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。譬如，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 _ i j = P (X = x _ i, Y = y _ j), i = 1, 2, … , j = 1, 2, … .$$p_{ij}=P(X=x_i,Y=y_j),i=1,2,\dots ,j=1,2,\dots .$$

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 $P(Y=y_j)=p_{\cdot j}={\sum }_{i=1}^{\infty }{p}_{ij}>0$ 的 $y_j$ ，称

p _ i | j = P (X = x _ i | Y = y _ j) = frac P (X = x _ i , Y = y _ j)P (Y = y _ j) = frac p _ i jp _ · j, i = 1, 2, … (3.5.1)$$p_{i|j}=P(X=x_i\mid Y=y_j)=\frac{P(X=x_i,Y=y_j)}{P(Y=y_j)}=\frac{p_{ij}}{p_{\cdot j}},i=1,2,\dots \text{\hspace{1em}(3.5.1)}$$

为给定 $Y=y_j$ 条件下 $X$ 的条件分布列． 同理，对一切使 $P(X=x_i)=p_i={\sum }_{j=1}^{\infty }{p}_{ij}>0$ 的 $x_i$ ，称

p _ j | i = P (Y = y _ j | X = x _ i) = frac P (X = x _ i , Y = y _ j)P (X = x _ i) = frac p _ i jp _ i, j = 1, 2, … (3.5.2)$$p_{j\mid i}=P(Y=y_j\mid X=x_i)=\frac{P(X=x_i,Y=y_j)}{P(X=x_i)}=\frac{p_{ij}}{p_i},j=1,2,\dots \text{\hspace{1em}(3.5.2)}$$

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 (x | y _ j) = ∑_ x _ i ≤slant x P (X = x _ i | Y = y _ j) = ∑_ x _ i ≤slant x p _ i | j, (3.5.3)$$F(x\mid y_j)=\sum _{x_i⩽x}P(X=x_i\mid Y=y_j)=\sum _{x_i⩽x}{p}_{i|j},\text{\hspace{1em}(3.5.3)}$$

给定 $X=x_i$ 条件下 $Y$ 的条件分布函数为

F (y | x _ i) = ∑_ y _ j ≤slant y P (Y = y _ j | X = x _ i) = ∑_ y _ j ≤slant y p _ j | i. (3.5.4)$$F(y\mid x_i)=\sum _{y_j⩽y}P(Y=y_j\mid X=x_i)=\sum _{y_j⩽y}{p}_{j|i}.\text{\hspace{1em}(3.5.4)}$$

例 3.5.1

设二维离散随机变量 $(X,Y)$ 的联合分布列为

X	Y			$p_i$ .
	1	2	3
1	0.1	0.3	0.2	0.6
2	0.2	0.05	0.15	0.4
$p_{\cdot j}$	0.3	0.35	0.35	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|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|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|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|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|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 $X\sim P({\lambda }_1)$ , $Y\sim P({\lambda }_2)$．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 $X+Y\sim P({\lambda }_1+{\lambda }_2)$，所以

r l P (X = k | 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 λ_ 1 ^ kk ! e ^ - λ_ 1 · frac λ_ 2 ^ n - k(n - k) ! e ^ - λ_ 2frac (λ_ 1 + λ_ 2) ^ nn ! e ^ - (λ_ 1 + λ_ 2) & = frac n !k ! (n - k) ! frac λ_ 1 ^ k λ_ 2 ^ n - k(λ_ 1 + λ_ 2) ^ n & = binom n k (frac λ_ 1λ_ 1 + λ_ 2) ^ k (frac λ_ 2λ_ 1 + λ_ 2) ^ n - k, k = 0, 1, … , n.$$\begin{array}{rl}P(X=k\mid X+Y=n)& =\frac{P(X=k,X+Y=n)}{P(X+Y=n)}\\ & =\frac{P(X=k)P(Y=n-k)}{P(X+Y=n)}\\ & =\frac{\frac{{\lambda }_1^k}{k!}{\mathrm{e}}^{-{\lambda }_1}\cdot \frac{{\lambda }_2^{n-k}}{(n-k)!}{\mathrm{e}}^{-{\lambda }_2}}{\frac{({\lambda }_1+{\lambda }_2{)}^n}{n!}{\mathrm{e}}^{-({\lambda }_1+{\lambda }_2)}}\\ & =\frac{n!}{k!(n-k)!}\frac{{\lambda }_1^k{\lambda }_2^{n-k}}{({\lambda }_1+{\lambda }_2{)}^n}\\ & =\left(\genfrac{}{}{0ex}{}{n}{k}\right){\left(\frac{{\lambda }_1}{{\lambda }_1+{\lambda }_2}\right)}^k{\left(\frac{{\lambda }_2}{{\lambda }_1+{\lambda }_2}\right)}^{n-k},k=0,1,\dots ,n.\end{array}$$

即在 $X+Y=n$ 的条件下， $X$ 服从二项分布 $b(n,p)$ ，其中 $p={\lambda }_1/({\lambda }_1+{\lambda }_2)$ .

例 3.5.3

设在一段时间内进入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，求进入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 λ^ mm ! e ^ - λ, m = 0, 1, 2, … .$$P(X=m)=\frac{{\lambda }^m}{m!}{\mathrm{e}}^{-\lambda },m=0,1,2,\dots .$$

在进入商店的人数 $X=m$ 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 | X = m) = binom m k p ^ k (1 - p) ^ m - k, k = 0, 1, 2, … , m.$$P(Y=k\mid X=m)=\left(\genfrac{}{}{0ex}{}{m}{k}\right)p^k(1-p{)}^{m-k},k=0,1,2,\dots ,m.$$

由全概率公式有

r l P (Y = k) & = ∑_ m = k ^ ∞ P (X = m) P (Y = k | X = m) & = ∑_ m = k ^ ∞ frac λ^ mm ! e ^ - λ · frac m !k ! (m - k) ! p ^ k (1 - p) ^ m - k & = e ^ - λ ∑_ m = k ^ ∞ frac λ^ mk ! (m - k) ! p ^ k (1 - p) ^ m - k$$\begin{array}{rl}P(Y=k)& ={\sum }_{m=k}^{\infty }P(X=m)P(Y=k\mid X=m)\\ & ={\sum }_{m=k}^{\infty }\frac{{\lambda }^m}{m!}{\mathrm{e}}^{-\lambda }\cdot \frac{m!}{k!(m-k)!}{p}^k(1-p{)}^{m-k}\\ & ={\mathrm{e}}^{-\lambda }{\sum }_{m=k}^{\infty }\frac{{\lambda }^m}{k!(m-k)!}{p}^k(1-p{)}^{m-k}\end{array}$$l = e ^ - λ frac (λ p) ^ kk ! ∑_ m = k ^ ∞ frac [ (1 - p) λ ] ^ m - k(m - k) ! = frac (λ p) ^ kk ! e ^ - λ e ^ λ (1 - p) = frac (λ p) ^ kk ! e ^ - λ p, k = 0, 1, 2, … .$$\begin{array}{l}={\mathrm{e}}^{-\lambda }\frac{(\lambda p{)}^k}{k!}{\sum }_{m=k}^{\infty }\frac{[(1-p)\lambda {]}^{m-k}}{(m-k)!}\\ =\frac{(\lambda p{)}^k}{k!}{\mathrm{e}}^{-\lambda }{\mathrm{e}}^{\lambda (1-p)}\\ =\frac{(\lambda p{)}^k}{k!}{\mathrm{e}}^{-\lambda p},k=0,1,2,\dots .\end{array}$$

