第 11 讲 · 多元随机变量：联合分布、圆盘降维边缘积分与“同边缘不同联合”反例

1.1 从样本空间 $(\Omega,\mathcal{F},\mathbb{P})$ 到二维平面 Borel 域（▶ P57 02:19–15:06）

在一元随机变量中，我们通过映射 $X: \Omega \to \mathbb{R}$ 将抽象样本空间上的概率 $\mathbb{P}$ 诱导到一维实轴的 Borel 域 $\mathcal{B}$ 上，并借助半无穷区间 $(-\infty, x]$ 定义了普通函数 $F_X(x) = \mathbb{P}(X \le x)$（▶ P57 02:56–09:34）。 现在，我们在同一个样本空间 $\Omega$ 上同时定义了两个（或多个）随机变量 $X(\omega)$ 与 $Y(\omega)$（▶ P57 10:10）：

• 它们共同构成了从样本空间到二维平面的映射 $(X, Y): \Omega \to \mathbb{R}^2$，将概率诱导到二维平面 Borel 域 $\mathcal{B}^2$ 上（▶ P57 12:32–14:37）；
• 研究多元随机变量的核心目标不再是孤立地看单个变量，而是刻画它们之间如何相互关联、相互影响与相互制约（▶ P57 10:45）。

---

1.2 为什么要定义成左下无穷象限？矩形“两加两减”与计算机视觉积分图（▶ P57 15:38–P58 04:32）

在一维中，定义 $F_X(x) = \mathbb{P}(X \le x)$ 的最大好处是：算任意区间 $(x_1, x_2]$ 的概率只需做一次减法 $F_X(x_2) - F_X(x_1)$（▶ P57 16:16）。 到了二维平面上，最基本的简单集合是矩形方块 $(x_1, x_2] \times (y_1, y_2]$。我们自然希望定义出的二元分布函数 $F_{X,Y}(x,y)$ 也能让我们只靠矩形的四个顶点加加减减就把方块概率算出来（▶ P57 16:47–17:54）！

为此，将二元联合分布函数（Joint CDF）定义为以 $(x,y)$ 为右上顶点的左下无穷象限的概率（▶ P58 00:00）： $$F_{X,Y}(x,y) = \mathbb{P}(X \le x,\; Y \le y), \qquad (x,y) \in \mathbb{R}^2$$ 画图立见（▶ P57 17:54–19:26 & ▶ P58 01:26–02:20）：用右上角顶点 $(x_2,y_2)$ 张出的大左下象限面积，减去左上角 $(x_1,y_2)$ 的左侧无穷条带和右下角 $(x_2,y_1)$ 的下侧无穷条带后，左下角象限 $(x_1,y_1)$ 被重复减掉了两次，必须再加回来一次！由此得到著名的矩形概率二阶差分公式（两加两减）： $$\mathbb{P}(x_1 < X \le x_2,\; y_1 < Y \le y_2) = F_{X,Y}(x_2, y_2) - F_{X,Y}(x_1, y_2) - F_{X,Y}(x_2, y_1) + F_{X,Y}(x_1, y_1) \ge 0$$

• 为什么单靠对 $x,y$ 偏导非负（单调不减）还不够？ 在一维中，$F_X$ 单调不减等价于区间概率 $F_X(b)-F_X(a)\ge 0$；但在二维中，即便函数对 $x$ 和 $y$ 分别单调不减，上面这个“两加两减”的矩形差分仍可能算出负数！因此矩形二阶差分 $\Delta_{x_1}^{x_2}\Delta_{y_1}^{y_2} F \ge 0$ 是二元分布函数不可妥协的本质公理。
• 张颢老师的跨学科妙喻——计算机视觉中的“积分图（Integral Image）”（▶ P58 02:20–04:04）： 如果你做过图像处理或人脸检测（如 Viola–Jones Haar 特征），就会发现这与图像处理中的积分图（Summed-Area Table）完全是同一个思想！先把整张图像 10 万个像素点每个点左上方（或左下方）的累积能量提前算好存表（磨刀不误砍柴工）；之后无论要算图像里哪个矩形窗口的能量，都只需取窗口四个角点做两加两减 4 次运算（$O(1)$ 复杂度）即可瞬间完成！

