Сначала измерьте зависимость совместной таблицы. Затем рассмотрите процессы, где общий параметр, условие на сумму или история меняют смысл вероятностного вывода.
Для сравнения законов постройте совместный эксперимент. Для временного порога различайте конечное значение и максимум; закон нуля или единицы оставляет ещё один шаг выбора ответа.
Различать обменность, условную независимость и безусловную зависимость.
Оценивать пересечение порога и полную вариацию с проверкой условий.
Проверять хвостовой характер события и вырожденные случаи условного прореживания.
Зависимость и процессы
Полная дисперсия: внутригрупповой шум и различия средних
Разброс смеси содержит две части: случайность внутри группы и различие групповых средних. Усреднить только групповые дисперсии недостаточно.
Перед началом: Условное ожидание; Дисперсия.
Один источник наблюдений может скрывать несколько режимов
Пусть Z обозначает случайно выбранную группу, а X — результат внутри неё. Условные средние μ_Z и дисперсии σ²_Z относятся к конкретной группе. Полное среднее равно E μ_Z. Вес группы должен соответствовать вероятности попадания наблюдения в неё, а не количеству доступных таблиц. Если группы отбирали с разными вероятностями, сначала определяют целевую популяцию и её веса. Простое среднее групп может отвечать другой задаче, чем среднее случайного объекта.
Ортогональное разложение ошибки
Запишем X−E X=(X−E[X|Z])+(E[X|Z]−E X). Условное среднее первого слагаемого при Z равно нулю, поэтому среднее произведения двух частей исчезает. После возведения в квадрат получаем Var X=E Var(X|Z)+Var(E[X|Z]). Первая часть измеряет внутригрупповой шум, вторая — различия средних. Обе неотрицательны. Формула требует существования второго момента; для распределений без конечной дисперсии нельзя механически подставлять бесконечности в привычную конечную арифметику.
Разложение не доказывает причинность
Большая межгрупповая часть показывает, что метка предсказывает среднее, но не объясняет, почему группы различаются. Возраст, способ отбора или условия измерения могут быть общими причинами. Для случайной суммы или иерархического процесса такое разложение полезно как вычислительный приём, не как автоматическая модель вмешательства. При построении прогноза знание группы убирает именно вариацию условного среднего из остатка; внутригрупповая дисперсия остаётся. Если групповые средние совпадают, второй вклад равен нулю, даже когда сами условные распределения различны.
Разобранная задача
Условие. Группа A выбирается с вероятностью 3/4 и имеет среднее 2, дисперсию 1. Группа B имеет вес 1/4, среднее 6, дисперсию 9. Найдите среднее и дисперсию случайного результата.
Полное среднее равно (3/4)·2+(1/4)·6=3.
Средняя условная дисперсия равна (3/4)·1+(1/4)·9=3.
Дисперсия условного среднего равна (3/4)(2−3)²+(1/4)(6−3)²=3.
Полная дисперсия равна 3+3=6. Проверим через E X²: (3/4)(1+4)+(1/4)(9+36)=15; 15−3²=6.
Ответ. E X=3; Var X=6, по три единицы от внутригруппового и межгруппового вкладов.
Проверка. Вычисление через второй момент даёт тот же ответ и не использует формулу разложения напрямую. Оба компонента неотрицательны.
Где легко ошибиться. Взвешенное среднее условных дисперсий равно только первой части. При разных групповых средних оно занижает полный разброс.
Проверьте понимание
Вопросы к этой главе
Нужно ли равенство размеров групп?
Нет. Формула использует вероятностные веса любых размеров, сумма которых равна единице. Вес зависит от схемы получения случайного наблюдения.
Что останется после идеального знания группы?
Лучший по среднеквадратичному критерию групповой прогноз равен условному среднему. Его средняя остаточная ошибка равна первой части разложения.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
MIT 6.041, unit II: совместные случайные величины, условное ожидание, дисперсия и ковариация. Разложение и конечные примеры выведены самостоятельно.
Обратная вероятность: редкое событие после положительного сигнала
Точность сигнала среди носителей события не равна вероятности события после сигнала. Для обратного вывода нужна базовая частота.
Перед началом: Условная вероятность; Полная вероятность.
