网站开发和设计实训,公司网站怎么做能被别人搜索到,页面布局标准格式,成都手机微信网站建设报价单img { display: block; margin-left: auto; margin-right: auto }
table { margin-left: auto; margin-right: auto }在现实世界中，许多随机现象并不是由单一因素决定的，而是多个随机因素共同作用的结果。例如，商品…
img { display: block; margin-left: auto; margin-right: auto }
table { margin-left: auto; margin-right: auto }在现实世界中，许多随机现象并不是由单一因素决定的，而是多个随机因素共同作用的结果。例如，商品销量与价格变化、股票收益与市场波动、产品质量与生产环境等，都体现了多个随机变量之间的相互联系。因此，仅研究一个随机变量的变化规律，往往无法完整描述复杂系统的不确定性。二维随机变量与联合分布正是研究这种“多因素随机关系”的核心工具。它通过联合分布函数、联合密度函数描述多个随机变量共同出现的概率规律，并进一步揭示边缘分布、变量独立性以及随机变量函数分布之间的内在联系。掌握二维随机变量的分析框架，关键在于理解“整体分布—局部分布—变量关系—函数变换”的逻辑链条，从而建立解决综合概率问题的系统思维。目录引言：从单个随机变量到随机系统的整体刻画
一、二维随机变量的基本概念
二、二维离散型随机变量与联合分布律
三、连续型二维随机变量与联合密度函数
四、边缘分布与随机变量独立性
五、二维随机变量函数的分布求法
结束语：二维随机变量的核心知识体系引言：从单个随机变量到随机系统的整体刻画
在概率论学习中，一维随机变量主要研究 一个随机对象的不确定性规律。例如：某商品一天的销量；
某地区一天的降雨量；
某设备运行时间。我们通过分布函数 \(F(x)=P\{X\le x\}\) 描述随机变量 \(X\) 的分布规律。然而，现实中的随机现象往往不是孤立存在的，而是多个变量共同变化。例如：股票价格与交易量之间的关系；
身高与体重之间的关系；
两台设备寿命之间的关联；
产品需求量与销售价格之间的相互影响。此时，一个随机变量已经不足以描述系统，需要研究二维随机变量 \((X,Y)\)。二维随机变量研究的核心问题是：两个随机变量如何共同变化？它们之间是否存在联系？如何描述整体概率规律？因此，二维随机变量与联合分布成为概率论中的重要桥梁：
\[\text{二维随机变量} \rightarrow \text{联合分布} \rightarrow \text{边缘分布} \rightarrow \text{独立性} \rightarrow \text{随机变量函数分布}
\]在数学三考研中，该部分不仅考查基本概念，更强调联合概率计算、密度函数积分区域确定、边缘分布求解、独立性判断以及二维函数分布求法。熟练把握这一链条，是解决复杂概率问题的关键。一、二维随机变量的基本概念
1.1 二维随机变量的定义
设随机试验的样本空间为 \(\Omega\)。如果对于每一个样本点 \(\omega \in \Omega\)，对应两个随机变量 \(X(\omega)\) 和 \(Y(\omega)\)，则称 \((X,Y)\) 为二维随机变量。它可看作平面上的随机点，其取值位于 \(\mathbb{R}^2\) 中。
例如，随机投掷一个点 \((X,Y)\)，其中 \(X\) 表示横坐标，\(Y\) 表示纵坐标，那么随机结果就是平面中的一个随机点。更一般地，二维随机变量可以描述两个相关联的随机指标，比如某学生的数学成绩和物理成绩、某城市的温度和湿度等。
1.2 二维随机变量的分布函数
二维随机变量的联合分布函数定义为
\[F(x,y)=P\{X\le x,\;Y\le y\},
\]其几何意义是随机点 \((X,Y)\) 落在以 \((x,y)\) 为右上顶点的左下无穷矩形区域 \((-\infty,x]\times(-\infty,y]\) 内的概率。
联合分布函数具有以下基本性质：单调性：\(F(x,y)\) 关于 \(x\) 和 \(y\) 分别单调不减。
有界性：\[\lim_{x\to-\infty}F(x,y)=0,\quad \lim_{y\to-\infty}F(x,y)=0,\quad \lim_{x,y\to+\infty}F(x,y)=1.
\]
右连续性：\(F(x,y)\) 关于每个变量右连续。
矩形概率公式：对于 \(ab,\;cd\)，有\[P\{aX\le b,\; cY\le d\}=F(b,d)-F(a,d)-F(b,c)+F(a,c).
\]二维分布函数统一描述了 \((X,Y)\) 的整体概率结构。任何区域 \(D\) 上的概率都可以通过联合分布求得，因此它是二维随机变量最完备的概率信息载体。
1.3 二维分布函数与一维分布函数的联系
若已知联合分布函数 \(F(x,y)\)，则 \(X\) 的边缘分布函数为
\[F_X(x)=P\{X\le x\}=P\{X\le x,\; Y+\infty\}=\lim_{y\to+\infty}F(x,y),
\]同理 \(Y\) 的边缘分布函数 \(F_Y(y)=\lim_{x\to+\infty}F(x,y)\)。这说明边缘分布是联合分布的“退化”，但反过来，仅知道边缘分布一般无法确定联合分布——这是考研中常被忽略的关键点。二、二维离散型随机变量与联合分布律
2.1 联合分布律的定义
若二维随机变量 \((X,Y)\) 取有限或可列个值 \((x_i,y_j)\)，则称
\[p_{ij}=P\{X=x_i,\;Y=y_j\}
\]为二维离散型随机变量的联合分布律。通常用表格表示：\(X\backslash Y\)
\(y_1\)
\(y_2\)
\(\cdots\)\(x_1\)
\(p_{11}\)
\(p_{12}\)
\(\cdots\)\(x_2\)
\(p_{21}\)
\(p_{22}\)
\(\cdots\)\(\vdots\)
\(\vdots\)
\(\vdots\)满足非负性 \(p_{ij}\ge 0\) 和归一性 \(\sum_i\sum_j p_{ij}=1\)。
2.2 利用联合分布律求概率
若要求 \(P\{(X,Y)\in D\}\)，则
\[P\{(X,Y)\in D\}=\sum_{(x_i,y_j)\in D} p_{ij}.
\]典型考研思想：二维离散问题的核心是找到满足条件的概率点，然后求和。步骤为：① 写出联合分布表；② 确定目标区域；③ 对区域内概率求和。
例题：设 \((X,Y)\) 的联合分布律为
\[P\{X=i,Y=j\}=c\,(i+j),\quad i=1,2;\; j=1,2.
