2021-10-21 Laplace分布和指数分布，相同参数的两个指数分布之差是Laplace分布

这篇博客探讨了Laplace分布和指数分布的概率密度函数及其累积分布函数。通过数学推导证明了一个引理：若两个独立的指数随机变量之差Y=X1-X2，那么Y服从Laplace分布，其中Y的参数与指数变量的参数有关。这个结果对于理解连续随机变量的性质和概率分布的转换具有重要意义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

先给出一些公式：

Laplace分布 $L a p (b)$ 的probability density function:
$f(x;\mu, b) = \frac{1}{2b}\exp(-\frac{|x - \mu|}{b}) = \frac{1}{2b}\left\{ \begin{aligned} &\exp(-\frac{\mu-x}{b}), &\ x<\mu \\ &\exp(\frac{x-\mu}{b}), &\ x\geq\mu \end{aligned}\right.$
cumulative distribution function:
$\left\{ \begin{aligned} &\frac{1}{2}\exp(\frac{x-\mu}{b}), &\ x<\mu \\ &1 - \frac{1}{2}\exp(\frac{\mu - x}{b}), &\ x\geq\mu \end{aligned}\right.$
指数分布 $Expo(λ)Expo(\lambda)$ 的probability density function:
$f(x;\lambda) = \left\{ \begin{aligned} &\lambda e^{-\lambda x}, &\ x\geq 0 \\ &0, &\ x<0 \end{aligned}\right.$
cumulative distribution function:
$\left\{ \begin{aligned} &1 - e^{-\lambda x}, &\ x\geq 0 \\ &0, &\ x<0 \end{aligned}\right.$

Lemma. $Y = X_1 - X_2$ ，且 $X1,X2∼Expo(λ)X_1, X_2 \sim Expo(\lambda)$ ，则 $\sim Lap(\frac{1}{\lambda})$ .【注意： $X_1,X_2$ 的 $λ\lambda$ 不相等时， $Y$ 并不是Laplace分布】

Proof.
$\begin{aligned} f_Y(y) = f_{X_1 - X_2}(y) = \int_{x_1 = 0}^{\infty} f_{X_1}(x_1) f_{X_2}(x_1-y)d x_1 \end{aligned}$
考虑到 $f_{X_2}$ 时分段函数，因此上述式子需要做分类讨论。当 $y≥0y\geq 0$ 时，
$\begin{aligned} f_Y(y) =& \int_{x_1 = y}^{\infty} f_{X_1}(x_1) f_{X_2}(x_1-y)d x_1 \\ =& \int_{x_1 = y}^{\infty} \lambda e^{-\lambda x_1} \lambda e^{-\lambda(x_1 - y)}d x_1 \\ =& \lambda e^{\lambda y}\int_{x_1 = y}^{\infty}\lambda e^{-2\lambda x_1}d x_1 \\ =& \frac{\lambda}{2}e^{\lambda y} e^{-2\lambda y} \\ =& \frac{\lambda}{2}e^{-\lambda y} \end{aligned}$
当 $y < 0$ 时，
$\begin{aligned} f_Y(y) =& \int_{x_1 = 0}^{\infty} f_{X_1}(x_1) f_{X_2}(x_1-y)d x_1 \\ =& \int_{x_1 = 0}^{\infty} \lambda e^{-\lambda x_1} \lambda e^{-\lambda(x_1 - y)}d x_1 \\ =& \lambda e^{\lambda y}\int_{x_1 = 0}^{\infty}\lambda e^{-2\lambda x_1}d x_1 \\ =& \frac{\lambda}{2}e^{\lambda y} \end{aligned}$