★ FEATURED ARTICLE 1. 从一维到二维为什么这部分让这么多人卡壳如果你正在学概率论与数理统计学到“二维随机变量函数的分布”这一节时突然感觉脑子不够用了别慌这几乎是所有人的必经之路。前面一维随机变量函数的分布刚摸到点门道突然就跳到二维还要分离散型和连续型两条线走公式一堆积分区域画得人头皮发麻。我当年学到这里的时候光卷积公式就来回推了三遍才真正搞明白它到底在干什么。这篇内容就是专门来拆解这个知识点的。我会把二维随机变量函数的分布拆成两条主线——离散型和连续型——分别讲清楚它们的底层逻辑、核心方法、典型题型和容易踩的坑。不管你是正在备考的学生还是需要复习这部分内容的从业者看完之后应该能对这块内容有一个比较通透的理解。核心就一件事已知二维随机变量 $(X, Y)$ 的联合分布求它的函数 $Z g(X, Y)$ 的分布。离散型靠列表枚举连续型靠积分变换两条路各有各的走法但背后的思想是一致的——都是在做“变量替换”之后把不需要的变量消掉。2. 二维离散型随机变量函数的分布2.1 底层逻辑枚举加合并没有捷径离散型的情况其实是最直观的。你有一个二维离散型随机变量 $(X, Y)$它的联合分布律是已知的也就是每个可能的取值对 $(x_i, y_j)$ 对应的概率 $p_{ij}$ 都是明确的。现在给你一个函数 $Z g(X, Y)$要你求 $Z$ 的分布律。做法非常直接把 $(X, Y)$ 所有可能的取值对列出来对每一对算出 $Z$ 的值然后把得到相同 $Z$ 值的那些概率加起来。就这么简单。我举个具体的例子。假设 $(X, Y)$ 的联合分布律如下$X \backslash Y$01200.10.20.110.20.20.120.00.10.0现在要求 $Z X Y$ 的分布律。你只需要把所有 $(x, y)$ 组合列出来算 $x y$然后合并同类项$Z 0$只有 $(0,0)$概率 $0.1$$Z 1$$(0,1)$ 和 $(1,0)$概率 $0.2 0.2 0.4$$Z 2$$(0,2)$、$(1,1)$、$(2,0)$概率 $0.1 0.2 0.0 0.3$$Z 3$$(1,2)$ 和 $(2,1)$概率 $0.1 0.1 0.2$$Z 4$$(2,2)$概率 $0.0$所以 $Z$ 的分布律就是 $P(Z0)0.1$$P(Z1)0.4$$P(Z2)0.3$$P(Z3)0.2$$P(Z4)0.0$。最后那个零概率的其实可以省略不写。这个过程没有任何技术含量但它是所有离散型题目的通用方法。关键在于细心别漏掉任何一个取值对也别把概率加错了。2.2 实操中容易犯的三个错误第一个错误是漏掉概率为零的取值对。有些取值对虽然在表格里概率是零但它对应的 $Z$ 值可能和其他非零概率的取值对产生相同的 $Z$ 值。如果你直接跳过零概率的格子有时候会漏掉某些 $Z$ 值。虽然概率为零不影响最终分布律的数值但在整理 $Z$ 的取值范围时容易出错。第二个错误是忘记验证概率之和为1。算完 $Z$ 的分布律之后把所有概率加起来检查一下是不是等于1。这是一个非常有效的自查手段。如果你算出来概率和是0.9或者1.1那肯定哪里出问题了。第三个错误是函数形式复杂时枚举不全。比如 $Z \max(X, Y)$ 或者 $Z \min(X, Y)$ 这种有些同学会想当然地认为最大值就是取大的那个但忘了考虑所有组合。老老实实列表一个一个算比什么捷径都靠谱。注意离散型没有“卷积公式”这种花哨的东西就是老老实实枚举。考试的时候如果时间紧先把表格画出来逐个格子算 $Z$ 值再合并基本不会出错。2.3 典型函数类型的处理技巧虽然枚举法是通用的但针对一些常见的函数形式有一些加速技巧可以帮你省时间。$Z X Y$ 的情况这是最常见的。你可以按照 $Z$ 的值从小到大依次找出所有满足 $x y z$ 的取值对。在表格上就是沿着对角线方向扫描。