\]求常数 \(c\) 以及 \(P\{X+Y\le 3\}\)。
解：由归一性
\[\sum_{i=1}^2\sum_{j=1}^2 c(i+j)=c[(1+1)+(1+2)+(2+1)+(2+2)] = c(2+3+3+4)=12c=1,
\]得 \(c=\frac1{12}\)。事件 \(\{X+Y\le 3\}\) 包含点 \((1,1),(1,2),(2,1)\)，故
\[P=\frac{1}{12}[(1+1)+(1+2)+(2+1)]=\frac{8}{12}=\frac23.
\]2.3 边缘分布律
由联合分布律可得 \(X\) 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
\[p_{\cdot j}=P\{Y=y_j\}=\sum_{i} p_{ij}.
\]注意，边缘分布律写在联合分布表的行和列合计中，因此又称“边际分布”。三、连续型二维随机变量与联合密度函数
3.1 联合密度函数的定义
若存在非负可积函数 \(f(x,y)\)，使得对任意 \(x,y\)，
\[F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y} f(u,v)\,du\,dv,
\]则称 \(f(x,y)\) 为 \((X,Y)\) 的联合概率密度函数。
3.2 密度函数的基本性质非负性：\(f(x,y)\ge 0\)。
归一性：\(\displaystyle \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty} f(x,y)\,dx\,dy=1\)。
区域概率：对于平面区域 \(D\)，\[P\{(X,Y)\in D\}=\iint_D f(x,y)\,dx\,dy.
\]二维连续型随机变量的考试重点，往往不是计算积分本身，而是正确确定积分区域。考研中常见的区域包括矩形区域、三角形区域、圆形区域以及由曲线围成的区域。
3.3 常见积分区域的表示矩形区域：\(a\le x\le b,\; c\le y\le d\)，可直接化为累次积分。
三角形区域：\(0\le y\le x\le 1\)，可写为 \(0\le x\le 1,\; 0\le y\le x\)，或 \(0\le y\le 1,\; y\le x\le 1\)。选择哪种顺序取决于被积函数的复杂度。
圆形区域：\(x^2+y^2\le R^2\)，常使用极坐标变换 \(x=r\cos\theta,\; y=r\sin\theta\)，雅可比行列式为 \(r\)。3.4 典型例题
例：设二维随机变量 \((X,Y)\) 的联合密度为
\[f(x,y)=
\begin{cases}
Axy, 0x2,\; 0y1,\\
0, \text{其他}.
\end{cases}
\](1) 求常数 \(A\)；(2) 求 \(P\{X+Y\le 1\}\)。
解：(1) 归一性：
\[\int_0^2\int_0^1 Axy\,dy\,dx = A\int_0^2 x\,dx \int_0^1 y\,dy = A\cdot \frac{4}{2}\cdot \frac{1}{2}=A=1,
\]故 \(A=1\)。
(2) 区域 \(D=\{0x2,\;0y1,\;x+y\le 1\}\)。由于 \(0y1\) 且 \(x+y\le 1\)，可得 \(0x1,\;0y1-x\)。因此
\[P\{X+Y\le 1\}=\int_0^1\int_0^{1-x} xy\,dy\,dx
=\int_0^1 x\cdot \frac{(1-x)^2}{2}\,dx
=\frac12\int_0^1 (x-2x^2+x^3)\,dx
=\frac12\left(\frac12-\frac23+\frac14\right)=\frac{1}{24}.
\]
四、边缘分布与随机变量的独立性
4.1 边缘密度函数的求解
已知联合密度 \(f(x,y)\)，则 \(X\) 的边缘密度为
\[f_X(x)=\int_{-\infty}^{+\infty} f(x,y)\,dy,
\]\(Y\) 的边缘密度为
\[f_Y(y)=\int_{-\infty}^{+\infty} f(x,y)\,dx.
\]核心理解是：对另一个变量积分，相当于把另一个变量“消去”，从而得到单一变量的分布。考研中常要求根据联合密度求边缘密度，并判断独立性。
注意：边缘密度的积分区间必须根据联合密度的非零区域确定，不能盲目取 \((-\infty,+\infty)\)。例如，若 \(f(x,y)\) 仅在 \(0yx1\) 非零，则
\[f_X(x)=\int_{0}^{x} f(x,y)\,dy,\quad 0x1,
\]而 \(f_Y(y)=\int_{y}^{1} f(x,y)\,dx,\quad 0y1\)。
4.2 随机变量的独立性
两个随机变量 \(X\) 与 \(Y\) 独立，直观意义是 \(X\) 的取值不影响 \(Y\) 的概率分布。数学上，若对任意 \(x,y\) 有
\[F(x,y)=F_X(x)F_Y(y),
\]则称 \(X\) 与 \(Y\) 相互独立。
对于连续型随机变量，等价条件为
\[f(x,y)=f_X(x)f_Y(y)
\]几乎处处成立。对于离散型，等价条件为
\[p_{ij}=p_{i\cdot}\,p_{\cdot j},\quad \forall i,j.
\]考研重点提醒：独立 \(\Rightarrow\) 不相关，但不相关 \(\not\Rightarrow\) 独立。这是概率论常见陷阱，常通过构造反例考查。
若两个随机变量独立，则它们的函数也独立（例如 \(X^2\) 与 \(Y^2\) 独立，前提是函数为可测函数）。
判断独立性时，首先求出边缘分布，再验证联合是否等于边缘乘积。若联合密度能分离变量，即 \(f(x,y)=g(x)h(y)\)，并且非零区域为矩形区域（即 \(x\) 和 \(y\) 的支撑集独立），则可以快速判断独立。例：设 \((X,Y)\) 的联合密度为
\[f(x,y)=
\begin{cases}
8xy, 0xy1,\\
0, \text{其他}.
\end{cases}
\]判断 \(X\) 与 \(Y\) 是否独立。
解：先求边缘密度
\[f_X(x)=\int_x^1 8xy\,dy = 8x\cdot \frac{1-x^2}{2}=4x(1-x^2),\quad 0x1,
\]\[f_Y(y)=\int_0^y 8xy\,dx = 8y\cdot \frac{y^2}{2}=4y^3,\quad 0y1.
\]显然 \(f(x,y)\neq f_X(x)f_Y(y)\)（例如 \(x=0.5,y=0.8\) 时左边 \(=8\cdot0.5\cdot0.8=3.2\)，右边 \(=4\cdot0.5(1-0.25)\cdot4\cdot0.8^3 \approx 4.096\)），故不独立。五、二维随机变量函数的分布求法
二维随机变量的最终目的之一，是研究 \(Z=g(X,Y)\) 的分布。常见情形有：\(Z=X+Y\)（和）
\(Z=X-Y\)（差）
\(Z=XY\)（积）
\(Z=X/Y\)（商）
\(Z=\max(X,Y)\) 或 \(Z=\min(X,Y)\)
\(Z=X^2+Y^2\)（平方和）5.1 分布函数法（通用方法）
设 \(Z=g(X,Y)\)，则其分布函数
\[F_Z(z)=P\{Z\le z\}=P\{g(X,Y)\le z\}=\iint_{D_z} f(x,y)\,dx\,dy,
\]其中 \(D_z=\{(x,y): g(x,y)\le z\}\)。这种方法适用于任何二维随机变量，关键是正确画出区域 \(D_z\) 并化为累次积分。
例：求 \(Z=X+Y\) 的分布函数。
\[F_Z(z)=P\{X+Y\le z\}=\iint_{x+y\le z} f(x,y)\,dx\,dy.
