【概率论基础进阶】多维随机变量及其分布-两个随机变量函数Z=g(X,Y)的分布

$X,Y$均为离散型随机变量

与一维离散型类似（画表，加和）

$X,Y$均为连续型随机变量

可用公式
F Z ( z ) = P { Z ≤ z } = P { g ( X , Y ) ≤ z } = ∬ g ( x , y ) ≤ z f ( x , y ) d x d y F_{Z}(z)=P \left\{Z \leq z\right\}=P \left\{g(X,Y) \leq z\right\}=\iint\limits_{g(x,y)\leq z}f(x,y)dxdy FZ​(z)=P{ Z≤z}=P{ g(X,Y)≤z}=g(x,y)≤z∬​f(x,y)dxdy

例1：$Z=X+Y$的分布
设$(X,Y)$的概率密度为$f(x,y)$，则$Z=X+Y$的分布函数
F Z ( z ) = P { X + Y ≤ z } = ∬ x + y ≤ z f ( x , y ) d x d y = ∫ − ∞ + ∞ d x ∫ − ∞ z − x f ( x , y ) d y 或 ∫ − ∞ + ∞ d y ∫ − ∞ z − y f ( x , y ) d x \begin{aligned} F_{Z}(z)&=P \left\{X+Y \leq z\right\}\\ &=\iint\limits_{x+y \leq z}f(x,y)dxdy\\ &=\int_{-\infty}^{+\infty}dx \int_{-\infty}^{z-x}f(x,y)dy \quad 或\quad \int_{-\infty}^{+\infty}dy \int_{-\infty}^{z-y}f(x,y)dx \end{aligned} FZ​(z)​=P{ X+Y≤z}=x+y≤z∬​f(x,y)dxdy=∫−∞+∞​dx∫−∞z−x​f(x,y)dy或∫−∞+∞​dy∫−∞z−y​f(x,y)dx​
由此可以得到$Z=X+Y$的概率密度为
$$f_Z(z)={\int }_{-\infty }^{+\infty }f(x,z-x)dx={\int }_{-\infty }^{+\infty }f(z-y,y)dy$$

这里说实话我不知道为啥$(F_Z(z){)}^{\prime }=f_Z(z)$，后续尽量补上

特别是当$X$和$Y$相互独立时，$f(x,y)=f_X(x)\cdot f_Y(y)$，则
$$f_Z(z)={\int }_{-\infty }^{+\infty }{f}_X(x)f_Y(z-x)dx={\int }_{-\infty }^{+\infty }{f}_X(z-y)f_Y(y)dy$$
这个公式称为卷积公式，记为
$$f_Z=f_X\ast f_Y$$

$X$为离散型随机变量，$Y$为连续型随机变量

一般对离散型随机变量$X$的各种可能用全概率公式把它们展开

$Y$为连续型，$Z=g(X,Y)$，则
F Z ( z ) = P { Z ≤ z } = P { g ( X , Y ) ≤ z } = ∑ i P { X = x i } P { g ( X , Y ) ≤ z ∣ X = x i } 即 P ( x i ) = p i = ∑ i p i P { g ( X , Y ) ≤ z ∣ X = x i } \begin{aligned} F_{Z}(z)&=P \left\{Z \leq z\right\}\\ &=P\left\{g(X,Y)\leq z\right\}\\ &=\sum\limits_{i}^{}P \left\{X= x_{i}\right\}P \left\{g(X,Y) \leq z|X=x_{i}\right\}\\ &即P(x_{i})=p_{i}\\ &=\sum\limits_{i}^{}p_{i}P \left\{g(X,Y) \leq z|X=x_{i}\right\} \end{aligned} FZ​(z)​=P{ Z≤z}=P{ g(X,Y)≤z}=i∑​P{ X=xi​}P{ g(X,Y)≤z∣X=xi​}即P(xi​