即 $Y$ 服从参数为 $\lambda p$ 的泊松分布． 这个例子告诉我们:在直接寻求 $Y$ 的分布有困难时，有时借助条件分布可把困难克服．

二、连续随机变量的条件分布

设二维连续随机变量 $(X,Y)$ 的联合密度函数为 $p(x,y)$ ，边际密度函数为 $p_X(x),p_Y(y)$ . 在离散随机变量场合，其条件分布函数为 $P(X⩽x\mid Y=y)$．但是，因为连续随机变量取某个值的概率为零，即 $P(Y=y)=0$，所以无法用条件概率直接计算 $P(X⩽x\mid Y=y)$，一个很自然的想法是: 将 $P(X⩽x\mid Y=y)$ 看成是 $h\to 0$ 时 $P(X⩽x\mid y⩽Y⩽y+h)$ 的极限，即

r lP (X ≤slant x | Y = y)&= lim _ h arrow 0 P (X ≤slant x | y ≤slant Y ≤slant y + h)&= lim _ h arrow 0 frac P (X ≤slant x , y ≤slant Y ≤slant y + h)P (y ≤slant Y ≤slant y + h)&= lim _ h arrow 0 frac ∫_ - ∞ ^ x ∫_ y ^ y + h p (u , v) d v d u∫_ y ^ y + h p _ Y (v) d v&= lim _ h arrow 0 frac ∫_ - ∞ ^ x {frac 1h ∫_ y ^ y + h p (u , v) d v } d ufrac 1h ∫_ y ^ y + h p _ Y (v) d v,$$\begin{array}{rl}P(X⩽x\mid Y=y)& ={\lim }_{h\to 0}P(X⩽x\mid y⩽Y⩽y+h)\\ & ={\lim }_{h\to 0}\frac{P(X⩽x,y⩽Y⩽y+h)}{P(y⩽Y⩽y+h)}\\ & ={\lim }_{h\to 0}\frac{{\int }_{-\infty }^x{\int }_y^{y+h}p(u,v)\mathrm{d}v\mathrm{d}u}{{\int }_y^{y+h}{p}_Y(v)\mathrm{d}v}\\ & ={\lim }_{h\to 0}\frac{{\int }_{-\infty }^x\left\{\frac{1}{h}{\int }_y^{y+h}p(u,v)\mathrm{d}v\right\}\mathrm{d}u}{\frac{1}{h}{\int }_y^{y+h}{p}_Y(v)\mathrm{d}v},\end{array}$$

当 $p_Y(y),p(x,y)$ 在 $y$ 处连续时，由积分中值定理可得

lim _ h → 0 frac 1h ∫_ y ^ y + h p _ Y (v) d v = p _ Y (y),$$\underset{h\to 0}{\lim }\frac{1}{h}{\int }_y^{y+h}{p}_Y(v)\mathrm{d}v=p_Y(y),$$ lim _ h → 0 frac 1h ∫_ y ^ y + h p (u, v) d v = p (u, y).$$\underset{h\to 0}{\lim }\frac{1}{h}{\int }_y^{y+h}p(u,v)\mathrm{d}v=p(u,y).$$

所以

P (X ≤slant x | Y = y) = ∫_ - ∞ ^ x frac p (u , y)p _ Y (y) d u.$$P(X⩽x\mid Y=y)={\int }_{-\infty }^x\frac{p(u,y)}{p_Y(y)}\mathrm{d}u.$$

上式左端就是在 $Y=y$ 条件下 $X$ 的条件分布函数，可记为 $F(x|y)$．再由密度函数定义知，上式右端的被积函数不是别的，正是在 $Y=y$ 条件下 $X$ 的条件密度函数，它可记为 $p(x|y)$．至此，连续随机变量的条件分布函数与条件密度函数可定义如下．

定义 3.5.3

对一切使 $p_Y(y)>0$ 的 $y$，给定 $Y=y$ 条件下 $X$ 的条件分布函数和条件密度函数分别为

F (x | y) = ∫_ - ∞ ^ x frac p (u , y)p _ Y (y) d u, (3.5.5)$$F(x\mid y)={\int }_{-\infty }^x\frac{p(u,y)}{p_Y(y)}\mathrm{d}u,\text{\hspace{1em}(3.5.5)}$$p (x | y) = frac p (x , y)p _ Y (y). (3.5.6)$$p(x\mid y)=\frac{p(x,y)}{p_Y(y)}.\text{\hspace{1em}(3.5.6)}$$

同理对一切使 $p_X(x)>0$ 的 $x$，给定 $X=x$ 条件下 $Y$ 的条件分布函数和条件密度函数分别为

F (y | x) = ∫_ - ∞ ^ y frac p (x , v)p _ X (x) d v, (3.5.7)$$F(y\mid x)={\int }_{-\infty }^y\frac{p(x,v)}{p_X(x)}\mathrm{d}v,\text{\hspace{1em}(3.5.7)}$$p (y | x) = frac p (x , y)p _ x (x). (3.5.8)$$p(y\mid x)=\frac{p(x,y)}{p_x(x)}.\text{\hspace{1em}(3.5.8)}$$

要注意:无论条件分布函数 $F(x\mid y)$ ，还是条件密度函数 $p(x\mid y)$ ，它们还是条件 Y = y 的函数，不同的条件（如 $Y=y_1$ 和 $Y=y_2$ ）下，其分布函数 $F(x\mid y_1)$ 和 $F(x\mid y_2)$ 是不同的，条件密度函数 $p(x\mid y_1)$ 和 $p(x\mid y_2)$ 也是不同的。由此可见，条件分布（密度）函数 $F(x\mid y)(p(x\mid y))$ 表示一簇分布（密度）函数。对 $F(y\mid x)$ 和 $p(y\mid x)$ 也可作出类似的认识，这些都可以从下面例子中具体看出。

