In diesem Artikel werden die bedingte Varianz und Vorhersagen mit bedingten Erwartungen für die verschiedenen Arten von Zufallsvariablen mit einigen Beispielen diskutiert.
Bedingte Varianz
Die bedingte Varianz der Zufallsvariablen X bei gegebenem Y wird in ähnlicher Weise definiert als bedingter Erwartungswert der Zufallsvariablen X bei gegebenem Y als
(X|Y)=E[(XE[X|Y])2|Y]
Hier ist Varianz die bedingte Erwartung der Differenz zwischen einer Zufallsvariablen und dem Quadrat der bedingten Erwartung von X bei gegebenem Y, wenn der Wert von Y gegeben ist.
Die Beziehung zwischen dem bedingte Varianz und bedingte Erwartung is
(X|Y) = E[X2|Y] – (E[X|Y])2
E[(X|Y)] = E[E[X2|Y]] – E[(E[X|Y])2]
= E[X2] – E[(E[X\Y])2]
da E[E[X|Y]] = E[X], haben wir
(E[X|Y]) = E[(E[X|Y])2] - (EX])2
das ist irgendwie ähnlich aus der Beziehung von unbedingter Varianz und Erwartung, die war
Var (X) = E [X.2] - (EX])2
und wir können die Varianz mit Hilfe der bedingten Varianz finden als
Var(X) = E[var(X|Y] + var(E[X|Y])
Beispiel für bedingte Abweichung
Ermitteln Sie den Mittelwert und die Varianz der Anzahl der Reisenden, die in den Bus einsteigen, wenn die am Busbahnhof angekommenen Personen Poisson-verteilt sind mit dem Mittelwert λt und der anfänglich am Busbahnhof ankommende Bus gleichmäßig über das Intervall (0,T) unabhängig von den Personen verteilt ist angekommen oder nicht.
Lösung:
Um den Mittelwert und die Varianz let für einen beliebigen Zeitpunkt t zu ermitteln, ist Y die Zufallsvariable für die Busankunftszeit und N(t) die Anzahl der Ankünfte
E[N(Y)|Y = t] = E[N(t)|Y = t]
durch die Unabhängigkeit von Y und N(t)
=λt
da N(t) Poisson mit Mittelwert ist \lambda t
Daher
E[N(Y)|Y]=λY
also die erwartungen zu nehmen gibt
E[N(Y)] = λE[Y] = λT / 2
Um Var(N(Y)) zu erhalten, verwenden wir die bedingte Varianzformel
so
(N(Y)|Y) = λY
E[N(Y)|Y] = λY
Daher gilt aus der bedingten Varianzformel
Var(N(Y)) = E[λJ]+(λY)
=λT/2 + λ2T2/ 12
wobei wir die Tatsache verwendet haben, dass Var(Y)=T2 / 12.
Varianz einer Summe einer zufälligen Anzahl von Zufallsvariablen
Betrachten Sie die Folge von unabhängig und identisch verteilt Zufallsvariablen X1,X2,X3,………. und eine weitere Zufallsvariable N, die von dieser Folge unabhängig ist, werden wir finden Varianz der Summe dieser Sequenz als
Verwendung von
was mit der Definition von Varianz und bedingter Varianz für die einzelne Zufallsvariable zur Summe der Folge von Zufallsvariablen also offensichtlich ist
Prognose
Bei der Vorhersage kann der Wert einer Zufallsvariablen auf der Grundlage der Beobachtung einer anderen Zufallsvariablen vorhergesagt werden. Für die Vorhersage der Zufallsvariablen Y, wenn die beobachtete Zufallsvariable X ist, verwenden wir g(X) als Funktion, die den vorhergesagten Wert angibt, offensichtlich wir versuche g(X) geschlossen zu Y zu wählen dafür das beste g ist g(X)=E(Y|X) dafür müssen wir den Wert von g minimieren mit der Ungleichung
Diese Ungleichung können wir erhalten als
Bei gegebenem X kann jedoch E[Y|X]-g(X) als Funktion von X als Konstante behandelt werden. So,
was die erforderliche Ungleichung ergibt
Beispiele zur Vorhersage
1. Es wird beobachtet, dass die Körpergröße einer Person 1 m beträgt, was wäre die Vorhersage der Körpergröße seines Sohnes nach dem Erwachsenwerden, wenn die Körpergröße des Sohnes, die jetzt x Zoll beträgt, normal mit dem Mittelwert x + 4 und der Varianz XNUMX verteilt ist.
