กฎของความแปรปรวนรวมเป็นทฤษฎีบทพีทาโกรัส


15

สมมติว่าXและYมีช่วงเวลาที่สองแน่นอน ในช่องว่างของฮิลแบร์ตของตัวแปรสุ่มด้วยช่วงเวลาที่ จำกัด (ด้วยผลิตภัณฑ์ภายในของT1,T2กำหนดโดยE(T1T2) , ||T||2=E(T2) ) เราอาจตีความE(Y|X)เมื่อการฉายภาพของYบนพื้นที่ของฟังก์ชั่นของX X

เรายังไม่ทราบว่ากฎหมายของรวมแปรปรวนอ่าน

VaR(Y)=E(VaR(Y|X))+VaR(E(Y|X))

มีวิธีตีความกฎหมายนี้ในรูปของรูปเรขาคณิตข้างต้นหรือไม่? ผมได้รับการบอกว่ากฎหมายเป็นเช่นเดียวกับพีทาโกรัสทฤษฎีบทเหลี่ยมมุมฉากกับด้านY,E(Y|X),Y-E(Y|X) ) ฉันเข้าใจว่าทำไมสามเหลี่ยมมุมฉาก แต่ไม่ใช่ทฤษฎีบทพีทาโกรัสที่จับกฎความแปรปรวนรวม

คำตอบ:


7

ฉันคิดว่าคุณพอใจกับสามเหลี่ยมมุมฉากเพราะความหมายว่าและY - E [ Y X ]เป็นตัวแปรสุ่มที่ไม่เกี่ยวข้องกัน สำหรับตัวแปรสุ่มAและB ที่ไม่มีการเชื่อมโยง, var ( A + B ) = var ( A ) + var ( B ) , และอื่น ๆ ถ้าเราตั้งA = Y - E [E[Y|X]Y-E[Y|X]AB

(1)var(A+B)=var(A)+var(B),
และ B = E [ Y X ]เพื่อให้ A + B = Yเราได้รับ var ( Y ) = var ( Y - E [ Y X ] ) + var ( E [ Y X ] ) . มันยังคงแสดงให้เห็นว่า var ( Y - E [ Y XA=Y-E[Y|X]B=E[Y|X]A+B=Y
(2)var(Y)=var(Y-E[Y|X])+var(E[Y|X]).
var(Y-E[Y|X])เหมือนกับ เพื่อให้เราสามารถเปลี่ยนสถานะ( 2 )เป็น var ( Y ) = E [ var ( Y X ) ] + var ( E [ Y X ] )E[var(Y|X)](2)
(3)var(Y)=E[var(Y|X)]+var(E[Y|X])
ซึ่งเป็นสูตรผลต่างทั้งหมด

มันเป็นที่รู้จักกันดีว่ามูลค่าที่คาดหวังของตัวแปรสุ่มคือE [ Y ] , ที่อยู่, E [ E [ Y | X ] ] = E [ Y ] ดังนั้นเราจะเห็นว่า E [ A ] = E [ Y - E [ Y X ] ] = E [ Y ] - E [ E [E[Y|X]E[Y]E[E[Y|X]]=E[Y] จากการที่มันตามที่ var ( ) = E [ 2 ] , ที่อยู่, var ( Y - E [ Y | X ] ) = E [ ( Y - E [ Y | X ] ) 2 ] ให้ Cแทนตัวแปรสุ่ม ( Y - E [ Y

