G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Flerdimensional stokastisk variabel<br />
Man kan (som det ses nedenfor) vise, at<br />
X 1 og X 2 stat. uafhængige ⇒ E( X ⋅ X ) = E( X ) ⋅ E( X ) ⇔ V( X , X ) = 0 ⇔ ρ(<br />
X , X ) = 0<br />
Bevis: Vi har<br />
X 1 og X 2 stat. uafhængige ⇔ f ( x , x ) = f ( x ) ⋅ f ( x )<br />
i j i j i j i j<br />
i j i i j j<br />
∑∑ ∑∑<br />
⇒ E( X ⋅ X ) = x ⋅x ⋅ f ( x , x ) = x ⋅x ⋅ f ( x ) ⋅ f ( x )<br />
∑<br />
i j i j i j<br />
xi<br />
x j<br />
xi<br />
x j<br />
∑<br />
128<br />
i j i i j j<br />
= xi ⋅ fi( xi) xj ⋅ f j( xj) = E( Xi) ⋅E(<br />
X j)<br />
xi x j<br />
⇔ V( Xi, X j) = E( Xi ⋅ X j) − µ i ⋅ µ j =<br />
V( Xi, X j)<br />
E( Xi) ⋅ E( X j) − µ i ⋅ µ j = 0 ⇔ ρ(<br />
Xi, X j)<br />
=<br />
= 0.<br />
σ ⋅ σ<br />
Estimater for kovarians, varians og korrelationskoefficient<br />
Ud fra en stikprøve ( x1, y1),( x2, y2), ...,( xn, yn)<br />
kan man beregne<br />
SAPXY n<br />
≡ ∑ ( xi − x) ⋅( yi − y)<br />
,<br />
n<br />
2<br />
SAKX ≡ ∑ ( xi − x)<br />
,<br />
n<br />
SAKX ≡ ∑ ( xi − x)<br />
i=<br />
1<br />
( SAP = “Sum af Afvigelsers Produkter” , SAK = “Sum af Afvigelsers Kvadrater” )<br />
og heraf danne estimater for kovarians, varianser og korrelationskoefficient:<br />
SAPXY<br />
SAK X SAKY<br />
kovarians: V( X, Y)<br />
≈ og varianser: V( X)≈<br />
, VY ( )≈<br />
n − 1<br />
n − 1 n − 1<br />
korrelationskoefficient: ρ( XY , ) ≈r≡ i=<br />
1<br />
SAPXY<br />
SAK ⋅ SAK<br />
X Y<br />
Det kan således vises (for enhver fordelingstype), at<br />
E , ,<br />
SAP ⎛ XY ⎞<br />
⎜ ⎟ = V( X, Y)<br />
⎝ n − 1 ⎠<br />
E SAK ⎛ X ⎞<br />
⎜ ⎟ = V( X)<br />
⎝ n − 1 ⎠<br />
E SAK ⎛ Y ⎞<br />
⎜ ⎟ = VY ( )<br />
⎝ n − 1 ⎠<br />
Bevis: Vi har<br />
n<br />
n<br />
∑ ( )( ) ∑ ( ( i µ x) ( µ x) ( ( i µ Y) ( µ Y)<br />
)<br />
SAP = X − X Y − Y = X − − X − ⋅ Y − − Y −<br />
XY i i<br />
i=<br />
1 i=<br />
1<br />
n<br />
n<br />
∑ ∑<br />
∑ ∑<br />
= ( X − µ )( Y − µ ) + ( X − µ )( Y − µ ) − ( X − µ )( Y − µ ) − ( X − µ )( Y − µ )<br />
i x i Y<br />
x Y i x Y<br />
x i Y<br />
i=<br />
1 i=<br />
1<br />
i=<br />
1 i=<br />
1<br />
n<br />
∑ ( Xi i=<br />
1<br />
n<br />
µ x)( Yi µ Y)<br />
n ( X µ x)( Y µ Y) ( nX n µ x)( Y µ Y) ( X µ x)( nY n µ Y)<br />
= − − + ⋅ − − − − ⋅ − − − − ⋅<br />
= ∑ ( Xi − µ x)( Yi − µ Y)<br />
− n⋅( X − µ x)( Y − µ Y)<br />
.<br />
i=<br />
1<br />
Altså fås ved hjælp af linearitetsreglen:<br />
n<br />
E( SAPXY ) = ∑ E ( Xi− µ x )( Yi− µ Y ) − n⋅E ( X − µ x )( Y − µ Y )<br />
i=<br />
1<br />
n<br />
( ) ( )<br />
1<br />
= ∑ V( Xi, Yi)<br />
− ⋅ E ( X1 + X2+ ... + Xn − n⋅ i=<br />
1 n<br />
x)( Y1 + Y2+ ... + Yn − n⋅<br />
Y)<br />
n<br />
⎛ n<br />
n<br />
1<br />
⎞<br />
= ∑V( X, Y)<br />
− ⋅E⎜∑( Xi− µ x) ∑(<br />
Yj<br />
− µ<br />
Y ) ⎟<br />
i=<br />
1 n ⎝ i=<br />
1 j=<br />
1 ⎠<br />
n<br />
( µ µ )<br />
n<br />
i=<br />
1<br />
2<br />
i j