指数分布、泊松分布、几何分布的联系

我自己课下复习概率论的时候，发现了一些结论

1.我发现好像「无记忆性」与「伯努利试验」能构成充要条件

也就是说，只要有 $n$ 次0/1试验，设随机变量 $X$ 是第一次发生事件 $A$ 时已完成的试验数。只要满足
$P(X > m | X > n) = P( X > m - n) , m > n$ 那么这 $n$ 次试验必然是伯努利试验。

必要性的证明，即已知伯努利试验，推无记忆性，课本已经给出。
下面证明充分性。

设第一次0/1试验出现事件 $A$ 的概率为 $p_1$ ，令 $m - n = 1$ ，则有 $P(X > n + 1| X > n) = P(X > 1)$ 所以 $\frac{P(X > n + 1)}{P(X > n)} = 1 - P(X \leq 1)$ 所以 $\frac{1 - P(X \leq n + 1)}{1 - P(X \leq{n})} = 1 - P(X \leq 1)$
设X的分布函数为 $F(x)$ ，则有
$\frac{1 - F(n + 1) }{ 1 - F(n) } = 1 - F(1)$
移项，化简得 $F(n + 1) = (1 - p_1)F(n) + p_1$
考虑第 $n + 1$ 项，有 $F(n + 2) = (1 - p_1)F(n + 1) + p_1$
两式相减得 $F(n + 2) - F(n + 1) = (1 - p_1)(F(n + 1) - F(n))$
记 $G(n) = F(n + 1) - F(n)$ ，得 $G(n + 1) = (1 - p_1)G(n)$
因为 $G(1) = F(2) - F(1) = (1 - p_1)p_1 + p_1 - p_1 = (1 - p_1)p_1$ ,所以 $G(n) = F(n + 1) - F(n) = p_1(1 - p_1)^n$
累加可得 $F(n) = 1 - (1 - p)^n$
因此 $P(X = k) = F(k) - F(k - 1) = G(k - 1) = p_1(1 - p_1)^{k-1}$
并且容易证明，对于每一次0/1试验，其出现事件 $A$ 的概率 $p_n$ 相等，因此该实验为伯努利试验。证毕。

2. 在证明了上述充要条件后，我联想到了指数分布。由于指数分布满足「无记忆性」，因此我尝试通过该条件，从零推导指数分布的分布函数。

首先建立一个模型。考虑时间轴 $[0, T]$ ，在每个时间点上都有概率发生事件 $A$ 。设随机变量 $X$ 是第一次发生事件 $A$ 时已经过的时间。我们假设这个时间满足「无记忆性」，这类似于等公交车，无论你什么时候到车站等，等待时间一般可以认为其期望是固定的。那么类似地，就有
$P(X > m | X > n) = P( X > m - n) , m > n$
设 $m - n = \Delta t$ ，设 $n = t$ ，则有
$\frac{ P(X > t + \Delta t) }{ P(X > t) } = 1 - P(X \leq \Delta t)$
设分布函数为 $F(t)$ ，则有 $\frac{ 1 - F(t + \Delta t)} {1 - F(t) } = 1 - F(\Delta t)$
为了方便，引入函数 $G(t) = 1 - F(t)$ ，则有
$\frac{ G(t + \Delta t)}{ G(t) } = G(\Delta t)$
变形，两边同除 $\Delta t$ 得 $\frac{G(t + \Delta t) - G(t) + G(t)}{G(t)\Delta t} = \frac{G(\Delta t) }{\Delta t}$
即 $\frac{G(t + \Delta t) - G(t)}{G(t)\Delta t} = -\frac{F(\Delta t) }{\Delta t}$
令 $\Delta t \to 0$ ，则有
$\frac{G'(t)}{G(t)} = -F'(0) = -f(0) = c$
因此构造了一个微分方程 $G'(t) - c \cdot G(t) = 0$ 解之得
$G(t) = 1 - Ae^{ct}$ 即
$F(t) = 1 + Ae^{ct}， f(t) = cAe^{ct}$
而 $f(0) = cA = -c$ ，因此 $A = -1$ ，因此
$F(t) = 1 - e^{ct}$
根据课堂上所讲拓展内容可知，实质上 $c = -\lambda = -np$ 。因此，指数分布可以看作是一种在满足 $\lambda = np$ 的情况下，取无穷大 $n$ ，无限小 $p$ （类似于泊松分布的推导）的伯努利试验，可以看作是一种连续情况下的几何分布。继而也容易了解，指数分布与泊松分布之间的联系。

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 215,539评论 6赞 497
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 91,911评论 3赞 391
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 161,337评论 0赞 351
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 57,723评论 1赞 290
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 66,795评论 6赞 388
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 50,762评论 1赞 294
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 39,742评论 3赞 416
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 38,508评论 0赞 271
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 44,954评论 1赞 308
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 37,247评论 2赞 331
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 39,404评论 1赞 345
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 35,104评论 5赞 340
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 40,736评论 3赞 324
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 31,352评论 0赞 21
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 32,557评论 1赞 268
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 47,371评论 2赞 368
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 44,292评论 2赞 352

指数分布、泊松分布、几何分布的联系

1.我发现好像「无记忆性」与「伯努利试验」能构成充要条件

2. 在证明了上述充要条件后，我联想到了指数分布。由于指数分布满足「无记忆性」，因此我尝试通过该条件，从零推导指数分布的分布函数。

推荐阅读更多精彩内容