企业官网建设流程全解析

1. 联合概率密度到底在讲什么：先把定义和直觉打通

1.1 从单变量到多变量：为什么要引入联合概率密度

很多同学复习概率论的时候，单变量随机变量那一章学得挺顺，密度函数、分布函数、期望方差都能套公式。结果一到二维随机变量，尤其是联合概率密度，立刻开始犯迷糊。原因其实很简单：你还在用一维的思维去理解二维的东西。

一维的时候，我们研究一个随机变量 X，它的概率分布可以用一个一元函数 f(x) 描述。这个函数有两个任务：一是告诉你 X 落在某个区间内的概率，二是告诉你 X 的分布集中在哪些地方。到了二维，研究对象变成了两个随机变量 X 和 Y，它们之间可能存在关联，也可能互不影响。这时候光有 f(x) 和 f(y) 是不够的，你需要一个二元函数 f(x, y) 同时描述 X 和 Y 的联合行为，这个函数就是联合概率密度。

打个比方。一维密度函数像一条沿着数轴起伏的“密度线”，你把线下的面积切成小段，每段面积就是随机变量落在这一段的概率。二维联合密度函数则像一块铺在 xOy 平面上的“密度膜”，膜的高度代表在这个点附近概率的密集程度。你关心某个区域 D 的概率，就是在膜上抠出对应区域，算出这块区域下方的体积。一维求面积，二维求体积，本质是同一件事——用几何面积或体积来对应概率。

期末考试喜欢考联合概率密度，就是因为它是连接二维随机变量所有知识的中枢。边缘密度、条件密度、独立性、期望、协方差，甚至数理统计里的参数估计，全都从这块密度膜上长出来。你只要把联合密度真正吃透，后半张卷子的半壁江山基本就稳了。

1.2 定义与核心性质：非负、归一化、区域积分

联合概率密度的标准定义，教材上一般这样写：如果存在非负二元函数 f(x, y)，使得对任意平面区域 D，有

P((X, Y) ∈ D) = ∬_D f(x, y) dxdy

那么 f(x, y) 就称为二维连续型随机变量 (X, Y) 的联合概率密度函数。

这里有个容易忽略的前提：必须存在这样的非负函数，并且对任意区域都满足上述积分关系。这意味着 f(x, y) 不是随便写个函数就行，它必须满足两条基本性质。

第一，非负性。f(x, y) ≥ 0 对所有 (x, y) 成立。这个好理解，概率不能是负数，密度自然也不能是负数。

第二，归一性。整个二维平面上的积分为 1，即

∬_{-∞}^{+∞} f(x, y) dxdy = 1

这对应了“总概率为 1”的基本公理。很多期末考试会专门设计一个带未知参数的联合密度，比如

f(x, y) = C * x * y，其中 0 < x < 1, 0 < y < 1

让你求常数 C。方法就是让整个区域上的积分为 1 去反解 C。这类题非常简单，但每年都有不少人在积分区域上踩坑，后面我会专门讲。

有了这两条性质，联合密度才能扮演“概率体积密度”的角色。你可以把它想象成一块总质量为 1 的薄板，密度分布不均匀，但总质量固定。任意一块区域的概率，就是这块区域板的重量。

1.3 联合分布函数与概率密度的关系

联合分布函数的定义是

F(x, y) = P(X ≤ x, Y ≤ y) = ∫_{-∞}^{x} ∫_{-∞}^{y} f(u, v) dv du

它表示从“左下角”到点 (x, y) 这个无限矩形区域内的概率累积量。从这个定义能推出一系列关系，考试中经常用到。

第一，联合密度是联合分布函数的混合偏导：

f(x, y) = ∂²F(x, y) / (∂x ∂y)

这个关系在给定分布函数反求密度时是核心工具。不过期末考试出这种题的频率不高，因为求混合偏导有时计算量大，更多是考概念判断，比如给你一个 F(x, y) 让你判断是不是合法的联合分布函数，或者反过来从 F 求 f。

