{
  "id": "exponential-decay",
  "title": "指数衰减",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "指数衰减是某个量以恒定比例速率减小的过程，可描述放射性转变、弛豫和概率中的生存过程。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "指数式衰减"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/exponential-decay/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/exponential-decay/",
      "json": "https://aiwiki.page/en/exponential-decay.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "指数衰减是指某个量以与其当前值成正比的速率减小。在标准的连续形式下，它由下式描述：\n\n\\[N(t)=N_0e^{-\\lambda t},\\]\n\n其中，\\(N_0\\) 为初始量，\\(t\\) 为经过的时间，\\(\\lambda>0\\) 为衰减常数。其本质特征不是单位时间内减少的数量恒定，而是在任意给定长度的时间间隔内，减少的比例恒定。例如，某个量每小时减半，那么无论其初始值是一千还是一百万，都遵循同样的比例规律。\n\n这一模型将基础微积分与物理机制、统计分布以及复杂系统的动力学联系起来。它可以描述放射性核素数量的变化、一级化学反应、放电过程以及某些形式的热弛豫。在概率中，同样的指数形式用于描述事件发生率恒定时的生存情况。这一模型是否适用，取决于若干特定假设：移除机制与当前量成正比、速率参数恒定，以及恰当地选取发生衰减的量。不满足这些假设时，就需要采用多个指数项的混合模型、变速率模型，或本质上不同的衰减定律。"
    },
    {
      "heading": "数学定义与刻画",
      "text": "指数函数给出了标准的衰减规律：\n\n\\[N(t)=N_0e^{-\\lambda t},\\qquad t\\geq 0,\\]\n\n其中 \\(N_0>0\\)，\\(\\lambda>0\\)。这里的 \\(e\\) 是自然常数e，约等于 \\(2.71828\\)。指数必须是无量纲的，因此 \\(\\lambda\\) 的单位是时间单位的倒数。如果时间以秒计，\\(\\lambda\\) 的单位就是每秒。当自变量为距离、深度或其他非负坐标时，同样的数学关系也适用；此时，系数的单位就是相应坐标单位的倒数。\n\n描述这一过程的常微分方程为\n\n\\[\\frac{dN}{dt}=-\\lambda N.\\]\n\n其中，负号表示损失，而因子 \\(N\\) 则使损失速率与当前剩余量成正比。当 \\(N\\) 为正时，分离变量并积分可得\n\n\\[\\int_{N_0}^{N(t)}\\frac{d\\xi}{\\xi} =-\\lambda\\int_0^t ds,\\]\n\n因此\n\n\\[\\ln\\!\\frac{N(t)}{N_0}=-\\lambda t.\\]\n\n等价地说，对数变化率为常数：\n\n\\[-\\frac{d}{dt}\\ln N(t)=\\lambda.\\]\n\n这一表述将按比例衰减与线性减少区分开来；在线性减少中，\\(dN/dt\\) 本身是常数。\n\n第二种刻画涉及相继的时间区间。对于任意 \\(t,s\\geq0\\)，有\n\n\\[N(t+s)=\\frac{N(t)N(s)}{N_0}.\\]\n\n因此，归一化后的剩余比例 \\(r(t)=N(t)/N_0\\) 满足\n\n\\[r(t+s)=r(t)r(s),\\qquad r(0)=1.\\]\n\n对于取正值的连续函数，这一乘法法则意味着函数必为指数形式。