📖 概率论

第3章 多维随机变量

🔔 课前激活（花30秒想想再往下读）

你去医院体检，医生不会只看你的身高就说你健不健康——他要同时看身高、体重、血压、心率好几个指标。因为有些指标之间有"关联"：高的人通常更重，血压高的人往往心率也快。如果只看一个数字，你永远发现不了这些"关系"。

再想想股票——你买了两只股票。你关心的是：如果A涨了，B也会跟着涨吗？还是一只涨另一只就跌？或者两者完全没关系？这其实就是"两个随机变量之间有什么关系"的问题。

带着这些问题往下读。读完这章，你不光能处理单个随机变量，还能分析两个变量之间的"关系"——这是概率论从入门到进阶的分水岭。

📌 学完这章你能回答：

  • 知道一个人的身高，能猜出他的体重大概是多少吗？用什么工具来"猜"？
  • 两个随机变量"独立"是什么意思？和"不相关"有什么区别？
  • 串联电路中，系统寿命由什么决定？并联呢？（max还是min？）
  • "联合分布"和"边缘分布"，哪个包含的信息更多？为什么？
  • 两个正态分布加起来，结果还是正态分布吗？方差怎么变？

本章考什么

考纲定位：多维随机变量是概率论从"一维"跨入"多维"的核心章节——从此开始，你不再是处理单个随机数，而是同时处理多个随机数以及它们之间的关系。这是考研大题的高频来源。

题型 考频 一句话说明
求联合分布中的未知参数 ⭐⭐⭐ 归一化条件，离散求和、连续二重积分
判断独立性 ⭐⭐⭐ 联合=边缘乘积，非矩形区域速判
Z=X+Y的分布（卷积公式） ⭐⭐⭐ 考研大题，分清分布函数法和卷积法
求条件分布 ⭐⭐ 联合÷边缘，注意分母不为零
求边缘分布 ⭐⭐ 基础操作，注意积分上下限分段
max/min的分布 ⭐⭐ max直接乘，min绕道补
二维均匀与二维正态 ⭐⭐ 性质概念题，正态独有ρ=0⇔独立

详细备考策略 + 每类题型的避坑要点见章末「🎯 考试导航」。

① 核心知识

1.1 二维随机变量

先想一个场景：只看身高，你能判断一个人健康吗？

去医院体检，医生从来不会只给你量一个身高就说结论。体检单上——身高、体重、血压、心率，一排放着。为什么？因为指标之间有"关系"：高的人通常更重，血压高的人往往心率也快。如果你只记录一个数字，你永远发现不了这些关系。

再想股票：你买了两只股票 A 和 B。你最关心的问题恰恰是——如果 A 涨了，B 会跟着涨吗？还是一只涨另一只就跌？或者两者完全没关系？

难在哪？——一只股票是一个随机变量，用第 2 章的方法就能单独描述。但现在是两个随机变量一起出现，它们可能互相影响。把两个一维工具并排摆着，回答不了"它们之间有什么关系"。我们需要一个新工具，专门用来同时记录两个变量、并且能看出它们的"关系"。

这个新工具，就是本节的主角——二维随机变量。先记住一个直观的画面，再往下看。

生活比喻：以前你只记录全班同学的"数学成绩"——张三85分，李四92分，这是一维随机变量。现在你同时记录"数学成绩和英语成绩"——张三数学85、英语78，李四数学92、英语90。这时候你才能回答："数学好的人英语是不是也好？"这就是二维随机变量要做的事。

再换一个比喻：天气预报。一维是"明天下不下雨"（是/否），二维是"明天温度和湿度"——温度30度但湿度很低（干热），和温度30度但湿度很高（闷热），体感完全不同。

正式定义：设 E 是一个随机试验，它的样本空间是 S。如果对于 S 中的每一个样本点 e，都有一对有序实数 (X(e), Y(e)) 与之对应，则称 (X, Y) 为二维随机变量（也叫二维随机向量）。

关键区别：(X,Y) 是一个整体，不是"两个一维随机变量的简单拼凑"。就像炒菜——番茄和鸡蛋单独吃各是各的味道，但"番茄炒蛋"是一个新菜，番茄的酸甜和鸡蛋的香滑互相影响，你不能说番茄炒蛋 = 番茄 + 鸡蛋。X 和 Y 往往有联系，这才是研究二维随机变量的意义。

与"两个独立的一维变量"的本质区别：

对比维度 两个独立的一维变量 一个二维随机变量 (X,Y)
知道各自分布够吗？ 够，因为独立，联合=边缘相乘 不够，需要知道联合分布
X和Y有联系吗？ 没有，互不影响 可能有（相关/不独立）
能回答"X=某值时Y大概是多少"吗？ 不能 能（通过条件分布）
研究重心 分别研究 X 和 Y 研究 (X,Y) 这个整体

一句话：一维研究"一个事是什么样"，二维研究"两个事在一起是什么样"——重点是"在一起"这三个字。

说完了二维随机变量的基本概念，接下来我们看怎么描述它——用什么工具来刻画"两个变量一起取值的概率"。

1.2 联合分布函数 F(x,y)

先想一个困境：两个变量一起，怎么"累计"？

第 2 章里，一维分布函数 $F_X(x) = P{X \leq x}$ 干的事是：给一个上限 x，它告诉你 X 不超过这个数的概率。一次只看一个变量。

现在麻烦来了——你有两个变量 X 和 Y。如果我想问"数学考了 85 分以内、同时英语考了 90 分以内"的学生占全班的比例，该怎么用一维工具回答？把两个一维分布函数摆在一起？不行——它们各自只会说"数学≤85 的概率"和"英语≤90 的概率"，没人能回答"同时满足"这件事。

难在哪？——"同时"意味着两个条件叠在一起。一维的上限是一个数，二维的上限是一对数 (x, y)。你需要一个同时吃进两个上限的累计器：输入 X 的上限和 Y 的上限，输出"两个都不超过"的概率。

顺着这个思路，答案几乎是自己跳出来的——把一维的"一个上限"换成"两个上限"：

$$F(x,y) = P{X \leq x,\ Y \leq y}$$

逗号就是"且"：X ≤ x 且 Y ≤ y。这个二元函数，就是我们要认识的联合分布函数。先记住它，再看它长什么样。

生活比喻：想象你有一张地图，上面标记了全国所有城市的气温（X）和海拔（Y）。你想统计"气温不超过30度、且海拔不超过500米"的城市有多少。联合分布函数 F(x,y) 就是这样一个"累计概率计算器"——你输入 X 的上限和 Y 的上限，它告诉你"X 不超过这个数、同时 Y 不超过那个数"的概率是多少。

正式定义（必考定义）：对于二维随机变量 (X,Y)，称二元函数
$$F(x,y) = P{X \leq x,\ Y \leq y}, \quad -\infty < x < +\infty,\ -\infty < y < +\infty$$
为 (X,Y) 的联合分布函数。

如果把 (X,Y) 看作平面上随机落下的一个点，F(x,y) 就是这个点落在以 (x,y) 为右上顶点、向左下延伸到负无穷的无穷矩形内的概率。

① 生活场景

🗺️ 场景1：地图搜索餐厅——你在手机地图上，以"当前位置"为左下角，画一个矩形区域搜索餐厅。F(x,y) 就是"从地图最左下角开始，到你手指点到的右上角 (x,y) 为止"这个矩形里，包含的餐厅数量占全市餐厅总数的比例。每条性质对应一个生活常识：

🧾 场景2：报销单的双重条件——公司规定"发票金额不超过 x 元、且日期不晚于 y 号"才能报销。F(x,y) 就是同时满足两个条件的发票占比。如果你想单独统计"金额在 100 到 200 元之间、日期在 5 号到 15 号之间"的发票——不能直接查表，得用四个角的 F 值做加减法。

📐 场景3：剪窗花——你想从一张大红纸上剪出一个矩形窗花。你手里只有一把"从右下角剪到左下角"的大剪刀（F(x,y) 只能从右上角往左下延伸）。你怎么剪出中间那个矩形？先剪出整个右上大区域：F(x₂,y₂)——太大了；把左边多余竖条剪掉：-F(x₁,y₂)；把下面多余横条剪掉：-F(x₂,y₁)；左下角被剪了两次，补回去：+F(x₁,y₁)。这就是"四角加减法"。

大白话：F(x,y) 是一张"累计概率地图"。任何矩形区域的概率 = 右上角 - 左上角 - 右下角 + 左下角。记住"减两次加一次"的模式。

② 正式陈述

设二维随机变量 (X,Y) 的联合分布函数为 $F(x,y) = P{X \leq x,\ Y \leq y}$（$x, y \in \mathbb{R}$）。F(x,y) 满足以下四条基本性质：

性质1：单调不减性

任一变量的上限提高，累计概率不会变小。

性质2：有界性与极限行为

任一变量上限缩到负无穷 → 对应事件不可能发生 → 概率为 0。

性质3：右连续性

定义中的"≤"保证了边界上踩线的人算进去——这是分布函数的标准约定。

性质4：矩形概率公式（⭐ 二维特有，最重要）

对任意 $x_1 < x_2$，$y_1 < y_2$：
$$P{x_1 < X \leq x_2,\ y_1 < Y \leq y_2} = F(x_2,y_2) - F(x_1,y_2) - F(x_2,y_1) + F(x_1,y_1) \geq 0$$

💡 为什么是"二维特有"？ 一维时落在区间 (a,b] 内 = F(b)-F(a)，一次减法搞定。二维时矩形有四个角，需要"右上 - 左上 - 右下 + 左下"四次运算——本质是二维容斥原理。这四条性质共同保证了 F(x,y) 确实是一个合法的二维概率分布。

③ 完整推导

🧠 第1步：从定义出发——F(x,y) 到底在算什么

F(x,y) = P{X ≤ x, Y ≤ y} 的含义是：随机点 (X,Y) 落在以 (x,y) 为右上顶点、向左下无限延伸的矩形区域内的概率。

大白话：想象一张无限大的坐标纸，(X,Y) 是上面随机撒的一个点。F(x,y) 就是"这个点落在 (x,y) 左下方"的概率。x 和 y 越小，这个矩形越小，概率越小；x 和 y 越大，矩形越大，概率越大。

🧠 第2步：推导单调不减性

固定 y 不动，让 x 从 x₁ 增大到 x₂。此时矩形区域向右扩展了——新矩形完整包含了旧矩形。落在更大区域里的概率不可能比落在更小区域里的小，所以：

$$F(x_1, y) = P{X \leq x_1, Y \leq y} \leq P{X \leq x_2, Y \leq y} = F(x_2, y)$$

对 y 方向完全对称——固定 x，y 增大时矩形向上扩展，概率同样只增不减。

大白话：范围扩大了，包含的东西只会更多不会更少。就像搜索引擎放宽了搜索条件，搜出来的结果只会更多。

🧠 第3步：推导有界性与极限行为

大白话：概率的天花板是 1（整个平面），地板是 0（缩到不存在）。一头一尾，规定了 F(x,y) 的活动范围。

🧠 第4步：右连续性的推导逻辑

右连续性来自定义中的"≤"符号。对于固定的 y，当上限 x 从右侧逼近某值 a（即 x → a⁺）时，{X ≤ x} 的条件越来越松（x 比 a 稍大一点），但极限下回到 {X ≤ a}。因为"≤"保证了 a 本身一直算在里面，概率不会在边界处突然跳变。这就是右连续的含义——从右边逼近时，函数值连续。

大白话：踩线的人算"里面"——保证了从右边靠近边界时，结果不会突然跳。（从左边靠近可能会有跳跃——因为离散型随机变量取某个特定值可能有正概率，所以从左边逼近时"踩线的人突然进来了"，产生跳跃。）

🧠 第5步（⭐ 核心）：矩形概率公式的完整推导

这是全章最重要的推导之一。问题：随机点 (X,Y) 落在矩形 $(x_1, x_2] \times (y_1, y_2]$ 里的概率，怎么用 F 表示？

画图理解：F(x₂, y₂) 覆盖的是从 (-∞, -∞) 到 (x₂, y₂) 的整个大矩形。我们想要的是中间那一小块。

分步拆解：

  1. F(x₂, y₂)：整个大区域（从最左下角到 (x₂, y₂)）——包含了目标矩形和多余的边。
  2. 减去 F(x₁, y₂)：把左边竖条（X ≤ x₁ 且 Y ≤ y₂）剪掉。
  3. 减去 F(x₂, y₁)：把下面横条（X ≤ x₂ 且 Y ≤ y₁）剪掉。
  4. 加上 F(x₁, y₁)：左下角的小块（X ≤ x₁ 且 Y ≤ y₁）被第 2 步和第 3 步各剪了一次——剪了两次！必须补回来。

最终结果：
$$P{x_1 < X \leq x_2,\ y_1 < Y \leq y_2} = F(x_2,y_2) - F(x_1,y_2) - F(x_2,y_1) + F(x_1,y_1) \geq 0$$

"≥ 0"是关键约束——概率不能是负数。如果某个 F 让这个式子算出负数，那它就不是合法的联合分布函数。

大白话：记住操作顺序——右上角、减左上角、减右下角、加左下角。口诀："右上减左减右加左下"。本质上就是"大框里挖掉不想要的边框，被挖两次的角落补回去"。一维区间是两个端点（减一次），二维矩形是四个顶点（减两次加一次），三维立方体将是八个顶点（加减交替）。

✍️ 立刻练一道（刚学的"四角加减法"，马上就用）：设 F(x,y) 是某二维随机变量的联合分布函数，已知 $F(1,1)=0.6$，$F(0,1)=0.2$，$F(1,0)=0.3$，$F(0,0)=0.1$。求 $P{0 < X \leq 1,\ 0 < Y \leq 1}$。

点击看答案

按"右上 - 左上 - 右下 + 左下"：
$$P{0 < X \leq 1,\ 0 < Y \leq 1} = F(1,1) - F(0,1) - F(1,0) + F(0,0) = 0.6 - 0.2 - 0.3 + 0.1 = 0.2$$

答案：0.2

④ 推导复盘

📝 用大白话把整个过程重新讲一遍：

四条性质的内在逻辑：

  1. 单调不减性是最自然的——累计概率嘛，上限放宽概率只增不减。
  2. 有界性规定了 F(x,y) 的"天花板"和"地板"：天花板是 1（整个平面），地板是 0（退化到负无穷）。
  3. 右连续性是"≤"定义的直接后果——保证分布在跳跃点处行为一致。
  4. 矩形概率公式是四条里最实用的，也是从"定义"到"应用"的桥梁。

📝 减法公式的推导逻辑（最核心的部分）：

你想算随机点 (X,Y) 落在矩形 $(x_1, x_2] \times (y_1, y_2]$ 里的概率。把 F(x₂,y₂) 覆盖的大区域拆成四块：

$$F(x_2,y_2) - F(x_1,y_2) - F(x_2,y_1) + F(x_1,y_1)$$

左条和横条都包含左下角，所以减去竖条再减横条时，左下角被减了两次——必须加回一次。这和一维的"区间概率 = 大减小区间"逻辑完全一致，只是维度升高导致顶点数从 2 变成 4。

📝 关键转折点：从一维到二维，"区间概率"从两个端点变成四个顶点。这是维度升高带来的复杂度——但原理不变（容斥），操作次数从 2 变成 4。今后学到三维，公式会有 $2^3=8$ 项（八个顶点交替加减）。掌握了这个模式，n 维也不怕。

📝 与后续内容的连接：F(x,y) 是整章的"地基"——边缘分布函数可以写成 $F_X(x) = F(x, +\infty)$、$F_Y(y) = F(+\infty, y)$；独立性用 F 判定就是 $F(x,y) = F_X(x) \cdot F_Y(y)$（下一节 1.7 的核心）。

⑤ 易错边界

⚠️ 错误1：把 F(x,y) 和 f(x,y) 搞混

大白话：F 是"累计存钱罐"里的总额（0~1之间），f 是"存钱速度"（可以很快，超过1）。一维时 F 求一次导得 f，二维要对 x 和 y 各求一次导（两次）才能从 F 回到 f。

⚠️ 错误2：矩形概率公式中不等式方向写反

公式里的矩形是 $(x_1, x_2] \times (y_1, y_2]$——左边界严格小于（<），右边界小于等于（≤）。这种写法保证：

如果题目给的是 $P{x_1 \leq X \leq x_2, y_1 \leq Y \leq y_2}$（两边都有等号），对于连续型差别不大（单点概率为 0），但离散型必须小心处理边界。

⚠️ 错误3：以为 F(x,y) = F_X(x) + F_Y(y)

这是最常见的误解！联合分布函数不是两个边缘分布函数的和（也不是乘积，除非独立）。两者的关系是：

⚠️ 错误4：忘了矩形概率必须 ≥ 0

四条性质中，矩形概率非负（性质4）最容易被忽略。给定一个 F 让你判断它是不是合法的联合分布函数，只用前三条（单调、有界、右连续）不够——必须验证第四条：任意矩形内的概率都不能是负数。这是"看起来像 F"和"确实是 F"之间的唯一分界线。

⑥ 链条位置

从哪来：

到哪去：

在整条链中的位置：F(x,y) 是本章的"地基"。它定义了"联合分布"这个概念本身。所有后续工具——离散表格、连续密度、边缘、条件、独立性、卷积——都是在地基上盖的楼。学不会 F(x,y)，后面每一节都没法真正理解。

接下来，我们要区分两种不同类型的二维随机变量——离散型和连续型。离散型只能取有限个或可列个值（像考试成绩），连续型可以在一个区间内连续取值（像身高体重）。两者的"语言"不同：离散型用表格（分布律），连续型用密度函数。

1.3 二维离散型随机变量与联合分布律

先想一个场景：两个变量都"一格一格"取值时，怎么记录？

上一节认识了联合分布函数 F(x,y)——它描述"两个变量都不超过某数"的累计概率。但有一种常见的变量，用"累计"来描述太绕了：它只能取几个离散的值。

比如一次考试，数学和英语都只记档次分（60、70、80、90、100）。全班 40 个人的"数学+英语"组合，一共也就 25 种可能。这时候你会怎么记录？最自然的办法就是画一张表——横行写数学档次，竖列写英语档次，格子里填"数学考 x 档、同时英语考 y 档"的人数占全班的比例。

难在哪？——表格格子那么多，光会画还不够。你得知道：这张表要满足什么规矩，才是一张"合法"的概率表？ 一张不合法的表，算出来的答案全错。下面带着这个问题看。

生活比喻：你有一张全班成绩统计表——横行是数学成绩（60、70、80、90、100），竖列是英语成绩（60、70、80、90、100）。每个格子里填的是"数学考x分、同时英语考y分"的同学占全班的比例（概率）。这张表就是联合分布律。

再比如：你去餐厅点套餐——主食有米饭和面条两种，主菜有红烧肉、清蒸鱼、炒青菜三种。一共有 2×3=6 种组合。每种组合的概率不同，这就是一个二维离散分布。

正式定义：如果 (X,Y) 所有可能的取值是有限对或可列无限对，则称 (X,Y) 为二维离散型随机变量。

💡 "可列无限"是什么意思？ 就是"虽然无限多，但可以一个一个编号（像自然数 1,2,3... 一样排成队）"。比如"第1次抛硬币到第n次才出现正面"——n 可以是 1,2,3,... 无限延伸，但每个 n 都能编号。和"不可列"的区别：实数轴上的所有点就不可列——你没法给每个实数一个编号，因为它们太"密"了。

设 (X,Y) 所有可能的取值为 $(x_i, y_j)$，$i, j = 1, 2, \dots$，则称
$$P{X = x_i,\ Y = y_j} = p_{ij}, \quad i,j = 1,2,\ldots$$
为 (X,Y) 的联合分布律（也叫联合概率分布）。

分布律通常用一张表格表示——表头是 Y 的取值，表侧是 X 的取值，格子里是 $p_{ij}$。

两条基本性质：

  1. 非负性：$p_{ij} \geq 0$——每个格子的概率不可能是负数。
  2. 归一性：$\displaystyle\sum_{i}\sum_{j} p_{ij} = 1$——所有格子的概率加起来必须是 1。

举例：假设 (X,Y) 的联合分布律如下（X取1,2；Y取1,2,3）：

X\Y Y=1 Y=2 Y=3
X=1 0.1 0.2 0.1
X=2 0.15 0.25 0.2

验证：0.1+0.2+0.1+0.15+0.25+0.2 = 1.0 ✓。所有格子非负 ✓。

✍️ 立刻练一道（刚悟出的"归一性"规矩，马上就用）：设 (X,Y) 的联合分布律如下（X取1,2；Y取1,2），表格里有一个未知常数 b：

X\Y Y=1 Y=2
X=1 0.15 b
X=2 0.35 0.25

求 b 的值。

点击看答案

所有格子的概率加起来必须等于 1（归一性）：
$$0.15 + b + 0.35 + 0.25 = 1 \quad \Rightarrow \quad b = 0.25$$

验证：所有格子和 = 0.15+0.25+0.35+0.25 = 1.0 ✓，且每个格子都在 0 到 1 之间 ✓。

答案：b = 0.25

🛑 提前试试：看完这张表，你有没有好奇——单看 X=1 的总概率是多少？单看 Y=2 的总概率呢？试试自己算一下（提示：把同一行的格子加起来，再把同一列的格子加起来），然后翻到 1.5 节看你算得对不对。

1.4 二维连续型随机变量与联合密度

先想一个困境：变量能"连续取值"时，表格还能用吗？

上一节的成绩档次表，靠的是"数学和英语都只有几档"。可如果你研究的是身高和体重——身高可以是 170.1cm、170.11cm、170.111cm……任何一个数字都可能是。把每个"可能的身高"当成一列？列不完，因为数字太多了。

难在哪？——任意一个具体点的概率都是 0（比如"身高恰好 170.11cm"的人，一个都没有）。离散型的"表格"彻底失灵了。但换个角度：虽然单点是 0，某些区域上"人多"、另一些区域"人少"——高而壮的偏多，矮而瘦的偏少。我们要找的就是一个能表达"哪里密集、哪里稀疏"的工具。

这个工具就是概率密度：它不直接回答"某点的概率"，而是告诉你"某处有多浓"。把密度在一个区域上"积累"起来（积分），才能得到概率。下面带着"怎么描述一片区域上概率有多少"这个问题看。

与离散型不同，连续型随机变量可以取某个区间内的任意值（比如身高可以是170.1cm、170.11cm……）。这时不能用"每个点的概率"来描述了——因为任意一个具体点的概率都是0。我们需要换一种工具：概率密度。

生活比喻：你把一把沙子撒在桌面上——有的地方厚（沙子多），有的地方薄（沙子少）。沙子的厚度分布就是一个二维概率密度。厚的地方，随机抓一把沙子，抓到那里的概率大；薄的地方，概率小。但注意，密度本身不是概率！概率需要在一个区域上"积累"（积分）才能得到。

正式定义：如果存在一个非负可积函数 f(x,y)，使得对于平面上任意区域 D，都有
$$P{(X,Y) \in D} = \iint_D f(x,y)\ dxdy$$
则称 (X,Y) 为二维连续型随机变量，f(x,y) 称为联合概率密度函数。

