指数分布与正态分布独立时求P(X<Y)的方法咨询

首先得肯定你的思路完全没问题——利用全概率公式把联合概率拆成条件概率积分，这个方向是对的。接下来我们一步步拆解这个积分，看看能不能得到更简洁的形式，同时聊聊为什么避开误差函数（erf）的话，我们得用另一个常用的统计函数来替代。

首先明确两个独立变量的分布细节：

• 指数分布$X \sim \text{exp}(\lambda)$的累积分布函数（CDF）：
  $$F_X(y) = \begin{cases}
  1 - e^{-\lambda y}, & y \geq 0 \
  0, & y < 0
  \end{cases}$$
• 标准正态分布$Y \sim N(0,1)$的概率密度函数（PDF）：
  $$f_Y(y) = \frac{1}{\sqrt{2\pi}} e^{-\frac{y2}{2}}$$

你的积分思路是正确的：
$$P(X < Y) = \int_{-\infty}^{+\infty} F_X(y) f_Y(y) dy$$

第一步：拆分积分区间 #

因为当$y < 0$时，$F_X(y)=0$，所以积分可以简化为从0到∞的部分：
$$P(X < Y) = \int_{0}^{+\infty} (1 - e^{-\lambda y}) \cdot \frac{1}{\sqrt{2\pi}} e^{-\frac{y2}{2}} dy$$

把这个积分拆成两个独立的积分：
$$P(X < Y) = \frac{1}{\sqrt{2\pi}} \int_{0}^{+\infty} e^{-\frac{y2}{2}} dy - \frac{1}{\sqrt{2\pi}} \int_{0}^{+\infty} e^{-\lambda y - \frac{y^2}{2}} dy$$

第二步：计算第一个积分 #

第一个积分是标准正态分布在$y \geq 0$区间的概率，由于正态分布关于$y=0$对称，这个值直接等于$\frac{1}{2}$：
$$\frac{1}{\sqrt{2\pi}} \int_{0}^{+\infty} e^{-\frac{y2}{2}} dy = \frac{1}{2}$$

第三步：处理第二个积分 #

先整理指数部分的二次式，完成配方：
$$-\lambda y - \frac{y^2}{2} = -\left( \frac{y^2}{2} + \lambda y \right) = -\left( \frac{(y + \lambda)^2}{2} - \frac{\lambda^2}{2} \right) = \frac{\lambda^2}{2} - \frac{(y + \lambda)^2}{2}$$

代入积分后，把常数项提出来：
$$\int_{0}^{+\infty} e^{-\lambda y - \frac{y^2}{2}} dy = e^{{\frac{\lambda}2}{2}} \int_{0}^{+\infty} e^{-\frac{(y + \lambda)^2}{2}} dy$$

做变量替换$t = y + \lambda$，当$y=0$时$t=\lambda$，$y \to \infty$时$t \to \infty$，积分变为：
$$e^{{\frac{\lambda}2}{2}} \int_{\lambda}^{+\infty} e^{-\frac{t2}{2}} dt$$

而$\int_{\lambda}^{+\infty} e^{-\frac{t2}{2}} dt = \sqrt{2\pi} (1 - \Phi(\lambda))$，其中$\Phi(\cdot)$是标准正态分布的累积分布函数（CDF），定义为$\Phi(z) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{z} e^{-\frac{t2}{2}} dt$。

第四步：合并结果 #

把两个积分的结果代入原式：
$$P(X < Y) = \frac{1}{2} - \frac{1}{\sqrt{2\pi}} \cdot e^{{\frac{\lambda}2}{2}} \cdot \sqrt{2\pi} (1 - \Phi(\lambda))$$

化简后得到最终表达式：
$$P(X < Y) = \frac{1}{2} - e^{{\frac{\lambda}2}{2}} (1 - \Phi(\lambda))$$

或者利用正态分布的对称性$\Phi(-\lambda) = 1 - \Phi(\lambda)$，也可以写成：
$$P(X < Y) = \frac{1}{2} - e^{{\frac{\lambda}2}{2}} \Phi(-\lambda)$$

关于“不使用误差函数（erf）”的说明 #

首先要明确：误差函数$\text{erf}(z)$和标准正态CDF$\Phi(z)$是直接相关的，它们的关系是：
$$\Phi(z) = \frac{1}{2} \left( 1 + \text{erf}\left( \frac{z}{\sqrt{2}} \right) \right)$$

所以如果不想用$\text{erf}$，我们可以用$\Phi$来替代——这是统计领域更常用的特殊函数，很多统计软件（比如R、Python的scipy）都直接提供$\Phi$的计算接口。

遗憾的是，这个概率无法用纯初等函数（比如多项式、指数、对数、三角函数等）来表示，因为涉及到正态分布的尾部积分，这类积分属于非初等积分，必须依赖特殊函数来表达。所以用$\Phi$来表示结果，已经是最简洁且实用的形式了。

内容的提问来源于stack exchange，提问作者Anon ymous