Задайте направление условия
Обозначим H редкое событие, а + положительный сигнал. Чувствительность P(+|H) характеризует сигналы среди случаев H. Ложноположительная вероятность P(+|не H) характеризует другую группу. Искомая P(H|+) условна по уже наблюдённому сигналу и имеет другой знаменатель. Все вероятности должны относиться к одной целевой популяции и согласованному способу наблюдения. Если устройство тестировали в специально обогащённой выборке, её долю H нельзя автоматически переносить на рабочий поток.
Сложите конкурирующие объяснения сигнала
Полная вероятность P(+)=P(+|H)P(H)+P(+|не H)P(не H). Затем формула Байеса делит первый вклад на сумму обоих. Для редкого H даже небольшой процент ложных сигналов в большой группе не H может дать большинство положительных наблюдений. Удобная альтернатива — априорные шансы P(H)/P(не H), умноженные на отношение правдоподобия P(+|H)/P(+|не H). Шансы затем преобразуются в вероятность o/(1+o).
Знаменатель включает все способы получить плюс. Пропуск ложноположительного вклада искусственно сделал бы обратную вероятность равной единице независимо от качества контроля.
Проверяйте переносимость модели
Одинаковый сигнал в разных потоках может иметь разную прогностическую ценность из-за разных исходных частот. Повторный сигнал нельзя просто считать независимым подтверждением, если устройство или объект сохраняет общую причину ошибки. Для двух измерений нужна совместная условная модель. Пример ниже является абстрактной задачей о контроле изделий, а не рекомендацией по какому-либо индивидуальному решению. В реальном контроле отдельно оценивают неопределённость частот, стоимость дальнейшей проверки и последствия двух типов ошибок.
Разобранная задача
Условие. В потоке 2% изделий имеют дефект H. Контроль даёт положительный сигнал в 90% дефектных и в 5% исправных случаев. Какова вероятность дефекта после положительного сигнала?
На условные 10000 изделий приходится 200 дефектных и 9800 исправных.
Среди дефектных ожидается 180 положительных сигналов; среди исправных — 490.
Всего ожидается 670 сигналов, из них доля дефектных равна 180/670=18/67.
Проверка шансами: априорные шансы 1/49 умножаются на 0,9/0,05=18. Получаем 18/49; вероятность равна (18/49)/(1+18/49)=18/67.
Ответ. Условная вероятность дефекта равна 18/67≈26,87%.
Проверка. Положительные вклады 0,018 и 0,049 дают P(+)=0,067. Их отношение 0,018/0,067 совпадает с расчётом через ожидаемые количества.
Где легко ошибиться. Чувствительность 90% нельзя переписать как «90% положительных изделий дефектны»: это обращение условия без учёта базовой частоты.
Проверьте понимание
Вопросы к этой главе
Зачем считать на 10000 изделий?
Это наглядный масштаб для вероятностей. Он не утверждает фактического размера партии и не устраняет статистическую неопределённость исходных долей.
Повысится ли результат при более высокой исходной доле дефектов?
При тех же условных вероятностях да: увеличатся априорные шансы, а отношение правдоподобия останется тем же.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
MIT 6.041, unit I: условная вероятность, ожидание и дискретные модели. Комбинаторные выводы и конечные примеры в главе самостоятельные.
Нулевая ковариация при зависимости: нелинейное наблюдение
Ковариация измеряет линейную совместную изменчивость. Симметричная нелинейная зависимость способна полностью исчезнуть в этом одном числе.
Перед началом: Моменты случайной величины; Независимость.
Что действительно следует из независимости
Если X и Y независимы и нужные моменты конечны, E[XY]=E X·E Y, поэтому ковариация равна нулю. Обратное в общем неверно: одно равенство моментов не определяет совместное распределение. Корреляция дополнительно делит ковариацию на произведение стандартных отклонений и требует их положительности. Если одна величина постоянна, ковариация равна нулю, но обычный коэффициент корреляции не определён из-за нулевого знаменателя.
Симметрия скрывает квадратичную связь
При симметричном X нечётные моменты исчезают, если существуют. Для Y=X² имеем E[XY]=E X³=0 и E X=0. Значит ковариация равна нулю, хотя Y полностью определяется X. Большие положительные и отрицательные значения X дают одинаковые большие Y, и линейные вклады взаимно сокращаются. Нулевая оценка корреляции в данных также не доказывает точного нуля в популяции; это отдельный вопрос неопределённости оценки.