两条基本性质：

  1. 非负性：$f(x,y) \geq 0$
  2. 归一性：$\displaystyle\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty} f(x,y)\ dxdy = 1$

另外，在 f(x,y) 的连续点处，有
$$\frac{\partial^2 F(x,y)}{\partial x \partial y} = f(x,y)$$
也就是说，密度是分布函数的二阶混合偏导数——分布函数"求两次导"就回到密度。

💡 为什么是两次导数？ 就像一维时分布函数求一次导等于密度（$F'(x)=f(x)$），二维因为有两个变量，需要各求一次导（总共两次）。你可以理解成：先沿 x 方向求导剥一层皮，再沿 y 方向求导剥一层皮，两层皮剥完就回到原始的密度函数。

✍️ 立刻练一道（刚悟出的"归一性 = 全平面二重积分 = 1"，马上就用）：设 (X,Y) 的联合概率密度为：
$$f(x,y) = \begin{cases} k, & 0<x<1,; 0<y<1 \ 0, & \text{其他} \end{cases}$$
求常数 k 的值。

点击看答案

由归一化条件，全平面二重积分等于 1。f 只在正方形 $0<x<1,;0<y<1$ 内非零（等于常数 k），所以：

$$\iint f(x,y),dxdy = k \times (\text{正方形面积}) = k \times 1 = k = 1$$

答案：k = 1

📝 配套练习

题2 ⭐ | 连续型，求联合密度中的未知参数

对应模板：题型一（归一化条件）

设 (X,Y) 的联合概率密度为：
$$f(x,y) = \begin{cases} cxy, & 0<x<1,; 0<y<1 \ 0, & \text{其他} \end{cases}$$
求常数 c 的值。

点击看答案

归一化条件：$\iint f(x,y),dxdy = 1$

$$\int_0^1\int_0^1 cxy,dx,dy = c\int_0^1 y\left[\frac{x^2}{2}\right]_0^1 dy = \frac{c}{2}\int_0^1 y,dy = \frac{c}{2}\cdot\frac{1}{2} = \frac{c}{4} = 1$$

所以 $c=4$。

答案：$c=4$

了解了联合分布函数和联合密度之后，一个自然的问题来了：如果我只关心 X 本身（不管 Y 取什么值），该怎么算？这就是"边缘分布"。

1.5 边缘分布（⭐⭐ 核心定理 · 六段式）

先想一个困境：手里只有"两人合照"，怎么单独洗出"单人照"？

你手上有全班的"数学+英语"联合成绩表（上一节那张表）。校长跑过来问："数学成绩的分布是什么？"——他只关心数学，完全不关心英语。

难在哪？——你手里的表格，每个格子都是"数学考 x 且英语考 y"的联合概率。可现在你只想要"数学考 85 分"的总概率，而这个总概率分散在一整行里（数学85英语60、数学85英语70、数学85英语80……）。你没法从表格里直接指着一格说"这就是答案"。

怎么办？顺着直觉想——"数学考 85 分"包括了好多互不相容的情况，把这一行全部加起来，不就得到"数学 85 分"的总概率了吗？这个"把不要的变量消掉（求和），留下要看的变量"的操作，就是本节的主角——边缘分布。

这一节我们要解决一个关键问题：手里有两个人一起的"全家福照片"（联合分布），怎么单独把一个人的"单人照"（边缘分布）洗出来？方法分两种——离散型用"求和"，连续型用"积分"。但两种方法的思路完全一样：把那个你不想看的人"压扁""消掉"，剩下的就是你要看的人。

① 生活场景

🏫 场景1：成绩表——你是班主任，手里有全班的"数学+英语"联合成绩表。每行是数学分，每列是英语分，格子里是"数学考x分且英语考y分"的人数比例。现在校长只问："数学成绩的分布是什么？"你不关心英语考多少——你只需要把每一行所有格子加起来，写在表格最右边。这就是数学的"边缘分布"。

📸 场景2：合影裁剪——你和一个朋友拍了一张合影（联合分布）。现在你只想洗一张你自己的单人照（边缘分布）。你怎么办？把朋友那半边照片裁掉（求和/积分掉另一个变量），剩下的就是你的单人照。但注意——裁掉之后，照片只剩你一个人，你再也看不出"你们俩当时的站位关系"（关联信息丢失了）。

🌫️ 场景3：压扁雾团——把联合密度想象成一团雾飘在平面上。你想知道"只看X轴方向，雾的浓度分布是怎样的"。你就从Y轴正上方使劲往下压，把所有雾都压到X轴上——Y方向的信息被"压扁"了，X轴上留下的厚度分布就是X的边缘密度。

大白话：边缘分布就是"把联合分布中另一个变量消掉（求和或积分），只看一个变量"的操作结果。

② 正式陈述

离散型：设二维离散型随机变量 $(X,Y)$ 的联合分布律为
$$p_{ij} = P{X = x_i,\ Y = y_j}, \quad i,j = 1,2,\ldots$$

则 X 的边缘分布律 为：
$$p_{i\cdot} = P{X = x_i} = \sum_{j} p_{ij}$$

Y 的边缘分布律 为：
$$p_{\cdot j} = P{Y = y_j} = \sum_{i} p_{ij}$$

其中小圆点 $\cdot$ 的位置表示"在这个维度上求和"——$p_{i\cdot}$ 行号固定，对所有列求和；$p_{\cdot j}$ 列号固定，对所有行求和。

连续型：设 $(X,Y)$ 的联合概率密度为 $f(x,y)$，则：

X 的边缘概率密度为：
$$f_X(x) = \int_{-\infty}^{+\infty} f(x,y)\ dy$$

Y 的边缘概率密度为：
$$f_Y(y) = \int_{-\infty}^{+\infty} f(x,y)\ dx$$

③ 完整推导

离散型推导（从联合分布律到边缘分布律）

🧠 第1步：从概率的基本事实出发

已知 $(X,Y)$ 所有可能的取值为 $(x_i, y_j)$，每个组合的概率为 $p_{ij}$。现在我想要"X 取某个固定值 $x_i$ 的概率"——不管 Y 取什么值都算。

在生活里："数学考85分"这件事包含了好几种情况：数学85英语60、数学85英语70、数学85英语80……把所有这些情况的概率加在一起，才是"数学85分"的总概率。

大白话：X 取某个值的概率 = 在这个 X 值下，所有可能 Y 值对应的概率之和。

🧠 第2步：写出概率表达式

$$P{X = x_i} = P{X = x_i,\ Y = y_1} + P{X = x_i,\ Y = y_2} + \cdots$$

因为 $P{X = x_i}$ 就是事件 ${X = x_i}$ 的概率。而事件 ${X = x_i}$ 可以拆成互不相容的几个子事件：

这些子事件互不相容（Y 只能取一个值），所以它们的概率直接相加。

大白话：一个事件如果能拆成"要么这样、要么那样"的互斥子事件，总概率就是各子事件概率之和。这个拆法就是数学里"全概率公式"的思想。

🧠 第3步：用符号 $p_{ij}$ 表示

子事件 ${X = x_i, Y = y_j}$ 的概率就是 $p_{ij}$。所以：

$$P{X = x_i} = p_{i1} + p_{i2} + p_{i3} + \cdots = \sum_{j} p_{ij}$$

记作 $p_{i\cdot}$，下标的小圆点表示"对 j 求和"。

大白话：把表格第 i 行所有格子从左到右加起来，得到的就是 X 取第 i 个值的概率。为什么叫"边缘"？因为这些合计写在表格最右边、最下边的边缘空白处。

🧠 第4步：对称地得到 Y 的边缘分布

完全一样的思路，把表格第 j 列从上到下加起来：

$$P{Y = y_j} = \sum_{i} p_{ij} = p_{\cdot j}$$

大白话：行求和得 X 的边缘，列求和得 Y 的边缘。记住规则：想消掉哪个变量，就在哪个方向求和。

连续型推导（从联合密度到边缘密度）

🧠 第1步：理解"连续型不能逐点求和"

连续型随机变量取单个点的概率为 0，不能像离散型那样一格一格加。我们需要在"无穷小的宽度"上做积分。

大白话：离散型是一颗一颗红豆绿豆数着加，连续型是一锅粥——得用积分这个"超级精细的勺子"来舀。

🧠 第2步：固定 x，考虑 X 落在 $[x, x+dx]$ 这个无穷小区间里

$$P{x < X \leq x + dx} \approx f_X(x) \cdot dx$$

这个概率也可以从联合密度算出来：X 落在 $[x, x+dx]$ 之间时，Y 可以在整个实数范围 $(-\infty, +\infty)$ 内任意取值。所以：

$$P{x < X \leq x + dx} = \left[\int_{-\infty}^{+\infty} f(x,y)\ dy\right] \cdot dx$$

大白话：在 x 处取一根竖着的无穷细的"条条"（宽度 dx），把这条条上所有高度（y 从 -∞ 到 +∞）的密度加起来，就是 X 在这根条条上的概率。

🧠 第3步：对比两式，得到边缘密度

$$f_X(x) \cdot dx = \left[\int_{-\infty}^{+\infty} f(x,y)\ dy\right] \cdot dx$$

两边消去 $dx$，得到：

$$f_X(x) = \int_{-\infty}^{+\infty} f(x,y)\ dy$$

大白话：边缘密度 $f_X(x)$ 就是对联合密度沿 y 方向"压扁"（积分）。积分把 y 消掉了，结果只跟 x 有关。

🧠 第4步：Y 的边缘密度完全对称

$$f_Y(y) = \int_{-\infty}^{+\infty} f(x,y)\ dx$$

大白话：对谁积分，就是消掉谁。想消掉 Y → 对 y 积分得 $f_X(x)$；想消掉 X → 对 x 积分得 $f_Y(y)$。

实例演示

离散型：用前面的联合分布律表——

X\Y Y=1 Y=2 Y=3 行合计 = X的边缘
X=1 0.1 0.2 0.1 0.4
X=2 0.15 0.25 0.2 0.6
列合计 = Y的边缘 0.25 0.45 0.3 1.0

X 的边缘分布：P{X=1}=0.4，P{X=2}=0.6。
Y 的边缘分布：P{Y=1}=0.25，P{Y=2}=0.45，P{Y=3}=0.3。

连续型：设 $f(x,y) = 8xy$（$0 < x < y < 1$）：

$$f_X(x) = \int_x^1 8xy\ dy = 8x \cdot \frac{y^2}{2}\Big|_x^1 = 4x(1-x^2), \quad 0 < x < 1$$

$$f_Y(y) = \int_0^y 8xy\ dx = 8y \cdot \frac{x^2}{2}\Big|_0^y = 4y^3, \quad 0 < y < 1$$

✍️ 立刻练一道（刚悟出的"消掉谁就对谁求和"，马上就用）：设 (X,Y) 的联合分布律如下（X取1,2；Y取0,1），求 X 的边缘分布律。

X\Y Y=0 Y=1
X=1 0.2 0.3
X=2 0.4 0.1
点击看答案

求 X 的边缘 = 对 Y 求和（逐行相加）：

  • $P(X=1) = 0.2 + 0.3 = 0.5$
  • $P(X=2) = 0.4 + 0.1 = 0.5$

验证：$0.5 + 0.5 = 1$ ✓

答案：$P(X=1)=0.5$，$P(X=2)=0.5$

📝 配套练习

题1 ⭐ | 离散型联合分布，求未知参数和边缘分布（综合：题型一+二）

对应模板：题型一（联合分布律的基本操作）

已知二维离散型随机变量 (X,Y) 的联合分布律如下表：

X\Y 1 2
1 0.1 0.2
2 a 0.3

（1）求参数 a 的值；
（2）求 X 的边缘分布律（P(X=1)和P(X=2)）；
（3）求 Y 的边缘分布律（P(Y=1)和P(Y=2)）。

点击看答案

（1）求 a
所有概率之和等于1：$0.1+0.2+a+0.3=1$，所以 $a=0.4$。

（2）X的边缘分布
$P(X=1)=0.1+0.2=0.3$，$P(X=2)=0.4+0.3=0.7$

（3）Y的边缘分布
$P(Y=1)=0.1+0.4=0.5$，$P(Y=2)=0.2+0.3=0.5$

答案：（1）$a=0.4$（2）$P(X=1)=0.3, P(X=2)=0.7$（3）$P(Y=1)=0.5, P(Y=2)=0.5$

题3 ⭐ | 连续型，求边缘密度（注意三角形区域）

对应模板：题型二（边缘密度计算）

设 (X,Y) 的联合密度为：
$$f(x,y) = \begin{cases} 2, & 0<x<y<1 \ 0, & \text{其他} \end{cases}$$
求 $f_X(x)$ 和 $f_Y(y)$。

点击看答案

区域是三角形 $0<x<y<1$——画图很重要！

求 $f_X(x)$：固定 x（$0<x<1$），y 从 x 到 1：
$$f_X(x) = \int_x^1 2,dy = 2(1-x), \quad 0<x<1$$

求 $f_Y(y)$：固定 y（$0<y<1$），x 从 0 到 y：
$$f_Y(y) = \int_0^y 2,dx = 2y, \quad 0<y<1$$

答案：
$$f_X(x)=\begin{cases}2(1-x),&0<x<1\0,&\text{其他}\end{cases},\quad f_Y(y)=\begin{cases}2y,&0<y<1\0,&\text{其他}\end{cases}$$

④ 推导复盘

📝 用大白话把整个过程重新讲一遍：

  1. 你手里有一张"两个人一起"的概率分布图（联合分布）。离散型是一张表格，连续型是一个曲面。
  2. 你现在只想看其中一个变量（比如 X）单独长什么样。
  3. 离散型的做法：把表格的一行从头到尾加起来，写到右边——加起来的结果就是 X 取这个值的概率。Y 的话，就一列一列加。
  4. 连续型的做法：想象把联合密度的"曲面"从 Y 方向压扁到 X 轴上。怎么"压扁"？对 y 做积分——积分是一种"无穷细的求和"，等价于把 Y 方向上每一条无穷细的竖条加总。
  5. 得到的结果（边缘分布）是一个完全合法的概率分布——所有概率加起来（或积起来）等于 1，可以单独用来回答"X 取某值的概率是多少"这类问题。

📝 整个推导的关键转折点就一个："X 取某值"这件事 = "X 取该值，且 Y 取任意值"。把后面这句拆成互斥子事件，概率直接相加/积分。这就是边缘化的本质。

⑤ 易错边界

⚠️ 错误1：把"对谁求和/积分"搞反了

记忆口诀：想消掉谁，就对谁求和/积分。

⚠️ 错误2：连续型的积分上下限照抄 $(-\infty, +\infty)$

公式里写的是 $\int_{-\infty}^{+\infty}$，但实际操作时，$f(x,y)$ 只在某个有限区域内非零。你必须根据联合密度的实际定义区域来定上下限。

例：$f(x,y) = 8xy$（$0 < x < y < 1$），求 $f_X(x)$ 时的 y 积分上下限是 $\int_x^1$，不是 $\int_{-\infty}^{+\infty}$。搞错上下限 → 全题报废。

⚠️ 错误3：忘了标注边缘密度的取值范围

连续型求完边缘密度后，必须在结果后面注明 x 或 y 的有效范围。比如 $f_X(x) = 4x(1-x^2),\ 0 < x < 1$。只写表达式不写范围 → 扣分。

⚠️ 错误4（最致命的理解误区）：认为边缘分布能"还原"联合分布

这是整个多维随机变量章节最重要的一个认知——边缘分布一般不能反推联合分布。

为什么？因为边缘分布只告诉你 X 单独的分布、Y 单独的分布，但完全丢掉了 X 和 Y 之间的关联信息。相同的两个边缘分布可以搭配出无数种不同的联合分布——就像身高和体重都一样的两个人，他们的"高矮胖瘦组合"可以完全不同（一个高而瘦，另一个矮而壮但截然的组合）。

💡 直观例子：两个班的"数学+英语"联合分布表不同（一个班数学好的人英语也好，另一个班数学好的英语反而差——关联方向相反），但分别看数学的边缘分布完全一样、英语的边缘分布也完全一样。光看边缘分不出这两个班。就像两个人长相完全不同，但身高体重各自一样——只看身高体重分不出谁是谁，必须看"组合"（联合分布）。

唯一例外：当 X 和 Y 独立时，联合 = 两个边缘相乘。只有这个时候，你才能从边缘反推联合——因为独立意味着"两个人完全各过各的"，没有关联信息需要保存。

⚠️ 错误5：边缘化了但不知道概率是否还是 1

离散型：行合计那一列的总和 = 所有格子总和 = 1。列合计那一行的总和 = 所有格子总和 = 1。验证这两个加起来都等于 1，边缘分布才合法。

连续型：$\int f_X(x)\ dx = \iint f(x,y)\ dxdy = 1$。求完 $f_X(x)$ 后对 x 积分，结果必须等于 1。

⑥ 链条位置

从哪来：

到哪去：

在整条链中的位置：联合分布 → 边缘分布 → 条件分布 → 独立性 → 卷积/数字特征。边缘分布是"从联合走向一切"的第一个分叉口。学不会边缘分布，后面的条件分布、独立性判断、卷积公式全都卡住。

🛑 迷你自测：翻回 1.3 节那张联合分布律表（X=1,2; Y=1,2,3），30 秒内算出 X 的边缘分布和 Y 的边缘分布。算完再继续往下读。

1.6 条件分布（⭐⭐ 核心定理 · 六段式）

先想一个困境：知道了一个人，怎么重新"看"另一个人？

上一节的边缘分布，回答的是"不管 Y 是什么，X 单独长什么样"。现在问题升级：我知道了 Y 的具体值，X 的分布会变成什么样？

比如全校 1000 个学生，你有"数学+英语"的联合成绩表。现在你只关心"英语考了 90 分"的那一小撮人（可能就 50 个）——在这 50 个人的小圈子里，数学成绩的分布长什么样子？跟全校 1000 人的数学分布一样吗？大概率不一样——因为英语能考 90 的人，数学往往也不差。

难在哪？——你不能直接拿联合表里的格子用：那 50 个人只占表格的一小部分，把他们单独拿出来，他们的概率加起来不是 1。你需要一个操作：把这个"缩小后的圈子"重新缩放到概率总和为 1。

怎么缩放？想想第 1 章的条件概率 $P(A|B) = P(AB)/P(B)$——"已知 B 发生，A 的概率"= "A 和 B 同时发生"除以"B 发生"。这里一模一样：已知 Y=y，X 的分布 = "X 取某值且 Y=y" 除以 "Y=y" 的概率。这个"已知一部分信息后，重新计算的分布"，就是本节的主角——条件分布。

这一节要解决的核心问题：手里有两个人一起的"全家福"（联合分布），你知道了其中一个人的具体值（比如Y=0.5），怎么把另一个人的分布重新算一遍？条件分布告诉你——把联合分布除以条件那个人的边缘概率，就得到了"缩小范围后"的新分布。

① 生活场景

🛒 场景1：记账本——你这个月总花销是 3000 块，你翻开账单想看"各项开销各占多少比例"。在"总花销=3000"这个条件之下，吃饭、交通、娱乐各自的分布是什么样的？条件分布就是帮你根据"已知总花销=3000"这个条件，重新分配各项开销的概率。

🏫 场景2：考试筛选——全校有 1000 个学生，你有"数学+英语"的联合成绩分布。现在你只关心"英语考了 90 分"的那一小撮人（可能就 50 个人），在这 50 个人的小圈子里，数学成绩的分布长什么样子？条件分布就是在这个缩小了的群体里重新算分布。

🧑⚕️ 场景3：体检数据——联合分布是身高+体重。已知一个人身高 180cm，他的体重最可能在什么范围？条件分布就是"身高=180cm"这条竖线上，体重取各种值的相对可能性。

大白话：条件分布 = 在"已知一个变量取某值"的限制下，重新计算另一个变量的分布。核心操作：从联合分布中"切一刀"，然后把这个切面的面积缩放到 1，让它变成一个合法的概率分布。

② 正式陈述

离散型：设 $(X,Y)$ 的联合分布律为 $p_{ij} = P{X=x_i, Y=y_j}$，边缘分布为 $p_{i\cdot}$ 和 $p_{\cdot j}$。

连续型：设 $(X,Y)$ 的联合密度为 $f(x,y)$，边缘密度为 $f_X(x)$ 和 $f_Y(y)$。

③ 完整推导

离散型推导（从条件概率定义到条件分布）

🧠 第1步：回忆条件概率的基本定义

在初等概率论中，条件概率定义为：
$$P(A \mid B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0$$

这是所有条件分布推导的总源头——分子是"两件事同时发生"的概率，分母是"条件这件事本身"的概率。

大白话：条件概率的公式就是"交集除以条件"。比如"已知下雨，我迟到的概率" = "既下雨我又迟到的概率" ÷ "下雨的概率"。条件分布只是把这个思想从两个普通事件推广到两个随机变量。

🧠 第2步：把事件 B 换成 ${Y = y_j}$，事件 A 换成 ${X = x_i}$

$$P{X = x_i \mid Y = y_j} = \frac{P{X = x_i,\ Y = y_j}}{P{Y = y_j}}$$

分子 $P{X = x_i,\ Y = y_j}$ 就是联合分布律 $p_{ij}$（联合分布表的格子值）。

分母 $P{Y = y_j}$ 就是 Y 的边缘分布律 $p_{\cdot j}$（把第 j 列所有行加起来）。

大白话：把两个事件直接代入初等概率论的公式。分子是表格里"第i行第j列"那个格子；分母是第j列的列合计（Y的边缘分布）。

🧠 第3步：得到条件分布公式

$$P{X = x_i \mid Y = y_j} = \frac{p_{ij}}{p_{\cdot j}}$$

这就是条件分布律。给定 $Y = y_j$（固定第 j 列），把这一列的每个格子都除以这一列的合计 $p_{\cdot j}$——相当于把这一列"拉伸"到总和为 1。

大白话：给定"Y取某个值"的条件后，把联合分布表里对应那一列的所有格子重新缩放，让它们加起来等于 1。缩放的方法就是每个格子除以该列的合计。

🧠 第4步：验证条件分布是合法分布

$$\sum_i P{X = x_i \mid Y = y_j} = \sum_i \frac{p_{ij}}{p_{\cdot j}} = \frac{1}{p_{\cdot j}} \sum_i p_{ij} = \frac{p_{\cdot j}}{p_{\cdot j}} = 1$$

所有条件概率非负（因为 $p_{ij} \geq 0$，$p_{\cdot j} > 0$），加总之和为 1。满足概率分布的两条基本性质 ✓

大白话：把一列的所有格子除以该列合计后，新格子加起来一定等于 1。就像把一张饼按原比例缩小——原来所有格子的比例关系不变，但总和缩放到 1。

连续型推导（从离散型类比到密度之商）

🧠 第1步：连续型不能直接写 $P{Y=y}$ 做分母

因为连续型 $P{Y=y} = 0$（单个点的概率为 0），不能用离散型的"除以概率"来定义。但我们可以在 Y 的无穷小区间 $[y, y+dy]$ 上做近似，然后取极限。