$Z \max(X, Y)$ 的情况$Z$ 取某个值 $z$ 意味着 $X$ 和 $Y$ 中较大的那个等于 $z$且另一个不超过 $z$同时至少有一个等于 $z$。用公式写就是 $P(Z z) P(X z, Y \leq z) P(X \leq z, Y z) - P(X z, Y z)$。这个公式在连续型里也会用到类似的思想。$Z \min(X, Y)$ 的情况类似地$P(Z z) P(X z, Y \geq z) P(X \geq z, Y z) - P(X z, Y z)$。$Z XY$ 的情况这个稍微麻烦一点因为不同的 $(x, y)$ 组合可能乘出相同的积。比如 $2 \times 3 6$ 和 $3 \times 2 6$ 还有 $1 \times 6 6$。枚举的时候要特别注意把所有能乘出同一个值的组合都找齐。这些技巧本质上还是枚举只是帮你更有条理地组织枚举过程减少遗漏。3. 二维连续型随机变量函数的分布3.1 分布函数法万能但需要耐心连续型的情况比离散型复杂得多因为你不能枚举了得用积分。最通用的方法是分布函数法也叫CDF法。思路是这样的要求 $Z g(X, Y)$ 的概率密度函数 $f_Z(z)$先求它的累积分布函数 $F_Z(z) P(Z \leq z) P(g(X, Y) \leq z)$。这个概率等于在 $(X, Y)$ 的联合密度函数 $f(x, y)$ 下对区域 $D_z {(x, y) : g(x, y) \leq z}$ 做二重积分。求出 $F_Z(z)$ 之后对 $z$ 求导就得到 $f_Z(z) F_Z(z)$。这个方法的好处是万能不管 $g$ 是什么形式都能用。坏处是计算量大你需要画积分区域、确定积分上下限、做二重积分、再求导。每一步都可能出错。我拿 $Z X Y$ 来演示一下。假设 $X$ 和 $Y$ 独立都服从标准正态分布 $N(0, 1)$。要求 $Z X Y$ 的密度函数。先写 $F_Z(z) P(X Y \leq z) \iint_{x y \leq z} f_X(x) f_Y(y) , dx , dy$。由于 $X$ 和 $Y$ 独立联合密度是乘积。这个积分区域是直线 $x y z$ 下方的半平面。做变量替换令 $u x y$$v x$则 $x v$$y u - v$雅可比行列式绝对值为1。积分变成 $\int_{-\infty}^{z} \int_{-\infty}^{\infty} f_X(v) f_Y(u - v) , dv , du$。所以 $F_Z(z) \int_{-\infty}^{z} \left[ \int_{-\infty}^{\infty} f_X(v) f_Y(u - v) , dv \right] du$。对 $z$ 求导得到 $f_Z(z) \int_{-\infty}^{\infty} f_X(v) f_Y(z - v) , dv$。这就是著名的卷积公式。对于标准正态分布代入 $f_X(v) \frac{1}{\sqrt{2\pi}} e^{-v^2/2}$ 和 $f_Y(z-v) \frac{1}{\sqrt{2\pi}} e^{-(z-v)^2/2}$经过一番配方和积分计算最终得到 $f_Z(z) \frac{1}{\sqrt{2\pi \cdot 2}} e^{-z^2/4}$也就是说 $Z \sim N(0, 2)$。这个结果和直觉一致——两个独立正态分布的和仍然是正态分布均值相加方差相加。3.2 卷积公式什么时候能用什么时候不能用卷积公式 $f_Z(z) \int_{-\infty}^{\infty} f_X(x) f_Y(z - x) , dx$ 是处理 $Z X Y$ 且 $X, Y$ 独立时的利器。但有几个关键点必须注意。第一独立性是前提。如果 $X$ 和 $Y$ 不独立卷积公式不成立。这时候你只能用分布函数法从联合密度出发做积分。