随机变量独立和不相关 续

最新推荐文章于 2021-10-24 13:29:49 发布
最新推荐文章于 2021-10-24 13:29:49 发布
阅读量1.7k 收藏
点赞数
分类专栏： 概率论 文章标签： 概率论 协方差
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_25151621/article/details/105675680
版权

网上看到了很多关于随机变量“不相关”“独立”两个概念的辨析，其中很多人用如单位圆来形象说明，但是大多解释并不清晰

附上 陈希孺《概率论和数理统计》中的解释

注释：

（1）陈希孺书中有“不相关”定义即相关系数；这点与威廉,费勒中不一样

（2）独立是从概率（概率密度）角度判断；而不相关是从协方差或相关系数上判断

（3）整体上很难一下子判断是否“不相关”，或判断协方差大小；但是独立性很容易判断，见我博客中《概率论中的独立性》的解释

独孤四叶
关注
专栏目录
【概率论】多维随机变量及其分布
m0_58860329的博客
06-16 1788
文章目录多维随机变量及其分布多维随机变量及联合分布多维随机变量联合分布函数定义基本性质联合分布列定义基本性质联合密度函数定义基本性质边际分布及随机变量的独立性边际分布函数边际分布列边际密度函数随机变量间的独立性条件分布及公式条件分布离散随机变量的条件分布连续随机变量的条件分布连续场合的全概率公式和贝叶斯公式多维随机变量函数的分布卷积公式多维离散随机变量函数的分布泊松分布的可加性二项分布的可加性最大值与最小值的分布最大值分布最小值分布多维连续随机变量函数的分布正态分布的可加性伽马分布的可加性变量变换法 多维随
【概率论】多维随机变量的特征数
m0_58860329的博客
06-16 394
多维随机变量的特征数 数学期望 二维随机变量的数学期望 若二维随机变量 (X,Y)(X,Y)(X,Y) 的分布用联合发布列或联合密度函数表示，则 Z=g(X,Y)Z=g(X,Y)Z=g(X,Y) 的数学期望为 E(Z)={∑i∑jg(xi,yj)P(X=xi,Y=yj)离散∫−∞∞∫−∞∞g(x,y)p(x,y)dxdy连续E(Z)=\left\{ \begin{array}{rcl} \sum\limits_i\sum\limits_jg(x_i,y_j)P(X=x_i,Y=y_j
变量独立与不相关的区别
Bing's Blog
10-22 2万+
在数学期望的性质里有一个性质:随机变量X和Y相互独立，有：E(XY) = E(X)E(Y).事实上这里成立的充要条件是X和Y不相关即可。那么问，相互独立与不相关的关系是什么呢？独立性是指两个变量的发生概率一点关系没有，而相关性通常是指线性关系。如果两个变量不相关，指的是线性关系里不相关，但是不能说它们么有关系，可能是线性以外的其他关系。
独立和不相关 区别及形象理解
koko_TT的博客
02-28 1万+
引 独立与不相关是一个随机过程中随机变量可能具有的两个特性。 这里先给出两者关系定义： 若独立则必然不相关，即有独立=>不相关（条件符号不可反） 若不相关则不一定独立 形象理解 理解： 对于二维坐标来说，如果x与y独立那么就是即便知道了x，任何时候无法确定y，而不相关则不是这样。 在圆中均匀分布了无数个点，无法得出x与y互相变化影响的具体关系，则他们是不相关的，但不能说是...
概率统计：数学期望、方差、协方差、相关系数、矩
weixin_33686714的博客
12-05 929
摘要：最近在学习机器学习/数据挖掘的算法,在看一些paper的时候经常会遇到以前学过的数学公式或者名词,又是总是想不起来,所以在此记录下自己的数学复习过程,方便后面查阅。 1：数学期望 数学期望是随机变量的重要特征之一,随机变量X的数学期望记为E(X),E(X)是X的算术平均的近似值,数学期望表示了X的平均值大小。 当X为离散型随机变量时,并且其分布律为 P(X=xk) ＝ pk ...
随机变量不相关却不一定独立
RandyLeonard的专栏
03-08 1万+
