Z podręcznika przeczytałem, że nie gwarantuje, że X i Y są niezależne. Ale jeśli są niezależni, ich kowariancja musi wynosić 0. Nie potrafiłem jeszcze wymyślić żadnego właściwego przykładu; czy ktoś mógłby to zapewnić?
independence
covariance
Latająca świnia
źródło
źródło
Odpowiedzi:
Prosty przykład: niech będzie zmienną losową, która wynosi lub z prawdopodobieństwem 0,5. Niech więc będzie zmienną losową, tak że jeśli , a jest losowo lub z prawdopodobieństwem 0,5, jeśli .- 1 + 1 Y Y = 0 X = - 1 Y - 1 + 1 X = 1X −1 +1 Y Y=0 X=−1 Y −1 +1 X=1
Najwyraźniej i są wysoce zależne (ponieważ znajomość pozwala mi doskonale poznać ), ale ich kowariancja wynosi zero: oba mają zerową średnią, iT Y XX Y Y X
Lub bardziej ogólnie, weź dowolny rozkład i dowolny taki, że dla wszystkich (tj. Łączny rozkład, który jest symetryczny wokół osi ) i zawsze będziesz mieć zerową kowariancję. Ale będziesz miał niezależność, ilekroć ; tzn. warunki warunkowe nie są równe wartości brzeżnej. Lub to samo dla symetrii wokół osi .P(X) P(Y|X) P(Y=a|X)=P(Y=−a|X) X x P(Y|X)≠P(Y) y
źródło
Oto przykład, który zawsze daję uczniom. Weź zmienną losową o i , np. Normalna zmienna losowa ze średnią zero. Weź . Oczywiste jest, że i są powiązane, aleX EX=0 EX3=0 Y=X2 X Y
źródło
Poniższy obraz (źródłowa Wikipedia ) zawiera wiele przykładów w trzecim rzędzie, w szczególności pierwszy i czwarty przykład mają silną zależność, ale 0 korelacji (i 0 kowariancji).
źródło
W niektórych innych przykładach rozważ punkty danych, które tworzą okrąg lub elipsę, kowariancja wynosi 0, ale znając x zawęzisz y do 2 wartości. Lub dane w kwadracie lub prostokącie. Również dane, które tworzą X, V, ^ lub <lub>, dają kowariancję 0, ale nie są niezależne. Jeśli y = sin (x) (lub cos) i x obejmuje całkowitą wielokrotność kropek, to cov będzie równe 0, ale znając x znasz y lub przynajmniej | y | w przypadkach elipsy, x, <i>.
źródło