企业官网建设流程全解析

期末复习一到二维随机变量这一章，总有同学拿着类似这样一道题来问我：给一个联合密度函数，先求常数，再求两个边缘密度，然后判断独立性，最后算一个区域概率。题目看起来都是套路，但一上手就会发现到处是坑：常数不对、积分限写反、分段漏块、独立性判断理由说不清。这篇文章就直接以一道最典型的期末考试题作为标本——联合密度 f(x,y)=8xy，定义在三角形区域 0<y<x<1 上——把完整的求解过程拆开揉碎讲一遍。每个步骤不只是写公式，还会交代背后的判断逻辑和实操习惯。适合期末冲刺的学生、考研复习的考生，以及想快速捡起联合密度计算的工程师参考。

1. 为什么这类题年年出现？它到底在考什么

在概率论与数理统计的考卷里，二维随机变量联合分布与边缘密度这组题目几乎是必考题。如果平时只看书不做题，你会觉得它不过是一堆积分公式的堆砌；真正上考场后才会发现，它其实是用一道题把全章的核心概念全部串了起来。

1.1 一道题串联了五六个考点

咱们数一数标准出题套路里藏了多少知识点：联合密度函数的归一性、二重积分的区域确定、边缘密度的“降维”积分、随机变量独立性的判定、联合分布函数的分段构造，再加上条件密度与条件期望这种附加问法。这还不算完，如果题目里系数是未知常数，你还得先求解归一化参数。这一整套流程几乎就是概率论课程前半学期的浓缩版。

从命题人的角度看，这种综合题的区分度极好。只考单一计算公式的题目大家都会背，考综合性问题才能把“会算题”和“会做题”的人区分开。而做题的人如果不是真正理解了这些概念背后的几何含义，很容易在某个环节卡住。

1.2 后续课程里它会反复出现

别以为这只是一个考前突击考点。时间序列分析里要处理多维观测的联合分布，计量经济学里讨论误差项的联合分布，可靠性工程里分析多个元器件失效时间的联合行为，机器学习中贝叶斯推断的后验分布求解，本质上就是条件密度计算。你可千万不要抱着“考完就扔”的心态来学这一章。

我在批改作业时经常对学生说：边缘密度计算不是目的，它只是后续求条件分布、条件期望、协方差和相关系数的“地基”。如果这道题你只是背住了步骤，后面遇到实际数据建模会吃亏。所以借着这一道典型题，把“为什么这样做”理顺，比单纯背下解题模板要有用得多。

1.3 为什么选三角形支持域来示范

用这个 0<y<x<1 的三角形区域不是随手一选。矩形支持域做样本太温和，因为两条变量取值范围互不影响，边缘密度直接沿着另一个方向从0积到1就行，基本没有思维难度。环形、多连通区域又太极端，初学者会在积分区间上完全绕晕。三角形恰好是两者之间最好的教学样本：它有一条斜边 y=x，制造了“积分限互锁”的经典场景。出题人最喜欢在这种区域上埋伏坑，学生们考后对答案时也经常会在这里叹气。

把三角形区域画明白，许多看似复杂的问题都会变得豁然开朗。

2. 概念层先理透：联合分布、联合密度、边缘密度到底是什么关系

很多同学公式背得很熟，但问他“边缘密度为什么要把另一个变量积掉”，他又答不上来。这不行。概念的直觉比公式本身重要得多，尤其是考试时你只有理解了概念，遇到变体题才会应变。

2.1 联合分布函数和联合密度函数的对应关系

设 X、Y 是两个连续的随机变量，它们的联合分布函数定义为

$$ F(x,y) = P(X \le x, Y \le y) $$

在二维平面上，这代表随机点落在以 (−∞,x]×(−∞,y] 为“西南角矩形”里的概率。联合密度函数 f(x,y) 则是单位面积上的概率“浓度”，直观上可以理解成平面上的概率质量分布密度。两者通过二重积分互相联系：

$$ F(x,y) = \int_{-\infty}^{x}\int_{-\infty}^{y} f(u,v), dv, du $$

反过来，在 f 连续的位置上，有

$$ f(x,y) = \frac{\partial^2 F(x,y)}{\partial x \partial y} $$

这里有一点初学者容易懵：密度函数的数值是可以大于1的，它不是概率，只是概率浓度。比如均匀分布在区间 [0, 0.5] 上，密度就是 2。二维情形也类似，所以当你算出的边缘密度在某些点取值大于1时，不要立刻怀疑算错了，要点在于积分结果等于1。

