我做三变量的copula，先用gumbel模拟两变量，然后和P3型再次模拟一个gumbel，结果得不出数据，请问是什么原因

> gumbel.cop1<- gumbelCopula(1.730908, dim =2)

> gumbel.cop2 <- gumbelCopula(4.55, dim = 2)

> myMvd<-mvdc(gumbel.cop1, c("pearsonIII", "Copula"), list(list(shape=1.408, location=0.3986, scale = 0.9341), list(copula = gumbel.cop2)))

> x<-read.table("三口洪量.txt")

> x<-t(x)

> x0<-matrix(x,159,3)

> x0

[,1] [,2] [,3]

[1,] 1 2.070 2.070

[2,] 1 0.330 0.330

[3,] 1 2.095 2.095

[4,] 1 0.806 0.806

[5,] 2 1.070 0.686

[6,] 2 1.447 1.110

[7,] 3 2.773 2.419

[8,] 6 1.783 0.596

[9,] 1 0.111 0.111

[10,] 1 0.442 0.442

[11,] 2 0.296 0.254

[12,] 4 7.861 4.322

[13,] 1 0.388 0.388

[14,] 4 4.329 3.017

[15,] 3 2.135 0.891

[16,] 1 1.393 1.393

[17,] 1 0.163 0.163

[18,] 1 0.939 0.939

[19,] 2 1.175 1.004

[20,] 1 0.263 0.263

[21,] 2 2.821 1.441

[22,] 1 0.122 0.122

[23,] 1 0.296 0.296

[24,] 2 1.106 1.084

[25,] 1 0.214 0.214

[26,] 3 0.952 0.740

[27,] 2 0.925 0.733

[28,] 1 1.193 1.193

[29,] 1 1.714 1.714

[30,] 1 1.218 1.218

[31,] 3 1.601 0.839

[32,] 1 0.371 0.371

[33,] 4 4.156 2.441

[34,] 1 0.825 0.825

[35,] 2 1.719 1.156

[36,] 1 0.287 0.287

[37,] 3 1.680 0.895

[38,] 1 1.134 1.134

[39,] 1 0.047 0.047

[40,] 4 3.336 1.889

[41,] 1 0.399 0.399

[42,] 4 3.630 1.618

[43,] 1 0.192 0.192

[44,] 2 1.835 1.682

[45,] 2 0.743 0.634

[46,] 1 0.338 0.338

[47,] 2 3.038 2.086

[48,] 1 0.987 0.987

[49,] 3 3.372 1.494

[50,] 3 1.017 0.429

[51,] 2 0.849 0.734

[52,] 1 1.680 1.680

[53,] 1 2.807 2.807

[54,] 1 0.827 0.827

[55,] 3 1.984 0.778

[56,] 3 1.186 1.108

[57,] 2 2.208 1.277

[58,] 2 1.595 1.056

[59,] 3 2.159 1.630

[60,] 1 0.760 0.760

[61,] 1 1.346 1.346

[62,] 1 0.157 0.157

[63,] 1 0.305 0.305

[64,] 2 1.160 0.902

[65,] 3 2.806 1.228

[66,] 2 2.022 1.877

[67,] 3 1.756 0.942

[68,] 2 1.004 0.528

[69,] 2 1.199 0.874

[70,] 1 0.302 0.302

[71,] 2 1.790 1.786

[72,] 1 1.747 1.747

[73,] 1 0.199 0.199

[74,] 4 3.495 1.521

[75,] 1 1.033 1.033

[76,] 3 1.579 1.070

[77,] 2 0.307 0.290

[78,] 2 0.503 0.434

[79,] 2 2.747 1.382

[80,] 2 1.088 0.885

[81,] 3 1.863 0.971

[82,] 2 0.687 0.613

[83,] 7 5.002 1.710

[84,] 5 3.906 1.109

[85,] 1 1.035 1.035

[86,] 1 0.218 0.218

[87,] 3 2.832 1.448

[88,] 2 2.190 1.826

[89,] 1 0.805 0.805

[90,] 1 0.438 0.438

[91,] 1 0.537 0.537

[92,] 1 1.817 1.817

[93,] 1 1.094 1.094

[94,] 1 0.548 0.548

[95,] 2 1.432 0.859

[96,] 1 0.080 0.080

[97,] 1 0.329 0.329

[98,] 1 0.193 0.193

[99,] 1 0.085 0.085

[100,] 5 5.295 1.721

[101,] 2 4.290 2.678

[102,] 2 1.131 0.896

[103,] 1 0.344 0.344

[104,] 3 0.846 0.427

[105,] 1 0.688 0.688

[106,] 3 1.700 1.617

[107,] 1 0.821 0.821

[108,] 1 0.169 0.169

[109,] 1 2.340 2.340

[110,] 3 2.997 1.327

[111,] 7 5.329 1.880

[112,] 1 2.018 2.018

[113,] 2 1.648 1.312

[114,] 2 1.246 0.684

[115,] 2 1.097 0.734

[116,] 1 1.925 1.925

[117,] 1 0.179 0.179

[118,] 6 7.592 2.107

[119,] 1 0.579 0.579

[120,] 1 1.710 1.710

[121,] 1 1.509 1.509

[122,] 7 10.495 2.795

[123,] 2 2.881 1.875

[124,] 2 0.884 0.535

[125,] 3 3.294 1.211

[126,] 1 1.907 1.907

[127,] 1 0.391 0.391

[128,] 1 2.242 2.242

[129,] 1 1.468 1.468

[130,] 4 2.600 1.468

[131,] 2 1.365 1.087

[132,] 3 0.561 0.214

[133,] 5 5.422 2.304

[134,] 1 0.179 0.179

[135,] 3 2.448 2.070

[136,] 2 0.271 0.203

[137,] 2 1.200 1.060

[138,] 1 0.717 0.717

[139,] 2 1.667 0.903

[140,] 1 0.520 0.520

[141,] 2 2.630 1.824

[142,] 2 2.140 1.377

[143,] 2 1.640 1.467

[144,] 1 0.214 0.214

[145,] 2 3.133 2.256

[146,] 1 0.141 0.141

[147,] 1 1.769 1.769

[148,] 3 2.213 1.647

[149,] 2 1.844 1.322

[150,] 4 3.588 1.659

[151,] 1 1.071 1.071

[152,] 1 0.943 0.943

[153,] 2 1.961 1.052

[154,] 1 1.808 1.808

[155,] 1 0.581 0.581

[156,] 3 1.699 1.214

[157,] 2 2.740 1.886

[158,] 1 0.994 0.994

[159,] 1 0.250 0.250

> cdf.cop1<-pMvdc(x0,myMvd) ##计算理论联合分布频率

> cdf.cop1

[1] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN