【两个不独立的正态分布怎么相加】在概率统计中，正态分布是一种非常常见的连续型概率分布。当处理多个正态分布变量时，尤其是它们之间存在相关性（即不独立）的情况下，如何对它们进行相加是许多学生和研究者关心的问题。
本文将从数学原理出发，总结两个不独立的正态分布相加后的新分布，并通过表格形式清晰展示其特性与计算方法。
一、基本概念
- 正态分布（Normal Distribution）：若随机变量 $ X \sim N(\mu, \sigma^2) $，则其概率密度函数为：
$$
f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x - \mu)^2}{2\sigma^2}}
$$
- 不独立：两个随机变量 $ X $ 和 $ Y $ 不独立，意味着它们之间存在相关性，通常用协方差 $ \text{Cov}(X,Y) $ 或相关系数 $ \rho $ 表示。
二、两个不独立正态分布的线性组合
设 $ X \sim N(\mu_X, \sigma_X^2) $，$ Y \sim N(\mu_Y, \sigma_Y^2) $，且 $ \text{Cov}(X,Y) = \sigma_{XY} $，则：
$$
Z = aX + bY
$$
其中 $ a $ 和 $ b $ 是常数。
1. 分布类型
- 如果 $ X $ 和 $ Y $ 是正态分布，那么无论是否独立，其线性组合 $ Z = aX + bY $ 仍然是正态分布。
- 即使 $ X $ 和 $ Y $ 不独立，只要它们是联合正态分布，$ Z $ 仍为正态分布。
2. 均值和方差
- 均值：
$$
E[Z] = a\mu_X + b\mu_Y
$$
- 方差：
$$
\text{Var}(Z) = a^2\sigma_X^2 + b^2\sigma_Y^2 + 2ab\sigma_{XY}
$$
如果 $ X $ 和 $ Y $ 独立，则 $ \sigma_{XY} = 0 $，此时：
$$
\text{Var}(Z) = a^2\sigma_X^2 + b^2\sigma_Y^2
$$
三、总结表
| 项目 | 描述 |
| 变量类型 | 两个正态分布变量 $ X $ 和 $ Y $ |
| 是否独立 | 不独立（存在协方差） |
| 线性组合形式 | $ Z = aX + bY $ |
| 新分布类型 | 正态分布 $ N(E[Z], \text{Var}(Z)) $ |
| 均值公式 | $ E[Z] = a\mu_X + b\mu_Y $ |
| 方差公式 | $ \text{Var}(Z) = a^2\sigma_X^2 + b^2\sigma_Y^2 + 2ab\sigma_{XY} $ |
| 特殊情况 | 若独立，则 $ \sigma_{XY} = 0 $，方差简化为 $ a^2\sigma_X^2 + b^2\sigma_Y^2 $ |
四、应用实例
假设 $ X \sim N(10, 4) $，$ Y \sim N(5, 9) $，且 $ \text{Cov}(X,Y) = 3 $，求 $ Z = 2X + 3Y $ 的分布。
- 均值：$ E[Z] = 2 \times 10 + 3 \times 5 = 20 + 15 = 35 $
- 方差：$ \text{Var}(Z) = 2^2 \times 4 + 3^2 \times 9 + 2 \times 2 \times 3 \times 3 = 16 + 81 + 36 = 133 $
因此，$ Z \sim N(35, 133) $
五、注意事项
- 仅当 $ X $ 和 $ Y $ 是联合正态分布时，其线性组合才保持正态性。
- 如果 $ X $ 和 $ Y $ 不是联合正态分布，即使它们各自是正态分布，其线性组合也不一定是正态分布。
- 在实际问题中，需要先判断变量之间的相关性，再进行准确建模。
如需进一步了解多维正态分布或条件分布，请继续关注后续内容。