第二，P(X ≤ x, Y ≤ y) 这类事件的概率，可以直接代入分布函数，不用积分。

第三，二维随机变量的分布函数有类似一维的边界性质：

F(-∞, y) = 0，F(x, -∞) = 0，F(+∞, +∞) = 1

这些边界条件在验证联合分布函数是否合法时很有用，但期末更常见的是直接给 f(x, y) 让你算各种概率，所以重点还是要把二重积分练熟。

2. 三大核心计算：边缘密度、条件密度、独立性判断

2.1 边缘概率密度怎么求：对另一个变量积分

边缘概率密度，说白了就是把联合密度中另一个变量“积掉”。公式很简单：

f_X(x) = ∫_{-∞}^{+∞} f(x, y) dy

f_Y(y) = ∫_{-∞}^{+∞} f(x, y) dx

为什么叫“边缘”？因为在一张联合分布表里，每一行求和得到行边缘，每一列求和得到列边缘；连续型推广后，求和变成积分，列在联合密度“边缘”的结果就是边缘密度。

但真正做题时，麻烦不在于公式，而在于积分上下限。联合密度通常在有限区域上有非零值，比如 0 < x < 1, 0 < y < x。这个区域不是矩形，求 f_X(x) 时对 y 积分，y 的范围由 x 决定；求 f_Y(y) 时对 x 积分，x 的范围由 y 决定。

具体来说，如果联合密度的非零区域是 0 < y < x < 1，那么

f_X(x) = ∫_{0}^{x} f(x, y) dy，其中 0 < x < 1，其他地方为 0

f_Y(y) = ∫_{y}^{1} f(x, y) dx，其中 0 < y < 1，其他地方为 0

很多同学一上来就照搬公式，把上下限都写成负无穷到正无穷，结果原函数算半天还不对。实际上，负无穷到正无穷只是形式化的写法，真正计算时要看联合密度在哪些区域为非零，只有在非零区域内积分才有效。正确步骤是：先画图，把联合密度的支撑区域画出来，再看求边缘密度时那个被积掉的变量在哪段区间上取值。

2.2 条件概率密度：固定一个变量后的归一化

条件概率密度的公式是：

f_{Y|X}(y|x) = f(x, y) / f_X(x)，其中 f_X(x) > 0

f_{X|Y}(x|y) = f(x, y) / f_Y(y)，其中 f_Y(y) > 0

直觉上怎么理解？联合密度是整块质量，边缘密度是某一行的总质量。在已知 X = x 的条件下，就相当于把这一行单独拎出来，然后把这行总质量归一化成 1，这个归一化后的“形状”就是条件密度。

条件密度有两个特别容易错的点。

第一，定义域。条件密度的“支撑区域”不是联合密度的整个支撑区域，而是联合密度支撑区域与“X = x”这一条线的交集。比如联合密度非零区域是 0 < y < x < 1，在给定 X = x 时，条件密度 f_{Y|X}(y|x) 的非零范围是 0 < y < x，这里 x 是固定的参数，而且必须满足 0 < x < 1。有些题目还会问你 f_{X|Y}(x|y)，这时候范围就变成 y < x < 1，y 是固定参数。定义域写错，后面概率全错。

第二，条件密度本身要满足归一性，即对 y 积分结果为 1。所以条件密度公式里的分母 f_X(x) 不是随便除以的，它是为了把这一行的面积缩放回 1。有的题目会故意不给你边缘密度，让你先用积分求出 f_X(x) 再算条件密度，这时候就要注意 f_X(x) 的分段情况。

2.3 独立性判断：联合密度=边缘乘积的充要条件

两个连续型随机变量 X 和 Y 相互独立的充要条件是：几乎处处有

f(x, y) = f_X(x) * f_Y(y)

也就是说，联合密度能拆成两个边缘密度的乘积，并且此时联合密度的支撑区域必须是矩形区域。这个“矩形区域”往往被忽略，却是判断独立性的快速方法。

如果你发现联合密度的非零区域是三角形、圆形或者其他非矩形区域，那么不管密度函数形式多像乘积结构，X 和 Y 都不独立。因为在支撑区域以外的点，联合密度为 0，但边缘密度在支撑区域外的某些点可能不为 0（边缘密度被积之后可能延伸到更大的范围），乘积不可能处处等于 0。简单说：三角形区域上的联合密度，必然不独立，这是很多题的秒杀结论。

