Professional Documents
Culture Documents
Httpriped - Utcc.ac - Thteewp-Contentuploadssites32019083 Bivariate Dist PDF
Httpriped - Utcc.ac - Thteewp-Contentuploadssites32019083 Bivariate Dist PDF
Httpriped - Utcc.ac - Thteewp-Contentuploadssites32019083 Bivariate Dist PDF
©Kilenthong 2019
Theorem
กำหนดให A1 , . . . , An เปนเหตุการณใดๆ โดยที่ Pr (A1 ∩ A2 ∩ · · · ∩ An−1 ) > 0 แลว
Pr (A1 ∩ · · · ∩ An ) = Pr (A1 ) Pr (A2 |A1 ) · · · Pr (An |A1 ∩ · · · ∩ An−1 ) (4)
2 Pr (S|B) ≥ 0 ซึ่งเปนผลมาจากการที่
Pr (S ∩ B) Pr (B)
Pr (S|B) = = =1
Pr (B) Pr (B)
ซึ่งเปนผลมาจากการที่ Pr (S ∩ B) = Pr (B)
3 พิจารณา
!∞ # $ % %
" ## Pr ([ ∞i =1 Ai ] ∩ B) Pr ( ∞i=1 [Ai ∩ B])
Pr Ai #B = =
i=1
# Pr ( B ) Pr (B)
เนื่องจาก A1 , A2 , . . . ไมมีสวนรวมตอกัน (disjoint events) ทำให A1 ∩ B, A2 ∩ B, . . . ไมมีสวน
รวมตอกันเชนเดียวกั#น ดังนั้น
!∞ $ %
" ## Pr ( ∞ ∞ ∞
i=1 [Ai ∩ B]) = Pr (A ∩ B) &
&
Pr Ai #B = = Pr (Ai |B)
i=1
# Pr (B) i=1
Pr (B) i=1
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 7 / 45
การแบงสวน (partition) และ กฏของความนาจะเปนรวม (Law of total
probability)
Definition
กำหนดให S คือปริภูมิตัวอยาง (sample space) ของการทดลองอันหนึ่ง และ B1 , B2 , . . . , Bk คือเหตุกา
%
รณใดๆ ในปริภูมิตัวอยาง S ที่ไมมีสวนรวมตอกัน (disjoint) และ ki=1 Bi = S ในกรณีนี้ เราเรียก
เหตุการณเหลานี้วาเปนการแบงสวน (partition) ของปริภูมิตัวอยาง S
ดังนั้น ความนาจะเปนของการจับไดลูกบอลสีฟาเทากับ
1 7 1 1 19
Pr (A) = × + × =
2 10 2 4 40
Definition
เหตุการณ A และ B เปนอิสระตอกัน (independent) ถา
Pr (A ∩ B) = Pr (A) Pr (B) (6)
Definition
เหตุการณ A1 , . . . , An เปนอิสระตอกัน (independent) ถาทุกๆ กลุมเหตุการณ k เหตุการณใดๆ
Ai , . . . , Aik สำหรับ k = 2, . . . , n
1
Definition
กลุมเหตุการณ A1 , . . . , An เปนอิสระตอกันแบบมีเงื่อนไข (conditionally independent) ภายใต
เงื่อนไขของเหตุการณ B ถา
Pr (Ai ∩ · · · ∩ Aim |B) = Pr (Ai |B) · · · Pr (Aim |B)
1 1 (9)
สำหรับทุกๆ กลุมยอย Ai , . . . , Aim ของ 2 ≤ m ≤ n เหตุการณ
1
Definition
การแจกแจงรวม (joint distribution) ของตัวแปรสุม X และ Y คือเซ็ตของความนาจะเปนทุกอัน
ที่อยูในรูปแบบ Pr ((X, Y) ∈ C) สำหรับเซ็ตของจำนวนจริงสองจำนวน C ทุกเซ็ต โดยที่
{(X, Y) ∈ C} เปนเหตุการณ
Definition
ตัวแปรสุม X และ Y มีการแจกแจงรวมไมตอเนื่อง (discrete joint distribution) ถาคา
จำนวนจริงทั้งสองจำนวน (x, y) ที่เปนไปไดของ (X, Y) มีจำนวนจำกัด (finite) หรืออยางมาก
ตองเปนอนุกรมอนันตที่นับได (countable)
Theorem
ถา X และ Y ตางเปนตัวแปรสุมที่มีการแจกแจงไมตอเนื่อง แลว (X, Y) มีการแจกแจงรวมไมตอ
เนื่อง (discrete joint distribution)
Proof.
