概率论与数理统计教程(三)-多维随机变量及其分布05：条件分布与条件期望

§ 3.5 条件分布与条件期望
二维随机变量 $(X,Y)$ 之间主要表现为独立与相依两类关系.
由于在许多问题中有关的随机变量取值往往是彼此有影响的,
这就使得条件分布成为研究变量之间的相依关系的一个有力工具.
3.5.1 条件分布
对二维随机变量 $(X,Y)$ 而言,所谓随机变量 $X$ 的条件分布,就是在给定 $Y$
取某个值的条件下 $X$ 的分布. 蹵如, 记 $X$ 为人的体重, $Y$ 为人的身高, 则
$X$ 与 $Y$ 之间一般有相依关系. 现在如果限定 $Y=1.7(\mathrm{m})$,
在这个条件下, 体重 $X$ 的分布显然与 $X$ 的无条件分布
(无此限制下体重的分布) 会有很大的不同. 本节将给出条件分布的定义,
以便进一步在条件分布的基础上给出条件期望的概念.
一、离散随机变量的条件分布
设二维离散随机变量 $(X,Y)$ 的联合分布列为
$$p_{ij}=P\left(X=x_i,Y=y_j\right),i=1,2,\cdots ,j=1,2,\cdots .$$
仿照条件概率的定义,我们很容易地给出如下离散随机变量的条件分布列.
定义 3.5.1 对一切使
$P\left(Y=y_j\right)=p_{.j}={\sum }_{i=1}^{\infty }{p}_{ij}>0$ 的
$y_j$, 称
$$p_{ijj}=P\left(X=x_i\mid Y=y_j\right)=\frac{P\left(X=x_i,Y=y_j\right)}{P\left(Y=y_j\right)}=\frac{p_{ij}}{p_{\cdot j}},i=1,2,\cdots$$
为给定 $Y=y_j$ 条件下 $X$ 的条件分布列.
同理, 对一切使
$P\left(X=x_i\right)=p_i.={\sum }_{j=1}^{\infty }{p}_{ij}>0$ 的
$x_i$, 称
$$p_{ji}=P\left(Y=y_j\mid X=x_i\right)=\frac{P\left(X=x_i,Y=y_j\right)}{P\left(X=x_i\right)}=\frac{p_{ij}}{p_i},j=1,2,\cdots$$
为给定 $X=x_i$ 条件下 $Y$ 的条件分布列.
有了条件分布列, 我们就可以给出离散随机变量的条件分布函数.
定义 3.5.2 给定 $Y=y_j$ 条件下 $X$ 的条件分布函数为
$$F\left(x\mid y_j\right)=\sum _{x_i⩽x}P\left(X=x_i\mid Y=y_j\right)=\sum _{x_i⩽x}{p}_{ij},$$
给定 $X=x_i$ 条件下 $Y$ 的条件分布函数为
$$F\left(y\mid x_i\right)=\sum _{y_j⩽y}P\left(Y=y_j\mid X=x_i\right)=\sum _{y_j⩽y}{p}_{ji}.$$
例 3.5.1 设二维离散随机变量 $(X,Y)$ 的联合分布列为

---

            1     2      3     0.6
   1       0.1   0.3    0.2    0.4

$p_{.j}$ 0.2 0.05 0.15 1.0

---

因为 $P(X=1)=p_1.=0.6$, 所以用第一行各元素分别除以 0.6 , 就可得给定
$X=1$ 下, $Y$ 的条件分布列为
$Y\mid X=1$ 1 2 3