Lösung: Sei X die Zufallsvariable, die die Größe der Person angibt, und Y die Zufallsvariable für die Größe des Sohnes, dann ist die Zufallsvariable Y
Y=X+e+1
hier repräsentiert e die normale Zufallsvariable unabhängig von der Zufallsvariablen X mit Mittelwert Null und Varianz vier.
die Vorhersage für die Größe der Söhne lautet also
so wird die Größe des Sohnes nach dem Wachstum 73 Zoll betragen.
2. Betrachten Sie ein Beispiel für das Senden von Signalen von Standort A und Standort B, wenn von Standort A ein Signalwert s gesendet wird, der an Standort B durch Normalverteilung mit Mittelwert s und Varianz 1 empfangen wird, während das an A gesendete Signal S normalverteilt ist Wie können wir mit dem Mittelwert \mu und der Varianz \sigma^2 vorhersagen, dass der von Ort A gesendete Signalwert R am Ort B empfangen wird?
Lösung: Die Signalwerte S und R bezeichnen hier die normalverteilten Zufallsvariablen, zunächst finden wir die bedingte Dichtefunktion S gegeben R als
dieses K ist nun unabhängig von S
hier auch C1 und C2 unabhängig von S sind, daher ist der Wert der bedingten Dichtefunktion
C ist auch unabhängig von s. Somit ist das von Ort A als R gesendete und am Ort B als r empfangene Signal normal mit Mittelwert und Varianz
und der mittlere quadratische Fehler für diese Situation ist
Linearer Prädiktor
Immer wenn wir die gemeinsame Wahrscheinlichkeitsdichtefunktion nicht finden können, sind nicht einmal der Mittelwert, die Varianz und die Korrelation zwischen zwei Zufallsvariablen bekannt. In einer solchen Situation ist ein linearer Prädiktor einer Zufallsvariablen in Bezug auf eine andere Zufallsvariable sehr hilfreich, der das Minimum vorhersagen kann , also nehmen wir für den linearen Prädiktor der Zufallsvariablen Y in Bezug auf die Zufallsvariable X a und b zur Minimierung
Unterscheide nun teilweise nach a und b und wir erhalten
Wenn wir diese beiden Gleichungen nach a und b lösen, erhalten wir
die Minimierung dieser Erwartung ergibt den linearen Prädiktor als
wobei die Mittelwerte die jeweiligen Mittelwerte der Zufallsvariablen X und Y sind, erhält man den Fehler für den linearen Prädiktor mit der Erwartung von obtained
Dieser Fehler liegt näher bei Null, wenn die Korrelation perfekt positiv oder perfekt negativ ist, dh der Korrelationskoeffizient ist entweder +1 oder -1.
Zusammenfassung
Die bedingte Varianz für die diskrete und stetige Zufallsvariable Es wurden verschiedene Beispiele besprochen. Eine der wichtigen Anwendungen der bedingten Erwartung in der Vorhersage wird auch anhand geeigneter Beispiele und des besten linearen Prädiktors erläutert. Wenn Sie weitere Informationen benötigen, klicken Sie auf die folgenden Links.
Weitere Beiträge zu Mathematik finden Sie in unserem Mathematik Seite
Ein erster Wahrscheinlichkeitskurs von Sheldon Ross
Schaums Umrisse von Wahrscheinlichkeit und Statistik
Eine Einführung in Wahrscheinlichkeit und Statistik von ROHATGI und SALEH
Ich bin Dr. Mohammed Mazhar Ul Haque. Ich habe meinen Ph.D. abgeschlossen. in Mathematik und arbeitet als Assistenzprofessor für Mathematik. Verfügt über 12 Jahre Erfahrung im Unterrichten. Verfügt über umfangreiche Kenntnisse in reiner Mathematik, insbesondere in Algebra. Sie verfügen über die immense Fähigkeit, Probleme zu entwerfen und zu lösen. Kann Kandidaten motivieren, ihre Leistung zu steigern.
Ich liebe es, zu Lambdageeks beizutragen, um Mathematik sowohl für Anfänger als auch für Experten einfach, interessant und selbsterklärend zu machen.
Hallo Mitleser,
Wir sind ein kleines Team bei Techiescience, das hart mit den Großen zusammenarbeitet. Wenn Ihnen gefällt, was Sie sehen, teilen Sie unsere Inhalte bitte in den sozialen Medien. Ihre Unterstützung macht einen großen Unterschied. Danke schön!