不相关的正态分布随机变量也不一定就独立

本文通过实例说明,两个服从正态分布且线性不相关的随机变量X和Y,即使它们的协方差为0,也不一定独立。通过构造X和一个Rademacher分布的随机变量W的乘积Y,证明了Y也服从正态分布,而X与Y的关系满足∣X∣=∣Y∣,从而表明它们并不独立。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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 X X X服从正态分布, W W W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 = W X Y=WX Y=WX。关于 Y Y Y的分布,我们有
F Y ( y ) = P ( Y ≤ y ) = P ( X ≤ y ∣ W = 1 ) P ( W = 1 ) + P ( X ≥ − y ∣ W = − 1 ) P ( W = − 1 ) = 1 2 [ F X ( y ) + 1 − F X ( − y ) ] \begin{aligned} F_Y(y) &= P(Y\leq y) \\ &= P(X\leq y|W=1)P(W=1) + P(X\geq -y|W=-1)P(W=-1) \\ &= \frac{1}{2}[ F_X(y) + 1-F_X(-y)] \end{aligned} FY(y)=P(Y

### 独立正态分布的定义与特性 独立正态分布是指两个多个随机变量各自服从正态分布,并且它们之间相互独立。以下是对独立正态分布的定义和特性的详细说明: #### 定义 独立正态分布指的是多个随机变量 \( X_1, X_2, \ldots, X_n \),其中每个随机变量都服从正态分布,即 \( X_i \sim N(\mu_i, \sigma_i^2) \),并且这些随机变量之间没有任何依赖关系。换句话说,一个随机变量的取值不会对另一个随机变量的取值产生影响[^1]。 #### 特性 1. **均值和方差的线性组合** 如果 \( X_1 \sim N(\mu_1, \sigma_1^2) \) 和 \( X_2 \sim N(\mu_2, \sigma_2^2) \) 是两个独立正态分布随机变量,则它们的线性组合 \( aX_1 + bX_2 \) 仍然服从正态分布,其均值为 \( a\mu_1 + b\mu_2 \),方差为 \( a^2\sigma_1^2 + b^2\sigma_2^2 \)[^2]。 2. **加法性** 如果两个独立正态分布随机变量相加,则结果仍然是正态分布。例如,若 \( X_1 \sim N(\mu_1, \sigma_1^2) \) 和 \( X_2 \sim N(\mu_2, \sigma_2^2) \),则 \( X_1 + X_2 \sim N(\mu_1 + \mu_2, \sigma_1^2 + \sigma_2^2) \)[^2]。 3. **概率密度函数(PDF)** 每个独立正态分布随机变量的概率密度函数可以表示为: \[ f(x \mid \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \] 当多个随机变量独立时,它们的联合概率密度函数是各个随机变量概率密度函数的乘积[^3]。 4. **中心极限定理的应用** 根据中心极限定理,当样本量足够大时,许多独立随机变量的和趋向于正态分布,即使这些变量本身并不服从正态分布。这一性质在统计推断中具有重要意义。 5. **无相关性等价于独立性** 对于正态分布随机变量,如果它们不相关(即协方差为零),则它们一定是独立的。这是正态分布的一个特殊性质[^1]。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm # 定义两个独立正态分布 mu1, sigma1 = 0, 1 # 第一个正态分布的均值和标准差 mu2, sigma2 = 2, 0.5 # 第二个正态分布的均值和标准差 x = np.linspace(-4, 6, 1000) pdf1 = norm.pdf(x, mu1, sigma1) pdf2 = norm.pdf(x, mu2, sigma2) # 绘制概率密度函数 plt.plot(x, pdf1, label=f'N({mu1}, {sigma1}^2)') plt.plot(x, pdf2, label=f'N({mu2}, {sigma2}^2)') plt.legend() plt.title("Independent Normal Distributions") plt.xlabel("x") plt.ylabel("Probability Density") plt.show() ```
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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