KNOWECON WIKI

ARTICLE

联合概率

联合概率 (Joint Probability) 联合概率（Joint Probability）是概率论中最基本的概念之一，描述两个或多个随机变量同时取特定值的概率。它是构建多元概率模型、理解变量间依赖关系的出发点，也是条件概率、贝叶斯定理、协方差和相关性分析等更复杂概念的基础。在经济学和计量经济学中，联合概率分布是刻画多个经济指标（如通货膨胀率与失业率、资

浏览 4 更新 2025-10-26

联合概率 (Joint Probability)

联合概率（Joint Probability）是概率论中最基本的概念之一，描述两个或多个随机变量同时取特定值的概率。它是构建多元概率模型、理解变量间依赖关系的出发点，也是条件概率、贝叶斯定理、协方差和相关性分析等更复杂概念的基础。在经济学和计量经济学中，联合概率分布是刻画多个经济指标（如通货膨胀率与失业率、资产收益率与市场指数）协同变动模式的数学语言。

离散型联合分布

对于两个离散随机变量 XX 和 YY，其联合概率质量函数（Joint PMF）定义为：

pX,Y(x,y)=P(X=x,Y=y)p_{X,Y}(x, y) = P(X = x, Y = y)

满足两条基本公理：

pX,Y(x,y)≥0,∑x∑ypX,Y(x,y)=1p_{X,Y}(x, y) \ge 0, \qquad \sum_x \sum_y p_{X,Y}(x, y) = 1

联合概率质量函数常以列联表（Contingency Table）形式呈现，行对应 XX 的取值，列对应 YY 的取值，单元格内的数值即为联合概率。例如，描述教育水平（高/低）与收入水平（高/中/低）的联合分布，可清晰展现两者的统计关联。

连续型联合分布

若 XX 和 YY 为连续随机变量，则用联合概率密度函数（Joint PDF）fX,Y(x,y)f_{X,Y}(x, y) 来描述。概率由积分给出：

P(a≤X≤b,c≤Y≤d)=∫ab∫cdfX,Y(x,y) dy dxP(a \le X \le b, c \le Y \le d) = \int_{a}^{b} \int_{c}^{d} f_{X,Y}(x, y) \, dy \, dx

密度函数满足非负性和归一化条件：

fX,Y(x,y)≥0,∫−∞∞∫−∞∞fX,Y(x,y) dx dy=1f_{X,Y}(x, y) \ge 0, \qquad \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f_{X,Y}(x, y) \, dx \, dy = 1

最常见的连续联合分布是二维正态分布（Bivariate Normal Distribution），其联合PDF完全由均值 μX,μY\mu_X, \mu_Y、方差 σX2,σY2\sigma_X^2, \sigma_Y^2 和相关系数 ρ\rho 五个参数决定：

f(x,y)=12πσXσY1−ρ2exp⁡ ⁣(−12(1−ρ2) ⁣[(x−μX)2σX2−2ρ(x−μX)(y−μY)σXσY+(y−μY)2σY2])f(x, y) = \frac{1}{2\pi\sigma_X\sigma_Y\sqrt{1-\rho^2}} \exp\!\left( -\frac{1}{2(1-\rho^2)}\!\left[ \frac{(x-\mu_X)^2}{\sigma_X^2} - 2\rho\frac{(x-\mu_X)(y-\mu_Y)}{\sigma_X\sigma_Y} + \frac{(y-\mu_Y)^2}{\sigma_Y^2} \right] \right)

边际概率与条件概率

从联合分布可以派生出两个核心概念：

边际概率（Marginal Probability）：通过对联合分布中另一个变量求和（离散）或积分（连续）获得。对于离散情形：

P(X=x)=∑ypX,Y(x,y),P(Y=y)=∑xpX,Y(x,y)P(X = x) = \sum_y p_{X,Y}(x, y), \qquad P(Y = y) = \sum_x p_{X,Y}(x, y)

对于连续情形：

fX(x)=∫−∞∞fX,Y(x,y) dy,fY(y)=∫−∞∞fX,Y(x,y) dxf_X(x) = \int_{-\infty}^{\infty} f_{X,Y}(x, y) \, dy, \qquad f_Y(y) = \int_{-\infty}^{\infty} f_{X,Y}(x, y) \, dx

条件概率（Conditional Probability）：在已知某变量取值的条件下，另一变量的概率分布：

P(Y=y∣X=x)=P(X=x,Y=y)P(X=x)=pX,Y(x,y)pX(x)(要求 pX(x)>0)P(Y = y \mid X = x) = \frac{P(X = x, Y = y)}{P(X = x)} = \frac{p_{X,Y}(x, y)}{p_X(x)} \quad (\text{要求 } p_X(x) > 0)

连续情形下，条件密度为 fY∣X(y∣x)=fX,Y(x,y)/fX(x)f_{Y\mid X}(y \mid x) = f_{X,Y}(x, y) / f_X(x)。条件概率是贝叶斯定理的核心构件，也是回归分析的理论基础——条件期望 E[Y∣X=x]E[Y \mid X = x] 正是回归函数的数学定义。

独立性与协方差

随机变量 XX 与 YY 被称为相互独立，当且仅当联合分布等于边际分布之积：

pX,Y(x,y)=pX(x) pY(y)或fX,Y(x,y)=fX(x) fY(y)p_{X,Y}(x, y) = p_X(x) \, p_Y(y) \quad \text{或} \quad f_{X,Y}(x, y) = f_X(x) \, f_Y(y)

独立性意味着一个变量的取值不提供关于另一个变量的任何信息。判断独立性的常用途径是通过协方差：

Cov⁡(X,Y)=E[(X−E[X])(Y−E[Y])]=E[XY]−E[X]E[Y]\operatorname{Cov}(X, Y) = E[(X - E[X])(Y - E[Y])] = E[XY] - E[X]E[Y]

协方差为零是独立的必要条件（非充分条件）。将协方差标准化即得皮尔逊相关系数：

ρX,Y=Cov⁡(X,Y)σXσY∈[−1,1]\rho_{X,Y} = \frac{\operatorname{Cov}(X, Y)}{\sigma_X \sigma_Y} \in [-1, 1]

经济学与计量经济学中的应用

联合概率分布在经济学中有广泛的实际应用。在金融经济学中，多维资产收益率的联合分布是现代投资组合理论（Modern Portfolio Theory）的基石——马科维茨均值-方差模型完全依赖资产间收益率的协方差矩阵来构建有效前沿。在计量经济学中，联立方程模型和向量自回归（VAR）的设定均以变量的联合分布为出发点。观测数据的似然函数本质上就是所有观测的联合概率密度，在极大似然估计（MLE）中，通过最大化联合似然函数来估计模型参数。此外，连接函数（Copula）将各变量的边际分布与它们的联合分布解耦，广泛应用于信用风险建模和资产相关性分析中——这是联合概率思想在当代金融工程中的直接延伸。