คาที่เปนไปไดของตัวแปรสุมแตละตัวมีจำนวนจำกัด (finite) แลวคาจำนวนจริงทั้งสอง
จำนวน (x, y) ที่เปนไปไดของ (X, Y) จะตองมีจำนวนจำกัดตามไปดวย
ถาแตละตัวมีคาที่เปนไปไดเปนอนันตแตนับได (countably infinite) แลวคาจำนวนจริงทั้ง
สองจำนวน (x, y) ที่เปนไปไดของ (X, Y) จะตองเปนอนันตแตนับได (countably
infinite)
! กลุมที่ผลตอบแทนนอยกวาเงินลงทุน (ขาดทุน)
ตัวเลขในแตละชองนั้นแทนฟงกชันความนาจะเปนรวมของตัวแปรสุมสองตัว
! ผลตอบแทนของกองทุน
! ประเภทการลงทุนของกองทุน
Definition
ตัวแปรสุม X และ Y มีการแจกแจงตอเนื่องรวม (continuous joint distribution) ถามีฟงกชันที่ไมเปนลบ
(nonnegative function) f ที่
((
Pr ((X, Y) ∈ C) = f (x, y) dxdy (14)
C
Theorem
การแจกแจงตอเนื่องรวม (continuous joint distribution) นิยามบนระนาบ xy ใดๆ สอดคลองกับเงื่อนไข
ตอไปนี้
1 ความนาจะเปนของจุดใดๆ หรือของอนุกรมอนันตของจุดใดๆ ในระนาบ xy มีคาเทากับศูนยเสมอ
Example
กำหนดใหตัวแปรสุม X และ Y มีฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) ดัง
ตอไปนี้
)
cx2 y, สำหรับ x2 ≤ y ≤ 1,
f (x, y) =
0, สำหรับกรณีอื่น
ขอสังเกตในทางคณิตศาสตรอันหนึ่งคือ ลำดับในการอินทิเกรตไมมีผลตอการหาคาคงที่มาตรฐานในขอนี้
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 24 / 45
ตัวอยาง: การคำนวณหา Pr (X ≥ Y)
Example
พิจารณาตัวแปรสุม X และ Y ซึ่งมีฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.)
เชนเดียวกับในตัวอยางเดียวกับตัวอยางที่แลว คำถามก็คือ ความนาจะเปนที่ X ≥ Y มีคาเทากับ
เทาใด เราสามารถหาคำตอบนี้ไดโดยใชสมการที่ 14 ดังตอไปนี้
( 1( x 21 3
Pr (X ≥ Y) = x2 ydydx =
0 x2 4 20
คุณสมบัติที่
กำหนดให X และ Y เปนตัวแปรสุมที่มีการแจกแจงไมตอเนื่อง (discrete) และตอเนื่อง (continuous) ตามลำดับ
ฟงกชันความนาจะเปนรวม (joint p.f.) ของ X และ Y สอดคลองกับเงื่อนไขตอไปนี้
f (x, y) ≥ 0, สำหรับ (x, y) ใดๆ, (18)
! ∞
∞ (
f (xi , y) dy = 1 (19)
−∞ i=1
คุณสมบัติที่
กำหนดให X และ Y เปนตัวแปรสุมตอเนื่อง (continuous random variable) ฟงกชันความ
หนาแนนของความนาจะเปนรวม (joint p.d.f.) สามารถคำนวณจากฟงกชันการแจกแจงสะสม
รวม (joint C.D.F.) ไดดังตอไปนี้
∂ 2 F (x, y) ∂ 2 F (x, y)
f ( x, y) = = (22)
∂ x∂ y ∂ y∂ x
Example
พิจารณาตัวแปรสุม X และ Y ที่มีฟงกชันการแจกแจงรวม (joint C.D.F.) เปน
1 * +
F (x, y) = xy x2 + y
156
Theorem
ถา X และ Y เปนตัวแปรสุมตอเนื่องที่มี f (x, y) แทนฟงกชันความหนาแนนของความนาจะเปน
รวม (joint p.d.f.) แลว ฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.)