---

   $P$        $1 / 6$   $1 / 2$   $1 / 3$

用第二行各元素分别除以 0.4 , 就可得给定 $X=2$ 下, $Y$ 的条件分布列为
$Y\mid X=2$ 1 2 3

---

   $P$        $1 / 2$   $1 / 8$   $3 / 8$

用第一列各元素分别除以 0.3 , 就可得给定 $Y=1$ 下, $X$ 的条件分布列为
$X\mid Y=1$ 1 2

---

   $P$        $1 / 3$   $2 / 3$

用第二列各元素分别除以 0.35 , 就可得给定 $Y=2$ 下, $X$ 的条件分布列为
$X\mid Y=2$ 1 2

---

   $P$        $6 / 7$   $1 / 7$

用第三列各元素分别除以 0.35 , 就可得给定 $Y=3$ 下, $X$ 的条件分布列为
$X\mid Y=3$ 1 2

---

   $P$        $4 / 7$   $3 / 7$

从这个例子看出, 二维联合分布列只有一个, 而条件分布列有 5 个. 若 $X$ 与
$Y$ 的取值更多, 则条件分布也更多.
每个条件分布都从一个侧面描述了一种状态下的特定分布.
可见条件分布的内容丰富,其应用也更广.
例 3.5.2 设随机变量 $X$ 与 $Y$ 相互独立, 且
$X\sim P\left({\lambda }_1\right),Y\sim P\left({\lambda }_2\right)$.
在已知 $X+Y=n$ 的条件下, 求 $X$ 的条件分布.
解 因为独立泊松变量的和仍为泊松变量, 即
$X+Y\sim P\left({\lambda }_1+{\lambda }_2\right)$, 所以
$$\begin{array}{rl}P(X=k\mid X+Y=n)& =\frac{P(X=k,X+Y=n)}{P(X+Y=n)}\\ & =\frac{P(X=k)P(Y=n-k)}{P(X+Y=n)}\\ & =\frac{\frac{{\lambda }_1^k}{k!}{\mathrm{e}}^{-{\lambda }_1}\cdot \frac{{\lambda }_2^{n-k}}{(n-k)!}{\mathrm{e}}^{-{\lambda }_2}}{\frac{{\left({\lambda }_1+{\lambda }_2\right)}^n}{n!}{\mathrm{e}}^{-\left({\lambda }_1+{\lambda }_2\right)}}\\ & =\frac{n!}{k!(n-k)!}\frac{{\lambda }_1^k{\lambda }_2^{n-k}}{{\left({\lambda }_1+{\lambda }_2\right)}^n}\\ & =\left(\begin{array}{l}n\\ k\end{array}\right){\left(\frac{{\lambda }_1}{{\lambda }_1+{\lambda }_2}\right)}^k{\left(\frac{{\lambda }_2}{{\lambda }_1+{\lambda }_2}\right)}^{n-k},k=0,1,\cdots ,n.\end{array}$$
即在 $X+Y=n$ 的条件下, $X$ 服从二项分布 $b(n,p)$, 其中
$p={\lambda }_1/\left({\lambda }_1+{\lambda }_2\right)$.
例 3.5.3 设在一段时间内进人某一商店的顾客人数 $X$ 服从泊松分布
$P(\lambda )$, 每个顾客购买某种物品的概率为 $p$,
并且各个顾客是否购买该种物品相互独立, 求进人商店的顾客购买这种物品的人数
$Y$ 的分布列.
解 由题意知
$$P(X=m)=\frac{{\lambda }^m}{m!}{\mathrm{e}}^{-\lambda },m=0,1,2,\cdots .$$
在进人商店的人数 $X=m$ 的条件下, 购买某种物品的人数 $Y$
的条件分布为二项分布 $b(m,p)$, 即
$$P(Y=k\mid X=m)=\left(\begin{array}{l}m\\ k\end{array}\right)p^k(1-p{)}^{m-k},k=0,1,2,\cdots ,m.$$
由全概率公式有
$$\begin{array}{rl}P(Y=k)& =\sum _{m=k}^{\infty }P(X=m)P(Y=k\mid X=m)\\ & =\sum _{m=k}^{\infty }\frac{{\lambda }^m}{m!}{\mathrm{e}}^{-\lambda }\cdot \frac{m!}{k!(m-k)!}{p}^k(1-p{)}^{m-k}\\ & ={\mathrm{e}}^{-\lambda }\sum _{m=k}^{\infty }\frac{{\lambda }^m}{k!(m-k)!}\end{array}$$