1. 联合分布到底在研究什么先摆脱一维思维我见过太多人学概率论学到联合分布这一章时突然卡壳。前面一维随机变量的分布函数、密度函数、期望方差都还好好的一进入二维看到 (F(x,y)P{X\le x, Y\le y}) 这个定义就懵了——怎么突然冒出来两个变量这些符号到底在描述什么其实联合分布本身并不难难的是大多数人还在用一维的思维去理解二维的对象。我打个比方只看一个人的身高是一维信息只看一个人的体重也是一维信息但如果你要判断这个人的体型是否健康就得同时看身高和体重——这两个量不是独立存在的它们之间存在关联。联合分布研究的就是这种多个随机变量同时取值时概率如何分布的规律。先看一个生活中的场景。比如说你今天打算出门关心两个随机变量气温 (X) 和降水量 (Y)。单独问气温低于15度的概率这是 (F_X(15))一维分布函数就能回答单独问降水量大于5毫米的概率这是 (1-F_Y(5))也是一维的事。但如果你想知道气温低于15度且降水量大于5毫米这种同时发生的概率一维分布就无能为力了必须借助 (X) 和 (Y) 的联合分布。还有一个更实际的例子。你去医院做体检测得血压 (X) 和心率 (Y)。医生判断你的心血管状态时看的不是某一个指标而是两者的组合是否落入某个危险区域。这个危险区域在二维平面上画出来就是一个区域 (D)而你的指标落入 (D)的概率就是联合分布要回答的问题[P{(X,Y)\in D}\iint_D f(x,y),dxdy]所以联合分布本质上是把随机变量的研究从一条线上的概率扩展到了一个面上的概率再到高维就是一个空间里的概率。这个面和空间的理解非常重要因为后面所有公式——边缘分布、条件分布、独立性——都是在这个几何图景下展开的。从定义上看二维随机变量 ((X,Y)) 的联合分布函数为[F(x,y)P{X\le x, Y\le y}]注意这里是同时满足(X\le x) 且 (Y\le y)的概率也就是事件 ({X\le x}\cap{Y\le y}) 的概率。很多初学者会在这里犯迷糊到底是交集还是并集我们从几何上想((X,Y)) 是平面上一个随机点(F(x,y)) 表示这个点落在以 ((x,y)) 为右上角、向左向下无限延伸的左下无穷区域里的概率。既然是同时落在当然是交集。联合分布函数有四个基本性质值得死记硬背单调性(F(x,y)) 关于 (x) 和 (y) 都是单调不减的有界性(0\le F(x,y)\le 1)且 (F(\infty,\infty)1)(F(-\infty,y)F(x,-\infty)0)右连续性关于每个变量右连续矩形概率公式对任意 (ab)(cd)有[P{aX\le b,\ cY\le d}F(b,d)-F(a,d)-F(b,c)F(a,c)]这个矩形公式以后做题会反复用到特别是算某个区域内的概率时。它本质上是在左下无穷区域的基础上做加减法把目标矩形区域抠出来逻辑和容斥原理一模一样。我自己的经验是不要死记公式而是在纸上画一个平面坐标系标出 ((a,c))、((a,d))、((b,c))、((b,d)) 四个点看看 (F(b,d)-F(a,d)-F(b,c)F(a,c)) 这个式子到底减掉了哪些区域、加回了哪块区域。想清楚了这公式一辈子忘不掉。2. 离散型联合分布律一张表就是一门课联合分布的第一种重要形式是离散型随机变量的联合分布律。如果 (X) 的可能取值是 (x_1,x_2,\dots,x_m)(Y) 的可能取值是 (y_1,y_2,\dots,y_n)那么联合分布律就是一张 (m\times n) 的表格每个格子填的是[p_{ij}P{Xx_i, Yy_j}]满足两个基本条件(p_{ij}\ge 0)以及 (\sum_{i1}^{m}\sum_{j1}^{n}p_{ij}1)。2.1 一个连硬币模型都不算的经典例子为了把话说清楚我拿一个最简单的模型开刀同时抛两枚质地均匀的硬币。定义 (X) 为第一枚硬币正面朝上的次数取值0或1(Y) 为两枚硬币中正面朝上的总次数取值0、1、2。我们列出 ((X,Y)) 的联合分布律。先看样本空间一共四种等可能结果——(正,正)、(正,反)、(反,正)、(反,反)每种概率 (1/4)。