2.2 边缘密度到底在干什么？把“概率山”压扁

边缘密度的定义式很简单：

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

但在几何直觉上，我想请你这样想象：联合密度 f(x,y) 在三维空间里如同一座起伏的“概率山”。现在要把这座山沿着 y 方向“压扁”到 x 轴上，每个 x 位置的“截面面积”累积起来，得到的曲线就是 f_X(x)。同理，把山沿着 x 方向压实到 y 轴上，得到的是 f_Y(y)。这也是“边缘”这个词的来源——你得到的是投影到坐标轴上的密度曲线。

在实际计算中，求 f_X 就是把 y 当积分变量消掉，求 f_Y 就是把 x 当积分变量消掉。关键是积分区间取决于支持域在相应截线上的范围，这一步最容易出错。

2.3 支持域是整道题的隐藏主角

支持域就是联合密度 f(x,y)>0 的所有点构成的集合，记作 D。后面所有积分的上下限，都是从 D 的边界读取的。你甚至可以这么理解：密度函数是一张“地图”，支持域圈定了地图上哪里有内容，其余区域都是空白。

在解题流程上，画支持域图应该永远排在“开始积分”之前。这道题的支持域是

$$ D = {(x,y): 0<y<x<1} $$

把它画在平面上，是以 (0,0)、(1,0)、(1,1) 三个点为顶点的直角三角形。三条边界分别是：x 轴上的 y=0、竖直线 x=1，以及斜线 y=x。

2.4 独立性的几何判据和代数判据

判断 X 和 Y 是否独立，很多同学只记得公式 f(x,y)=f_X(x)f_Y(y)。其实还有一个更快的几何判断：连续型随机变量独立时，支持域必须是一个“矩形区域”（更严谨地说，是 x 方向取值范围与 y 方向取值范围的笛卡尔积）。理由在于，如果独立，则联合密度可以分解成单变量函数的乘积 f(x,y)=g(x)h(y)，那么支持域就是满足 g(x)>0 和 h(y)>0 的两个集合相乘，天然是矩形。

所以本题的支持域是斜三角形，一个非矩形区域，看到这里就已经可以判断 X、Y 不独立了。这个判断不需要算边缘密度，几秒钟就能完成。

3. 典型真题完整演示：求常数、边缘密度、独立性、分布函数与概率

在正式推演前，先把题目完整写在下面，方便对照。设二维随机向量 (X,Y) 的联合密度函数为

$$ f(x,y) = cxy, \quad 0<y<x<1 $$

其他区域为 0。要求：

1. 求常数 c；
2. 求边缘密度 f_X(x) 与 f_Y(y)；
3. 判断 X、Y 是否独立；
4. 求联合分布函数 F(x,y)；
5. 求概率 P(X+Y≤1)；
6. 附加题：求条件密度 f_{Y|X}(y|x) 和条件期望 E[Y|X=x]。

咱们按顺序一步步来。

3.1 第一步：由归一性反解常数 c，但画图必须在先

归一性条件是所有密度函数的“总质量等于1”：

$$ \int_{-\infty}^{\infty}\int_{-\infty}^{\infty} f(x,y), dx, dy = 1 $$

先画支持域。固定任意 x∈(0,1)，y 的取值范围是 y 从 0 到 x（因为支持域要求 y<x）。于是

$$ \int_0^1 \int_0^x cxy , dy, dx = 1 $$

先算内层积分：对固定的 x，把 y 从 0 积到 x，

$$ \int_0^x cxy, dy = cx \cdot \frac{y^2}{2}\bigg|_0^x = \frac{c}{2} x^3 $$

再对外层 x 从 0 积到 1，

$$ \int_0^1 \frac{c}{2} x^3 dx = \frac{c}{2} \cdot \frac{x^4}{4}\bigg|_0^1 = \frac{c}{8} $$

