문과생 네버랜드의 데이터 창고

정의 1) 다변량 확률변수에서 역변환이 정의 가능할 때(즉 역함수가 존재할 때) 역변환으로 함수를 재정의 하는것을 변환이라고 한다 2) $y_{1} = u_{1}(x_{1}, x_{2}, ... x_{n})$, $y_{2} = u_{2}(x_{1}, x_{2}, ..., x_{n})$, ... , $y_{n} = u_{n}(x_{1}, x_{2}, ..., x_{n})$을 정의할 때 ${(1)}$ $x_{1} = w_{1}(y_{1}, y_{2}, ..., y_{n})$, $x_{2} = w_{2}(y_{1}, y_{2}, ..., y_{n})$, ... ,$x_{n} = w_{n}(y_{1}, y_{2}, ..., y_{n})$이라는 역함수를 정의할 수 있으면 ${(2)}$ 함수와 역함수는 다음과 같은..

공분산 행렬 $\overrightarrow{x}=\begin{bmatrix} x_{1}\\... \\x_{n} \end{bmatrix}$인 확률벡터를 정의하자. 1) 이 때, 확률변수 X의 평균 $\mu = E(x)$일 때, 분산-공분산 행렬 Cov(x) ${(1)}$ $Cov(x) = E[(x-\mu)(x-\mu)^{T}]$ = $[\sigma_{ij}]$ 이다. 즉 ${(2)}$ $\begin{bmatrix} \begin{bmatrix} x_{1}\\... \\x_{n} \end{bmatrix} - \begin{bmatrix} \mu_{1}\\... \\ \mu_{n} \end{bmatrix} \end{bmatrix} \cdot \begin{bmatrix} \begin{bmatrix} x_{1}\\...