((X,Y)(0,0))两枚都反面对应(反,反)概率 (1/4)((X,Y)(1,1))第一枚正面且总共一枚正面对应(正,反)概率 (1/4)((X,Y)(0,1))第一枚反面且总共一枚正面对应(反,正)概率 (1/4)((X,Y)(1,2))第一枚正面且总共两枚正面对应(正,正)概率 (1/4)。于是联合分布律表如下(X\backslash Y)0120(1/4)(1/4)010(1/4)(1/4)这张表里所有概率和为1而且你会发现有些格子是0——这恰恰说明 (X) 和 (Y) 之间不是随便组合的存在内在约束。比如 (X0) 时 (Y) 不可能等于2因为第一枚都反面了总数最多是1。2.2 从联合分布律到边缘分布律画个表格求求和很多人学边缘分布时会觉得边缘两个字玄乎其实用表格来看就是按行、按列求和。所谓边缘分布律就是只看 (X) 或只看 (Y) 时各自的分布。把上面的表加一行一列(X\backslash Y)012(P{Xx_i})0(1/4)(1/4)0(1/2)10(1/4)(1/4)(1/2)(P{Yy_j})(1/4)(1/2)(1/4)1最后一行和最后一列就是边缘分布律。求法也是朴实无华(P{Xx_i}\sum_{j}p_{ij})(P{Yy_j}\sum_{i}p_{ij})。这里必须强调一个考试和实际使用中都容易踩的坑边缘分布可以由联合分布唯一确定但联合分布不能由边缘分布唯一确定。也就是说给你两张边不一定能拼出原来的面。以后你如果接触到 copula连接函数这个概念会发现整个金融风险管理里的相关性建模就是在研究如何从已知的边缘分布出发构造出合理的联合分布这事远比想象中复杂。2.3 条件分布律知道一个信息后重新算概率离散型条件分布律的定义很直接[P{Xx_i\mid Yy_j}\frac{P{Xx_i, Yy_j}}{P{Yy_j}},\quad P{Yy_j}0]还是用上面的硬币例子。如果我们已经知道 (Y1)总共只有一枚正面问 (X0) 的概率是多少。套公式[P{X0\mid Y1}\frac{P{X0,Y1}}{P{Y1}}\frac{1/4}{1/2}\frac{1}{2}]这很符合直觉两枚硬币抛完已知只有一枚正面那这一枚来自第一枚还是第二枚是对称的所以第一枚是反面的概率就是 (1/2)。条件分布律的实用场景非常多。比如在医学检验中已知某人的某项指标异常(Y) 取某个值再去评估他患有某种疾病的概率(X) 的条件分布这就是贝叶斯公式在离散型随机变量上的自然延伸。3. 连续型联合密度曲面下的体积才是概率连续型的情形比离散型抽象一个档次但核心思想是一致的。设二维随机变量 ((X,Y)) 的联合分布函数为 (F(x,y))如果存在非负可积函数 (f(x,y))使得对任意 (x,y) 都有[F(x,y)\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v),dv,du]则称 (f(x,y)) 为 ((X,Y)) 的联合概率密度函数。它满足两个条件(f(x,y)\ge 0)以及 (\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(x,y),dxdy1)。3.1 密度值不是概率这句话值得抄在笔记第一行一维的时候连续型随机变量在某个点 (x) 处的概率密度 (f(x)) 并不等于 (P{Xx})后者是0它只表示概率在该点的密集程度。二维也是一样而且更容易被误解因为很多人看到 (f(x_0,y_0)) 这个高度就下意识地以为它和概率成正比。实际上二维情形下概率对应的是体积[P{(X,Y)\in D}\iint_D f(x,y),dxdy]如果 (D) 是一个小矩形 ([x,x\Delta x]\times[y,y\Delta y])那么概率近似等于 (f(x,y)\Delta x\Delta y)。也就是说密度值本身乘以面积微元才是概率。把 (f(x,y)) 想象成地面上某处的地形高度概率就是某块区域内土的体积而不是某一点的高度。3.2 联合密度经典例题确定常数和计算区域概率我们看一道最典型的习题。设 ((X,Y)) 的联合密度为[ f(x,y) \begin{cases} cxy, 0x1,\ 0y2,\ 0, \text{其他} \end{cases} ]第一问确定常数 (c)。用规范性条件 (\iint_{\mathbb{R}^2}f(x,y),dxdy1)。