例 3.5.4

设 $(X,Y)$ 服从二维正态分布 $N({\mu }_1,{\mu }_2,{\sigma }_1^2,{\sigma }_2^2,\rho )$ ，由边际分布知 $X$ 服从正态分布 $N({\mu }_1,{\sigma }_1^2)$ ，$Y$ 服从正态分布 $N({\mu }_2,{\sigma }_2^2)$ 。现在来求条件分布。根据(3.5.6)式得

l p (x | y) = frac p (x , y)p _ Y (y) = frac frac 12 π σ_ 1 σ_ 2 sqrt 1 - ρ^ 2 exp {- frac 12 (1 - ρ^ 2) [ frac (x - μ_ 1) ^ 2σ_ 1 ^ 2 - 2 ρ frac (x - μ_ 1) (y - μ_ 2)σ_ 1 σ_ 2 + frac (y - μ_ 2) ^ 2σ_ 2 ^ 2 ] }frac 1sqrt 2 π σ_ 2 exp {- frac (y - μ_ 2) ^ 22 σ_ 2 ^ 2 } = frac 1sqrt 2 π σ_ 1 sqrt 1 - ρ^ 2 exp {- frac 12 σ_ 1 ^ 2 (1 - ρ^ 2) [ x - (μ_ 1 + ρ frac σ_ 1σ_ 2 (y - μ_ 2)) ] ^ 2 },$$\begin{array}{l}p(x\mid y)=\frac{p(x,y)}{p_Y(y)}\\ =\frac{\frac{1}{2\pi {\sigma }_1{\sigma }_2\sqrt{1-{\rho }^2}}\exp \left\{-\frac{1}{2(1-{\rho }^2)}\left[\frac{(x-{\mu }_1{)}^2}{{\sigma }_1^2}-2\rho \frac{(x-{\mu }_1)(y-{\mu }_2)}{{\sigma }_1{\sigma }_2}+\frac{(y-{\mu }_2{)}^2}{{\sigma }_2^2}\right]\right\}}{\frac{1}{\sqrt{2\pi }{\sigma }_2}\exp \left\{-\frac{(y-{\mu }_2{)}^2}{2{\sigma }_2^2}\right\}}\\ =\frac{1}{\sqrt{2\pi }{\sigma }_1\sqrt{1-{\rho }^2}}\exp \left\{-\frac{1}{2{\sigma }_1^2(1-{\rho }^2)}{\left[x-({\mu }_1+\rho \frac{{\sigma }_1}{{\sigma }_2}(y-{\mu }_2))\right]}^2\right\},\end{array}$$

这正是正态密度函数，其均值 ${\mu }_3$ 和方差 ${\sigma }_3^2$ 分别为

μ_ 3 = μ_ 1 + ρ frac σ_ 1σ_ 2 (y - μ_ 2), σ_ 3 ^ 2 = σ_ 1 ^ 2 (1 - ρ^ 2).$${\mu }_3={\mu }_1+\rho \frac{{\sigma }_1}{{\sigma }_2}(y-{\mu }_2),{\sigma }_3^2={\sigma }_1^2(1-{\rho }^2).$$

类似可得，在给定 X=x 的条件下，$Y$ 的条件分布仍为正态分布 $N({\mu }_4,{\sigma }_4^2)$，其均值和方差分别为

μ_ 4 = μ_ 2 + ρ frac σ_ 2σ_ 1 (x - μ_ 1), σ_ 4 ^ 2 = σ_ 2 ^ 2 (1 - ρ^ 2).$${\mu }_4={\mu }_2+\rho \frac{{\sigma }_2}{{\sigma }_1}(x-{\mu }_1),{\sigma }_4^2={\sigma }_2^2(1-{\rho }^2).$$

由此也可以看出:二维正态分布的边际分布和条件分布都是一维正态分布，这是正态分布的一个重要性质．

例 3.5.5

设二维随机变量 $(X,Y)$ 服从 $G=\left\{(x,y)\mid x^2+y^2⩽1\right\}$ 上的均匀分布，试求 给定 Y=y 条件下 $X$ 的条件密度函数 $p(x|y)$ .

解

因为

p (x, y) = { l l frac 1π, & x ^ 2 + y ^ 2 ≤slant 1, 0, & text 其他. .$$p(x,y)=\{\begin{array}{ll}\frac{1}{\pi },& x^2+y^2⩽1,\\ 0,& \text{其他}.\end{array}$$

由此得 $Y$ 的边际密度函数为

p _ Y (y) = { l l frac 2π sqrt 1 - y ^ 2, & - 1 ≤slant y ≤slant 1, 0, & text 其他. .$$p_Y(y)=\{\begin{array}{ll}\frac{2}{\pi }\sqrt{1-y^2},& -1⩽y⩽1,\\ 0,& \text{其他}.\end{array}$$

所以当-1<y<1时，有

r l p (x | y) & = frac p (x , y)p _ Y (y) & = { l l frac 1 / π(2 / π) sqrt 1 - y ^ 2 = frac 12 sqrt 1 - y ^ 2, & - sqrt 1 - y ^ 2 ≤slant x ≤slant sqrt 1 - y ^ 2, 0, & text 其他. .$$\begin{array}{rl}p(x\mid y)& =\frac{p(x,y)}{p_Y(y)}\\ & =\{\begin{array}{ll}\frac{1/\pi }{(2/\pi )\sqrt{1-y^2}}=\frac{1}{2\sqrt{1-y^2}},& -\sqrt{1-y^2}⩽x⩽\sqrt{1-y^2},\\ 0,& \text{其他}.\end{array}\end{array}$$

将 y=0 和 y=0.5 分别代入上式可得(两个均匀分布)

p (x | y = 0) = { l l frac 12, & - 1 ≤slant x ≤slant 1, 0, & text 其他, .$$p(x\mid y=0)=\{\begin{array}{ll}\frac{1}{2},& -1⩽x⩽1,\\ 0,& \text{其他},\end{array}$$p (x | y = 0. 5) = { l l frac 1sqrt 3, & - frac sqrt 32 ≤slant x ≤slant frac sqrt 32, 0, & text 其他. .$$p(x\mid y=0.5)=\{\begin{array}{ll}\frac{1}{\sqrt{3}},& -\frac{\sqrt{3}}{2}⩽x⩽\frac{\sqrt{3}}{2},\\ 0,& \text{其他}.\end{array}$$

进一步有: 当 -1<y<1 时，给定 Y=y 条件下，$X$ 服从 $(-\sqrt{1-y^2},\sqrt{1-y^2})$ 上的均匀分布．同理有: 当 -1<x<1 时，给定 X=x 条件下，$Y$ 服从 $(-\sqrt{1-x^2},\sqrt{1-x^2})$ 上的均匀分布．