令 c/8=1，得到

$$ c = 8 $$

所以最终联合密度为 f(x,y)=8xy，支持域同上。这里有个非常实用的验算习惯：求完常数后，把 c 代回原式再快速跑一遍归一化积分，确认等于1。考场时间再紧也值得做这一步，因为它能拦住“常数错导致后面全部白算”的连锁灾难。

3.2 第二步：求两条边缘密度，切记写清非零区间

3.2.1 求 f_X(x)

先固定 x，对 y 积分，消去 y。在支持域内，给定 x 时，y 的取值范围是 0<y<x：

$$ f_X(x) = \int_{-\infty}^{\infty} f(x,y), dy = \int_0^x 8xy, dy = 8x \cdot \frac{y^2}{2}\bigg|_0^x = 4x^3 $$

别忘了完整写法：

$$ f_X(x) = \begin{cases} 4x^3, & 0<x<1 \ 0, & \text{其他} \end{cases} $$

写清“其他为0”不只是为了规范，更是为了后面求期望和分布函数时不至于在定义域上出错。很多同学算出 4x³ 就停笔了，结果后续步骤全部默认 x 在全体实数上定义，这种习惯一定要改正。

顺手验证归一化：∫₀¹ 4x³ dx = x⁴ |₀¹ = 1，成立。

3.2.2 求 f_Y(y)

求 f_Y(y) 比 f_X(x) 更容易写错。因为支持域要求 0<y<x<1，固定 y 后，x 的最低值是 y，最高值是 1，也就是 x∈(y,1)。这里的积分区间不能随手写 0 到 1，那样就默认了矩形支持域。

$$ f_Y(y) = \int_y^1 8xy, dx = 8y \cdot \frac{x^2}{2}\bigg|_y^1 = 4y(1-y^2) $$

完整写法：

$$ f_Y(y) = \begin{cases} 4y(1-y^2), & 0<y<1 \ 0, & \text{其他} \end{cases} $$

验证归一化：∫₀¹ 4y(1−y²) dy = 4(1/2 − 1/4) = 1，成立。

再强调一下那个容易被震惊的现象：f_X(1)=4，f_Y(0.5)=1.5，这些值都大于1。放心，这是密度值，不是概率，只要积分回到总面积1就没问题。

3.3 第三步：判断独立性，几何判断先行

我知道很多同学的固定流程是：算出两个边缘密度后，比较 f(x,y) 与 f_X(x)f_Y(y) 是否相等。我们确实可以这样验算：

$$ f_X(x)f_Y(y) = 4x^3 \cdot 4y(1-y^2) = 16x^3y(1-y^2) $$

而联合密度是 8xy，显然不恒等，所以不独立。

但更快的路径是看支持域。支持域 0<y<x<1 不是矩形区域，直接宣告变量不独立。这条几何判断只需要看图像一眼，是考场上的秒杀技巧。建议考试时两条都写一点：先写支持域不是矩形，因此 X 与 Y 不独立；再写边缘密度乘积与联合密度不一致，两者互为印证，得分更稳。

这里有一个常被混淆的点：f(x,y)=8xy 本身可以拆成 (8x)·(y)，即“变量可分离”，于是有人以为这就是独立。大错特错。密度函数是否可分离对应的是“给定支持域为矩形的条件下且密度可分离”，缺一个条件都不行。支持域是三角形时，哪怕函数能拆成两个单变量函数的乘积，也绝不独立。

3.4 第四步：联合分布函数 F(x,y)，分段是核心难点

联合分布函数

$$ F(x,y) = P(X\le x, Y\le y) = \int_{-\infty}^{x}\int_{-\infty}^{y} f(u,v), dv, du $$

这里的积分变量建议用 u、v，避免和分布函数的自变量 x、y 混淆。这是一个好习惯，能省掉很多低级错误。

由于支持域是三角形，F 的定义域按要求应该分区域讨论。把所有情况列全如下：

下面把主要情况推一遍，顺便演示分段思路。

3.4.1 情况：0<x<1，且 0≤y<x（点在三角形内部左侧）

这是变量取值都在“半矩形”内、但还没越过斜边的情形。矩形 (−∞,x]×(−∞,y] 与支持域的相交区域，适合先对 u 积分、再对 v 积分：

$$ F(x,y) = \int_0^y \int_v^x 8uv, du, dv $$

内层积出来：

$$ \int_v^x 8uv, du = 4v(x^2-v^2) $$

再对 v 积分：

$$ F = \int_0^y 4v(x^2-v^2), dv = 4\left(\frac{x^2 y^2}{2} - \frac{y^4}{4}\right) = 2x^2y^2 - y^4 $$