很多同学看到 $Z X Y$ 就条件反射地套卷积公式结果题目里根本没给独立条件直接翻车。第二积分上下限的确定是难点。卷积公式里的积分范围是 $-\infty$ 到 $\infty$但实际上 $f_X(x)$ 和 $f_Y(z-x)$ 都有各自的非零区间。你需要找到这两个区间的交集那才是真正的积分上下限。这一步是考试中最容易丢分的地方。我举个例子。假设 $X \sim U(0, 1)$$Y \sim U(0, 1)$且 $X$ 和 $Y$ 独立。求 $Z X Y$ 的密度函数。$f_X(x) 1$ 当 $0 x 1$否则为0。$f_Y(y) 1$ 当 $0 y 1$否则为0。卷积公式给出 $f_Z(z) \int_{-\infty}^{\infty} f_X(x) f_Y(z - x) , dx$。被积函数非零的条件是 $0 x 1$ 且 $0 z - x 1$也就是 $\max(0, z - 1) x \min(1, z)$。这个区间要有意义需要 $\max(0, z-1) \min(1, z)$解得 $0 z 2$。当 $0 z 1$ 时积分区间是 $(0, z)$积分值为 $z$。当 $1 \leq z 2$ 时积分区间是 $(z-1, 1)$积分值为 $2 - z$。其他情况 $f_Z(z) 0$。所以 $f_Z(z) z$ 当 $0 z 1$$f_Z(z) 2 - z$ 当 $1 \leq z 2$其他为0。这就是著名的三角形分布。画出来是一个底在 $[0, 2]$ 上、顶点在 $(1, 1)$ 的三角形。提示卷积公式的积分限确定画图是最靠谱的方法。把 $x$ 轴和 $y$ 轴画出来标出 $f_X$ 和 $f_Y$ 的非零区域然后看直线 $x y z$ 在不同 $z$ 值下穿过这两个区域的交集是什么一目了然。3.3 变量变换法雅可比法更通用的武器除了分布函数法和卷积公式还有一个更通用的方法叫变量变换法也叫雅可比法。这个方法适用于 $Z g(X, Y)$ 的一般情况不限于 $Z X Y$。思路是这样的引入一个辅助变量 $W$通常取 $W X$ 或者 $W Y$这样你就有了一对一的变换 $(X, Y) \to (Z, W)$。然后求出逆变换 $x x(z, w)$$y y(z, w)$计算雅可比行列式 $J \frac{\partial(x, y)}{\partial(z, w)}$。则 $(Z, W)$ 的联合密度为 $f_{Z,W}(z, w) f_{X,Y}(x(z,w), y(z,w)) \cdot |J|$。最后对 $w$ 积分得到 $f_Z(z) \int f_{Z,W}(z, w) , dw$。这个方法的关键在于选好辅助变量让逆变换容易求雅可比行列式好算。一般来说如果 $Z X Y$取 $W X$如果 $Z X / Y$取 $W Y$如果 $Z XY$取 $W X$。这样选能让计算尽量简单。我拿 $Z X / Y$ 来演示一下。假设 $X$ 和 $Y$ 独立都服从指数分布 $Exp(1)$。求 $Z X / Y$ 的密度函数。取 $W Y$则 $X ZW$$Y W$。雅可比行列式 $J \begin{vmatrix} \frac{\partial x}{\partial z} \frac{\partial x}{\partial w} \ \frac{\partial y}{\partial z} \frac{\partial y}{\partial w} \end{vmatrix} \begin{vmatrix} w z \ 0 1 \end{vmatrix} w$。联合密度 $f_{X,Y}(x, y) e^{-x} e^{-y}$ 当 $x 0, y 0$。代入 $x zw$$y w$得到 $f_{Z,W}(z, w) e^{-zw} e^{-w} \cdot w w e^{-w(z1)}$条件为 $z 0, w 0$。