嘿！咱们一步步来解决这两个概率问题——它们都是把核心理论用到具体场景的好例子。

当两个随机变量 (X) 和 (Y) 相互独立时，它们的和 (Z = X + Y) 的PDF可以通过卷积积分来计算，这是处理独立变量和的标准方法：

• 首先回忆一下：独立随机变量的联合PDF等于各自边缘PDF的乘积，也就是 (f_{X,Y}(x,y) = f_X(x)f_Y(y))
• (Z) 的PDF计算公式是：

  f_Z(z) = ∫_{-∞}^{+∞} f_X(x) f_Y(z - x) dx
  

  你也可以交换变量写成等价形式：

  f_Z(z) = ∫_{-∞}^{+∞} f_X(z - y) f_Y(y) dy
  

  简单理解一下：我们遍历所有可能的 (x) 值，计算“(X=x) 且 (Y=z-x)”的联合概率密度，然后把所有这些情况累加（积分）起来，就得到了 (Z=z) 时的概率密度。

先明确两个变量的定义：

• 设 (X) 是参数为 (\lambda > 0) 的指数随机变量，它的PDF是：

  f_X(x) = λe^{-λx},  当 x ≥ 0 时
  f_X(x) = 0,          当 x < 0 时
  

• 设 (Y) 是均值为 (\mu)、方差为 (\sigma^2) 的正态随机变量，它的PDF是：

  f_Y(y) = (1/(σ√(2π))) e^{-((y - μ)^2)/(2σ^2)},  对所有实数 y 成立
  

因为 (X) 和 (Y) 相互独立，我们直接把它们代入第一部分的卷积公式。注意指数变量的PDF在 (x < 0) 时为0，所以积分下限可以从0开始，不用从-∞：

f_Z(z) = ∫_{0}^{+∞} λe^{-λx} * (1/(σ√(2π))) e^{-((z - x - μ)^2)/(2σ^2)} dx

这个积分没有初等函数形式的解析解，但我们可以用**误差函数（erf）**来表示它的闭合形式，或者用数值积分的方法计算具体的数值结果。比如通过变量替换简化指数部分后，最终会得到包含erf的表达式——erf是概率和统计领域常用的标准特殊函数。

内容的提问来源于stack exchange，提问作者Mona Jalal