注意积分区域只在 (0x1,,0y2) 上有非零值[\int_{0}^{1}\int_{0}^{2}cxy,dy,dxc\int_{0}^{1}x\left(\int_{0}^{2}y,dy\right)dxc\int_{0}^{1}x\cdot 2,dxc\left[x^2\right]_{0}^{1}c]所以 (c1)。这类题目的易错点有两个一是区域边界能否取等号对连续型来说取不取等号不影响概率所以 (0x1) 和 (0\le x\le 1) 可以混用但积分区域别写错二是忘了先画出支持区域再定积分限导致上下限写反。第二问求 (P{XY1})。画出支持区域(0x1)(0y2) 是一个矩形再画直线 (xy1)事件 (XY1) 对应直线左下方的三角形区域。注意这个三角形完全落在矩形内部所以积分限是[P{XY1}\int_{0}^{1}\int_{0}^{1-x}xy,dy,dx\int_{0}^{1}x\cdot\frac{(1-x)^2}{2},dx]展开算[\frac{1}{2}\int_{0}^{1}(x-2x^2x^3),dx\frac{1}{2}\left(\frac{1}{2}-\frac{2}{3}\frac{1}{4}\right)\frac{1}{2}\cdot\frac{1}{12}\frac{1}{24}]这里再提醒一个实际动笔时的小技巧算这种题先在草稿纸上把支持区域画出来用斜线把目标事件区域涂上颜色。绝大多数积分上下限写错的案例都是因为没画图直接闷头套公式。3.3 边缘密度函数把另一个变量积掉连续型的边缘密度公式看起来就一句话[f_X(x)\int_{-\infty}^{\infty}f(x,y),dy]但它的几何含义值得想清楚固定 (x)沿着 (y) 方向把山体切一刀得到一条截面曲线这刀切下去曲线下的面积就是该 (x) 处 (X) 的边缘密度值。换个角度看边缘密度就是把二维联合密度压扁到 (x) 轴上投影出一维的密度曲线。用上面那个例子(f(x,y)xy)支持区域 (0x1,0y2)[f_X(x)\int_{0}^{2}xy,dyx\cdot\frac{y^2}{2}\Big|_{0}^{2}2x,\quad 0x1][f_Y(y)\int_{0}^{1}xy,dxy\cdot\frac{x^2}{2}\Big|_{0}^{1}\frac{y}{2},\quad 0y2]验证一下规范性(\int_{0}^{1}2x,dx1)(\int_{0}^{2}y/2,dy1)没问题。这里有个比较隐蔽的坑求边缘密度时积分变量的上下限一定由另一个变量的取值范围决定而且得考虑支持区域的形状。如果支持区域不是矩形边缘密度的表达式往往是分段函数这时不能只看联立条件 (0x1,0y2)还要仔细讨论 (x) 落在不同区间时 (y) 的积分限。4. 边缘分布把多维投影回一维没那么简单上一节我们已经通过表格求和和积分积掉变量的方式得到了边缘分布。这一节我想单独拎出来讲是因为边缘分布在初学者那里有两个根深蒂固的误解。第一个误解是既然边缘分布是联合分布的一部分那知道联合分布自然知道边缘分布反过来知道边缘分布也大概能还原联合分布。前半句对后半句大错特错。我用一个反例说明。设 (X\sim U(0,1))(Y\sim U(0,1)) 且独立联合密度是 (f(x,y)1)在单位正方形上。现在构造另一个二维随机变量 ((X,Y))它的联合密度是[ g(x,y) \begin{cases} 1xy-\frac{1}{2}, 0x1,0y1 \text{ 且 } xy1,\ 1-xy\frac{1}{2}, 0x1,0y1 \text{ 且 } xy\le 1 \end{cases} ]不信你算一下(g) 的边缘密度仍然是 (U(0,1))但它和 (f) 的联合分布完全不同。这意味着什么意味着边缘分布完全相同的两个系统内部的关联结构可能天差地别。这在金融领域尤其要命——两名交易员各自的盈亏分布可能完全一样但如果他们的盈亏高度正相关组合的风险就远比各自独立要大得多。第二个误解是边缘分布既然是投影那求边缘密度的积分区域随便选都行。实际上积分上下限完全取决于支持区域的几何形状。