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 $X_1, X_2, \ldots, X_n$ ，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 $X$ 和 $Y$ 为两个随机变量，则它们的联合 CDF 为：

F_{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 $(X, Y)$ 的概率分布，任何关于 $X$ 和 $Y$ 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 $F_{XY}(x, y)$ 具有以下基本性质：

有界性： $0 \leq F_{XY}(x, y) \leq 1$ ，且 $\displaystyle \lim_{x \to -\infty, y \to -\infty} F_{XY}(x, y) = 0$ ， $\displaystyle \lim_{x \to +\infty, y \to +\infty} F_{XY}(x, y) = 1$ 。
单调非降性： 对任意固定的 $y$ ， $F_{XY}(x, y)$ 关于 $x$ 单调非降；对任意固定的 $x$ ，关于 $y$ 单调非降。
右连续性： $F_{XY}(x, y)$ 关于每个变量右连续。
矩形概率公式： 对于任意 $x_1 < x_2$ 和 $y_1 < y_2$ ，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 $y \to +\infty$ 即得到 $X$ 的边际 CDF：

F_X(x) = \lim_{y \to +\infty} F_{XY}(x, y) = P(X \leq x, \; Y < +\infty) = P(X \leq x)

同理， $F_Y(y) = \lim_{x \to +\infty} F_{XY}(x, y)$ 。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 $(X, Y)$ 是连续随机变量，则存在联合概率密度函数 $f_{XY}(x, y)$ 满足：

F_{XY}(x, y) = \int_{-\infty}^{x} \int_{-\infty}^{y} f_{XY}(u, v) \, dv \, du

反过来，在 $F_{XY}$ 可微的点上，联合 PDF 可由混合偏导得到：

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： $X$ 与 $Y$ 相互独立当且仅当对所有 $x, y$ 有

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。

返回百科索引