对 $w$ 积分$f_Z(z) \int_0^{\infty} w e^{-w(z1)} , dw \frac{1}{(z1)^2}$当 $z 0$。这就是 $Z X/Y$ 的密度函数。雅可比法的好处是一步到位不需要先求分布函数再求导。但它的适用范围有局限——你必须能找到一个合适的辅助变量使得变换是一对一的并且逆变换和雅可比行列式都容易计算。如果 $g$ 的形式太复杂这个方法可能比分布函数法还麻烦。3.4 三种方法的对比与选择策略方法适用场景优点缺点分布函数法任意函数 $g(X,Y)$万能思路固定计算量大需要求导卷积公式$Z X Y$$X,Y$ 独立直接得密度公式简洁仅限独立情形积分限易错变量变换法可找到合适辅助变量一步到位不需先求CDF辅助变量选择有技巧雅可比易算错实际做题时的选择策略先看函数形式。如果是 $Z X Y$ 且独立优先用卷积公式。如果是 $Z \max$ 或 $Z \min$用分布函数法最自然。如果是 $Z X/Y$ 或 $Z XY$ 且独立变量变换法通常最快。如果以上都不适用老老实实用分布函数法。4. 最大值与最小值的分布一个高频考点4.1 最大值 $Z \max(X, Y)$ 的分布$Z \max(X, Y)$ 的分布函数有一个非常漂亮的公式。$Z \leq z$ 等价于 $X \leq z$ 且 $Y \leq z$。如果 $X$ 和 $Y$ 独立那么 $F_Z(z) P(X \leq z) P(Y \leq z) F_X(z) F_Y(z)$。这个公式可以推广到 $n$ 个独立随机变量的情况$F_{\max}(z) \prod_{i1}^{n} F_{X_i}(z)$。密度函数就是对分布函数求导$f_Z(z) F_Z(z) f_X(z) F_Y(z) F_X(z) f_Y(z)$。如果 $X$ 和 $Y$ 独立同分布分布函数都是 $F(z)$密度都是 $f(z)$那么 $F_Z(z) [F(z)]^2$$f_Z(z) 2F(z) f(z)$。4.2 最小值 $Z \min(X, Y)$ 的分布最小值稍微绕一点。直接算 $P(Z \leq z)$ 不好算因为 $Z \leq z$ 意味着 $X \leq z$ 或 $Y \leq z$这个“或”不好处理。反过来算 $P(Z z)$ 就简单了$Z z$ 等价于 $X z$ 且 $Y z$。如果独立$P(Z z) P(X z) P(Y z) [1 - F_X(z)][1 - F_Y(z)]$。所以 $F_Z(z) 1 - [1 - F_X(z)][1 - F_Y(z)]$。推广到 $n$ 个独立变量$F_{\min}(z) 1 - \prod_{i1}^{n} [1 - F_{X_i}(z)]$。密度函数求导$f_Z(z) f_X(z)[1 - F_Y(z)] f_Y(z)[1 - F_X(z)]$。如果独立同分布$F_Z(z) 1 - [1 - F(z)]^n$$f_Z(z) n[1 - F(z)]^{n-1} f(z)$。注意最大值和最小值的公式都要求独立性。如果 $X$ 和 $Y$ 不独立$P(X \leq z, Y \leq z)$ 不等于 $P(X \leq z) P(Y \leq z)$必须用联合分布来计算。4.3 一个完整的计算实例假设 $X$ 和 $Y$ 独立都服从 $U(0, 1)$。求 $Z \max(X, Y)$ 和 $W \min(X, Y)$ 的密度函数。对于最大值$F_X(z) z$ 当 $0 z 1$。所以 $F_Z(z) z^2$$f_Z(z) 2z$ 当 $0 z 1$。对于最小值$F_W(w) 1 - (1 - w)^2 2w - w^2$$f_W(w) 2 - 2w$ 当 $0 w 1$。