La covariance égale à zéro implique-t-elle l'indépendance des variables aléatoires binaires?

Si et sont deux variables aléatoires qui ne peuvent prendre que deux états possibles, comment puis-je montrer que implique l'indépendance? Ce genre de chose va à l'encontre de ce que j'ai appris à l'époque que n'implique pas l'indépendance ... $X$ $Y$ $Cov(X,Y) = 0$ $Cov(X,Y) = 0$

L'astuce dit de commencer par $1$ et $0$ comme états possibles et de généraliser à partir de là. Et je peux le faire et montrer $E(XY) = E(X)E(Y)$ , mais cela n'implique pas l'indépendance ???

Je ne sais pas comment faire cela mathématiquement, je suppose.

covariance independence

— user3604869
source

Ce n'est pas vrai en général comme le suggère le titre de votre question.

— Michael R. Chernick

La déclaration que vous essayez de prouver est en effet vraie. Si et sont des variables aléatoires de Bernoulli avec respectivement les paramètres et , alors

. Donc,

est égal à

seulement si

X

$X$

Y

$Y$

p_{1}

$p_1$

p_{2}

$p_2$

E [X] = p_{1}

$E[X]=p_1$

E [Y] = p_{2}

$E[Y]=p_2$

cov (X, Y) = E [X Y] - E [X] E [Y]

$\operatorname{cov}(X,Y)=E[XY]-E[X]E[Y]$

0

$0$

E [X Y] = P {X = 1, Y = 1}

$E[XY]=P\{X=1,Y=1\}$ est égal à

p_{1} p_{2} = P {X = 1} P {Y = 1}

$p_1p_2=P\{X=1\}P\{Y=1\}$ montrant que

{X = 1}

$\{X=1\}$ et

{Y = 1}

$\{Y=1\}$ sontdes événementsindépendants. C'est un résultat standard que si

A

$A$ et

B

$B$ sont une paire d'événements indépendants, il en va de même pour

A, B^{c}

$A,B^c$ et

A^{c}, B

$A^c,B$ et

A^{c}, B^{c}

$A^c,B^c$ événements indépendants, c'est-à-dire que

X

$X$ et

Y

$Y$ sont des variables aléatoires indépendantes. Maintenant généralisez.

— Dilip Sarwate

Réponses:

Pour les variables binaires, leur valeur attendue est égale à la probabilité qu'elles soient égales à un. Donc,

E (X Y) = P (X Y = 1) = P (X = 1 \cap Y = 1) E (X) = P (X = 1) E (Y) = P (Y = 1)

$E(XY) = P(XY = 1) = P(X=1 \cap Y=1) \\ E(X) = P(X=1) \\ E(Y) = P(Y=1) \\$

Si les deux ont une covariance nulle, cela signifie $E(XY) = E(X)E(Y)$ , ce qui signifie

P (X = 1 \cap Y = 1) = P (X = 1) \cdot P (Y = 1)

$P(X=1 \cap Y=1) = P(X=1) \cdot P(Y=1)$

Il est trivial de voir toutes les autres probabilités conjointes se multiplier également, en utilisant les règles de base sur les événements indépendants (c'est-à-dire si $A$ et $B$ sont indépendants alors leurs compléments sont indépendants, etc.), ce qui signifie que la fonction de masse conjointe factorise, ce qui est la définition deux variables aléatoires étant indépendantes.

— vieille femme
source

Concis et élégant. Chic! +1 = D

— Marcelo Ventura

La corrélation et la covariance mesurent toutes deux l'association linéaire entre deux variables données et il n'a aucune obligation de détecter une autre forme d'association.

Ces deux variables pourraient donc être associées de plusieurs autres manières non linéaires et la covariance (et, par conséquent, la corrélation) ne pourrait pas faire la distinction avec le cas indépendant.

A titre d'exemple très didactique, artificielle et non réaliste, on peut considérer $X$ tel que $P(X=x)=1/3$ pour $x=−1,0,1$ et également envisager $Y=X^2$ . Notez qu'ils ne sont pas seulement associés, mais l'un est fonction de l'autre. Néanmoins, leur covariance est nulle, car leur association est orthogonale à l'association que la covariance peut détecter.