反过来，如果联合密度可以写成 g(x) * h(y) 这种分离变量的形式，并且支撑区域是矩形（比如 0 < x < a, 0 < y < b），那么 X 和 Y 独立。期末考试常用这个结论来快速判断独立，但要注意：必须同时验证支撑区域为矩形，否则即使 f(x, y) = 2xy 这种形式，在区域 0 < y < x < 1 上，也不独立。

3. 期末必考的联合密度题型与解题套路

3.1 第一类：给联合密度求边缘、条件、概率

这是最基础的题型，几乎年年考。典型题目：给出

f(x, y) = { 6x, 0 < x < 1, 0 < y < 1-x; 0, 其他 }

求 (1) 常数验证；(2) f_X(x)、f_Y(y)；(3) P(X + Y < 1/2)；(4) 条件密度 f_{Y|X}(y|x)。

解题顺序有讲究。先画支撑区域，这比一上来就积分重要得多。区域是 x 轴、y 轴和直线 x + y = 1 围成的三角形，所以 0 < x < 1，0 < y < 1 - x。

求 f_X(x) 时，y 从 0 积到 1 - x，得到 6x(1-x)，其中 0 < x < 1。求 f_Y(y) 时，x 从 0 积到 1 - y，得到 6 * ∫_{0}^{1-y} x dx = 3(1-y)^2，其中 0 < y < 1。

求 P(X + Y < 1/2) 时，注意事件“X + Y < 1/2”落在三角形内部，所以在联合密度的非零区域中，还要加上约束 x + y < 1/2。积分区域变成由 x 轴、y 轴和直线 x + y = 1/2 围成的小三角形。二重积分的结果是 ∫_{0}^{1/2} ∫_{0}^{1/2-x} 6x dy dx = 1/8。当然也可以先算联合分布函数再代入，但画图直接积更方便。

求条件密度时，先回味一下：f_{Y|X}(y|x) = f(x, y) / f_X(x)，代入得 6x / [6x(1-x)] = 1/(1-x)，其中 0 < y < 1 - x，x 固定且 0 < x < 1。你会发现这个条件密度在 y 上其实是均匀分布，这说明给定 X = x 时，Y 在区间 (0, 1-x) 上均匀分布。这个结论也能直接用来算条件期望，非常方便。

3.2 第二类：利用独立性反推未知参数

有一类题比较阴：两个随机变量独立，告诉你各自的密度，让你求联合密度中的待定参数。比如 X 服从参数为 λ 的指数分布，Y 在 [0, 1] 上均匀分布，且 X 与 Y 独立，求 P(X ≥ Y)。

这种题不会直接给你联合密度，但利用独立性能把联合密度写出来：

f(x, y) = f_X(x) * f_Y(y) = λ e^{-λx} * 1，其中 x > 0, 0 < y < 1

然后概率就是二重积分：

P(X ≥ Y) = ∫_{0}^{1} ∫_{y}^{∞} λ e^{-λx} dx dy = ∫_{0}^{1} e^{-λy} dy = (1 - e^{-λ}) / λ

这类题的核心其实是“构造联合密度”。独立性是构造联合密度的通行证，但前提还是别忘了支撑区域：X 的支撑是 x > 0，Y 的支撑是 0 < y < 1，联合支撑就是两者的笛卡尔积，也就是矩形 x > 0, 0 < y < 1。

还有一种变体：告诉你联合密度的形式中带有未知常数，并额外给出 X 和 Y 独立这个条件，让你求未知数。比如 f(x, y) = k x^2 y，在 0 < x < 2, 0 < y < 1 上，且 X 与 Y 独立。这时候可以先利用分离变量形式直接判断独立性其实已经满足，再用归一性求 k：

∫_{0}^{2} ∫_{0}^{1} k x^2 y dy dx = k * 8/3 * 1/2 = 4k/3 = 1，得 k = 3/4

这种题考察的是两个知识点：独立性的形式判断和归一性求参数。只要抗住“先求参数还是先用独立性”的纠结，按顺序来就不难。

3.3 第三类：二维正态分布与相关系数

二维正态分布是联合密度中最特殊也最爱考的一个。它的联合密度长这样：

f(x, y) = 1/(2π σ_X σ_Y √(1-ρ²)) * exp{ -1/(2(1-ρ²)) * [ (x-μ_X)²/σ_X² - 2ρ(x-μ_X)(y-μ_Y)/(σ_X σ_Y) + (y-μ_Y)²/σ_Y² ] }

