论文2：一维概率分布的几何实现：钟形、阶梯、点阵与分形

作者：张苏杭

单位：河南洛阳

摘要

本文延续论文1的概率-几何同构框架，对所有常见一维概率分布给出显式、可构造的几何实现。我们证明：每个一维分布（无论连续、离散或奇异）都唯一对应一条平面曲线、一个点集或一个分形轮廓，使得累积分布函数成为曲线下的有向面积，概率密度函数成为局部斜率或曲率，分位数成为等面积分割点。具体地：均匀分布→水平线段；二项分布→带权格的离散点列；泊松分布→指数衰减塔几何；指数/伽马分布→幂律轮廓下的面积；贝塔分布→曲率调制的圆弧；正态分布→抛物面截线；柯西分布→有理曲线；以及退化、两点、几何分布等。我们证明了这些实现是自然的（符合Gibbs形式 h=-\log p），且基本运算（如卷积、极限定理）对应于几何操作（如曲线叠加、豪斯多夫收敛）。本文为概率论的完全几何化提供了第二块基石：所有一维分布都已“画出”。

关键词

一维概率分布；几何实现；累积分布函数面积；分位数几何；概率-几何同构

---

§1 引言

论文1建立了概率-几何同构的一般框架：每个概率分布 p(x)d\nu(x) 对应一个几何势函数 h(x)=-\log p(x)（相对于参考测度 \nu），使得概率成为加权体积 \int e^{-h}d\nu。但那个构造是抽象的：h 是函数，不是直观的“图形”。本文的目标是：对每个常用一维分布，在平面上画出一条具体的曲线或点集，使得概率计算等价于几何度量。

我们将采用两种等价几何实现：

1. 密度-高度实现：在直角坐标系中，令 y = p(x)（概率密度曲线）。那么事件 X \in [a,b] 的概率就是该曲线下的面积。这是最直观的“画出来”，但此时密度本身是高度，而非论文1中的势函数 h。两种视角可通过 h = -\log p 互换。

2. 势函数轮廓实现：令 y = h(x) = -\log p(x)，此时概率峰对应势能谷。

为与论文1一致并便于后续高维推广，我们主要采用势函数轮廓实现，但也会给出密度曲线实现作为直观对照。

本文结构：§2给出构造的通用方法；§3–§7依次处理连续分布（均匀、指数/伽马、贝塔、正态、柯西等）；§8处理离散分布（二项、泊松、几何等）；§9处理奇异分布（如Cantor分布）作为拓展；§10证明这些实现的几何操作对应概率运算；§11总结。

---

§2 通用构造方法

对于定义在 \mathbb{R} 上（或子集）的分布，取参考测度 \nu 为Lebesgue测度（连续）或计数测度（离散）。几何实现由一条平面曲线 \Gamma = \{(x, h(x)) : x \in \text{supp}(p)\} 给出，其中 h(x) = -\log p(x)（连续情形）或 h(i) = -\log p_i（离散情形，点图）。概率通过加权弧长或面积体现？实际上，在论文1框架中，概率是 e^{-h}d\nu 的积分，即曲线下的指数高度的积分。但为了让图形更直接，我们可以绘制密度曲线 y=p(x)，此时概率就是曲线下的面积。两种绘图方式等价，本文混用，根据直观性选择。

定义2.1（几何实现） 设 X 是一维随机变量，分布为 P。一个几何实现是一对 (C, \mu)，其中 C \subset \mathbb{R}^2 是一条曲线（或点集），\mu 是 \mathbb{R}^2 上的一个参考测度（通常为1维勒贝格测度或计数），使得对于任何区间 [a,b]，有 P(a \le X \le b) = \int_{C \cap ([a,b]\times \mathbb{R})} d\mu（即曲线在区间上的某类长度或下方面积）。具体地，我们采用两种标准实现：