ÉDITER

En effet, comme indiqué par @whuber, la réponse originale ci-dessus était en fait un commentaire sur la façon dont l'assertion n'est pas universellement vraie si les deux variables n'étaient pas nécessairement dichotomiques. Ma faute!

Alors, faisons le calcul. (L'équivalent local de "Suit up!" De Barney Stinson)

Cas particulier

Si et étaient tous deux dichotomiques, alors vous pouvez supposer, sans perte de généralité, que les deux supposent seulement les valeurs et avec des probabilités arbitraires , et données par $X$ $Y$ $0$ $1$ $p$ $q$ $r$ qui caractérisent complètement la distribution conjointe deet. Reprenant l'indice de @ DilipSarwate, notez que ces trois valeurs sont suffisantes pour déterminer la distribution conjointe de, puisque

\begin{aligned} P (X = 1) = p \in [0, 1] \\ P (Y = 1) = q \in [0, 1] \\ P (X = 1, Y = 1) = r \in [0, 1], \end{aligned}

$\begin{align*} P(X=1) = p \in [0,1] \\ P(Y=1) = q \in [0,1] \\ P(X=1,Y=1) = r \in [0,1], \end{align*}$

X

$X$

Y

$Y$

(X, Y)

$(X,Y)$

(Enpassant, bien sûr,

est tenu de respecter à la fois

\begin{aligned} P (X = 0, Y = 1) & = P (Y = 1) - P (X = 1, Y = 1) = q - r \\ P (X = 1, Y = 0) & = P (X = 1) - P (X = 1, Y = 1) = p - r \\ P (X = 0, Y = 0) & = 1 - P (X = 0, Y = 1) - P (X = 1, Y = 0) - P (X = 1, Y = 1) \\ = 1 - (q - r) - (p - r) - r = 1 - p - q - r . \end{aligned}

$\begin{align*} P(X=0,Y=1) &= P(Y=1) - P(X=1,Y=1) = q - r\\ P(X=1,Y=0) &= P(X=1) - P(X=1,Y=1) = p - r\\ P(X=0,Y=0) &= 1 - P(X=0,Y=1) - P(X=1,Y=0) - P(X=1,Y=1) \\ &= 1 - (q - r) - (p - r) - r = 1 - p - q - r. \end{align*}$

r

$r$

p - r \in [0, 1]

$p-r\in[0,1]$

q - r \in [0, 1]

$q-r\in[0,1]$

au-delà de

, c'est-à-dire

1 - p - q - r \in [0, 1]

$1-p-q-r\in[0,1]$

r \in [0, 1]

$r\in[0,1]$

r \in [0, min (p, q, 1 - p - q)]

$r\in[0,\min(p,q,1-p-q)]$

Notez que peut être égal au produit , ce qui rendrait et indépendants, car $r = P(X=1,Y=1)$ $p\cdot q = P(X=1) P(Y=1)$ $X$ $Y$

\begin{aligned} P (X = 0, Y = 0) & = 1 - p - q - p q = (1 - p) (1 - q) = P (X = 0) P (Y = 0) \\ P (X = 1, Y = 0) & = p - p q = p (1 - q) = P (X = 1) P (Y = 0) \\ P (X = 0, Y = 1) & = q - p q = (1 - p) q = P (X = 0) P (Y = 1) . \end{aligned}

$\begin{align*} P(X=0,Y=0) &= 1 - p - q - pq = (1-p)(1-q) = P(X=0)P(Y=0)\\ P(X=1,Y=0) &= p - pq = p(1-q) = P(X=1)P(Y=0)\\ P(X=0,Y=1) &= q - pq = (1-p)q = P(X=0)P(Y=1). \end{align*}$

Oui, peut être égal à , MAIS il peut être différent tant qu'il respecte les limites ci-dessus. $r$ $pq$