这个式子看起来很吓人，但考试几乎不会让你背它。你只需要记住三个结论：

第一，二维正态分布的边缘分布是一维正态分布。具体来说，X ~ N(μ_X, σ_X²)，Y ~ N(μ_Y, σ_Y²)，边缘密度就是普通的一维正态密度，和参数 ρ 无关。

第二，对于二维正态分布，X 和 Y 相互独立的充要条件是 ρ = 0。注意，这里“独立”和“不相关”完全等价，因为二维正态的特殊性。但是在一般分布中，独立一定不相关，不相关不一定独立，这个区别是选择题的高频考点。

第三，给定 X = x 时，Y 的条件分布也是正态分布，均值是 μ_Y + ρ σ_Y/σ_X (x - μ_X)，方差是 σ_Y² (1 - ρ²)。这个结论偶尔会考，但记住公式即可，不需要现场推。

期末复习二维正态时，不要把精力花在背密度函数上，而要把重点放在“独立 ⇔ ρ = 0”和“不相关与独立的关系”这两个考点上，性价比高得多。

3.4 题型总结与步骤模版

我帮你把这些题型统一成一套步骤，考试时照着走：

第一步，先画出联合密度的非零支撑区域。拿到任何联合密度题，第一件事永远是画图，不是列积分。图画对了，积分上下限基本就定下来了。

第二步，搞清要求的是什么。是边缘密度？条件密度？还是某事件的概率？这一步决定你是先积分还是先代入。

第三步，注意分段。边缘密度和条件密度往往需要分段表示，因为联合密度在不同区域的取值不同，积分结果也不同。

第四步，验证结果合理性。求出来的边缘密度是否满足非负、积分为 1？条件密度是否积分为 1？如果验证不通过，赶紧回头查积分上下限或代数错误。

这套流程适用于绝大部分联合密度计算题。你可以在复习时拿真题试几道，每一步都按这个顺序来，正确率会明显提升。

4. 联合密度在期望、协方差、相关系数中的应用

4.1 E[g(X,Y)]的二重积分公式

随机变量函数的期望是期末大题的爱考方向。若 g(X, Y) 是某个函数，则

E[g(X, Y)] = ∬ g(x, y) f(x, y) dxdy

这是对联合密度做加权平均。当 g(X, Y) = X 时，就得到 E(X)；当 g(X, Y) = Y 时，得到 E(Y)。你可能会问，边缘密度也能算 E(X)，为什么还要用联合密度？两种方式结果一样，但有时候题目只给了联合密度，你就得用二重积分。而且用联合密度算 E(X) 时，可以先积 y 再积 x，实际上等价于先求边缘密度再求一维期望，殊途同归。

比如 f(x, y) = 8xy，0 < x < y < 1，求 E(X)。直接用二重积分：

E(X) = ∫_{0}^{1} ∫_{0}^{y} x * 8xy dx dy = ∫_{0}^{1} 8y ∫_{0}^{y} x² dx dy = ∫_{0}^{1} 8y * y³/3 dy = 8/3 * ∫_{0}^{1} y⁴ dy = 8/15

这个结果比先求 f_X(x) 再算积分要快，特别是当某个方向积分简单时。考试时先观察积分顺序：如果支撑区域是 0 < x < y < 1，先积 x 通常比较容易，因为上下限是 0 和 y；反过来先积 y 也可以，只不过上下限是 y 和 1。选择积分顺序的原则就是谁简单先积谁。

4.2 协方差与相关系数的计算技巧

协方差的定义是

Cov(X, Y) = E[(X - E(X))(Y - E(Y))]

但实际计算基本不用定义式，而是用展开式：

Cov(X, Y) = E(XY) - E(X)E(Y)

其中 E(XY) = ∬ xy f(x, y) dxdy。所以计算协方差的关键变成了算三个期望：E(X)、E(Y)、E(XY)。

相关系数公式：

ρ_{XY} = Cov(X, Y) / (√(D(X)) * √(D(Y)))

所以还需要方差 D(X)、D(Y)。好在有了联合密度之后，D(X) 可以通过 E(X²) - (E(X))² 来算，E(X²) 又是 E[g(X,Y)] 的特例，取 g = x² 即可。

