【两个不独立的正态分布相加怎么计算】在概率统计中，正态分布是应用最广泛的连续型概率分布之一。当两个随机变量都服从正态分布时，它们的和通常也服从正态分布，但前提是这两个变量是否独立会影响最终结果的均值和方差。本文将对“两个不独立的正态分布相加”的问题进行总结，并以表格形式展示关键信息。
一、基本概念
- 正态分布（Normal Distribution）：若随机变量 $ X \sim N(\mu_X, \sigma_X^2) $，则其概率密度函数为：
$$
f(x) = \frac{1}{\sqrt{2\pi\sigma_X^2}} e^{-\frac{(x - \mu_X)^2}{2\sigma_X^2}}
$$
- 线性组合的正态性：若 $ X_1 $ 和 $ X_2 $ 都是正态分布的随机变量，则任意线性组合 $ aX_1 + bX_2 $ 也是正态分布的，无论是否独立。
- 不独立：指两个随机变量之间存在相关性或协方差不为零。
二、两个不独立正态分布的和
设 $ X \sim N(\mu_X, \sigma_X^2) $，$ Y \sim N(\mu_Y, \sigma_Y^2) $，且 $ X $ 与 $ Y $ 不独立，它们的协方差为 $ \text{Cov}(X,Y) = \rho \sigma_X \sigma_Y $，其中 $ \rho $ 为相关系数，取值范围为 $ [-1, 1] $。
那么，$ Z = X + Y $ 的分布为：
$$
Z \sim N(\mu_Z, \sigma_Z^2)
$$
其中：
- 均值：$ \mu_Z = \mu_X + \mu_Y $
- 方差：$ \sigma_Z^2 = \sigma_X^2 + \sigma_Y^2 + 2\rho \sigma_X \sigma_Y $
三、关键公式总结
| 项目 | 公式 |
| 均值 | $ \mu_Z = \mu_X + \mu_Y $ |
| 方差 | $ \sigma_Z^2 = \sigma_X^2 + \sigma_Y^2 + 2\rho \sigma_X \sigma_Y $ |
| 相关系数 | $ \rho = \frac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y} $ |
| 协方差 | $ \text{Cov}(X,Y) = E[(X - \mu_X)(Y - \mu_Y)] $ |
四、注意事项
- 若 $ X $ 与 $ Y $ 独立，则 $ \rho = 0 $，此时方差为 $ \sigma_Z^2 = \sigma_X^2 + \sigma_Y^2 $。
- 若 $ X $ 与 $ Y $ 不独立，协方差必须已知或可估计，否则无法准确计算 $ Z $ 的方差。
- 在实际应用中，如金融、工程、统计建模等，不独立变量的协方差往往通过历史数据估算得到。
五、示例说明
假设 $ X \sim N(5, 4) $，$ Y \sim N(3, 9) $，且 $ \text{Cov}(X,Y) = 6 $，则：
- $ \mu_Z = 5 + 3 = 8 $
- $ \sigma_Z^2 = 4 + 9 + 2 \times 6 = 25 $
- 所以 $ Z \sim N(8, 25) $
六、结论
两个不独立的正态分布相加后，其和仍为正态分布，但方差不仅取决于各自方差，还受两者协方差的影响。因此，在处理实际问题时，必须考虑变量之间的相关性，才能正确地进行概率分析和统计推断。