08-随机变量的相互独立性

随机变量的相互独立性

一、二维随机变量的相互独立性

定义 设 F(x,y)F(x,y)F(x,y) 及 FX(x),FY(y)F_X(x), F_Y(y)FX(x),FY(y)分别是二维随机变量(X,Y)(X,Y)(X,Y)的分布函数及边缘分布函数.若对所有的x,yx,yx,y有

P{X≤x,Y≤y}=P{X≤x}⋅P{Y≤y} P\{X \le x, Y \le y\} = P\{X \le x\}\cdot P\{Y \le y\} P{X≤x,Y≤y}=P{X≤x}⋅P{Y≤y}

即 F(x,y)=FX(x)⋅FY(y)F(x,y) = F_X(x) \cdot F_Y(y)F(x,y)=FX(x)⋅FY(y)

则称随机变量XXX 和 YYY是 相互独立的

设 (X,Y)(X, Y)(X,Y) 是连续型随机变量,f(x,y)f(x, y)f(x,y)、fX(x)f_X(x)fX(x)、fY(y)f_Y(y)fY(y) 分别为 (X,Y)(X, Y)(X,Y) 的概率密度和边缘概率密度,若

f(x,y)=fX(x)fY(y) f(x, y) = f_X(x) f_Y(y) f(x,y)=fX(x)fY(y)

则 XXX 和 YYY 相互独立的


当 (X,Y)(X, Y)(X,Y) 是离散型随机变量时,XXX 和 YYY 相互独立的条件式等价于:对于 (X,Y)(X, Y)(X,Y) 的所有可能取的值 (xi,yj)(x_i, y_j)(xi,yj) 有

P{X=xi,Y=yj}=P{X=xi}P{Y=yj} P\{X = x_i, Y = y_j\} = P\{X = x_i\} P\{Y = y_j\} P{X=xi,Y=yj}=P{X=xi}P{Y=yj}

二、n维随机变量的相互独立性

定义 设nnn维随机变量 (X1,X2,⋯ ,Xn)(X_1, X_2, \cdots, X_n)(X1,X2,⋯,Xn) 的分布函数为

F(x1,x2,⋯ ,xn)=P{X1≤x1,X2≤x2,⋯ ,Xn≤xn}, F(x_1, x_2, \cdots, x_n) = P\{X_1 \leq x_1, X_2 \leq x_2, \cdots, X_n \leq x_n\}, F(x1,x2,⋯,xn)=P{X1≤x1,X2≤x2,⋯,Xn≤xn},

其中 x1,x2,⋯ ,xnx_1, x_2, \cdots, x_nx1,x2,⋯,xn 为任意实数。

若对于所有的 x1,x2,⋯ ,xnx_1, x_2, \cdots, x_nx1,x2,⋯,xn 有

F(x1,x2,⋯ ,xn)=FX1(x1)FX2(x2)⋯FXn(xn) F(x_1, x_2, \cdots, x_n) = F_{X_1}(x_1) F_{X_2}(x_2) \cdots F_{X_n}(x_n) F(x1,x2,⋯,xn)=FX1(x1)FX2(x2)⋯FXn(xn)

则称 X1,X2,⋯ ,XnX_1, X_2, \cdots, X_nX1,X2,⋯,Xn ​ 是相互独立的。

若对于所有的 x1,x2,⋯ ,xm,y1,y2,⋯ ,ynx_1, x_2, \cdots, x_m, y_1, y_2, \cdots, y_nx1,x2,⋯,xm,y1,y2,⋯,yn 有

F(x1,x2,⋯ ,xm,y1,y2,⋯ ,yn)=FX(x1,x2,⋯ ,xm)FY(y1,y2,⋯ ,yn) F(x_1, x_2, \cdots, x_m, y_1, y_2, \cdots, y_n) = F_{X}(x_1, x_2, \cdots, x_m) F_{Y}(y_1, y_2, \cdots, y_n) F(x1,x2,⋯,xm,y1,y2,⋯,yn)=FX(x1,x2,⋯,xm)FY(y1,y2,⋯,yn)

其中 FX,FYF_{X}, F_{Y}FX,FY 为随机变量 (X1,X2,⋯ ,Xm)(X_1, X_2, \cdots, X_m)(X1,X2,⋯,Xm) 和 (Y1,Y2,⋯ ,Yn)(Y_1, Y_2, \cdots, Y_n)(Y1,Y2,⋯,Yn) 的分布函数,则称随机变量 (X1,X2,⋯ ,Xm)(X_1, X_2, \cdots, X_m)(X1,X2,⋯,Xm) 和 (Y1,Y2,⋯ ,Yn)(Y_1, Y_2, \cdots, Y_n)(Y1,Y2,⋯,Yn) 是相互独立的。

定理 设 (X1,X2,⋯ ,Xm)(X_1, X_2, \cdots, X_m)(X1,X2,⋯,Xm) 和 (Y1,Y2,⋯ ,Yn)(Y_1, Y_2, \cdots, Y_n)(Y1,Y2,⋯,Yn) 相互独立,则 Xi (i=1,2,⋯ ,m)X_i \, (i = 1, 2, \cdots, m)Xi(i=1,2,⋯,m) 和 Yj (j=1,2,⋯ ,n)Y_j \, (j = 1, 2, \cdots, n)Yj(j=1,2,⋯,n) 相互独立。又若 h,gh, gh,g 是连续函数,则 h(X1,X2,⋯ ,Xm)h(X_1, X_2, \cdots, X_m)h(X1,X2,⋯,Xm) 和 g(Y1,Y2,⋯ ,Yn)g(Y_1, Y_2, \cdots, Y_n)g(Y1,Y2,⋯,Yn) 相互独立。

相关推荐
FPGA信号处理5 天前
【应用随机过程】:更新过程与马尔可夫链入门
算法·概率论
金色光环8 天前
【概率论详细笔记】泊松分布是怎么来的?应该怎么用?
笔记·概率论
Samson Bruce10 天前
【数学之美】
线性代数·算法·概率论
程序猿阿森11 天前
【机器学习实战】朴素贝叶斯算法详解:从概率基础到商品评论情感分析
算法·机器学习·概率论
坐看风云变幻14 天前
《飞控数学与控制 · 新手入门连载》第 4 期|概率论与高斯分布:为什么 IMU 永远“测不准“
概率论
努力努力再努力wz15 天前
【机器学习入门系列】从随机事件到正态分布:一文梳理概率论的核心知识
人工智能·机器学习·概率论
没有钱的钱仔16 天前
最大似然估计(MLE)通俗理解
算法·机器学习·概率论
FPGA信号处理18 天前
【信号检测与估计】第一次作业:无偏性、均方误差与最小方差无偏估计
人工智能·机器学习·概率论
for_ever_love__22 天前
概率与统计——分布、期望与贝叶斯,语言模型的建模基础
python·机器学习·大模型·概率论
lisw0523 天前
概率论:事件之间的关系与运算!
数据分析·概率论