原文：https://www.zhihu.com/question/26583332/answer/33330386(X,Y) 均匀分布在单位元 x^2 + y^2 = 1上<img src="https://pic1.zhimg.com/50/1226d3f907b09cd1aed77e09ea5d0496_hd.jpg" dat...
独立和不相关的区别
wyl1813240346的博客
01-30 10万+
独立一定不相关，不相关不一定独立（高斯过程里二者等价） 。 对于均值为零的高斯随机变量，“独立”和“不相关”等价的。 假设X为一个随机过程，则在t1和t2时刻的随机变量的相关定义如下（两个随机过程一样）： （1）定义Kx（t1，t2）=E{[X（t1）-Mx(t1)][X(t2)-Mx(t2)]}为协方差函数，若K=0，即相关系数为0，则称之为不相关；不相关只是说二者没有线形关系，但并不代表没有任
第三章 二维随机变量及其分布
会思考的浣熊的专栏
02-23 2626
第三章 二维随机变量及其分布一、二维随机变量的联合分布与边缘分布 二维随机变量 设 XX, YY 为随机变量，称 (X,Y)(X, Y) 为二维随机变量。 联合分布函数 F(x,y)=P{X⩽x,Y⩽y} F(x, y) = P\{X \leqslant x, Y \leqslant y\}边际分布函数 FX(x)=P{X⩽x}FY(y)=P{Y⩽y} \begin{gather*} F_X(
03概率论与数理统计笔记 多维随机变量——基于《概率论与数理统计》许忠好
JamSlade的博客
10-24 3125
多维随机变量及其联合分布 定义与性质 X Y是定义在概率空间（Ω，????，P）的随机变量，称（X,Y）为二维随机变量 类似的 若X1……Xd是d个定义在概率空间（Ω，????，P）上的随机变量 称（X1,……，Xd)是d维随机变量 F(x,y)=P(X≤x,Y≤y)F(x,y) = P(X≤x,Y≤y)F(x,y)=P(X≤x,Y≤y) 联合分布函数的性质 1）单调性： F（x,y）关于每个分量单调不降 2）有界性：0≤F(x,y)≤1, F(∞，∞） = 1 3）右连续性：F(x,y)分别关于x,y右
UA MATH564 概率论 多元随机变量的变换 理论与应用2
一个不愿透露姓名的博客
03-08 309
UA MATH564 概率论 多元随机变量的变换 理论与应用2矩母函数法 再介绍一个Jacobi行列式法的例子： 例5 X1,X2,X3∼iidEXP(λ)X_1,X_2,X_3 \sim_{iid} EXP(\lambda)X1​,X2​,X3​∼iid​EXP(λ)，Y1=X1+X2+X3,Y2=X1X1+X2,Y3=X1+X2X1+X2+X3Y_1 = X_1+X_2+X_3,Y_2 = \frac{X_1}{X_1+X_2},Y_3 = \frac{X_1+X_2}{X_1+X_2+X_3}Y1​=
不相关的正态分布随机变量也不一定就独立
qiongyu0422的专栏
11-04 1万+
素材主要来自英文维基百科词条Normally distributed and uncorrelated does not imply independent 我们直接举个例子吧。假设XXX服从正态分布，WWW是一个Rademacher distribution的随机变量，其取值在集合{1,−1}\{1,-1\}{1,−1}中，且概率均为1/2。令Y=WXY=WXY=WX。关于YYY的分布，我们有 ...
随机变量和常数的协方差等于_随机变量不相关和相互独立
weixin_42497828的博客
12-31 4387
一、随机变量的相互独立性(一)概念*注：事件独立是变量独立的基础，原因是X∈x，Y∈y(二)相互独立的充要条件1、联合分布等于边缘分布乘积2、概率密度等于边缘密度乘积(三)独立变量的分布可加性二、随机变量的相关性(一)概念三、不相关和相互独立的判定在期望中有两条关于独立的性质：a. 独立⇒EXY = EY·EXb. 独立⇒D( X+Y ) = DY + DX - 2Cov( X,Y )由...
泊松分布的期望和方差推导
热门推荐
saltriver的专栏
10-30 35万+
