卷積：獨立變數之和的分布（convolution as the distribution of a sum）
/ convolution: kon-vuh-LOO-shun /
假設你把兩個獨立的隨機變數相加 —— 兩顆獨立骰子、兩段獨立等待時間 —— 並問這個「和」如何分布。有一個單一的機械化運算，能從兩個成分分布產出答案：它叫做卷積。
其想法是列舉出「和」命中目標的每一種方式，再把機率加起來。對獨立的離散 X 與 Y，S = X + Y 的 pmf 是 p_S(s) = 對 k 加總 p_X(k) p_Y(s - k)：對每一種把總和 s 拆成 X 取值 k、Y 取其餘 s - k 的方式，把兩個機率相乘（因獨立而相乘），再對所有拆法相加。對連續的獨立變數，這個和變成積分：f_S(s) = 積分 f_X(t) f_Y(s - t) dt —— 把一個密度滑過另一個、相乘、再積分其重疊。這個滑動重疊的運算就是兩個密度的卷積。
卷積正是為什麼「和」在機率中如此核心，也是為什麼某些家族「對加法封閉」：獨立卜瓦松相加為卜瓦松、獨立常態為常態、相同率的獨立伽瑪為伽瑪、相同 p 的獨立二項為二項。直接計算它可能很繁瑣，這正是變換存在的理由 —— 動差母函數與特徵函數把卷積（一個雜亂的積分）化為普通的乘法，這是通往和的分布的俐落路徑，也是中央極限定理證明背後的引擎。
兩顆獨立的公正骰子。和 S = X + Y 的 pmf 由卷積給出：P(S = 7) = 對 k 加總 P(X = k) P(Y = 7 - k) = 6 乘以 (1/6)(1/6) = 6/36 = 1/6，是最可能的總和；而 P(S = 2) = (1/6)(1/6) = 1/36。把一顆骰子的平坦分布滑過另一顆，便建出我們熟悉的三角形形狀。
把兩個平坦的骰子分布做卷積，得到和的三角形分布，在 7 處達到尖峰。
卷積公式要求獨立 —— 否則你不能直接把 f_X 乘以 f_Y 再滑動。對相依變數，和的分布需要完整的聯合分布。