Miałem nadzieję, że ktoś może zaproponować argument wyjaśniający, dlaczego zmienne losowe i , o standardowym rozkładzie normalnym, są statystycznie niezależne. Dowód tego faktu łatwo wywodzi się z techniki MGF, ale uważam ją za wyjątkowo sprzeczną z intuicją.
Byłbym wdzięczny za intuicję tutaj, jeśli w ogóle.
Z góry dziękuję.
EDYCJA : Indeksy dolne nie wskazują statystyk porządkowych, ale obserwacje IID ze standardowej normalnej dystrybucji.
Odpowiedzi:
Są to standardowe normalne dane rozproszone: Zauważ, że rozkład jest okrężny symetryczny.
Po zmianie na i Y 2 =Y1=X2−X1 , skutecznie obracasz i skalujesz oś w następujący sposób:
Nowy układ współrzędnych ma takie samo pochodzenie, jak oryginalny, a oś jest prostokątny. Ze względu na symetrię kołową zmienne są nadal niezależne w nowym układzie współrzędnych.Y2=X1+X2
źródło
Wynik działa dla łącznie normalnie (tj. Z korelacją, - 1 < ρ < 1 ), ze wspólnym σ .(X1,X2) −1<ρ<1 σ
Jeśli znasz kilka podstawowych wyników, to wszystko, czego potrzebujesz:
podejście dobiwan jest zasadniczo w porządku - po prostu wynik jest bardziej ogólny niż rozpatrywany tam przypadek.
źródło
Wynik twierdzisz, aby mogło być prawdziwe nie jest prawdą w ogóle, nawet w przypadku, gdy wszystko to jest znane to, że i X 2 są normalnymi zmiennymi losowymi o identycznym wariancji, ale wynik nie trzymać na zwykłym interpretacji warunku powiedziałeś później:X1 X2
Zwykłą interpretacją kilku ostatnich słów w tym stwierdzeniu jest oczywiście to, że i X 2 są niezależnymi (normalnymi) zmiennymi losowymi, a zatem łącznie normalnymi zmiennymi losowymi.X1 X2
Co można ogólnie powiedzieć? We wszystkim, co mówię poniżej, należy pamiętać, że i Y mają tę samą wariancję , bez względu na to, jakie inne właściwości mogą być im przypisane.X Y
Jeśli i Y są dowolnymi zmiennymi losowymi (uwaga: niekoniecznie normalna) o identycznej wariancji, wówczas X + Y i X - Y są nieskorelowanymi zmiennymi losowymi (to znaczy, że mają zerową kowariancję). Wynika to z faktu, że funkcja kowariancji jest dwuliniowa : cov ( X + Y , X - Y )X Y X+Y X−Y
Tutaj użyliśmy faktcov(X,X)jest po prostu wariancjivar(X)zX(i podobnie dlaY) i, oczywiście,
cov(Y,X)=cov(X,Y). Zauważ, że ten wynik obowiązuje, gdyXiYsą (marginalnie) normalnymi zmiennymi losowymi, ale niekonieczniełącznie
źródło
Najpierw argumentuję za ogólnie identycznie rozmieszczonymi że średnia warunkowa Y 1 uwarunkowana na Y 2 jest stała 0 . Na tej podstawie twierdzę, że kowariancja Y 1 , Y 2X1,X2 Y1 Y2 0 Y1,Y2 wynosi 0. Zatem, w normalności, zerowa kowariancja oznacza niezależność.
Średnia warunkowa
(Caveat: I did not consider the possibility that the conditional mean might not exist.)
Constant conditional mean implies zero correlation/covariance
Intuition: correlation measures how muchY1 tends to increase when Y2 increases. If observing Y2 never changes our mean of Y1 , Y1 and Y2 are uncorrelated.
Proof: By definition, covariance is
Independence
Just by assuming identical distributions forX1,X2 , it was shown that Y1 and Y2 are uncorrelated. When X1,X2 are jointly normal (for example, iid. normal as in the question), their linear combinations Y1,Y2 are also jointly normal and thus uncorrelatedness implies independence.
źródło