\]若 \(X,Y\) 独立且密度分别为 \(f_X,f_Y\)，则卷积公式：
\[f_Z(z)=\int_{-\infty}^{+\infty} f_X(x)f_Y(z-x)\,dx.
\]这是考研高频公式，需熟练掌握。设二维随机变量 \((X,Y)\) 的概率密度为
\[f(x,y)=
\begin{cases}
1, 0x1,\ 0y2x,\\
0, \text{其他}.
\end{cases}
\]求：（Ⅰ）\((X,Y)\) 的边缘概率密度 \(f_X(x)\)、\(f_Y(y)\)；
（Ⅱ）\(Z=2X-Y\) 的概率密度 \(f_Z(z)\)。解
（Ⅰ）求边缘概率密度
① 求 \(f_X(x)\)
由边缘密度公式 \(f_X(x)=\displaystyle\int_{-\infty}^{+\infty}f(x,y)\,dy\)。
当 \(0x1\) 时，\(y\) 的取值范围为 \(0y2x\)，因此
\[f_X(x)=\int_0^{2x}1\,dy = 2x.
\]故
\[\boxed{
f_X(x)=
\begin{cases}
2x, 0x1,\\
0, \text{其他}.
\end{cases}}
\]② 求 \(f_Y(y)\)
由 \(0y2x\) 且 \(0x1\)，可得 \(0y2\)，且 \(x\dfrac{y}{2}\)，于是
\[f_Y(y)=\int_{y/2}^{1}1\,dx = 1-\frac{y}{2},\qquad 0y2.
\]故
\[\boxed{
f_Y(y)=
\begin{cases}
1-\dfrac{y}{2}, 0y2,\\
0, \text{其他}.
\end{cases}}
\]
（Ⅱ）求 \(Z=2X-Y\) 的概率密度（分布函数法）
设 \(Z\) 的分布函数为 \(F_Z(z)=P\{Z\le z\}=P\{2X-Y\le z\}\)。
联合密度 \(f(x,y)\) 的非零区域为
\[D=\{(x,y):0x1,\ 0y2x\}.
\]首先确定 \(Z\) 的取值范围：因为 \(0Y2X\)，所以 \(Z=2X-Y0\) 恒成立；又因为 \(0X1\) 且 \(Y0\)，故 \(Z=2X-Y2X2\)。因此 \(Z\) 的取值范围为 \(0Z2\)。
下面分类讨论：
① 当 \(z\le 0\) 时
由于 \(Z=2X-Y0\) 恒成立，事件 \(\{Z\le z\}\) 为不可能事件，故
\[\boxed{F_Z(z)=0}
\]② 当 \(z\ge 2\) 时
由于 \(Z2\) 恒成立，事件 \(\{Z\le z\}\) 为必然事件，故
\[\boxed{F_Z(z)=1}
\]③ 当 \(0z2\) 时
利用对立事件计算：
\[F_Z(z)=P\{2X-Y\le z\}=1-P\{2X-Yz\}.
\]其中
\[P\{2X-Yz\}=\iint_{D\cap\{y2x-z\}}1\,dx\,dy.
\]满足 \(y2x-z\) 需 \(2x-z0\)，即 \(x\dfrac{z}{2}\)。因此积分区域为：\(x\) 从 \(\dfrac{z}{2}\) 到 \(1\)，\(y\) 从 \(0\) 到 \(2x-z\)。
于是
\[P\{2X-Yz\}=\int_{z/2}^{1}\int_0^{2x-z}1\,dy\,dx
=\int_{z/2}^{1}(2x-z)\,dx.
\]计算得
\[P\{2X-Yz\}=\left[x^2-zx\right]_{z/2}^{1}
=\left(1-z\right)-\left(\frac{z^2}{4}-\frac{z^2}{2}\right)
=1-z+\frac{z^2}{4}.
\]因此
\[F_Z(z)=1-\left(1-z+\frac{z^2}{4}\right)=z-\frac{z^2}{4}.
\]综合①②③，得到分布函数：
\[\boxed{
F_Z(z)=
\begin{cases}
0, z\le 0,\\[4pt]
z-\dfrac{z^2}{4}, 0z2,\\[6pt]
1, z\ge 2.
\end{cases}}
\]对 \(F_Z(z)\) 求导，得 \(Z\) 的概率密度：
\[\boxed{
f_Z(z)=F'_Z(z)=
\begin{cases}
1-\dfrac{z}{2}, 0z2,\\
0, \text{其他}.
\end{cases}}
\]
5.2 变量变换法（雅可比法）
若 \((X,Y)\) 有联合密度 \(f_{X,Y}(x,y)\)，且变换
\[\begin{cases}
u=g_1(x,y),\\
v=g_2(x,y),
\end{cases}
\]是单射且存在连续偏导数，则 \((U,V)=(g_1(X,Y),g_2(X,Y))\) 的联合密度为
\[f_{U,V}(u,v)=f_{X,Y}(x,y)\,|J|,
\]其中 \(J=\begin{vmatrix} \frac{\partial x}{\partial u} \frac{\partial x}{\partial v} \\ \frac{\partial y}{\partial u} \frac{\partial y}{\partial v} \end{vmatrix}\) 为雅可比行列式的绝对值。此方法常用于求两个随机变量函数的联合分布，或求单个函数（通过引入辅助变量）的边缘分布。
例（求商的分布）：设 \(Z=X/Y\)，令 \(U=Z,\;V=Y\)，则 \(X=UV,\;Y=V\)，雅可比行列式 \(J=\begin{vmatrix} v u \\ 0 1 \end{vmatrix}=v\)。则
\[f_{Z,Y}(z,y)=f_{X,Y}(zy,y)\,|y|,
\]故
\[f_Z(z)=\int_{-\infty}^{+\infty} f_{X,Y}(zy,y)\,|y|\,dy.
\]若 \(X,Y\) 独立，则 \(f_Z(z)=\int_{-\infty}^{+\infty} f_X(zy)f_Y(y)\,|y|\,dy\)。例（求积的分布）设随机变量 \(X\) 与 \(Y\) 相互独立，且均服从区间 \((0,1)\) 上的均匀分布，即 \(X\sim U(0,1)\)，\(Y\sim U(0,1)\)。求 \(Z=XY\) 的概率密度 \(f_Z(z)\)。解
方法：变量变换法（引入辅助变量）
令
\[\begin{cases}
U=Z=XY,\\
V=X,
\end{cases}
\quad\text{则}\quad
\begin{cases}
X=V,\\
Y=\dfrac{U}{V}.
