i i j j
cd
2
根据上述定义，t即为数组对 {( xi , yi ),( x j , y j )} 一致与不 一致的概率之差。
将Kendall’s tau引入Copula函数： 定理4 连续随机变量(X，Y)，其Copula函数为C，则 (X，Y)的Kendall’s tau为： 4 C (u, v)dC (u, v) 1 (14.16)
n
n
是一列连续随机变量，有Copula函数 C C ， n
定理6 若为连续随机变量，Copula函数为，则 Kendall’s tau和Spearman’s rho满足定义13所述要求。
Kendall’s tau与Spearman’s rho的关系
定义13 对于两个连续变量X,Y之间相关性的度量 ，必须满足： （1） 对( X , Y ) 有定义； （2）1 X ,Y 1, X , X 1, X , X 1 （3） X ,Y Y , X （4）若X,Y独立，则 X ,Y 0 （5） X ,Y X ,Y X ,Y （6）若 C1, C2 满足 C1 C2 ，则 C1 C2 （7）若 {( X n , Yn )} 则 lim C C
Copula函数的一些其他性质：
性质1 C为n维Copula函数，对于任何自变量，C非递 减，即，若 v [0,1]n，则： (14.4) 性质2（Frechet-Hoeffding约束）C为n维Copula函数， n v [0,1] 则对于每个 ，有： (14.5) W n (v ) C(v ) M n (v ) 其中
定理3为连续随机变量则彼此独立当且仅当这些变量的copula函数copula定义4正态分布随机变量的均值分别为方差分别为协方差矩阵为r则随机变量的分布函数为copula函数称为协方差矩阵为的正态gausscopula函数