Как доказать зависимость напрямую
Независимость требует P(X∈A,Y∈B)=P(X∈A)P(Y∈B) для всех допустимых событий. Для опровержения достаточно одной нарушенной пары. У детерминированной непостоянной связи можно выбрать событие о Y, которое также выражается через X. Если оно имеет вероятность строго между нулём и единицей, его пересечение с самим собой имеет вероятность p, тогда как независимость требовала бы p². Визуальная проверка нелинейной формы и анализ условных распределений часто полезнее одного линейного коэффициента.
Для этого примера условное распределение Y при X=0 сосредоточено в нуле, а при X=1 — в единице. Различие условных законов даёт ещё одно прямое доказательство зависимости. Оно сохраняется даже тогда, когда линейный коэффициент полностью обнуляется симметрией положительных и отрицательных X.
Разобранная задача
Условие. X принимает −1,0,1 с одинаковыми вероятностями. Положим Y=X². Найдите ковариацию и опровергните независимость конкретной парой событий.
E X=(−1+0+1)/3=0; E Y=(1+0+1)/3=2/3.
E[XY]=E X³=(−1+0+1)/3=0, поэтому Cov(X,Y)=0.
События A={X=0} и B={Y=0} совпадают и имеют вероятность 1/3.
P(A∩B)=1/3, тогда как P(A)P(B)=1/9. Следовательно независимости нет.
Ответ. Ковариация равна нулю; X и Y зависимы.
Проверка. Var X=2/3 и Var Y=2/9 положительны, поэтому корреляция здесь определена и тоже равна нулю. Нарушение произведения вероятностей проверяет именно независимость.
Где легко ошибиться. Нулевая корреляция не разрешает перемножать вероятности произвольных событий. Для этого нужно отдельное обоснование независимости.
Проверьте понимание
Вопросы к этой главе
Когда обратный вывод бывает верен?
Например, для совместно нормального вектора нулевая ковариация означает независимость координат. Важно именно совместное нормальное распределение, а не похожие отдельные гистограммы.
Почему линейная регрессия может ничего не увидеть?
При симметрии положительные и отрицательные линейные наклоны сокращаются. Квадратичный признак X² сохраняет информацию, которую теряет один коэффициент наклона.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
MIT 6.041, unit II: совместные случайные величины, условное ожидание, дисперсия и ковариация. Разложение и конечные примеры выведены самостоятельно.
Прореживание потока Пуассона: категории и независимость
Независимая маркировка событий пуассоновского потока создаёт независимые подпотоки. При фиксированном общем числе событий категории, напротив, зависимы.
Перед началом: Распределение Пуассона; Условный биномиальный закон.
Два уровня случайности
Пусть число событий за период N имеет распределение Пуассона с параметром λ. Каждое событие независимо получает метку A с вероятностью p и метку B с вероятностью 1−p; марки независимы от N. Обозначим числа A и B через X и Y. При известном N=n число X биномиально, а Y=n−X. Поэтому условная ковариация отрицательна. Но без фиксирования N общее число тоже меняется, и это меняет совместный закон.
Факторизация совместной вероятности
Для целых x,y≥0 имеем P(X=x,Y=y)=P(N=x+y)C(x+y,x)pˣ(1−p)ʸ. Сокращение факториалов превращает выражение в произведение e⁻λp(λp)ˣ/x! и e⁻λ(1−p)(λ(1−p))ʸ/y!. Следовательно X и Y независимы и имеют пуассоновские параметры λp и λ(1−p). Здесь независимость доказана всем совместным распределением, а не только нулевой ковариацией. Для полноценного потока те же условия нужны на непересекающихся временных интервалах.
Нулевую ковариацию в этой задаче можно получить отдельно, но она одна не доказывает независимость. Решающий шаг — разложение всей совместной вероятности в произведение двух нормированных пуассоновских функций для любых допустимых x и y.
Пределы модели маркировки
Если метка зависит от загрузки, соседних событий или случайного общего p, независимость подпотоков в общем теряется. При жёсткой квоте на число A марки также не независимы. В данных полезно проверять не только среднюю интенсивность, но и стабильность по времени и избыточный разброс. Суперпозиция независимых пуассоновских потоков даёт обратную операцию с суммой интенсивностей. Условие независимости нельзя выбрасывать: одинаковая внешняя причина может одновременно повышать интенсивности двух категорий.
