【读书笔记-＞统计学】09-01 将正态分布运用到其他概率分布-正态分布的相加、线性变换与独立观察结果概念简介

将正态分布运用到其他概率分布

正态分布的相加

假设一个情境：德克想到了“爱情过山车”的创意，让新婚夫妇在过山车上办婚礼。在这之前，需要确保他所设想的特别座驾能够承载新郎和新娘的重量。他设想的座驾最多承载380磅的重量，求新郎和新娘综合体重不超过这个重量的概率是多少？

假设新娘的体重符合正态分布N(150, 400)，新郎的体重符合N(190, 500)，单位为“磅”。

正态新娘+正态新郎

新郎和新娘的体重符合正态分布，如下所示：

我们要求的是新郎和新娘的综合概率分布，即，要求新郎与新娘之和的概率分布。
$$新娘体重+新郎体重～？$$
假设新娘和新郎的体重互相独立，则分布形状应与下图有几分相似：

在连续数据中，身高、体重之类的数据往往符合正态分布。现在我们求的是夫妻的综合体重，也应该符合正态分布。这意味着可以利用概率表查找概率。

回忆：两个独立变量的期望和方差加减

$$\begin{gathered} E(X+Y)=E(X)+E(Y) \\ E(X-Y)=E(X)-E(Y) \\ Var(X+Y)=Var(X)+Var(Y) \\ Var(X-Y)=Var(X)+Var(Y) \end{gathered}$$

上面的规则同样适用于连续数据。我们已知新娘（假设为X）和新郎（假设为Y）是正态分布，以及分别的期望$\mu$和方差${\sigma }^2$，它们是独立变量，再利用上面的式子，就可以求出综合体重（为X+Y）的概率分布了。

更通用的表达，如果：
$$X\sim N({\mu }_x,{\sigma }_x^2)且Y\sim N({\mu }_y,{\sigma }_y^2)$$
则
$$X+Y\sim N(\mu ,{\sigma }^2)$$
其中
$$\begin{gathered} \mu ={\mu }_x+{\mu }_y \\ {\sigma }^2={\sigma }_x^2+{\sigma }_y^2 \end{gathered}$$

X+Y 的方差大于 X 的方差，也大于 Y 的方差，这使得 X+Y 的曲线比 X 的曲线和 Y 的曲线都拉得长，这一点对于任何正态 X 和 Y 都成立。在将两个变量相加之后，实际上增大了变异性，于是使得分布形状拉长；随着图形拉长，图形还会变得更扁，这样才能使图形下方的总面积仍然为 1。

---

有时候求的是两个变量之差的概率，X-Y。

同理，
$$\begin{gathered} \mu ={\mu }_x-{\mu }_y \\ {\sigma }^2={\sigma }_x^2+{\sigma }_y^2 \end{gathered}$$

方差的加法计算一眼看上去并不直观，不过，这和计算离散概率分布的道理是一样的，尽管我们用 X 减去 Y，但实际上变异性还是增大了，方差之和反映了这种变化。和 X+Y 的分布一样，无论是与 X 相比还是与 Y 相比，X-Y 都导致图形拉长、变扁。

查看 X~Y 的形状，可以看出该曲线形状和 X+Y 的曲线形状一样，只不过中心位置发生了移动。两种概率分布的方差相同，均值各异。

既然我们知道了综合体重的概率分布，那们可以按老样子：算出分布和范围、将分布标准化、查找概率3个步骤算出概率了。

案例答案：

另一道变量相减的例题：

正态分布的线性变换与独立观察结果

假设一个情境：如果过山车需要坐4个人，轿车的总载重量为800磅，假定一位成年人的体重分布为：$X\sim N(160,625)$，那么4为成年人的综合体重低于800磅的概率？

线性变换描述了数据的基本变化…

让我们先看 4X 的概率分布，其中 X 为一位成年人的体重。4X 是否适合描述 4 位成年人的概率分布？

4X 的分布其实是 X 的一个线性变换，是 X 进行 aX+b 变换的结果，其中 a 等于 4，b 等于 0，这与我们先前在离散概率分布中遇到过的变换类型完全相同。

线性变换描述的是概率分布中的数值在大小方面的基本变化，即，4X 其实描述的是一个成年人的体重放大四倍后的结果。

假定你有一个X的线性变换，其形式为 aX+b，其中$ X \sim N (u, σ^2)$，由于X符合正态分布，于是aX+b也属于正态分布。但期望和方差是多少呢？

让我们先算期望。在讲离散概率分布的时候，我们发现 E (aX+b) =aE (X) +b。现在，X 符合正态分布且 E (X) =u，于是我们得出 E (aX+b) =aμ+b。

方差的处理方法与此相似，在讲离散概率分布的时候。我们发现$Var(aX+b)=a^{2}Var(X）$，且这里的$Var(X)={\sigma }^2$, 于是得出$Var(aX+b)=a^2{\sigma }^2$。

合并以上两个结果，得到：
$$aX+b\sim N(a\mu +b,a^2{\sigma }^2)$$
即，新均值为$a\mu +b$，新方差为$a^2{\sigma }^2$。

而独立观察结果描述的是你有多少数值

我们实际需要计算的是 4 位独立成年人的综合体重的概率分布，而不是对每一位成年人的体重进行变换。即，我们需要算出 X 的 4 个独立观察结果的概率。

每一位成年人的体重都是 X 的一个观察结果，这意味着每一位成年人的体重都通过 X 的概率分布进行描述。我们需要算出 X 的 4 个独立观察结果的概率分布，也就是要求以下概率：

$$X_1+X_2+X_3+X_4$$
其中$X_1,X_2,X_3和X_4$，是 X 的独立观察结果。

在讲到离散随机变量的独立观察结果的方差和期望时，我们曾经发现：

$E(X_1+X_2+\dots X_n)=nE(X)$

及

$Var(X_1+X_2+...+X_n)=nVar(X)$

如你所料，相同的算法也适用于连续随机变量，即，如果$X\sim N(u,{\sigma }^2)$，则：

$$X_1+X_2+...+X_n\sim N(n\mu ,n{\sigma }^2)$$

线性变换与独立观测值详细介绍见：【读书笔记-＞统计学】05-02 “概率”的整体影响-随机变量的线性变换、独立观测值概念简介

总结

例题解答：