关于指数分布变量取整后所得离散变量的分布求解问题

嘿，别担心，用X的累积分布函数（CDF）完全能搞定Y的分布，而且思路特别直接！我来一步步给你理清楚：

首先，咱们先明确前提：假设X服从参数为λ的指数分布，它的CDF是 F_X(x) = 1 - e^(-λx)（x ≥ 0）；而Y是X取整后的离散变量，比如Y = floor(X)（也就是向下取整，Y的取值是0,1,2,...）。

那要求Y的概率质量函数（PMF），其实就是求对于每个整数k，P(Y = k)的值。而Y=k对应的事件，本质上就是X落在区间[k, k+1)里，对吧？因为只有当X大于等于k且小于k+1时，向下取整才会得到k。

那这个概率怎么用CDF算呢？很简单，CDF的定义是F_X(x) = P(X ≤ x)，所以：
P(k ≤ X < k+1) = F_X(k+1) - F_X(k)

把指数分布的CDF代入进去计算：

F_X(k+1) - F_X(k) = [1 - e^(-λ(k+1))] - [1 - e^(-λk)]
= e^(-λk) - e^(-λ(k+1))
= e^(-λk)(1 - e^(-λ))

你看，这结果其实就是几何分布的PMF！这里的几何分布是支持非负整数的版本，每次“试验”成功的概率是p = 1 - e^(-λ)，Y表示首次成功前失败的次数。

如果你的Y定义是向上取整或者取整后从1开始（比如Y = ceil(X)），那思路也是一样的：P(Y=k) = P(k-1 < X ≤ k) = F_X(k) - F_X(k-1)，代入后会得到另一种参数形式的几何分布，本质逻辑是相通的。

所以你之前的思路是对的，只是可能没把“Y取整对应的区间事件”和CDF的差值联系起来，现在应该清楚怎么推导了吧？

备注：内容来源于stack exchange，提问作者Ali Sabi