三、连续场合的全概率公式和贝叶斯公式

有了条件分布密度函数的概念，我们可以给出连续随机变量场合的全概率公式和贝叶斯公式．将(3.5.6)式和(3.5.8)式改写为

p (x, y) = p _ x (x) p (y | x), (3.5.9)$$p(x,y)=p_x(x)p(y\mid x),\text{\hspace{1em}(3.5.9)}$$ p (x, y) = p _ Y (y) p (x | y). (3.5.10)$$p(x,y)=p_Y(y)p(x\mid y).\text{\hspace{1em}(3.5.10)}$$

再对 $p(x,y)$ 求边际密度函数，就得全概率公式的密度函数形式:

p _ Y (y) = ∫_ - ∞ ^ ∞ p _ X (x) p (y | x) d x, (3.5.11)$$p_Y(y)={\int }_{-\infty }^{\infty }{p}_X(x)p(y|x)\mathrm{d}x,\text{\hspace{1em}(3.5.11)}$$ p _ X (x) = ∫_ - ∞ ^ ∞ p _ Y (y) p (x | y) d y. (3.5.12)$$p_X(x)={\int }_{-\infty }^{\infty }{p}_Y(y)p(x\mid y)\mathrm{d}y.\text{\hspace{1em}(3.5.12)}$$

将(3.5.9)式代入(3.5.6)式的分子，(3.5.11)式代入(3.5.6)式的分母，就得贝叶斯公式的密度函数形式：

p (x | y) = frac p _ X (x) p (y | x)∫_ - ∞ ^ ∞ p _ X (x) p (y | x) d x, (3.5.13)$$p(x\mid y)=\frac{p_X(x)p(y\mid x)}{{\int }_{-\infty }^{\infty }{p}_X(x)p(y\mid x)\mathrm{d}x},\text{\hspace{1em}(3.5.13)}$$

或

p (y | x) = frac p _ Y (y) p (x | y)∫_ - ∞ ^ ∞ p _ Y (y) p (x | y) d y. (3.5.14)$$p(y\mid x)=\frac{p_Y(y)p(x\mid y)}{{\int }_{-\infty }^{\infty }{p}_Y(y)p(x\mid y)\mathrm{d}y}.\text{\hspace{1em}(3.5.14)}$$

虽然由边际分布无法得到联合分布，但(3.5.9)式和(3.5.10)式说明，由边际分布和条件分布就可以得到联合分布．

例 3.5.6

设随机变量 $X\sim N(\mu ,{\sigma }_1^2)$ ，在 X = x 下 $Y$ 的条件分布为 $N(x,{\sigma }_2^2)$ 。试求 $Y$ 的（无条件）密度函数 $p_Y(y)$ 。

解

由题意知

l p _ x (x) = frac 1sqrt 2 π σ_ 1 exp {- frac (x - μ) ^ 22 σ_ 1 ^ 2 }, p (y | x) = frac 1sqrt 2 π σ_ 2 exp {- frac (y - x) ^ 22 σ_ 2 ^ 2 },$$\begin{array}{l}{p}_x(x)=\frac{1}{\sqrt{2\pi }{\sigma }_1}\exp \left\{-\frac{(x-\mu {)}^2}{2{\sigma }_1^2}\right\},\\ p(y\mid x)=\frac{1}{\sqrt{2\pi }{\sigma }_2}\exp \left\{-\frac{(y-x{)}^2}{2{\sigma }_2^2}\right\},\end{array}$$

所以由(3.5.11)式得

r l p _ Y (y) & = ∫_ - ∞ ^ ∞ p _ X (x) p (y | x) d x & = frac 12 π σ_ 1 σ_ 2 ∫_ - ∞ ^ ∞ exp {- frac (x - μ) ^ 22 σ_ 1 ^ 2 - frac (y - x) ^ 22 σ_ 2 ^ 2 } d x & = frac 12 π σ_ 1 σ_ 2 ∫_ - ∞ ^ ∞ exp {- frac 12 [ (frac 1σ_ 1 ^ 2 + frac 1σ_ 2 ^ 2) x ^ 2 - 2 (frac yσ_ 2 ^ 2 + frac μσ_ 1 ^ 2) x + frac y ^ 2σ_ 2 ^ 2 + frac μ^ 2σ_ 1 ^ 2 ] } d x.$$\begin{array}{rl}{p}_Y(y)& ={\int }_{-\infty }^{\infty }{p}_X(x)p(y|x)\mathrm{d}x\\ & =\frac{1}{2\pi {\sigma }_1{\sigma }_2}{\int }_{-\infty }^{\infty }\exp \left\{-\frac{(x-\mu {)}^2}{2{\sigma }_1^2}-\frac{(y-x{)}^2}{2{\sigma }_2^2}\right\}\mathrm{d}x\\ & =\frac{1}{2\pi {\sigma }_1{\sigma }_2}{\int }_{-\infty }^{\infty }\exp \left\{-\frac{1}{2}\left[\left(\frac{1}{{\sigma }_1^2}+\frac{1}{{\sigma }_2^2}\right)x^2-2\left(\frac{y}{{\sigma }_2^2}+\frac{\mu }{{\sigma }_1^2}\right)x+\frac{y^2}{{\sigma }_2^2}+\frac{{\mu }^2}{{\sigma }_1^2}\right]\right\}\mathrm{d}x.\end{array}$$

记 $c=\frac{{\sigma }_1^2{\sigma }_2^2}{{\sigma }_1^2+{\sigma }_2^2}$ ，则上式化成

r l p _ Y (y) & = frac 12 π σ_ 1 σ_ 2 ∫_ - ∞ ^ ∞ exp {- frac 12 c ^ - 1 [ x - c (frac μσ_ 1 ^ 2 + frac yσ_ 2 ^ 2) ] ^ 2 - frac 12 frac (y - μ) ^ 2σ_ 1 ^ 2 + σ_ 2 ^ 2 } d x & = frac 12 π σ_ 1 σ_ 2 sqrt 2 π c exp {- frac (y - μ) ^ 22 (σ_ 1 ^ 2 + σ_ 2 ^ 2) } = frac 1sqrt 2 π sqrt σ_ 1 ^ 2 + σ_ 2 ^ 2 exp {- frac (y - μ) ^ 22 (σ_ 1 ^ 2 + σ_ 2 ^ 2) }.$$\begin{array}{rl}{p}_Y(y)& =\frac{1}{2\pi {\sigma }_1{\sigma }_2}{\int }_{-\infty }^{\infty }\exp \left\{-\frac{1}{2}{c}^{-1}{\left[x-c\left(\frac{\mu }{{\sigma }_1^2}+\frac{y}{{\sigma }_2^2}\right)\right]}^2-\frac{1}{2}\frac{(y-\mu {)}^2}{{\sigma }_1^2+{\sigma }_2^2}\right\}dx\\ & =\frac{1}{2\pi {\sigma }_1{\sigma }_2}\sqrt{2\pi c}\exp \left\{-\frac{(y-\mu {)}^2}{2({\sigma }_1^2+{\sigma }_2^2)}\right\}=\frac{1}{\sqrt{2\pi }\sqrt{{\sigma }_1^2+{\sigma }_2^2}}\exp \left\{-\frac{(y-\mu {)}^2}{2({\sigma }_1^2+{\sigma }_2^2)}\right\}.\end{array}$$

这表明 $Y$ 仍服从正态分布 $N(\mu ,{\sigma }_1^2+{\sigma }_2^2)$ .