---

1.3 二元与 $n$ 维联合概率密度及等高线关联图景（▶ P58 04:55–17:17）

将矩形概率除以面积微元 $\Delta x \Delta y$ 并令 $\Delta x \to 0, \Delta y \to 0$，两加两减的二阶差分直接化为二阶混合偏导数，即二元联合概率密度（Joint PDF，▶ P58 05:32–06:56）： $$f_{X,Y}(x,y) = \frac{\partial^2 F_{X,Y}(x,y)}{\partial x\,\partial y}, \qquad \mathbb{P}\bigl((X,Y) \in D\bigr) = \iint_D f_{X,Y}(x,y)\,\mathrm{d}x\,\mathrm{d}y$$ 这一框架可以毫无障碍地推广到 $n$ 元随机变量 $(X_1, \dots, X_n)$（▶ P58 07:34–09:19）： $$F(x_1,\dots,x_n) = \mathbb{P}(X_1 \le x_1, \dots, X_n \le x_n), \qquad f(x_1,\dots,x_n) = \frac{\partial^n F(x_1,\dots,x_n)}{\partial x_1 \cdots \partial x_n}$$

在 ▶ P58 10:11–17:17，张颢老师在黑板上画出三种典型的二维密度支撑集/等高线，教大家一眼看穿两个变量是否有“关联”：

1. 矩形区域 $[-a,a]\times[-b,b]$ 上的常数密度（▶ P58 11:27–13:28）：当 $X$ 从一个位置变到另一个位置时，竖直切出的 $Y$ 的分布区间与形状分毫无差——两者完全解耦（Decoupled，即相互独立）；
2. 圆盘区域 $x^2+y^2 \le R^2$ 上的分布（▶ P58 13:59–15:13）：当 $X$ 在圆心 $0$ 附近时，$Y$ 的分布范围很宽；一旦 $X$ 移向圆盘边缘 $\pm R$，$Y$ 的取值范围急剧收缩为一点——$X$ 的变化直接改变了 $Y$ 的分布，两者必有关联（不独立）；
3. 沿主对角线倾斜的狭长椭圆区域（▶ P58 15:39–16:51）：不仅 $X$ 变时 $Y$ 跟着变，而且呈现出清晰的“你大我也大、你小我也小、你增我也增”趋势——这就是后面要深入研究的正相关（Positive Correlation）！

2.1 联合分布与边缘分布的桥梁：“把不想要的维度积掉”（▶ P59 01:14–09:05）

满足非负性 $f_{X,Y}(x,y) \ge 0$ 与归一性 $\int_{-\infty}^\infty\int_{-\infty}^\infty f_{X,Y}(x,y)\,\mathrm{d}x\,\mathrm{d}y = 1$ 的二元密度称为联合概率密度。如果已知联合密度 $f_{X,Y}(x,y)$，只想单独考察其中一个分量 $X$ 的边缘概率密度（Marginal PDF） $f_X(x)$，该如何降维？

张颢老师在 ▶ P59 03:16–07:34 依然从定义出发给出了无懈可击的推导：

1. 事件 $\{X \le x\}$ 等价于在原本约束上再交一个必然事件 $\{Y < \infty\}$： $$F_X(x) = \mathbb{P}(X \le x) = \mathbb{P}(X \le x,\; -\infty < Y < \infty) = \int_{-\infty}^x \mathrm{d}t \int_{-\infty}^{\infty} f_{X,Y}(t, y)\,\mathrm{d}y$$
2. 两端对上限 $x$ 求导（微积分变上限积分求导），立得降维边缘积分公式（▶ P59 07:11–08:30）： $$f_X(x) = F_X'(x) = \int_{-\infty}^{\infty} f_{X,Y}(x, y)\,\mathrm{d}y, \qquad f_Y(y) = \int_{-\infty}^{\infty} f_{X,Y}(x, y)\,\mathrm{d}x$$

   张颢老师通俗口诀（▶ P59 08:03）：“求边缘密度非常简单——把你不想要的那些维度全部积分积掉，留下的就是你想留下的边缘密度！ 想要 $X$ 就把 $y$ 积掉，想要 $Y$ 就把 $x$ 积掉。”

