企业官网建设流程全解析

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：

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 $P(Z=0)=0.1$，$P(Z=1)=0.4$，$P(Z=2)=0.3$，$P(Z=3)=0.2$，$P(Z=4)=0.0$。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 $f_{Z,W}(z, w) = e^{-zw} e^{-w} \cdot w = w e^{-w(z+1)}$，条件为 $z > 0, w > 0$。

对 $w$ 积分：$f_Z(z) = \int_0^{\infty} w e^{-w(z+1)} , dw = \frac{1}{(z+1)^2}$，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

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：$F_{\max}(z) = \prod_{i=1}^{n} F_{X_i}(z)$。

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：$F_{\min}(z) = 1 - \prod_{i=1}^{n} [1 - F_{X_i}(z)]$。

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

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, bins=50, density=True, alpha=0.7, label='模拟') z = np.linspace(0, 2, 200) fz = np.where(z < 1, z, 2 - z) plt.plot(z, fz, 'r-', linewidth=2, 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, bins=50, density=True, alpha=0.7, label='模拟') z = np.linspace(0, 1, 100) plt.plot(z, 2*z, 'r-', linewidth=2, 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。