泊松分布是一个离散型随机变量分布，其分布律是： P(X=k)=λke−λk! P(X=k)=\frac{\lambda ^{k}e^{-\lambda }}{k!} 根据离散型随机变量分布的期望定义，泊松分布的期望： E(X)=∑k=0∞k⋅λke−λk! E(X)=\sum_{k=0}^{\infty }k\cdot \frac{\lambda ^{k}e^{-\lambda
正交、独立、不相关区别
memory的专栏
12-26 2万+
一、三者的定义 假设X为一个随机过程，则在t1和t2时刻的随机变量的相关定义如下（两个随机过程一样）： （1）定义Rx（t1，t2）=E{X（t1）X（t2）}为相关函数，若R=0，称正交（注意，相关函数为0，不是不相关，而是正交）。正交不仅仅描述确定函数之间的关系，也用以描述随机过程。两个随机过程X(t) Y(t)正交，即E[X(t)Y(t)]=0, 若E[X(t)Y(t)]=E[X
概率论中的独立和不相关的区别
qq_45126579的博客
05-28 5万+
首先，变量间的关系主要有互不相容、对立、独立和互不相关。 独立：有两随机事件 A、B 。 A、B 发生的概率分别为 P(A) 和 P(B) ， AB 事件同时发生的概率为 P(AB) 若 P(A)×P(B)=P(AB) ，则 A 与 B 相互独立。事件 A 发生的概率不影响事件 B 发生的概率，反应的是概率运算上的关系。 不相关：不相关随机变量是指两个变量的相关系数为0的变量，是相互间没有线性关系的变量。 1.不相关是指的两个变量之间没有线性关系，并不一定没有其他关系。而独立指的是两个随机变量之间什么关系都
随机过程中的独立与不相关
yuxiaoxi21的博客
07-29 1万+
个人理解，如有错误，欢迎指正！   相关系数   或   Cov(X,Y)=0   或   时，称X和Y不相关（线性不相关）  时，X和Y相互统计独立  独立是用概率密度函数从本质上定义的，相关是用数字特征二阶矩定义的 因此，独立一定不相关，不相关不一定独立。 对于高斯过程来说，独立和不相关是一样的，因为高斯过程的独立可以用二阶矩表示...
独立与不相关
qq_42578970的博客
05-24 7984
正态分布时独立一定不相关，不相关一定独立。 一般情况下，独立一定不相关，不相关不一定独立。 独立和不相关从字面上看都有“两个东西没关系”的意思.但两者是有区别的.相关性描述的是两个变量是否有线性关系,独立性描述的是两个变量是否有关系。 不相关表示两个变量没有线性关系,但还可以有其他关系,也就是不一定相互独立。 而相互独立，就是完全互不影响，A的结果对B没有影响或干扰 此外E(XY)=E(X)E(Y)的充要条件就是X和Y不相关 ...
浙大概率第四版，证明正态分布随机变量不相关等价于独立
u013238941的专栏
04-23 2万+
证明命题： ∀满足正态分布的随机变量X，Y，有X，Y不相关⇔X,Y独立\forall 满足正态分布的随机变量X，Y，有X，Y不相关\Leftrightarrow X,Y独立∀满足正态分布的随机变量X，Y，有X，Y不相关⇔X,Y独立 如果X,YX,YX,Y独立，则必有X,YX,YX,Y不相关 因为X,YX,YX,Y独立，那么有E(XY)=E(X)E(Y)E(XY)=E(X)E(Y)E(XY)=E...
概率论里的 随机变量相关的严格定义
8rfuz的博客
06-28 1228
很多东西还是要有严格的定义来一步一步推导出来，这样才感觉舒服啊。  以前觉得概率论教材都是一些很显然的东西，所以都没重视。 现在学到后面才越来越发现，前面那些基础定义的重要性！ 随机变量的分布函数的定义： 然后可以得到 密度函数的定义： 然后就是 随机变量之间的独立性的定义了：
随机变量特性：独立、不相关与正交性质解析
- 相互独立：两个随机变量X和Y独立意味着它们的联合分布等于各自分布的乘积，即P(X, Y) = P(X) * P(Y)。 - 不相关：如果E[XY] = E[X]E[Y]，则称X和Y不相关。这是统计独立的充分条件，但不是必要条件。 - 互相正交...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值