---

2.2 矩形均匀分布 vs 半径 $R$ 圆盘均匀分布（▶ P59 09:42–P60 00:54）

为了看清积分上下限如何决定独立性，张颢老师在黑板上对比了两个极具启发性的均匀分布算例：

算例 ①：矩形区域 $A = [-a, a] \times [-b, b]$ 上的均匀分布（▶ P59 09:42–15:09）

• 矩形面积为 $2a \times 2b = 4ab$，故联合密度在 $A$ 内为常数 $f_{X,Y}(x,y) = \frac{1}{4ab}$，区域外为 $0$。
• 把 $y$ 从 $-b$ 到 $b$ 积掉： $$f_X(x) = \int_{-b}^b \frac{1}{4ab}\,\mathrm{d}y = \frac{1}{2a}\;(|x|\le a), \qquad \text{同理 } f_Y(y) = \frac{1}{2b}\;(|y|\le b)$$
• 独立性检验（▶ P59 13:04–15:09）：显然 $f_{X,Y}(x,y) = \frac{1}{4ab} = \frac{1}{2a}\cdot\frac{1}{2b} = f_X(x)f_Y(y)$（等价于 $F_{X,Y}(x,y)=F_X(x)F_Y(y)$）。张颢老师指出：这就像偏微分方程里的分离变量法，两个变量彻底解耦，故 $X$ 与 $Y$ 相互独立！

算例 ②：圆盘区域 $A = \{(x,y): x^2 + y^2 \le R^2\}$ 上的均匀分布（▶ P59 15:42–P60 00:54）

• 圆盘面积为 $\pi R^2$，故联合密度在圆盘内为常数 $f_{X,Y}(x,y) = \frac{1}{\pi R^2}$，圆盘外为 $0$。
• 求边缘密度 $f_X(x)$ 的关键一步——积分上下限随 $x$ 变化（▶ P59 17:15–19:45）！ 固定 $x \in [-R, R]$，对 $y$ 积分时被积函数非零的区段是竖直线穿过圆盘的弦 $-\sqrt{R^2 - x^2} \le y \le \sqrt{R^2 - x^2}$。因此： $$f_X(x) = \int_{-\sqrt{R^2-x^2}}^{\sqrt{R^2-x^2}} \frac{1}{\pi R^2}\,\mathrm{d}y = \frac{2}{\pi R^2}\sqrt{R^2 - x^2}, \qquad -R \le x \le R$$ 完全对称地，把 $x$ 从 $-\sqrt{R^2-y^2}$ 到 $\sqrt{R^2-y^2}$ 积掉，得（▶ P60 00:00）： $$f_Y(y) = \frac{2}{\pi R^2}\sqrt{R^2 - y^2}, \qquad -R \le y \le R$$
• 两条震撼结论（▶ P60 00:00–00:54）：
  1. 二维圆盘均匀分布，其一维边缘分布不再是均匀分布，而是半椭圆分布（Wigner 半圆律）！因为圆盘中间竖直弦长最长，越往左右边缘弦长越短；
  2. $X$ 与 $Y$ 绝不独立！不仅因为 $f_X(x)f_Y(y) = \frac{4}{\pi^2 R^4}\sqrt{(R^2-x^2)(R^2-y^2)} \neq \frac{1}{\pi R^2}$，更本质的原因是：对其中一个变量积分时，积分区域的上下限受到了另一个变量的控制！

---

2.3 课堂进阶思辨：两个不独立的变量，穿上同样的函数“衣服”后能变成独立吗？（▶ P60 01:17–09:56）

我们知道：若 $X$ 与 $Y$ 原本独立，则对它们分别作用一般函数后 $g(X)$ 与 $g(Y)$ 依然独立（“原本是两个人，各穿一件衣服还是两个人”，▶ P60 03:44）。 那反过来：如果 $X$ 与 $Y$ 原本不独立（有强关联），能不能找到一个非平凡函数 $g(\cdot)$，使得 $g(X)$ 与 $g(Y)$ 变成相互独立（“分身术”）？

张颢老师在 ▶ P60 05:34–09:56 给出了一个极其精巧的构造：

• 取 $X_1, Y_1$ 为相互独立的随机变量，再取一个与它们独立的二值 Bernoulli/Rademacher 随机变量 $Z \in \{+1, -1\}$；
• 令 $X = X_1 \cdot Z,\quad Y = Y_1 \cdot Z$；
• 变换前：由于 $X$ 和 $Y$ 体内都含有共同的随机正负号因子 $Z$，它们显然不独立（▶ P60 06:37）；
• 变换后：取平方函数 $g(u) = u^2$！由于 $Z \in \{+1, -1\}$，一旦平方就有 $Z^2 \equiv 1$（随机符号的作用在平方下彻底湮灭）： $$g(X) = X^2 = X_1^2 Z^2 = X_1^2, \qquad g(Y) = Y^2 = Y_1^2 Z^2 = Y_1^2$$ 因为 $X_1$ 与 $Y_1$ 原本独立，所以 $g(X) = X_1^2$ 与 $g(Y) = Y_1^2$ 瞬间变成了相互独立（▶ P60 08:25）！

