统计由来已久的提醒是“uncorrelatedness并不能意味着独立”。通常,这种提醒是在心理上舒缓的(并且在科学上正确的)陈述中进行补充的:“尽管如此,这两个变量共同正态分布,但不相关的确意味着独立”。
我可以将快乐异常的数量从一增加到两个:当两个变量是伯努利分布时,那么不相关又意味着独立。如果和是两个Bermoulli rv,则,其中我们有,类似地对于,它们的协方差为
对于不相关性,我们要求协方差为零,因此
这也是变量独立所需要的条件。
所以我的问题是:您是否知道其他任何分布(连续或离散)的不相关性意味着独立性?
含义:假设两个随机变量具有边际属于相同的分布(或许与所涉及的分布参数不同的值)的分布,但让我们用同样支持如说。两个指数,两个三角形等。方程所有解是否都由于所涉及的分布函数的形式/性质而隐含着独立性?正态边际(也假定它们具有二元正态分布)和伯努利边际都是这种情况-还有其他情况吗?
这样做的动机是,与检查独立性是否成立相比,通常更容易检查协方差是否为零。因此,如果在给定理论分布的情况下,通过检查协方差,您还在检查独立性(例如伯努利或正态情况),那么这将是一件有用的事情。
如果从两个具有正常边际的rv中得到两个样本,我们就会知道,如果我们可以从这些样本统计得出它们的协方差为零,那么我们也可以说它们是独立的(但仅因为它们具有正常的边际)。知道我们是否可以在两个rv具有属于其他分布的边际的情况下同样得出结论将很有用。