3.5.2 条件数学期望

条件分布的数学期望称为条件数学期望，它的定义如下．

定义 3.5.4

条件分布的数学期望(若存在)称为条件期望，其定义如下:

E (X | Y = y) = { l l ∑_ i x _ i P (X = x _ i | Y = y), & (X, Y) text 为二维离散随机变量, ∫_ - ∞ ^ ∞ x p (x | y) d x, & (X, Y) text 为二维连续随机变量. . (3.5.15)$$E(X\mid Y=y)=\{\begin{array}{ll}{\sum }_i{x}_{i}P(X=x_i\mid Y=y),& (X,Y)\text{为二维离散随机变量},\\ {\int }_{-\infty }^{\infty }xp(x\mid y)\mathrm{d}x,& (X,Y)\text{为二维连续随机变量}.\end{array}\text{\hspace{1em}(3.5.15)}$$E ( Y | X = x) = { l l ∑_ j y _ j P ( Y = y _ j | X = x) , & (X, Y) text 为二维离散随机变量, ∫_ - ∞ ^ ∞ y p ( y | x) d y , & (X, Y) text 为二维连续随机变量. . (3.5.16)$$E(Y\mid X=x)=\{\begin{array}{ll}{\sum }_j{y}_{j}P(Y=y_j\mid X=x),& (X,Y)\text{为二维离散随机变量},\\ {\int }_{-\infty }^{\infty }yp(y\mid x)\mathrm{d}y,& (X,Y)\text{为二维连续随机变量}.\end{array}\text{\hspace{1em}(3.5.16)}$$

条件期望 $E(X|Y=y)$ 是 $y$ 的函数，它与无条件期望 $E(X)$ 的区别，不仅在于计算公式上，而且在于其含义上．譬如，$X$ 表示中国成年人的身高，则 $E(X)$ 表示中国成年人的平均身高．若用 $Y$ 表示中国成年人的足长(脚趾到脚跟的长度),则 $E(X|Y=y)$ 表示足长为 $y$ 的中国成年人的平均身高，我国公安部门研究获得

E (X | Y = y) = 6. 8 7 6 y.$$E(X\mid Y=y)=6.876y.$$

这个公式对公安部门破案起着重要的作用，例如，测得案犯留下的足印长为25.3 cm,则由此公式可推算出此案犯身高约174 cm. 其实以上公式的得出并不复杂，一般认为人的身高和足长 $(X,Y)$ 可以当作一个二维正态变量来处理，即 $(X,Y)$ 服从二维正态分布 $N({\mu }_1,{\mu }_2,{\sigma }_1^2,{\sigma }_2^2,\rho )$．由例3.5.4知，在给定Y=y的条件下，$X$服从一维正态分布

N (μ_ 1 + ρ frac σ_ 1σ_ 2 (y - μ_ 2), σ_ 1 ^ 2 (1 - ρ^ 2)).$$N({\mu }_1+\rho \frac{{\sigma }_1}{{\sigma }_2}(y-{\mu }_2),{\sigma }_1^2(1-{\rho }^2)).$$

由此得

E (X | Y = y) = μ_ 1 + ρ frac σ_ 1σ_ 2 (y - μ_ 2),$$E(X\mid Y=y)={\mu }_1+\rho \frac{{\sigma }_1}{{\sigma }_2}(y-{\mu }_2),$$

这是 $y$ 的线性函数．再用统计的方法(后面第六章的内容), 从大量实际数据中得出 ${\mu }_1$ , ${\mu }_2$ , ${\sigma }_1$ , ${\sigma }_2$ , $\rho$ 的估计后，就可得以上公式． 因为条件期望是条件分布的数学期望，所以它具有数学期望的一切性质，例如

E (a _ 1 X _ 1 + a _ 2 X _ 2 | Y = y) = a _ 1 E (X _ 1 | Y = y) + a _ 2 E (X _ 2 | Y = y).$$E\left(a_1{X}_1+a_2{X}_2\mid Y=y\right)=a_{1}E\left(X_1\mid Y=y\right)+a_{2}E\left(X_2\mid Y=y\right).$$

其他性质在此不一一列举，读者可以自行写出． 我们特别要强调的是: $E(X\mid Y=y)$ 是 $y$ 的函数，对 $y$ 的不同取值，条件期望 $E(X\mid Y=y)$ 的取值也在变化．为此我们可以记

g (y) = E (X | Y = y).$$g(y)=E(X\mid Y=y).$$

进一步还可以将条件期望看成是随机变量 $Y$ 的函数，记为 $E(X|Y)=g(Y)$ ，而将 $E(X|Y=y)$ 看成是 $Y=y$ 时 $E(X|Y)$ 的一个取值，由此看出： $E(X|Y)$ 本身也是一个随机变量． 引进 $E(X|Y)$ 不仅使我们前面所定义的 $E(X|Y=y)$ 得到了统一的处理，而且可以得到更深刻的结果．

定理 3.5.1 重期望公式

设 $(X,Y)$ 是二维随机变量，且 $E(X)$ 存在，则

E (X) = E (E (X | Y)). (3.5.17)$$E(X)=E(E(X\mid Y)).\text{\hspace{1em}(3.5.17)}$$

证明

在此仅对连续场合进行证明，而离散场合可类似证明．设二维连续随机变量 $(X,Y)$ 的联合密度函数为 $p(x,y)$．记 $g(y)=E(X|Y=y)$，则 $g(Y)=E(X|Y)$．由此利用 $p(x,y)=p(x|y)p_Y(y)$，可得

E (X) = ∫_ - ∞ ^ ∞ ∫_ - ∞ ^ ∞ x p (x, y) d x d y = ∫_ - ∞ ^ ∞ ∫_ - ∞ ^ ∞ x p (x | y) p _ Y (y) d x d y$$E(X)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }xp(x,y)\mathrm{d}x\mathrm{d}y={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }xp(x|y)p_Y(y)\mathrm{d}x\mathrm{d}y$$= ∫_ - ∞ ^ ∞ {∫_ - ∞ ^ ∞ x p (x | y) d x } p _ Y (y) d y.$$={\int }_{-\infty }^{\infty }\left\{{\int }_{-\infty }^{\infty }xp(x|y)\mathrm{d}x\right\}{p}_Y(y)\mathrm{d}y.$$