连续性也可以替换为其他较弱的正则性条件，例如可测性或单调性。这一法则体现了一种时间齐次机制：无论从何时开始，经过长度为 \\(s\\) 的时间区间后，该量都会乘以相同的因子。\n\n当初始值为正时，曲线严格递减且为凸曲线：\n\n\\[N'(t)=-\\lambda N(t)<0,\\qquad N''(t)=\\lambda^2N(t)>0.\\]\n\n随着剩余量减小，斜率逐渐增大，但始终为负。当 \\(t\\to\\infty\\) 时，该量趋近于零，却不会在有限时间内达到零。这是连续模型的性质，并不意味着由有限个实物组成的集合在只剩最后一个物体时，还能保有该物体的某个分数。更一般地，\\(N_0\\) 可以表示相对于平衡状态的带符号偏差。若偏差为负，它就会从零以下趋近于零；虽然带符号的数值不断增大，其绝对值仍按指数规律衰减。"
    },
    {
      "heading": "半衰期、时间常数与持续时间的度量",
      "text": "指数衰减的快慢可以用几个等价的参数来表示。半衰期 \\(t_{1/2}\\) 是剩余量降至当前值的一半所需的时间。代入衰减定律可得\n\n\\[\\frac12=e^{-\\lambda t_{1/2}}, \\qquad t_{1/2}=\\frac{\\ln2}{\\lambda}.\\]\n\n无论已经过多长时间，半衰期都保持不变。经过 \\(n\\) 个半衰期后，\n\n\\[N=N_0\\,2^{-n}.\\]\n\n经过五个半衰期，剩余量为初始量的 \\(3.125\\%\\)；经过十个半衰期，则约为 \\(0.0977\\%\\)。这些百分比与初始量的大小无关。\n\n时间常数通常记为 \\(\\tau\\)，其定义为\n\n\\[\\tau=\\frac1\\lambda.\\]\n\n当 \\(t=\\tau\\) 时，剩余比例为 \\(e^{-1}\\)，约为 \\(0.3679\\)；也就是说，约有 \\(63.21\\%\\) 已经损失。因此，\n\n\\[t_{1/2}=\\tau\\ln2\\approx0.6931\\tau.\\]\n\ne 折叠时间一词通常也指这一时间间隔。在微分方程中，采用时间常数尤其方便，因为归一化后的指数项可简写为 \\(-t/\\tau\\)。一个时间常数为五秒的过程，其半衰期约为 \\(3.47\\) 秒，而不是五秒。\n\n对于任意给定的剩余比例 \\(f\\)，其中 \\(0<f<1\\)，所需时间为\n\n\\[t_f=-\\frac{\\ln f}{\\lambda} =\\tau\\ln\\frac1f.\\]\n\n降至初始值的 \\(10\\%\\)、\\(1\\%\\) 和 \\(0.1\\%\\)，所需时间分别约为 \\(2.303\\tau\\)、\\(4.605\\tau\\) 和 \\(6.908\\tau\\)。因此，每再降至原来的十分之一，所需增加的时间都相同。如果探测器只有在某个量超过阈值 \\(N_{\\min}<N_0\\) 时才能检测到它，那么理想情况下，该量降至阈值的时刻为\n\n\\[t_{\\mathrm{det}}=\\tau\\ln\\frac{N_0}{N_{\\min}}.\\]\n\n因此，尽管数学上的衰减曲线永远不会降为零，实际中何时视为消失却取决于检测阈值。\n\n积分提供了另一种有用的度量：\n\n\\[\\int_0^\\infty N(t)\\,dt=N_0\\tau.\\]\n\n因此，归一化曲线下的面积等于时间常数。当这条曲线表示存活概率时，该面积等于平均寿命；当它表示浓度时，该面积则是累积暴露量，本身并不是一段时间。这些解释使用同一个公式，但量纲不同。因此，在未明确被测量及其单位的情况下，不应将衰减常数、时间常数、半衰期和积分面积混用。"
    },
    {
      "heading": "离散损失与连续时间极限",
