Czy wariancja sumy jest równa sumie wariancji?

62

Czy to (zawsze) prawda, że

Var(i=1mXi)=i=1mVar(Xi)?
Abe
źródło
3
Poniższe odpowiedzi stanowią dowód. Intuicyję można zobaczyć w prostym przypadku var (x + y): jeśli x i y są dodatnio skorelowane, oba będą zwykle duże / małe razem, zwiększając całkowitą zmienność. Jeśli są skorelowane ujemnie, będą się wzajemnie anulować, zmniejszając całkowitą zmienność.
Assad Ebrahim,

Odpowiedzi:

91

Odpowiedź na twoje pytanie brzmi „czasami, ale nie ogólnie”.

Aby to zobaczyć, niech będą zmiennymi losowymi (ze skończonymi wariancjami). Następnie,X1,...,Xn

var(i=1nXi)=E([i=1nXi]2)[E(i=1nXi)]2

Teraz zauważ, że , co jest jasne, jeśli pomyśl o tym, co robisz, obliczając ręcznie . W związku z tym,(i=1nai)2=i=1nj=1naiaj(a1+...+an)(a1+...+an)

E([i=1nXi]2)=E(i=1nj=1nXiXj)=i=1nj=1nE(XiXj)

podobnie,

[E(i=1nXi)]2=[i=1nE(Xi)]2=i=1nj=1nE(Xi)E(Xj)

więc

var(i=1nXi)=i=1nj=1n(E(XiXj)E(Xi)E(Xj))=i=1nj=1ncov(Xi,Xj)

z definicji kowariancji.

Teraz dotyczy Czy wariancja sumy jest równa sumie wariancji? :

  • Jeśli zmienne są nieskorelowane, tak : to znaczy dla , a następniecov(Xi,Xj)=0ij

    var(i=1nXi)=i=1nj=1ncov(Xi,Xj)=i=1ncov(Xi,Xi)=i=1nvar(Xi)
  • Jeśli zmienne są skorelowane, nie, nie ogólnie : Załóżmy na przykład, że są dwiema losowymi zmiennymi, z których każda ma wariancję i gdzie . Następnie , więc tożsamość nie powiedzie się.X1,X2σ2cov(X1,X2)=ρ0<ρ<σ2var(X1+X2)=2(σ2+ρ)2σ2

  • ale jest to możliwe w przypadku niektórych przykładów : Załóżmy że mają macierz kowariancji następnieX1,X2,X3

    (10.40.60.410.20.60.21)
    var(X1+X2+X3)=3=var(X1)+var(X2)+var(X3)

Dlatego jeśli zmienne są nieskorelowane, wówczas wariancja sumy jest sumą wariancji, ale odwrotnie nie jest ogólnie prawdą.

Makro
źródło
W odniesieniu do przykładowej macierzy kowariancji jest następująca poprawność: symetria między górnymi prawymi i dolnymi lewymi trójkątami odzwierciedla fakt, że , ale symetria między lewym górnym a prawym dolnym rogu (w tym przypadku to tylko część przykładu, ale można go zastąpić dwoma różnymi liczby, które sumują się do np. ai ? Jeszcze raz dziękujęcov(Xi,Xj)=cov(Xj,Xi)cov(X1,X2)=cov(X2,X3)=0.30.6cov(X1,X2)=acov(X2,X,3)=0.6a
Abe
41

Var(i=1mXi)=i=1mVar(Xi)+2i<jCov(Xi,Xj).

Tak więc, jeśli kowariancje średnio wynoszą , co byłoby konsekwencją, gdyby zmienne były nieskorelowane parami lub były niezależne, wówczas wariancja sumy jest sumą wariancji.0

Przykład, w którym nie jest to prawdą: Niech . Niech . Następnie .X 2 = X 1 Var ( X 1 + X 2 ) = Var ( 2 X 1 ) = 4Var(X1)=1X2=X1Var(X1+X2)=Var(2X1)=4

Douglas Zare
źródło
Rzadko będzie to prawdą w przypadku odchyleń próbek.
DW
1
@DWin, „rzadki” to niedopowiedzenie - jeśli mają ciągły rozkład, prawdopodobieństwo, że wariancja próbki sumy jest równa sumie wariancji próbki dokładnie 0 :)X
Macro
15

Chciałem tylko dodać bardziej zwięzłą wersję dowodu podanego przez Macro, więc łatwiej jest zobaczyć, co się dzieje.

Zauważ, że ponieważVar(X)=Cov(X,X)

Dla dwóch dowolnych zmiennych losowych mamy:X,Y

Var(X+Y)=Cov(X+Y,X+Y)=E((X+Y)2)E(X+Y)E(X+Y)by expanding,=E(X2)(E(X))2+E(Y2)(E(Y))2+2(E(XY)E(X)E(Y))=Var(X)+Var(Y)+2(E(XY))E(X)E(Y))
Zasadniczo zatem wariancja sumy dwóch zmiennych losowych nie jest sumą wariancji. Jeśli jednak są niezależne, to , a mamy .X,YE(XY)=E(X)E(Y)Var(X+Y)=Var(X)+Var(Y)

Zauważ, że możemy wygenerować wynik dla sumy zmiennych losowych za pomocą prostej indukcji.n

Omar Haque
źródło
11

Tak, jeśli każda para jest nieskorelowana, to prawda.Xi

Zobacz wyjaśnienie na Wikipedii

Abe
źródło
Zgadzam się. Znajdziesz także proste (r) wyjaśnienie na temat Insight Things .
Jan Rothkegel,