3.4.2 情况：0<x<1，且 y≥x（矩形右上角已经越过斜边）

这时矩形 (−∞,x]×(−∞,y] 与支持域的相交区域，实际上等于整个“小型三角形” 0<v<u<x。于是：

$$ F(x,y) = \int_0^x\int_0^u 8uv, dv, du = \int_0^x 4u^3, du = x^4 $$

注意一个很重要的校验点：在斜边 y=x 处，两个区域的表达式应该自动衔接。把 y=x 代入第一种情况：

$$ F(x,x) = 2x^4 - x^4 = x^4 $$

与第二种情况完全一致。这种“边界衔接”是判断分段函数写法是否正确的最强信号。建议你每次写分段函数时，都顺手验证每条交接边上的函数值。

3.4.3 情况：变量超出1的处理

当 x≥1 但 0<y<1 时，x 方向的累计已经到达边界 x=1，不会有更多概率加入。此时

$$ F = \int_0^y \int_v^1 8uv, du, dv = 2y^2 - y^4 $$

当 y≥1 但 0<x<1 时，y 方向累计已封顶，结果退化为 x⁴。两个变量都超过1时，F=1。这些“边界饱和”的处理看起来很琐碎，但恰恰是考试阅卷时最常扣分的地方。记住一个直观原则：分布函数在每个方向上是单调不减的，变量超出支持域上限时，该方向累计概率不再增加。

3.5 第五步：计算 P(X+Y≤1)，关键是画事件区域

事件 A={X+Y≤1}。不要急着积分，先在 x-y 平面里把支持域和事件区域重叠的部分画出来。

支持域三角形是 0<y<x<1。再叠加上 x+y<1 这个条件。在支持域内部，直线 x+y=1 与斜边 y=x 的交点是 (1/2, 1/2)。也就是说，满足条件的事件区域是：

$$ 0 < y < \frac12, \qquad y < x < 1-y $$

这个区间刻画很关键。固定 y 后，x 的下限来自支持域的 y<x，x 的上限来自事件条件的 x<1−y。但是 x 下限和上限谁大谁小不是无条件成立的，需要 y<1/2 来保证 y<1−y。这正好也是外层积分上限的由来。

于是：

$$ P(X+Y\le 1) = \int_0^{1/2}\int_y^{1-y} 8xy, dx, dy $$

内层先积：

$$ \int_y^{1-y} 8xy, dx = 8y \cdot \frac{x^2}{2}\bigg|_y^{1-y} = 4y\left[(1-y)^2 - y^2\right] = 4y(1-2y) $$

再对 y 积分：

$$ \int_0^{1/2} 4y(1-2y), dy = \int_0^{1/2} (4y - 8y^2), dy = \left[2y^2 - \frac83 y^3\right]_0^{1/2} = \frac12 - \frac13 = \frac16 $$

结果约等于 0.1667。这个数值可以作为自查依据：在单位面积权重分布下，三角形支持域右下角那部分被事件边界切掉，剩余概率约占总体的六分之一，符合几何直觉。

3.6 附加题：条件密度与条件期望，一句话点破

既然已经求出了边缘密度，顺手把条件密度也算出来。给定 X=x 时，Y 的条件密度等于

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

验证这个条件密度在 (0,x) 上积分等于1：∫₀ˣ (2y/x²)dy=1，没问题。条件期望为

$$ E[Y|X=x] = \int_0^x y \cdot \frac{2y}{x^2}, dy = \frac{2}{x^2} \cdot \frac{x^3}{3} = \frac{2x}{3} $$

这个结果很好记：给定 X=x 后，Y 在 (0,x) 区间上服从一个向上的线性密度，所以条件均值偏向区间右端，落在 2x/3 而不是中点 x/2。这类附加问法近年来在考试里出现频率不低，原理仍然是条件密度公式，并不复杂。