大白话：离散型是"除以一个大于0的数字"，连续型那个数字是 0，除以 0 没意义。所以我们退一步——不除以概率，而是除以密度。

🧠 第2步：在无穷小区间上应用条件概率定义

考虑 $P{x < X \leq x+dx \mid y < Y \leq y+dy}$：

$$P{x < X \leq x+dx \mid y < Y \leq y+dy} = \frac{P{x < X \leq x+dx,\ y < Y \leq y+dy}}{P{y < Y \leq y+dy}}$$

分子 $\approx f(x,y) \cdot dx \cdot dy$（联合密度 × 小矩形面积）

分母 $\approx f_Y(y) \cdot dy$（边缘密度 × 小区间宽度）

大白话：分子是落在小矩形 $[x, x+dx] \times [y, y+dy]$ 里的概率，分母是 Y 落在 $[y, y+dy]$ 里的概率（不管 X 取什么值）。

🧠 第3步：约去公共因子

$$\frac{f(x,y) \cdot dx \cdot dy}{f_Y(y) \cdot dy} = \frac{f(x,y)}{f_Y(y)} \cdot dx$$

这个结果应该等于条件密度 $f_{X|Y}(x|y)$ 乘以 $dx$（条件密度 × X 的小区间宽度）。所以：

$$f_{X|Y}(x|y) \cdot dx = \frac{f(x,y)}{f_Y(y)} \cdot dx$$

两边消去 $dx$：

$$f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)}$$

大白话：关键一步——$dy$ 在分子分母中约掉了！这说明虽然单点概率是 0，但密度的"比例关系"仍然有意义。条件密度 = 联合密度 ÷ 边缘密度，和离散型的"格子÷列合计"完全对应。

🧠 第4步：几何解释

联合密度 $f(x,y)$ 是一座山的表面。在 $Y=y$ 处垂直于 Y 轴切一刀，切出来的剖面曲线是 $f(x, y)$（把 y 当常数看）。这个剖面的"形状"就是条件密度的形状——但面积通常不是 1。除以 $f_Y(y)$（该处 Y 方向的总高度）等于把剖面缩放到面积刚好为 1。

大白话：切一刀出来的剖面形状是对的，但"大小"不对（面积不是1）。除以边缘密度就是做一次缩放——形状不变，面积变成 1，这才算合法概率分布。

实例演示

离散型：用联合分布律表（Y=2 条件下）：

X\Y Y=1 Y=2 Y=3
X=1 0.1 0.2 0.1
X=2 0.15 0.25 0.2

$p_{\cdot 2} = 0.2 + 0.25 = 0.45$

$$P(X=1 \mid Y=2) = \frac{0.2}{0.45} \approx 0.444, \quad P(X=2 \mid Y=2) = \frac{0.25}{0.45} \approx 0.556$$

验证：$0.444 + 0.556 = 1$ ✓

连续型：$f(x,y) = 8xy$（$0 < x < y < 1$），$f_Y(y) = 4y^3$（$0 < y < 1$）：

$$f_{X|Y}(x|y) = \frac{8xy}{4y^3} = \frac{2x}{y^2}, \quad 0 < x < y$$

给定 $Y=0.5$ 时：$f_{X|Y}(x|0.5) = \frac{2x}{0.25} = 8x$（$0 < x < 0.5$）。验证：$\int_0^{0.5} 8x\ dx = 4x^2\big|_0^{0.5} = 1$ ✓

✍️ 立刻练一道（刚悟出的"格子 ÷ 列合计"，马上就用）：设 (X,Y) 的联合分布律如下（X取0,1；Y取0,1），求给定 $Y=1$ 时 X 的条件分布律。

X\Y Y=0 Y=1
X=0 0.1 0.2
X=1 0.3 0.4
点击看答案

分母 = $P(Y=1) = 0.2 + 0.4 = 0.6$（Y 的边缘 = 第 2 列合计）。

$$P(X=0 \mid Y=1) = \frac{0.2}{0.6} = \frac{1}{3}, \quad P(X=1 \mid Y=1) = \frac{0.4}{0.6} = \frac{2}{3}$$

验证：$\frac{1}{3} + \frac{2}{3} = 1$ ✓

答案：$P(X=0|Y=1)=1/3$，$P(X=1|Y=1)=2/3$

📝 配套练习

题6 ⭐ | 条件分布（离散型）

对应模板：题型四（条件分布律）

已知 (X,Y) 的联合分布律为：

X\Y 1 2
1 0.2 0.1
2 0.3 0.4

求给定 Y=1 的条件下，X 的条件分布律。

点击看答案

$P(Y=1)=0.2+0.3=0.5$

$$P(X=1|Y=1)=\frac{0.2}{0.5}=0.4,\quad P(X=2|Y=1)=\frac{0.3}{0.5}=0.6$$

验证：$0.4+0.6=1$ ✓

答案：$P(X=1|Y=1)=0.4$，$P(X=2|Y=1)=0.6$

题7 ⭐⭐ | 条件密度（连续型）

对应模板：题型四（条件密度计算）

设 (X,Y) 的联合密度为 $f(x,y)=x+y$（$0<x<1, 0<y<1$），求 $y=0.5$ 时 X 的条件密度 $f_{X|Y}(x|0.5)$。

点击看答案

第1步：求 $f_Y(y)$。
当 $0<y<1$：$f_Y(y)=\int_0^1 (x+y),dx = \frac{1}{2}+y$

第2步：$f_Y(0.5)=\frac{1}{2}+0.5=1$

第3步：$f_{X|Y}(x|0.5)=\frac{f(x,0.5)}{f_Y(0.5)} = \frac{x+0.5}{1} = x+0.5$（$0<x<1$）

答案：
$$f_{X|Y}(x|0.5)=\begin{cases} x+0.5, & 0<x<1 \ 0, & \text{其他} \end{cases}$$

④ 推导复盘

📝 用大白话把整个过程重新讲一遍：

  1. 起点是初等概率论里最基础的条件概率公式：$P(A|B) = P(AB)/P(B)$。分子是"两件事都发生"，分母是"条件那件事本身"。
  2. 离散型直接套用：分子 $p_{ij}$（联合表中的格子），分母 $p_{\cdot j}$（Y的边缘 = 第j列合计）。结果就是"给定Y取某值后，X取各种值的概率"。
  3. 连续型的难点在于 $P{Y=y}=0$，不能直接用"除以概率"。技巧是：在无穷小区间 $[y, y+dy]$ 上写条件概率，分子分母中的 $dy$ 约掉，极限下得到"密度相除"的形式。
  4. 几何理解：联合密度山上沿 Y=y 切一刀，剖面形状是对的，但面积不是 1。除以 $f_Y(y)$ 就是把剖面缩放到面积=1，变成合法的概率分布。

📝 整个推导的关键转折点：连续型中 $dy$ 约掉了——这解释了为什么单点概率为 0 的情况下，条件密度仍然有意义。密度的比值比单个概率的比值更稳定。

⑤ 易错边界

⚠️ 错误1（最致命）：分母为零

$P{X = x_i \mid Y = y_j}$ 只有在 $P{Y = y_j} > 0$ 时才有定义。如果 $P{Y = y_j} = 0$，说明这个 $y_j$ 根本不可能出现——你不能以一个不可能发生的事件为前提去讨论别的变量。

连续型同理：要求 $f_Y(y) > 0$。在 $f_Y(y) = 0$ 的点上，条件密度没有定义。

🐱 大白话：你想调查"养猫的人每月花多少钱买猫粮"，但你去的小区根本没人养猫（分母=0）——你连调查对象都找不到，怎么算比例？条件分布的分母就是"养猫的人数"，这个人不能是 0。

⚠️ 错误2：搞反分子和分母

$$f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)}$$

竖线后面是 Y → 分母是 $f_Y(y)$（Y 的边缘）。记忆口诀：谁在竖线后面，谁就进分母。

⚠️ 错误3：连续型忘记标注 x 的取值范围

给定 $Y=y$ 后，x 的取值范围会受到 y 的约束。比如联合密度定义在 $0 < x < y < 1$，给定 $Y=0.5$ 后 x 的范围是 $(0, 0.5)$，不是 $(0, 1)$。

⚠️ 错误4：把条件密度里的 y 也当成变量

条件密度 $f_{X|Y}(x|y)$ 中，y 是已知常数（条件已经给定了），只有 x 是变量。验证"条件密度积分为 1"时，是对 x 积分，y 当常数带着走：

$$\int f_{X|Y}(x|y)\ dx = 1 \quad (\text{对 } x \text{ 积分，} y \text{ 固定})$$

⚠️ 错误5：混淆"条件分布"和"边缘分布"

边缘分布是一个全局视角（全校学生的身高分布）；条件分布是一个局部视角（只选了体重>80kg的学生，再看他们的身高分布）。

⚠️ 错误6：连续型中 $P{Y=y}=0$ 不能直接做分母——但要区分"概率"和"密度"

虽然 $P{Y=y} = 0$（单点概率为零），但只要密度 $f_Y(y) > 0$，条件密度 $f(x,y)/f_Y(y)$ 仍然有定义。因为密度不等于概率——密度在某点可以大于 0，即使该点概率为 0。这就像一根针尖的面积是 0，但针尖所在的位置可以有一个确定的"密度读数"。

⑥ 链条位置

从哪来：

到哪去：

在整条链中的位置：联合分布 → 边缘分布 → 条件分布。条件分布是"联合/边缘"的商，也是连接联合分布和独立性、贝叶斯公式的关键枢纽。学会了条件分布，"已知部分信息后更新判断"的整个推理链条就打通了。

1.7 随机变量的独立性（⭐⭐⭐ 核心定理 · 六段式）

先想一个场景：朋友的硬币，会影响你的硬币吗？

你和朋友各抛一枚硬币。你抛出正面，朋友抛出什么？——你心里清楚，他的结果跟你半点关系都没有。你不会因为朋友抛了正面，就觉得自己更该出反面。这就是直觉里的"独立"：知道一个结果，对判断另一个结果没有半点帮助。

反过来想一个不独立的例子：知道一个人月收入 2 万，你会猜他月消费大概几千到一万多；知道月收入 3000，你会猜消费一两千。收入的信息改变了你对消费的判断——这两个变量就不独立。

难在哪？——"独立不独立"这么直觉的东西，考试里要拿数字判定，光凭感觉不行。你得把"知道一个不影响另一个"翻译成能计算的公式。怎么翻译？两个角度，最后会汇聚到同一个结论：

这就是本节的主角——独立性判定。

这一节要解决的核心问题：你手里有两个随机变量 X 和 Y，怎么判断它们是"各过各的、互不影响"还是"一个人变了另一个人也会跟着变"？数学上叫"独立性判定"——全章最基础也最容易在细节上翻车的概念。

① 生活场景

🪙 场景1：你和朋友各抛一枚硬币——你的结果是正面还是反面，跟你朋友的结果有半毛钱关系吗？没有。你的硬币不会"感应"到你朋友抛了正面就偏要出反面。这就是独立：知道朋友的结果，改变不了你对自己那枚硬币的判断。

💰 场景2：月收入和月消费——知道一个人月收入 2 万，你会猜他月消费大概几千到一万多；知道一个人月收入 3000，你会猜他月消费一两千。收入的信息"改变了"你对消费的判断——这就是不独立。

🎲 场景3：一颗骰子掷两次——第一次出几点和第二次出几点有关系吗？除非骰子被做了手脚，两次完全独立。第一次掷出 6，第二次掷出 6 的概率仍然是 1/6，不会"因为刚才出过 6 了所以这次不容易出 6"——那是赌徒谬误。

大白话：独立 = 知道一个变量的值，对猜另一个变量的值没有半点帮助。不独立 = 知道一个，另一个的"可能性分布"就变了。

② 正式陈述

设二维随机变量 (X,Y) 的联合分布函数为 $F(x,y)$，边缘分布函数分别为 $F_X(x)$ 和 $F_Y(y)$。

定义（分布函数形式）：若对任意实数 x, y，都有
$$F(x,y) = F_X(x) \cdot F_Y(y)$$
则称 X 与 Y 相互独立。

离散型的等价判定：X 与 Y 独立 $\iff$ 对所有 i, j：
$$p_{ij} = p_{i\cdot} \times p_{\cdot j}$$
即联合分布律的每个格子 = 对应行合计 x 对应列合计。

连续型的等价判定：X 与 Y 独立 $\iff$ 在联合密度的连续点处（几乎处处）：
$$f(x,y) = f_X(x) \cdot f_Y(y)$$
即联合密度 = 两个边缘密度的乘积。

💡 数学上更精确的说法是"对几乎所有 (x,y)"——意思是除了个别不影响积分的点（如一条宽度为零的线）之外，其他地方都要相等。这保证了密度函数在"概率意义上"的乘积关系成立。

从条件分布角度看独立：当 X 与 Y 独立时，条件分布退化为边缘分布：
$$f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)} = \frac{f_X(x) \cdot f_Y(y)}{f_Y(y)} = f_X(x)$$
条件没有带来任何额外信息——知道 Y=y 对 X 的判断毫无帮助。

③ 完整推导

🧠 第1步：从直觉到公式——"独立"到底在说什么

"独立"在生活中的意思是"互不影响"。翻译成概率语言：不管 Y 取什么值，X 取某个值的概率都不变。也就是条件概率 = 无条件概率：
$$P(X = x_i \mid Y = y_j) = P(X = x_i)$$

大白话：Y 取什么值，对 X 取 x_i 的概率没有任何影响——就像你朋友抛硬币的结果不影响你的硬币正面朝上的概率。

🧠 第2步：把条件概率展开，得到联合 = 边缘乘积

将条件概率公式 $P(X=x_i \mid Y=y_j) = \frac{P(X=x_i, Y=y_j)}{P(Y=y_j)}$ 代入第1步：

$$\frac{P(X=x_i, Y=y_j)}{P(Y=y_j)} = P(X=x_i)$$

两边同乘 $P(Y=y_j)$：

$$P(X=x_i, Y=y_j) = P(X=x_i) \cdot P(Y=y_j)$$

用符号表示：$p_{ij} = p_{i\cdot} \times p_{\cdot j}$

大白话："两个人一起发生的概率"等于"第一个人发生的概率"乘以"第二个人发生的概率"。这是从条件概率定义一步推出来的，没有额外假设。

🧠 第3步："所有"两个字不能省——独立性是"一票否决制"

关键来了——独立要求对每一对 (i,j) 都成立，不是"大多数成立就行"。

大白话：你检查 100 个格子，99 个满足"联合 = 边缘乘积"，只有 1 个不满足——那就不独立！就像考试 100 道题，99 道对了 1 道错了，也不能说全对。独立性判定是"一票否决制"——找到一个反例就推翻。

🧠 第4步：连续型的平行推导

连续型不能逐点写条件概率（单点概率为 0），但密度的乘积关系可以平行推导：

$$f_{X|Y}(x|y) \stackrel{\text{独立}}{=} f_X(x)$$

而 $f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)}$，代入得：

$$\frac{f(x,y)}{f_Y(y)} = f_X(x) \quad \Rightarrow \quad f(x,y) = f_X(x) \cdot f_Y(y)$$

大白话：离散型是"格子 = 行合计 x 列合计"；连续型是"联合密度 = X边缘密度 x Y边缘密度"。同一个思想换了件衣服——离散用求和，连续用积分，"联合 = 边缘乘积"这个核心等式不变。

🧠 第5步：速判法——看定义区域的形状

一个极其实用的技巧：如果联合密度 $f(x,y)$ 的非零区域不是矩形（不能写成 $a < x < b,\ c < y < d$ 的形式），则 X 和 Y 一定不独立。

为什么？独立性意味着 X 的取值范围和 Y 的取值无关。如果区域是三角形（如 $0 < x < y < 1$），知道 x=0.8 就意味着 y>0.8——x 的信息限制了 y 的范围，不独立。如果区域是圆形（$x^2+y^2 \leq 1$），知道 x=0.9 就把 y 限制在很窄的范围——不独立。

大白话：不用算，先看区域形状！非矩形（三角形、圆形等）→ 直接判不独立。只有矩形区域才可能独立——然后再检查函数能不能拆成 g(x)·h(y)。

🧠 第6步：独立性的"可分离变量"判定法（连续型进阶技巧）

如果联合密度可以写成"只含 x 的函数" x "只含 y 的函数"：
$$f(x,y) = g(x) \cdot h(y)$$
且定义区域是矩形（$a<x<b,\ c<y<d$），则 X 和 Y 独立。此时 $f_X(x)$ 正比于 $g(x)$，$f_Y(y)$ 正比于 $h(y)$。

但注意：即使 f(x,y) 能写成 g(x)·h(y)，如果定义区域不是矩形——仍然不独立！区域形状是第一关，函数形式是第二关。

大白话：两关都要过——第一关看形状（是不是矩形），第二关看函数（能不能拆成 x 的部分乘 y 的部分）。第一关不通过，直接淘汰。

✍️ 立刻练一道（刚悟出的"逐格检查"+"一票否决"，马上就用）：设 (X,Y) 的联合分布律如下（X取0,1；Y取0,1），判断 X 和 Y 是否独立。

X\Y Y=0 Y=1
X=0 0.25 0.25
X=1 0.25 0.25
点击看答案

第1步：求边缘分布。

  • $P(X=0)=0.5$，$P(X=1)=0.5$；$P(Y=0)=0.5$，$P(Y=1)=0.5$

第2步：逐格检查。看格子 (0,0)：联合概率 = 0.25，边缘乘积 = 0.5×0.5 = 0.25，相等。再看格子 (0,1)：0.25 = 0.5×0.5，也相等。(1,0)、(1,1) 同样相等。

第3步：全部格子都满足"联合 = 边缘乘积"，独立。

答案：X 与 Y 独立。

📝 配套练习

题4 ⭐ | 离散型判断独立性（不独立的情况）

对应模板：题型三（随机变量的独立性判断）

已知 (X,Y) 的联合分布律为：

X\Y 1 2
1 0.2 0.1
2 0.3 0.4

判断 X 和 Y 是否独立。

点击看答案

第1步：求边缘分布。
$P(X=1)=0.3$，$P(X=2)=0.7$；$P(Y=1)=0.5$，$P(Y=2)=0.5$

第2步：逐一检查。检查 (1,1) 格：
$P(X=1,Y=1)=0.2$，$P(X=1)\times P(Y=1)=0.3\times0.5=0.15$
$0.2\neq0.15$，不相等！

所以 X 和 Y 不独立。

题5 ⭐⭐ | 连续型判断独立性（独立的情况）

对应模板：题型三（独立性判断）

设 (X,Y) 的联合密度为 $f(x,y)=4xy$（$0<x<1, 0<y<1$），判断 X 与 Y 是否独立。

点击看答案

求 $f_X(x)$：$f_X(x)=\int_0^1 4xy,dy=2x$（$0<x<1$）
求 $f_Y(y)$：$f_Y(y)=\int_0^1 4xy,dx=2y$（$0<y<1$）

$f_X(x)·f_Y(y)=2x·2y=4xy=f(x,y)$ ✓

答案：X 与 Y 独立。

④ 推导复盘

📝 用大白话把整个过程重新讲一遍：

  1. "独立"的直觉是"互不影响"。翻译成概率语言：条件概率 = 无条件概率。
  2. 利用条件概率的定义 $P(A|B) = P(AB)/P(B)$，把直觉翻译成公式：$p_{ij} / p_{\cdot j} = p_{i\cdot}$，等价于 $p_{ij} = p_{i\cdot} \times p_{\cdot j}$。
  3. 这就是著名的"联合 = 边缘乘积"。离散型是格子乘积，连续型是密度乘积——同一个公式，两件衣服。
  4. "所有"是独立性判定中最容易被忽视的词——必须逐点验证，一票否决。
  5. 连续型超实用速判法：先看区域形状——非矩形直接判不独立。只有矩形才需要往下算。
  6. 独立时，条件分布退化为边缘分布——条件不带来任何新信息。这是从条件分布理解独立性的另一视角。

📝 整个推导的关键转折点：从"条件概率 = 无条件概率"到"联合 = 边缘乘积"——这是独立性的两种等价表述。前者是"直觉版"（知道 Y 不影响对 X 的判断），后者是"操作版"（用来做计算验证）。等价性来自条件概率定义本身。

⑤ 易错边界

⚠️ 错误1（最致命）：只检查一个格子就说"独立"

独立性要求所有 (i,j) 对都满足联合 = 边缘乘积。检查一个格子不够——就像不能说"我去过一次北京没雾霾，所以北京从来没雾霾"。

⚠️ 错误2（离散高频陷阱）：边缘分布算错，独立性判断全错

边缘分布是独立性判定的基础。行合计或列合计算错 → 乘积算错 → 独立性结论全错。做独立性判定之前，先验证两个边缘分布加起来都等于 1——这是基本安全检查。

⚠️ 错误3（连续高频陷阱）：看函数能分离就判独立，不管区域形状

$f(x,y) = 8xy$ 在 $0 < x < y < 1$ 上——函数可以写成 $8x \cdot y$（能分离），但区域是三角形！X 和 Y 不独立！因为 $0 < x < y$ 意味着 x 被 y 限制了。

判定独立性的正确顺序：①先看区域（非矩形 → 直接不独立）→ ②再看函数（矩形 + 可分离 → 独立）。两步缺一不可。

⚠️ 错误4：混淆"独立"和"不相关"

这是两个不同层级的概念——独立比不相关更强：

📌 先记住这个结论：协方差和相关系数要到第 4 章才正式定义，这里先把方向记住——独立 ⇒ 不相关，反过来不一定。第 4 章学了严格定义后，再回来看这个结论为什么成立。

例：X 对称分布在 [-1,1] 上，Y = X²。X 和 Y 不相关（协方差为 0，因为没有线性趋势），但显然不独立——知道 X=0.9，就能确定 Y=0.81。这种"曲线关系"协方差捕捉不到。

唯一例外：二维正态分布中，独立 ⇔ ρ=0（不相关）。这是考研高频考点。

⑥ 链条位置

从哪来：

到哪去：

在整条链中的位置：联合分布 → 边缘分布 → 条件分布 → 独立性。独立性是本章的知识分水岭——之前的内容（边缘、条件）是"描述性"的（告诉你两个变量之间是什么关系），独立性开始是"判断性"的（给关系定性：有关还是无关）。判定了独立性，卷积公式和 max/min 公式才能决定走捷径还是绕路。

🛑 迷你自测：翻回 1.3 节那张联合分布律表（X=1,2; Y=1,2,3），检查一下——X 和 Y 独立吗？（提示：挑一个格子，算 P(X=1, Y=1) 是否等于 P(X=1) × P(Y=1)。）