这里有三个小技巧可以节省时间：

第一，如果题目要求协方差，不要老老实实算完 E(X) 再算 E(Y) 再算 E(XY)，先观察 f(x, y) 是否关于某个变量对称。如果 f(x, y) 关于 x 和 y 对称，那么 E(X) = E(Y)，可以少算一个积分。

第二，算 E(XY) 时，如果积分区域是矩形且被积函数能分离变量，那么 ∬ xy f(x) f(y) dxdy = ∫ x f(x) dx * ∫ y f(y) dy = E(X)E(Y)，协方差为 0。这就是独立时协方差为 0 的体现。但注意如果区域不是矩形，即使被积函数形式能分离，也不能拆。

第三，有些题目会在联合密度里隐含对称性。比如 f(x, y) 在区域上关于 y = x 对称，那么 E(X) = E(Y)，D(X) = D(Y)。利用对称性能显著减少计算量。

4.3 独立与不相关的区别（易错）

独立和不相关是概率论里的经典易混点。首先明确定义：

• 独立：F(x, y) = F_X(x) F_Y(y)，或 f(x, y) = f_X(x) f_Y(y)，是比不相关更强的条件。
• 不相关：Cov(X, Y) = 0 或 ρ = 0，只说明 X 和 Y 之间没有线性关系。

独立一定不相关，但不相关不一定独立。这个逻辑关系几乎每年选择题都会出现。为了帮助记忆，我常用一个生活化的类比：不相关就像你和朋友各自点菜，你点什么和他点什么没有线性关系；独立则像你们压根不在同一个餐厅吃饭，完全互不影响。前者排除了一种特定的依赖模式（线性依赖），后者排除了一切依赖模式（包括非线性依赖）。

教材上最常见的反例是：X 服从标准正态分布 N(0,1)，令 Y = X²。因为 E(X) = 0，E(XY) = E(X³) = 0，所以 Cov(X, Y) = 0，X 和 Y 不相关。但 Y 显然是 X 的函数，两者完全不独立。这个反例很经典，选择题特别喜欢拿它出判断题。

还有一个易错点：对于二维正态分布，不相关和独立是等价的。很多同学把这个结论记成“正态分布一定独立”，这不对，必须强调是“二维正态分布”中，且相关系数 ρ = 0 时，独立等价于不相关。如果是一般分布，不相关绝不等于独立。

5. 实战：一道典型真题的完整拆解

为了把前面的内容串起来，我拿一道综合性比较强的题目完整走一遍。这道题结合了归一化、边缘密度、条件密度、期望和概率，是期末考试常见的命题风格。

题目：设二维随机变量 (X, Y) 的联合概率密度为

f(x, y) = { k xy, 0 < x < 1, 0 < y < 2x; 0, 其他 }

(1) 求常数 k；(2) 求边缘密度 f_X(x)、f_Y(y)；(3) 求条件密度 f_{Y|X}(y|x)；(4) 求 P(X + Y > 1)；(5) 求 E(XY)。

先看支撑区域：0 < x < 1，0 < y < 2x。这是由直线 y = 2x、x 轴和 x = 1 围成的三角形区域。画图后，三角形顶点是 (0,0)、(1,0)、(1,2)。

第一问，利用归一性：

∫_{0}^{1} ∫_{0}^{2x} k xy dy dx = 1

先对 y 积分：∫_{0}^{2x} kxy dy = kx * (1/2)(2x)² = 2kx³

再对 x 积分：∫_{0}^{1} 2kx³ dx = k/2 = 1，所以 k = 2。

第二问，求边缘密度。f_X(x) 时，y 从 0 到 2x：

f_X(x) = ∫_{0}^{2x} 2xy dy = 4x³，其中 0 < x < 1；其他区域为 0。

求 f_Y(y) 时要注意，由于原区域等价于 0 < y < 2，且 x 从 y/2 到 1（画图可以看出，当 y 在 0 到 2 之间时，x 的下限是 y/2，上限是 1）：

f_Y(y) = ∫_{y/2}^{1} 2xy dx = 2y * ∫_{y/2}^{1} x dx = 2y * (1/2)(1 - y²/4) = y - y³/4，其中 0 < y < 2。

第三问，条件密度：

f_{Y|X}(y|x) = f(x,y) / f_X(x) = 2xy / (4x³) = y / (2x²)，其中 0 < y < 2x，且 0 < x < 1。

