指数分布的推导

想了解指数分布，要先从几何分布开始。

几何分布

伯努利实验

能够在相同的条件下重复、独立的实验。实验结果只有发生和不发生。

几何分布

• 属于离散型的概率分布。
• 做n次伯努利实验，只有第k次成功，即前k-1次都失败，的概率。
• 成功的概率为p。
• 因为是伯努利实验，所以要么成功要么失败，失败的概率为1-p。

设随机变量X为首次成功时做过的实验次数。
$$P(X=k)=p\cdot (1-p{)}^{k-1}$$
P(X=k)就是不断的做伯努利实验，直到第k次才成功，这样的事件发生的概率。

指数分布

泊松分布

泊松分布的推导
泊松分布描述的是在单位时间内，事件发生k次的概率。

• 其中单位时间不一定是1秒，也可以是1分钟、1小时，等等。
• 举个例子
  一天内，某篇论文的阅读量为200次。
  一天就是单位时间，论文被阅读是一个事件，200次是该事件发生的次数。

指数分布

指数分布描述的是事件发生的时间间隔所对应的概率。

• 事件发生的时间间隔，不一定是两次发生事件的事件间隔，也可以是事件未发生到发生的时间间隔。
• 举个例子
  一家生日蛋糕店，事件是：卖出蛋糕。
  事件发生的时间间隔无非两种情况：
  第一次卖出蛋糕。t₁
  第k次卖出蛋糕与第k+1次卖出蛋糕。t₂
  
• 换句话说，指数分布描述的是下一次事件发生，所等待时间的概率。
  比如2天内，就能卖出蛋糕的概率为：(设X为等待的时间)
  $$P(X\le 2)$$

与泊松分布、几何分布的联系

指数分布的随机变量是时间，下一次事件发生所经过的时间。
泊松分布的随机变量是事件发生的次数，下一个单位时间内，事件发生的次数。


假设下一次事件发生，所经过的时间为T，单位时间为t，那么就有T/t个单位时间，将T/t记作k。
而单位时间内事件不发生的概率，也就是事件发生0次的概率可以用泊松分布表示，同时可以认为是第k+1次实验才成功的几何分布：
$$单位时间内成功k次：P(X=k)=\frac{{\lambda }^k\cdot e^{-\lambda }}{k!}$$
$$单位时间成功0次（失败）：P(X=0)=\frac{{\lambda }^0\cdot e^{-\lambda }}{0!}=e^{-\lambda }$$
那么T时间内(k个单位时间)事件不发生的概率为：
$$k个单位时间都失败：P(X>T)=(e^{-\lambda }{)}^k$$

• X>T：等待的时间超过T，也就是T时间内，事件没有发生。

所以，T时间内事件发生的概率为：
$$P(X\le T)=1-e^{-k\lambda }$$

时间是大于0的，其他的部分都为不可能事件，也就是时间小于等于0的部分概率为0。
概率密度函数f(x)：
$$P(X\le T)={\int }_{-\infty }^{T}f(X)\cdot dX={\int }_0^{T}f(X)\cdot dX=1-e^{-k\lambda }$$
$$f(X)=\lambda \cdot e^{-k\lambda }$$
$$f(x)=\{\begin{array}{ll}\lambda \cdot e^{-k\lambda }& x>0\\ 0& else\end{array}$$
分布函数F(x):
$$f(x)=\{\begin{array}{ll}1-e^{-k\lambda }& x\ge 0\\ 0& x<0\end{array}$$

指数分布的无记忆性

事件在T事件内发生的概率为：
$$P(X\le x)={\int }_0^{x}f(X)\cdot dX=F(x)$$
也就是积分区域的面积：

事件在T时间之后发生的概率为：

所谓无记忆性，就是等待的时间不会影响后面等待的时间。
比如我希望能在a+b时间后能卖出蛋糕，我先等了a时间，再等b时间和我直接等a+b时间的概率是一样的。不会因为我等了a时间，后面就只需要等小于或大于b的时间。
所以：
等待时间X超过T的概率为
$$P(X>T)=1-F(T)=e^{-\lambda x}$$
$$P(X>a+b|X>a)=\frac{P(X>a+b)}{P(X>a)}=\frac{e^{-\lambda (a+b)}}{e^{-\lambda a}}=e^{-\lambda b}=P(X>b)$$

• 蓝色+黄色+紫色 = P(X>a)
• 黄色+紫色 = P(X>b)
• 紫色 = P(X>a+b)