我见过太多人求 (f_X(x)) 时直接把联合密度表达式里所有含 (y) 的部分从 (-\infty) 积到 (\infty)结果发现积分发散——原因就是忘了联合密度是分段定义的非零区域是有限集合而不是全平面。我推荐一个自查方法算出边缘密度后先验证 (\int f_X(x),dx1)再验证结果是非负函数。这两个条件任何一个不满足说明积分限或者常数算错了。5. 条件分布与独立性联合分布里的两道经典坎条件分布和独立性是联合分布这章里出题最多、也是概念上最容易混淆的两个部分。先看条件分布。5.1 条件分布的完整公式与直觉连续型随机变量的条件密度定义为[f_{Y|X}(y|x)\frac{f(x,y)}{f_X(x)},\quad f_X(x)0]这个公式看着简单但背后逻辑值得想清楚。固定 (Xx)相当于在二维平面上沿着 (xx_0) 切一刀得到一个截面。这个截面的形状去掉常数归一化就是给定 (Xx_0) 时 (Y) 的条件密度。所以条件密度本质上是在已知 (X) 取某个值的前提下重新描述 (Y) 的分布。有个和条件分布配套的常用公式——乘法公式[f(x,y)f_X(x)\cdot f_{Y|X}(y|x)f_Y(y)\cdot f_{X|Y}(x|y)]这个公式的价值在于有时候直接建模联合密度很困难但分别知道一个变量的边缘分布和另一个变量的条件分布相对容易。比如在贝叶斯统计里先验分布 (f_{\Theta}(\theta)) 和似然函数 (f_{X|\Theta}(x|\theta)) 都是可以合理设定的把它们乘起来再归一化就得到了后验分布 (f_{\Theta|X}(\theta|x))。5.2 独立性的判断必须要检查所有点两个随机变量 (X) 和 (Y) 相互独立的定义是对任意 (x,y)都有[F(x,y)F_X(x)F_Y(y)]对于离散型等价于对所有 (i,j) 有 (p_{ij}p_{i\cdot},p_{\cdot j})对于连续型等价于 (f(x,y)f_X(x)f_Y(y))在几乎所有点上都成立。判断独立性时我见到最多的错误是只验证一个点或几个点就下结论。比如某个联合分布表格你检查了第一个格子发现 (p_{11}p_{1\cdot}p_{\cdot 1})就以为独立了——大错特错。独立性要求的是所有格子都满足乘积关系任何一个格子不满足两个变量就不独立。还有一个快速判断的技巧如果联合密度的支持区域不是矩形那几乎可以断定不独立。因为独立随机变量的联合密度可以写成 (g(x)h(y)) 的形式而这个形式能分解的前提是定义域也得是矩形可分离的。用这个技巧做题有些选择题可以秒杀。但要注意一个反向陷阱联合密度能写成 (g(x)h(y)) 且定义域是矩形也未必就独立——必须满足 (f(x,y)g(x)h(y)f_X(x)f_Y(y)) 才是独立也就是说分离出来的 (g) 和 (h) 必须恰好是边缘密度。通常我们会通过归一化系数可分离 定义域可分离来快速判断因为这时边缘密度就和 (g,h) 只差一个常数倍乘起来正好还原联合密度。5.3 不相关不等于独立这一小节几乎是每届学生必踩的坑。相关系数 (\rho0)不相关只说明两个变量之间没有线性关系但完全可能存在非线性关系。独立是远比不相关更强的条件。举一个最经典的例子。设 (X\sim U(-1,1))令 (YX^2)。显然 (Y) 完全由 (X) 决定两者不可能独立。但算一下协方差[ \operatorname{Cov}(X,Y)E(XY)-E(X)E(Y)E(X^3)-E(X)E(X^2) ]由于 (X) 在 ((-1,1)) 上均匀分布密度是偶函数所以 (E(X)E(X^3)0)于是 (\operatorname{Cov}(X,Y)0)。也就是说(X) 和 (Y) 明明有确定的二次函数关系相关系数却是0。这个例子告诉我们做数据分析时看到相关系数接近0只能说没发现线性关系绝不能直接下结论两个变量独立、互不影响。6. 随机变量函数的分布从ZXY到Max与Min联合分布的一个核心应用是求两个随机变量函数的分布。最典型的就是 (ZXY)除此之外还有 (\max(X,Y))、(\min(X,Y))、(XY) 等。这些运算在工程、金融、信号处理里遍地都是。6.1 ZXY卷积公式的推导别只背结果对于两个独立的连续型随机变量 (X,Y)设 (ZXY)。求 (Z) 的密度函数最稳妥的方法是分布函数法先求 (F_Z(z))再求导。