Eh bien, à partir de la distribution conjointe ci-dessus, nous aurions

\begin{aligned} E (X) & = 0 \cdot P (X = 0) + 1 \cdot P (X = 1) = P (X = 1) = p \\ E (Y) & = 0 \cdot P (Y = 0) + 1 \cdot P (Y = 1) = P (Y = 1) = q \\ E (X Y) & = 0 \cdot P (X Y = 0) + 1 \cdot P (X Y = 1) \\ = P (X Y = 1) = P (X = 1, Y = 1) = r \\ C o v (X, Y) & = E (X Y) - E (X) E (Y) = r - p q \end{aligned}

$\begin{align*} E(X) &= 0\cdot P(X=0) + 1\cdot P(X=1) = P(X=1) = p \\ E(Y) &= 0\cdot P(Y=0) + 1\cdot P(Y=1) = P(Y=1) = q \\ E(XY) &= 0\cdot P(XY=0) + 1\cdot P(XY=1) \\ &= P(XY=1) = P(X=1,Y=1) = r\\ Cov(X,Y) &= E(XY) - E(X)E(Y) = r - pq \end{align*}$

Now, notice then that $X$ and $Y$ are independent if and only if $Cov(X,Y)=0$ . Indeed, if $X$ and $Y$ are independent, then $P(X=1,Y=1)=P(X=1)P(Y=1)$ , which is to say $r=pq$ . Therefore, $Cov(X,Y)=r-pq=0$ ; and, on the other hand, if $Cov(X,Y)=0$ , then $r-pq=0$ , which is to say $r=pq$ . Therefore, $X$ and $Y$ are independent.

General Case

About the without loss of generality clause above, if $X$ and $Y$ were distributed otherwise, let's say, for $a<b$ and $c<d$ ,

\begin{aligned} P (X = b) = p \\ P (Y = d) = q \\ P (X = b, Y = d) = r \end{aligned}

$\begin{align*} P(X=b)=p \\ P(Y=d)=q \\ P(X=b, Y=d)=r \end{align*}$ then

X^{'}

$X'$ and

Y^{'}

$Y'$ given by

X^{'} = \frac{X - a}{b - a} and Y^{'} = \frac{Y - c}{d - c}

$X'=\frac{X-a}{b-a} \qquad \text{and} \qquad Y'=\frac{Y-c}{d-c}$ would be distributed just as characterized above, since

X = a \Leftrightarrow X^{'} = 0, X = b \Leftrightarrow X^{'} = 1, Y = c \Leftrightarrow Y^{'} = 0 and Y = d \Leftrightarrow Y^{'} = 1.

$X=a \Leftrightarrow X'=0, \quad X=b \Leftrightarrow X'=1, \quad Y=c \Leftrightarrow Y'=0 \quad \text{and} \quad Y=d \Leftrightarrow Y'=1.$ So

X

$X$ and

Y

$Y$ are independent if and only if

X^{'}

$X'$ and

Y^{'}

$Y'$ are independent.

Also, we would have

\begin{aligned} E (X^{'}) & = E (\frac{X - a}{b - a}) = \frac{E (X) - a}{b - a} \\ E (Y^{'}) & = E (\frac{Y - c}{d - c}) = \frac{E (Y) - c}{d - c} \\ E (X^{'} Y^{'}) & = E (\frac{X - a}{b - a} \frac{Y - c}{d - c}) = \frac{E [(X - a) (Y - c)]}{(b - a) (d - c)} \\ = \frac{E (X Y - X c - a Y + a c)}{(b - a) (d - c)} = \frac{E (X Y) - c E (X) - a E (Y) + a c}{(b - a) (d - c)} \\ C o v (X^{'}, Y^{'}) & = E (X^{'} Y^{'}) - E (X^{'}) E (Y^{'}) \\ = \frac{E (X Y) - c E (X) - a E (Y) + a c}{(b - a) (d - c)} - \frac{E (X) - a}{b - a} \frac{E (Y) - c}{d - c} \\ = \frac{[E (X Y) - c E (X) - a E (Y) + a c] - [E (X) - a] [E (Y) - c]}{(b - a) (d - c)} \\ = \frac{[E (X Y) - c E (X) - a E (Y) + a c] - [E (X) E (Y) - c E (X) - a E (Y) + a c]}{(b - a) (d - c)} \\ = \frac{E (X Y) - E (X) E (Y)}{(b - a) (d - c)} = \frac{1}{(b - a) (d - c)} C o v (X, Y) . \end{aligned}