      "text": "许多过程是在离散时刻观测或定义的。如果在每个时间间隔内都移除相同的比例 \\(p\\)，其中 \\(0<p<1\\)，则剩余量满足递推关系\n\n\\[N_{n+1}=(1-p)N_n.\\]\n\n其解为\n\n\\[N_n=N_0(1-p)^n.\\]\n\n这个等比数列是连续指数衰减的离散对应形式。如果某个存量在每一步都减少 \\(20\\%\\)，那么经过 \\(n\\) 步后，剩余量为初始量的 \\(0.8^n\\)。尽管每一步损失的比例保持不变，损失的绝对量却逐步减小。\n\n如果每一步持续 \\(\\Delta t\\)，则通过这些离散值的连续指数函数具有衰减速率\n\n\\[\\lambda=-\\frac{\\ln(1-p)}{\\Delta t}.\\]\n\n反过来，给定连续衰减常数，每个采样间隔内的损失比例为\n\n\\[p=1-e^{-\\lambda\\Delta t}\\]\n\n这些关系都是精确的。常见的近似 \\(p\\approx\\lambda\\Delta t\\) 要求 \\(\\lambda\\Delta t\\ll1\\)。例如，每小时损失 \\(20\\%\\) 对应的是 \\(\\lambda=-\\ln(0.8)\\approx0.2231\\ \\mathrm{h}^{-1}\\)，而不是 \\(0.2\\ \\mathrm{h}^{-1}\\)。百分比变化以乘法方式累积，通常不能将不同时间间隔内的百分比变化直接相加。\n\n连续衰减规律也可以通过取极限得到：\n\n\\[N(t)=N_0\\lim_{n\\to\\infty} \\left(1-\\frac{\\lambda t}{n}\\right)^n =N_0e^{-\\lambda t}.\\]\n\n当 \\(n\\) 足够大时，每个因子都表示在一个短时间间隔内发生的一次小比例损失。这一构造将指数衰减与反复相乘联系起来，并解释了为什么许多微观移除机制会产生指数形式的宏观规律。它也说明了：当极短时间间隔内的移除比例近似正比于该间隔的时长时，使用微分方程描述这一过程是合适的。\n\n在数值分析中，离散近似还会带来另一个问题。对该微分方程应用前向欧拉法可得\n\n\\[N_{n+1}=(1-\\lambda h)N_n,\\]\n\n其中 \\(h\\) 为数值计算的步长。要使非负初始值在后续计算中始终保持非负，必须满足 \\(h\\leq1/\\lambda\\)。绝对稳定性要求 \\(0<\\lambda h<2\\)，但在 \\(1<\\lambda h<2\\) 的范围内，计算值会正负交替，无法解释为非负数量的衰减。相比之下，精确的更新公式 \\(N_{n+1}=e^{-\\lambda h}N_n\\) 对任意 \\(h>0\\) 都能使正值保持为正。区分实际的离散移除规律与数值近似，有助于避免在解释百分比损失和模拟快速衰减系统时出现错误。"
    },
    {
      "heading": "随机寿命与恒定风险率",
      "text": "当个体在不可预测的时刻消失时，指数衰减可以用概率来解释。设 \\(T\\) 为表示某个个体寿命的非负随机变量，其生存函数为\n\n\\[S(t)=P(T>t).\\]\n\n如果每个尚存个体都具有相同且恒定的瞬时事件发生率 \\(\\lambda\\)，则\n\n\\[S(t)=e^{-\\lambda t}.\\]\n\n由此得到的指数分布具有如下概率密度函数：\n\n\\[f(t)=\\lambda e^{-\\lambda t},\\qquad t\\geq0.\\]\n\n其期望值为 \\(1/\\lambda\\)，方差为 \\(1/\\lambda^2\\)。\n\n这里所说的瞬时速率是风险率：\n\n\\[h(t)=\\lim_{\\Delta t\\downarrow0} \\frac{P(t<T\\leq t+\\Delta t\\mid T>t)}{\\Delta t}.\\]\n\n对于连续寿命分布，只要 \\(S(t)>0\\)，就有 \\(h(t)=f(t)/S(t)\\)。