\end{cases}
\]变换的雅可比行列式
\[J=\begin{vmatrix}
\dfrac{\partial X}{\partial U} \dfrac{\partial X}{\partial V}\\[6pt]
\dfrac{\partial Y}{\partial U} \dfrac{\partial Y}{\partial V}
\end{vmatrix}
=
\begin{vmatrix}
0 1\\[4pt]
\dfrac{1}{V} -\dfrac{U}{V^2}
\end{vmatrix}
= -\frac{1}{V},
\]故 \(|J|=\dfrac{1}{V}\)。
\((X,Y)\) 的联合密度为 \(f_{X,Y}(x,y)=1\)（\(0x1,0y1\)）。变换后 \((U,V)\) 的联合密度为
\[f_{U,V}(u,v)=f_{X,Y}\!\left(v,\frac{u}{v}\right)\cdot \frac{1}{v}
= \frac{1}{v},
\]其定义域需满足 \(0v1\) 且 \(0\frac{u}{v}1\)，即 \(0uv1\)。
因此，\(U\) 的边缘密度为
\[f_Z(z)=f_U(u)=\int_{v=u}^{1} \frac{1}{v}\,dv = -\ln u,\qquad 0u1.
\]故
\[\boxed{
f_Z(z)=
\begin{cases}
-\ln z, 0z1,\\
0, \text{其他}.
\end{cases}}
\]
方法点睛：雅可比法适用于连续型且变换为一一映射的情形。求单个函数分布时，常引入辅助变量，再对辅助变量积分即可。5.3 最大最小值的分布
若 \(X_1, X_2, \dots, X_n\) 独立同分布，共同分布函数为 \(F(x)\)，则最大值与最小值的分布函数分别为：
\[F_{\max}(z) = \bigl[F(z)\bigr]^n,
\qquad
F_{\min}(z) = 1 - \bigl[1 - F(z)\bigr]^n.
\]二维一般情形（不要求独立）
设 \(Z = \max(X, Y)\)，其分布函数可由联合分布函数直接表示：
\[F_Z(z) = P\{X \le z,\; Y \le z\} = F_{X,Y}(z, z),
\]其中 \(F_{X,Y}\) 为 \((X,Y)\) 的联合分布函数。
对于 \(Z = \min(X, Y)\)，其分布函数为：
\[F_Z(z) = P\{\min(X,Y) \le z\} = 1 - P\{X z,\; Y z\}.
\]
二维独立情形（非同分布）
当 \(X\) 与 \(Y\) 相互独立（但分布函数不一定相同）时，上述公式可进一步化为乘积形式：最大值
\[F_{\max}(z) = F_X(z) \cdot F_Y(z).
\]最小值
\[F_{\min}(z) = 1 - \bigl[1 - F_X(z)\bigr] \cdot \bigl[1 - F_Y(z)\bigr].
\]二维独立同分布
若 \(X, Y\) 独立且同分布，即 \(F_X = F_Y = F\)，则：
\[F_{\max}(z) = \bigl[F(z)\bigr]^2,
\qquad
F_{\min}(z) = 1 - \bigl[1 - F(z)\bigr]^2,
\]设随机变量 \(X\) 与 \(Y\) 相互独立，且均服从参数为 \(1\) 的指数分布，即 \(X\sim\mathrm{Exp}(1)\)，\(Y\sim\mathrm{Exp}(1)\)。令 \(Z=\max(X,Y)\)，求 \(Z\) 的分布函数 \(F_Z(z)\) 和概率密度 \(f_Z(z)\)。解
指数分布的分布函数为
\[F(t)=P\{X\le t\}=P\{Y\le t\}=
\begin{cases}
1-e^{-t}, t\ge 0,\\
0, t0.
\end{cases}
\]由于 \(X,Y\) 独立，最大值分布函数为
\[F_Z(z)=P\{\max(X,Y)\le z\}=P\{X\le z,\;Y\le z\}=P\{X\le z\}P\{Y\le z\}.
\]
当 \(z0\) 时，\(F_Z(z)=0\)；
当 \(z\ge 0\) 时，\[F_Z(z)=\bigl(1-e^{-z}\bigr)\bigl(1-e^{-z}\bigr)=\bigl(1-e^{-z}\bigr)^2.
\]故
\[\boxed{
F_Z(z)=
\begin{cases}
0, z0,\\[4pt]
(1-e^{-z})^2, z\ge 0.
\end{cases}}
\]对 \(z\) 求导得概率密度（\(z\ge 0\)）：
\[f_Z(z)=F'_Z(z)=2(1-e^{-z})\cdot e^{-z}=2e^{-z}(1-e^{-z}),
\]当 \(z0\) 时 \(f_Z(z)=0\)。即
\[\boxed{
f_Z(z)=
\begin{cases}
2e^{-z}(1-e^{-z}), z\ge 0,\\
0, z0.
