Answers:
独立性的最一般和抽象定义使此断言变得微不足道,同时提供了重要的限定条件:两个随机变量是独立的,意味着它们生成的sigma-代数是独立的。因为由sigma代数的可测量函数生成的sigma代数是子代数,所以那些随机变量的任何可测量函数具有独立的代数也是重要的。
(当一个函数不可测量时,它通常不会创建新的随机变量,因此独立的概念甚至都不适用。)
让我们解开定义,看看这有多简单。回想一下,随机变量是在“样本空间”(通过概率研究的结果集)上定义的实值函数。Ω
随机变量通过其值位于实数的各种间隔内的概率进行研究(或更一般地,以简单的方式在间隔之外构造的集合:这是Borel可测量的实数集)。
与任何Borel可测集是事件由所有结局组成,其中位于。 ω X (ω )我
生成的西格玛代数由所有此类事件的集合确定。
天真的定义说两个随机变量和 “在它们的概率相乘时” 是独立的。也就是说,当是一个Borel可测集,而是另一个时,则ÿĴ
但是在事件(和sigma代数)的语言中,这与
现在考虑两个函数并假设和是随机变量。(圆是函数组成:。这就是表示“随机变量的函数”的意思。)注意-只是基本的集合论 ˚F ∘ X 克∘ ý (˚F ∘ X )(ω )= ˚F (X (ω ))˚F
换句话说,由生成的每个事件(位于左侧)自动是由生成的事件X ˚F ∘ X 克∘ ÿ(如右侧形式所示)。因此,(5)会自动保持和:无需检查!
注意:您可以在任何地方用“的值”替换“实际值”,而无需进行任何实质性更改。这涵盖了向量值随机变量的情况。
考虑以下“欠高级”证明:
令,其中是独立的随机变量,而是可测量的函数。然后: 使用独立性 X ,ÿ ˚F ,克P { ˚F (X )≤ X 和 克(ÿ )≤ ÿ }
这样做是为了通知该组 因此对X有效的属性被扩展为f (X ),并且对于X