Używając znajomej tożsamości, którą wskazałeś,
v a r (XY) = E( X2)Y2)) - E( XY)2)
Stosując analogiczną formułę kowariancji,
mi( X2)Y2)) = c o v ( X2), Y2)) + E( X2)) E( Y2))
i
mi( XY)2)= [ c o v ( X, Y) + E( X) E( Y) ]2)
co oznacza, że ogólnie, można zapisać jakov a r (XY)
c o v ( X2), Y2)) + [ v a r ( X) + E( X)2)] ⋅ [ v a r ( Y) + E( Y)2)] - [ c o v ( X, Y) + E( X) E( Y) ]2)
Należy zauważyć, że w przypadku niezależności a to zmniejsza się doc o v ( X2), Y2)) = c o v ( X, Y) = 0
[ v a r ( X) + E( X)2)] ⋅ [ v a r ( Y) + E( Y)2)] - [ E( X) E( Y) ]2)
i dwa warunki anulują się i otrzymasz[ E( X) E( Y) ]2)
v a r (X) v a r ( Y) + v a r ( X) E( Y)2)+ v a r ( Y) E( X)2)
jak wskazałeś powyżej.
Edycja: Jeśli wszystko, co obserwujesz, to a nie X i Y osobno, to nie sądzę, że istnieje sposób na oszacowanie c o v ( X , Y ) lub c o v ( X 2 , Y 2 ), z wyjątkiem w szczególnych przypadkach (na przykład, jeśli X , Y mają środki znane z góry )XYXYc o v ( X, Y)c o v ( X2), Y2))X,Y