[ F_Z(z)P{XY\le z}\iint_{xy\le z}f_X(x)f_Y(y),dxdy ]画出区域 (xy\le z)先对 (y) 积分[ F_Z(z)\int_{-\infty}^{\infty}\left(\int_{-\infty}^{z-x}f_X(x)f_Y(y),dy\right)dx\int_{-\infty}^{\infty}f_X(x)F_Y(z-x),dx ]对 (z) 求导积分号下求导注意被积函数中 (z) 只出现在 (F_Y(z-x)) 里[ f_Z(z)\int_{-\infty}^{\infty}f_X(x)f_Y(z-x),dx ]这就是卷积公式的来源。它本质上是在做所有可能的 (x) 取值下另一个变量必须等于 (z-x)的概率累加。独立是卷积公式的前提如果 (X,Y) 不独立就得回到原始的联合密度去积分。举一个最经典的例子(X\sim U(0,1))(Y\sim U(0,1))独立。求 (ZXY) 的密度。支持区域要求 (0x1) 且 (0z-x1)即 (z-1xz)。结合 (0x1)分情况讨论当 (0z1) 时(x) 的取值范围是 (0xz)所以 (f_Z(z)\int_{0}^{z}1,dxz)当 (1z2) 时(x) 的取值范围是 (z-1x1)所以 (f_Z(z)\int_{z-1}^{1}1,dx2-z)其他区间为0。这就是著名的三角分布。两个均匀分布相加得到三角分布这个过程可以用蒙特卡洛模拟直观验证随机生成大量 ((x,y))把 (xy) 的直方图画出来就是一座对称的帐篷。卷积公式还有一个容易出错的地方积分上下限里同时出现了 (z)很多人会漏掉分段讨论直接把上下限写成 (-\infty) 到 (\infty)结果算出个常数——明显不对。遇到分段定义的密度必须先画图确定支持区域的边界。6.2 Max和Min的分布可靠性工程的老朋友如果 (X_1,X_2,\dots,X_n) 独立同分布分布函数为 (F(x))那么(M\max(X_1,\dots,X_n)) 的分布函数(F_M(m)P{M\le m}P{X_1\le m,\dots,X_n\le m}[F(m)]^n)(N\min(X_1,\dots,X_n)) 的分布函数(F_N(n)1-P{Nn}1-P{X_1n,\dots,X_nn}1-[1-F(n)]^n)这两个公式在系统可靠性里极其常用。比如一根链条的强度取决于最薄弱的环节那么整条链条的强度就是各个环强度的最小值一个并联系统的寿命取决于最长寿的那个元件整机寿命就是各元件寿命的最大值。不只是理论这两个公式在工业上直接指导设计。比如某型号电缆由10股钢丝绞合而成每股钢丝的断裂强度服从某个分布整根电缆的断裂强度就近似是10个随机变量的最小值分布。用上面的公式可以算出即便每股钢丝的平均强度很高只要最弱的那股不行整根电缆就危险——这也是为什么高强度钢丝绳的制造工艺对均匀性要求那么苛刻。7. 做题经验和实战验证别让联合分布只停留在公式里学到这里公式层面已经全覆盖了。但我知道很多人还是担心看完例题感觉都懂合上书做练习就不知道从哪里下手。这很正常联合分布的题目最考验建模能力这里分享几条我用下来非常有效的方法论。7.1 遇到题目先回答三个问题第一题目给的是离散型还是连续型这决定了你该列表格还是写密度函数。第二支持区域是什么形状立刻在草稿纸上画出来。第三要求的是联合、边缘、条件还是两个随机变量函数的分布目标不同工具完全不同。把这三件事想清楚再动笔基本不会跑偏。我见过太多同学的解题失误不是公式不熟而是题目都没读完就急着套卷积公式结果题目给的 (X,Y) 根本不是独立的。7.2 做题后的自查清单我把自己判作业时常用的检查项整理成了一张表检查项方法联合分布律/密度是否归一化所有概率求和是否为1或全平面积分是否为1边缘密度是否非负且积分为1分别对 (x) 和 (y) 积分验证条件密度分母是否为0分母对应的边缘密度必须大于0独立性判断是否检查了所有点联合边缘乘积对所有取值成立才算独立区域概率是否落在 [0,1]算出来大于1肯定是积分限错了卷积公式是否分段讨论上下限含 (z) 时按支持区域分情况每次做完题花30秒过一遍这张表能避免大部分低级失分。