其中花括号中的积分不是别的，正是条件期望 $E(X|Y=y)$，所以

E (X) = ∫_ - ∞ ^ ∞ E (X | Y = y) p _ Y (y) d y = ∫_ - ∞ ^ ∞ g (y) p _ Y (y) d y = E (g (Y)) = E (E (X | Y)).$$E(X)={\int }_{-\infty }^{\infty }E(X\mid Y=y)p_Y(y)\mathrm{d}y={\int }_{-\infty }^{\infty }g(y)p_Y(y)\mathrm{d}y=E(g(Y))=E(E(X\mid Y)).$$

这就证明了(3.5.17)式． 重期望公式是概率论中较为深刻的一个结论，它在实际中很有用．譬如，要求在一个取值于很大范围上的指标 $X$ 的均值 $E(X)$，这时会遇到计算上的各种困难．为此，我们换一种思维方式，去找一个与 $X$ 有关的量 $Y$，用 $Y$ 的不同取值把大范围划分成若干个小区域，先在小区域上求 $X$ 的平均，再对此类平均求加权平均，即可得大范围上 $X$ 的平均 $E(X)$．如要求全校学生的平均身高，可先求出每个班级学生的平均身高，然后再对各班级的平均身高作加权平均，其权重就是班级人数在全校学生中所占的比例． 重期望公式的具体使用如下： (1) 如果 $Y$ 是一个离散随机变量，则 (3.5.17) 式成为

E (X) = ∑_ j E (X | Y = y _ j) P (Y = y _ j). (3.5.18)$$E(X)=\sum _{j}E(X\mid Y=y_j)P(Y=y_j).\text{\hspace{1em}(3.5.18)}$$

(2) 如果 $Y$ 是一个连续随机变量，则 (3.5.17) 式成为

E (X) = ∫_ - ∞ ^ ∞ E (X | Y = y) p _ Y (y) d y. (3.5.19)$$E(X)={\int }_{-\infty }^{\infty }E(X\mid Y=y)p_Y(y)\mathrm{d}y.\text{\hspace{1em}(3.5.19)}$$

例 3.5.7

一矿工被困在有三个门的矿井里．第一个门通一坑道，沿此坑道走3小时可到达安全区;第二个门通一坑道，沿此坑道走5小时又回到原处;第三个门通一坑道，沿此坑道走7小时也回到原处．假定此矿工总是等可能地在三个门中选择一个，试求他平均要用多少时间才能到达安全区．

解

设该矿工需要 $X$ 小时到达安全区，则 $X$ 的可能取值为

3, 5 + 3, 7 + 3, 5 + 5 + 3, 5 + 7 + 3, 7 + 7 + 3, … ,$$3,5+3,7+3,5+5+3,5+7+3,7+7+3,\dots ,$$

要写出 $X$ 的分布列是困难的，所以无法直接求 $E(X)$．为此记 $Y$ 表示第一次所选的门，$\{Y=i\}$ 就是选择第 $i$ 个门．由题设知

P (Y = 1) = P (Y = 2) = P (Y = 3) = frac 13.$$P(Y=1)=P(Y=2)=P(Y=3)=\frac{1}{3}.$$

因为选第一个门后 3 小时可到达安全区，所以 $E(X\mid Y=1)=3$ . 又因为选第二个门后 5 小时回到原处，所以 $E(X\mid Y=2)=5+E(X)$ . 又因为选第三个门后7小时也回到原处，所以 $E(X|Y=3)=7+E(X)$ .

综上所述，由(3.5.18)式得

E (X) = frac 13 [ 3 + 5 + E (X) + 7 + E (X) ] = 5 + frac 23 E (X),$$E(X)=\frac{1}{3}[3+5+E(X)+7+E(X)]=5+\frac{2}{3}E(X),$$

解得 $E(X)=15$ ，即该矿工平均要 15 小时才能到达安全区。 上例的解题方法带有某种普遍性，请读者从下例中再体会一下这种方法．

例 3.5.8

口袋中有编号为 $1,2,\cdots ,n$ 的 $n$ 个球，从中任取 1 球。若取到 1 号球，则得 1 分，且停止摸球；若取到 $i$ 号球 ( $i⩾2$ )，则得 $i$ 分，且将此球放回，重新摸球。如此下去，试求得到的平均总分数。

解

记 $X$ 为得到的总分数，$Y$ 为第一次取到的球的号码．则

P (Y = 1) = P (Y = 2) = … = P (Y = n) = frac 1n.$$P(Y=1)=P(Y=2)=\cdots =P(Y=n)=\frac{1}{n}.$$

又因为 $E(X|Y=1)=1$ ，而当 $i⩾2$ 时， $E(X|Y=i)=i+E(X)$．所以

E (X) = ∑_ i = 1 ^ n E (X | Y = i) P (Y = i) = frac 1n [ 1 + 2 + … + n + (n - 1) E (X) ].$$E(X)=\sum _{i=1}^{n}E(X\mid Y=i)P(Y=i)=\frac{1}{n}[1+2+\cdots +n+(n-1)E(X)].$$

由此解得

E (X) = frac n (n + 1)2.$$E(X)=\frac{n(n+1)}{2}.$$

例 3.5.9

设电力公司每月可以供应某工厂的电力 $X$ 服从 (10,30) (单位: $10^4$ kW) 上的均匀分布，而该工厂每月实际需要的电力 $Y$ 服从 (10,20) (单位: $10^4$ kW) 上的均匀分布．如果工厂能从电力公司得到足够的电力，则每 $10^4$ kW 电可以创造 30 万元的利润，若工厂从电力公司得不到足够的电力，则不足部分由工厂通过其他途径解决，由其他途径得到的电力每 $10^4$ kW 电只有 10 万元的利润．试求该厂每个月的平均利润．

解

从题意知，每月供应电力 $X\sim U(10,30)$，而工厂实际需要电力 $Y\sim U(10,20)$．若设工厂每个月的利润为 $Z$ 万元，则按题意可得

Z = { l l 3 0 Y, & text 当 Y ≤slant X, 3 0 X + 1 0 (Y - X), & text 当 Y > X. .$$Z=\{\begin{array}{ll}30Y,& \text{当}Y⩽X,\\ 30X+10(Y-X),& \text{当}Y>X.\end{array}$$