生存函数呈指数形式，恰好对应于 \\(h(t)=\\lambda\\) 的情形。这一条件针对的是存活至时刻 \\(t\\) 的个体，而非最初的整个群体。无条件概率密度 \\(f(t)\\) 之所以随时间下降，是因为可能发生该事件的尚存个体越来越少，尽管每个尚存个体的风险率并未改变。\n\n由此产生的一个独特性质是无记忆性：\n\n\\[P(T>s+t\\mid T>s)=P(T>t).\\]\n\n在已存活至年龄 \\(s\\) 的条件下，剩余寿命的分布与最初的寿命分布完全相同。在非负实数轴上的非退化连续分布中，只有指数分布具有这一性质。它不能描述磨损、老化或损伤累积，除非这些机制恰好使风险率保持恒定。无记忆性针对的是所指定的事件模型，并不意味着个体的每一种物理性质都与其历史无关。\n\n如果最初存在的 \\(N_0\\) 个个体的寿命相互统计独立，且均服从速率相同的指数分布，那么时刻 \\(t\\) 尚存的个体数 \\(N(t)\\) 服从二项分布：\n\n\\[N(t)\\sim\\operatorname{Binomial}(N_0,e^{-\\lambda t}).\\]\n\n因此，\n\n\\[E[N(t)]=N_0e^{-\\lambda t}, \\qquad \\operatorname{Var}(N(t)) =N_0e^{-\\lambda t}(1-e^{-\\lambda t}).\\]\n\n平滑的衰减曲线表示期望值，而实际群体的数量则沿着向下的阶梯变化。任何具有上述寿命分布的有限个体集合，都会以概率一在有限时间内全部消失，尽管在每一个有限时刻，其尚存个体数的期望值都大于零。全部消失所需时间的均值为 \\(H_{N_0}/\\lambda\\)，其中 \\(H_n=\\sum_{k=1}^n1/k\\)。\n\n齐次泊松过程中也会出现服从指数分布的等待时间；其中相邻事件之间的各个时间间隔相互独立，并具有相同的固定速率参数。这种构造不同于有限群体的衰减：在后者中，当尚存 \\(n\\) 个个体时，总事件发生率为 \\(n\\lambda\\)，因此每减少一个个体，总事件发生率就会下降。两者都涉及服从指数分布的等待时间，但只有前者的总事件发生率恒定。"
    },
    {
      "heading": "放射性转变与化学反应",
      "text": "放射性衰变是指数衰减在物理学中的一项重要应用。在固定条件下，对于一群相同的不稳定原子核，若单位时间内发生转变的概率恒定，则有\n\n\\[\\frac{dN}{dt}=-\\lambda N.\\]\n\n放射性活度，即单位时间内发生转变的期望次数，为\n\n\\[A(t)=\\lambda N(t)=A_0e^{-\\lambda t}.\\]\n\n放射性活度以贝可勒尔为单位，1 贝可勒尔相当于每秒发生一次转变。放射性活度并不等同于辐射能量输出：不同转变释放的能量可能不同，而其他位置吸收的能量还取决于辐射的发射与输运过程。\n\n欧内斯特·卢瑟福和弗雷德里克·索迪于 1902—1903 年提出的放射性转变理论，确立了放射性物质以各自特有的速率转变为其他物质的理论框架。碳-14 是一个广为人知的应用实例，其物理半衰期约为 5,730 年。放射性碳测年利用的是样品与环境停止碳交换后，碳-14 丰度随时间发生的变化。由于大气中的碳-14 丰度曾有变化，确定实际日历年代还需要进行校准。常规放射性碳年龄沿用历史上约定的 5,568 年半衰期，因此需要区分这一年龄报告体系所用的半衰期与现代测定的物理半衰期。\n\n连续转变通常会产生不止一个指数项。若核素 1 转变为核素 2，而核素 2 也会衰变，则\n\n\\[\\frac{dN_1}{dt}=-\\lambda_1N_1,\\qquad \\frac{dN_2}{dt}=\\lambda_1N_1-\\lambda_2N_2.