Разобранная задача
Условие. За час N~Poisson(8). Каждое событие независимо относится к A с вероятностью 1/4. Найдите закон X, закон Y и P(X=0,Y=0). Сравните ковариацию при условии N=8.
Параметр подпотока A равен 8·1/4=2, значит X~Poisson(2).
Параметр B равен 8·3/4=6, значит Y~Poisson(6), причём X и Y независимы.
Вероятность отсутствия обеих категорий равна e⁻²e⁻⁶=e⁻⁸, как и вероятность N=0.
При фиксированном N=8 имеем Y=8−X и Var(X|N=8)=8·1/4·3/4=3/2, поэтому Cov(X,Y|N=8)=−3/2.
Ответ. Без условия подпотоки независимы с параметрами 2 и 6; при N=8 их ковариация равна −3/2.
Проверка. Безусловная ковариация по разложению равна −E[N]p(1−p)+Var(N)p(1−p)=0, поскольку среднее и дисперсия Пуассона равны.
Где легко ошибиться. Не переносите независимость подпотоков на ситуацию с фиксированным общим числом событий: условие создаёт точную связь Y=N−X.
Проверьте понимание
Вопросы к этой главе
Почему отрицательная условная связь исчезла?
Случайное общее число добавляет положительную совместную изменчивость. Для Пуассона она точно компенсирует отрицательную внутригрупповую часть.
Можно ли использовать случайную вероятность марки?
Можно задать новую смешанную модель, но привычный вывод о независимых пуассоновских подпотоках уже не следует без дополнительных условий.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
MIT 6.041, unit III, лекции 14–18: пуассоновские процессы, конечные переходы, стационарность и первое достижение. Числовые матрицы и проверки составлены здесь.
Уравнение вероятности вымирания может иметь несколько корней. Правильный ответ выбирается как минимальный корень на отрезке от нуля до единицы.
Перед началом: Производящая функция; Независимые случайные величины.
Потомство задаёт модель поколений
Начнём с одного предка. Каждый объект независимо производит случайное число потомков с одной и той же заданной вероятностной функцией. Новое поколение состоит из всех этих потомков. Нулевое поколение после исчезновения не восстанавливается, поэтому ноль является поглощающим состоянием. Это модель Гальтона–Ватсона без миграции и конкуренции. Общая среда, ограничение ресурсов или зависимость потомства между объектами требуют другой модели и могут менять вывод о вымирании.
Самосогласование по детям предка
Пусть f(s)=E sᴷ — производящая функция числа потомков K. Для вымирания всей линии должны вымереть независимые линии каждого ребёнка. Если вероятность этого q, условно при K=k получаем qᵏ, поэтому q=f(q). Но единица всегда корень, и её недостаточно просто найти. Вероятность исчезновения не позже n-го поколения строится итерациями q₀=0, qₙ₊₁=f(qₙ). Возрастающий ограниченный предел равен наименьшей неподвижной точке в [0,1].
Среднее и исключительные случаи
Среднее число потомков m=f′(1) помогает классифицировать обычные случаи. При m>1 и ненулевой вероятности нулевого потомства вымирание всё равно возможно, но его вероятность меньше единицы. При m≤1 оно почти наверное наступает, кроме вырожденного K=1 всегда, когда линия сохраняется вечно. Из нескольких независимых предков вероятность общего вымирания равна qʳ. Это степень вероятности события, а не умножение q на число предков. Растущее среднее размера поколения не гарантирует выживания конкретной линии.
Разобранная задача
Условие. Один предок имеет ноль детей с вероятностью 1/4 и двух с вероятностью 3/4. Найдите вероятность вымирания из одного и из двух независимых предков.
Производящая функция f(s)=1/4+3s²/4; среднее потомство равно 3/2.
Уравнение q=f(q) эквивалентно 3q²−4q+1=0.
Корни равны 1/3 и 1. Итерации от нуля выбирают меньший корень q=1/3.
Для двух независимых начальных линий требуется вымирание обеих, поэтому вероятность равна q²=1/9.
Ответ. Вероятность вымирания равна 1/3 из одного предка и 1/9 из двух.
