Имеет ли подразумевает независимость X и Y ?
Я знаком только со следующим определением независимости между и Y .
random-variable
independence
stollenm
источник
источник
Ответы:
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 hY ч ( х) час ч ( х) 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
Определим
Мы могли бы отобразить эти вероятности в виде массива
(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 ;
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.Y Икс=0 X=±1 Y X
источник