如何计算随机变量分布的比值？求证独立同分布随机变量期望等式

嘿，我来帮你理清这两个问题～

一、怎么计算随机变量分布的比值？ #

假设我们有两个随机变量 (Y) 和 (Z)（要保证 (Z) 几乎不会取0，不然比值没意义），要找 (W = \frac{Y}{Z}) 的分布，分离散和连续两种常见情况来处理：

离散型随机变量 #

如果 (Y) 和 (Z) 是离散的，各自取不同的离散值 (y_i) 和 (z_j)（(z_j \neq 0)），它们的联合概率是 (P(Y=y_i, Z=z_j))。那 (W) 的概率分布就是把所有能得到同一个比值 (w) 的 ((y_i,z_j)) 组合的概率加起来：
[
P(W=w) = \sum_{\substack{i,j \ y_i/z_j = w}} P(Y=y_i, Z=z_j)
]
要是 (Y) 和 (Z) 独立的话，联合概率就等于各自概率的乘积 (P(Y=y_i)P(Z=z_j))，直接代入上面的式子就行。

连续型随机变量 #

对于连续型的 (Y) 和 (Z)，它们的联合概率密度函数是 (f_{Y,Z}(y,z))，我们可以通过变量替换来推导 (W=\frac{Y}{Z}) 的密度函数：
先设 (W = \frac{Y}{Z})，再引入辅助变量 (V = Z)，这样就能把 (Y) 表示成 (W \cdot V)。接着计算雅可比行列式（用来调整密度函数的变换系数），得到联合密度 (f_{W,V}(w,v) = f_{Y,Z}(wv, v) \cdot |v|)，最后对 (v) 积分就能得到 (W) 的密度函数：
[
f_W(w) = \int_{-\infty}^{\infty} f_{Y,Z}(wv, v) \cdot |v| , dv
]
如果 (Y) 和 (Z) 独立，那联合密度就是各自密度的乘积 (f_Y(y)f_Z(z))，代入后式子就变成：
[
f_W(w) = \int_{-\infty}^{\infty} f_Y(wv) f_Z(v) \cdot |v| , dv
]
实际计算的时候，要根据具体的分布（比如正态、指数分布）代入对应的密度函数，还要注意调整积分区间（比如如果 (Z) 只取正数，积分区间就从0到无穷大）。

二、那个期望等式真的成立吗？ #

答案是成立的，我给你拆解一下逻辑：

首先，利用期望的线性性，我们可以把分子的和拆成单个 (X_i) 的期望之和：
[
E\left[\frac{X_1+\dots+X_m}{X_1+\dots+X_n}\right] = \sum_{k=1}^m E\left[\frac{X_k}{X_1+\dots+X_n}\right]
]
接下来，因为 (X_1,X_2,\dots,X_n) 是独立同分布的，所以对于任意 (1 \leq k \leq n)，(\frac{X_k}{X_1+\dots+X_n}) 的期望都是相等的——这是对称性的体现，每个 (X_k) 在分子里的地位都是一样的，没有哪个特殊。

那我们把这 (n) 个相等的期望加起来看看：
[
\sum_{k=1}^n E\left[\frac{X_k}{X_1+\dots+X_n}\right] = E\left[\sum_{k=1}^n \frac{X_k}{X_1+\dots+X_n}\right] = E\left[\frac{X_1+\dots+X_n}{X_1+\dots+X_n}\right] = E[1] = 1
]
既然 (n) 个这样的期望加起来是1，那单个的期望就是 (\frac{1}{n})。那前面 (m) 个这样的期望加起来，自然就是 (m \times \frac{1}{n} = \frac{m}{n})。

这里题目里给的 (E[X_i] > 0) 很重要，它保证了分母 (X_1+\dots+X_n) 几乎不会等于0，避免了期望无定义的情况——如果分母有正概率为0，那这个期望可能就不存在了，但题目条件下不会出现这种问题。

内容的提问来源于stack exchange，提问作者TheLifeOfParallax