ของตัวแปรสุม X และ Y คือ
( ∞
f1 (x) = f (x, y) dy, สำหรับ − ∞ < x < ∞ (29)
(−∞
∞
f2 (y) = f (x, y) dx, สำหรับ − ∞ < y < ∞ (30)
−∞
ดังนั้น เราสามารถสรุปไดวา
! ∞ ! ∞
f1 (x) = f (x, y) dy และ f2 (y) = f (x, y) dx
−∞ −∞
จากทฤษฎีขางตนสรุปไดวา
dF1 (x)
f1 (x) = , (32)
dx
dF (y)
f 2 ( y) = 2 (33)
dx
เราสามารถประยุกตใชหลักการที่วา สามารถแทนการอินทิเกรตไดดวยการหาผลรวม (summation)
หากตัวแปรสุมเปนแบบไมตอเนื่อง (discrete)
Theorem
ถา X เปนตัวแปรสุมไมตอเนื่อง (discrete) และ Y เปนตัวแปรสุมตอเนื่อง (continuous) ที่มี f (x, y) แทนฟงกชันความนาจะเปน
รวม (joint p.f.) แลว ฟงกชันความนาจะเปนตามขอบ (marginal p.f.) ของตัวแปรสุม X คือ
" ∞
f1 (x) = Pr (X = x) = f (x, y) dy, (35)
−∞
f (x, y) =
0, สำหรับกรณีอื่น
Definition
ตัวแปรสุมสองตัว (X, Y) เปนอิสระตอกัน (independent) ถา
Pr (X ∈ A และ Y ∈ B) = Pr (X ∈ A) Pr (Y ∈ B) (37)
สำหรับทุกเซ็ตของจำนวนจริง A และ B ที่ {X ∈ A} และ {Y ∈ B} เปนเหตุการณ
Theorem
ตัวแปรสุมสองตัว (X, Y) เปนอิสระตอกัน (independent) ก็ตอเมื่อ (if and only if) เงื่อนไข
การแยกตัวประกอบ (factorization)
f (x, y) = f1 (x) f2 (y) (41)
เปนจริงสำหรับทุกๆ จำนวนจริง x และ y
Example
เงื่อนไขการแยกตัวประกอบตามสมการที่ (41) เปนจริงสำหรับคา 0 ≤ x ≤ 1 และ
0≤y≤1
สวนกรณีอื่นๆ นั้น f1 (x) = f2 (y) = f (x, y) = 0 ซึ่งสอดคลองสมการที่ (41)
สรุปไดวา ตัวแปรสุม X และ Y เปนอิสระตอกัน
Example
จากฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) ที่กำหนดให
*√ √ + √ 2 √ 2
! f 0.75, 0.75 = 0 เนื่องจาก 0.75 + 0.75 = 1.5 < 1
Theorem
ตัวแปรสุมสองตัว (X, Y) มีการแจกแจงรวมตอเนื่อง (continuous joint distribution) สมมุติวา
สวนค้ำจุน (support) ของตัวแปรสุม (X, Y) ซึ่งนิยามโดย {(x, y) : f (x, y) > 0} “เปน
สี่เหลี่ยมมุมฉาก (อาจจะไมมีขอบเขตก็เปนได) โดยแตละดานขนานกับแกนของปริภูมิของยุค
ลิค (Euclidean space)” แลว (X, Y) เปนอิสระตอกัน (independent) ก็ตอเมื่อ (if and
only if) เงื่อนไขการแยกตัวประกอบ (factorization)
f (x, y) = f1 (x) f2 (y) (42)
เปนจริงสำหรับทุกๆ จำนวนจริง x และ y
Proof.
พิจารณาเหตุการณ H = {h (X) ≤ r} ซึ่งสามารถแปลงใหอยูในรูปของเซ็ตของ x ไดเปน A ≡ {x : h (x) ≤ r} ในทำนอง
เดียวกัน สามารถแปลงเหตุการณ G = {g (Y) ≤ s} ไดเปน B ≡ {y : g (y) ≤ s} เนื่องจาก X และ Y เปนอิสระตอกัน
(independent) ดังนั้น
Pr (X ∈ A และ Y ∈ B) = Pr (X ∈ A) Pr (Y ∈ B)