两个不同参数相依指数分布之和的分布求解与绘制咨询

核心前提 #

当两个指数变量不独立时，联合分布不再是边缘分布的乘积，卷积公式直接失效。必须明确二者的依赖结构——没有依赖信息的话，和的分布根本无法唯一确定，不同的依赖关系会导出完全不同的结果。

除已知方向外的可行思路 #

• Copula函数建模：Copula能将边缘分布与依赖结构分离。针对两个指数变量，可选择Clayton、Gumbel或Frank等Copula来刻画相关性，再通过联合分布计算和的分布函数：

  ( P(X+Y \leq z) = \int_{0}^{z} \int_{0}^{z-x} C(F_X(x), F_Y(y)) dy dx )
  其中( C )为Copula函数，( F_X, F_Y )是两个指数变量的边缘分布函数。这种方法无需假设一个变量是另一个的函数，只需确定Copula参数（可通过样本估计）。

• 条件分布法：若能获取其中一个变量给定另一个的条件分布（如( Y|X=x )的分布），可通过积分计算和的密度：

  ( f_{X+Y}(z) = \int_{0}^{z} f_X(x) f_{Y|X}(z-x | x) dx )
  比如基于业务或物理场景设定条件分布形式（如条件指数分布），再拟合参数即可。

• 特征函数法：两个随机变量和的特征函数等于联合特征函数在( (t,t) )处的值，即( \phi_{X+Y}(t) = \phi_{X,Y}(t,t) )。若能通过依赖结构得到联合特征函数，可通过逆傅里叶变换得到和的密度函数，适合处理有解析形式的依赖结构。
• 数值模拟近似：若找不到解析解，可采用蒙特卡洛模拟：根据设定的依赖结构生成大量( (X,Y) )样本，计算样本和后用核密度估计绘制分布曲线。这种方法无需解析推导，只要能生成符合依赖关系的样本即可。

关于“唯一途径”的结论 #

你提到的“明确关联”是必要前提，但并非只有“一个是另一个的函数”这一种形式——Copula、条件分布、联合特征函数都是刻画关联的不同方式，只需对依赖结构做出合理假设或通过数据估计即可。没有依赖信息的话，和的分布是不确定的，因此明确关联结构是绕不开的步骤。

内容的提问来源于stack exchange，提问作者Juan Kim