$\begin{align*} E(X') &= E\left(\frac{X-a}{b-a}\right) = \frac{E(X)-a}{b-a} \\ E(Y') &= E\left(\frac{Y-c}{d-c}\right) = \frac{E(Y)-c}{d-c} \\ E(X'Y') &= E\left(\frac{X-a}{b-a} \frac{Y-c}{d-c}\right) = \frac{E[(X-a)(Y-c)]}{(b-a)(d-c)} \\ &= \frac{E(XY-Xc-aY+ac)}{(b-a)(d-c)} = \frac{E(XY)-cE(X)-aE(Y)+ac}{(b-a)(d-c)} \\ Cov(X',Y') &= E(X'Y')-E(X')E(Y') \\ &= \frac{E(XY)-cE(X)-aE(Y)+ac}{(b-a)(d-c)} - \frac{E(X)-a}{b-a} \frac{E(Y)-c}{d-c} \\ &= \frac{[E(XY)-cE(X)-aE(Y)+ac] - [E(X)-a] [E(Y)-c]}{(b-a)(d-c)}\\ &= \frac{[E(XY)-cE(X)-aE(Y)+ac] - [E(X)E(Y)-cE(X)-aE(Y)+ac]}{(b-a)(d-c)}\\ &= \frac{E(XY)-E(X)E(Y)}{(b-a)(d-c)} = \frac{1}{(b-a)(d-c)} Cov(X,Y). \end{align*}$ So

C o v (X, Y) = 0

$Cov(X,Y)=0$ if and only

C o v (X^{'}, Y^{'}) = 0

$Cov(X',Y')=0$ .

— Marcelo Ventura
source

I recycled that answer from this post.

— Marcelo Ventura

Verbatim cut and paste from your other post. Love it. +1

— gammer

The problem with copy-and-paste is that your answer no longer seems to address the question: it is merely a comment on the question. It would be better, then, to post a comment with a link to your other answer.

— whuber

How is thus an answer to the question asked?

— Dilip Sarwate

Your edits still don't answer the question, at least not at the level the question is asked. You write "Notice that

r \dots

$r~\ldots$ not necessarily equal to the product

p q

$pq$ . That exceptional situation corresponds to the case of independence between

X

$X$ and

Y

$Y$ ." which is a perfectly true statement but only for the cognoscenti because for the hoi polloi, independence requires not just that

\begin{matrix} (1) & P (X = 1, Y = 1) = P (X = 1) P (Y = 1) \end{matrix}

$P(X=1,Y=1)=P(X=1)P(Y=1)\tag 1$ but also

\begin{matrix} (2) & P (X = u, Y = v) = P (X = u) P (Y = v), u . v \in {0, 1} . \end{matrix}

$P(X=u,Y=v)=P(X=u)P(Y=v),~u.v\in\{0,1\}.\tag 2$ Yes,

(1) ⟹ (2)

$(1) \implies(2)$ as the cognoscenti know; for lesser mortals, a proof that

(1) ⟹ (2)

$(1) \implies (2)$ is helpful.

— Dilip Sarwate

IN GENERAL:

The criterion for independence is $F(x,y) = F_X(x)F_Y(y)$ . Or

\begin{matrix} (1) & f_{X, Y} (x, y) = f_{X} (x) f_{Y} (y) \end{matrix}

$f_{X,Y}(x,y)=f_X(x)\,f_Y(y)\tag 1$

"If two variables are independent, their covariance is $0.$ But, having a covariance of $0$ does not imply the variables are independent."

This is nicely explained by Macro here, and in the Wikipedia entry for independence.

$\text {independence} \Rightarrow \text{zero cov}$ , yet

$\text{zero cov}\nRightarrow \text{independence}.$

Great example: $X \sim N(0,1)$ , and $Y= X^2.$ Covariance is zero (and $\mathbb E(XY)=0$ , which is the criterion for orthogonality), yet they are dependent. Credit goes to this post.