7.3 用Python做个直观验证光说不练假把式我给你写一段可以直接跑的验证代码。我们用 numpy 模拟一个二维正态分布然后验证经验边缘密度和理论边缘密度是否吻合。import numpy as np import matplotlib.pyplot as plt # 设置随机种子保证结果可复现 np.random.seed(42) # 生成二维正态样本 # X ~ N(0, 1), Y ~ N(0, 1), 相关系数 rho 0.6 mu np.array([0.0, 0.0]) sigma np.array([[1.0, 0.6], [0.6, 1.0]]) samples np.random.multivariate_normal(mu, sigma, size200000) x samples[:, 0] y samples[:, 1] # 画散点图抽样5000个点避免图太密 plt.figure(figsize(6, 6)) plt.scatter(x[:5000], y[:5000], s1, alpha0.5) plt.axhline(0, colorgray, linewidth0.5) plt.axvline(0, colorgray, linewidth0.5) plt.xlabel(X) plt.ylabel(Y) plt.title(二维正态分布样本 (rho0.6)) plt.axis(equal) plt.show() # 验证边缘分布X 的经验直方图 vs 理论 N(0,1) plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) plt.hist(x, bins80, densityTrue, alpha0.6, label经验分布) xs np.linspace(-4, 4, 200) plt.plot(xs, 1/np.sqrt(2*np.pi) * np.exp(-xs**2/2), r-, label理论 N(0,1)) plt.legend() plt.title(X 的边缘密度) # 验证条件分布给定 X0.5 附近时 Y 的条件分布 # 理论上条件分布是 N(rho*x, 1-rho^2) N(0.3, 0.64) mask (x 0.45) (x 0.55) y_cond y[mask] plt.subplot(1, 2, 2) plt.hist(y_cond, bins50, densityTrue, alpha0.6, label经验条件分布) ys np.linspace(-4, 4, 200) mu_cond 0.6 * 0.5 std_cond np.sqrt(1 - 0.6**2) plt.plot(ys, 1/(std_cond*np.sqrt(2*np.pi)) * np.exp(-(ys-mu_cond)**2/(2*std_cond**2)), r-, label理论条件分布) plt.legend() plt.title(给定 X≈0.5 时 Y 的条件密度) plt.tight_layout() plt.show()跑完这段代码你能直观看到两件事一是二维正态样本的散点图是椭圆形的方向反映了相关性二是边缘密度与理论曲线贴合条件分布也和均值线性依赖于 (X)、方差缩小为 (1-\rho^2)的理论吻合。这种把公式和模拟对上的体验比单纯刷题有用得多。7.4 最后再分享一个学习建议我个人经验里联合分布这一章要真正学透不能只靠刷题得在脑子建立三套语言公式语言(F,f,p) 的定义、几何语言支持区域、面积、体积、投影、业务语言这个概率模型到底在描述什么实际现象。做题时随时在这三套语言之间切换比如看到条件密度就想到切一刀看截面看到边缘密度就想到投影压扁看到独立就想到联合密度可以分解。一旦建立了这种联系联合分布就不再是一堆孤立的公式而是一幅连续的、可以随时调用的图景。从实战角度说我后来做数据分析时凡是遇到多个变量之间的关联问题——用户活跃度和付费金额、广告曝光量和点击率、传感器温度和压力——第一反应都是先想想联合分布的结构。哪怕最后用的是更复杂的模型底层逻辑依然是这一章打下的基础。把联合分布真正想明白了后面的数理统计、随机过程、机器学习里的概率图模型学起来都会顺畅很多。