Mobile wallpaper 1Mobile wallpaper 2Mobile wallpaper 3Mobile wallpaper 4Mobile wallpaper 5Mobile wallpaper 6
383 words
2 minutes
2.7 独立性

2.7 独立性#

随机变量与事件的独立性#

  • XX独立于AA当且仅当:pXA(x)=pX(x)p_{X|A}(x) = p_X(x) 对所有xx成立
  • 等价条件:P(X=x 和 A)=pX(x)P(A)P(X=x \text{ 和 } A) = p_X(x)P(A)

随机变量间的独立性#

  • XXYY独立当且仅当:pX,Y(x,y)=pX(x)pY(y)p_{X,Y}(x,y) = p_X(x)p_Y(y) 对所有x,yx,y成立
  • 等价条件:pXY(xy)=pX(x)p_{X|Y}(x|y) = p_X(x) 对所有xxpY(y)>0p_Y(y)>0yy成立

条件独立性#

  • 在给定事件AA下,XXYY条件独立当且仅当: pX,YA(x,y)=pXA(x)pYA(y)p_{X,Y|A}(x,y) = p_{X|A}(x)p_{Y|A}(y)
  • 等价条件:pXY,A(xy)=pXA(x)p_{X|Y,A}(x|y) = p_{X|A}(x)

独立随机变量的重要性质#

期望性质#

  1. 乘积期望E[XY]=E[X]E[Y]E[XY] = E[X]E[Y]
  2. 函数独立性:对任意函数gghh,有 E[g(X)h(Y)]=E[g(X)]E[h(Y)]E[g(X)h(Y)] = E[g(X)]E[h(Y)]

方差性质#

  • 方差可加性var(X+Y)=var(X)+var(Y)\text{var}(X + Y) = \text{var}(X) + \text{var}(Y)
  • 推导关键E[X^Y^]=E[X^]E[Y^]=0E[\hat{X}\hat{Y}] = E[\hat{X}]E[\hat{Y}] = 0,其中X^=XE[X]\hat{X} = X - E[X]

多个随机变量的独立性#

  • X1,X2,,XnX_1, X_2, \cdots, X_n相互独立当且仅当: pX1,X2,,Xn(x1,x2,,xn)=i=1npXi(xi)p_{X_1,X_2,\cdots,X_n}(x_1,x_2,\cdots,x_n) = \prod_{i=1}^n p_{X_i}(x_i)
  • 独立随机变量的函数也独立

独立随机变量和的性质#

  • 对于相互独立的X1,,XnX_1, \cdots, X_nvar(i=1nXi)=i=1nvar(Xi)\text{var}\left(\sum_{i=1}^n X_i\right) = \sum_{i=1}^n \text{var}(X_i)

应用实例#

样本均值的性质#

  • 定义:Sn=X1++XnnS_n = \dfrac{X_1 + \cdots + X_n}{n}
  • 对于独立同分布的X1,,XnX_1, \cdots, X_n
    • E[Sn]=E[X]E[S_n] = E[X]
    • var(Sn)=var(X)n\text{var}(S_n) = \dfrac{\text{var}(X)}{n}

二项分布的方差#

  • XBinomial(n,p)X \sim \text{Binomial}(n,p),可表示为nn个独立伯努利随机变量之和
  • var(X)=np(1p)\text{var}(X) = np(1-p)

泊松分布的方差#

  • 作为二项分布的极限,var(X)=λ\text{var}(X) = \lambda

独立性与条件独立性的关系#

  • 独立性不蕴含条件独立性
  • 条件独立性不蕴含独立性
  • 两者是不同概念,互不包含
2.7 独立性
https://miku.nikonikoni.blog/posts/propability_theory/2-7-independence/
Author
nikonikoni
Published at
2025-11-26
License
Unlicensed

Some information may be outdated

封面
Sample Song
Sample Artist
封面
Sample Song
Sample Artist
0:00 / 0:00