Проверка. Подстановка f(1/3)=1/4+1/12=1/3 проверяет корень. Значения итераций начинаются 0,1/4,19/64 и возрастают к 1/3, а не к единице.
Где легко ошибиться. Среднее потомство больше единицы не означает нулевой вероятности вымирания. И решение q=1 не всегда является нужным минимальным корнем.
Проверьте понимание
Вопросы к этой главе
Почему берут минимальный корень?
Итерации конечного горизонта начинаются с нуля и не превосходят любой неотрицательной неподвижной точки. Их предел потому и минимален.
Почему два предка снижают риск до квадрата?
Линии независимы по предпосылке. Полное вымирание требует пересечения двух событий с одинаковой вероятностью q.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
Глава 6.1: производящая функция и минимальная неподвижная точка вымирания. Закон потомства и точный пример выбраны для этой главы.
Ограниченная остановка мартингала: честная игра с ранним выходом
Правило раннего выхода зависит от наблюдений, но при ограниченном горизонте не создаёт положительного ожидания у честного мартингала.
Перед началом: Условное ожидание; Независимые приращения.
Справедливость определяется условно
Мартингал Mₙ относительно доступной информации Fₙ имеет конечные абсолютные ожидания и удовлетворяет E[Mₙ₊₁|Fₙ]=Mₙ. Это сильнее постоянства безусловного среднего: при любой уже известной истории условный ожидаемый следующий выигрыш нулевой. Для симметричного случайного блуждания независимые приращения ±1 с вероятностями 1/2 дают такой пример. Игрок может знать всю прошлую траекторию, но не будущие броски. Именно эта граница информации определяет допустимое правило остановки.
Ограниченное время сохраняет ожидание
Время T является моментом остановки, если решение T≤n можно принять по данным до n включительно. При T≤N с фиксированным конечным N имеем E M_T=E M₀. Это можно увидеть, записав остановленную сумму через приращения ΔMₖ и индикаторы {T≥k}. Индикатор известен до k-го приращения, а его условное среднее равно нулю. Для неограниченных правил нужны дополнительные условия; перенос теоремы без контроля интегрируемости способен дать ложный вывод.
Выигрыш и вероятность выигрыша различны
Ранний выход может увеличить шанс маленького плюса ценой редких больших потерь. Сохранение среднего не означает одинаковых распределений итогов при всех правилах. Нельзя выбирать остановку задним числом по максимуму всей траектории: такое время использует будущее и обычно не является моментом остановки. Для стратегии с удвоением ставки также необходимо отдельно учесть ограничение капитала и риск. Проверять нужно точный денежный процесс, а не только последовательность названий «победа» и «проигрыш».
Разобранная задача
Условие. Честная игра стартует с нуля и прибавляет ±1. Останавливаемся при первом достижении +1, но не позже второго броска. Найдите распределение и среднее итогового выигрыша.
При первом + игра немедленно заканчивается с +1. Вероятность этого исхода равна 1/2.
При последовательности −,+ итог равен 0; вероятность равна 1/4.
При последовательности −,− итог равен −2; вероятность равна 1/4.
Среднее равно (1/2)·1+(1/4)·0+(1/4)·(−2)=0, как и исходный капитал.
Ответ. Итог +1,0,−2 имеет вероятности 1/2,1/4,1/4; математическое ожидание равно нулю.
Проверка. Вероятности складываются в единицу. Прямой перебор остановленных ветвей подтверждает теорему без обращения к неограниченному горизонту.
Где легко ошибиться. Выбор лучшего момента после просмотра всей траектории не является разрешённой остановкой по текущей информации.
Проверьте понимание
Вопросы к этой главе
Можно ли повысить вероятность положительного результата?
Некоторые правила это делают, но другие исходы компенсируют увеличение. Теорема контролирует среднее, а не вероятность плюса.
Достаточно ли почти наверное конечного T?
Нет, для общей теоремы этого недостаточно. Нужны дополнительные ограничения, например подходящие условия интегрируемости остановленного процесса.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
MIT 18.600, martingales and optional stopping: доступная информация и условия остановки. В главе используется только ограниченный горизонт и собственный конечный перебор.
Условие создаёт зависимость: отбор по общему следствию
Независимые причины могут стать зависимыми после отбора объектов по их общему следствию. Условие меняет пространство исходов.
