在有些时候,直接计算随机变量的方差非常麻烦,此时可以用方差分解公式,将方差分解为条件期望的方差加条件方差的期望:
Var(X)=Var[E(X|Y)]+E[Var(X|Y)]
证明非常简单,注意到
\begin{aligned}
\text{Var}[\text{E}(X|Y)] =& \text{E}\left\{\left[\text{E}(X|Y)\right]^2\right\} - \left\{\text{E}\left[\text{E}(X|Y)\right]\right\}^2\\
=& \text{E}\left\{\left[\text{E}(X|Y)\right]^2\right\} - \left[\text{E}(X)\right]^2
\end{aligned}
和
\begin{aligned}
\text{E}[\text{Var}(X|Y)] =& \text{E}\left\{\text{E}(X^2|Y) - [\text{E}(X|Y)]^2\right\}\\
=& \text{E}(X^2) - \text{E}\left\{\left[\text{E}(X|Y)\right]^2\right\}
\end{aligned}
将上面两式相加,即得证。
同名公众号:分析101
【推荐】凌霞软件回馈社区,携手博客园推出1Panel与Halo联合会员
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· Java虚拟机代码是如何一步一步变复杂且难以理解的?
· 领域驱动的事实与谬误 一 DDD 与 MVC
· SQL Server 2025 中的改进
· 当数据爆炸遇上SQL Server:优化策略全链路解析
· 记录一次线上问题排查:JDK序列化问题
· 一个包含 80+ C#/.NET 编程技巧实战练习开源项目!
· Excel百万数据高性能导出方案!
· DeepWiki:AI驱动、免费且实用的 GitHub 源码阅读与分析神器!
· JavaScript 没有“包”
· 上周热点回顾(4.28-5.4)