\\]\n\n当 \\(N_2(0)=0\\) 且 \\(\\lambda_1\\ne\\lambda_2\\) 时，\n\n\\[N_2(t)= \\frac{\\lambda_1N_1(0)}{\\lambda_2-\\lambda_1} \\left(e^{-\\lambda_1t}-e^{-\\lambda_2t}\\right).\\]\n\n子体核素一方面不断生成，另一方面也因衰变而减少，因此其数量先增加，随后才下降。当两个速率常数相等时，极限表达式为 \\(N_2(t)=\\lambda N_1(0)t e^{-\\lambda t}\\)。这些方程是哈里·贝特曼于 1910 年分析的衰变链方程的特例。\n\n在化学动力学中，一级反应遵循\n\n\\[\\frac{d[A]}{dt}=-k[A],\\]\n\n其中，\\([A]\\) 为反应物浓度，\\(k\\) 为速率常数。在恒定条件下，\\([A](t)=[A]_0e^{-kt}\\)。与简单二级反应不同，一级反应的半衰期与初始浓度无关。涉及两种反应物的反应机理，如果其中一种始终大量过量，使其浓度实际上保持恒定，就可能表现出准一级行为。由此得到的有效速率常数包含了这种过量反应物的浓度。因此，仅凭浓度呈指数下降，并不能确定反应的基元分子机理；在有限范围内，不同机理可能产生相同的观测速率定律。"
    },
    {
      "heading": "电学、热学与空间中的弛豫",
      "text": "电阻—电容电路是指数衰减在工程中的直接实例。当电容为 \\(C\\) 的理想电容器通过阻值为 \\(R\\) 的电阻放电时，由电荷守恒和元件的基本关系可得\n\n\\[C\\frac{dV}{dt}=-\\frac{V}{R}.\\]\n\n因此\n\n\\[V(t)=V_0e^{-t/(RC)},\\]\n\n时间常数为 \\(RC\\)。阻值为 \\(1\\ \\mathrm{M\\Omega}\\)、电容为 \\(1\\ \\mathrm{\\mu F}\\) 时，时间常数为一秒。电荷量 \\(Q=CV\\) 遵循相同的指数衰减规律，但储存的能量\n\n\\[U=\\frac12CV^2,\\]\n\n则按 \\(e^{-2t/(RC)}\\) 衰减。因此，衰减时间取决于所测量的是振幅、电荷量还是能量。\n\n热弛豫通常关注的是偏离平衡的程度，而不是某个量趋于绝对零值。牛顿冷却定律假设，传热速率与物体温度 \\(T\\) 和恒定环境温度 \\(T_a\\) 之差成正比：\n\n\\[mc\\frac{dT}{dt}=-hA(T-T_a).\\]\n\n其中，\\(m\\) 为质量，\\(c\\) 为比热容，\\(h\\) 为有效传热系数，\\(A\\) 为暴露表面积。若这些量均为常数，则\n\n\\[T(t)-T_a=(T_0-T_a)e^{-t/\\tau}, \\qquad \\tau=\\frac{mc}{hA}.\\]\n\n该模型要求物体内部温度近似均匀，且传热规律适用。较大的内部温度梯度、变化的对流条件或强烈的热辐射，都可能使单指数描述不再适用。\n\n同样的数学形式也可描述阻尼振动的包络。对于线性欠阻尼振子，\n\n\\[x''+2\\gamma x'+\\omega_0^2x=0,\\]\n\n其位移具有如下形式：\n\n\\[x(t)=Ae^{-\\gamma t}\\cos(\\omega_dt+\\phi), \\qquad \\omega_d=\\sqrt{\\omega_0^2-\\gamma^2}.\\]\n\n位移本身并不单调变化，而是往复振荡并穿过零点；其包络则呈指数衰减。在弱阻尼条件下，对振荡周期取平均的能量近似按 \\(e^{-2\\gamma t}\\) 减小。在临界阻尼条件下，指数项还会乘上多项式因子，因此，即便是简单的线性振子，其波形也未必呈纯指数形式。\n\n指数衰减也可以发生在空间中。对于均匀吸收介质，比尔－朗伯定律给出\n\n\\[I(x)=I_0e^{-\\mu x},\\]\n\n其中，\\(I\\) 为强度，\\(x\\) 为路径长度，\\(\\mu\\) 为衰减系数。半值层厚度为 \\(\\ln2/\\mu\\)。在模型适用的条件下，若每一薄层都使入射量减少固定的比例，就会得到这一规律。必须将其与几何扩散区分开来：在三维空间中，即使不存在吸收，理想点源产生的强度也遵循平方反比律。当两种效应同时存在时，测得的强度可能同时包含几何因子和指数衰减因子，而不是单独遵循其中任一规律。"
