ความสัมพันธ์ระหว่าง X และ XY


11

หากฉันมีตัวแปรสุ่มอิสระสองตัว X และ Y ความสัมพันธ์ระหว่าง X และ XY ของผลิตภัณฑ์คืออะไร ถ้าสิ่งนี้ไม่เป็นที่รู้จักฉันจะสนใจอย่างน้อยก็รู้ว่าเกิดอะไรขึ้นในกรณีที่เฉพาะเจาะจงของ X และ Y ที่เป็นเรื่องปกติโดยมีค่าเฉลี่ยเป็นศูนย์ถ้าแก้ได้ง่ายกว่า


4
อะไรทำให้เกิดคำถามนี้ ฉันสงสัยว่ามันจะดีที่สุดถ้าเราพูดเรื่องอื่นที่นี่ คุณกำลังทำการศึกษาที่คุณได้สร้างตัวแปร XY ด้วยเหตุผลบางอย่าง?
gung - Reinstate Monica

คำตอบ:


13

วิธีการแก้

ฉันจะเอามันว่าเป็นทางออกที่ถูกต้องจะเป็นหนึ่งที่แสดงออกถึง - ถ้าเป็นไปได้ - ความสัมพันธ์ในแง่ของคุณสมบัติที่แยกต่างหากจากตัวแปรและY การคำนวณความสัมพันธ์จะเกี่ยวข้องกับการคำนวณ covariances ของ monomials ในXและY มันเป็นเรื่องประหยัดที่จะทำสิ่งนี้ให้สำเร็จในคราวเดียว เพียงสังเกตว่าXYXY

  1. เมื่อและYเป็นอิสระและฉันและjเป็นพลังแล้วX iและY jเป็นอิสระXYijXiYj

  2. ความคาดหวังของผลิตภัณฑ์ของตัวแปรอิสระคือผลผลิตของความคาดหวังของพวกเขา

นี้จะให้สูตรในแง่ของช่วงเวลาของและYXY

นั่นคือทั้งหมดที่มีให้มัน


รายละเอียด

เขียนเป็นต้นในขณะนั้น ดังนั้นสำหรับตัวเลขใด ๆ ที่ฉัน, j , k , lซึ่งการคำนวณนั้นสมเหตุสมผลและสร้างตัวเลขที่แน่นอนμi(X)=E(Xi)i,j,k,l

Cov(XiYj,XkYl)=E(XiYjXkYl)E(XiYj)E(XkYl)=μi+k(X)μj+l(Y)μi(X)μk(X)μj(Y)μl(Y).

โปรดทราบว่าความแปรปรวนของตัวแปรสุ่มใด ๆ คือความแปรปรวนร่วมของมันเองดังนั้นเราจึงไม่ต้องทำการคำนวณพิเศษสำหรับความแปรปรวน

ตอนนี้มันควรจะชัดเจนวิธีการคำนวณช่วงเวลาที่เกี่ยวข้องกับ monomials, พลังใด ๆ ของจำนวนสุ่มตัวแปรอิสระ จำกัด ในฐานะแอปพลิเคชันให้ใช้ผลลัพธ์นี้กับคำนิยามของสหสัมพันธ์ซึ่งก็คือความแปรปรวนร่วมหารด้วยรากที่สองของความแปรปรวน:

Cor(X,XY)=Cov(X1Y0,X1Y1)Cov(X1Y0,X1Y0) Cov(X1Y1,X1Y1)=μ2(X)μ1(Y)μ1(X)2μ1(Y)(μ2(X)μ1(X)2)(μ2(X)μ2(Y)μ1(X)2μ2(Y)2).

มีการทำให้เข้าใจง่ายเกี่ยวกับพีชคณิตมากมายซึ่งคุณอาจเลือกหากคุณต้องการเชื่อมโยงสิ่งนี้กับความคาดหวังความแปรปรวนและความแปรปรวนร่วมของตัวแปรดั้งเดิม


14

XY

Cov(X,XY)=ECov(X,XY|Y)+Cov(EX|Y,EXY|Y)=E(YCov(X,X))+Cov(EX,YEX)=E(YVarX)+Cov(EX,YEX)=EYVarX.
Var(XY)=EVar(XY|Y)+VarE(XY|Y)=E(Y2(VarX|Y))+Var(Y(EX|Y))=E(Y2VarX)+Var(YEX)=E(Y2)VarX+(EX)2VarY=VarXVarY+(EY)2VarX+(EX)2VarY.
Y

corr(X,XY)=11+VarY(EY)2(1+(EX)2VarX).

ตรวจสอบผลลัพธ์นี้โดยการจำลอง:

> n <- 1e+6
> x <- rexp(n,2)-2
> y <- rnorm(n,mean=5)
> cv2 <- function(x) var(x)/mean(x)^2
> 1/sqrt(1+cv2(y)*(1+1/cv2(x)))
[1] 0.844882
> cor(x,x*y)
[1] 0.8445373

E(Y2VarX)+Var(YEX)ECov(X,XY|Y)=EYCov(X,X)Yเป็นที่ได้รับ ฉันขอแนะนำคำอธิบายเล็กน้อยสำหรับบางขั้นตอน
Antoni Parellada

1
ใช่ฉันเพิ่มวงเล็บที่ขาดหายไปและคำอธิบายบางอย่าง ฉันต้องยอมรับว่าฉันชอบคำตอบของ @whuber มากกว่า
Jarle Tufto

5

ρ(XY,X)=0E(X2Y)=E[E[X2Y|X]]=E[X2E[Y|X]]=0cov(XY,X)=E(X2Y)E(XY).E(X)=0


-2

Linear Correlation ระหว่าง X และ XY จะเป็นเช่นนั้น

Corr (X, XY) = Cov (X, XY) / sqrt (var (X) * var (XY))

Cov (X, XY) = การรวม ((X-Mean (X)) (XY-Mean (XY)) / n

n - ขนาดตัวอย่าง var (X) = ความแปรปรวนของ X; var (XY) = ความแปรปรวนของ XY


1
คำถามเกี่ยวกับตัวแปรสุ่มไม่ใช่เกี่ยวกับข้อมูล
whuber

เราจะรู้ได้อย่างไรว่าตัวแปรสุ่ม 2 ตัวมีความสัมพันธ์กันหรือไม่ ผ่านข้อมูลที่ถูกต้องเท่านั้น ช่วยแก้ให้ด้วยนะถ้าฉันผิด. ขอโทษ.
Sam Gladio

หนึ่งคำนวณความสัมพันธ์ตามหลักวิชาโดยใช้คุณสมบัติทางคณิตศาสตร์ของตัวแปรสุ่ม มันเหมือนกับการคำนวณความแข็งแกร่งของการออกแบบสะพานโดยใช้หลักการของกลศาสตร์ของนิวตันเปรียบเทียบกับการสร้างสะพานและทดสอบพวกมัน: มีบทบาทที่แตกต่างกันสำหรับทฤษฎีและข้อมูลและพวกเขาไม่ควรสับสนกับอีกคนหนึ่ง .
whuber
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.