Lecture 11: Derived Distributions； Convolution； Covariance and Correlation

前言：这节课继续上节课，讲如何求g(X)的分布，这回扩展到多个input，g(X，Y) 的分布。介绍了当g(X) 是严格单调情况的简化算法。以及当W = X + Y; X,Y independent 这种特殊情况的算法

如图算得$E[Z]=\infty$，可见一些分布的期望可以是无限的。

因为上题中X 和 Y 是独立的，所以$Y和\frac{1}{X}$也是独立的。所以第二个等式正确。

记住这些公式的前提是要严格单调


假设x均匀分布，当g(x)趋近于0 时，有很多x落在这个范围，所以$f_Y(y)$比较大，同理当g(x)趋近于2 时，由公式可见$f_Y(y)$与g(x) 的斜率成反比。



当x 和y在一个椭圆上时joint PDF 是个常数

通过convolution计算，两个独立的正太分布的和也是正态分布

协方差的概念和推导，注意期望的加和不要求独立，方差加和要求独立。