    },
    {
      "heading": "线性系统、模态与指数稳定性",
      "text": "单一的衰减方程可以自然推广到由多个相互作用的量组成的系统。对于常矩阵 \\(A\\)，线性系统\n\n\\[\\frac{d\\mathbf{x}}{dt}=A\\mathbf{x}\\]\n\n的解为\n\n\\[\\mathbf{x}(t)=e^{At}\\mathbf{x}(0),\\]\n\n其中，矩阵指数由一个收敛的幂级数定义。标量衰减规律对应于一维矩阵 \\(A=-\\lambda\\)。在更高维的情形中，各个分量通常包含多个时间尺度。例如，相互连通的隔室中的浓度变化，既可能反映隔室之间的物质转移，也可能反映物质从整个系统中的移除。\n\n如果 \\(A\\) 存在一组由特征向量构成的基，那么解可以展开为各个模态之和：\n\n\\[\\mathbf{x}(t)=\\sum_j c_j e^{\\alpha_jt}\\mathbf{v}_j.\\]\n\n负实特征值对应不发生振荡的衰减模态。实部为负的复特征值则产生振荡，其包络按指数规律衰减。经过足够长的时间后，通常由实部最接近零的模态占主导，前提是初始状态激发了该模态，且所测量的量能够检测到它。这解释了为什么复杂系统在实验后期可能呈现近似单指数的变化，而在早期却表现出明显偏离单指数规律的曲率。\n\n完整的稳定性条件比要求每个观测到的分量都减小更为精确。对于有限维常系数系统，原点指数稳定，当且仅当 \\(A\\) 的每个特征值的实部都严格为负。此时，存在常数 \\(M\\geq1\\) 和 \\(\\alpha>0\\)，使得\n\n\\[\\|\\mathbf{x}(t)\\|\\leq M e^{-\\alpha t}\\|\\mathbf{x}(0)\\|\\]\n\n对所有 \\(t\\geq0\\) 都成立。某些分量，甚至选定的某个范数，都可能先增大，随后才最终衰减。当特征向量不正交时，就可能出现这种瞬态放大。如果矩阵不可对角化，解中可能出现 \\(te^{-\\lambda t}\\) 这样的项；只要选取充分小于原衰减率的衰减率，这些项仍满足相应的指数上界。\n\n空间分布系统提供了相应的无限维情形。有界区域内的热方程的解，通常可以展开为空间模态之和，各模态的振幅随时间按指数规律衰减。对于一根长度为 \\(L\\)、两端温度偏差为零、热扩散率为 \\(D\\) 的杆，第 \\(n\\) 个正弦模态的振幅正比于\n\n\\[\\exp\\!\\left[-D\\left(\\frac{n\\pi}{L}\\right)^2t\\right].\\]\n\n小空间尺度上的变化比大空间尺度上的变化消失得更快。某一点的总温度是这些模态的叠加，只有当最慢的可观测模态占主导时，才会呈现近似单指数的变化。如果边界条件是绝热而非固定温度，则常数模态会持续存在，此时衰减的是温度相对于守恒平均温度的偏差。"
    },
    {
      "heading": "根据观测估计衰减率",
      "text": "精确的单指数函数取自然对数后会变成直线：\n\n\\[\\ln N(t)=\\ln N_0-\\lambda t.\\]\n\n因此，以普通时间为横轴、以该量的对数为纵轴作图，是一种基本的诊断方法。两个精确的正值观测即可确定\n\n\\[\\lambda= \\frac{\\ln N(t_1)-\\ln N(t_2)}{t_2-t_1}.\\]\n\n观测较多时，可以对其对数进行线性回归，以估计斜率。只有变换后的测量误差符合回归模型时，这种方法才适用；半对数图在视觉上呈直线，并不能证明其误差假设成立。\n\n区分加性误差与乘性误差十分重要。