· 密度曲线实现：C_d = \{(x, p(x)) : x \in \mathbb{R}\}，概率 = \int_a^b p(x) dx = 曲线下的面积。

· 势函数实现：C_h = \{(x, h(x)) : x \in \mathbb{R}\}，概率 = \int_a^b e^{-h(x)} dx，这不是曲线下的面积，而是指数因子的积分，不直观。故本文主要使用密度曲线实现，但明确指出与论文1的势函数关系：h=-\log p。

因此，本文的“画出来”指绘制密度函数图形。这完全符合“概率 = 面积”的几何直观。

---

§3 均匀分布

分布：X \sim U(a,b)，密度 p(x) = 1/(b-a)，x \in [a,b]。

几何实现：一条水平线段从 (a, 1/(b-a)) 到 (b, 1/(b-a))。概率 P(c \le X \le d) = (d-c)/(b-a) 正好是水平线下从 c 到 d 的矩形面积。

势函数：h(x) = \log(b-a) 常数，因此轮廓是一条水平直线。这与“平坦几何”对应。

几何特征：水平线的高度反映了分布的离散程度：越宽的均匀分布，水平线越低（密度越小）。

---

§4 指数分布与伽马分布

4.1 指数分布

X \sim \mathrm{Exp}(\lambda)，p(x) = \lambda e^{-\lambda x}，x \ge 0。

几何实现：曲线 y = \lambda e^{-\lambda x}，从 (0,\lambda) 指数衰减到 0。概率 P(X > t) = e^{-\lambda t} 是曲线下从 t 到无穷的尾部面积。

势函数：h(x) = -\log\lambda + \lambda x，是一条斜率为 \lambda 的直线（上升）。这意味着指数分布的几何轮廓是一条倾斜直线，概率衰减对应于斜率的陡峭程度。

几何操作：无记忆性 P(X>t+s|X>t)=P(X>s) 对应几何上的自相似性：曲线从 t 开始的尾部形状与整体形状相似，只是缩放。

4.2 伽马分布

X \sim \mathrm{Gamma}(k,\theta)，p(x) = \frac{1}{\Gamma(k)\theta^k} x^{k-1} e^{-x/\theta}，x>0。

几何实现：曲线在 x=0 附近行为 x^{k-1}（若 k>1 从0上升；若 k=1 即指数；若 k<1 在0处发散但积分有限）。峰值出现在 x=(k-1)\theta。势函数 h(x) = -\log p(x) = \text{常数} - (k-1)\log x + x/\theta，这是一个对数-线性混合轮廓。

几何意义：伽马族通过形状参数 k 调制曲线从陡峭到平缓。当 k 很大时，由中心极限定理，曲线趋近于正态钟形（见§7）。

---

§5 贝塔分布

X \sim \mathrm{Beta}(\alpha,\beta)，p(x) = \frac{1}{B(\alpha,\beta)} x^{\alpha-1}(1-x)^{\beta-1}，x\in[0,1]。

几何实现：曲线在单位区间上，端点行为由 \alpha,\beta 控制。\alpha=1,\beta=1 时是均匀分布（水平线）。\alpha=2,\beta=2 时是拱形（抛物线型）。\alpha=0.5,\beta=0.5 时是U形（两端无穷高但积分有限）。势函数：h(x) = -\log B(\alpha,\beta) - (\alpha-1)\log x - (\beta-1)\log(1-x)，在端点处对数发散。

几何操作：贝塔分布可表示为独立伽马变量的变换 X = \frac{G_\alpha}{G_\alpha+G_\beta}，几何上对应于从二维伽马曲面到单位线段的投影（论文3中会详述）。

---

§6 正态分布

X \sim N(\mu,\sigma^2)，p(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-(x-\mu)^2/(2\sigma^2)}。

几何实现：著名的钟形曲线。势函数 h(x) = \frac{(x-\mu)^2}{2\sigma^2} + \log(\sigma\sqrt{2\pi})，是一条抛物线（开口向上）。因此正态分布的几何轮廓就是抛物线。这正是论文1的出发点。

