เราจะหาค่าเฉลี่ยของผลรวมของตัวแปรตามได้อย่างไร?


13

ฉันรู้ว่าค่าเฉลี่ยของผลรวมของตัวแปรอิสระคือผลรวมของค่าเฉลี่ยของตัวแปรอิสระแต่ละตัว สิ่งนี้นำไปใช้กับตัวแปรตามเช่นกันหรือไม่?


@feetet เพียงแค่ลบ "ขอบคุณ" ไม่สำคัญพอที่จะชนหัวข้อจาก 18 เดือนที่ผ่านมา FWIW ฉันลงคะแนนให้ปฏิเสธการแก้ไขนี้ (แต่อีก 2 คนอนุมัติดังนั้นคุณจะไม่เห็นความคิดเห็นของฉันเป็นอย่างอื่น)
gung - Reinstate Monica

1
@gung - ทุกสิ่งสามารถยุ่งกับมุมมองคำถาม "ใช้งาน" การสังเกตของคุณได้รับการทำบ่อยและ AFAIK นโยบาย Stack แลกเปลี่ยนคือว่าแม้จะมีข้อเสียเปรียบที่การแก้ไขเล็กน้อยที่ถูกต้องเป็นสิ่งที่ดี
feetwet

1
@feetwet ฉันไม่แน่ใจว่า meta.Photography โพสต์เกี่ยวข้องกันแค่ไหน แต่ละไซต์ SE มีเมตาของตนเองและมีนโยบายเป็นของตัวเองตัดสินใจโดยชุมชน คุณอาจต้องการที่จะดูที่หัวข้อ meta.CV ที่เกี่ยวข้องเช่นนี้: การจัดการ“การแก้ไขปัญหา” เพื่อโพสต์ คุณอาจสังเกตเห็นคำตอบของ whuber's Jeff Atwood, "small edit [s], เช่น ... ลบคำทักทายออกจากโพสต์เท่านั้น ... ปฏิเสธพวกเขา, ด้วยอคติที่รุนแรง" และ joran ทำให้ประเด็นนั้น "เกณฑ์ของฉันเมื่อใด การแก้ไขเล็กน้อยเกินไปเกี่ยวข้องกับอายุของคำถาม "
gung - Reinstate Monica

1
@gung ถ่ายภาพโพสต์ผมอ้างอิงการเชื่อมโยงไปอย่างมีนัยสำคัญและเมื่อเร็ว ๆ นี้Meta Stack แลกเปลี่ยน Q & A เกี่ยวกับเรื่องนี้ แต่ถ้าคำตอบ 4 ปีของ whuber ยังคงเป็นที่ยอมรับสำหรับการตรวจสอบความถูกต้องของ Crossฉันจะเคารพสิ่งนั้นต่อไป
feetwet

คำตอบ:


18

ความคาดหวัง (การเฉลี่ย) เป็นผู้ประกอบการเชิงเส้น

นี่หมายความว่าเหนือสิ่งอื่นใดสำหรับตัวแปรสุ่มสองตัวและ (ซึ่งมีความคาดหวังอยู่ ) ไม่ว่าพวกเขาจะมีอิสระหรือไม่ก็ตามE(X+Y)=E(X)+E(Y)XY

เราสามารถพูดคุย (เช่นโดยอุปนัย ) ดังนั้นดังนั้น ตราบใดที่ความคาดหวังแต่ละมีอยู่E(i=1nXi)=i=1nE(Xi)E(Xi)

ใช่แล้วค่าเฉลี่ยของผลรวมนั้นเท่ากับผลรวมของค่าเฉลี่ยแม้ว่าตัวแปรจะขึ้นอยู่กับ แต่โปรดทราบว่านี่ไม่สามารถใช้กับความแปรปรวนได้! ดังนั้นในขณะที่สำหรับตัวแปรอิสระหรือแม้กระทั่งตัวแปรที่ขึ้นอยู่กับ แต่ไม่เกี่ยวข้องสูตรทั่วไปคือโดยที่คือความแปรปรวนร่วมของตัวแปรVar(X+Y)=Var(X)+Var(Y)V a r ( X + Y ) = V a r ( X ) + V a r ( Y ) + 2 C o v ( X , Y ) C o วีVar(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)Cov


10

TL; DR:
สมมติว่ามีอยู่ค่าเฉลี่ยคือค่าที่คาดหวังและค่าที่คาดหวังนั้นเป็นส่วนสำคัญและอินทิกรัลมีสมบัติเชิงเส้นตรงด้วยความเคารพ