你可以验证一下$f_Z(z) 2z$ 在 $[0,1]$ 上的积分是1$f_W(w) 2 - 2w$ 在 $[0,1]$ 上的积分也是1。而且 $E[Z] \int_0^1 2z^2 , dz 2/3$$E[W] \int_0^1 w(2 - 2w) , dw 1/3$。两个期望之和 $2/3 1/3 1$恰好等于 $E[X] E[Y] 1/2 1/2 1$。这是因为 $X Y \max(X,Y) \min(X,Y)$所以期望也满足这个关系。这个可以用来验证你的计算是否正确。5. 常见问题与排查技巧实录5.1 积分区域画不对怎么办这是连续型部分最高频的问题。我的建议是永远先画图再动笔算。把 $x$ 轴和 $y$ 轴画出来标出联合密度 $f(x, y)$ 的非零区域通常是一个矩形或者某个简单区域然后根据 $z$ 的不同取值范围画出直线 $g(x, y) z$看这条线怎么切割非零区域。对于 $Z X Y$直线是 $x y z$斜率为 $-1$。随着 $z$ 从小到大变化这条线从区域左下角扫到右上角。在每一个阶段直线与区域的交集决定了积分限。对于 $Z X / Y$曲线是 $x zy$是一条过原点的直线斜率是 $z$。随着 $z$ 变化这条线绕原点旋转。对于 $Z XY$曲线是 $xy z$是双曲线。这个稍微复杂一点需要分 $z$ 的正负来讨论。画图的时候把关键的交点坐标标出来比如直线与矩形边界的交点。这些交点就是积分限的分界点。5.2 卷积公式积分限总是搞混卷积公式 $f_Z(z) \int_{-\infty}^{\infty} f_X(x) f_Y(z - x) , dx$ 的积分限确定有一个系统化的方法第一步写出 $f_X(x)$ 非零的条件比如 $a x b$。 第二步写出 $f_Y(z - x)$ 非零的条件比如 $c z - x d$解出 $x$ 的范围$z - d x z - c$。 第三步取两个范围的交集$\max(a, z - d) x \min(b, z - c)$。 第四步令 $\max(a, z - d) \min(b, z - c)$解出 $z$ 的范围这个范围就是 $f_Z(z)$ 非零的区间。 第五步在这个 $z$ 范围内根据 $z$ 的不同取值确定积分上下限的具体表达式。这个流程看起来机械但非常有效。我建议每次做卷积的题目都按这个流程走一遍不要跳步。5.3 求导的时候忘记链式法则分布函数法最后一步是对 $F_Z(z)$ 求导得到 $f_Z(z)$。如果 $F_Z(z)$ 里面含有 $z$ 的复合函数比如 $F_Z(z) \int_{0}^{z} h(t) , dt$求导得到 $h(z)$这个没问题。但如果 $F_Z(z) \int_{0}^{z^2} h(t) , dt$求导就要用链式法则结果是 $h(z^2) \cdot 2z$。更复杂的情况是积分上下限都含有 $z$比如 $F_Z(z) \int_{z}^{2z} h(t) , dt$。这时候求导要用莱布尼茨公式$F_Z(z) h(2z) \cdot 2 - h(z) \cdot 1$。很多同学在这里丢分就是因为忘了上下限也是 $z$ 的函数求导的时候要分别对上下限求导。5.4 独立条件被忽略这是概念性的错误但后果很严重。卷积公式、最大值最小值的简化公式都要求 $X$ 和 $Y$ 独立。如果题目没有明确说独立你就不能假设独立。这时候只能用一般的分布函数法从联合密度出发做积分。有些题目会给出联合密度函数 $f(x, y)$但没有写成 $f_X(x) f_Y(y)$ 的形式这通常意味着不独立。你需要直接对联合密度做积分不能拆成两个一维积分的乘积。