\end{cases}}
\]
方法点睛：最大值的分布函数等于联合分布函数在点 \((z,z)\) 处的值；若独立则化为边缘分布函数的乘积。最小值类似，但需用 \(1-P\{Xz,Yz\}\) 转换。结束语：二维随机变量的核心知识体系
二维随机变量的分析可以遵循一条清晰的解题路径：首先，根据题目条件确定联合分布，离散型关注分布律，连续型建立联合密度函数；其次，结合图形确定概率区域，明确求和或积分范围；然后通过求和或积分得到边缘分布，刻画单个随机变量的概率规律；进一步利用联合分布与边缘分布的关系判断独立性；最后研究函数 (Z=g(X,Y)) 的分布，常采用分布函数法或变量变换法完成求解。
各知识点之间相互关联：区域决定概率计算的边界，边缘分布为独立性判断提供依据，而独立性又能简化函数分布的分析。其核心知识链可概括为：
\[(X,Y)\rightarrow F(x,y)\rightarrow f(x,y)\rightarrow \text{区域概率}\rightarrow \text{边缘分布}\rightarrow \text{独立性}\rightarrow \text{函数分布}
\]这条链路体现了二维随机变量从整体描述到局部分析，再到变量变换应用的完整逻辑。相比一维随机变量，二维随机变量更关注变量之间的联系与相互作用，是概率论由基础计算走向综合分析的重要桥梁。
掌握二维随机变量的核心方法，不仅能够解决考研中的联合分布、边缘分布、独立性及函数分布等典型问题，也为后续协方差、相关系数、数理统计等内容提供理论基础，是概率论综合能力提升的关键环节。 网站开发和设计实训公司网站怎么做能被别人搜索到
网站开发和设计实训,公司网站怎么做能被别人搜索到,页面布局标准格式,成都手机微信网站建设报价单img { display: block; margin-left: auto; margin-right: auto }
table { margin-left: auto; margin-right: auto }在现实世界中，许多随机现象并不是由单一因素决定的，而是多个随机因素共同作用的结果。例如，商品…
img { display: block; margin-left: auto; margin-right: auto }
table { margin-left: auto; margin-right: auto }在现实世界中，许多随机现象并不是由单一因素决定的，而是多个随机因素共同作用的结果。例如，商品销量与价格变化、股票收益与市场波动、产品质量与生产环境等，都体现了多个随机变量之间的相互联系。因此，仅研究一个随机变量的变化规律，往往无法完整描述复杂系统的不确定性。二维随机变量与联合分布正是研究这种“多因素随机关系”的核心工具。它通过联合分布函数、联合密度函数描述多个随机变量共同出现的概率规律，并进一步揭示边缘分布、变量独立性以及随机变量函数分布之间的内在联系。掌握二维随机变量的分析框架，关键在于理解“整体分布—局部分布—变量关系—函数变换”的逻辑链条，从而建立解决综合概率问题的系统思维。目录引言：从单个随机变量到随机系统的整体刻画
一、二维随机变量的基本概念
二、二维离散型随机变量与联合分布律
三、连续型二维随机变量与联合密度函数
四、边缘分布与随机变量独立性
五、二维随机变量函数的分布求法
结束语：二维随机变量的核心知识体系引言：从单个随机变量到随机系统的整体刻画
在概率论学习中，一维随机变量主要研究 一个随机对象的不确定性规律。例如：某商品一天的销量；
某地区一天的降雨量；
某设备运行时间。我们通过分布函数 \(F(x)=P\{X\le x\}\) 描述随机变量 \(X\) 的分布规律。然而，现实中的随机现象往往不是孤立存在的，而是多个变量共同变化。例如：股票价格与交易量之间的关系；
身高与体重之间的关系；
两台设备寿命之间的关联；
产品需求量与销售价格之间的相互影响。此时，一个随机变量已经不足以描述系统，需要研究二维随机变量 \((X,Y)\)。二维随机变量研究的核心问题是：两个随机变量如何共同变化？它们之间是否存在联系？如何描述整体概率规律？因此，二维随机变量与联合分布成为概率论中的重要桥梁：
\[\text{二维随机变量} \rightarrow \text{联合分布} \rightarrow \text{边缘分布} \rightarrow \text{独立性} \rightarrow \text{随机变量函数分布}
\]在数学三考研中，该部分不仅考查基本概念，更强调联合概率计算、密度函数积分区域确定、边缘分布求解、独立性判断以及二维函数分布求法。熟练把握这一链条，是解决复杂概率问题的关键。一、二维随机变量的基本概念
1.1 二维随机变量的定义
设随机试验的样本空间为 \(\Omega\)。如果对于每一个样本点 \(\omega \in \Omega\)，对应两个随机变量 \(X(\omega)\) 和 \(Y(\omega)\)，则称 \((X,Y)\) 为二维随机变量。它可看作平面上的随机点，其取值位于 \(\mathbb{R}^2\) 中。
例如，随机投掷一个点 \((X,Y)\)，其中 \(X\) 表示横坐标，\(Y\) 表示纵坐标，那么随机结果就是平面中的一个随机点。更一般地，二维随机变量可以描述两个相关联的随机指标，比如某学生的数学成绩和物理成绩、某城市的温度和湿度等。
1.2 二维随机变量的分布函数
二维随机变量的联合分布函数定义为
\[F(x,y)=P\{X\le x,\;Y\le y\},
\]其几何意义是随机点 \((X,Y)\) 落在以 \((x,y)\) 为右上顶点的左下无穷矩形区域 \((-\infty,x]\times(-\infty,y]\) 内的概率。
联合分布函数具有以下基本性质：单调性：\(F(x,y)\) 关于 \(x\) 和 \(y\) 分别单调不减。
有界性：\[\lim_{x\to-\infty}F(x,y)=0,\quad \lim_{y\to-\infty}F(x,y)=0,\quad \lim_{x,y\to+\infty}F(x,y)=1.
\]
右连续性：\(F(x,y)\) 关于每个变量右连续。
矩形概率公式：对于 \(ab,\;cd\)，有\[P\{aX\le b,\; cY\le d\}=F(b,d)-F(a,d)-F(b,c)+F(a,c).
\]二维分布函数统一描述了 \((X,Y)\) 的整体概率结构。任何区域 \(D\) 上的概率都可以通过联合分布求得，因此它是二维随机变量最完备的概率信息载体。
1.3 二维分布函数与一维分布函数的联系
若已知联合分布函数 \(F(x,y)\)，则 \(X\) 的边缘分布函数为
\[F_X(x)=P\{X\le x\}=P\{X\le x,\; Y+\infty\}=\lim_{y\to+\infty}F(x,y),
\]同理 \(Y\) 的边缘分布函数 \(F_Y(y)=\lim_{x\to+\infty}F(x,y)\)。这说明边缘分布是联合分布的“退化”，但反过来，仅知道边缘分布一般无法确定联合分布——这是考研中常被忽略的关键点。二、二维离散型随机变量与联合分布律
2.1 联合分布律的定义
若二维随机变量 \((X,Y)\) 取有限或可列个值 \((x_i,y_j)\)，则称
\[p_{ij}=P\{X=x_i,\;Y=y_j\}
\]为二维离散型随机变量的联合分布律。通常用表格表示：\(X\backslash Y\)
\(y_1\)
\(y_2\)
\(\cdots\)\(x_1\)
\(p_{11}\)
\(p_{12}\)
\(\cdots\)\(x_2\)
\(p_{21}\)
\(p_{22}\)
\(\cdots\)\(\vdots\)
\(\vdots\)
\(\vdots\)满足非负性 \(p_{ij}\ge 0\) 和归一性 \(\sum_i\sum_j p_{ij}=1\)。
2.2 利用联合分布律求概率
若要求 \(P\{(X,Y)\in D\}\)，则
\[P\{(X,Y)\in D\}=\sum_{(x_i,y_j)\in D} p_{ij}.
\]典型考研思想：二维离散问题的核心是找到满足条件的概率点，然后求和。步骤为：① 写出联合分布表；② 确定目标区域；③ 对区域内概率求和。
例题：设 \((X,Y)\) 的联合分布律为
\[P\{X=i,Y=j\}=c\,(i+j),\quad i=1,2;\; j=1,2.
