# 補充：Exponential Distribution

## random varaible W

### 定義

在談 (approximate) Poisson distribution 時，我們是在計算在一個 given interval 中，++event 發生的次數++。這個情況下，對應的 random variable 是 ++discrete++ 的（因為次數的計算並非 continuous，而是 $\mathbb{Z^+} \cup \{0\}$）。
> 關於 Poisson distribution 的相關內容，可參考前面的筆記「補充：Poisson Distribution」

但是在一個 Poisson process 中，不只次數的計算是一個 random variable，在 （event 的）++occurences 之間的 waiting times++ 也是一種 random variable，而且因為 wating time 的值可以是任何正數，所以是 ++continuous++ 的。

假設我們令：

:::info
- ==$W$==：在一個 Poisson process 的 observation 中，++從開始到第一個 occurence 之間的 waiting time++。
> $\rightarrow W$：continuous random variable
- ==$\lambda$==： unit interaval 中 event 平均的發生次數。
> 在談 exponential distribution 時，我們通常把 $\lambda$ 稱作 <font color = "blue">rate parameter</font>
:::
接著，我們就要去找出 $W$ 的 cdf (cumulative distribution function $F(·)$)
> Recall： cdf $F(a) = P\{X \le a\}$
>
> $\rightarrow$ 可參考筆記「A.2.1 Probability Distribution and Density Functions」

### cdf, pdf

首先，因為 waiting time 必為 nonnegative，所以當 $w < 0$ 時，$F(w) = 0$。
> 也就是 waiting time $<0$ 的機率為零。

如果 $w \ge 0$ 的話：

> 在第二行的地方，我們將對 waiting time $>w$ 機率的計算轉換為前面提到的，對 Poisson process 中 event 發生次數的計算。
>
> 因此可用發生次數的 pmf 來接著算出第三行在 interval $=w$ 時，沒有 event 發生的機率：
>
> 

有了 cdf 以後，我們對 cdf $F(·)$ 微分來得到 pdf $f(·)$：


## exponential distribution

有了上面求得的 $W$ 的 pdf 以後，因為我們通常會令：

\begin{equation}
\lambda = \frac{1}{\theta}
\end{equation}

替換原 pdf 得到：


於是我們給出 exponential distribution 的正式定義：

:::info
我們說一個 random variable $X$ 是 <font color = "blue">exponential distribution</font>，若它的 pdf 定義為：
\begin{equation}
f(x) = \frac{1}{\theta}e^{-\frac{x}{\theta}} \qquad 0 \le x < \infty
\end{equation}
其中 parameter $\theta > 0$
:::

因此，我們也可以說代表「waiting time until first occurence」的 random variable $W$ 具有 exponential distribution with $\theta = \frac{1}{\lambda}$。

### 特性： mean, variance

先說結論：

:::success
exponential distribution 的 mean 和 variance 為：
\begin{equation}
\mu = \theta \qquad \sigma^2 = \theta^2
\end{equation}
:::

推導過程如在推導 Poisson distribution 一樣，要利用到 mgf，過程如下：
> 關於 mgf 的內容，可參考筆記 $A.3$ 部分的「補充：moment generating function (mgf)」


求出 mgf $M(t)$ 以後，再微分一次、兩次取 $t=0$ 時的值來求 mean、variance：


### 例子

從上面的內容，我們可以得到結論：

:::warning
如果 $\lambda$ 是 mean number of occurences in unit interval
則 $\theta = \frac{1}{\lambda}$ 為 mean waiting time for the first occurence
:::

像是如果我們的 $\lambda = 7$，unit interval 為一分鐘（即一分鐘內 event 會發生七次），則平均來說我們要等 $\frac{1}{7}$ 分鐘才會等到 first occurence。
> 我們得到的這個結果也是很符合直覺的。

再舉一個例子：


# 參考資料

- Hogg,Tanis,Zimmerman, Probability and Statistical Inference, 9th ed(2015), p.95-96
> 對應 $3.2$ 小節 the Exponential, Gamma, and Chi-Square Distributions 的最前部分。