三变量独立性的两个结论

本文给出了三随机变量相互独立与条件独立的两个结论．其中结论２表明，三变量如果两两条件独立，则三变量一定相互独立．     

条件期望与三变量独立性的两个充要条件

随机事件的独立性、随机变量的独立性是概率统计中的重要概念,不少学者都在这方面有所讨论.本文作者讨论了三维连续型随机变量（X,Y,Z）中三个分量X,Y,Z的相互独立性、条件独立性,得到三个引理.利用条件期望及三个引理作者给出了三变量相互独立的两个充要条件.     

离散型随机变量的几种独立性及相互关系

随机变量的独立性在概率论中有着十分重要的意义.本文给出了离散型随机变量与离散型随机向量相互独立的概念,条件独立的概念,以及几种独立性的相互关系.     

条件独立性与条件回归独立性

引入随机变量条件独立、强条件回归独立、逐对条件回归独立、连续条件回归独立、邻对条件回归独立、累积条件回归独立诸定义,证明它们之间的等价关系.     

事件独立性的教学中应该注意的两个问题

1　事件独立性的概念定义　设 {Ω ,R ,P}是一个概率空间 ,对任意两个事件A ,B ,若P (AB) =P(A )P(B)成立 ,则称事件A与B相互独立 .用这种方法来定义两个事件的独立性主要基于以下几点理由 :1)在概率意义下 ,式子P(AB) =P(A)P(B)反映了事件A与B之间的某种独立性 .事实上 ,当P(A) >0时 ,由等式P(AB)=P(A)P(B)可以推知P(B A) =P(B) ,这表明事件B发生的概率不受事件A发生与否的影响 ;当P (B) >0时 ,由等式P(AB) =P(A)P(B)同样可推知P(A B)=P(A) ,这表明事件A发生的概率亦不受事件B发生与否的影响 .因此P(AB) =P(A)P(B…     

用矩阵的秩判定二维离散型随机变量独立性

利用线性代数中矩阵的秩,给出了二维离散型随机变量相互独立的一个必要条件和一个充分必要条件,在应用上是很有价值的.     

连续随机变量的随机独立性与回归独立性

回归独立性是指给定随机变量 X时 ,随机变量 Y的条件期望 E( Y|X)不依赖于 X.前人讨论了离散型随机变量回归独立性与随机独立性的关系 ,得到了二者等价的充分必要条件 .对连续型随机变量的情形加以讨论 ,获到了二者等价的几个充分必要条件 ,并说明在统计分析中的应用 .     

如何正确理解两事件的相互独立性

通过实例说明两事件的相互独立性与样本空间Ω的结构有关,与概率测度P的定义方式有关。     

条件数学期望与随机变量独立性的一个充要条件

随机试验的独立性、随机事件的独立性、随机变量的独立性均是概率统计中的重要概念,不少学者都在这些方面有所讨论.本文作者就二维离散形随机向量(ξ,η)中两个分量ξ与η的相互独立性展开讨论.先是证明了三个引理,其中引理1在一般概率论教科书中均有介绍,但为使读者方便,作者也作了证明.利用三个引理,作者找到随机变量独立性的一个充要条件.     

随机变量独立性的一个注记

基于Lebesgue测度论,两个连续型随机变量相互独立的充要条件是:几乎处处有联合概率密度函数等于两个边缘概率密度函数的乘积.对两个随机变量来说,至少在一个非零测度集上,几乎处处有联合概率密度函数不等于两个边缘概率密度函数的乘积成立时,才能说两个随机变量不独立.     

随机变量独立性的判别方法

归纳总结判别随机变量独立性的方法,并借助实例加以说明.     

随机变量独立性的直接判别法

二维离散随机变量相互独立的充要条件是其联合概率矩阵的秩为1;二维连续型随机变量相互独立的充要条件是其联合密度函数可分离变量．     

《概率论与数理统计》中有关独立性一反例的深入分析

独立性是《概率论与数理统计》是的一个非常重要的概念.教学中在说明随机变量函数独立性时会涉及许多反例.本文就有关随机变量函数独立性的一个反例作了进一步的推广分析.     

随机变量独立性判别方法注记

给出了随机变量 X1 ,X2 ,X3相互独立的一个判定方法 .并将此方法中推广到更一般情形.     

随机多个随机变量之和的期望公式的一种新证法

用随机变量之和的分布的卷积公式直接给出随机多个随机变量之和的期望公式的证明 ,避免了原有的证明过程需引入条件期望和全期望公式的麻烦 .     

关于二维连续型随机变量独立性的判断

随机变量的独立性是概率论中最基本的概念之一，通过对它的研究可使一些实际问题的概率模型的具体计算得到简化。因而，关于随机变量的独立性的研究构成了概率的重要课题。本文仅就二维连续型随机变量，给出了两种判断其分量独立性的理论和具体方法，并对其进行了比较。     

随机向量的函数的独立性的一个问题

给出了随机变量Ｘ１,Ｘ２,Ｘ３,Ｘ４每三个相互独立,但Ｘ１&;#177;Ｘ２与Ｘ３&;#177;Ｘ４不相互独立的例子,以及Ｘ１,Ｘ２,Ｘ３每两个相互独立,但Ｘ１&;#177;Ｘ２与Ｘ３不相互独立的例子。     

分布矩阵与随机变量独立性的判定

利用离散型随机变量的联合分布矩阵,得到了离散型随机变量独立性的一种判别方法,并用实例给出了一定的应用。     

多维随机变量序列的最大值和最小值的渐近独立性

设{X_n=(X_(1n),X_(2n),…,X_(mn),≥1}是i.i.d.的m维随机向量序列,Z_(in)=max{X_(i1),X_(i2),…,X_(in)},W_(in)=min{X_(i1),X_(i2),…,X_(in)},1≤i≤m,Z_n=(Z_(1n),Z_(2n),…,Z_(mn)),W_n=(W_(1n),W_(2n)…,W_(mn)).本文得出了W_n与Z_n渐近独立的充分必要条件.