联合密度函数是概率论中描述二维随机变量联合分布的重要工具。以下是其核心内容及求解方法的总结：

一、基本定义

对于二维随机变量 $（X, Y）$，联合密度函数 $f（x, y）$ 满足：

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

其中 $F（x, y）$ 是 $（X, Y）$ 的联合分布函数，表示随机点 $（X, Y）$ 落在区域 $（-infty, x] times （-infty, y]$ 的概率。

二、独立性与联合密度的关系

独立随机变量

若 $X$ 和 $Y$ 相互独立，则联合密度函数等于边缘密度函数的乘积：

$$f(x, y) = f_X(x) cdot f_Y(y)$$

其中 $f_X（x）$ 和 $f_Y（y）$ 分别是 $X$ 和 $Y$ 的边缘密度函数。

不独立随机变量

若 $X$ 和 $Y$ 不独立，则需通过条件密度函数或联合分布表/图计算：

$$f(x, y) = f_{X|Y}(x|y) cdot f_Y(y)$$

或通过其他概率测度方法。

三、常见求解方法

边缘密度函数法（独立情况）

已知 $X$ 和 $Y$ 的边缘密度函数，直接相乘即可得到联合密度函数：

$$f(x, y) = f_X(x) cdot f_Y(y)$$。

条件密度函数法（不独立情况）

通过条件密度函数计算：

$$f(x, y) = f_{X|Y}(x|y) cdot f_Y(y)$$。

实验或观测法

通过大量样本观察 $X$ 和 $Y$ 同时发生的频率，进而估计联合密度函数。

四、应用示例（计算期望）

以二维均匀分布为例，设 $（X, Y）$ 在单位正方形 $[0, 1] times [0, 1]$ 上均匀分布，则联合密度函数为：

$$f(x, y) = begin{cases}

1, & 0 leq x leq 1, , 0 leq y leq 1

0, & text{其他}

end{cases}$$

计算 $E（XY）$：

$$E(XY) = int_0^1 int_0^1 xy cdot 1 , dy , dx = frac{1}{12}$$。

总结

联合密度函数的求解需根据随机变量的独立性选择合适方法。独立情况下通过边缘密度函数乘积计算，不独立时需结合条件密度函数或其他统计手段。实际应用中，联合密度函数是计算多维随机变量期望、方差等统计量的基础工具。