3.1 问题的提出：把有沟有壑的二维山峰挤成薄片，能抹平所有起伏吗？（▶ P60 09:56–16:38）

前面我们看到：矩形上的二维均匀分布，其两个边缘一定是一维均匀分布。那么反过来问（▶ P60 10:52–12:27）：

如果联合分布 $f_{X,Y}(x,y)$ 本身不是均匀分布（在二维平面上有峰有谷、有沟有壑），当你对其中一个维度积分——就好像把一座高低起伏的纸山一下子横向挤压成一薄片（▶ P60 11:54）——有没有可能在挤压积分的过程中，峰与谷刚好上下抵消填平，使得挤出来的两个边缘分布全都是平坦的均匀分布？

如果真能造出这样的例子，就彻底证明了：单凭两个边缘分布 $f_X(x)$ 和 $f_Y(y)$，绝不可能唯一反推还原出联合分布 $f_{X,Y}(x,y)$！

---

3.2 黑板构造反例 A：单位正方形 $[0,1]^2$ 上“边缘均匀但联合非均匀”（▶ P60 16:38–P61 10:12）

在 ▶ P60 17:03–19:15 与 ▶ P61 00:00–09:47，张颢老师带领全班在单位正方形 $[0,1]^2$ 上用待定系数法现场设计了这样一个二元多项式密度： $$f_{X,Y}(x,y) = a + b(x + y) + c\,xy, \qquad x \in [0,1],\; y \in [0,1]$$ 我们要确定三个未知常数 $a, b, c$，恰好手头有三个约束条件（▶ P60 18:01–19:15）：

1. 约束 ① 全平面归一化积分为 $1$（▶ P60 19:15–P61 00:23）： 注意到在 $[0,1]$ 上 $\int_0^1 x\,\mathrm{d}x = \int_0^1 y\,\mathrm{d}y = \frac{1}{2}$，故在 $[0,1]^2$ 上二重积分得： $$\int_0^1\!\int_0^1 \bigl[a + b(x+y) + cxy\bigr]\,\mathrm{d}x\,\mathrm{d}y = a + b\left(\frac{1}{2} + \frac{1}{2}\right) + c\left(\frac{1}{2}\times\frac{1}{2}\right) = a + b + \frac{c}{4} = 1$$
2. 约束 ② 对 $y$ 积分所得边缘密度 $f_X(x)$ 与 $x$ 无关（为常数，▶ P61 00:46–01:42）： $$f_X(x) = \int_0^1 \bigl[a + bx + by + cxy\bigr]\,\mathrm{d}y = \left(a + \frac{b}{2}\right) + \left(b + \frac{c}{2}\right)x \quad\Longrightarrow\quad b + \frac{c}{2} = 0$$
3. 约束 ③ 对 $x$ 积分所得边缘密度 $f_Y(y)$ 与 $y$ 无关（▶ P61 02:09–03:31）： $$f_Y(y) = \int_0^1 \bigl[a + bx + by + cxy\bigr]\,\mathrm{d}x = \left(a + \frac{b}{2}\right) + \left(b + \frac{c}{2}\right)y \quad\Longrightarrow\quad \text{同样给出 } b + \frac{c}{2} = 0$$

由 $b = -\frac{c}{2}$ 代入第一式得 $a - \frac{c}{4} = 1$（无穷多解！）。张颢老师在黑板上取定一组最简洁的参数（▶ P61 04:32）： $$a = \frac{1}{2}, \qquad b = 1, \qquad c = -2 \quad\Longrightarrow\quad f_{X,Y}(x,y) = \frac{1}{2} + x + y - 2xy, \quad (x,y)\in[0,1]^2$$ （注：若写成中心化形式，它正是著名的 Farlie–Gumbel–Morgenstern (FGM) Copula 族 $f_{X,Y}^{(\alpha)}(x,y) = 1 + \alpha(2x-1)(2y-1)\;(|\alpha|\le 1)$ 在 $\alpha = -1/2$ 时的特例！）

课堂灵魂拷问：算完这三个约束，题目就做完了吗？（▶ P61 07:04–09:47）

张颢老师突然停笔问道：“三个条件都满足了，我们的构造完成了吗？还没有！还差一个大家平时觉得顺理成章、但极其容易忘掉的致命条件——概率密度必须非负 $f_{X,Y}(x,y) \ge 0$！” 如何证明在 $(x,y) \in [0,1]^2$ 上 $\frac{1}{2} + x + y - 2xy \ge 0$？张颢老师给出了漂亮的不等式放缩（▶ P61 08:24–09:24）：