\]求常数 \(c\) 以及 \(P\{X+Y\le 3\}\)。
解：由归一性
\[\sum_{i=1}^2\sum_{j=1}^2 c(i+j)=c[(1+1)+(1+2)+(2+1)+(2+2)] = c(2+3+3+4)=12c=1,
\]得 \(c=\frac1{12}\)。事件 \(\{X+Y\le 3\}\) 包含点 \((1,1),(1,2),(2,1)\)，故
\[P=\frac{1}{12}[(1+1)+(1+2)+(2+1)]=\frac{8}{12}=\frac23.
\]2.3 边缘分布律
由联合分布律可得 \(X\) 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
\[p_{\cdot j}=P\{Y=y_j\}=\sum_{i} p_{ij}.
\]注意，边缘分布律写在联合分布表的行和列合计中，因此又称“边际分布”。三、连续型二维随机变量与联合密度函数
3.1 联合密度函数的定义
若存在非负可积函数 \(f(x,y)\)，使得对任意 \(x,y\)，
\[F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y} f(u,v)\,du\,dv,
\]则称 \(f(x,y)\) 为 \((X,Y)\) 的联合概率密度函数。
3.2 密度函数的基本性质非负性：\(f(x,y)\ge 0\)。
归一性：\(\displaystyle \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty} f(x,y)\,dx\,dy=1\)。
区域概率：对于平面区域 \(D\)，\[P\{(X,Y)\in D\}=\iint_D f(x,y)\,dx\,dy.
\]二维连续型随机变量的考试重点，往往不是计算积分本身，而是正确确定积分区域。考研中常见的区域包括矩形区域、三角形区域、圆形区域以及由曲线围成的区域。
3.3 常见积分区域的表示矩形区域：\(a\le x\le b,\; c\le y\le d\)，可直接化为累次积分。
三角形区域：\(0\le y\le x\le 1\)，可写为 \(0\le x\le 1,\; 0\le y\le x\)，或 \(0\le y\le 1,\; y\le x\le 1\)。选择哪种顺序取决于被积函数的复杂度。
圆形区域：\(x^2+y^2\le R^2\)，常使用极坐标变换 \(x=r\cos\theta,\; y=r\sin\theta\)，雅可比行列式为 \(r\)。3.4 典型例题
例：设二维随机变量 \((X,Y)\) 的联合密度为
\[f(x,y)=
\begin{cases}
Axy, 0x2,\; 0y1,\\
0, \text{其他}.
\end{cases}
\](1) 求常数 \(A\)；(2) 求 \(P\{X+Y\le 1\}\)。
解：(1) 归一性：
\[\int_0^2\int_0^1 Axy\,dy\,dx = A\int_0^2 x\,dx \int_0^1 y\,dy = A\cdot \frac{4}{2}\cdot \frac{1}{2}=A=1,
\]故 \(A=1\)。
(2) 区域 \(D=\{0x2,\;0y1,\;x+y\le 1\}\)。由于 \(0y1\) 且 \(x+y\le 1\)，可得 \(0x1,\;0y1-x\)。因此
\[P\{X+Y\le 1\}=\int_0^1\int_0^{1-x} xy\,dy\,dx
=\int_0^1 x\cdot \frac{(1-x)^2}{2}\,dx
=\frac12\int_0^1 (x-2x^2+x^3)\,dx
=\frac12\left(\frac12-\frac23+\frac14\right)=\frac{1}{24}.
\]
四、边缘分布与随机变量的独立性
4.1 边缘密度函数的求解
已知联合密度 \(f(x,y)\)，则 \(X\) 的边缘密度为
\[f_X(x)=\int_{-\infty}^{+\infty} f(x,y)\,dy,
\]\(Y\) 的边缘密度为
\[f_Y(y)=\int_{-\infty}^{+\infty} f(x,y)\,dx.
\]核心理解是：对另一个变量积分，相当于把另一个变量“消去”，从而得到单一变量的分布。考研中常要求根据联合密度求边缘密度，并判断独立性。
注意：边缘密度的积分区间必须根据联合密度的非零区域确定，不能盲目取 \((-\infty,+\infty)\)。例如，若 \(f(x,y)\) 仅在 \(0yx1\) 非零，则
\[f_X(x)=\int_{0}^{x} f(x,y)\,dy,\quad 0x1,
\]而 \(f_Y(y)=\int_{y}^{1} f(x,y)\,dx,\quad 0y1\)。
4.2 随机变量的独立性
两个随机变量 \(X\) 与 \(Y\) 独立，直观意义是 \(X\) 的取值不影响 \(Y\) 的概率分布。数学上，若对任意 \(x,y\) 有
\[F(x,y)=F_X(x)F_Y(y),
\]则称 \(X\) 与 \(Y\) 相互独立。
对于连续型随机变量，等价条件为
\[f(x,y)=f_X(x)f_Y(y)
\]几乎处处成立。对于离散型，等价条件为
\[p_{ij}=p_{i\cdot}\,p_{\cdot j},\quad \forall i,j.
\]考研重点提醒：独立 \(\Rightarrow\) 不相关，但不相关 \(\not\Rightarrow\) 独立。这是概率论常见陷阱，常通过构造反例考查。
若两个随机变量独立，则它们的函数也独立（例如 \(X^2\) 与 \(Y^2\) 独立，前提是函数为可测函数）。
判断独立性时，首先求出边缘分布，再验证联合是否等于边缘乘积。若联合密度能分离变量，即 \(f(x,y)=g(x)h(y)\)，并且非零区域为矩形区域（即 \(x\) 和 \(y\) 的支撑集独立），则可以快速判断独立。例：设 \((X,Y)\) 的联合密度为
\[f(x,y)=
\begin{cases}
8xy, 0xy1,\\
0, \text{其他}.
\end{cases}
\]判断 \(X\) 与 \(Y\) 是否独立。
解：先求边缘密度
\[f_X(x)=\int_x^1 8xy\,dy = 8x\cdot \frac{1-x^2}{2}=4x(1-x^2),\quad 0x1,
\]\[f_Y(y)=\int_0^y 8xy\,dx = 8y\cdot \frac{y^2}{2}=4y^3,\quad 0y1.
\]显然 \(f(x,y)\neq f_X(x)f_Y(y)\)（例如 \(x=0.5,y=0.8\) 时左边 \(=8\cdot0.5\cdot0.8=3.2\)，右边 \(=4\cdot0.5(1-0.25)\cdot4\cdot0.8^3 \approx 4.096\)），故不独立。五、二维随机变量函数的分布求法
二维随机变量的最终目的之一，是研究 \(Z=g(X,Y)\) 的分布。常见情形有：\(Z=X+Y\)（和）
\(Z=X-Y\)（差）
\(Z=XY\)（积）
\(Z=X/Y\)（商）
\(Z=\max(X,Y)\) 或 \(Z=\min(X,Y)\)
\(Z=X^2+Y^2\)（平方和）5.1 分布函数法（通用方法）
设 \(Z=g(X,Y)\)，则其分布函数
\[F_Z(z)=P\{Z\le z\}=P\{g(X,Y)\le z\}=\iint_{D_z} f(x,y)\,dx\,dy,
\]其中 \(D_z=\{(x,y): g(x,y)\le z\}\)。这种方法适用于任何二维随机变量，关键是正确画出区域 \(D_z\) 并化为累次积分。
例：求 \(Z=X+Y\) 的分布函数。
\[F_Z(z)=P\{X+Y\le z\}=\iint_{x+y\le z} f(x,y)\,dx\,dy.
