已知独立随机变量X、Y的数值化边缘PDF，求解Z=XY+d的PDF的方法咨询

嗨，我来帮你理清这个问题的核心所在，先说说你之前推导里的问题，再给你正确的思路和适配数值PDF的计算方法：

你原有推导的核心错误 #

你在计算条件密度$f_{Z|Y}(z,y)$的时候走了不必要的弯路，还犯了一个关键错误：因为X和Y是独立的，我们完全可以通过随机变量线性变换的规则直接推导条件密度，不需要额外做归一化——这也是你最后得到的联合密度无法归一的根本原因。

当Y固定为某个正值$y$时，$Z = Xy + d$本质是对X做了一个线性变换：$X = \frac{Z - d}{y}$。对于线性变换$Z = aX + b$（这里$a=y$，$b=d$），概率密度的变换规则是：
$$f_Z(z|Y=y) = \frac{1}{|a|}f_X\left(\frac{z - b}{a}\right)$$
因为Y恒正，$|a|=y$，所以直接可以得到：
$$f_{Z|Y}(z,y) = \frac{1}{y}f_X\left(\frac{z - d}{y}\right)$$
这里的$\frac{1}{y}$已经完成了密度的尺度调整，完全不需要你额外引入的归一化积分——你加的那个积分反而破坏了密度的固有尺度，导致后续结果无法满足归一性。

正确的边缘PDF $f_Z(z)$ 推导 #

因为X和Y独立，根据全概率公式，$Z$的边缘密度就是条件密度对Y的积分：
$$f_Z(z) = \int_{0}^{+\infty} f_{Z|Y}(z,y)f_Y(y) dy$$
把上面的条件密度代入后，就得到了正确的表达式：
$$f_Z(z) = \int_{0}^{+\infty} \frac{1}{y} f_X\left(\frac{z - d}{y}\right) f_Y(y) dy$$
这其实就是你提到的“两个随机变量乘积的分布”公式的变形：如果令$Z' = XY$，那么$Z = Z' + d$，所以$f_Z(z) = f_{Z'}(z - d)$，而$Z'$的密度正是$\int_{0}^{+\infty} \frac{1}{y}f_X\left(\frac{z'}{y}\right)f_Y(y)dy$，替换$z'=z-d$就和上面的公式完全一致了。

针对数值PDF的计算建议 #

因为你只有$f_X(x)$和$f_Y(y)$的数值近似（比如离散网格上的取值），计算这个积分可以按以下步骤来：

• 先遍历Y的离散网格点$y_i$，同时准备好对应的积分权重$w_i$（比如用梯形法、矩形法的权重）；
• 对每个$y_i$，计算$\frac{z - d}{y_i}$，然后通过数值插值（比如线性插值）得到$f_X$在该点的近似值；
• 计算每一项的贡献：$\frac{1}{y_i} \times f_X\left(\frac{z - d}{y_i}\right) \times f_Y(y_i) \times w_i$；
• 把所有项的贡献累加起来，就得到$f_Z(z)$的近似值。

只要你的$f_X$和$f_Y$本身是归一化的数值PDF，用这个方法计算出来的$f_Z(z)$也会自然满足归一性，不用再额外处理。

总结一下 #

你之前的方法出错是因为错误地引入了不必要的归一化步骤，忽略了线性变换下概率密度的尺度调整规则。换成上面的正确公式后，不管是理论推导还是数值计算都会更简洁，结果也能满足PDF的归一要求。

备注：内容来源于stack exchange，提问作者Tom