Имеет ли

9

Имеет ли подразумевает независимость X и Y ?Cov(f(X),Y)=0f(.)XY

Я знаком только со следующим определением независимости между и Y .XY

fx,y(x,y)=fx(x)fy(y)
stollenm
источник
1
Вам нужно , а не только для C o v ( f ( X ) , Y ) = 0Cov(f(X),g(Y))=0 for all (measurable) f(),g()Cov(f(X),Y)=0f()
Дилип

Ответы:

7

Начнем с интуиции. Наклон обычной регрессии наименьших квадратов против ч ( X ) , для любой функции ч , пропорциональна ковариации ч ( X ) и Y . Предполагается, что все регрессии все нулевые (не только линейные). Если вы представляете ( X , Y ), представленное облаком точек (на самом деле, облаком плотности вероятности), то независимо от того, как вы разрежете его по вертикали и измените порядок срезов (который выполняет отображение hYчас(Икс)часчас(Икс)Y(X,Y)h), регрессия остается нулевой. Это подразумевает, что условные ожидания (которые являются функцией регрессии) являются постоянными. Мы могли бы обойтись без условных распределений , сохраняя ожидания постоянными, тем самым разрушая любые шансы на независимость. Поэтому следует ожидать, что заключение не всегда верно.Y

Есть простые контрпримеры. Рассмотрим примерное пространство из девяти абстрактных элементов и дискретную меру с вероятностью, определяемой как

Ω={ωi,j1i,j,1}

P(ω0,0)=0; P(ω0,j)=1/5(j=±1); P(ωi,j=1/10) otherwise.

Определим

Икс(ωя,J)знак равноJ, Y(ωя,J)знак равноя,

Мы могли бы отобразить эти вероятности в виде массива

(121101121)

(со всеми записями , умноженной на ) , индексированных в обоих направлениях по значениям - 1 , 0 , 1 .1/10-1,0,1

Предельные вероятности и F Y ( - 1 ) = F Y ( 1 ) = 4 / 10 ;

еИкс(-1)знак равноеИкс(1)знак равно3/10;еИкс(0)знак равно4/10
как вычислено сумм столбцов и строк сумм массива, соответственно. Так как F X ( 0 ) ф Y ( 0 ) = ( 4 / 10 ) ( 2 / 10 ) 0 = P ( ω 0 , 0 ) = ф X Y ( 0 , 0 ) , эти переменные не являются независимыми.
еY(-1)знак равноеY(1)знак равно4/10;еY(0)знак равно2/10,
еИкс(0)еY(0)знак равно(4/10)(2/10)0знак равноп(ω0,0)знак равноеИксY(0,0),

Это было построено, чтобы сделать условное распределение когда X = 0, отличным от других условных распределений для X = ± 1 . Это можно увидеть, сравнив средний столбец матрицы с другими столбцами. Симметрия в координатах Y и во всех условных вероятностях сразу показывает, что все условные ожидания равны нулю, откуда все ковариации равны нулю, независимо от того, как связанные значения X могут быть переназначены столбцам.YX=0X=±1YX

27

Whuber
источник