E[A]=E[Y-E[Y|X]]=E[Y]-E[E[Y|X]]=0,
var(A)=E[A2]
(4)var(Y-E[Y|X])=E[(Y-E[Y|X])2].
เพื่อให้เราสามารถเขียนว่า var ( Y - E [ Y | X ] ) = E [ C ] แต่ E [ C ] = E [ E [ C X ] ]โดยที่ E [ C X ] = E [ ( Y - E [ Y X ] )(Y-E[Y|X])2
(5)var(Y-E[Y|X])=E[].
E[]=E[E[|X]] ตอนนี้ได้รับที่X=xการกระจายตามเงื่อนไขของYมีค่าเฉลี่ยE[Y|X=x] และอื่น ๆ E [ (Y-E[Y|X=x])2 | X=x ] =var(Y|X=x) กล่าวอีกนัยหนึ่งE[|X]=E[(Y-E[Y|X])2|X].X=xYE[Y|X=x]
E[(Y-E[Y|X=x])2|X=x]=var(Y|X=x).
เพื่อให้ตัวแปรสุ่ม E [ C | X ]เป็นเพียง var ( Y | X ) ดังนั้น E [ C ] = E [ E [ C X ] ] = E [ var ( Y X ) ] ,E[|X=x]=var(Y|X=x) E[|X]var(Y|X)
(6)E[]=E[E[|X]]=E[var(Y|X)],
ซึ่งเมื่อเปลี่ยนตัวลงไปแสดงให้เห็นว่า var ( Y - E [ Y | X ] ) = E [ var ( Y | X ) ] นี้ทำให้ด้านขวาของ ( 2 )สิ่งที่เราต้องการและเพื่อให้เราได้พิสูจน์แล้วว่าสูตรแปรปรวนทั้งหมด ( 3 )(5)
var(Y-E[Y|X])=E[var(Y|X)].
(2)(3)

Y-E(Y|X)โวลต์aR(Y-E(Y|X))=E[Y-E(Y|X)]2Eโวลต์aR(Y|X)=E[E((Y-E(Y|X))2|X)]=E[Y-E(Y|X)]2

1
E[(Y-E[Y|X])2]

1
Dilip, probabilists หลายคนจะตีความสมการของ @ mpiktas ได้อย่างถูกต้อง วงเล็บชุดพิเศษมักจะถูกทิ้ง บางทีดวงตาของฉันอาจหลอกลวงฉัน แต่ฉันคิดว่าสัญกรณ์ของเขานั้นสอดคล้องกันตลอด ฉันยินดีที่จะช่วยแก้ไขสิ่งต่าง ๆ หากต้องการ :-)
พระคาร์ดินัล

EXEXXEX2

โวลต์aR...

2

คำให้การ:

T1T2T1,T2=0

(1)||T1+T2||2=||T1||2+||T2||2.
หรือกล่าวอีกนัยหนึ่งสำหรับเวกเตอร์มุมฉากความยาวกำลังสองของผลรวมคือผลรวมของความยาวยกกำลังสอง

กรณีของเรา:

ในกรณีของเรา T1=E(Y|X) และ T2=Y-E[Y|X] เป็นตัวแปรสุ่มค่ากำลังสองมาตรฐานคือ ||Tผม||2=E[Tผม2] และผลิตภัณฑ์ภายใน T1,T2=E[T1T2]. แปล (1) เป็นภาษาสถิติให้เรา:

(2)E[Y2]=E[{E(Y|X)}2]+E[(Y-E[Y|X])2],
เพราะ E[T1T2]=Cov(T1,T2)=0. เราสามารถทำให้มันดูเหมือนกฎความแปรปรวนโดยรวมของคุณได้หากเราเปลี่ยน(2) โดย ...
  1. ลบออก (E[Y])2 จากทั้งสองด้านทำให้ด้านซ้ายมือ var[Y],

  2. สังเกตทางด้านขวามือว่า E[{E(Y|X)}2]-(E[Y])2=var(E[Y|X]),

  3. สังเกตว่า E[(Y-E[Y|X])2]=E[E{(Y-E[Y|X])2}|X]=E[var(Y|X)].

ดูรายละเอียดเกี่ยวกับหัวข้อย่อยทั้งสามนี้ได้ที่โพสต์ของ @DilipSarwate เขาอธิบายรายละเอียดทั้งหมดนี้มากกว่าที่ฉันทำ

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