本文介绍: 由事件独立性随机变量独立性,从分布函数密度函数,直观上非常容易记忆,但是这里面其实是由细微的差异的,注意到这些细微的差异,对于构建严格逻辑闭环,扎实数学的地基有一定作用。

随机变量独立性是这样定义的:

如果对任意

x

,

y

x, y

x,y 都有

P

{

X

x

,

Y

y

}

=

P

{

X

x

}

P

{

Y

y

}

P{Xleq x,Yleq y} = P{Xleq x }P{Yleq y}

P{Xx,Yy}=P{Xx}P{Yy}

F

(

x

,

y

)

=

F

X

(

x

)

F

Y

(

y

)

F(x,y)=F_X(x)F_Y(y)

F(x,y)=FX(x)FY(y)
则称随机变量

X

X

X

Y

Y

Y相互独立

事件A与事件B相互独立

我们知道事件相互独立本质其实是,事件A是否发生对事件B发生的概率影响,同时,事件B是否发生对事件A发生的概率无影响。也就是

P

(

A

)

=

P

(

A

B

)

P(A) = P(A|B)

P(A)=P(AB)

P

(

B

)

=

P

(

B

A

)

P(B)=P(B|A)

P(B)=P(BA),根据条件概率公式

P

(

A

)

=

P

(

A

B

)

=

P

(

A

,

B

)

P

(

B

)

P(A) = P(A|B) = frac{P(A,B)}{P(B)}

P(A)=P(AB)=P(B)P(A,B)
我们可以得到:

P

(

A

)

P

(

B

)

=

P

(

A

B

)

P(A)P(B) = P(AB)

P(A)P(B)=P(AB)
同样

P

(

B

)

=

P

(

B

A

)

P(B)=P(B|A)

P(B)=P(BA)也能得到

P

(

A

)

P

(

B

)

=

P

(

A

B

)

P(A)P(B) = P(AB)

P(A)P(B)=P(AB)
反过来,

P

(

A

)

P

(

B

)

=

P

(

A

B

)

P(A)P(B)=P(AB)

P(A)P(B)=P(AB)
能得到:

P

(

A

)

=

P

(

A

B

)

P

(

B

)

=

P

(

A

B

)

P

(

B

)

=

P

(

A

B

)

P

(

A

)

=

P

(

B

A

)

P(A) = frac{P(AB)}{P(B)} = P(A|B) \ P(B) = frac{P(AB)}{P(A)} = P(B|A)

P(A)=P(B)P(AB)=P(AB)P(B)=P(A)P(AB)=P(BA)

所以事件独立性的定义是:

A

,

B

A,B

A,B两事件满足等式

P

(

A

B

)

=

P

(

A

)

P

(

B

)

P(AB) = P(A)P(B)

P(AB)=P(A)P(B)
则称

A

A

A

B

B

B 相互独立

随机变量X与随机变量Y相互独立

根据事件的独立性,我们自然而然地有随机变量

X

X

X

Y

Y

Y相互独立的本质

X

X

X

Y

Y

Y取值互不影响,用分布函数条件概率来解释就是:

P

{

X

x

}

=

P

{

X

x

Y

y

}

P

{

Y

y

}

=

P

{

Y

y

X

x

}

P{Xleq x}=P{Xleq x | Yleq y}\ P{Yleq y}=P{Yleq y | Xleq x}

P{Xx}=P{XxYy}P{Yy}=P{YyXx}
即:

P

{

X

x

}

=

P

{

X

x

Y

y

}

=

P

{

X

x

,

Y

y

}

P

{

Y

y

}

P

{

Y

y

}

=

P

{

Y

y

X

x

}

=

P

{

X

x

,

Y

y

}

P

{

X

x

}

P{Xleq x}=P{Xleq x | Yleq y}=frac{P{Xleq x,Yleq y}}{P{Yleq y}}\ P{Yleq y}=P{Yleq y | Xleq x}=frac{P{Xleq x,Yleq y}}{P{Xleq x}}

P{Xx}=P{XxYy}=P{Yy}P{Xx,Yy}P{Yy}=P{YyXx}=P{Xx}P{Xx,Yy}

我们就能得到随机变量

X

X

X

Y

Y

Y相互独立的定义:

P

{

X

x

,

Y

y

}

=

P

{

X

x

}

P

{

Y

y

}

P{Xleq x, Yleq y} = P{Xleq x}P{Yleq y}

P{Xx,Yy}=P{Xx}P{Yy}
用分布函数即:

F

(

x

,

y

)

=

F

X

(

x

)

F

Y

(

y

)

F(x,y)=F_X(x)F_Y(y)

F(x,y)=FX(x)FY(y)

随机变量X与Y相互独立以概率分布(离散型)或者概率密度(连续型)形式的充要条件

离散型随机变量

X

X

X

Y

Y

Y 相互独立的充要条件

任意

i

,

j

=

1

,

2

,

.

.

.

i,j=1,2,…

i,j=1,2,

P

{

X

=

x

i

,

Y

=

y

j

}

=

P

{

X

=

x

i

}

P

{

Y

=

y

j

}

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},即

p

i

j

=

p

i

p

j

p_{ij}=p_{icdot}p_{cdot j}

pij=pipj.