对于\n\n\\[Y_i=N_0e^{-\\lambda t_i}+\\varepsilon_i\\]\n\n这类加性误差方差近似恒定的情况，使用非线性最小二乘法拟合未经变换的指数函数，通常比拟合对数更合适。如果\n\n\\[Y_i=N_0e^{-\\lambda t_i}e^{\\varepsilon_i},\\]\n\n那么取对数后便得到加性误差模型，此时对数变换可能适用。对含加性噪声的数据取对数会改变误差方差，并对较小的观测值产生不成比例的影响；非正的测量值则根本无法取对数。因此，误差模型既影响衰减率的估计值，也影响其不确定性。\n\n对于独立观测到的完整寿命 \\(t_1,\\ldots,t_n\\)，若假设其服从指数分布，则最大似然估计给出\n\n\\[L(\\lambda)=\\lambda^n \\exp\\!\\left(-\\lambda\\sum_{i=1}^n t_i\\right), \\qquad \\widehat{\\lambda}=\\frac{n}{\\sum_i t_i}.\\]\n\n如果部分寿命数据存在右删失，观测记录只能表明生存时间超过某个指定时刻。在删失独立且不携带额外信息的条件下，估计量变为\n\n\\[\\widehat{\\lambda} =\\frac{d}{\\sum_i u_i},\\]\n\n其中，\\(d\\) 为观测到的事件数，\\(u_i\\) 为每个对象的观测暴露时间。分母是总风险暴露时间，其中也包括删失对象贡献的时间。将删失时长当作完整寿命会使估计失真。\n\n背景信号与有限的计数时间区间需要格外谨慎处理。测量值可能遵循\n\n\\[Y(t)=B+Ae^{-\\lambda t},\\]\n\n其中 \\(B\\) 为不随时间衰减的背景。若不将 \\(B\\) 纳入模型，后期观测就会显得衰减过慢。如果是在一段时间内统计事件数，期望计数应由积分给出，而非瞬时速率。对于事件发生率 \\(A_0e^{-\\lambda t}\\)，在加入背景和探测器效应之前，从 \\(a\\) 到 \\(b\\) 的期望计数为\n\n\\[\\frac{A_0}{\\lambda} \\left(e^{-\\lambda a}-e^{-\\lambda b}\\right),\\]\n\n合适的置信区间取决于观测模型；仅凭拟合曲线，无法推断计数的随机变异、删失情况、校准不确定性以及拟合参数之间的相关性。"
    },
    {
      "heading": "变化的速率、混合模型与模型的局限",
      "text": "当比例损失率随时间变化时，有\n\n\\[\\frac{dN}{dt}=-\\lambda(t)N, \\qquad N(t)=N_0\\exp\\!\\left[-\\int_0^t\\lambda(s)\\,ds\\right].\\]\n\n虽然这个表达式中出现了指数函数，但所得结果通常并不是时间的单一指数函数。其瞬时对数斜率随 \\(\\lambda(t)\\) 而变化，半衰期也可能取决于起始时刻。在生存模型中，风险率的积分称为累积风险。纯指数生存模型是累积风险随时间线性增长的特例。\n\n即使每个组分都遵循速率恒定的规律，异质性也可能使表观速率发生变化。正系数混合模型的形式为\n\n\\[N(t)=\\sum_j a_j e^{-\\lambda_jt}, \\qquad a_j>0.\\]\n\n其有效速率为\n\n\\[\\lambda_{\\mathrm{eff}}(t) =-\\frac{d}{dt}\\ln N(t) =\\frac{\\sum_j a_j\\lambda_j e^{-\\lambda_jt}} {\\sum_j a_j e^{-\\lambda_jt}}.\\]\n\n衰减较快的组分会先消失，使衰减较慢的组分所占的权重逐渐增大。事实上，\n\n\\[\\frac{d\\lambda_{\\mathrm{eff}}}{dt} =-\\operatorname{Var}_{w(t)}(\\lambda)\\leq0,\\]\n\n其中权重与 \\(a_je^{-\\lambda_jt}\\) 成正比。