验证一下条件密度是否归一化：∫_{0}^{2x} y/(2x²) dy = (1/(2x²)) * (1/2)(2x)² = 1，没问题。

第四问，P(X + Y > 1)。这个事件在原三角形区域中，还要求 x + y > 1。在 0 < x < 1, 0 < y < 2x 的图形中画出直线 x + y = 1，需要找出满足 x + y > 1 的那块小区域。可以补集法：P(X + Y > 1) = 1 - P(X + Y ≤ 1)。

在支撑区域内，x + y ≤ 1 的交集是：0 < x < 1/3 时，y 从 0 到 2x（因为 2x < 1 - x 等价于 3x < 1，即 x < 1/3）；当 1/3 < x < 1 时，直线 x + y = 1 在 y = 2x 下方，也就是 0 < y < 1 - x。更稳妥的办法是画出图形，直接定积分区域。

P(X + Y ≤ 1) = ∫_{0}^{1/3} ∫_{0}^{2x} 2xy dy dx + ∫_{1/3}^{1} ∫_{0}^{1-x} 2xy dy dx

第一个积分：∫_{0}^{1/3} 2x * (1/2)(2x)² dx = ∫_{0}^{1/3} 4x³ dx = (1/3)^4 = 1/81。

第二个积分：∫_{1/3}^{1} 2x * (1/2)(1-x)² dx = ∫_{1/3}^{1} x(1-x)² dx = ∫_{1/3}^{1} (x - 2x² + x³) dx

计算得 [x²/2 - 2x³/3 + x⁴/4]_{1/3}^{1} = (1/2 - 2/3 + 1/4) - (1/18 - 2/81 + 1/324)

前半：1/2 - 2/3 + 1/4 = 6/12 - 8/12 + 3/12 = 1/12。后半通分到 324：18/324 - 8/324 + 1/324 = 11/324。所以第二个积分是 1/12 - 11/324 = 27/324 - 11/324 = 16/324 = 4/81。

因此 P(X + Y ≤ 1) = 1/81 + 4/81 = 5/81。那么 P(X + Y > 1) = 1 - 5/81 = 76/81。

第五问，E(XY) = ∬ xy f(x,y) dxdy = ∫_{0}^{1} ∫_{0}^{2x} xy * 2xy dy dx = ∫_{0}^{1} ∫_{0}^{2x} 2x² y² dy dx

先对 y 积分：2x² * (1/3)(2x)³ = 2x² * 8x³/3 = 16x⁵/3。再对 x 积分：(16/3) * ∫_{0}^{1} x⁵ dx = (16/3) * 1/6 = 8/9。

这道题完整覆盖了前四章的核心考点。如果你能独立把每一问都做对，说明你对联合密度已经建立了比较完整的解题框架。做错的同学，基本都是卡在第二步求 f_Y(y) 时 x 的上下限写错，以及第四问补集事件区域划分不清。这两个难点本质上还是画图不熟练。

6. 常见错误与避坑清单

6.1 积分区域搞错或漏掉约束条件

这是联合密度题目里最高频的错误，没有之一。很多同学看到 f(x, y) 的表达式被分段给出，只在心里默念“非零区域是 0<x<1, 0<y<2x”，然后一写积分顺手写成 0 到 1、0 到 2，结果把三角形区域算成了矩形。

我建议你养成一个习惯：拿到任何二维随机变量题，第一件事就是在草稿纸上画出支撑区域，并把边界方程写清楚。求边缘密度时，把要被积掉的变量的范围标注出来；求事件概率时，把事件条件与支撑区域的交集用阴影画出来。这个习惯一开始觉得麻烦，但练熟之后，很多错误会在画图阶段就被消灭。

还有一种隐蔽的错法：题目给的密度表达式里，区域条件不是简单的 x 和 y 范围，而是形如 x² < y < x 或 0 < x < y < 1。这类区域边界是曲线，积分上下限要按曲线方程来写。建议多练几道曲线边界的题，比如 y = x²、y = √x 围成的区域，把积分上下限和画图的能力都练扎实。

6.2 边缘密度忘记分段

边缘密度计算结果经常是一个分段函数。比如 f_X(x) 在 x 的某个区间是 4x³，其他区间是 0。很多同学只写了 4x³(x 在 (0,1))，却忘了写出“其他情况为 0”。这在期末考试中会被扣分，因为函数表达不完整。

