KNOWECON WIKI

ARTICLE

联合累积分布函数

联合累积分布函数 (Joint Cumulative Distribution Function) 联合累积分布函数（Joint Cumulative Distribution Function, Joint CDF）是概率论与数理统计中描述多个随机变量联合概率分布的基本工具。对于一组随机变量 X_1, X_2, , X_n，其联合累积分布函数定义为所有变量

浏览 2 更新 2025-10-26

联合累积分布函数 (Joint Cumulative Distribution Function)

联合累积分布函数（Joint Cumulative Distribution Function, Joint CDF）是概率论与数理统计中描述多个随机变量联合概率分布的基本工具。对于一组随机变量 X1,X2,…,XnX_1, X_2, \ldots, X_n，其联合累积分布函数定义为所有变量同时不超过各自给定值的概率。以二维情形为例，设 XX 和 YY 为两个随机变量，则它们的联合 CDF 为：

FXY(x,y)=P(X≤x,  Y≤y),(x,y)∈R2F_{XY}(x, y) = P(X \leq x, \; Y \leq y), \qquad (x, y) \in \mathbb{R}^2

联合 CDF 完整刻画了随机向量 (X,Y)(X, Y) 的概率分布，任何关于 XX 和 YY 的概率事件均可由此函数导出。它是单变量累积分布函数（CDF）在多维空间的自然推广，也是连接概率密度函数与环境概率计算的核心桥梁。

基本性质

二维联合 CDF FXY(x,y)F_{XY}(x, y) 具有以下基本性质：

  • 有界性： 0≤FXY(x,y)≤10 \leq F_{XY}(x, y) \leq 1，且 lim⁡x→−∞,y→−∞FXY(x,y)=0\displaystyle \lim_{x \to -\infty, y \to -\infty} F_{XY}(x, y) = 0，lim⁡x→+∞,y→+∞FXY(x,y)=1\displaystyle \lim_{x \to +\infty, y \to +\infty} F_{XY}(x, y) = 1。
  • 单调非降性： 对任意固定的 yy，FXY(x,y)F_{XY}(x, y) 关于 xx 单调非降；对任意固定的 xx，关于 yy 单调非降。
  • 右连续性： FXY(x,y)F_{XY}(x, y) 关于每个变量右连续。
  • 矩形概率公式： 对于任意 x1<x2x_1 < x_2 和 y1<y2y_1 < y_2，有 \[ P(x_1 < X \leq x_2, \; y_1 < Y \leq y_2) = F_{XY}(x_2, y_2) - F_{XY}(x_1, y_2) - F_{XY}(x_2, y_1) + F_{XY}(x_1, y_1) \] 此公式反映了联合 CDF 的二维增量非负性——这是判别一个二元函数是否为有效 CDF 的关键条件。

边际分布与联合 CDF

通过联合 CDF 可直接导出各变量的边际分布函数。令 y→+∞y \to +\infty 即得到 XX 的边际 CDF：

FX(x)=lim⁡y→+∞FXY(x,y)=P(X≤x,  Y<+∞)=P(X≤x)F_X(x) = \lim_{y \to +\infty} F_{XY}(x, y) = P(X \leq x, \; Y < +\infty) = P(X \leq x)

同理，FY(y)=lim⁡x→+∞FXY(x,y)F_Y(y) = \lim_{x \to +\infty} F_{XY}(x, y)。这表明联合 CDF 包含了所有边际信息，但反之不成立——不同的联合分布可能具有相同的边际分布，联合 CDF 比一组边际 CDF 携带更多关于变量间相关关系的信息。

与概率密度函数的关系

若随机向量 (X,Y)(X, Y) 是连续随机变量，则存在联合概率密度函数 fXY(x,y)f_{XY}(x, y) 满足：

FXY(x,y)=∫−∞x∫−∞yfXY(u,v) dv duF_{XY}(x, y) = \int_{-\infty}^{x} \int_{-\infty}^{y} f_{XY}(u, v) \, dv \, du

反过来，在 FXYF_{XY} 可微的点上，联合 PDF 可由混合偏导得到：

fXY(x,y)=∂2∂x∂yFXY(x,y)f_{XY}(x, y) = \frac{\partial^2}{\partial x \partial y} F_{XY}(x, y)

对于离散随机变量，联合 CDF 则表现为各概率质量函数的累加和。

随机变量的独立性

联合 CDF 提供了一个判断变量独立性的简洁准则：XX 与 YY 相互独立当且仅当对所有 x,yx, y 有

FXY(x,y)=FX(x)⋅FY(y)F_{XY}(x, y) = F_X(x) \cdot F_Y(y)

即联合 CDF 可分解为边际 CDF 的乘积。这一条件等价于联合 PDF（或 PMF）可分解为边际密度的乘积，但在 CDF 层面进行检验往往更具操作便利性，尤其在非参数统计中。

在计量经济学与统计学中的应用

联合 CDF 在计量经济学中有广泛应用。在多元回归分析中，误差项的联合分布对极大似然估计的设定至关重要；在时间序列分析中，滞后变量的联合分布刻画了序列的依赖结构；在极值理论中，尾部联合 CDF 用于建模多个极端事件同时发生的概率，如金融市场多资产同时暴跌的风险。此外，连接函数（Copula）方法正是基于联合 CDF 的分解定理（Sklar 定理），将边际分布与相关性结构分离建模，已成为金融风险管理与资产定价领域的标准工具。