IN PARTICULAR (OP problem):

These are Bernoulli rv's, $X$ and $Y$ with probability of success $\Pr(X=1)$ , and $\Pr(Y=1)$ .

$\begin{align}\mathrm{cov}(X,Y)&=\mathrm E[XY] - \mathrm E[X]\,\mathrm E[Y]\\[2ex] &\underset{*}{=} \Pr(X=1 \cap Y=1) - \Pr(X=1)\, \Pr(Y=1)\\[2ex] &\implies \Pr(X=1 , Y=1) = \Pr (X=1)\,\Pr(Y=1). \end{align}$

This is equivalent to the condition for independence in Eq. $(1).$

$(*)$ :

E [X Y] \underset{* *}{=} \sum_{domain X, Y} Pr (X = x \cap Y = y) x y \underset{\neq 0 iff x \times y \neq 0}{=} Pr (X = 1 \cap Y = 1) .

$\mathrm E[XY]\quad \underset{**}{=} \quad \displaystyle \sum_{\text{domain X, Y}} \Pr(X=x\cap Y=y)\, x\,y \underset{\neq\,0\text{ iff } x \times y\neq 0}= \Pr(X=1 \cap Y=1).$

$(**)$ : by LOTUS.

As pointed out below, the argument is incomplete without what Dilip Sarwate had pointed out in his comments shortly after the OP appeared. After searching around, I found this proof of the missing part here:

If events $A$ and $B$ are independent, then events $A^c$ and $B$ are independent, and events $A^c$ and $B^c$ are also independent.

Proof By definition,

$A$ and $B$ are independent $\iff P(A\cap B) = P(A)P(B).$

But $B=(A\cap B) + ( A^c \cup B)$ , so $P(B)= P(A\cap B) + P(A^c \cup B)$ , which yields:

$\small P(A^c \cap B) = P(B) - P(A\cap B) = P(B) - P(A)\,P(B) = P(B) \left[1 - P(A)\right] = P(B)\,P( A^c).$

Repeat the argument for the events $A^c$ and $B^c,$ this time starting from the statement that $A^c$ and $B$ are independent and taking the complement of $B.$

Similarly. $A$ and $B^c$ are independent events.

So, we have shown already that

Pr (X = 1, Y = 1) = Pr (X = 1) Pr (Y = 1)

$\Pr(X=1 , Y=1) = \Pr (X=1)\,\Pr(Y=1)$ and the above shows that this implies that

Pr (X = i, Y = j) = Pr (X = i) Pr (Y = j), i, j \in {0, 1}

$\Pr(X=i , Y=j) = \Pr (X=i)\,\Pr(Y=j), ~~i, j \in \{0,1\}$ that is, the joint pmf factors into the product of marginal pmfs everywhere, not just at

(1, 1)

$(1,1)$ . Hence, uncorrelated Bernoulli random variables

X

$X$ and

Y

$Y$ are also independent random variables.

— Antoni Parellada
source

Actually that's not an equivalent condition to Eq (1). All you showed was that

f_{X, Y} (1, 1) = f_{X} (1) f_{Y} (1)

$f_{X,Y}(1,1) = f_{X}(1) f_{Y}(1)$

— gammer

Please consider replacing that image with your own equations, preferably ones that don't use overbars to denote complements. The overbars in the image are very hard to see.

— Dilip Sarwate

@DilipSarwate No problem. Is it better, now?

— Antoni Parellada

Thanks. Also, note that strictly speaking, you also need to show that

A

$A$ and

B^{c}

$B^c$ are independent events since the factorization of the joint pdf into the product of the marginal pmts must hold at all four points. Perhaps adding the sentence "Similarly.

A

$A$ and

B^{c}

$B^c$ are independent events" right after the proof that

A^{c}

$A^c$ and

B

$B$ are independent events will work.

— Dilip Sarwate

@DilipSarwate Thank you very much for your help getting it right. The proof as it was before all the editing seemed self-explanatory, because of all the inherent symmetry, but it clearly couldn't be taken for granted. I am very appreciative of your assistance.

— Antoni Parellada