• 在 $[0,1]$ 区间内，数越开方越大，故 $xy \le \sqrt{xy}$；
• 于是 $x + y - 2xy \ge x + y - 2\sqrt{xy} = \bigl(\sqrt{x} - \sqrt{y}\bigr)^2 \ge 0$；
• 再加上前面的 $\frac{1}{2}$，立知在 $[0,1]^2$ 上处处有 $f_{X,Y}(x,y) \ge \frac{1}{2} > 0$！

---

3.3 黑板构造反例 B：边缘都是标准高斯 $\mathcal{N}(0,1)$，但联合分布穿着“百褶裙”不是高斯！（▶ P61 10:48–19:29）

紧接着，张颢老师又抛出了一个更犀利的问题（▶ P61 12:27）：

如果已知 $X \sim \mathcal{N}(0,1)$ 且 $Y \sim \mathcal{N}(0,1)$（两个边缘全都是标准高斯分布），它们的联合分布一定也是二维高斯分布吗？能不能构造一个联合起来不是高斯、但两个边缘却严格是高斯的联合密度？

让我们跟随张颢老师的黑板推演，体验一次惊心动魄的“试错 $\to$ 发现负值漏洞 $\to$ 完美修复”全过程：

1. 第一步（尝试直接加奇函数扰动，▶ P61 13:30–15:43）： 独立标准高斯的联合密度是 $\frac{1}{2\pi}e^{-(x^2+y^2)/2}$。为了让对 $x$ 或对 $y$ 积分时不改变原来的高斯边缘，我们希望加上的扰动项 $g(x,y)$ 对 $x$ 积分为 $0$、对 $y$ 积分也为 $0$。最容易想到的就是奇函数，比如 $\sin x \cdot \sin y$！
2. 第二步（发现致命漏洞——非负性被“百褶裙”破坏，▶ P61 16:11–17:26）： 如果直接写成 $\frac{1}{2\pi}e^{-(x^2+y^2)/2} + \sin x \sin y$，行不行？绝对不行！ 因为当 $x, y$ 很大时，前面的高斯项 $e^{-(x^2+y^2)/2}$ 以平方指数级极速衰减趋于 $0$，而后面的 $\sin x \sin y$ 振幅始终保持在 $[-1, 1]$ 之间不衰减！到了远离原点的边缘地带，就像一条百褶裙的裙摆（▶ P61 16:48），震荡项会成为主体并摆到负半轴去，直接违反 $f_{X,Y}(x,y) \ge 0$！（而且 $\int_{-\infty}^\infty \sin x\,\mathrm{d}x$ 在全实轴上广义积分根本不收敛，▶ P61 18:01。）
3. 第三步（神来之笔：乘上强收敛高斯因子，▶ P61 17:26–19:29）： 怎么既保留奇函数积分为 $0$，又压住裙摆不让它变成负数，还顺带解决无穷积分收敛性？把相加改成相乘（乘性调制）！ $$f_{X,Y}(x,y) = \frac{1}{2\pi}e^{-\frac{x^2+y^2}{2}}\bigl(1 + \sin x\,\sin y\bigr), \qquad (x,y) \in \mathbb{R}^2$$ 张颢老师总结这一构造的三大完美特性（▶ P61 17:26–19:03）：
   • ① 非负性毫无毛病：因为 $|\sin x \sin y| \le 1$，故 $1 + \sin x \sin y \ge 0$ 恒成立；
   • ② 广义积分绝对收敛且为 $0$：奇函数 $\sin y$ 乘上了强力的高斯收敛因子 $e^{-y^2/2}$ 后，$\int_{-\infty}^\infty e^{-y^2/2}\sin y\,\mathrm{d}y = 0$ 在严格意义下绝对收敛且等于 $0$；
   • ③ 边缘纯正高斯，联合绝非高斯：对 $y$ 积分后交叉项精确归零，留下 $f_X(x) = \frac{1}{\sqrt{2\pi}}e^{-x^2/2} \sim \mathcal{N}(0,1)$（同理 $Y \sim \mathcal{N}(0,1)$）；但联合密度曲面上布满了正弦波纹的“百褶裙”，显然不是二维高斯分布！