\]若 \(X,Y\) 独立且密度分别为 \(f_X,f_Y\)，则卷积公式：
\[f_Z(z)=\int_{-\infty}^{+\infty} f_X(x)f_Y(z-x)\,dx.
\]这是考研高频公式，需熟练掌握。设二维随机变量 \((X,Y)\) 的概率密度为
\[f(x,y)=
\begin{cases}
1, 0x1,\ 0y2x,\\
0, \text{其他}.
\end{cases}
\]求：（Ⅰ）\((X,Y)\) 的边缘概率密度 \(f_X(x)\)、\(f_Y(y)\)；
（Ⅱ）\(Z=2X-Y\) 的概率密度 \(f_Z(z)\)。解
（Ⅰ）求边缘概率密度
① 求 \(f_X(x)\)
由边缘密度公式 \(f_X(x)=\displaystyle\int_{-\infty}^{+\infty}f(x,y)\,dy\)。
当 \(0x1\) 时，\(y\) 的取值范围为 \(0y2x\)，因此
\[f_X(x)=\int_0^{2x}1\,dy = 2x.
\]故
\[\boxed{
f_X(x)=
\begin{cases}
2x, 0x1,\\
0, \text{其他}.
\end{cases}}
\]② 求 \(f_Y(y)\)
由 \(0y2x\) 且 \(0x1\)，可得 \(0y2\)，且 \(x\dfrac{y}{2}\)，于是
\[f_Y(y)=\int_{y/2}^{1}1\,dx = 1-\frac{y}{2},\qquad 0y2.
\]故
\[\boxed{
f_Y(y)=
\begin{cases}
1-\dfrac{y}{2}, 0y2,\\
0, \text{其他}.
\end{cases}}
\]
（Ⅱ）求 \(Z=2X-Y\) 的概率密度（分布函数法）
设 \(Z\) 的分布函数为 \(F_Z(z)=P\{Z\le z\}=P\{2X-Y\le z\}\)。
联合密度 \(f(x,y)\) 的非零区域为
\[D=\{(x,y):0x1,\ 0y2x\}.
\]首先确定 \(Z\) 的取值范围：因为 \(0Y2X\)，所以 \(Z=2X-Y0\) 恒成立；又因为 \(0X1\) 且 \(Y0\)，故 \(Z=2X-Y2X2\)。因此 \(Z\) 的取值范围为 \(0Z2\)。
下面分类讨论：
① 当 \(z\le 0\) 时
由于 \(Z=2X-Y0\) 恒成立，事件 \(\{Z\le z\}\) 为不可能事件，故
\[\boxed{F_Z(z)=0}
\]② 当 \(z\ge 2\) 时
由于 \(Z2\) 恒成立，事件 \(\{Z\le z\}\) 为必然事件，故
\[\boxed{F_Z(z)=1}
\]③ 当 \(0z2\) 时
利用对立事件计算：
\[F_Z(z)=P\{2X-Y\le z\}=1-P\{2X-Yz\}.
\]其中
\[P\{2X-Yz\}=\iint_{D\cap\{y2x-z\}}1\,dx\,dy.
\]满足 \(y2x-z\) 需 \(2x-z0\)，即 \(x\dfrac{z}{2}\)。因此积分区域为：\(x\) 从 \(\dfrac{z}{2}\) 到 \(1\)，\(y\) 从 \(0\) 到 \(2x-z\)。
于是
\[P\{2X-Yz\}=\int_{z/2}^{1}\int_0^{2x-z}1\,dy\,dx
=\int_{z/2}^{1}(2x-z)\,dx.
\]计算得
\[P\{2X-Yz\}=\left[x^2-zx\right]_{z/2}^{1}
=\left(1-z\right)-\left(\frac{z^2}{4}-\frac{z^2}{2}\right)
=1-z+\frac{z^2}{4}.
\]因此
\[F_Z(z)=1-\left(1-z+\frac{z^2}{4}\right)=z-\frac{z^2}{4}.
\]综合①②③，得到分布函数：
\[\boxed{
F_Z(z)=
\begin{cases}
0, z\le 0,\\[4pt]
z-\dfrac{z^2}{4}, 0z2,\\[6pt]
1, z\ge 2.
\end{cases}}
\]对 \(F_Z(z)\) 求导，得 \(Z\) 的概率密度：
\[\boxed{
f_Z(z)=F'_Z(z)=
\begin{cases}
1-\dfrac{z}{2}, 0z2,\\
0, \text{其他}.
\end{cases}}
\]
5.2 变量变换法（雅可比法）
若 \((X,Y)\) 有联合密度 \(f_{X,Y}(x,y)\)，且变换
\[\begin{cases}
u=g_1(x,y),\\
v=g_2(x,y),
\end{cases}
\]是单射且存在连续偏导数，则 \((U,V)=(g_1(X,Y),g_2(X,Y))\) 的联合密度为
\[f_{U,V}(u,v)=f_{X,Y}(x,y)\,|J|,
\]其中 \(J=\begin{vmatrix} \frac{\partial x}{\partial u} \frac{\partial x}{\partial v} \\ \frac{\partial y}{\partial u} \frac{\partial y}{\partial v} \end{vmatrix}\) 为雅可比行列式的绝对值。此方法常用于求两个随机变量函数的联合分布，或求单个函数（通过引入辅助变量）的边缘分布。
例（求商的分布）：设 \(Z=X/Y\)，令 \(U=Z,\;V=Y\)，则 \(X=UV,\;Y=V\)，雅可比行列式 \(J=\begin{vmatrix} v u \\ 0 1 \end{vmatrix}=v\)。则
\[f_{Z,Y}(z,y)=f_{X,Y}(zy,y)\,|y|,
\]故
\[f_Z(z)=\int_{-\infty}^{+\infty} f_{X,Y}(zy,y)\,|y|\,dy.
\]若 \(X,Y\) 独立，则 \(f_Z(z)=\int_{-\infty}^{+\infty} f_X(zy)f_Y(y)\,|y|\,dy\)。例（求积的分布）设随机变量 \(X\) 与 \(Y\) 相互独立，且均服从区间 \((0,1)\) 上的均匀分布，即 \(X\sim U(0,1)\)，\(Y\sim U(0,1)\)。求 \(Z=XY\) 的概率密度 \(f_Z(z)\)。解
方法：变量变换法（引入辅助变量）
令
\[\begin{cases}
U=Z=XY,\\
V=X,
\end{cases}
\quad\text{则}\quad
\begin{cases}
X=V,\\
Y=\dfrac{U}{V}.