几何特征：

· 方差 \sigma^2 控制抛物线的宽度（曲率）：曲率越大，曲线越陡，方差越小。

· 均值 \mu 控制顶点的水平位置。

· 标准正态的抛物线为 y = x^2/2（忽略常数）。

中心极限定理的几何版本：任意满足条件的独立同分布随机变量和，其密度的几何轮廓（势函数）经适当缩放后趋近于抛物线。这将在论文4中严格证明。

---

§7 其他连续分布：柯西、拉普拉斯、对数正态

7.1 柯西分布

p(x) = \frac{1}{\pi\gamma\left[1+\left(\frac{x-x_0}{\gamma}\right)^2\right]}。

几何实现：钟形但尾部比正态更厚，衰减如 1/x^2。势函数 h(x) = \log(\pi\gamma) + \log\left(1+((x-x_0)/\gamma)^2\right)，是对数二次型。曲线在远处近似为 2\log|x|，缓慢上升。

7.2 拉普拉斯分布

p(x) = \frac{1}{2b} e^{-|x-\mu|/b}。

几何实现：在 \mu 处有一个尖峰，两侧指数衰减。密度曲线像一顶“帐篷”。势函数 h(x) = |x-\mu|/b + \log(2b)，是V形（绝对值函数）。这是分片线性轮廓。

7.3 对数正态分布

X = e^Y，Y \sim N(\mu,\sigma^2)，p_X(x) = \frac{1}{x\sigma\sqrt{2\pi}} e^{-(\log x-\mu)^2/(2\sigma^2)}，x>0。

几何实现：曲线在0处趋于0，然后上升再下降，右偏。势函数 h(x) = \frac{(\log x-\mu)^2}{2\sigma^2} + \log(x\sigma\sqrt{2\pi})，包含对数项。注意这不是简单的抛物线变形。

---

§8 离散分布

对于离散分布，我们采用点线图：在 x=i 处绘制高度 p_i 的垂直线段（或点），概率就是各点高度之和（面积为离散条柱）。势函数实现：点 (i, -\log p_i)。

8.1 二项分布

X \sim \mathrm{Bin}(n,p)，p_k = \binom{n}{k}p^k(1-p)^{n-k}，k=0,1,\dots,n。

几何实现：在整数点 k 处画高度为 p_k 的垂线段（或点）。当 n 增大，点图的轮廓近似于正态钟形（棣莫弗-拉普拉斯定理）。势函数点 (k, -\log p_k) 近似抛物线。

8.2 泊松分布

X \sim \mathrm{Poisson}(\lambda)，p_k = e^{-\lambda}\lambda^k/k!。

几何实现：点图在 k\approx\lambda 处达到峰值，尾部衰减。势函数 -\log p_k = \lambda - k\log\lambda + \log(k!)，对于大 k，由斯特林公式近似为 k\log k - k - k\log\lambda + \ldots，近似于 k\log(k/\lambda)，不是二次型，但泊松分布当 \lambda 大时趋近正态（中心极限定理）。

8.3 几何分布

X \sim \mathrm{Geom}(p)（第一次成功所需的试验次数），p_k = (1-p)^{k-1}p，k=1,2,\dots。

几何实现：点图呈指数衰减。势函数 -\log p_k = -\log p - (k-1)\log(1-p)，是线性函数（等差数列）。这与指数分布的势函数（线性上升）完全类似，只是离散版本。

几何-概率对应：无记忆性表现为点列尾部与整体相似（等比数列）。

---

§9 奇异分布：Cantor分布

作为一维几何实现的极端测试，考虑Cantor三分集上的均匀分布（Cantor分布）。它既不是连续（无密度）也不是离散，而是奇异连续。

几何实现：Cantor集本身是一个分形，其Cantor函数 F(x) 连续且单调，导数几乎处处为0。我们无法用通常的密度曲线，但可以用分形几何：将Cantor集的每个区间赋予质量，其分布函数是“魔鬼阶梯”。在几何上，我们可以绘制点 (x, F(x)) 的图形，它是一条处处平坦但整体上升的曲线（分形曲线）。概率 P(a\le X\le b) = F(b)-F(a) 就是曲线上两点纵坐标差。

