度、\(X_{(1)}\)与\(S_1\)的分布与独立性	构造双参数指数分布中位置参数\(\mu\)、尺度参数\(\sigma\)的无偏估计、极大似然估计与置信区间
产品失效率假设检验	\(S_1\)的Gamma分布性质	检验产品的失效率是否达到设计要求，判断产品是否满足可靠性指标
加速寿命试验方案设计	总试验时间\(T_{n,r}\)的分布、次序统计量的间距性质	设计定数截尾加速寿命试验，缩短试验周期，评估产品的长期寿命与可靠性
产品剩余寿命预测	次序统计量与剩余寿命的独立性	基于已失效样本的观测数据，预测剩余未失效样本的剩余寿命，制定维护与更换策略
可靠性验证试验	最小次序统计量的分布	设计验证试验方案，验证产品的保证寿命\(\mu\)是否满足设计要求