Перед началом: Таблица совместных вероятностей; Условная независимость.
Сначала задайте исходную популяцию
Пусть независимые бинарные признаки A и B обозначают две причины попадания в выборку. Отбор S зависит от обеих причин. В исходной популяции совместные вероятности факторизуются, но внутри выбранной группы они должны быть пересчитаны делением на P(S). Нельзя просто удалить одну строку таблицы и оставить прежние вероятности остальных. Каждый оставшийся исход меняет вес после нормировки. В реальных исследованиях механизм включения в выборку часто сам становится таким общим следствием.
Простой механизм объясняет знак связи
Рассмотрим правило S={A=1 или B=1}. Если выбранный объект имеет A=0, то он обязательно должен иметь B=1. Если A=1, требование к B уже не нужно. Поэтому внутри S наличие одной причины снижает необходимость другой, и возникает отрицательная связь. Это не означает, что A физически подавляет B. Зависимость порождена условием наблюдения. Для других механизмов отбора знак и сила могут быть иными, поэтому общий рисунок причин не заменяет расчёта.
Что можно и нельзя заключать
Отрицательная корреляция в выбранной группе не опровергает исходную независимость и не доказывает причинное действие одного признака на другой. Для переноса вывода на популяцию нужны сведения о включении в выборку или данные вне неё. Обратная ситуация также возможна: условие по общей причине убирает ранее наблюдавшуюся зависимость. Поэтому фраза «учесть ещё одну переменную» не является универсальным улучшением анализа. Нужно понимать, что означает переменная относительно механизма генерации данных и в какой группе задан искомый параметр.
Разобранная задача
Условие. A и B — независимые честные бинарные признаки. В выборку берут только случаи A+B≥1. Найдите P(B=1|A=0,S), P(B=1|A=1,S) и условную ковариацию.
Изначально четыре пары 00,01,10,11 имеют вероятности 1/4. Отбор оставляет три пары с равными условными весами 1/3.
При A=0 остаётся только 01, поэтому P(B=1|A=0,S)=1.
При A=1 остаются 10 и 11, поэтому соответствующая вероятность равна 1/2.
E[A|S]=E[B|S]=2/3 и E[AB|S]=1/3. Ковариация равна 1/3−4/9=−1/9.
Ответ. Условные вероятности равны 1 и 1/2; Cov(A,B|S)=−1/9, хотя до отбора ковариация была нулевой.
Проверка. Условная вероятность 11 равна 1/3, а произведение маргинальных вероятностей равно 4/9. Их неравенство независимо подтверждает зависимость.
Где легко ошибиться. Не интерпретируйте созданную отбором связь как вмешательство одной причины в другую. Сначала уточните популяцию и механизм включения.
Проверьте понимание
Вопросы к этой главе
Исходная независимость была ошибочной?
Нет. Она относится ко всем четырём равновероятным парам до отбора. После условия рассматривается другое распределение.
Достаточно ли знать только отобранную таблицу?
Для описания зависимости внутри группы — да. Для восстановления исходной связи обычно нужны сведения о вероятностях отбора или дополнительные наблюдения.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
MIT 6.041, unit I: условная вероятность, ожидание и дискретные модели. Комбинаторные выводы и конечные примеры в главе самостоятельные.
Связанные методы
Зависимость в таблице частот: взаимная информация измеряет больше линейной связи
Совместную таблицу нормируют одной общей суммой и получают две маргинальные вероятности. Взаимная информация сравнивает совместное распределение с произведением маргинальных и измеряется в битах при логарифме по основанию два.
Перестановочная симметрия не делает наблюдения независимыми
Обменность означает неизменность совместного распределения при перестановке конечного набора координат. Общий случайный параметр может обеспечить такую симметрию и одновременно создать зависимость. Условная независимость при известном параметре не равна безусловной независимости.
Разделение пуассоновского потока: независимость возникает после снятия условия на общий счёт
Если каждое событие пуассоновского процесса независимо отправляется в первую группу с вероятностью p, две группы образуют независимые пуассоновские процессы интенсивностей λp и λ(1−p). При фиксированном положительном общем счёте и 0<p<1 их количества зависимы; при нулевом счёте или детерминированной метке они постоянны и независимы.