5.5 常见问题速查表问题现象可能原因排查方法概率之和不为1枚举遗漏或积分限错误重新检查所有取值对或积分区域密度函数积分为1但形式奇怪可能正确验证期望和方差用已知结论对比卷积积分限出现 $z$ 在上下限中正常现象分段讨论按 $z$ 的不同范围分别积分求导结果多出或少了因子链式法则或莱布尼茨公式遗漏检查上下限是否含 $z$最大值最小值公式算出的CDF不单调独立性不成立或计算错误验证 $F(-\infty)0, F(\infty)1$提示每次算完 $f_Z(z)$花30秒检查两件事第一$f_Z(z)$ 在整个实数轴上的积分是否等于1第二$f_Z(z)$ 是否非负。这两个条件都满足你的答案大概率是对的。6. 从考试到应用这部分内容到底有什么用6.1 考试中的出题套路在概率论与数理统计的考试中二维随机变量函数的分布几乎是必考内容。出题形式主要有以下几种第一种是离散型直接枚举给你联合分布律表格让你求 $Z X Y$ 或 $Z \max(X,Y)$ 的分布律。这种题属于送分题细心就行。第二种是连续型卷积公式给你两个独立随机变量的密度函数让你求 $Z X Y$ 的密度。这种题的关键是积分限的确定通常需要分段讨论。第三种是最大值最小值的分布给你 $n$ 个独立同分布的随机变量让你求最大值或最小值的分布函数和密度函数。这种题有固定公式套就完了但要注意验证。第四种是变量变换法给你一个不太常见的函数形式比如 $Z X/Y$ 或 $Z XY$让你求密度。这种题难度较大需要熟练掌握雅可比行列式的计算。第五种是混合型比如 $X$ 离散 $Y$ 连续或者函数形式分段定义。这种题需要分情况讨论综合性较强。6.2 实际应用场景这部分内容不仅仅是考试用在实际中也有很多应用。可靠性工程一个系统由多个独立部件组成系统的寿命往往取决于部件的最大寿命或最小寿命。比如一个串联系统只要有一个部件失效整个系统就失效系统寿命就是所有部件寿命的最小值。一个并联系统所有部件都失效系统才失效系统寿命就是所有部件寿命的最大值。这时候就需要用到最大值和最小值的分布公式。信号处理两个独立噪声源叠加后的总噪声就是两个随机变量之和。如果噪声服从正态分布叠加后的噪声仍然服从正态分布均值和方差分别相加。这就是卷积公式的直接应用。金融风险管理投资组合的收益是各项资产收益的加权和如果各项资产收益是随机变量组合收益的分布就需要用二维甚至多维随机变量函数的分布来计算。排队论顾客到达时间和服务时间都是随机变量系统等待时间往往是这两个随机变量的函数。求等待时间的分布就需要用到这部分知识。6.3 学习建议与进阶方向如果你想把这块内容学扎实我的建议是第一把一维的情况先搞透。一维随机变量函数的分布是基础如果一维的分布函数法、密度变换法都没搞明白二维的只会更晕。第二多画图。连续型部分的积分区域画图和不画图完全是两个难度。养成画图的习惯你会发现很多问题一目了然。第三多做分段讨论的题。卷积公式的积分限确定最大值最小值的分段都是需要大量练习才能熟练的。做多了之后你会形成肌肉记忆看到函数形式就知道该怎么分段。第四验证答案。积分是否为1期望是否合理这些验证手段能帮你发现大部分计算错误。进阶方向的话可以往多维随机变量函数的方向走比如三个或更多随机变量的函数的分布。也可以往随机过程的方向走那里会用到大量的随机变量函数的分布。另外如果对编程感兴趣可以用Python或R模拟二维随机变量函数的分布和理论结果对比加深理解。7. 用代码验证你的计算结果7.1 蒙特卡洛模拟的基本思路理论推导完了怎么验证自己算得对不对蒙特卡洛模拟是一个非常好的工具。基本思路很简单生成大量的 $(X, Y)$ 样本计算对应的 $Z g(X, Y)$ 值然后看 $Z$ 的样本分布是否和你的理论结果一致。我用Python演示一下。假设 $X$ 和 $Y$ 独立都服从 $U(0, 1)$理论结果 $Z X Y$ 的密度是三角形分布。