令
X,Y
表示连续型随机变量,其联合pdf为
f(x1,x2)
,边缘概率密度分别为
f1(x1),f2(x2)
,与条件pdf
f2|1(x2|x1)
定义一样,我们可以将联合pdf
f(x1,x2)
写成
假设有一个实例,其中
f2|1(x2|x1)
不依赖于
x1
,那么
X2
的边缘pdf为
因此当
f2|1(x2|x1)
不依赖
x1
时,
即如果给定 X1=x1 , X2 的条件分布独立于 x1 的任何假设,那么 f(x1,x2)=f1(x1)f2(x2) 。
同样的讨论对离散情况也成立,下面的定义中括号内对应离散情况。
定义1: 随机变量 X1,X2 有联合pdf f(x1,x2) (联合pmf p(x1,x2) ,边缘pdfs(pmfs)分别为 f1(x1)(p1(x1)),f2(x2)(p2(x2)) ,当且仅当 f(x1,x2)≡f1(x1)f2(x2)(p(x1,x2)≡p1(x1)p2(x2)) 时,我们称随机变量 X1,X2 是独立的,对于不是独立的随机变量我们称为互相依赖。
注1:
对于前面的定义这里给出两点批注。首先,两个正函数
f1(x1)f2(x2)
的乘积是一个函数,在乘积空间上它是正的。即如果
f1(x1),f2(x2)
分别只在空间
S1,S2
上是正的,那么
f1(x1),f2(x2)
只在乘积空间
S={(x1,x2):x1∈S1,x2∈S2}
上是正的。例如,如果
S1={x1:0<x1<1},S2={x2:0<x2<3}
,那么
S={(x1,x2):0<x1<1,0<x2<3}
。第二个批注是关于恒等式,定义1中的恒等式解释如下,存在点
(x1,x2)∈S
使得
f(x1,x2)≠f1(x1)f2(x2)
,然而,如果
A
是这种点的集合,那么
例1:
令
X1,X2
的联合pdf为
我们将说明
X1,X2
是相关的。这里边缘概率密度为
以及
因为 f(x1,x2)≠f1(x1)f2(x2) ,所以随机变量 X1,X2 是相关的。
下面的定理说明在不计算变换概率密度函数的情况下,也能判断随机变量的独立性。
定理1:
令
X1,X2
的支撑分别是
S1,S2
,联合pdf为
f(x1,x2)
,那么当且仅当
f(x1,x2)
可以写成
x1
的非负函数与
x2
非负函数的乘积时,即
他们是独立的,其中 g(x1)geq0,x1∈S1 ,其他地方为零, h(x2)>0,x2∈S2 ,其他地方为零。
证明: 如果 X1,X2 是独立的,那么 f(x1,x2)≡f1(x1)f2(x2) ,其中 f1(x1),f2(x2) 是 X1,X2 的边缘概率密度函数,因此条件 f(x1,x2)≡g(x1)h(x2) 满足。
反过来,如果
f(x1,x2)≡g(x1)h(x2)
,那么对于连续性随机变量,我们有
以及
其中 c1,c2 是常数,不是 x1 或 x2 的函数。而且 c1c2=1 ,因为
这些结果说明
从而 X1,X2 是独立的。 ||
这个定理对离散情况也成立,只需要将联合pdf替换为联合pmf。
如果考虑例1,其联合pdf为
无法写成 x1 的非负函数与 x2 非负函数的乘积,所以 X1,X2 是相关的。
例2: 令随机变量 X1,X2 的pdf为 f(x1,x2)=8x1x2,0<x1<x2<1 ,其他地方为零。 8x1x2 可能说明 X1,X2 是独立的,然而如果考虑空间 S={(x1,x2):0<x1<x2<1} ,可以看出它不是一个乘积空间。显然如果 X1,X2 正概率密度空间的边界既不是水平轴也不是垂直轴的话,那么他们是相关的。
除了pdf(pmf)外,我们还可以用累积分布函数来说明独立性,下面定理给出了等价性。
定理2:
令
(X1,X2)
的联合cdf为
F(x1,x2)
,
X1,X2
的边缘cdf分别为
F1(x1),F2(x2)
,那么
X1,X2
是独立的当且仅当对所有的
(x1,x2)∈R2
,
证明:
我们给出连续情况的证明,假设上式成立,那么混合二阶导为
因此
X1,X2
是独立的。反过来,假设
X1,X2
是独立的,那么根据联合cdf的定义
因此满足定理中的条件。 ||
接下来我们给出一个定理,它简化了设计独立变量的概率计算。
定理3:
随机变量
X1,X2
是独立的随机变量,当且仅当对于每个
a<b,c<d
,其中
a,b,c,d
是常数,下面的条件成立
证明:
如果
X1,X2
是独立的,那么上面的定理说明
右边就是定理中表达式的右边。反过来,如果定理中的条件成立,这就意味着 (X1,X2) 的联合cdf可以分成边缘cdf的乘积,根据定理2可知这就意味着 X1,X2 是独立的。 ||
例3:
定理3中条件需要独立成立才行。例如考虑例1中的相关随机变量
X1,X2
,对于这些随机变量我们有
而
因此定理中的条件不成立。
当随机变量独立时,不仅概率计算变得简单,许多期望,包含矩生成函数,也变得简单。下面定理中的结论非常有用。
定理4:
假设
X1,X2
是独立的且
E(u(X1)),E(v(X2))
存在,那么
证明:
我们给出连续情况的证明。
X1,X2
的独立性说明
X1,X2
的联合pdf为
f1(x1)f2(x2)
,因此根据期望的定义我们有
得证。 ||
例4:
令
X,Y
是两个独立的随机变量,其均值与方差分别为
μ1,μ2,σ21,σ22
。我们将说明
X,Y
的独立性意味着
X,Y
的相关系数为零。这是因为
X,Y
的协方差为
接下来我们证明一个关于独立随机变量非常有用的定理,这个定理的证明依赖于之前mgf的一个性质,当它存在时,它唯一的确定一个概率分布。
定理5:
假设随机变量
X1,X2
的联合mgf
M(t1,t2)
存在,那么
X1,X2
独立,当且仅当
即联合mgf可以分解成边缘mgf的乘积。
证明:
如果
X1,X2
是独立的,那么
因此 X1,X2 的独立性意味着联合分布的mgf可以分解为两个边缘分布的矩生成函数的乘积。
接下来假设
X1,X2
联合分布的mgf为
M(t1,t2)=M(t1,0)M(0,t2)
,接下来
X1
有唯一的mgf,对于连续情况为
同样的,
X2
唯一的mgf为
因此我们有
因为
M(t1,t2)=M(t1,0)M(0,t2)
;所以
但是
M(t1,t2)
是
X1,X2
的mgf,因此
mgf的唯一性说明概率分布是相同的,因此
即如果 M(t1,t2)=M(t1,0)M(0,t2) ,那么 X1,X2 是独立的。对于离散情况,只需要将积分符号换成求和即可。 ||
例5:
令
(X,Y)
是一对随机变量,其联合pdf为
(X,Y)
的mgf为
假设 t1+t2<1,t2<1 。因为 M(t1,t2)≠M(t1,0)M(0,t2) ,所以随机变量不是独立的。