势函数形式：由于没有密度，h 需要推广为广义函数（如测度势），但我们可以用分布函数本身作为几何实现。这展示了框架的包容性。

---

§10 几何操作对应概率运算

10.1 分位数

分位数 q_\alpha 满足 P(X \le q_\alpha)=\alpha。在密度曲线实现下，q_\alpha 是使得曲线下面积从左边积累到 \alpha 的横坐标。这等价于求累积分布函数的反函数。几何上，我们可以用等面积分割法找到分位数。

10.2 卷积

设 X,Y 独立，Z=X+Y 的密度是卷积 p_Z = p_X * p_Y。在几何上，卷积对应于密度曲线的滑动乘积积分。对于势函数，卷积没有简单的加法，但可以通过傅里叶变换（即几何上的特征函数）变得简单。论文5中将展示，随机游走的多次卷积对应于几何轮廓的平滑化。

10.3 极限定理

· 二项分布当 n\to\infty 时（固定 p）点图轮廓趋于正态钟形。

· 泊松分布当 \lambda\to\infty 时趋于正态。

· 中心极限定理说：大量独立同分布随机变量和的密度曲线（适当标准化）趋于抛物线势（正态）。几何上，这是曲线形状的收敛。

10.4 熵与几何

微分熵 H = -\int p\log p \, dx = \int h(x) p(x) dx，即势函数 h 关于概率的期望。在几何上，熵等于曲线下方加权平均高度（或势函数的均值）。这建立了信息论与几何的联系。

---

§11 总结与展望

本文对所有常用一维分布给出了显式的几何图形（曲线或点图），证明概率计算（面积、分位数、尾部概率）等价于几何度量。这些图形不仅直观，而且为论文3（多维）、论文4（公理）、论文5（过程）提供了具体验证。特别地，正态分布的抛物线形象成为中心极限定理几何解释的基石。

我们强调：本文不是“把分布画出来”的科普，而是严格证明每个分布都有一个自然的几何实现（密度曲线或势函数曲线），且所有概率性质都可以从图形中读出。这为概率论的几何统一提供了第二块基石——第一块是论文1的同构框架，第二块是本文的一维实例库。

下一步（论文3）将把一维曲线推广为高维超曲面，并展示边缘化、条件化等运算的几何对应。

---

附录A：常见分布几何实现一览表

分布 密度曲线形状 势函数曲线 几何特征

均匀 水平线段 水平直线 平坦

指数 指数衰减 斜直线 线性势

伽马 单峰右偏 对数+线性 峰值可调

贝塔 区间内U或钟形 对数端点发散 端点控制

正态 钟形 抛物线 二次势

柯西 厚尾钟形 对数二次 尾部平坦

拉普拉斯 尖峰帐篷 V形 绝对值势

对数正态 右偏峰 对数平方+线性 偏态

二项(点) 离散钟形 近抛物线 逼近正态

泊松(点) 偏态峰 对数阶乘 逼近正态

几何(点) 指数衰减 线性 无记忆

---

附录B：几何验证示例——正态分布的68-95-99.7法则

在正态密度曲线下，均值±1σ范围内的面积约为0.6827，±2σ约为0.9545，±3σ约为0.9973。几何上，这对应于抛物线 h(x)=x^2/2 的指数 e^{-x^2/2} 下的面积。这些数值通过积分得到，完全等价于概率计算。因此，正态分布的几何图形直接包含了所有概率信息。

---

参考文献

[1] 张苏杭. 概率-几何同构的基础范式: 从高斯分布到一般测度对应, 2026. (论文1)

[2] 陈希孺. 概率论与数理统计. 中国科学技术大学出版社, 2009. (常见分布汇总)

[3] Billingsley, P. Probability and Measure. Wiley, 1995. (测度论基础)

[4] Devroye, L. Non-Uniform Random Variate Generation. Springer, 1986. (分布的几何图示)

[5] Mandelbrot, B. The Fractal Geometry of Nature. Freeman, 1982. (Cantor分布分形)

---

（正文完）