满足可加性的分布函数汇总

满足可加性的分布函数汇总 (Distributions with Additive Property)

在概率论和统计学中，分布的可加性（也称再生性或闭包性）指：若多个独立的随机变量服从同一分布族，则其和仍属于该族。即 $X_i \sim \text{Dist}(\theta_i)$ 独立，则 $S_n = \sum X_i \sim \text{Dist}(\theta_{\text{new}})$。常用矩母函数(MGF)或特征函数证明：$M_{S_n}(t) = \prod M_{X_i}(t)$，若乘积形式不变，即可加性成立。

离散型分布

1. 二项分布 (Binomial) $X_i \sim B(n_i, p)$ 独立且 $p$ 相同，则 $\sum X_i \sim B(\sum n_i, p)$。参数变化：试验次数求和，$p$ 不变。特例：$n$ 个独立同分布 $B(1,p)$（伯努利分布）之和为 $B(n,p)$。

2. 泊松分布 (Poisson) $X_i \sim \text{Pois}(\lambda_i)$ 独立，则 $\sum X_i \sim \text{Pois}(\sum \lambda_i)$。速率参数求和。广泛用于泊松过程建模，如呼叫中心总呼叫数。

3. 负二项分布 (Negative Binomial) $X_i \sim NB(r_i, p)$ 独立且 $p$ 相同，则 $\sum X_i \sim NB(\sum r_i, p)$。特例：$r$ 个独立同分布几何分布 $Geom(p)$ 之和为 $NB(r, p)$。

连续型分布

1. 正态分布 (Normal) 独立正态变量的任意线性组合仍为正态：$\sum a_i X_i \sim N(\sum a_i\mu_i, \sum a_i^2\sigma_i^2)$。期望和方差分别求和。此性质是中心极限定理的核心基础，在金融学资产组合理论与统计推断中至关重要。

2. 伽马分布 (Gamma) $X_i \sim \Gamma(\alpha_i, \beta)$ 独立且尺度参数 $\beta$ 相同，则 $\sum X_i \sim \Gamma(\sum \alpha_i, \beta)$。特例：$n$ 个独立同分布指数分布 $Exp(\lambda)$ 之和为 $\Gamma(n, 1/\lambda)$，故指数分布族自身不满足可加性。

3. 卡方分布 (Chi-squared) $X_i \sim \chi^2(k_i)$ 独立，则 $\sum X_i \sim \chi^2(\sum k_i)$。自由度求和。作为 $\chi^2(k) \equiv \Gamma(k/2, 2)$，可加性由伽马分布直接推导，在假设检验中用于合并检验统计量。

4. 柯西分布 (Cauchy) $X_i \sim \text{Cauchy}(x_{0i}, \gamma_i)$ 独立，则 $\sum X_i \sim \text{Cauchy}(\sum x_{0i}, \sum \gamma_i)$。重要特例：独立同分布柯西变量的样本均值 $\bar{X} \sim \text{Cauchy}(x_0, \gamma)$，与单个变量同分布，表明柯西分布不服从大数定律（期望不存在）。

不满足可加性的常见分布

| 分布 | 和的分布 | |---|---| | 均匀分布 $U(0,1)$ | 三角分布 | | 指数分布 $Exp(\lambda)$ | 伽马分布 | | 逻辑斯谛分布 | 非逻辑斯谛 | | F分布、t分布 | 无可加性 |

可加性是概率模型简化分析的核心工具。判断时需注意关键前提：二项、负二项、伽马分布均要求特定参数相同（$p$ 或 $\beta$），而正态、泊松、卡方、柯西分布无此限制。