\end{cases}
\]变换的雅可比行列式
\[J=\begin{vmatrix}
\dfrac{\partial X}{\partial U} \dfrac{\partial X}{\partial V}\\[6pt]
\dfrac{\partial Y}{\partial U} \dfrac{\partial Y}{\partial V}
\end{vmatrix}
=
\begin{vmatrix}
0 1\\[4pt]
\dfrac{1}{V} -\dfrac{U}{V^2}
\end{vmatrix}
= -\frac{1}{V},
\]故 \(|J|=\dfrac{1}{V}\)。
\((X,Y)\) 的联合密度为 \(f_{X,Y}(x,y)=1\)（\(0x1,0y1\)）。变换后 \((U,V)\) 的联合密度为
\[f_{U,V}(u,v)=f_{X,Y}\!\left(v,\frac{u}{v}\right)\cdot \frac{1}{v}
= \frac{1}{v},
\]其定义域需满足 \(0v1\) 且 \(0\frac{u}{v}1\)，即 \(0uv1\)。
因此，\(U\) 的边缘密度为
\[f_Z(z)=f_U(u)=\int_{v=u}^{1} \frac{1}{v}\,dv = -\ln u,\qquad 0u1.
\]故
\[\boxed{
f_Z(z)=
\begin{cases}
-\ln z, 0z1,\\
0, \text{其他}.
\end{cases}}
\]
方法点睛：雅可比法适用于连续型且变换为一一映射的情形。求单个函数分布时，常引入辅助变量，再对辅助变量积分即可。5.3 最大最小值的分布
若 \(X_1, X_2, \dots, X_n\) 独立同分布，共同分布函数为 \(F(x)\)，则最大值与最小值的分布函数分别为：
\[F_{\max}(z) = \bigl[F(z)\bigr]^n,
\qquad
F_{\min}(z) = 1 - \bigl[1 - F(z)\bigr]^n.
\]二维一般情形（不要求独立）
设 \(Z = \max(X, Y)\)，其分布函数可由联合分布函数直接表示：
\[F_Z(z) = P\{X \le z,\; Y \le z\} = F_{X,Y}(z, z),
\]其中 \(F_{X,Y}\) 为 \((X,Y)\) 的联合分布函数。
对于 \(Z = \min(X, Y)\)，其分布函数为：
\[F_Z(z) = P\{\min(X,Y) \le z\} = 1 - P\{X z,\; Y z\}.
\]
二维独立情形（非同分布）
当 \(X\) 与 \(Y\) 相互独立（但分布函数不一定相同）时，上述公式可进一步化为乘积形式：最大值
\[F_{\max}(z) = F_X(z) \cdot F_Y(z).
\]最小值
\[F_{\min}(z) = 1 - \bigl[1 - F_X(z)\bigr] \cdot \bigl[1 - F_Y(z)\bigr].
\]二维独立同分布
若 \(X, Y\) 独立且同分布，即 \(F_X = F_Y = F\)，则：
\[F_{\max}(z) = \bigl[F(z)\bigr]^2,
\qquad
F_{\min}(z) = 1 - \bigl[1 - F(z)\bigr]^2,
\]设随机变量 \(X\) 与 \(Y\) 相互独立，且均服从参数为 \(1\) 的指数分布，即 \(X\sim\mathrm{Exp}(1)\)，\(Y\sim\mathrm{Exp}(1)\)。令 \(Z=\max(X,Y)\)，求 \(Z\) 的分布函数 \(F_Z(z)\) 和概率密度 \(f_Z(z)\)。解
指数分布的分布函数为
\[F(t)=P\{X\le t\}=P\{Y\le t\}=
\begin{cases}
1-e^{-t}, t\ge 0,\\
0, t0.
\end{cases}
\]由于 \(X,Y\) 独立，最大值分布函数为
\[F_Z(z)=P\{\max(X,Y)\le z\}=P\{X\le z,\;Y\le z\}=P\{X\le z\}P\{Y\le z\}.
\]
当 \(z0\) 时，\(F_Z(z)=0\)；
当 \(z\ge 0\) 时，\[F_Z(z)=\bigl(1-e^{-z}\bigr)\bigl(1-e^{-z}\bigr)=\bigl(1-e^{-z}\bigr)^2.
\]故
\[\boxed{
F_Z(z)=
\begin{cases}
0, z0,\\[4pt]
(1-e^{-z})^2, z\ge 0.
\end{cases}}
\]对 \(z\) 求导得概率密度（\(z\ge 0\)）：
\[f_Z(z)=F'_Z(z)=2(1-e^{-z})\cdot e^{-z}=2e^{-z}(1-e^{-z}),
\]当 \(z0\) 时 \(f_Z(z)=0\)。即
\[\boxed{
f_Z(z)=
\begin{cases}
2e^{-z}(1-e^{-z}), z\ge 0,\\
0, z0.
\end{cases}}
\]
方法点睛：最大值的分布函数等于联合分布函数在点 \((z,z)\) 处的值；若独立则化为边缘分布函数的乘积。最小值类似，但需用 \(1-P\{Xz,Yz\}\) 转换。结束语：二维随机变量的核心知识体系
二维随机变量的分析可以遵循一条清晰的解题路径：首先，根据题目条件确定联合分布，离散型关注分布律，连续型建立联合密度函数；其次，结合图形确定概率区域，明确求和或积分范围；然后通过求和或积分得到边缘分布，刻画单个随机变量的概率规律；进一步利用联合分布与边缘分布的关系判断独立性；最后研究函数 (Z=g(X,Y)) 的分布，常采用分布函数法或变量变换法完成求解。
各知识点之间相互关联：区域决定概率计算的边界，边缘分布为独立性判断提供依据，而独立性又能简化函数分布的分析。其核心知识链可概括为：
\[(X,Y)\rightarrow F(x,y)\rightarrow f(x,y)\rightarrow \text{区域概率}\rightarrow \text{边缘分布}\rightarrow \text{独立性}\rightarrow \text{函数分布}
\]这条链路体现了二维随机变量从整体描述到局部分析，再到变量变换应用的完整逻辑。相比一维随机变量，二维随机变量更关注变量之间的联系与相互作用，是概率论由基础计算走向综合分析的重要桥梁。
掌握二维随机变量的核心方法，不仅能够解决考研中的联合分布、边缘分布、独立性及函数分布等典型问题，也为后续协方差、相关系数、数理统计等内容提供理论基础，是概率论综合能力提升的关键环节。