在 $X=x$ 给定时， $Z$ 仅是 $Y$ 的函数，于是当 $10⩽x<20$ 时， $Z$ 的条件期望为

r l E (Z | X = x) & = ∫_ 1 0 ^ x 3 0 y p _ Y (y) d y + ∫_ x ^ 2 0 (1 0 y + 2 0 x) p _ Y (y) d y & = ∫_ 1 0 ^ x 3 0 y frac 11 0 d y + ∫_ x ^ 2 0 (1 0 y + 2 0 x) frac 11 0 d y & = frac 32 (x ^ 2 - 1 0 0) + frac 12 (2 0 ^ 2 - x ^ 2) + 2 x (2 0 - x) & = 5 0 + 4 0 x - x ^ 2.$$\begin{array}{rl}E(Z\mid X=x)& ={\int }_{10}^{x}30y{p}_Y(y)\mathrm{d}y+{\int }_x^{20}(10y+20x)p_Y(y)\mathrm{d}y\\ & ={\int }_{10}^{x}30y\frac{1}{10}\mathrm{d}y+{\int }_x^{20}(10y+20x)\frac{1}{10}\mathrm{d}y\\ & =\frac{3}{2}(x^2-100)+\frac{1}{2}(20^2-x^2)+2x(20-x)\\ & =50+40x-x^2.\end{array}$$

当 $20⩽x⩽30$ 时，$Z$ 的条件期望为

E (Z | X = x) = ∫_ 1 0 ^ 2 0 3 0 y p _ Y (y) d y = ∫_ 1 0 ^ 2 0 3 0 y frac 11 0 d y = 4 5 0.$$E(Z\mid X=x)={\int }_{10}^{20}30y{p}_Y(y)\mathrm{d}y={\int }_{10}^{20}30y\frac{1}{10}\mathrm{d}y=450.$$

然后用 $X$ 的分布对条件期望 $E(Z|X=x)$ 再作一次平均，即得

r l E (Z) & = E (E (Z | X)) & = ∫_ 1 0 ^ 2 0 E (Z | X = x) p _ X (x) d x + ∫_ 2 0 ^ 3 0 E (Z | X = x) p _ X (x) d x & = frac 12 0 ∫_ 1 0 ^ 2 0 (5 0 + 4 0 x - x ^ 2) d x + frac 12 0 ∫_ 2 0 ^ 3 0 4 5 0 d x & = 2 5 + 3 0 0 - frac 7 0 06 + 2 2 5 ≈ 4 3 3.$$\begin{array}{rl}E(Z)& =E(E(Z\mid X))\\ & ={\int }_{10}^{20}E(Z\mid X=x)p_X(x)\mathrm{d}x+{\int }_{20}^{30}E(Z\mid X=x)p_X(x)\mathrm{d}x\\ & =\frac{1}{20}{\int }_{10}^{20}(50+40x-x^2)\mathrm{d}x+\frac{1}{20}{\int }_{20}^{30}450\mathrm{d}x\\ & =25+300-\frac{700}{6}+225\approx 433.\end{array}$$

所以该厂每月的平均利润为 433 万元．

例 3.5.10 随机个随机变量和的数学期望

设 $X_1,X_2,\cdots$ 为一列独立同分布的随机变量，随机变量 $N$ 只取正整数值，且 $N$ 与 $\{X_n\}$ 独立，证明

E (∑_ i = 1 ^ N X _ i ) = E (X _ 1) E (N).$$E\left(\sum _{i=1}^N{X}_i\right)=E(X_1)E(N).$$

证明

由定理3.5.1知

r l E (∑_ i = 1 ^ N X _ i ) & = E [ E (∑_ i = 1 ^ N X _ i | N ) ] = ∑_ n = 1 ^ ∞ E (∑_ i = 1 ^ N X _ i | N = n ) P (N = n) & = ∑_ n = 1 ^ ∞ E (∑_ i = 1 ^ n X _ i ) P (N = n) = ∑_ n = 1 ^ ∞ n E (X _ 1) P (N = n) & = E (X _ 1) ∑_ n = 1 ^ ∞ n P (N = n) = E (X _ 1) E (N).$$\begin{array}{rl}E\left({\sum }_{i=1}^N{X}_i\right)& =E\left[E\right({\sum }_{i=1}^N{X}_i\mid N\left)\right]={\sum }_{n=1}^{\infty }E({\sum }_{i=1}^N{X}_i\mid N=n)P(N=n)\\ & ={\sum }_{n=1}^{\infty }E\left({\sum }_{i=1}^n{X}_i\right)P(N=n)={\sum }_{n=1}^{\infty }nE(X_1)P(N=n)\\ & =E(X_1){\sum }_{n=1}^{\infty }nP(N=n)=E(X_1)E(N).\end{array}$$

得证． 利用此题的结论，我们可以解很多实际问题，下面列举几个: （1）设一天内到达某商场的顾客数 $N$ 是仅取非负整数值的随机变量，且 $E(N)=35000$．又设进入此商场的第 $i$ 个顾客的购物金额为 $X_i$ ，可以认为诸 $X_i$ 是独立同分布的随机变量，且 $E(X_i)=82$ （元）. 假设 $N$ 与 $X_i$ 相互独立是合理的，则此商场一天的平均营业额为

E (∑_ i = 1 ^ N X _ i ) = E (X _ 1) E (N) = 8 2 × 3 5 0 0 0 = 2 8 7 (text 万元).$$E\left(\sum _{i=1}^N{X}_i\right)=E(X_1)E(N)=82\times 35000=287(\text{万元}).$$

（2）一只昆虫一次产卵数 $N$ 服从参数为 $\lambda$ 的泊松分布，每个卵能成活的概率是 $p$，可设 $X_i$ 服从 0-1 分布，而 $\{X_i=1\}$ 表示第 $i$ 个卵成活，则一只昆虫一次产卵后的平均成活卵数为

E (∑_ i = 1 ^ N X _ i) = E (X _ 1) E (N) = λ p.$$E\left(\sum _{i=1}^N{X}_i\right)=E(X_1)E(N)=\lambda p.$$

习题3.5

1. 以 $X$ 记某医院一天内诞生婴儿的个数，以 $Y$ 记其中男婴的个数．设 $X$ 与 $Y$ 的联合分布列为

P (X = n, Y = m) = frac e ^ - 1 4 (7 . 1 4) ^ m (6 . 8 6) ^ n - mm ! (n - m) !, m = 0, 1, … , n, n = 0, 1, 2, … .$$P(X=n,Y=m)=\frac{{\mathrm{e}}^{-14}(7.14{)}^m(6.86{)}^{n-m}}{m!(n-m)!},m=0,1,\dots ,n,n=0,1,2,\dots .$$

试求条件分布列 $P(Y=m|X=n)$ . 2. 一射手单发命中目标的概率为 $p(0<p<1)$，射击进行到命中目标两次为止．设 $X$ 为第一次命中目标所需的射击次数，$Y$ 为总共进行的射击次数，求 $(X,Y)$ 的联合分布和条件分布． 3. 已知 $(X,Y)$ 的联合分布列如下：