4. 批改和答疑中反复出现的错误，整理成排查手册

带教和批改作业这些年，我在学生们的答卷中反复看到同样的问题。把这些高频错误集中列一下，当作你的自查清单。

4.1 支持域方向和积分限写反

最常见的是把 0<y<x<1 读成 0<x<y<1，导致后面每个积分的上下限全反。这类错误一旦发生，常数 c 也会变，整题连坐。

防范办法很简单：动笔前先画三角形，然后在旁边写下两行“固定变量边界”：

• 固定 x 时：y 从 0 到 x；
• 固定 y 时：x 从 y 到 1。

这两个边界排序每次都在草稿上写出来，再往里代积分，基本不会错。

4.2 边缘密度忘记写分段定义

只写 f_X(x)=4x³ 而漏掉 0<x<1，是高频错误。你要知道，密度函数的定义域是定义的一部分。漏掉“其他为0”，意味着你隐含假设这个密度在实数轴所有点上都值 4x³，但那样总概率根本不为1。

应对方法是在每次算完边缘密度后，顺手做一次归一化验证，把 ∫ 的结果算出来，确认等于1。这个步骤本身大约只需要二十秒，却能挽救大量后续计算。

4.3 独立性判断理由不完整

只写“显然不独立”不给理由，或者只写“f_X(x)f_Y(y)≠f(x,y)”而没有指出支持域问题，常常被扣掉一部分分。

更稳妥的写法是：

1. 支持域 0<y<x<1 不是矩形区域；
2. 因此 X 与 Y 不独立；
3. 或者继续补充验证边缘密度乘积与联合密度不一致。

前两步本身就构成完整论证，第三步是额外保险。

4.4 联合分布函数分段漏块

分段函数最怕漏。最常见的漏法是：忘了处理“其中一个变量大于1”的情况。比如只写 F(x,y)=2x²y²−y⁴，然后假设对所有 x,y∈(0,1) 成立，可是当 y 变得比 x 还大时，公式就失效了，应该是 x⁴。又比如不写 x≤0 或 y≤0 时的 0 区，导致函数起点不完整。

写完分段函数后，务必检测三件事：

• F 在 x 方向从0增到1、在 y 方向也从0增到1；
• 各分段在相邻边界上取值一致；
• 在支持域内部，二阶混合偏导能回到 8xy。

这三个检测任意一个不过，说明分段有问题。

4.5 求概率时不画事件与支持域的交集

有同学拿到 P(X+Y≤1) 就直接对 y 从 0 到 1、x 从 0 到 1 积分，那是把整个单位正方形都算进去了。事件概率必须把事件条件和支持域取交集，并且重新确定积分限。前面 3.5 节已经演示了“先画交集再写区间”的做法，能照做就不会错。

4.6 把积分变量和边界变量混淆

求 F(x,y) 时写 ∫−∞∫−∞ f(x,y)dxdy，这是错误的。积分变量不能与 F 的自变量同名，否则会造成边界和变量纠缠不清。我总建议在二重积分里用 u、v 作为哑变量，这是一个非常朴素但极其有效的防错技巧。

5. 考前速查表与两个值得长期坚持的做题习惯

最后把这类型题目的核心检查点汇总成一张速查表，供期末冲刺和考研复习使用。

再看两个我认为最值得长期保留的习惯。

第一个习惯是在拿到任何联合密度的第一分钟，先在草稿纸上把支持域边界描粗，然后写下两组“固定变量边界”。这相当于给你的所有积分立好路标，后面根本不用回头想区间。我见过太多同学在积分中途突然犹豫“这里上限到底是 x 还是 1”，就是因为一开始没有把边界写下来。

第二个习惯是每次算完一个积分，花五秒钟做个量纲自查。这个自查不是严格证明，而是看结果是否在合理解释范围内。比如算出概率 P(X+Y≤1)=1/6，明显小于1，且和三角形的几何形状对得上；求出的 c=8，代回归一化积分能重现1。这些自查习惯越早建立，考场上就越不容易被细节绊倒。

把这道题的每一个分段都自己独立重算三遍，你会慢慢发现这类题目开始有了固定章法：画区域、写边界、分行积分、验边界衔接。所谓难题，其实就是若干简单正确的步骤叠加在一起。熟练之后，再看到任何联合密度题，你第一反应都不会是紧张，而是先找支持域画图——这才是真正学会了。