这种曲线趋于平缓的现象，并不需要任何单个组分的速率发生变化。不过，从含噪声的数据中分辨出几个彼此接近的速率，仍是一个病态的逆问题：差别很大的混合模型，在有限区间内也可能产生几乎无法区分的观测结果。\n\n其他函数形式对应着不同的机制。例如，\\(N(t)\\propto t^{-\\alpha}\\) 这样的幂律尾部，其衰减比任何固定 \\(\\lambda>0\\) 下的 \\(e^{-\\lambda t}\\) 都慢。拉伸指数形式\n\n\\[N(t)=N_0\\exp[-(t/\\tau)^\\beta], \\qquad 0<\\beta<1,\\]\n\n具有随时间递减的对数衰减率：\n\n\\[\\lambda_{\\mathrm{eff}}(t) =\\frac{\\beta}{\\tau^\\beta}t^{\\beta-1}.\\]\n\n这类形式常用于描述非均一体系的弛豫，但拟合得到拉伸指数形式，并不能唯一确定其微观机制。要区分这些备选模型，需要足够宽的时间范围，并对测量误差和背景作出明确处理。\n\n非线性损失也会改变衰减规律。对于二阶过程，\n\n\\[\\frac{dN}{dt}=-kN^2,\\]\n\n其解为\n\n\\[N(t)=\\frac{N_0}{1+kN_0t},\\]\n\n半衰期取决于 \\(N_0\\)。反过来，如果非线性系统的线性化具有适当的负速率，系统也可以按指数规律趋近平衡。在 \\(x'=f(x)\\) 的一个平衡点附近，令 \\(x=x_*+u\\)，可得\n\n\\[u'\\approx f'(x_*)u.\\]\n\n当 \\(f'(x_*)<0\\) 时，足够小的偏离会呈现近似指数弛豫。如果该导数为零，则可能出现更慢的衰减，或其他非指数行为。因此，观测到指数尾部可能揭示的是平衡附近的局部弛豫，并不意味着整个过程在所有幅度下都遵循比例损失规律。"
    }
  ],
  "links": [
    "calculus",
    "probability",
    "exponential-function",
    "e-mathematical-constant",
    "ordinary-differential-equation",
    "half-life",
    "integral",
    "recurrence-relation",
    "numerical-analysis",
    "random-variable",
    "exponential-distribution",
    "probability-density-function",
    "expected-value",
    "variance",
    "statistical-independence",
    "binomial-distribution",
    "poisson-process",
    "radioactivity",
    "radiocarbon-dating",
    "chemical-kinetics",
    "energy",
    "beer-lambert-law",
    "matrix",
    "power-series",
    "eigenvalues-and-eigenvectors",
    "heat-equation",
    "natural-logarithm",
    "linear-regression",
    "least-squares",
    "maximum-likelihood-estimation",
    "confidence-interval",
    "inverse-problem",
    "power-law"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}