Jawaban di bawah ini memberikan buktinya. Intuisi dapat dilihat dalam kasus sederhana var (x + y): jika x dan y berkorelasi positif, keduanya akan cenderung besar / kecil bersama-sama, meningkatkan variasi total. Jika mereka berkorelasi negatif, mereka akan cenderung saling membatalkan, mengurangi variasi total.
Assad Ebrahim
Jawaban:
91
Jawaban atas pertanyaan Anda adalah "Terkadang, tetapi tidak secara umum".
Untuk melihat membiarkan ini X1,...,Xn menjadi variabel acak (dengan varian terbatas). Kemudian,
Sekarang perhatikan bahwa , yang jelas jika Anda berpikir tentang apa yang Anda lakukan ketika Anda menghitung ( a 1 + . . . + a n ) ⋅ ( a 1 + . . . + a n ) dengan tangan. Karena itu,( ∑ni = 1Sebuahsaya)2= ∑ni = 1∑nj = 1SebuahsayaSebuahj( a1+ . . . + an) ⋅ ( a1+ . . . + an)
v a r ( ¢i = 1nXsaya) = ∑i = 1n∑j = 1n( E( XsayaXj) - E( Xsaya) E( Xj) ) = Âi = 1n∑j = 1nc o v ( Xsaya, Xj)
oleh definisi kovarians.
Sekarang mengenai Apakah varians dari jumlah sama dengan jumlah varian? :
Jika variabel tidak berkorelasi, ya : yaitu, untuk i ≠ j , maka v a r ( n ∑ i = 1 X i ) = n ∑ i = 1 n ∑ j = 1 c o v ( X i , X j ) = n ∑ i =c o v ( Xsaya, Xj) = 0i ≠ j
Jika variabel yang berkorelasi, tidak, tidak secara umum : Misalnya, adalah dua variabel acak masing-masing dengan varians σ 2 dan c o v ( X 1 , X 2 ) = ρ di mana 0 < ρ < σ 2 . Kemudian v a r ( X 1 + X 2 ) = 2 ( σ 2 + ρ ) ≠ 2X1,X2σ2c o v ( X1, X2) = ρ0 < ρ < σ2 , jadi identitasnya gagal.v a r ( X1+ X2) = 2 ( σ2+ ρ ) ≠ 2 σ2
tapi mungkin untuk contoh tertentu : Misalkan memiliki kovarians matriks ( 1 0,4 - 0,6 0,4 1 0,2 - 0,6 0,2 1 ) maka v a r ( X 1 + X 2 + X 3 ) = 3 = v a r ( X 1 ) + v a r ( X 2X1, X2, X3
⎛⎝⎜10,4- 0,60,410,2- 0,60,21⎞⎠⎟
v a r ( X1+ X2+ X3) = 3 = v a r ( X1) + v a r ( X2) + v a r ( X3)
Oleh karena itu jika variabel tidak berkorelasi maka varians dari penjumlahan adalah jumlah dari varians, tetapi sebaliknya tidak berlaku secara umum.
Jawaban:
Jawaban atas pertanyaan Anda adalah "Terkadang, tetapi tidak secara umum".
Untuk melihat membiarkan iniX1,...,Xn menjadi variabel acak (dengan varian terbatas). Kemudian,
Sekarang perhatikan bahwa , yang jelas jika Anda berpikir tentang apa yang Anda lakukan ketika Anda menghitung ( a 1 + . . . + a n ) ⋅ ( a 1 + . . . + a n ) dengan tangan. Karena itu,( ∑ni = 1Sebuahsaya)2= ∑ni = 1∑nj = 1SebuahsayaSebuahj ( a1+ . . . + an) ⋅ ( a1+ . . . + an)
demikian pula,
begitu
oleh definisi kovarians.
Sekarang mengenai Apakah varians dari jumlah sama dengan jumlah varian? :
Jika variabel tidak berkorelasi, ya : yaitu, untuk i ≠ j , maka v a r ( n ∑ i = 1 X i ) = n ∑ i = 1 n ∑ j = 1 c o v ( X i , X j ) = n ∑ i =c o v ( Xsaya, Xj) = 0 i ≠ j
Jika variabel yang berkorelasi, tidak, tidak secara umum : Misalnya, adalah dua variabel acak masing-masing dengan varians σ 2 dan c o v ( X 1 , X 2 ) = ρ di mana 0 < ρ < σ 2 . Kemudian v a r ( X 1 + X 2 ) = 2 ( σ 2 + ρ ) ≠ 2X1,X2 σ2 c o v ( X1, X2) = ρ 0 < ρ < σ2 , jadi identitasnya gagal.v a r ( X1+ X2) = 2 ( σ2+ ρ ) ≠ 2 σ2
tapi mungkin untuk contoh tertentu : Misalkan memiliki kovarians matriks ( 1 0,4 - 0,6 0,4 1 0,2 - 0,6 0,2 1 ) maka v a r ( X 1 + X 2 + X 3 ) = 3 = v a r ( X 1 ) + v a r ( X 2X1, X2, X3
Oleh karena itu jika variabel tidak berkorelasi maka varians dari penjumlahan adalah jumlah dari varians, tetapi sebaliknya tidak berlaku secara umum.
sumber
sumber
Saya hanya ingin menambahkan versi yang lebih ringkas dari bukti yang diberikan oleh Makro, jadi lebih mudah untuk melihat apa yang terjadi.
sumber
Lihat penjelasan di Wikipedia
sumber