1.8 两个随机变量函数的分布

Z = X+Y 的分布——卷积公式（⭐⭐⭐ 核心定理 · 六段式）

这一节要解决的核心问题：已知 X 和 Y 各自的分布，它们加在一起 Z = X+Y 的分布长什么样？这是全章考得最多的大题题型——两个随机因素叠加后的结果。

先想一个困境：两颗骰子加在一起，点数分布长什么样？

掷两颗公平的骰子，X = 第一颗的点数，Y = 第二颗的点数，独立。每颗骰子单独看，点数是均匀的（1 到 6 各 1/6）。问：总点数 Z = X+Y 的分布长什么样？

难在哪？——"总点数是 7"不是只有一种凑法。可以是 (1,6)、(2,5)、(3,4)、(4,3)、(5,2)、(6,1)——所有"和为 7"的组合都得算上，一个都不能漏。而且不同总点数的"凑法个数"不一样：总点数 7 有 6 种凑法，总点数 2 只有 (1,1) 一种。所以 Z 的分布绝不是均匀的。

试着算——每次组合的概率都是 $1/6 \times 1/6 = 1/36$（独立），那么：
$$P(Z=7) = P(X=1,Y=6) + P(X=2,Y=5) + \cdots + P(X=6,Y=1) = 6 \times \frac{1}{36} = \frac{1}{6}$$

🧠 这一步在想什么："和为 z"每一对 (x, z-x) 都贡献一份概率，把它们全加起来。这个"把所有凑出 z 的组合全部累加"的运算，就是本节的主角——卷积。离散型是求和，连续型就是积分。下面先给出连续型的完整推导（为什么是那个积分），再回来看离散型实例。

① 生活场景

🚌 场景1：通勤时间——你每天上班，先走到公交站等车。等车时间 X 服从指数分布（有时运气好马上来，有时等很久），坐车时间 Y 服从均匀分布（20到40分钟之间，路况差不多）。你真正关心的是：从出门到公司的总时间 Z = X+Y 有多大的概率超过1小时？ 两个独立随机因素叠加，总时间的分布不是简单的"两个分布拼在一起"——你需要一种叫"卷积"的运算。

🎲 场景2：两次抽奖——公司年会抽奖，上午抽一次（X元红包），下午再抽一次（Y元红包），两次独立。你关心今天总共拿到多少钱 Z = X+Y。Z=100 元的可能性来自哪些组合？可能是上午50+下午50，也可能是上午30+下午70，还可能是上午80+下午20……所有和为100的组合都要考虑。

📦 场景3：包裹总重量——你在两个不同的网店各买了一件东西，第一件重量 X、第二件重量 Y，快递按总重量 Z = X+Y 计费。X 和 Y 各自有分布，总重量 Z 超过首重的概率是多少？

大白话：两个独立随机变量相加——你要把所有"加起来等于 z"的可能路径的概率（或密度）全部累加起来。这就是卷积的直觉。

② 正式陈述

问题：已知二维随机变量 (X,Y) 的联合分布，求 Z = X+Y 的分布。

离散型：Z = X+Y 的分布律为：
$$P{Z = z_k} = \sum_{i} P{X = x_i,\ Y = z_k - x_i}$$

当 X 和 Y 独立时，简化为卷积形式：
$$P{Z = z_k} = \sum_{i} P{X = x_i} \cdot P{Y = z_k - x_i}$$

连续型：先用分布函数法求 $F_Z(z)$，再求导得 $f_Z(z)$：
$$F_Z(z) = P{X+Y \leq z} = \iint_{x+y \leq z} f(x,y)\ dxdy$$
$$f_Z(z) = F'_Z(z)$$

当 X 和 Y 独立时，得到卷积公式：
$$f_Z(z) = \int_{-\infty}^{+\infty} f_X(x) \cdot f_Y(z-x)\ dx$$

或对称形式：
$$f_Z(z) = \int_{-\infty}^{+\infty} f_X(z-y) \cdot f_Y(y)\ dy$$

③ 完整推导

🧠 第1步：用分布函数法——从"Z ≤ z"这个事件出发

要求 Z = X+Y 的分布，最直接的想法是：先算 Z 不超过某个值 z 的概率（也就是分布函数），然后求导得到密度函数。

$$F_Z(z) = P{Z \leq z} = P{X+Y \leq z}$$

大白话：求 Z 的分布，先不直接求它的密度——因为密度不好直接表达。曲线救国：先求"Z 不超过 z"的概率（分布函数），然后对它求导就是密度。这就像想知道车速的变化（加速度），先去记录位置的变化（位移），然后求两次导。

🧠 第2步：把概率写成二重积分

"X+Y ≤ z"这个条件在平面上对应什么区域？在 XY 平面上画一条直线 $x+y = z$（斜率为 -1 的直线，截距为 z）。"X+Y ≤ z"就是这条直线左下方的整个半平面。随机点 (X,Y) 落在半平面内的概率，就是在那个半平面上对联合密度做二重积分：

$$F_Z(z) = \iint_{x+y \leq z} f(x,y)\ dxdy$$

大白话：平面上画一条斜线 x+y=z，这条线的左下方就是"X+Y不超过z"的区域。在这个区域上对联合密度积分，得到的就是分布函数 F_Z(z)。想象联合密度是一座山——F_Z(z) 就是山在斜线左下方的体积。

🧠 第3步：把二重积分拆成迭积分

固定 x，让 y 从 -∞ 变到 z-x（因为 y 必须满足 y ≤ z-x）。这样把半平面上的二重积分拆成"先对 y、再对 x"的迭积分：

$$F_Z(z) = \int_{-\infty}^{+\infty} \left[ \int_{-\infty}^{z-x} f(x,y)\ dy \right] dx$$

大白话：把半平面切成无数条竖线——每条竖线固定一个 x，y 从最底下一直积到斜线所在的高度（z-x）。然后把所有竖线的结果沿 x 方向加总。这就像把一座山切成竖着的薄片，每片算面积，再把所有片的面积加起来。

🧠 第4步：对 z 求导，从分布函数得到密度函数

密度 = 分布函数的导数：$f_Z(z) = \frac{d}{dz} F_Z(z)$。对上面的迭积分求导，里面那层积分的上限是 z-x，用变上限积分求导公式：

$$f_Z(z) = \frac{d}{dz} \int_{-\infty}^{+\infty} \left[ \int_{-\infty}^{z-x} f(x,y)\ dy \right] dx = \int_{-\infty}^{+\infty} f(x, z-x)\ dx$$

大白话：变上限积分对上限变量求导——把上限代入被积函数即可。里面那层积分上限是 z-x，对 z 求导就是把 y 换成 z-x，得到 f(x, z-x)。外面那层对 x 的积分保持不变。

这已经是一个可以用的公式：$f_Z(z) = \int_{-\infty}^{+\infty} f(x, z-x)\ dx$。注意！这里用的是联合密度 f(x,y)，不是边缘密度——意味着这个公式即使 X 和 Y 不独立也能用（只要你知道联合密度）。

🧠 第5步：X 和 Y 独立时，得到卷积公式

如果 X 和 Y 独立，联合密度等于边缘密度的乘积：$f(x, z-x) = f_X(x) \cdot f_Y(z-x)$。代入上面的公式：

$$f_Z(z) = \int_{-\infty}^{+\infty} f_X(x) \cdot f_Y(z-x)\ dx$$

这就是大名鼎鼎的卷积公式。

大白话：独立是"魔法开关"——一旦独立，联合密度就可以拆成 f_X(x) × f_Y(y)。把 y 换成 z-x，就得到了只依赖两个边缘密度的卷积公式。不独立的时候，你只能用第4步那个带联合密度的版本（也就是老老实实回到分布函数法做二重积分）。这就是为什么判断"X和Y是否独立"是做Z=X+Y题的第一步！

实例演示

离散型——两个骰子的点数之和：

掷两颗公平的骰子，X = 第一颗的点数，Y = 第二颗的点数，独立。求 Z = X+Y 的分布。

X 和 Y 的分布律都是：$P{X=k} = 1/6$（k = 1,2,...,6）。

Z=7 的组合：(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)，一共 6 种组合。
每种组合的概率 = 1/6 × 1/6 = 1/36。
$$P{Z=7} = 6 \times \frac{1}{36} = \frac{1}{6}$$

Z=2 只有一种组合 (1,1)：$P = 1/36$。
Z=12 只有一种组合 (6,6)：$P = 1/36$。

最终 Z 的分布呈"金字塔"形——中间（Z=7）概率最大，两头（Z=2,12）概率最小。

连续型——两个独立 U(0,1) 的和（见题型五例题，结果呈三角分布）。

✍️ 立刻练一道（刚悟出的"把所有和为 z 的组合都算上"，马上就用）：掷两颗公平的骰子，X、Y 分别为两骰子点数，独立。求 $P(Z=8)$，其中 Z = X+Y。

点击看答案

总点数为 8 的组合：(2,6)、(3,5)、(4,4)、(5,3)、(6,2)，一共 5 种。

每种组合的概率 = 1/6 × 1/6 = 1/36，所以：
$$P(Z=8) = 5 \times \frac{1}{36} = \frac{5}{36}$$

答案：5/36

📝 配套练习

题8 ⭐⭐ | 卷积——两个 U(0,1) 的和（经典三角形分布）

对应模板：题型五（卷积公式）

设 X 和 Y 独立同服从 [0,1] 上的均匀分布，求 Z = X+Y 的密度函数。

点击看答案

用卷积公式。$f_X(x)=1$（$0<x<1$），$f_Y(y)=1$（$0<y<1$）。

$$f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x),dx$$

被积函数非零：$0<x<1$ 且 $0<z-x<1$，即 $\max(0,z-1)<x<\min(1,z)$。

$0<z\leq1$：$f_Z(z)=\int_0^z 1,dx = z$
$1<z<2$：$f_Z(z)=\int_{z-1}^1 1,dx = 2-z$

答案：
$$f_Z(z)=\begin{cases} z, & 0<z\leq1 \ 2-z, & 1<z<2 \ 0, & \text{其他} \end{cases}$$
呈三角形分布。

题9 ⭐⭐⭐ | 正态分布可加性

对应模板：题型五（卷积公式+正态性质）

设 XN(0,1)，YN(0,1)，且 X 与 Y 独立。求 Z = X+Y 的分布。

点击看答案

方法一（快捷）：独立正态的和仍是正态，均值相加、方差相加。
$Z\sim N(0+0, 1+1) = N(0,2)$
$$f_Z(z)=\frac{1}{\sqrt{4\pi}}e^{-\frac{z^2}{4}}$$

方法二（卷积验证）：用卷积公式配平方积分，得到相同结果。

答案：$Z\sim N(0,2)$

④ 推导复盘

📝 用大白话把整个过程重新讲一遍：

  1. 你要算两个随机变量加起来（Z = X+Y）的分布。直接求密度不好办，于是先绕一步——求"Z 不超过某个值 z"的概率（分布函数法）。
  2. "X+Y 不超过 z"在平面上就是斜线 x+y=z 左下方的半平面。在这个半平面上对联合密度做二重积分，就得到了分布函数 F_Z(z)。
  3. 把这个二重积分拆成迭积分（先对 y 从 -∞ 积到 z-x，再对 x 从 -∞ 积到 +∞），然后对 z 求导——利用变上限积分求导法则，得到 $f_Z(z) = \int f(x, z-x)\ dx$。这个公式用联合密度，即使不独立也能用。
  4. 如果 X 和 Y 独立，联合密度 = 边缘密度乘积，代入得到卷积公式：$f_Z(z) = \int f_X(x) f_Y(z-x)\ dx$。
  5. 卷积的本质就是：把所有"和为 z"的 (x, z-x) 组合的密度全部加总起来。x 取不同值时，y = z-x 取对应值，每一对 (x, z-x) 贡献 $f_X(x) \cdot f_Y(z-x)$，积分就是把这些无穷多对的贡献全部累加。

📝 整个推导的关键转折点有两个：(1) 分布函数法——"先求概率再求导"这个迂回策略绕开了直接求密度的困难；(2) 独立条件的引入——把联合密度拆成边缘密度乘积，计算量从二重积分降为一重积分。

⑤ 易错边界

⚠️ 错误1（最致命）：不独立就用卷积公式

卷积公式 $f_Z(z) = \int f_X(x) f_Y(z-x)\ dx$ 的前提是 X 和 Y 相互独立！如果题目没有明确说"独立"两个字，或者你判断出来它们不独立——必须回到分布函数法（二重积分）。

拿到 Z=X+Y 的题目，第一眼看什么？——题目有没有说"X和Y独立"！这个判断决定了你走哪条路。

⚠️ 错误2（极其高频）：积分上下限照抄 $(-\infty, +\infty)$

卷积公式里积分号上写的是 $-\infty$ 到 $+\infty$，但实际操作时必须根据 $f_X$ 和 $f_Y$ 的实际非零区域来确定上下限。

具体做法：被积函数 $f_X(x) \cdot f_Y(z-x)$ 非零，当且仅当 x 在 f_X 的非零范围内、且 z-x 在 f_Y 的非零范围内。两个条件同时成立，x 的范围就是这两个条件的交集——这个交集取决于 z 的取值，所以必须对 z 分段讨论。

例：XU(0,1)，YU(0,1) 独立。$f_X(x)$ 非零要求 $0<x<1$；$f_Y(z-x)$ 非零要求 $0<z-x<1$，即 $z-1<x<z$。x 的实际积分范围是 $(0,1) \cap (z-1, z)$ ——这就是为什么最终结果要根据 z 在 [0,1] 还是 [1,2] 分段。

⚠️ 错误3：X-Y 不是直接套卷积公式

题目让求 Z = X - Y 的分布。不能直接套卷积！正确的做法：令 W = -Y，先求出 W 的分布（$f_W(w) = f_Y(-w)$），然后 Z = X + W，对 X 和 W 用卷积公式。

$$f_{X-Y}(z) = \int_{-\infty}^{+\infty} f_X(x) \cdot f_Y(x-z)\ dx$$

注意这个公式和 X+Y 的卷积公式的区别：$f_Y$ 的参数变成了 $x-z$ 而不是 $z-x$。

⚠️ 错误4：连续型忘了写 z 的取值范围

求完 $f_Z(z)$ 之后，必须在结果后面标注 z 的有效范围。卷积的结果通常是一个分段函数——不同 z 区间对应不同的积分上下限，因此表达式不同。漏了范围标注 → 扣分。

⚠️ 错误5：离散型忘了"和为 z"可能有多种组合

离散卷积时，$P(Z=k)$ 要加总所有满足 $x_i + y_j = k$ 的 (i,j) 组合。有时候一个 k 只对应一种组合，有时候对应多种——必须全部找齐。漏掉组合 → 概率算错。

⑥ 链条位置

从哪来：

到哪去：

在整条链中的位置：联合分布 → 边缘分布 → 条件分布 → 独立性 → 卷积（Z=X+Y）→ max/min → 第4章数字特征 → 第5章极限定理。卷积是"从两个分布合成一个新分布"的操作——独立性能让这个操作从二重积分简化成一重积分（卷积公式），而不独立时你必须回到最原始的分布函数法。学会卷积，整个"随机变量函数分布"这一大类题的通用思路就打通了。

🛑 停一下：用你自己的话说——卷积公式在什么前提条件下才能用？（答案：X 和 Y 必须独立。）如果不独立，改用哪种方法？（答案：分布函数法，即二重积分。）眼睛扫一下题目，先判断能不能用卷积。

最大值 M = max(X,Y) 与最小值 N = min(X,Y) 的分布（⭐⭐ 核心方法 · 六段式·方法级）

这一节要解决的核心问题：n 个随机变量中"最强的那个"（max）和"最弱的那个"（min）各自服从什么分布？这是串联/并联系统寿命分析的理论基础。

先想一个困境：一串联灯，整串多久会灭？

一串圣诞树彩灯，只要有一个灯泡烧了，整串全灭。假如每个灯泡寿命独立，都服从某个分布——问：整串灯能撑多久？

难在哪？——整串灯的寿命取决于最先烧掉的那个灯泡（最脆弱的那个）。你没法直接说"整串寿命 = 某个灯泡的寿命"，因为它随时可能被任何一个灯泡拖垮。换句话说：整串寿命 N = min(各灯泡寿命)。这个"最小值"的分布，不能简单套用单个灯泡的分布。

再想另一个方向：双电源机房，两路电源只要还有一路有电，服务器就不关机。系统能撑多久？——取决于最后断电的那一路（最坚挺的那个）。系统寿命 M = max(两路电源寿命)。

难在哪（升级版）？——"min ≤ z"这件事有个坑。你先试着想：整串灯"寿命不超过 z"等价于"每个灯泡都不超过 z"吗？ 想清楚这个问题，max 和 min 的区别就明白了。下面带着这个问题看。

① 生活场景

💡 场景1：串联电路 = 圣诞树彩灯——一串彩灯只要有一个灯泡烧了整串全灭。这串灯的寿命取决于最先烧掉的那个（最脆弱的）。数学上：系统寿命 = min(各灯泡寿命)。

🔋 场景2：并联电路 = 双电源机房——两路电源只要还有一路有电服务器就不关机。系统能撑多久取决于最后断电的那一路（最坚挺的）。数学上：系统寿命 = max(两路电源寿命)。

🏆 场景3：体操比赛打分——5 位裁判打分，去掉最高最低取平均。最高分 M = max(5 个分数) 服从什么分布？最低分 N = min(5 个分数) 呢？

🚌 场景4：等多路公交——有 3 条线路都到公司，你上最先来的那辆。等车时间 N = min(三辆车的到达时间) 服从什么分布？

大白话：max 是"看最好的那个"，min 是"看最差的那个"。两者的推导思路截然不同——max 可以直来直去（用 ≤ 直接写），min 必须绕弯（用 > 反着推）。

② 正式陈述

问题：设 n 个随机变量 $X_1, X_2, \ldots, X_n$ 相互独立，每个的分布函数为 $F_i(x)$（同分布时统一记为 $F(x)$）。求最大值 $M = \max(X_1, \ldots, X_n)$ 和最小值 $N = \min(X_1, \ldots, X_n)$ 的分布。

M = max 的分布：

分布函数：$F_M(z) = P{M \leq z} = P{X_1 \leq z,\ X_2 \leq z,\ \ldots,\ X_n \leq z}$

若 $X_1, \ldots, X_n$ 相互独立：
$$F_M(z) = F_1(z) \cdot F_2(z) \cdots F_n(z)$$

若还同分布（所有变量的分布函数都是 $F(z)$）：
$$F_M(z) = [F(z)]^n$$

密度函数（当每个变量有密度 $f(x)$ 时）：
$$f_M(z) = n[F(z)]^{n-1} \cdot f(z)$$

N = min 的分布：

分布函数：$F_N(z) = P{N \leq z} = 1 - P{N > z} = 1 - P{X_1 > z,\ X_2 > z,\ \ldots,\ X_n > z}$

若 $X_1, \ldots, X_n$ 相互独立：
$$F_N(z) = 1 - [1-F_1(z)] \cdot [1-F_2(z)] \cdots [1-F_n(z)]$$

若还同分布（所有变量的分布函数都是 $F(z)$）：
$$F_N(z) = 1 - [1-F(z)]^n$$

密度函数：
$$f_N(z) = n[1-F(z)]^{n-1} \cdot f(z)$$

💡 max/min 公式对比速记：max 用 $F(z)$（≤ 的累计概率），min 用 $1-F(z)$（> 的生存概率）。max 是正门直入（直接乘积），min 是后门绕道（先乘生存概率再用 1 减）。记住一句话：max 乘正概率，min 乘反概率再反回来。

③ 完整推导
第一部分：M = max(X,Y) 的推导

🧠 第1步：从分布函数出发

求 M 的分布，先求分布函数 $F_M(z) = P{M \leq z}$，然后求导得密度。

大白话：一如既往——分布函数法。先求"M 不超过 z"的概率，再求导。

🧠 第2步：关键等价——"max ≤ z"意味着什么？

"max(X,Y) ≤ z"的意思是：X 和 Y 中最大的那个都不超过 z。等价于两个都不超过 z：

$$P{M \leq z} = P{\max(X,Y) \leq z} = P{X \leq z,\ Y \leq z}$$

大白话：全班"最高分不超过 90" = "每个人的分数都不超过 90"。如果有人考了 95，最高分就超过 90 了。这个等价关系是双向的——既充分又必要。

🧠 第3步：利用独立性，概率相乘

如果 X 和 Y 相互独立：

$$F_M(z) = P{X \leq z,\ Y \leq z} = P{X \leq z} \cdot P{Y \leq z} = F_X(z) \cdot F_Y(z)$$

如果 X 和 Y 还同分布（分布函数都是 F(z)），则：
$$F_M(z) = [F(z)]^2$$

推广到 n 个独立同分布的变量 $X_1, \ldots, X_n$：
$$F_M(z) = [F(z)]^n$$

大白话：独立时"两个人都 ≤ z 的概率" = "第一个人 ≤ z 的概率" x "第二个人 ≤ z 的概率"。n 个人都独立，就是 n 次方。

🧠 第4步：求导得密度

如果每个 X_i 还有密度 f(x)，对分布函数求导：

$$f_M(z) = F'_M(z) = n[F(z)]^{n-1} \cdot f(z)$$

大白话：n 次方求导 = n x 原来的^(n-1) x 密度。链式法则直接套用。

第二部分：N = min(X,Y) 的推导

🧠 第1步：不能直接用"min ≤ z"！

如果直接写 $P{\min(X,Y) \leq z} = P{X \leq z,\ Y \leq z}$——这是错的！

为什么？"min ≤ z"意思是"只要有一个不超过 z 就行"——可能 X≤z 且 Y>z，或 X>z 且 Y≤z，或两者都≤z。而 $P{X \leq z,\ Y \leq z}$ 只覆盖了"两者都≤z"这一种情况，漏了另外两种情况！

大白话：全班"最低分不超过 60" = "至少有一个人不及格"——张三不及格算、李四不及格也算、两人都不及格也算。而"两个都不超过 60"只对应两人都不及格。两件事完全不同！这是 max/min 最容易被绕晕的地方。

🧠 第2步：绕道策略——先求"min > z"，再反回来

虽然"min ≤ z"不好直接写，但"min > z"非常干净！

$P{N > z}$ = "最小值都大于 z" = "两个变量都大于 z"：

$$P{N > z} = P{\min(X,Y) > z} = P{X > z,\ Y > z}$$

大白话：全班"最低分都超过 90" = "每个人的分数都超过 90"。这个方向是等价的！——因为如果每个人都 > 90，最低的一定 > 90；反过来如果最低的 > 90，那每个人都 > 90。

🧠 第3步：利用独立性，再绕回来

如果 X 和 Y 独立：

$$P{N > z} = P{X > z} \cdot P{Y > z} = [1 - F_X(z)] \cdot [1 - F_Y(z)]$$

然后用 1 减回去：
$$F_N(z) = P{N \leq z} = 1 - P{N > z} = 1 - [1 - F_X(z)] \cdot [1 - F_Y(z)]$$

