两个随机变量的函数分布

总结多维随机变量的函数的分布计算方法（离散型、连续型）

• 离散型

若联合分布率为 P { X = x i , Y = y i } = p i j P\{X=x_i,Y=y_i\} = p_{ij} P{X=xi​,Y=yi​}=pij​，$i,j=1,2,\cdots$

则随机变量函数$Z=g(X,Y)$的分布率为

P { Z = z i } = P { g ( X , Y ) = z k } = ∑ z k = g ( x i , y i ) p i j P\{Z=z_i\}=P\{g(X,Y)=z_k\} = \sum_{z_k=g(x_i,y_i)}p_{ij} P{Z=zi​}=P{g(X,Y)=zk​}=∑zk​=g(xi​,yi​)​pij​，$k=1,2,\cdots$

• 连续型

F ( x , y , ⋯   ) = P { X ≤ x , Y ≤ y   ⋯   } F(x,y,\cdots)=P\{X \le x,Y \le y\ \cdots\} F(x,y,⋯)=P{X≤x,Y≤y ⋯}，$-\infty <x<\infty$ ，$-\infty <y<\infty$ ，$\cdots$

$Z=X+Y，Z=X/Y,Z=XY$的概率密度计算公式

• $Z=X+Y$

  $f_Z(z)={\int }_{-\infty }^{\infty }f(z-y,y)dy$

  当$X$，$Y$独立时，也可表示成

  $f_Z(z)={\int }_{-\infty }^{\infty }{f}_X(z-y)f_Y(y)dy$

  或$f_Z(z)={\int }_{-\infty }^{\infty }{f}_X(x)f_Y(z-x)dx$

• $Z=X/Y$

  $f(z)={\int }_0^{\infty }yf(yz,y)dy-{\int }_{-\infty }^{0}yf(yz,y)dy={\int }_{-\infty }^{\infty }|y|f(yz,y)dy$

  当$X$，$Y$独立时，$f(z)={\int }_{-\infty }^{\infty }|y|f_X(yz)f_Y(y)dy$

• $Z=XY$

  $f_{XY}(z)={\int }_{-\infty }^{\infty }\frac{1}{|x|}{f}_X(x)f_Y(\frac{z}{x})dx$

最值函数$Z=MAX(X,Y)，Z=MIN(X,Y)$的分布函数公式

设$X,Y$是两个相互独立的随机变量。分布函数为$F_X(x)$和$F_Y(y)$

有$F_{max}(z)=F_X(z)F_Y(z)$

$F_{min}(z)=1-[1-F_X(z)][1-F_Y(z)]$

随机变量函数分布

$X$~ $B(n,p)$，$Y$~$B(m,p)$，且$X$和$Y$相互独立，则$X+Y $ ~ $B(n+m,p)$

$X$~$P({\lambda }_1)$ ，$Y$~$P({\lambda }_2)$，且$X$与$Y$相互独立，则$X+Y$ ~ $P({\lambda }_1+{\lambda }_2)$

$X$ ~ $N({\mu }_1,{\sigma }_1^2)$ ，$Y$ ~ $N({\mu }_2,{\sigma }_2^2)$，且$X$与$Y$相互独立，则$X+Y$~$N({\mu }_1+{\mu }_2,{\sigma }_1^2+{\sigma }_2^2)$