TS; DR:
เนื่องจากเรากำลังเผชิญกับผลรวมของตัวแปรสุ่ม , คือหน้าที่ของหลาย ๆ คนค่าเฉลี่ยของผลรวมนั้นเกี่ยวกับการแจกแจงร่วมของพวกเขา(เราสมมติว่าทุกวิถีทางมีอยู่จริงและมี จำกัด ) Denotingเวกเตอร์หลายตัวแปรของ rv ความหนาแน่นข้อต่อของพวกเขาสามารถเขียนเป็นและการสนับสนุนร่วมกันของพวกเขา การใช้กฏของ Unconcscious นักสถิติ เรามีอินทิกรัลหลายตัวYn=i=1nXiE(Yn)XnfX(x)=fX1,...,Xn(x1,...,xn)D=SX1×...×SXn

E[Yn]=DYnfX(x)dx
x

ภายใต้เงื่อนไขปกติเราสามารถแยกอินทิกรัลหลายค่าเป็นอินทิกรัล -iterative:n

E[Yn]=SXn...SX1[i=1nXi]fX1,...,Xn(x1,...,xn)dx1...dxn

และการใช้ลิเนียริตี้ของอินทิกรัลเราสามารถย่อยสลายได้

=SXn...SX1x1fX1,...,Xn(x1,...,xn)dx1...dxn+......+SXn...SX1xnfX1,...,Xn(x1,...,xn)dx1...dxn

สำหรับแต่ละอินทิกรัลเชิงเราสามารถจัดลำดับการรวมใหม่อีกครั้งเพื่อให้การรวมภายนอกนั้นเกี่ยวข้องกับตัวแปรที่อยู่นอกความหนาแน่นของรอยต่อ กล่าวคือn

SXn...SX1x1fX1,...,Xn(x1,...,xn)dx1...dxn=SX1x1SXn...SX2fX1,...,Xn(x1,...,xn)dx2...dxndx1

และโดยทั่วไป

SXn...SXj...SX1xjfX1,...,Xn(x1,...,xn)dx1...dxj...dxn=
=SXjxjSXn...SXj1SXj+1...SX1fX1,...,Xn(x1,...,xn)dx1...dxj1dxj+1......dxndxj

เมื่อเราคำนวณหนึ่งในหนึ่งอินทิกรัลในแต่ละอินทิกรัล -iterative (เริ่มจากด้านใน) เรา "รวม" ตัวแปรและเราได้รับในแต่ละขั้นตอนการกระจาย "ร่วมขอบ" ของตัวแปรอื่น ๆ แต่ละหนึ่ง -iterative จึงจะจบลงเช่น\nnSXjxjfXj(xj)dxj

นำมารวมกันเรามาถึงที่

E[Yn]=E[i=1nXi]=SX1x1fX1(x1)dx1+...+SXnxnfXn(xn)dxn

แต่ตอนนี้แต่ละอินทิกรัลอย่างง่ายคือค่าคาดหวังของตัวแปรสุ่มแต่ละตัว

= n i = 1 E ( X i )

E[i=1nXi]=E(X1)+...+E(Xn)
=i=1nE(Xi)

โปรดทราบว่าเราไม่เคยเรียกใช้อิสรภาพหรือความไม่อิสระของตัวแปรสุ่มที่เกี่ยวข้อง แต่เราทำงานร่วมกับการแจกแจงร่วมเท่านั้น


@ssdecontrol นี่เป็นหนึ่งในการโหวตที่ฉันซาบซึ้งจริง
Alecos Papadopoulos

1
การขยายไปสู่อินทิเกรตที่มีการทำซ้ำและกลับมาอีกครั้งนั้นไม่จำเป็น มันทำให้การโต้แย้งง่าย ๆ คุณสามารถแทนที่ส่วน "TS; DR" ด้วยประโยคสุดท้ายและมีคำตอบที่ดี
whuber

@whuber หนึ่งปีครึ่งต่อมามันยังคงหนีฉัน (ฉันหมายถึงโดยไม่ต้องใช้ "ความเป็นเส้นตรงของผู้ประกอบการคาดหวัง" ซึ่งใช้โดยคำตอบอื่นแล้ว) คำใบ้ใด ๆ เพื่อให้ฉันสามารถปรับปรุงคำตอบสำหรับการโต้แย้งง่าย ๆ นี้?
Alecos Papadopoulos

ฉันคิดว่าข้อโต้แย้งนั้นไม่จำเป็น กุญแจสำคัญในการทั้งหมดคือการสังเกตของคุณในประโยคสุดท้าย
whuber
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.