推广到 n 个独立同分布变量：
$$F_N(z) = 1 - [1 - F(z)]^n$$

大白话：min 公式的灵魂操作——不是直接求"min ≤ z"，而是先求"min > z"（等价于"所有人都 > z"，好算），再用 1 减回来。

🧠 第4步：求导得密度

$$f_N(z) = F'_N(z) = n[1 - F(z)]^{n-1} \cdot f(z)$$

max 和 min 公式对比（放一起好记）：

max min
核心等价 $M \leq z \iff$ 所有人都 $\leq z$ $N > z \iff$ 所有人都 $> z$
分布函数 $[F(z)]^n$ $1-[1-F(z)]^n$
密度 $n[F(z)]^{n-1}f(z)$ $n[1-F(z)]^{n-1}f(z)$
推导路径 直来直去（正门） 绕道而行（后门）
口诀 max 乘正概率 min 乘反（生存）概率再反回来
第三部分：典型应用——串联与并联

串联系统寿命 = 各元件寿命的最小值（最脆弱的决定一切）
并联系统寿命 = 各元件寿命的最大值（最坚挺的撑到最后）

重要结论：独立指数分布取 min，结果仍是指数分布，参数相加。$X_i \sim \text{Exp}(\lambda_i)$ 独立 → $\min(X_1,\ldots,X_n) \sim \text{Exp}(\lambda_1+\cdots+\lambda_n)$。但 max 不再是简单的指数分布。

✍️ 立刻练一道（刚悟出的"max 直接乘、min 绕道补"，马上就用）：设 X 与 Y 独立，X ~ (0:0.2, 1:0.8)，Y ~ (0:0.5, 1:0.5)。求 $M = \max(X,Y)$ 和 $N = \min(X,Y)$ 的分布律。

点击看答案

求 M（max 直接乘）：
$P(M \leq 0) = P(X\leq0,\ Y\leq0) = 0.2 \times 0.5 = 0.10$
$P(M=0) = 0.10$，$P(M=1) = 1 - 0.10 = 0.90$

求 N（min 绕道补）：
$P(N > 0) = P(X>0,\ Y>0) = 0.8 \times 0.5 = 0.40$
$P(N=0) = 1 - 0.40 = 0.60$，$P(N=1) = 0.40$

答案：$M\sim(0:0.10, 1:0.90)$，$N\sim(0:0.60, 1:0.40)$

📝 配套练习

题10 ⭐ | max分布（两个独立同分布指数分布）

对应模板：题型六（最大值分布）

设 X 和 Y 独立同服从参数 $\lambda=1$ 的指数分布。已知 $f(t)=e^{-t}$（$t>0$），$F(t)=1-e^{-t}$（$t>0$）。求 $M=\max(X,Y)$ 的分布函数 $F_M(z)$ 和密度函数 $f_M(z)$。

点击看答案

$F_M(z) = P(\max(X,Y)\leq z) = P(X\leq z)P(Y\leq z) = [F(z)]^2$

当 $z>0$ 时：$F_M(z) = (1-e^{-z})^2$
当 $z\leq0$ 时：$F_M(z)=0$

求导得密度：$f_M(z) = 2(1-e^{-z})·e^{-z} = 2e^{-z}(1-e^{-z})$（$z>0$）

答案：
$$F_M(z)=\begin{cases}(1-e^{-z})^2,&z>0\0,&z\leq0\end{cases},\quad f_M(z)=\begin{cases}2e^{-z}(1-e^{-z}),&z>0\0,&z\leq0\end{cases}$$

题11 ⭐⭐ | min分布（不同区间的均匀分布）

对应模板：题型六（最小值分布）

设 XU(0,1) 与 YU(0,2) 独立，求 $N=\min(X,Y)$ 的分布函数。

点击看答案

X 的分布函数：$F_X(x)=x$（$0<x<1$）
Y 的分布函数：$F_Y(y)=y/2$（$0<y<2$）

$F_N(z)=1-[1-F_X(z)][1-F_Y(z)]$，分段讨论：

$z\leq0$：$F_N(z)=0$
$0<z<1$：$F_N(z)=1-(1-z)(1-z/2)=\frac{3z}{2}-\frac{z^2}{2}$
$z\geq1$：$F_N(z)=1$

答案：
$$F_N(z)=\begin{cases}0,&z\leq0\\frac{3z}{2}-\frac{z^2}{2},&0<z<1\1,&z\geq1\end{cases}$$

题12 ⭐⭐⭐ | 串联/并联系统寿命（max/min应用）

对应模板：题型六（最大值与最小值的应用）

某系统由两个独立工作的电子元件组成。元件寿命 $X\sim\text{Exp}(\lambda_1)$，$Y\sim\text{Exp}(\lambda_2)$。
（1）串联时，系统寿命 $N=\min(X,Y)$ 服从什么分布？
（2）并联时，求 $M=\max(X,Y)$ 的密度函数。

点击看答案

（1）串联（min）：
$$F_N(t)=1-[1-F_X(t)][1-F_Y(t)]=1-e^{-\lambda_1 t}·e^{-\lambda_2 t}=1-e^{-(\lambda_1+\lambda_2)t}$$
所以 $N\sim\text{Exp}(\lambda_1+\lambda_2)$，密度 $f_N(t)=(\lambda_1+\lambda_2)e^{-(\lambda_1+\lambda_2)t}$。
重要结论：独立指数分布取最小值，结果仍是指数分布，参数为原来参数之和。

（2）并联（max）：
$$F_M(t)=(1-e^{-\lambda_1 t})(1-e^{-\lambda_2 t})=1-e^{-\lambda_1 t}-e^{-\lambda_2 t}+e^{-(\lambda_1+\lambda_2)t}$$
$$f_M(t)=\lambda_1 e^{-\lambda_1 t}+\lambda_2 e^{-\lambda_2 t}-(\lambda_1+\lambda_2)e^{-(\lambda_1+\lambda_2)t},\quad t>0$$

答案：（1）$N\sim\text{Exp}(\lambda_1+\lambda_2)$（2）$f_M(t)=\lambda_1 e^{-\lambda_1 t}+\lambda_2 e^{-\lambda_2 t}-(\lambda_1+\lambda_2)e^{-(\lambda_1+\lambda_2)t}$

④ 推导复盘

📝 用大白话把整个过程重新讲一遍：

max 的推导（直来直去）：

  1. "最大值 ≤ z" ⇔ "所有人都 ≤ z"——等价关系，直接成立。
  2. 独立条件下乘法：$F_M(z) = F_X(z) \cdot F_Y(z)$。
  3. n 个独立同分布：$F_M(z) = [F(z)]^n$。
  4. 求导得密度。

min 的推导（绕道而行）：

  1. "最小值 ≤ z" 不好直接写——情况太多（至少一个 ≤ z）。
  2. 改走反方向："最小值 > z" ⇔ "所有人都 > z"——非常干净！
  3. 独立条件下：$P(N > z) = [1-F_X(z)] \cdot [1-F_Y(z)]$。
  4. 绕回来：$F_N(z) = 1 - P(N > z) = 1 - [1-F(z)]^n$。

📝 关键转折点（需反复体会）：max 和 min 的推导之路完全相反——max 走正门（直接用 ≤），min 走后门（先求 > 再绕回来）。两个公式结构对偶：max 用 F(z)（≤ 的概率），min 用 1-F(z)（> 的概率，也叫生存函数）。记住一句话：max 乘正概率，min 乘反概率再反回来。

📝 这个"绕道策略"（先求反面再减回来）是概率论中极常见的手法——遇到"至少有一个"不好直接算时，先算"一个都没有"再用 1 减。第1章的基础方法论在这里无缝衔接。

⑤ 易错边界

⚠️ 错误1（最致命，最高频）：把 max 和 min 公式记反

这是本章错误率最高的地方！很多人把 min 写成 $[F(z)]^n$——那是 max 的公式！

快速检验法：假设每个变量以 0.5 概率取 0、0.5 概率取 1。

⚠️ 错误2：min 直接写 $P{\min \leq z} = P{X \leq z, Y \leq z}$

这是推导层面的根本性错误。"min ≤ z"是"至少有一个 ≤ z"，不是"两个都 ≤ z"。必须绕道！

✅ 正确做法：$F_N(z) = 1 - P{X > z, Y > z}$

⚠️ 错误3：不独立时直接套用乘积公式

$F_M(z) = [F(z)]^n$ 和 $F_N(z) = 1-[1-F(z)]^n$ 的前提都是变量相互独立！题目没明说独立 → 不能用简化公式，要从联合分布出发：$F_M(z) = P{X \leq z, Y \leq z} = F(z,z)$（用联合分布函数）。

⚠️ 错误4：n 个变量时忘了"同分布"是额外条件

$F_M(z) = [F(z)]^n$ 要求：①独立 + ②同分布。不同分布（如 XE(1), YE(2)）即使独立也只能写 $F_X(z) \cdot F_Y(z)$，不能写 $[F(z)]^2$。

⑥ 链条位置

从哪来：

到哪去：

在整条链中的位置：独立性 → max/min → 次序统计量（第6章）。max/min 是"从多个独立变量中提取极端值"的专门工具——串联系统用 min（最弱决定），并联系统用 max（最强撑住）。掌握"max 直入、min 绕道"的推导思路，以后遇到任何极端值问题都能找到入口。

商的分布 Z = X/Y（⭐ 方法级 · 了解）

这一节要解决的核心问题：两个随机变量相除 Z = X/Y 的分布是什么？这是"两个变量函数分布"的第三种常见形式（前两种是 Z=X+Y 和 max/min）。

先想一个困境：两个数相除，比值服从什么分布？

上一节的卷积，解决的是"两个随机变量相加 Z = X+Y"。可生活中"相除"的例子一点也不少：体检的 BMI = 体重÷身高²、投资的夏普比率 = 收益÷波动率、实验室的浓度 = 溶质质量÷溶液体积。分子分母都是随机变量——这个"比值" Z = X/Y 的分布，怎么求？

难在哪？——加法没有正负号的麻烦：X+Y ≤ z 在平面上永远圈出一块"斜线左下方"的区域。可除法要先看 Y 的正负：Y > 0 时 X/Y ≤ z 等价于 X ≤ zY（不等号不变）；Y < 0 时不等式两边同乘一个负数，不等号要反过来，变成 X ≥ zY。同一个"比值不超过 z"，在 Y 的上下两个半平面里圈出的区域不一样，必须分开处理。这就是 X/Y 比 X+Y 多出来的一层复杂度。

不过别慌——处理套路和卷积一模一样：分布函数法（先求 $F_Z(z)=P(X/Y\le z)$，再求导得密度），独立时把联合密度拆成两个边缘密度的乘积，只是被积函数里多一个 $|y|$ 因子。下面带着"Y 的正负这个坑"看完整推导。

① 生活场景

📏 场景1：BMI 的数学本质——体检时 BMI = 体重 / 身高²。体重 X 和身高 Y 各自有分布，BMI 这个比值又服从什么分布？知道它的分布才能判断一个人"偏胖"的概率有多大。

⚖️ 场景2：金融夏普比率——夏普比率 = (收益率 - 无风险利率) / 波动率。分子和分母都是随机变量，这个比值的分布决定了你的投资策略是否靠谱。

🧪 场景3：化学浓度——浓度 = 溶质质量 / 溶液体积。称量误差让分子分母都有随机性，浓度的分布受两者共同影响。

大白话：两个数相除在实际中太常见了——比率、浓度、效率指标都是。处理思路和卷积一样——把"两个变量的函数"转化为"一个新变量 + 一个老变量"，然后对老变量积分消掉。

② 正式陈述

问题：已知二维随机变量 (X,Y) 的联合密度为 $f(x,y)$，求 $Z = X/Y$ 的密度函数。

方法一：分布函数法（通用，不要求独立）

先求分布函数，注意 Y 的正负影响不等号方向：
$$F_Z(z) = P\left{\frac{X}{Y} \leq z\right} = \int_0^{+\infty} \int_{-\infty}^{zy} f(x,y)\ dx\ dy + \int_{-\infty}^0 \int_{zy}^{+\infty} f(x,y)\ dx\ dy$$

对 z 求导得密度（通用公式）：
$$f_Z(z) = \int_{-\infty}^{+\infty} |y| \cdot f(yz,\ y)\ dy$$

方法二：独立时的简化公式

当 X 和 Y 相互独立时，$f(x,y) = f_X(x) \cdot f_Y(y)$，代入得：
$$f_Z(z) = \int_{-\infty}^{+\infty} |y| \cdot f_X(yz) \cdot f_Y(y)\ dy$$

💡 与卷积公式的对比：

  • 卷积（Z=X+Y）：$\int f_X(x) \cdot f_Y(z-x)\ dx$——积分变量 x，$f_Y$ 参数 $z-x$
  • 商（Z=X/Y）：$\int |y| \cdot f_X(yz) \cdot f_Y(y)\ dy$——积分变量 y（分母），多 |y| 因子，$f_X$ 参数 $yz$

两个公式结构平行——都是"把联合密度拆成两个边缘密度的乘积，对其中一个变量积分消掉"。区别只在换元方式（加法 vs 乘法）和雅可比因子（1 vs |y|）。

③ 完整推导

🧠 第1步：分析问题——Z=X/Y 和 Z=X+Y 有什么不同？

对于 Z = X+Y，换元时写 y = z - x——加法天然容易处理。对于 Z = X/Y，变量关系是 X = Y·Z——乘法关系。

大白话：和的公式里 y = z-x（减法换元），商的公式里 x = y·z（乘法换元）。形式上不同，但处理思路完全一样——分布函数法 → 变量替换 → 积分消元。

🧠 第2步：分布函数法——通用方法，不要求独立

设 (X,Y) 的联合密度为 $f(x,y)$，先求分布函数：

$$F_Z(z) = P{Z \leq z} = P\left{\frac{X}{Y} \leq z\right}$$

这里有一个关键陷阱：除以 Y 时，不等式两边同乘 Y 的方向要看 Y 的正负！

所以积分要分两块：
$$F_Z(z) = \int_0^{+\infty} \int_{-\infty}^{zy} f(x,y)\ dx\ dy + \int_{-\infty}^0 \int_{zy}^{+\infty} f(x,y)\ dx\ dy$$

大白话：Y>0 时积分区域是 X ≤ zY（斜线左下方）；Y<0 时变成 X ≥ zY（斜线右上方）。这是 X/Y 比 X+Y 多一层复杂度的根本原因——加法没有正负号的问题！

🧠 第3步：对 z 求导得到密度

对 z 求导（变上限积分求导法则），得到：
$$f_Z(z) = \int_{-\infty}^{+\infty} |y| \cdot f(yz,\ y)\ dy$$

这里用的是联合密度 $f(x,y)$——不要求独立！只要你知道联合密度就能用这个公式。

大白话：和卷积推导完全一样——分布函数法 + 变上限求导。区别在于 (1) 积分区域因 Y 正负分段，(2) 多了一个 |y| 因子。

🧠 第4步：独立时的简化公式

当 X 和 Y 相互独立时，联合密度 $f(x,y) = f_X(x) \cdot f_Y(y)$。把 $x = yz$ 代入：

$$f_Z(z) = \int_{-\infty}^{+\infty} |y| \cdot f_X(yz) \cdot f_Y(y)\ dy$$

大白话：独立是"魔法开关"——联合密度拆成两个边缘密度的乘积，二重积分降为一重积分。和卷积公式的模式完全一致，只是多了一个 |y| 因子，被积函数是 $f_X(yz) \cdot f_Y(y)$ 而不是卷积的 $f_X(x) \cdot f_Y(z-x)$。

🧠 第5步：公式里的 |y| 是哪来的？——雅可比行列式直观解释

做变量替换 $(x, y) \to (z, y)$，其中 $z = x/y$（即 $x = yz$）。新旧坐标之间的"缩放因子"（雅可比行列式）是：

$$\left|\frac{\partial(x,y)}{\partial(z,y)}\right| = \left|\det\begin{pmatrix} y & z \ 0 & 1 \end{pmatrix}\right| = |y|$$

大白话：(x,y) 平面上的一个小矩形映射到 (z,y) 平面时，面积会缩放。缩放比例是 |y|——在 y 大的地方，"同样的 z 变化"对应"更大的 x 变化"，所以概率密度要乘以 |y| 来补偿。这个 |y| 保证了"变量替换前后总概率不变（都等于 1）"。

🧠 第6步：四个公式比一比（帮你建立整体认知）

公式 独立时形式 被积函数特征
Z = X+Y $\int f_X(x) \cdot f_Y(z-x)\ dx$ 积分变量 x，$f_Y$ 参数变为 $z-x$
Z = X-Y $\int f_X(x) \cdot f_Y(x-z)\ dx$ 积分变量 x，$f_Y$ 参数变为 $x-z$
Z = X·Y $\int \frac{1}{ x
Z = X/Y $\int y

大白话：四个公式不必死记——全是分布函数法（二重积分 → 变量替换 → 求导）出来的。考试真要你推导时，老老实实走分布函数法流程。如果只考结论，记住 X/Y 公式的特征：积分变量是分母 y，被积函数里多一个 |y|，$f_X$ 参数是 yz。

④ 推导复盘

📝 用大白话把整个过程重新讲一遍：

  1. 老套路——分布函数法：$F_Z(z) = P(X/Y \leq z)$，在平面上找到满足条件的区域做二重积分。
  2. 和 Z=X+Y 的关键区别：除以 Y 时 Y 的正负影响不等号方向！所以必须分 Y>0 和 Y<0 两个半平面积分——这是 X/Y 比 X+Y 多一层复杂度的根本原因。
  3. 对 z 求导得到 $f_Z(z) = \int |y| f(yz, y) dy$——|y| 来自变量替换的雅可比行列式。
  4. 独立时联合密度拆成边缘密度乘积，得到商密度简化公式。

📝 关键转折点：X/Y 和 X+Y 本质上是同一个问题——"两个变量函数的分布"。同一套分布函数法流程，同一套变量替换 + 求导操作。区别只有两点：(1) 积分区域因正负号要分段；(2) 雅可比因子从 1 变成了 |y|。理解了这个统一框架，和、差、积、商四个公式全是一个套路。

📝 备考建议：Z=X/Y 的完整推导考研很少要求。更常见的是——题目给了联合密度 f(x,y)，让你用分布函数法求 Z=X/Y 的分布。这时候不需要记任何特殊公式，直接走分布函数法流程。如果是两个独立标准正态相除，记住结论：Z ~ 柯西分布。

⑤ 易错边界

⚠️ 错误1（最致命）：不等式乘 Y 时忘了分正负

$X/Y \leq z$ 乘 Y 时：Y>0 → $X \leq zY$（不等号不变）；Y<0 → $X \geq zY$（不等号反转！）。忘了分情况 → 积分区域画错 → 全题报废。这是 X/Y 独有的陷阱，X+Y 没有这个问题。

⚠️ 错误2：公式里的 |y| 漏掉了

变量替换 (x,y) → (z,y) 产生的雅可比行列式是 |y|（带绝对值！），不是 y。漏掉绝对值 → 在 y<0 的区域符号搞反。为什么是绝对值？因为雅可比行列式取绝对值是为了保证概率的非负性——面积不能是负的。

⚠️ 错误3：忘了积分上下限分段

和卷积公式一样，$f_X(yz) \cdot f_Y(y)$ 非零要求 y 同时在 $f_Y$ 范围和 $yz$ 在 $f_X$ 范围里。这两个条件的交集取决于 z——必须对 z 分段讨论积分上下限。

⚠️ 错误4：独立性的前提

商密度简化公式 $\int |y| f_X(yz) f_Y(y) dy$ 的前提是 X 和 Y 相互独立。不独立时只能用分布函数法（带联合密度的版本）。

✍️ 立刻练一道（刚悟出的"商公式 = 分布函数法 + |y|因子"，马上就用）：设 X 与 Y 独立，X 在 $(0,1)$ 上均匀分布，Y 服从参数 $\lambda=1$ 的指数分布（密度 $f_Y(y)=e^{-y}$，$y>0$）。用分布函数法写出 $Z=X/Y$ 的密度函数 $f_Z(z)$ 的表达式（允许保留积分号）。

点击看答案

第1步：写出分布函数。Y 在 $y>0$ 上取正，所以只有 Y>0 这一段（不用分正负号）：
$$F_Z(z) = P!\left(\frac{X}{Y}\le z\right) = \int_0^{+\infty} \int_0^{\min(1,;zy)} 1,dx \cdot e^{-y},dy = \int_0^{+\infty} \min(1,;zy),e^{-y},dy$$
（$f_X(x)=1$（$0<x<1$）、$f_Y(y)=e^{-y}$（$y>0$）；内层 $x$ 的范围是 $0<x<1$ 与 $0<x\le zy$ 的交集，即 $0<x<\min(1,zy)$。）

第2步：把 $\min(1,zy)$ 拆开积出闭式。$zy\le1 \iff y\le\frac1z$（$z>0$ 时）：
$$F_Z(z) = \int_0^{1/z} zy,e^{-y},dy + \int_{1/z}^{+\infty} e^{-y},dy = z\Big(1-\big(\tfrac1z+1\big)e^{-1/z}\Big) + e^{-1/z} = z,(1-e^{-1/z})$$

第3步：对 z 求导得密度。$\frac{d}{dz}e^{-1/z} = \frac{1}{z^2}e^{-1/z}$：
$$f_Z(z) = \frac{d}{dz}\Big[z(1-e^{-1/z})\Big] = (1-e^{-1/z}) - \frac1z e^{-1/z} = 1 - \Big(1+\frac1z\Big)e^{-1/z},\quad z>0$$

  • 当 $z\le0$：$X>0$ 且 $Y>0$，比值 $X/Y>0$，事件 $X/Y\le z\le0$ 的概率为 0，所以 $f_Z(z)=0$。

验证（$z>0$ 时是否为合法密度）：分布函数 $F_Z(z)=z(1-e^{-1/z})$，当 $z\to+\infty$ 时 $e^{-1/z}\approx 1-\frac1z$，所以 $F_Z(+\infty)=1$ ✓；且 $F_Z(0^+)=0$，说明 $\int_0^{+\infty}f_Z(z),dz=1$ ✓；$f_Z(z)\ge0$ 显然成立 ✓。

答案：
$$f_Z(z)=\begin{cases} 1-\Big(1+\dfrac{1}{z}\Big)e^{-1/z}, & z>0 \[3mm] 0, & z\le0 \end{cases}$$

1.9 两个重要分布

二维均匀分布

先想一个场景：随机扔球，落点在哪？

你在一个矩形操场上随机扔一个球——任何位置被砸中的机会都一样，没有哪个位置"更受偏爱"。这类分布叫均匀分布。如果这个操场是二维的（一块地皮而不是一条线），落在任何位置都一样，那就是二维均匀分布。

难在哪？——二维均匀分布在非矩形区域上（三角形、圆形），就会引出很多反直觉的结论：比如"边缘分布还是不是均匀的？""X 和 Y 还独立吗？"这些问题，正是考试的判断题最爱挖的坑。下面带着"在非矩形区域上会出什么幺蛾子"这个问题看。