P (X = 1, Y = 1) = P (X = 2, Y = 1) = frac 18,$$P(X=1,Y=1)=P(X=2,Y=1)=\frac{1}{8},$$P (X = 1, Y = 2) = frac 14, P (X = 2, Y = 2) = frac 12.$$P(X=1,Y=2)=\frac{1}{4},P(X=2,Y=2)=\frac{1}{2}.$$

试求： (1) 已知 Y=i 的条件下，$X$ 的条件分布列， i=1,2; (2) X 与 $Y$ 是否独立? 4. 设随机变量 $X$ 与 $Y$ 独立同分布，试在以下情况下求 $P(X=k|X+Y=m)$ : (1) X 与 $Y$ 都服从参数为 $p$ 的几何分布； (2) X 与 $Y$ 都服从参数为 $(n,p)$ 的二项分布． 5. 设二维连续随机变量 $(X,Y)$ 的联合密度函数为

p ( x , y ) = { l l 3 x , & 0 < x < 1 , 0 < y < x , 0 , & text 其他. .$$p\left(x,y\right)=\{\begin{array}{ll}3x,& 0<x<1,0<y<x,\\ 0,& \text{其他}.\end{array}$$

试求条件密度函数 $p(y|x)$ . 6. 设二维连续随机变量 $(X,Y)$ 的联合密度函数为

p ( x, y ) = { l l 1 , & | y | < x , 0 < x < 1 , 0 , & text 其他. .$$p\left(x,y\right)=\{\begin{array}{ll}1,& \mid y\mid <x,0<x<1,\\ 0,& \text{其他}.\end{array}$$

求条件密度函数 $p(x\mid y)$ . 7. 设二维连续随机变量 $(X,Y)$ 的联合密度函数为

p ( x , y ) = { l l frac 2 14 x ^ 2 y , & x ^ 2 ≤slant y ≤slant 1 , 0 , & text 其他. .$$p\left(x,y\right)=\{\begin{array}{ll}\frac{21}{4}{x}^{2}y,& x^2⩽y⩽1,\\ 0,& \text{其他}.\end{array}$$

求条件概率 $P(Y⩾0.75\mid X=0.5)$ . 8. 已知随机变量 $Y$ 的密度函数为

p _ Y (y) = { l l 5 y ^ 4, & 0 < y < 1, 0, & text 其他. .$$p_Y(y)=\{\begin{array}{ll}5y^4,& 0<y<1,\\ 0,& \text{其他}.\end{array}$$

在给定 $Y=y$ 条件下，随机变量 $X$ 的条件密度函数为

p ( x | y ) = { l l frac 3 x ^ 2y ^ 3, & 0 < x < y < 1, 0, & text 其他. .$$p\left(x|y\right)=\{\begin{array}{ll}\frac{3x^2}{y^3},& 0<x<y<1,\\ 0,& \text{其他}.\end{array}$$

求概率 $P(X>0.5)$ . 9. 设随机变量 $X$ 服从 $(1,2)$ 上的均匀分布，在 $X=x$ 的条件下，随机变量 $Y$ 的条件分布是参数为 $x$ 的指数分布，证明： $XY$ 服从参数为 1 的指数分布． 10. 设二维离散随机变量 $(X,Y)$ 的联合分布列为

X	Y
	0	1	2	3
0	0	0.01	0.01	0.01
1	0.01	0.02	0.03	0.02
2	0.03	0.04	0.05	0.04
3	0.05	0.05	0.05	0.06
4	0.07	0.06	0.05	0.06
5	0.09	0.08	0.06	0.05

试求 $E(X|Y=2)$ 和 $E(Y|X=0)$ . 11. 设随机变量 $X$ 与 $Y$ 相互独立，分别服从参数为 ${\lambda }_1$ 和 ${\lambda }_2$ 的泊松分布，试求 $E(X|X+Y=n)$ . 12. 设二维连续随机变量 $(X,Y)$ 的联合密度函数为

p ( x , y ) = { l l x + y , & 0 < x , y < 1 , 0 , & text 其他. .$$p\left(x,y\right)=\{\begin{array}{ll}x+y,& 0<x,y<1,\\ 0,& \text{其他}.\end{array}$$

试求 $E(X\mid Y=0.5)$ . 13. 设二维连续随机变量 $(X,Y)$ 的联合密度函数为

p (x, y) = { l l 2 4 (1 - x) y, & 0 < y < x < 1, 0, & text 其他. .$$p(x,y)=\{\begin{array}{ll}24(1-x)y,& 0<y<x<1,\\ 0,& \text{其他}.\end{array}$$

试在 0<y<1 时，求 $E(X|Y=y)$ . 14. 设 $E(Y),E(h(Y))$ 存在，试证 $E(h(Y)|Y)=h(Y)$ . 15. 设以下所涉及的数学期望均存在，试证: (1) $E(g(X)Y|X)=g(X)E(Y|X)$ ; (2) $E(XY)=E(XE(Y|X))$ (3) $\mathrm{Cov}(X,E(Y|X))=\mathrm{Cov}(X,Y)$ . 16. 设随机变量 $X$ 与 $Y$ 独立同分布，都服从参数为 $\lambda$ 的指数分布．令

Z = { l l 3 X + 1, & X ≥slant Y, 6 Y, & X < Y. .$$Z=\{\begin{array}{ll}3X+1,& X⩾Y,\\ 6Y,& X<Y.\end{array}$$

求 $E(Z)$ 17. 设随机变量 $X\sim N(\mu ,1),Y\sim N(0,1)$ ，且 $X$ 与 $Y$ 相互独立，令

I = { l l 1, & Y < X, 0, & X ≤slant Y. .$$I=\{\begin{array}{ll}1,& Y<X,\\ 0,& X⩽Y.\end{array}$$

试证明： (1) $E(I|X=x)=\Phi (x)$ ; (2) $E(\Phi (X))=P(Y<X)$ (3) $E(\Phi (X))=\Phi (\mu /\sqrt{2})$ . (提示:X-Y的分布是什么?) 18. 设 $X_1,X_2,\cdots$ 为独立同分布的随机变量序列，且方差存在。随机变量 $N$ 只取正整数值， $\mathrm{Var}(N)$ 存在，且 $N$ 与 $\{X_n\}$ 独立。证明

operatornameVar (∑_ i = 1 ^ N X _ i) = operatornameVar (N) [ E (X _ 1) ] ^ 2 + E (N) operatornameVar (X _ 1).$$\mathrm{Var}\left(\sum _{i=1}^N{X}_i\right)=\mathrm{Var}(N){\left[E(X_1)\right]}^2+E(N)\mathrm{Var}(X_1).$$