我用代码模拟一下import numpy as np import matplotlib.pyplot as plt np.random.seed(42) n 100000 X np.random.uniform(0, 1, n) Y np.random.uniform(0, 1, n) Z X Y plt.hist(Z, bins50, densityTrue, alpha0.7, label模拟) z np.linspace(0, 2, 200) fz np.where(z 1, z, 2 - z) plt.plot(z, fz, r-, linewidth2, label理论) plt.legend() plt.show()运行之后你会看到模拟的直方图和理论的三角形曲线几乎完全重合。这说明你的理论推导是对的。7.2 用模拟验证最大值和最小值的分布同样的方法可以验证最大值和最小值的分布。假设 $X$ 和 $Y$ 独立都服从 $U(0, 1)$理论结果 $Z \max(X, Y)$ 的密度是 $f_Z(z) 2z$。Z_max np.maximum(X, Y) plt.hist(Z_max, bins50, densityTrue, alpha0.7, label模拟) z np.linspace(0, 1, 100) plt.plot(z, 2*z, r-, linewidth2, label理论) plt.legend() plt.show()模拟结果会再次和理论曲线吻合。这种验证方法在考试中当然用不了但在自学或者做项目的时候非常有用能帮你建立直觉。7.3 模拟的注意事项用蒙特卡洛模拟验证的时候有几个点要注意第一样本量要足够大。一般来说至少10000个样本最好100000个以上。样本量太小的话直方图的随机波动会很大看不出和理论曲线的吻合程度。第二bins的数量要合适。bins太少直方图太粗糙bins太多每个bin里的样本太少波动太大。一般来说50到100个bins比较合适。第三随机种子要固定。设置随机种子可以保证每次运行的结果一致方便调试和对比。第四模拟只能验证不能证明。模拟结果和理论吻合说明你的理论大概率是对的但不能代替严格的数学证明。模拟的主要作用是帮你发现明显的计算错误比如积分限搞错了、分段分错了之类的。提示如果你在考试中算出一个密度函数不确定对不对可以在脑子里快速过一下它的形状。比如 $Z X Y$ 当 $X, Y$ 都是 $U(0,1)$ 时密度是三角形顶点在中间。如果你算出来是一个U形或者单调递增的那肯定错了。这种直觉判断能帮你快速排除明显错误的答案。8. 我个人在实际操作中的体会学了这么多年概率论教了这么多遍二维随机变量函数的分布我最大的体会是这部分内容的核心不是公式而是画图和分段。公式就那么几个卷积公式、最大值最小值的CDF公式、雅可比行列式背下来不难。难的是知道什么时候用哪个公式以及积分限怎么确定。我的建议是做题的时候不要急着套公式。先花一分钟把题目看清楚$X$ 和 $Y$ 独立吗函数形式是什么联合密度的非零区域在哪里把这三个问题回答清楚了再动笔算。这一分钟的投资能帮你省下十分钟的纠错时间。还有一个体会是离散型和连续型不要割裂开来学。离散型的枚举思想在连续型里就是积分。离散型里合并同类项在连续型里就是确定积分区域。两者的底层逻辑是一样的都是“变量替换之后消掉不需要的变量”。把这条主线抓住了两部分内容就是一个整体而不是两个孤立的知识点。最后再分享一个小技巧如果你在考试中遇到 $Z \max(X, Y)$ 或 $Z \min(X, Y)$ 的题目但 $X$ 和 $Y$ 不独立不要慌。你仍然可以用分布函数法从联合密度出发对区域 $x \leq z, y \leq z$对于最大值或 $x z, y z$对于最小值做积分。虽然计算量大一点但思路是通的。独立性只是简化了计算不是方法的前提。这块内容后续还可以这样扩展一是往多维走三个或更多随机变量的函数的分布二是往混合型走一个离散一个连续的函数的分布三是往应用走结合具体的工程或金融场景用模拟的方法来验证理论结果。每一条路都有很多值得深挖的东西。
阅读完成 · 觉得有帮助？