生活比喻：你在一个矩形操场上随机扔一个球——球落在操场任何一个位置的机会都一样。没有哪个位置"更受偏爱"。这就是均匀分布。

正式定义：设 D 是平面上一个有界区域，面积为 |D|。如果 (X,Y) 的联合概率密度为：
$$f(x,y) = \begin{cases} \dfrac{1}{|D|}, & (x,y) \in D \ 0, & \text{其他} \end{cases}$$
则称 (X,Y) 在 D 上服从二维均匀分布。

核心性质：

✍️ 立刻练一道（刚悟出的"概率 = 面积比"，马上就用）：设 (X,Y) 在正方形 $D={(x,y)\mid 0<x<1,;0<y<1}$ 上服从均匀分布，求 $P(X>0.5,;Y>0.5)$。

点击看答案

正方形面积 = 1。满足 $X>0.5,;Y>0.5$ 的是右上角四分之一小正方形，面积 = 0.5 × 0.5 = 0.25。

$$P(X>0.5,;Y>0.5) = \frac{0.25}{1} = 0.25$$

答案：0.25

📝 配套练习

题13 ⭐⭐ | 二维均匀分布求概率

对应模板：题型七（二维均匀分布）

设 (X,Y) 在区域 $D={(x,y)\mid 0<x<1,;0<y<1-x}$ 上服从均匀分布。求（1）联合密度；（2）$P(X<0.5)$。

点击看答案

（1） 三角形区域面积 = $1/2$，所以联合密度为：
$$f(x,y)=\begin{cases}2,&(x,y)\in D\0,&\text{其他}\end{cases}$$

（2） $P(X<0.5)=\int_0^{0.5}\int_0^{1-x}2,dy,dx=\int_0^{0.5}2(1-x),dx=0.75$

答案：（1）$f=2$（2）0.75

二维正态分布

先想一个场景：一把沙子从空中撒下，堆成什么样？

想象你抓一把沙子，从空中撒下去——沙子堆成一个小山包。这个山包的形状，主要由几个信息决定：山顶在哪、山有多陡、山是"正着"的还是"斜着"拉长的。

难在哪？——一维正态是一个钟形曲线（一个峰值、两侧对称），只要两个数就定死（均值决定峰的位置、方差决定峰的胖瘦）。二维正态是一座"钟形山包"，多了一个维度就多了一份自由——山包可以被斜着拉长。这一斜，就引出了本章最有争议也最常考的一族性质（比如 $\rho=0$ 和"独立"的关系）。下面带着"这座斜山包有哪些独特性质"这个问题看。

生活比喻：想象你把一把沙子从空中撒下去——沙子堆成一个小山包。这个山包的形状完全由五个数字决定：

$\rho>0$ 时山沿东北-西南方向拉长（X 大时 Y 也大），$\rho<0$ 时沿西北-东南方向拉长（X 大时 Y 小），$\rho=0$ 时山是圆形的（X 和 Y 各管各的，没有倾斜）。

这种"被五个数字完全决定形状的沙子山包"，数学上就叫二维正态分布。

正式定义：(X,Y) 服从二维正态分布，记为 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$，其中：

关键性质（⭐⭐⭐最重要的四条）：

  1. 独立 ⇔ $\rho = 0$：这是二维正态分布独有的性质！对一般分布，"独立"可推"不相关"，但反过来不行。唯独二维正态，两者完全等价。用沙子山包来理解：$\rho=0$ 意味着山是圆的，没有倾斜——说明 X 方向的信息完全不影响 Y 方向的样子，也就是独立。
  2. 边缘分布是一维正态：$X \sim N(\mu_1, \sigma_1^2)$，$Y \sim N(\mu_2, \sigma_2^2)$。从侧面看这个沙子山包，不管从 X 方向还是 Y 方向看，切出来的剖面曲线都是一维正态的钟形。
  3. 条件分布也是正态分布：因为联合正态的山包从任何方向竖着切一刀，切出来的剖面都是正态钟形曲线——就像不管你从哪个角度切这个沙子山，切面都是一样的钟形。
  4. 线性组合仍是正态：$aX + bY$ 服从正态分布。把 X 和 Y 按任意比例混合，结果还是正态。

⚠️ 易错提醒：两个边缘分布都是正态分布，不代表联合分布是二维正态分布！必须明确说"服从二维正态分布"才行。举个反例思路——你可以构造一个联合分布，它的两个边缘都是标准正态，但联合密度的形状不是"沙子山包"，而是一个奇怪的形状（比如把圆形正态山包在四个象限重新排列）。考研特别喜欢考这个陷阱。

✍️ 立刻练一道（刚悟出的"二维正态四大性质 + ρ=0⇔独立"，马上就用）：设 $(X,Y)\sim N(1, 4;\ 0, 9;\ 0.5)$。（1）X 和 Y 独立吗？（2）$X$ 服从什么分布？$Y$ 服从什么分布？（3）$X+Y$ 服从什么分布？

点击看答案

（1） $\rho=0.5\neq0$，所以 X 和 Y 不独立（二维正态中独立 ⇔ $\rho=0$，$\rho\neq0$ 就一定不独立）。

（2） 二维正态的两个边缘都是一维正态：$X\sim N(\mu_1,\sigma_1^2)=N(1,4)$，$Y\sim N(\mu_2,\sigma_2^2)=N(0,9)$。

（3） 二维正态的线性组合仍是正态。均值直接相加：$E(X+Y)=E(X)+E(Y)=1+0=1$。方差要用第 4 章的公式——先记结论：和的方差 = 各自方差 + 交叉项（完整公式 $Var(X+Y)=Var(X)+Var(Y)+2\rho\sigma_1\sigma_2$ 第 4 章正式学），套进来算：
$$Var(X+Y)=4+9+2\times0.5\times\sqrt{4\times9}=13+6=19$$
所以 $X+Y\sim N(1,19)$。

答案：（1）不独立（2）$X\sim N(1,4)$，$Y\sim N(0,9)$（3）$X+Y\sim N(1,19)$

📝 配套练习

题14 ⭐⭐ | 二维正态分布的性质

对应模板：题型七（二维正态分布）

设 $(X,Y)\sim N(0,1;0,1;0)$，即 $\mu_1=\mu_2=0$，$\sigma_1^2=\sigma_2^2=1$，$\rho=0$。
（1）X 和 Y 是否独立？
（2）写出联合密度函数。

点击看答案

（1）独立。 二维正态中 $\rho=0\iff$独立。

（2） 代入公式得：
$$f(x,y)=\frac{1}{2\pi}e^{-\frac{x^2+y^2}{2}},\quad -\infty<x,y<+\infty$$

这也可以写成 $f_X(x)·f_Y(y)$ 的形式，其中 $f_X(x)=\frac{1}{\sqrt{2\pi}}e^{-x^2/2}$，再次验证了独立性。

答案：（1）独立（2）$f(x,y)=\frac{1}{2\pi}e^{-(x^2+y^2)/2}$

题15 ⭐⭐⭐ | 综合：圆域均匀分布的边缘、独立性、条件密度（综合：题型二+三+四+七）

对应模板：题型二+三+四（综合）

设 (X,Y) 在单位圆盘 $x^2+y^2\leq1$ 上服从均匀分布。
（1）求联合密度；
（2）求 $f_X(x)$ 和 $f_Y(y)$；
（3）判断 X 和 Y 是否独立；
（4）求 $f_{Y|X}(y|x)$。

点击看答案

（1） 圆面积 $=\pi$，联合密度 $f(x,y)=1/\pi$（$x^2+y^2\leq1$）。

（2） 固定 x（$-1<x<1$），y 范围 $-\sqrt{1-x^2}\leq y\leq\sqrt{1-x^2}$：
$$f_X(x)=\int_{-\sqrt{1-x^2}}^{\sqrt{1-x^2}}\frac{1}{\pi},dy=\frac{2}{\pi}\sqrt{1-x^2}$$
同理 $f_Y(y)=\frac{2}{\pi}\sqrt{1-y^2}$。

（3）不独立。 $f_X(x)·f_Y(y)=\frac{4}{\pi^2}\sqrt{(1-x^2)(1-y^2)}\neq\frac{1}{\pi}$。
直观解释：知道 X 接近 1 时 Y 只能接近 0，X 的信息"绑住"了 Y 的范围。

（4） 当 $-1<x<1$，$-\sqrt{1-x^2}<y<\sqrt{1-x^2}$：
$$f_{Y|X}(y|x)=\frac{1/\pi}{2\sqrt{1-x^2}/\pi}=\frac{1}{2\sqrt{1-x^2}}$$
给定 X=x 后，Y 在 $[-\sqrt{1-x^2},\sqrt{1-x^2}]$ 上均匀分布。

答案：（1）$f=1/\pi$（2）$f_X(x)=\frac{2}{\pi}\sqrt{1-x^2}$（3）不独立（4）$f_{Y|X}(y|x)=\frac{1}{2\sqrt{1-x^2}}$

附：本章知识脉络图

二维随机变量 (X,Y)
    │
    ├── 离散型 ─── 联合分布律 pᵢⱼ（表格表示）
    │       │
    │       ├── 边缘分布：pᵢ· = Σⱼ pᵢⱼ，p·ⱼ = Σᵢ pᵢⱼ（行合计/列合计）
    │       │
    │       ├── 条件分布：P{X=xᵢ|Y=yⱼ} = pᵢⱼ / p·ⱼ（限定条件后的分布）
    │       │
    │       └── 独立性：pᵢⱼ = pᵢ· × p·ⱼ 对所有 i,j（联合=边缘乘积）
    │
    ├── 连续型 ─── 联合密度 f(x,y)（概率浓度图）
    │       │
    │       ├── 边缘密度：f_X(x) = ∫ f(x,y) dy（压扁/投影）
    │       │
    │       ├── 条件密度：f_{X|Y}(x|y) = f(x,y) / f_Y(y)（剖面形状）
    │       │
    │       └── 独立性：f(x,y) = f_X(x)·f_Y(y)
    │
    ├── 联合分布函数 F(x,y) = P{X≤x, Y≤y}
    │       └── 四条性质：单调不减、有界、右连续、矩形概率非负
    │
    └── 两个变量的函数
            ├── Z = X+Y ─── 一般方法：F_Z(z) = ∬_{x+y≤z} f dxdy
            │       └── 独立时：卷积公式 f_Z = ∫ f_X(x)·f_Y(z-x) dx
            ├── M = max ─── F_M(z) = [F(z)]ⁿ（都 ≤ z）
            ├── N = min ─── F_N(z) = 1-[1-F(z)]ⁿ（都 > z 的反面）
            └── Z = X/Y ─── 了解卷积型公式

② 题型与练习（讲练合一）

题型一：求联合分布中的未知参数（⭐⭐⭐）

先看一道题：这个 a 到底是多少？

设二维离散型随机变量 (X,Y) 的联合分布律如下表，求常数 a 的值。

X\Y Y=1 Y=2 Y=3
X=1 0.1 0.2 a
X=2 0.2 a 0.1

看到这题，先别慌。难在哪？——表格里藏着两个 a，没法直接读出它们的值。

试着想：上一节 1.3 学过一个"规矩"——所有格子的概率加起来必须等于 1（归一性）。这张表是完整的联合分布律，所以把这个规矩写成等式，a 就"现形"了：

$$0.1 + 0.2 + a + 0.2 + a + 0.1 = 1 \quad \Rightarrow \quad 0.6 + 2a = 1 \quad \Rightarrow \quad a = 0.2$$

🧠 这一步在想什么："联合分布律 → 归一性 → 一元方程"——未知参数躲在表格里，就用"总和=1"把它逼出来。算完还要验证：把 a=0.2 代回表格，所有格子和 = 0.1+0.2+0.2+0.2+0.2+0.1 = 1.0，且每个格子都在 0 到 1 之间 ✓

答案：$a = 0.2$

再看一道（连续型）：这次 a 变成了 k

设 (X,Y) 的联合概率密度为：
$$f(x,y) = \begin{cases} kxy, & 0 < x < y < 1 \ 0, & \text{其他} \end{cases}$$
求常数 k 的值。

看到这题，先别慌。难在哪？——连续型没有"格子"可以加，表格的方法用不了了。但"归一性"的思想还在：全平面上对密度做二重积分 = 1。

试着想——关键一步是先看清"整个平面"到底是哪块区域。条件 $0 < x < y < 1$ 描述的是正方形 $[0,1]\times[0,1]$ 中被对角线 $y=x$ 切出来的上三角部分。区域画对了，再在正确区域上积分：

$$\int_0^1 \int_0^y kxy ,dx,dy = k\int_0^1 y\left[\frac{x^2}{2}\right]_0^y dy = \frac{k}{2}\int_0^1 y^3,dy = \frac{k}{2} \cdot \frac{1}{4} = \frac{k}{8}$$

令 $\frac{k}{8} = 1$，得 $k = 8$。验证：$k=8>0$，且 $f(x,y)=8xy \geq 0$ ✓

🧠 这一步在想什么："连续型归一化 = 在定义区域上做二重积分 = 1"——和离散型的"格子相加=1"思想一模一样，只是把"加法"换成了"积分"。区域画错，积分上下限就全错，这题就报废。

答案：$k = 8$

🔍 回头看看：这两道题背后，其实是同一个招

离散型 连续型
归一化=1 怎么落 所有格子相加 定义区域上二重积分
关键动作 列一元方程 先画区域再积分

📌 以后就这么办：看到"含未知参数的联合分布"，就用"归一化=1"逼出参数。 ① 判断是表格还是密度公式；② 表格 → 全格子相加等于 1；密度 → 先画区域、再在定义区域上二重积分等于 1；③ 解方程得参数；④ 代回验证非负。

翻车现场：

  1. 积分区域画错（连续型）：看到 $0<x<1, 0<y<1$ 就以为是正方形，但如果题目写的是 $0<x<y<1$，区域是三角形！一定要先在草稿纸上画出区域再写积分上下限。
  2. 忘了分段积分：如果密度函数在不同区域有不同的表达式，需要拆成多段分别积分再相加。
  3. 变量"没用完"：连续型做完二重积分后，结果里不能还留着 x 或 y——它们应该被积分"消掉"。

🛑 途中停顿：停下来想一想——题目给的是表格（离散型）还是带 x,y 的公式（连续型）？这两种情况的"归一化=1"操作完全不同：离散型把所有格子加起来等于1，连续型在定义区域上做二重积分等于1。眼睛扫一遍题目，你能立刻判断出该用哪种方法吗？
这两类的配套练习（题1、题2）已经就近放在 1.4 节和 1.5 节的方法后面了，学完直接练。

题型二：求边缘分布（⭐⭐）

先看一道题：单看 X，分布是什么？

设 (X,Y) 的联合分布律如下表，求 X 和 Y 的边缘分布律。

X\Y Y=0 Y=1 Y=2
X=1 0.1 0.2 0.1
X=2 0.2 0.3 0.1

看到这题，先别慌。难在哪？——每个格子都是"X 和 Y 同时取某值"的概率，可这里只想要 X 单独的概率。比如 P(X=1)：数学 1 分的人，英语可能 0、1、2 分——三种情况都得算。

试着想——上一节 1.5 刚悟过：求 X 的边缘，就把表格每一行所有格子加起来（消掉 Y，留下 X）。于是：

Y 的边缘反过来：把每一列从上到下加起来。

验证：X 边缘和 = 1.0 ✓，Y 边缘和 = 1.0 ✓

🧠 这一步在想什么："行求和 → X 的边缘；列求和 → Y 的边缘"。离散型的边缘，本质就是把表格最右、最下的"合计"填出来。

答案：$P(X=1)=0.4, P(X=2)=0.6$；$P(Y=0)=0.3, P(Y=1)=0.5, P(Y=2)=0.2$

再看一道（连续型）：这次要把积分上下限"切"对

设 (X,Y) 的联合密度为：
$$f(x,y) = \begin{cases} 8xy, & 0 < x < y < 1 \ 0, & \text{其他} \end{cases}$$
求 X 和 Y 的边缘密度。

看到这题，先别慌。难在哪？——上一节说过连续型边缘 = 对另一个变量积分。但这里区域是三角形 $0<x<y<1$，直接照抄 $(-\infty,+\infty)$ 当上下限，整题报废。必须先画图，把"固定 x 时 y 能跑多远"看清楚。

试着想——求 $f_X(x)$：固定 x，对 y 积分。在 $0<x<1$ 内，y 从 x 到 1：
$$f_X(x) = \int_x^1 8xy , dy = 8x \cdot \left[\frac{y^2}{2}\right]_x^1 = 4x(1-x^2), \quad 0<x<1$$

求 $f_Y(y)$：固定 y，对 x 积分。在 $0<y<1$ 内，x 从 0 到 y：
$$f_Y(y) = \int_0^y 8xy , dx = 8y \cdot \left[\frac{x^2}{2}\right]_0^y = 4y^3, \quad 0<y<1$$

🧠 这一步在想什么：上下限来自"联合密度真正的非零区域"，不是公式里的 $(-\infty,+\infty)$。三角形区域里，x 和 y 互相"限制"对方——这就是为什么边缘密度往往是分段函数，而且算完必须标注取值范围。

答案：
$$f_X(x) = \begin{cases} 4x(1-x^2), & 0<x<1 \ 0, & \text{其他} \end{cases}, \quad f_Y(y) = \begin{cases} 4y^3, & 0<y<1 \ 0, & \text{其他} \end{cases}$$

🔍 回头看看：这两道题背后，其实是同一个招

离散型 连续型
求 X 的边缘 每行格子相加 对 y 积分
求 Y 的边缘 每列格子相加 对 x 积分
关键 行/列相加 按非零区域切上下限

📌 以后就这么办：求边缘分布 = 把另一个变量消掉。 ① 离散型：求 X 就逐行求和，求 Y 就逐列求和；② 连续型：求 $f_X(x)$ 就对 y 积分、求 $f_Y(y)$ 就对 x 积分——上下限按联合密度的非零区域来；③ 算完务必标注取值范围，并验证边缘分布总和（积分）等于 1。

翻车现场：

  1. 积分上下限没有分段：联合密度定义在三角形区域 $0<x<y<1$ 时，固定不同的 x 对应不同的 y 积分范围。不同 x 对应不同上下限，所以边缘密度是分段函数。
  2. 把"边缘"理解反了：X 的边缘是对 Y 求和/积分（消掉 Y），不是对 X 求和。记住：要消掉谁，就对谁求和/积分。

🛑 途中停顿：考考自己——求 X 的边缘分布时，你是对 X 求和还是对 Y 求和？用大白话说：你想消掉谁，就对谁求和/积分。现在不看笔记，你能说出来吗：求 $f_X(x)$ 时，积分变量是谁？求 $f_Y(y)$ 时呢？
这道题的配套练习（题3）已经就近放在 1.5 节的方法后面了，学完直接练。

题型三：判断独立性（⭐⭐⭐）

先看一道题：这两个变量，是"各过各的"吗？

设 (X,Y) 的联合分布律如下表，判断 X 与 Y 是否独立。

X\Y Y=0 Y=1
X=0 0.3 0.2
X=1 0.2 0.3

看到这题，先别慌。难在哪？——"独立"是上一节 1.7 悟出的"联合 = 边缘乘积"。可要判一个结论，总不能只靠感觉，得逐格验证。

试着想——先算边缘分布（每行/每列求和）：

再逐格检查"格子 = 行合计 × 列合计"。挑格子 (0,0)：联合概率 = 0.3，边缘乘积 = 0.5×0.5 = 0.25。0.3 ≠ 0.25，不相等！

🧠 这一步在想什么：独立性是"一票否决制"——找到一个反例就推翻。不用查完所有格子，一个不相等就足够下结论了。

答案：X 与 Y 不独立。

再看一道（连续型）：换个"衣服"，同一个招

设 (X,Y) 的联合密度为：
$$f(x,y) = \begin{cases} 4xy, & 0<x<1, 0<y<1 \ 0, & \text{其他} \end{cases}$$
判断 X 与 Y 是否独立。

看到这题，先别慌。难在哪？——离散型是"格子 = 边缘乘积"，连续型没有格子，但思想一样：联合密度 = 边缘密度乘积。而且这题区域是矩形 $0<x<1,;0<y<1$——第一关（形状）过了，可以往下算。

试着想——求边缘密度：

再算乘积：$f_X(x)·f_Y(y) = 2x·2y = 4xy = f(x,y)$ ✓ 处处相等。

🧠 这一步在想什么："矩形区域 + 密度可分离 → 独立"。如果区域不是矩形（三角形、圆形），直接判不独立，连算都不用算——这是最省力的速判法。

答案：X 与 Y 独立。

🔍 回头看看：这两道题背后，其实是同一个招

离散型 连续型
判什么 每个格子 = 行合计×列合计 联合密度 = 边缘密度乘积
一票否决 找到一个格子不满足 → 不独立 有一处不相等 → 不独立
速判 表格直接逐格 先看区域：非矩形 → 不独立

📌 以后就这么办：判断独立性 = 验证"联合 = 边缘乘积"是否处处成立。 ① 离散型：算出两个边缘，逐格检查 $p_{ij} = p_{i\cdot}\times p_{\cdot j}$，一个不满足就判不独立；② 连续型：先看定义区域是不是矩形——非矩形直接判不独立；矩形再算两个边缘密度，验证乘积是否等于联合密度；③ 全部成立才判独立。

翻车现场：

  1. 只检查一个格子就说"独立"：独立性要求所有位置都满足乘积关系。
  2. 混淆"不相关"和"独立"：独立一定不相关，但不相关不一定独立。只有二维正态分布中两者等价。
  3. 连续型忘了检查适用范围：边缘密度各自的非零区域和联合密度的非零区域不同时，即使表达式相等也不独立。

🛑 途中停顿：先别往下翻——题目给的是离散表格还是连续密度？离散型要逐个格子检查"联合=边缘乘积"。连续型有个速判法：先看定义区域形状！不是矩形（比如三角形、圆形）→ 直接判不独立，根本不用算。为什么？因为区域形状暴露了 X 和 Y 互相"绑住"对方。
这两道的配套练习（题4、题5）已经就近放在 1.7 节的方法后面了，学完直接练。

题型四：求条件分布（⭐⭐）

先看一道题：限定"英语 0 分"，数学怎么变？

设 (X,Y) 的联合分布律如下表。求在 Y=0 条件下 X 的条件分布律。

X\Y Y=0 Y=1 Y=2
X=1 0.1 0.2 0.1
X=2 0.2 0.3 0.1

看到这题，先别慌。难在哪？——"在 Y=0 的条件下"这半句，意味着我们要看的不是全校，而是"英语恰好 0 分"那一小撮人。可这张表里 Y=0 那一列的概率加起来只有 0.3，不是 1——不能直接用。

试着想——上一节 1.6 悟过：条件分布 = 联合 ÷ 边缘，竖线后面是谁，分母就是谁的边缘。条件是 Y=0，分母 = $P(Y=0) = 0.1+0.2 = 0.3$。然后把这列每个格子除以 0.3：

$$P(X=1|Y=0) = \frac{0.1}{0.3} = \frac{1}{3}, \quad P(X=2|Y=0) = \frac{0.2}{0.3} = \frac{2}{3}$$