证明:

P

{

X

=

x

i

,

Y

=

y

j

}

=

P

{

X

x

i

,

Y

y

j

}

P

{

X

<

x

i

,

Y

y

j

}

P

{

X

x

i

,

Y

<

y

j

}

+

P

{

X

<

x

i

,

Y

<

y

j

}

=

P

{

X

x

i

}

P

{

Y

y

j

}

P

{

X

<

x

i

}

P

{

Y

y

j

}

P

{

X

x

i

}

P

{

Y

<

y

j

}

+

P

{

X

<

x

i

}

P

{

Y

<

y

j

}

=

(

P

{

X

x

i

}

P

{

X

<

x

i

}

)

P

{

Y

y

j

}

(

P

{

X

x

i

}

P

{

X

<

x

i

}

)

P

{

Y

<

y

j

}

=

P

{

X

=

x

i

}

P

{

Y

y

j

}

P

{

X

=

x

i

}

P

{

Y

<

y

j

}

=

P

{

X

=

x

i

}

(

P

{

Y

y

j

}

P

{

Y

<

y

j

}

)

=

P

{

X

=

x

i

}

P

{

Y

=

y

j

}

begin{align*} P{X= x_i, Y= y_j} &amp;= P{Xleq x_i,Yleq y_j} – P{X< x_i,Yleq y_j}-P{Xleq x_i,Y< y_j}+P{X< x_i,Y< y_j}\ &amp;= P{Xleq x_i}P{Yleq y_j} – P{X< x_i}P{Yleq y_j}-P{Xleq x_i}P{Y< y_j}+P{X< x_i}P{Y< y_j}\ &amp;= (P{Xleq x_i} – P{X< x_i})P{Yleq y_j} – (P{Xleq x_i}-P{X< x_i})P{Y< y_j}\ &amp;= P{X= x_i}P{Yleq y_j}-P{X= x_i}P{Y< y_j} \ &amp;= P{X= x_i}(P{Yleq y_j}-P{Y< y_j})\ &amp;= P{X=x_i}P{Y=y_j} end{align*}

P{X=xi,Y=yj}=P{Xxi,Yyj}P{X<xi,Yyj}P{Xxi,Y<yj}+P{X<xi,Y<yj}=P{Xxi}P{Yyj}P{X<xi}P{Yyj}P{Xxi}P{Y<yj}+P{X<xi}P{Y<yj}=(P{Xxi}P{X<xi})P{Yyj}(P{Xxi}P{X<xi})P{Y<yj}=P{X=xi}P{Yyj}P{X=xi}P{Y<yj}=P{X=xi}(P{Yyj}P{Y<yj})=P{X=xi}P{Y=yj}

连续型随机变量

X

X

X

Y

Y

Y 相互独立的充要条件

任意

x

,

y

x,y

x,y

f

(

x

,

y

)

=

f

X

(

x

)

f

Y

(

y

)

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

f(x,y)=fX(x)fY(y).

F

(

x

,

y

)

=

x

y

f

(

x

,

y

)

d

x

d

y

F

X

(

x

)

F

Y

(

y

)

=

x

f

X

(

x

)

d

x

y

f

Y

(

y

)

d

y

=

x

y

f

X

(

x

)

f

Y

(

y

)

d

x

d

y

begin{align*} F(x,y)&amp;= int_{-infty}^xint_{-infty}^yf(x,y)dxdy\ F_X(x)F_Y(y) &amp;= int_{-infty}^xf_X(x)dxint_{-infty}^yf_Y(y)dy\ &amp;= int_{-infty}^xint_{-infty}^yf_X(x)f_Y(y)dxdy\ end{align*}

F(x,y)FX(x)FY(y)=xyf(x,y)dxdy=xfX(x)dxyfY(y)dy=xyfX(x)fY(y)dxdy
根据定义:

F

(

x

,

y

)

=

F

X

(

x

)

F

Y

(

y

)

F(x,y)=F_X(x)F_Y(y)

F(x,y)=FX(x)FY(y)
即:

x

y

f

(

x

,

y

)

d

x

d

y

=

x

y

f

X

(

x

)

f

Y

(

y

)

d

x

d

y

int_{-infty}^xint_{-infty}^yf(x,y)dxdy=int_{-infty}^xint_{-infty}^yf_X(x)f_Y(y)dxdy

xyf(x,y)dxdy=xyfX(x)fY(y)dxdy
可推出:

f

(

x

,

y

)

=

f

X

(

x

)

f

Y

(

y

)

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

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

总结

由事件的独立性到随机变量的独立性,从分布函数密度函数,直观上非常容易记忆,但是这里面其实是由细微的差异的,注意到这些细微的差异,对于构建严格逻辑闭环,扎实数学的地基有一定作用。

原文地址:https://blog.csdn.net/weixin_40064300/article/details/134708075

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任

如若转载,请注明出处:http://www.7code.cn/show_21234.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱suwngjj01@126.com进行投诉反馈,一经查实,立即删除

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注