首先，我们一步步拆解Y的分布推导：

因为Y是条件伯努利变量，我们只需要计算它取1和0的概率即可：

• 对于$P(Y=0)$：根据全概率公式，它等于条件概率的期望，也就是$P(Y=0) = \mathbb{E}[P(Y=0 \mid X)]$。已知$Y \mid X \sim \mathrm{Ber}(1-p^X)$，所以$P(Y=0 \mid X) = p^X$，代入得：
  $$P(Y=0) = \mathbb{E}[p^X]$$
  由于$X \sim \mathrm{Poisson}(\lambda)$，我们可以用Poisson分布的矩生成函数计算这个期望。Poisson分布的矩生成函数是$M_X(t) = e^{\lambda(et - 1)}$，令$t = \ln p$，则：
  $$\mathbb{E}[p^X] = M_X(\ln p) = e^{\lambda(e{\ln p} - 1)} = e^{\lambda(p - 1)} = e^{-\lambda(1-p)}$$

• 对于$P(Y=1)$：直接用1减去$P(Y=0)$即可：
  $$P(Y=1) = 1 - e^{-\lambda(1-p)}$$

所以结论很明确：Y服从参数为$q = 1 - e^{-\lambda(1-p)}$的伯努利分布，即$Y \sim \mathrm{Ber}(1 - e^{-\lambda(1-p)})$。

接下来对比你提到的$\mathrm{Bin}(X,p)$条件分布的情况：

当$Y \mid X \sim \mathrm{Bin}(X,p)$时，$Y \sim \mathrm{Poisson}(\lambda p)$，这是Poisson过程的经典「 thinning 」性质——可以把$X$看作Poisson过程中单位时间内的事件数，每个事件独立以概率$p$被「选中」，那么选中的事件数依然服从Poisson分布，参数为$\lambda p$。

而我们现在的条件伯努利情况，本质上是另一种逻辑：它不是对$X$中的事件进行计数，而是判断「是否存在至少一个事件触发了Y=1」。比如你举的蛋糕例子：

一天内进入房间的人数服从$\mathrm{Poisson}(\lambda)$分布，每个人有独立概率$p$吃掉桌上的蛋糕（若蛋糕尚未被吃掉），求某天结束时蛋糕被吃掉的概率

这个场景里，$Y=1$就是「蛋糕被吃掉」，对应的条件概率是$P(Y=1 \mid X) = 1 - (1-p)^{X$（因为$X$个人都没吃蛋糕的概率是$(1-p)}X$），和题目里的$1-p^X$只是参数替换（把$p$换成$1-p$），用同样的方法计算，得到蛋糕被吃掉的概率是$1 - e^{-\lambda p}$，和我们之前的推导一致。

这种情况并没有类似Poisson thinning那样「保持分布类型」的结论——毕竟Y本身就是伯努利变量，不会变成Poisson分布，但推导思路还是基于全概率公式+Poisson分布的期望计算，这一点是相通的。

内容的提问来源于stack exchange，提问作者H.Rappeport