验证：$\frac{1}{3} + \frac{2}{3} = 1$ ✓

🧠 这一步在想什么："固定条件列，格子 ÷ 该列合计"——把这一列重新缩放到总和为 1，它就成了一个合法的概率分布。

答案：$P(X=1|Y=0)=1/3$，$P(X=2|Y=0)=2/3$

再看一道（连续型）：这次是"密度相除"，别忘了范围

设 (X,Y) 的联合密度为：
$$f(x,y) = \begin{cases} 8xy, & 0<x<y<1 \ 0, & \text{其他} \end{cases}$$
求条件密度 $f_{X|Y}(x|y)$。

看到这题，先别慌。难在哪？——连续型没有"格子"，但公式不变：条件密度 = 联合密度 ÷ 边缘密度。竖线后面是 Y，分母就是 $f_Y(y)$。

试着想——第1步：前面已算过 $f_Y(y) = 4y^3$（$0<y<1$）。第2步：当 $0<y<1$ 时：
$$f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)} = \frac{8xy}{4y^3} = \frac{2x}{y^2}$$

第3步（最容易漏！）：x 的取值范围。从 $0<x<y<1$ 得 $0<x<y$——给定 Y=y 后，x 的范围被 y 限制了，不是原来的 $0<x<1$。

🧠 这一步在想什么："分子是联合密度、分母是竖线后面变量的边缘密度；算完必须标 x 的范围"。漏标范围，条件密度就不完整。

答案：
$$f_{X|Y}(x|y) = \begin{cases} \dfrac{2x}{y^2}, & 0<x<y \ 0, & \text{其他} \end{cases}, \quad 0<y<1$$

🔍 回头看看：这两道题背后，其实是同一个招

离散型 连续型
条件分布 = 格子 ÷ 列合计 联合密度 ÷ 边缘密度
分母 竖线后面变量的边缘概率 竖线后面变量的边缘密度
验证 条件概率加起来 = 1 对 x 积分 = 1（y 当常数）

📌 以后就这么办：求条件分布 = "联合 ÷ 竖线后面的边缘"。 ① 离散型：找条件列 → 求该列合计做分母 → 每个格子除以它；② 连续型：先求竖线后面变量的边缘密度 → 联合密度 ÷ 它；③ 记得：离散型验证总和为 1；连续型必须标注 x 的取值范围（受 y 约束）。

翻车现场：

  1. 离散型搞反分子分母：谁在竖线前面，谁在分子上；谁在竖线后面，谁的分母就是它的边缘概率。
  2. 连续型忘记标 x 的取值限制：比如联合密度在 $0<x<y<1$ 上，给定 $Y=y_0$ 后，x 范围是 $(0,y_0)$，不是 $(0,1)$。
  3. 连续型把 y 也当变量：条件密度中 y 是已知常数，x 才是变量。验证积分等于1时，是对 x 积分，y 当常数。

🛑 途中停顿：问自己三个问题：①竖线前面的是分子还是分母？②分母是谁的边缘概率？③连续型算完条件密度后，最容易漏掉什么？——答案是 x 的取值范围！给定 Y=y 后 x 能跑的范围会受到 y 的约束，不是原来的全范围。
这两道的配套练习（题6、题7）已经就近放在 1.6 节的方法后面了，学完直接练。

题型五：Z = X+Y 的分布——卷积公式（⭐⭐⭐）

先看一道题：两个均匀加起来，会长成什么样？

设 X 和 Y 独立同服从 [0,1] 上的均匀分布，求 Z = X+Y 的密度函数。

看到这题，先别慌。难在哪？——X 和 Y 都在 [0,1] 上，但 Z 的取值范围变了：最小 0+0=0，最大 1+1=2。可 Z 落在中间（比如 Z=1）的密度是多少？不能直接套单个变量的密度。

试着想——在 1.8 节悟过两条路：分布函数法（万能）和卷积公式（独立时）。这题 X、Y 独立，两条路都能走。先用分布函数法看全貌。

联合密度：在正方形 $[0,1]\times[0,1]$ 上为 1。先写出：
$$F_Z(z) = P(X+Y \leq z) = \iint_{x+y \leq z} f(x,y),dxdy$$

🧠 这一步在想什么："先求分布函数 F，再求导得密度"——直接求密度太难，绕道。关键拐点在画图：直线 $x+y=z$ 与正方形的交集形状取决于 z 的大小，所以要分段。

当 $0 \leq z < 1$ 时：直线切过正方形左下角，积分区域是一个等腰直角三角形（顶点在 (0,0)、(z,0)、(0,z)）：
$$F_Z(z) = \int_0^z \int_0^{z-x} 1 ,dy,dx = \int_0^z (z-x),dx = \left[zx - \frac{x^2}{2}\right]_0^z = \frac{z^2}{2}$$

当 $1 \leq z < 2$ 时：积分区域是正方形减去右上角的小三角形。更简单的做法是算右上角空白的面积：
$$F_Z(z) = 1 - \int_{z-1}^1 \int_{z-x}^1 1 ,dy,dx = 1 - \int_{z-1}^1 (1-z+x),dx$$
计算后半部分：
$$\int_{z-1}^1 (1-z+x),dx = \left[(1-z)x + \frac{x^2}{2}\right]_{z-1}^1 = \frac{(2-z)^2}{2}$$
所以 $F_Z(z) = 1 - \frac{(2-z)^2}{2}$。

当 $z<0$：$F_Z(z)=0$；当 $z \geq 2$：$F_Z(z)=1$。

求导得密度：
$$f_Z(z) = \begin{cases} z, & 0 \leq z < 1 \ 2-z, & 1 \leq z < 2 \ 0, & \text{其他} \end{cases}$$

这就是三角分布——从0线性上升到1，再从1线性下降到2。

🧠 这一步在想什么：分布函数法的灵魂是"分段画图"——直线 x+y=z 扫过正方形，形状不同，积分区域就不同。每一段都要画对，漏一段就错一段。

再看一道（这次用卷积，更快）

设 X 和 Y 独立同服从参数为 $\lambda$ 的指数分布，求 Z = X+Y 的密度。

看到这题，先别慌。难在哪？——指数分布支持域是 $x>0$，卷积的积分上下限得跟着变，不能照抄 $(-\infty,+\infty)$。

试着想——这题 X、Y 独立，可以用卷积公式：$f_X(x)=\lambda e^{-\lambda x}$（$x>0$），$f_Y(y)=\lambda e^{-\lambda y}$（$y>0$）。被积函数非零要求 $x>0$ 且 $z-x>0$，所以 x 从 0 到 z。当 $z>0$ 时：
$$f_Z(z) = \int_0^z \lambda e^{-\lambda x} \cdot \lambda e^{-\lambda (z-x)} , dx = \lambda^2 e^{-\lambda z} \int_0^z 1,dx = \lambda^2 z e^{-\lambda z}$$

🧠 这一步在想什么："独立 → 卷积一重积分；积分上下限由两个非零区域决定"。$e^{-\lambda x}\cdot e^{-\lambda(z-x)}$ 约成 $e^{-\lambda z}$（和 x 无关），积分立刻变简单。

答案：$f_Z(z) = \begin{cases} \lambda^2 z e^{-\lambda z}, & z>0 \ 0, & z\leq0 \end{cases}$
这是伽马分布 $Ga(2,\lambda)$。

🔍 回头看看：两条路，什么时候走哪条？

情况 推荐方法 原因
X 和 Y 独立，且联合密度比较简单 卷积公式 一重积分，计算量小
X 和 Y 不独立，或联合密度复杂 分布函数法 万能，什么情况都能用
不确定用哪个 分布函数法 稳，不会错

📌 以后就这么办：拿到 Z=X+Y，先问"X 和 Y 独立吗？" ① 独立 → 卷积公式 $f_Z(z)=\int f_X(x)f_Y(z-x),dx$（一重积分，快）；② 不独立或没把握 → 分布函数法 $F_Z(z)=\iint_{x+y\leq z}f(x,y),dxdy$ 再求导（二重积分，稳）；③ 无论哪条路，都要按 z 分段讨论积分上下限，算完标注 z 的取值范围。

翻车现场：

  1. 积分上下限写错：卷积积分范围是两个函数都非零的 x 的重叠区域。这个区域取决于 z，需要分段讨论。
  2. 忘了 $f_Y(z-x)$ 的非零条件：比如 $f_Y(y)$ 只在 (0,1) 上非零，则要求 $0<z-x<1$，即 $z-1<x<z$。
  3. 求完密度不写取值范围：$f_Z(z)$ 必须标明在什么 z 范围内有效。

经典结论速记：

🛑 途中停顿：拿到题目先看一个关键信息——题目明说了"X 和 Y 独立"吗？独立 → 用卷积公式（一重积分，快）；没明确说独立 → 老老实实用分布函数法（二重积分，稳）。你手头这道题该走哪条路？
这两道的配套练习（题8、题9）已经就近放在 1.8 节的方法后面了，学完直接练。

题型六：max与min的分布（⭐⭐）

先看一道题：两个变量的"最好"和"最差"，分布是什么？

设 X 与 Y 独立，X ~ (0:0.3, 1:0.7)，Y ~ (0:0.4, 1:0.6)。求 M = max(X,Y) 和 N = min(X,Y) 的分布律。

看到这题，先别慌。难在哪？——X 和 Y 都能取 0 或 1，但 max 和 min 把两个数的关系搅在一起：M=0 要"两个都取 0"；N=0 只要"至少一个取 0"。"至少一个"比"两个都"难算。

试着想——max 可以直来直去：$M \leq 0$ 等价于"X 和 Y 都 ≤ 0"，独立时概率相乘：
$$P(M\leq0) = P(X\leq0,Y\leq0) = 0.3\times0.4 = 0.12$$

但 min 必须绕道："N ≤ 0"是"至少一个取 0"，不好直接乘。反过来想——先求"N > 0"，那才是干净的"两个都 > 0"：
$$P(N>0) = P(X>0,Y>0) = 0.7\times0.6 = 0.42$$

再用 1 减回来：$P(N=0) = 1 - 0.42 = 0.58$。

🧠 这一步在想什么："max 乘正概率（≤ z），min 乘反概率（> z）再反回来"。这就是上一节 1.8 悟出的"正门直入 / 后门绕道"。

答案：$M\sim(0:0.12, 1:0.88)$，$N\sim(0:0.58, 1:0.42)$

🔍 回头看看：max 和 min 到底差在哪？

max min
关键等价 $M \leq z \iff$ 所有人都 $\leq z$ $N > z \iff$ 所有人都 $> z$
独立同分布 $F_M(z) = [F(z)]^n$ $F_N(z) = 1-[1-F(z)]^n$
路径 直来直去（正门） 绕道而行（后门）

📌 以后就这么办：碰到 max/min，先分清走正门还是后门。 ① max：$F_M(z) = P(M\leq z) = P(\text{所有}\leq z)$，独立就概率相乘（同分布再写成 $[F(z)]^n$）；② min：不许直接写 $P(N\leq z)=P(X\leq z,Y\leq z)$——那是错的！要先求 $P(N>z)=P(\text{所有}>z)$，再用 1 减（同分布写成 $1-[1-F(z)]^n$）；③ 串联系统用 min、并联系统用 max。

翻车现场：

  1. min 的坑（高频错误！）：直接写 $F_N(z) = P(X\leq z, Y\leq z)$——错的！ $\min\leq z$ 是"只要有一个不超过 z"，不是"两个都不超过 z"。必须用 $1-P(N>z)$ 绕一下。
  2. 把 max 和 min 的公式记反：max 的分布函数是各自分布函数的乘积；min 是 1 减各自生存函数的乘积。

🛑 途中停顿：最容易搞混的两个公式——max 和 min，你能默写出来吗？max≤z 等价于"所有都≤z"→ 分布函数直接相乘。min 不能直接乘！min≤z 必须绕道：先算"所有都>z"，再用 1 减。串联用 min（最弱决定），并联用 max（最强撑住）。用你自己的话说一遍。
这三道的配套练习（题10、题11、题12）已经就近放在 1.8 节的方法后面了，学完直接练。

题型七：二维均匀分布与二维正态分布（⭐⭐）

7A. 二维均匀分布

先看一道题：圆上的均匀分布，边缘还是均匀吗？

设 (X,Y) 在单位圆 $x^2+y^2\leq1$ 上服从均匀分布。（1）写出联合密度；（2）求 X 的边缘密度；（3）求 $P(X>0, Y>0)$。

看到这题，先别慌。难在哪？——"均匀"意味着落在每个位置的密度一样，所以联合密度在圆内是个常数。但这个常数多大？得靠"全平面积分=1"逼出来。

试着想——（1） 圆的面积 = $\pi$，由归一化条件，圆内密度必须满足 密度 × 面积 = 1，所以 $f(x,y)=1/\pi$（$x^2+y^2\leq1$）。

🧠 这一步在想什么：二维均匀分布的密度 = 1/区域面积。第（2）问就暴露一个陷阱：圆不是矩形，X 的边缘密度不是常数！固定 x（-1<x<1），y 的范围 $-\sqrt{1-x^2}\leq y\leq\sqrt{1-x^2}$：
$$f_X(x) = \int_{-\sqrt{1-x^2}}^{\sqrt{1-x^2}} \frac{1}{\pi},dy = \frac{2}{\pi}\sqrt{1-x^2}$$

带根号，根本不是常数。（3）$P(X>0,Y>0) = \frac{\text{四分之一圆面积}}{\text{圆面积}} = \frac{\pi/4}{\pi} = \frac{1}{4}$——均匀分布算概率，就是算面积比。

答案：（1）$f=1/\pi$（2）$f_X(x)=\frac{2}{\pi}\sqrt{1-x^2}$（3）1/4

📌 以后就这么办：看到二维均匀分布，三步走。 ① 确定区域 D 的形状（矩形、三角形、圆形等）；② 计算 D 的面积 |D|，密度就是 $1/|D|$；③ 求边缘/条件/概率时，固定一个变量对另一个积分（连续）或算面积比，注意非矩形区域的边缘密度往往不是常数。

7B. 二维正态分布

先看一道题：ρ=0.5，这两个变量独立吗？

设 $(X,Y)\sim N(0,1;0,4;0.5)$。判断：（1）X 与 Y 独立？（2）X+Y 服从正态？（3）若 $\rho=0$ 则独立？（4）2X-Y 服从正态？

看到这题，先别慌。难在哪？——(X,Y) 服从二维正态，它身上的每个小结论都可能在"一般分布不成立、唯独二维正态成立"的边缘。第（3）问尤其阴：一般分布里 $\rho=0$ 只说明"不相关"，不能说明"独立"；但二维正态里 $\rho=0$ 就等价于独立——这是它的独有性质。

试着想——（1）$\rho=0.5\neq0$，不独立。（2）对，$X+Y\sim N(0,7)$（二维正态线性组合永远是正态）。（3）对，二维正态独有性质：$\rho=0\iff$独立。（4）对，线性组合仍是正态，$2X-Y\sim N(0,4)$。

🧠 这一步在想什么：二维正态的四大性质——独立⇔ρ=0、边缘正态、条件正态、线性组合仍正态——前三条在 1.9 节见过，第（4）条"线性组合仍是正态"是这节考得最多的大题基础。

答案：（1）错（2）对（3）对（4）对

📌 以后就这么办：看到二维正态，先对号四大性质。 ① 边缘：$X \sim N(\mu_1, \sigma_1^2)$，$Y \sim N(\mu_2, \sigma_2^2)$；② 独立 ⇔ $\rho=0$（二维正态独有！）；③ 条件分布也是正态；④ 线性组合 $aX+bY$ 仍是正态。另外记住陷阱：两个边缘都是正态，不代表联合是二维正态。

翻车现场：

  1. 均匀分布——边缘密度是常数？错！ 比如三角形区域上的二维均匀分布，边缘密度一般不是常数。别想当然。
  2. 正态分布——$\rho=0$ 只能说"不相关"，不能说"独立"？ 对一般分布是对的，但对二维正态，$\rho=0$ 意味着独立！
  3. 边缘正态 ≠ 联合正态：两个边缘分布都是正态，不代表联合分布是二维正态。

🛑 途中停顿：两个高频陷阱，看你能不能识破：①圆形/三角形区域上的二维均匀分布，边缘密度是常数吗？（不是！圆形边缘带 $\sqrt{1-x^2}$）②二维正态独有的那条性质是什么？提示：对一般分布不成立，唯独二维正态成立。（答案：$\rho=0 \iff$ 独立）
这三道的配套练习（题13、题14、题15）已经就近放在 1.9 节的方法后面了，学完直接练。

🧪 学完自测（4选择 + 2判断 + 4简答）

混搭全章知识点，检验你是不是真懂了。答案全部折叠，先自己做再看。

选择题1：下列哪个区域上的二维均匀分布，X 与 Y 一定独立？

A. 正方形 $0<x<1, 0<y<1$
B. 三角形 $0<x<1, 0<y<1-x$
C. 圆形 $x^2+y^2 \leq 1$
D. 以上都不独立

点击看答案

A。 只有矩形区域（且边与坐标轴平行）上的二维均匀分布，X 与 Y 才独立。三角形和圆形区域上 X 的取值会限制 Y 的范围，所以不独立。

选择题2：关于二维正态分布，下列说法错误的是：

A. 边缘分布都是一维正态分布
B. $\rho=0$ 时 X 与 Y 独立
C. 两个边缘都是正态，则联合分布一定是二维正态
D. X+Y 也服从正态分布

点击看答案

C。 这是考研高频陷阱。两个边缘都是正态，不代表联合是二维正态。必须明确说"服从二维正态分布"才行。A、B、D 都是二维正态的正确性质。

选择题3：$\min(X,Y) \leq z$ 的概率，正确做法是：

A. $P(X \leq z) \cdot P(Y \leq z)$
B. $1 - P(X > z) \cdot P(Y > z)$
C. $P(X \leq z) + P(Y \leq z)$
D. $[F(z)]^2$

点击看答案

B。 min 不能直接写乘积（那是 max 的做法）。必须绕道：先算"两个都 > z"的概率，再用 1 减。选项 A 和 D 是 max 的公式。

选择题4：已知联合分布律如下，X 与 Y 是否独立？

X\Y Y=0 Y=1
X=0 0.3 0.2
X=1 0.2 0.3

A. 独立，因为所有概率加起来等于 1
B. 独立，因为每个格子都是边缘的乘积
C. 不独立，因为 P(X=0,Y=0) ≠ P(X=0)·P(Y=0)
D. 无法判断

点击看答案

C。 $P(X=0)=0.5$，$P(Y=0)=0.5$，乘积 $=0.25$，但实际 $P(X=0,Y=0)=0.3 \neq 0.25$。找到一个反例就够判不独立了。

判断题1：卷积公式 $f_Z(z)=\int f_X(x)\cdot f_Y(z-x),dx$ 只在 X 和 Y 独立时才能使用。

点击看答案

对。 卷积公式依赖"联合 = 边缘乘积"，这正是独立条件。不独立时必须用分布函数法（二重积分）。

判断题2：二维均匀分布中，X 的边缘密度也是均匀分布。

点击看答案

错。 比如三角形区域上的二维均匀分布，边缘密度是线性函数（不是常数）。圆形区域的边缘密度含 $\sqrt{1-x^2}$。别想当然！

简答题1：用自己的话解释——为什么"边缘分布一般不能反推联合分布"？在你解释时，举一个具体的例子来说明。

点击看答案

要点：边缘分布只告诉你 X 单独是什么样的、Y 单独是什么样的，但丢掉了 X 和 Y 之间"怎么配合"的信息。比如两个班的数学和英语边缘分布完全相同，但一个班"数学好的人英语也好"（正相关），另一个班"数学好的英语反而差"（负相关）——它们的联合分布完全不同。所以光看边缘分不出这两个班。唯一的例外是 X 和 Y 独立时，联合 = 边缘乘积，可以从边缘反推联合。

简答题2：串联电路和并联电路中，系统寿命分别对应 max 还是 min？为什么？用大白话说出两者的公式推导思路。

点击看答案

串联 = min（最脆弱的元件决定系统寿命，一个坏就全坏）。推导：先算 $P(\min > z)$ = "所有元件都 > z" = $(1-F(z))^n$，然后 $F_N(z)=1-$ 这个结果。

并联 = max（最坚挺的元件撑到最后，全坏才坏）。推导：直接算 $P(\max \leq z)$ = "所有元件都 ≤ z" = $[F(z)]^n$。

关键区别：min 必须绕道（用 1 减），max 直接乘。

简答题3：二维正态分布的沙子山包比喻中，$\rho=0$ 时山是什么形状？这和"X 与 Y 独立"有什么关系？

点击看答案

$\rho=0$ 时山是圆形的——没有倾斜，X 方向和 Y 方向完全对称。这意味着知道 X 的取值无法推断 Y 更可能在哪边（正方向还是负方向），两个方向的信息互不影响——这正是"独立"的直观含义。这也是二维正态独有性质：$\rho=0$ 直接等价于独立，其他分布没有这个等价关系。

简答题4：求连续型条件密度 $f_{X|Y}(x|y)$ 时，最容易漏掉的两件事是什么？

点击看答案

最容易漏掉的两件事：

  1. 忘记标注 x 的取值范围——给定 $Y=y$ 后，x 能跑的范围会受到 y 的约束。比如联合密度在 $0<x<y<1$ 上，给定 $Y=0.5$ 后 x 范围是 $(0, 0.5)$，不是 $(0, 1)$。
  2. 忘记分母 $f_Y(y)$ 必须在 y 处大于 0——如果 $f_Y(y)=0$，说明这个 y 根本不可能出现，你没法在不可能发生的条件下讨论别的变量。

③ 综合混搭练习

打乱题型，逼你自己判断用哪个方法。以下四道题混合了本章的多个题型。

混搭1 🎲（题型一+二+三+四：离散型联合分布综合）

已知二维离散型随机变量 (X,Y) 的联合分布律如下表：

X\Y 0 1
0 0.1 b
1 a 0.3

且已知 $P(X=1)=0.5$。

（1）求参数 a 和 b 的值；
（2）求 X 和 Y 的边缘分布律；
（3）判断 X 和 Y 是否独立；
（4）求在 Y=1 条件下 X 的条件分布律。

点击看答案

（1）求 a 和 b

已知 $P(X=1)=a+0.3=0.5$，所以 $a=0.2$。

归一化：$0.1+b+0.2+0.3=1$，所以 $b=0.4$。

完整表格：

X\Y 0 1
0 0.1 0.4
1 0.2 0.3

（2）边缘分布

$P(X=0)=0.1+0.4=0.5$，$P(X=1)=0.5$
$P(Y=0)=0.1+0.2=0.3$，$P(Y=1)=0.4+0.3=0.7$

（3）判断独立性

检查 (X=0, Y=0)：$P=0.1$，$P(X=0)P(Y=0)=0.5\times0.3=0.15$
$0.1\neq0.15$，所以不独立。

（4）条件分布

$P(Y=1)=0.7$
$P(X=0|Y=1)=0.4/0.7=4/7$
$P(X=1|Y=1)=0.3/0.7=3/7$

答案：（1）$a=0.2, b=0.4$（2）X: (0:0.5, 1:0.5), Y: (0:0.3, 1:0.7)（3）不独立（4）$X|Y=1$: (0:4/7, 1:3/7)

