高等数学 / 系统课时

随机变量的独立性

随机变量的独立性

随机变量独立表示:知道一个变量的取值,不会改变另一个变量的概率分布。本课将从联合分布与边缘分布出发,建立可直接用于离散型和连续型随机变量的判断方法,并澄清“独立”与“不相关”的区别。

学习目标

  • 写出随机变量独立的统一定义
  • 用联合分布和边缘分布判断独立性
  • 区分独立、互斥与不相关

独立性的本质

设随机变量 XX 和 YY 的分布函数分别为 FX(x)F_X(x)、FY(y)F_Y(y),联合分布函数为 FX,Y(x,y)F_{X,Y}(x,y)。若对任意实数 x,yx,y 都有

FX,Y(x,y)=FX(x)FY(y)F_{X,Y}(x,y)=F_X(x)F_Y(y)

则称 XX 与 YY 相互独立。

这个等式表达的是:事件 {X≤x}\{X\le x\} 与 {Y≤y}\{Y\le y\} 的联合概率,等于两个事件概率的乘积。它必须对所有 x,yx,y 成立,而不是只对某几个取值成立。

联合分布与边缘分布的独立关系

离散型随机变量的判断

若 XX、YY 都是离散型随机变量,独立的等价条件是:对所有可能的 xi,yjx_i,y_j,都有

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)

例如联合分布如下:

X\YX\backslash Y 0 1 边缘概率
0 0.12 0.28 0.40
1 0.18 0.42 0.60
边缘概率 0.30 0.70 1.00

检查四个格子可得:0.12=0.40×0.300.12=0.40\times0.30、0.28=0.40×0.700.28=0.40\times0.70、0.18=0.60×0.300.18=0.60\times0.30、0.42=0.60×0.700.42=0.60\times0.70,因此 XX 与 YY 独立。

判断时应先由联合分布求出行和、列和,再逐格比较。只验证一个格子通常不够,因为其他取值处仍可能不满足乘积关系。

连续型随机变量的判断

若 XX、YY 有联合概率密度 fX,Y(x,y)f_{X,Y}(x,y),边缘密度分别为 fX(x)f_X(x)、fY(y)f_Y(y),则独立的常用判据是

fX,Y(x,y)=fX(x)fY(y)f_{X,Y}(x,y)=f_X(x)f_Y(y)

该等式需要在联合密度的有效区域内成立,并且联合支持区域应能写成 XX 的取值区域与 YY 的取值区域的笛卡尔积。

例如,若联合密度只在三角形区域 0<y<x<10<y<x<1 上非零,即使表达式表面上可以拆成两个因子,XX 和 YY 通常也不独立,因为 YY 的可取范围会随 XX 改变。

独立性带来的计算简化

独立性允许把联合问题拆成两个一维问题。若 XX、YY 独立,并且相关期望存在,则。

E[XY]=E[X]E[Y]E[XY]=E[X]E[Y]

进一步可得

Cov⁡(X,Y)=0\operatorname{Cov}(X,Y)=0

因此,独立一定推出不相关。但反过来不成立:协方差为零只说明二者没有线性关联,仍可能存在非线性依赖。

独立随机变量经过各自的函数变换后仍保持独立。若 XX 与 YY 独立,则 g(X)g(X) 与 h(Y)h(Y) 也独立,这一性质常用于构造复杂随机变量和简化概率计算。

容易混淆的三个概念

“随机变量独立”与“事件互斥”不是同一概念。互斥事件不能同时发生,而独立事件允许同时发生,只是一个事件是否发生不影响另一个事件的概率。两个概率均大于零的互斥事件不可能独立。

“独立”也不等于“样本没有关系”。独立是总体分布的性质,不能仅凭有限样本中看不出趋势就断定独立。

判断多个随机变量时还要区分“两两独立”和“相互独立”。三个变量两两独立,并不一定保证三者的联合分布可以分解为三个边缘分布的乘积。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

随机变量的独立性

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通