更麻烦的是，有些边缘密度的表达式在不同区间不一样。比如之前那道题 f_Y(y)，在 0 < y < 2 上是 y - y³/4，不要漏掉 y 的范围。还有一类典型题：联合密度在 0<x<1, 0<y<x 上是某个函数，在 1<x<2, 0<y<2-x 上是另一个函数，这时候边缘密度要在每个区间内分别积分，结果分段可能有三四段。建议每次求完边缘密度，都检查一下它的积分是否为 1，这是最有效的兜底验证。

6.3 条件密度定义域未归一化

条件密度的分母是边缘密度，而边缘密度有自己的支撑范围。这意味着“给定 X = x”这个条件中，x 必须落在 f_X(x) > 0 的范围内。很多同学算出条件密度后，直接写 f_{Y|X}(y|x) = 某个式子，却不标注 x 的范围和 y 的范围。实际上条件密度的定义域是：x 在 f_X(x) > 0 的范围内，y 在联合密度支撑区域内与该 x 对应的范围内。

另外，算条件概率时，比如 P(Y ≤ a | X = x)，要把 x 当作参数，对 y 在条件密度非零范围内积分。这里的积分上限要小心，不能超过该 x 对应的 y 上限。有些题目还会把条件概率和条件期望结合，让你求 E(Y|X=x)，这时用条件密度对 y 积分即可，不要又绕回联合密度。

6.4 独立不相关混淆

不相关是协方差为 0，独立是联合分布等于边缘乘积。这两个概念在一般分布里不等价。选择题经常给四种说法让你判断正误，比如“若 X 与 Y 不相关，则 X 与 Y 独立”是错的，“若 X 与 Y 独立，则 X 与 Y 不相关”是对的。还有一种常见错误是，看到 ρ = 0 就认为独立，这只有在二维正态分布里才成立，其他时候必须谨慎。

我建议你把“独立 ⇒ 不相关，不相关 ⇏ 独立”抄在公式卡上，并记住反例 Y = X²。考试遇到这种题时，先在草稿纸上写出逻辑方向，再判断。

7. 考前冲刺建议

7.1 题型优先，公式为辅

期末复习时间通常很紧，我不建议你抱着教材从头到尾啃。联合概率密度这块，考来考去就是那几类题型：求参数、求边缘、求条件、求概率、求期望协方差、判断独立性。你先按题型归类，把每种题型的标准解法写成一页纸，再对照历年真题反复刷。目标是看到题目就能反应出属于哪一类、第一步做什么，这种条件反射比死记硬背公式有用得多。

7.2 画图定位区域是性价比最高的技能

我在前面反复强调画图，这里再啰嗦一句：画图不仅是为了求积分区域，更是为了检查结果是否合理。比如你求出的边缘密度在某个区间上突然为负，画图能帮你快速定位是积分区域取错了还是代数算错了。考试时即使时间紧，也至少要把区域的草图勾勒出来，标出边界直线、曲线的交点坐标。这个动作花费不到一分钟，却能把你从“积分上下限写错”的坑里拉出来。

7.3 刷题建议与时间安排

如果你现在离考试还有一周左右，建议按三天一个周期来做。前两天做专项：第一天集中做求边缘密度、条件密度和独立性的题目，第二天做期望、协方差、相关系数以及二维正态分布的题目。第三天做整套真题，限定两小时内完成，然后把联合密度相关的错误全部摘出来，分析是计算错误还是方法错误。

最后再分享一个我在实际教学中经常跟学生说的小技巧：每次计算完二重积分，都顺手检验一下结果是不是正的，以及所求概率是否在 0 到 1 之间。这个看似愚蠢的检查，其实能帮你拦住相当一部分低级错误。概率题不像其他数学题，结果具有天然的合理性约束。概率大于 1 或小于 0，几乎可以肯定中间某一步出了问题，回头检查积分上下限和代数式是最快的。

联合概率密度是整个概率论复习的关键枢纽，只要把定义、积分、边缘、条件、独立、期望协方差这六块打通，期末考场上遇到二维随机变量的题目就会变成送分题。希望这套方法和避坑经验能帮你少走弯路，考出一个对得起自己努力的成绩。