混搭2 🔄（题型一+二+四+七：三角形区域均匀分布）

设 (X,Y) 在由 $x=0$、$y=0$、$x+y=1$ 围成的三角形区域上服从均匀分布。

（1）写出联合密度函数 $f(x,y)$；
（2）求 X 的边缘密度 $f_X(x)$；
（3）求条件密度 $f_{Y|X}(y|x)$；
（4）求 $P(Y>0.5;|;X=0.25)$。

点击看答案

（1）联合密度

三角形顶点 (0,0), (1,0), (0,1)，面积 = 1/2。
$$f(x,y)=\begin{cases}2,&0<x<1,;0<y<1-x\0,&\text{其他}\end{cases}$$

（2）X的边缘密度

固定 x（$0<x<1$），y 从 0 到 $1-x$：
$$f_X(x)=\int_0^{1-x}2,dy=2(1-x),\quad 0<x<1$$

（3）条件密度

$$f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}=\frac{2}{2(1-x)}=\frac{1}{1-x},\quad 0<y<1-x$$

给定 X=x 后，Y 在 $(0,1-x)$ 上均匀分布。

（4）$P(Y>0.5|X=0.25)$

给定 X=0.25，Y 在 $(0,0.75)$ 上均匀分布，密度 $=1/0.75=4/3$。
$$P(Y>0.5|X=0.25)=\frac{0.75-0.5}{0.75}=\frac{0.25}{0.75}=\frac{1}{3}$$

答案：（1）$f=2$（2）$f_X(x)=2(1-x)$（3）$f_{Y|X}(y|x)=1/(1-x)$（4）1/3

混搭3 🧩（题型五+七：正态分布性质与卷积）

设 XN(1,4)，YN(2,9)，且 X 与 Y 相互独立。

（1）求 Z = X+Y 的分布；
（2）求 $P(Z>3)$（用标准正态分布函数 $\Phi$ 表示）；
（3）如果 X 和 Y 不独立，相关系数 $\rho=0.5$，Z = X+Y 还服从正态分布吗？

点击看答案

（1）Z 的分布

独立正态的和仍是正态。$E(Z)=1+2=3$，$Var(Z)=4+9=13$。
所以 $Z\sim N(3,13)$。

（2）$P(Z>3)$

$$P(Z>3)=P\left(\frac{Z-3}{\sqrt{13}}>0\right)=1-\Phi(0)=1-0.5=0.5$$

因为对称性，正态分布大于其均值的概率正好是 0.5。

（3）不独立时

仍然服从正态分布！二维正态的线性组合永远是正态，不管 $\rho$ 是多少。
方差用到第 4 章的公式——先记结论：和的方差 = 各自方差 + 交叉项（完整公式第 4 章正式学），套进来算：$Var(Z)=4+9+2\times0.5\times\sqrt{4\times9}=13+6=19$。
$Z\sim N(3,19)$。

答案：（1）$Z\sim N(3,13)$（2）0.5（3）是，$Z\sim N(3,19)$

混搭4 🎯（题型五+六：指数分布综合）

设某设备有两个独立工作的核心部件，寿命（单位：千小时）分别为 $X\sim\text{Exp}(1)$，$Y\sim\text{Exp}(2)$（参数 $\lambda$ 越大，平均寿命越短）。

（1）求 $X$ 和 $Y$ 的平均寿命；
（2）若系统为串联（任一部件失效则系统失效），求系统寿命 $N=\min(X,Y)$ 的分布；
（3）若系统为并联（两部件都失效才失效），求系统寿命 $M=\max(X,Y)$ 的分布函数 $F_M(t)$；
（4）求串联系统的平均寿命。

点击看答案

（1）平均寿命

指数分布 $E(\lambda)$ 的均值 $=1/\lambda$。
$E(X)=1$（千小时），$E(Y)=1/2=0.5$（千小时）。

（2）串联（min）

$F_N(t)=1-[1-F_X(t)][1-F_Y(t)]=1-e^{-t}·e^{-2t}=1-e^{-3t}$（$t>0$）
所以 $N\sim\text{Exp}(3)$，密度 $f_N(t)=3e^{-3t}$。

（3）并联（max）

$F_M(t)=F_X(t)·F_Y(t)=(1-e^{-t})(1-e^{-2t})$（$t>0$）
展开：$F_M(t)=1-e^{-t}-e^{-2t}+e^{-3t}$。

（4）串联平均寿命

$E(N)=1/3\approx0.333$（千小时）≈ 333 小时。
单个元件平均寿命已经是 1 和 0.5，串联后降到 0.333——"短板效应"很明显。

答案：（1）1千小时, 0.5千小时（2）$N\sim\text{Exp}(3)$（3）$F_M(t)=1-e^{-t}-e^{-2t}+e^{-3t}$（4）0.333千小时

🔄 回马枪题（第1-2章回顾）

学新知识容易忘旧知识。下面4道题把第1-2章的内容拉到本章场景里交叉练习——旧知识不白学，新知识更牢固。

🔄 回马枪1 — 全概率+贝叶斯 × 联合分布（第1章）

某工厂有两条生产线：甲线产量占 70%，次品率 10%；乙线产量占 30%，次品率 5%。

（1）用全概率公式求随机抽一件产品是次品的概率。
（2）已知抽到一件次品，用贝叶斯公式求它来自甲线的概率。
（3）随机抽一件产品，定义 X = 1（甲线）/ 0（乙线），Y = 1（次品）/ 0（正品）。写出 (X,Y) 的联合分布律（四格表），并判断 X 和 Y 是否独立。

点击看答案

（1）全概率公式

记 A = "来自甲线"，B = "次品"。
$$P(B) = P(B|A)P(A) + P(B|\bar{A})P(\bar{A}) = 0.10 \times 0.70 + 0.05 \times 0.30 = 0.07 + 0.015 = 0.085$$

（2）贝叶斯公式

$$P(A|B) = \frac{P(B|A)P(A)}{P(B)} = \frac{0.10 \times 0.70}{0.085} = \frac{0.07}{0.085} = \frac{14}{17} \approx 0.824$$

大白话：虽然甲线次品率更高（10% vs 5%），但"已知是次品→来自甲线"的概率高达82.4%——因为甲线产量大（70%），产出的次品绝对数量多。

（3）联合分布律

X\Y Y=0（正品） Y=1（次品）
X=0（乙线） 0.285 0.015
X=1（甲线） 0.630 0.070

验算：0.285+0.015+0.630+0.070 = 1.000 ✓

判断独立性：检查 (X=1, Y=1) 这个格子——

  • 联合概率：$P(1,1) = 0.070$
  • 边缘乘积：$P(X=1) \times P(Y=1) = 0.70 \times 0.085 = 0.0595$

$0.070 \neq 0.0595$，所以 X 和 Y 不独立。直观理解：甲线的次品率比乙线高，所以"来自哪条线"的信息会改变你对"是不是次品"的判断——两者有联系。

答案：（1）0.085（2）14/17 ≈ 0.824（3）不独立

🔄 回马枪2 — 一维分布函数性质（第2章）

关于分布函数 $F(x) = P{X \leq x}$，以下哪个选项一定正确？

A. $F(x)$ 在 $(-\infty, +\infty)$ 上处处连续
B. $F(x)$ 是严格单调递增的函数
C. $\lim\limits_{x \to -\infty} F(x) = 0$，$\lim\limits_{x \to +\infty} F(x) = 1$
D. $F(x)$ 的值可以大于 1

点击看答案

逐项分析：

  • A ❌：离散型随机变量的分布函数是阶梯函数（有跳跃），只在跳跃点之间连续。比如 X 只取 0 和 1，$F(x)$ 在 x=0 和 x=1 处有跳跃——不连续。
  • B ❌：分布函数是"单调不减"，不是"严格单调递增"。在随机变量取不到值的区间（比如离散型两个取值之间的区间），$F(x)$ 是常数。常数的区间里不"严格递增"。
  • C ✅：这是分布函数的基本性质——x 越来越小，概率趋于 0（几乎不可能比负无穷还小）；x 越来越大，概率趋于 1（几乎肯定不超过正无穷）。
  • D ❌：$F(x)$ 是概率，概率永远在 $[0, 1]$ 之间，不可能大于 1。

答案：C

🐱 大白话：分布函数就是一个"累计概率计数器"——从最左边（-∞）开始是 0，一路往右走，计数器只增不减，走到最右边（+∞）刚好到 1。中间可能有平台（概率不变），也可能有跳跃（概率突然增加）。这就是分布函数的"画像"。

🔄 回马枪3 — 正态标准化 × 多维场景（第2章）

设 $X \sim N(2, 4)$，$Y \sim N(1, 9)$，且 X 与 Y 相互独立。

（1）$Z = X + Y$ 服从什么分布？写出均值和方差。
（2）求 $P(Z > 5)$，用标准正态分布函数 $\Phi(\cdot)$ 表示。
（3）求 $P(X > Y)$，用 $\Phi(\cdot)$ 表示。（提示：考虑 $W = X - Y$，W 也是正态分布。）

点击看答案

（1）Z 的分布

独立正态的和仍是正态。

  • $E(Z) = E(X) + E(Y) = 2 + 1 = 3$
  • $Var(Z) = Var(X) + Var(Y) = 4 + 9 = 13$

所以 $Z \sim N(3, 13)$。

（2）$P(Z > 5)$

标准化：$\frac{Z - 3}{\sqrt{13}} \sim N(0, 1)$

$$P(Z > 5) = P!\left(\frac{Z - 3}{\sqrt{13}} > \frac{5 - 3}{\sqrt{13}}\right) = 1 - \Phi!\left(\frac{2}{\sqrt{13}}\right)$$

（3）$P(X > Y)$

$W = X - Y$ 也是正态分布（独立正态的线性组合仍是正态）：

  • $E(W) = 2 - 1 = 1$
  • $Var(W) = Var(X) + (-1)^2 Var(Y) = 4 + 9 = 13$

所以 $W \sim N(1, 13)$。

$$P(X > Y) = P(W > 0) = P!\left(\frac{W - 1}{\sqrt{13}} > \frac{0 - 1}{\sqrt{13}}\right) = 1 - \Phi!\left(\frac{-1}{\sqrt{13}}\right) = \Phi!\left(\frac{1}{\sqrt{13}}\right)$$

最后一步用了 $\Phi(-z) = 1 - \Phi(z)$。

答案：（1）$Z \sim N(3, 13)$（2）$1 - \Phi(2/\sqrt{13})$（3）$\Phi(1/\sqrt{13})$

🔄 回马枪4 — 二项分布 × 多维组合（第2章）

设 $X \sim B(2,\ 0.6)$，$Y \sim B(3,\ 0.4)$，且 X 与 Y 相互独立。

（1）分别写出 X 和 Y 的边缘分布律（列出所有可能取值及概率）。
（2）求 $P(X = Y)$。
（3）求 $Z = X + Y$ 的分布律。

点击看答案

（1）边缘分布律

X ~ B(2, 0.6)：$P(X=k) = C_2^k \cdot 0.6^k \cdot 0.4^{2-k}$

X 0 1 2
P $0.4^2=0.16$ $2\times0.6\times0.4=0.48$ $0.6^2=0.36$

Y ~ B(3, 0.4)：$P(Y=k) = C_3^k \cdot 0.4^k \cdot 0.6^{3-k}$

Y 0 1 2 3
P $0.6^3=0.216$ $3\times0.4\times0.36=0.432$ $3\times0.16\times0.6=0.288$ $0.4^3=0.064$

（2）$P(X = Y)$

由于 X 最大取 2、Y 最大取 3，X=Y 只可能是 0, 1, 2。利用独立性 $P(X=k, Y=k) = P(X=k) \cdot P(Y=k)$：

$$P(X=Y) = 0.16 \times 0.216 + 0.48 \times 0.432 + 0.36 \times 0.288$$
$$= 0.03456 + 0.20736 + 0.10368 = 0.3456$$

（3）$Z = X+Y$ 的分布律

Z 取值为 0~5。利用离散卷积：$P(Z=k) = \sum_i P(X=i) \cdot P(Y=k-i)$

Z 计算过程 结果
0 $P(0,0)=0.16\times0.216$ 0.03456
1 $P(0,1)+P(1,0)=0.16\times0.432+0.48\times0.216$ 0.17280
2 $P(0,2)+P(1,1)+P(2,0)$ 0.33120
3 $P(0,3)+P(1,2)+P(2,1)$ 0.30400
4 $P(1,3)+P(2,2)=0.48\times0.064+0.36\times0.288$ 0.13440
5 $P(2,3)=0.36\times0.064$ 0.02304

验算：0.03456+0.17280+0.33120+0.30400+0.13440+0.02304 = 1.00000 ✓

答案：（1）见上表（2）0.3456（3）见上表

🎯 考试导航

题型 考频 常见出题形式 备考建议
求联合分布中的未知参数 ⭐⭐⭐ 选择/填空，给表格或密度求常数 归一化条件是基本功。连续型先画图定区域再积分
判断独立性 ⭐⭐⭐ 概念题或计算题中的一小问 离散型逐个格子检查。连续型先看区域形状——非矩形大多不独立
Z=X+Y的分布（卷积公式） ⭐⭐⭐ 大题，考研重点 分清用分布函数法还是卷积法。注意分段讨论和积分上下限
求条件分布 ⭐⭐ 大题中的一部分 连续型最容易漏标注x的取值范围。分母不能为0
求边缘分布 ⭐⭐ 计算题基础操作 连续型边缘密度一定是分段函数！算完一定要标范围并验证积分=1
max/min的分布 ⭐⭐ 应用题（串联/并联系统） min公式一定要绕道 $P(N>z)$。记清：max乘积，min补乘积
二维均匀与二维正态 ⭐⭐ 性质概念题 二维正态独有性质：独立⇔ρ=0。均匀的边缘一般不是均匀！

解题公式速查

题型 核心公式
归一化（离散） $\sum_i\sum_j p_{ij}=1$
归一化（连续） $\iint f(x,y),dxdy=1$
边缘（离散） $p_{i\cdot}=\sum_j p_{ij}$，$p_{\cdot j}=\sum_i p_{ij}$
边缘（连续） $f_X(x)=\int f(x,y)dy$，$f_Y(y)=\int f(x,y)dx$
独立性 $F(x,y)=F_X(x)F_Y(y)$ 或 $f(x,y)=f_X(x)f_Y(y)$
条件（离散） $P(X=x_i
条件（连续） $f_{X
卷积（独立时） $f_Z(z)=\int f_X(x)f_Y(z-x)dx$
max分布 $F_M(z)=[F(z)]^n$（独立同分布）
min分布 $F_N(z)=1-[1-F(z)]^n$（独立同分布）

练习题型对照表

配套练习已就近放在对应知识块后面（方法讲完立刻练）。下表标注每道练习的当前位置。

题号 难度 所属题型 核心考点 现在的位置
1 ⭐ 题型一+二 离散联合律：归一化+边缘求和 1.5 节边缘分布后
2 ⭐ 题型一 连续归一化：二重积分求参数 1.4 节联合密度后
3 ⭐ 题型二 连续边缘密度：注意三角形区域 1.5 节边缘分布后
4 ⭐ 题型三 离散独立性：找到反例即不独立 1.7 节独立性后
5 ⭐⭐ 题型三 连续独立性：密度可分离变量 1.7 节独立性后
6 ⭐ 题型四 离散条件分布：联合÷边缘 1.6 节条件分布后
7 ⭐⭐ 题型四 连续条件密度：先求边缘再代入 1.6 节条件分布后
8 ⭐⭐ 题型五 卷积公式：U(0,1)和→三角分布 1.8 节卷积后
9 ⭐⭐⭐ 题型五 正态可加性：和仍是正态 1.8 节卷积后
10 ⭐ 题型六 max分布：独立同分布指数 1.8 节 max/min 后
11 ⭐⭐ 题型六 min分布：不同区间需分段 1.8 节 max/min 后
12 ⭐⭐⭐ 题型六 应用：串联min/并联max 1.8 节 max/min 后
13 ⭐⭐ 题型七 二维均匀：三角形区域几何概率 1.9 节二维均匀后
14 ⭐⭐ 题型七 二维正态：ρ=0→独立 1.9 节二维正态后
15 ⭐⭐⭐ 题型七 综合：圆域均匀全部性质 1.9 节二维正态后

📋 自检清单

学完这章，你应该能回答下面这些问题。如果哪个答不上来，回到对应小节重新看。

💡 深度思考题

下面的问题不考计算，考的是你对"为什么"的理解。没有标准答案，但你得能用自己的话说清楚。

思考1：卷积公式和分布函数法都能求 Z=X+Y 的分布。什么时候优先选卷积？什么时候只能靠分布函数法？选错方法会有什么后果？——从"两个方法的根本区别"这个角度来回答。

思考2：为什么二维正态分布中 $\rho=0$ 等价于独立，但一般分布中 $\rho=0$ 不等于独立？想一个具体的"不相关但不独立"的例子（比如 Y = X^2，X 对称分布在 [-1, 1] 上），然后用大白话解释为什么它们不相关（没有线性趋势），但明明有很强的关系。

思考3：给你一个联合密度 f(x,y) 定义在三角形区域上，有人说"直接对 y 积分就能得到 f_X(x)"。这句话对不对？如果不对，最容易在哪个环节出错？用三角形区域为例，画出图来说明。

🔗 章末过渡

本章讲完了。你现在手里有了分析两个随机变量"关系"的全套工具：联合分布是全家福（两人一起看），边缘分布是单人照（只看一个人），条件分布是加了筛选条件后的样子，独立性告诉你两个人是不是各过各的，卷积和 max/min 告诉你它们的运算结果长什么样。

下一章（第4章）要给这些"关系"一个数字——就像给两个人的亲密程度打个分（0 到 1 之间）。这个分数就是"协方差和相关系数"。你会发现，本章学过的独立性判断、边缘分布、联合分布，在下一章全部会重新用到——比如协方差的定义就是从联合分布出发，而相关系数 $\rho$ 你已经在本章二维正态分布中见过面了。

🧭 学完回顾：本章推导链

闭上眼睛，沿着下面这条线走一遍——从"两个变量一起看"到"判断它们有没有关系"再到"把两个分布合成一个新分布"。卡在哪一步，就回到对应小节重新看。全走通了，这章才算真正学透了。

                          联合分布函数 F(x,y)=P{X≤x, Y≤y}
                           (刻画"两个变量一起"的累计概率)
                                        │
                      ┌─────────────────┼─────────────────┐
                      ↓                                    ↓
                四条基本性质                            两种类型
                                                         │
                ·单调不减                       ┌────────┴────────┐
                ·有界性: F(-∞,·)=0              ↓                  ↓
                  F(+∞,+∞)=1              离散型(X,Y)        连续型(X,Y)
                ·右连续                     联合分布律 pᵢⱼ      联合密度 f(x,y)
                ·★矩形概率非负               (二维表格)         (三维曲面)
                  (二维容斥原理)              一格一格数          一片一片积分
                      │                           │                  │
                      └───────────────┬───────────┘                  │
                                      ↓                              │
                             联合分布 (F / pᵢⱼ / f)                 │
                             "全家福"——两个人一起看                   │
                                      │                              │
                        ┌─────────────┼─────────────┐                │
                        ↓                           ↓                │
                   边缘分布                     条件分布              │
              "把另一个人压扁消掉"         "已知一个人,重算另一个"      │
                                                                      │
              离散: pᵢ· = Σⱼ pᵢⱼ         离散: pᵢⱼ / p·ⱼ            │
              连续: f_X = ∫ f dy         连续: f(x,y) / f_Y(y)       │
              (求和/积分消掉不要的)        (联合÷边缘 = 条件)          │
                        │                           │                │
                        └─────────────┬─────────────┘                │
                                      ↓                              │
                              独立性判定                              │
                         "两个人是不是各过各的?"                       │
                                                                      │
                    判法1: 联合 = 边缘乘积                             │
                    f(x,y) = f_X(x)·f_Y(y) ?                          │
                                                                      │
                    判法2: 条件 = 边缘                                 │
                    知道Y改变不了X的分布吗?                             │
                                                                      │
                    速判法: 区域非矩形 → 直接不独立!                    │
                    矩形 + 可分离变量 → 独立                           │
                                      │                              │
                    ┌─────────────────┼─────────────────┐            │
                    ↓                 ↓                  ↓            │
               Z = X+Y            max / min           Z = X/Y         │
            "两个因素叠加"    "最好的/最差的"    "两个因素相除"        │
                                                                      │
          分布函数法(通用)    max ≤ z ⇔ 都 ≤ z    分Y>0和Y<0         │
          F=∬_{x+y≤z} f      F_M = [F(z)]ⁿ      两段积分             │
                                                                      │
          X,Y独立 → 卷积     min > z ⇔ 都 > z    求导得密度           │
          f_Z=∫f_X(x)×       F_N = 1-[1-F]ⁿ      含|y|因子           │
              f_Y(z-x) dx    (绕道走后门)         (雅可比行列式)       │
                                                                      │
                    └─────────────────┬─────────────────┘            │
                                      ↓                              │
                              ┌───────┴───────┐                      │
                              ↓               ↓                      │
                         第4章: 数字特征   第5章: 极限定理             │
                        协方差/相关系数   中心极限定理                │
                       "给关系一个分数"  "很多独立变量和→正态"         │

走一遍推导链（跟着念一遍就记住）：

  1. 起点：$F(x,y) = P{X \leq x, Y \leq y}$ —— 两个变量"都不超过某个数"的概率。
  2. 分岔：离散用表格（$p_{ij}$），连续用曲面（$f(x,y)$）。本质一样——描述"两个人一起取各种值的可能性"。
  3. 降维：想单独看 X？把 Y 消掉（求和/积分）。这就是边缘分布。注意——消掉 Y 的同时也丢了"X 和 Y 的关系"信息。
  4. 切片：已知 Y 取某个值，X 的分布怎么变？联合 ÷ 边缘 = 条件分布。竖线后面的人（已知条件）的分母进分母。
  5. 定关系：独立的本质 = 条件 = 边缘（知道 Y 不影响判断 X），等价于联合 = 边缘乘积。非矩形区域直接判不独立，不用算！
  6. 合成：知道 X 和 Y 的分布，怎么求 X+Y / max(X,Y) / X÷Y 的分布？分布函数法（先求 F 再求导）是通用核武器，独立时卷积公式是快捷方式。
  7. 去往：第 4 章把这些"关系"量化为数字（协方差/相关系数），第 5 章告诉你大量独立变量叠加的结果（中心极限定理）。
← 上一章下一章 →
概率论与数理统计 · 考研数学三 · 基于三层学习法