ตัวแปรสุ่มที่รับค่าในเป็นตัวแปรสุ่มแบบแยก การกระจายของมันจะถูกอธิบายอย่างเต็มที่โดยน่าจะเป็น
กับ n ความน่าจะเป็นและคุณให้เป็นผลรวมของสำหรับบางดัชนี{i}{ 0 , 1 }nพีผม= P( X= i )ฉัน ∈{0,1 }nพีผมพีฉันเจพีผมผม
ตอนนี้ดูเหมือนว่าคุณต้องการอธิบายโดยใช้และเท่านั้น มันเป็นไปไม่ได้โดยไม่ต้องสมมติว่าคุณสมบัติบางอย่างบน{i}} หากต้องการดูลองที่จะได้รับว่าลักษณะการทำงานของXถ้าเรารับเราจะได้พีผมพีผมพีฉันเจพีผมXn = 3
Eอีฉัน( t1X1+ t2X2+ t3X3)= p000+ p100อีฉันที1+ p010อีฉันที2+ p001อีฉันที3+ p110อีฉัน( t1+ t2)+ p101อีฉัน( t1+ t3)+ p011อีฉัน( t2+ t3)+ p111อีฉัน( t1+ t2+ t3)
เป็นไปไม่ได้ที่จะจัดเรียงนิพจน์นี้ใหม่เพื่อให้หายไป สำหรับตัวแปรสุ่ม gaussian ฟังก์ชันคุณสมบัติขึ้นอยู่กับพารามิเตอร์ค่าเฉลี่ยและความแปรปรวนร่วมเท่านั้น ฟังก์ชั่นลักษณะเฉพาะกำหนดการแจกแจงแบบเฉพาะดังนั้นนี่คือสาเหตุที่เกาส์นสามารถอธิบายได้อย่างไม่เหมือนใครโดยใช้ค่าเฉลี่ยและความแปรปรวนร่วมเท่านั้น อย่างที่เราเห็นสำหรับตัวแปรสุ่มนี่ไม่ใช่กรณี
พีผมX