Conditional Probability and Bivariate Distributions

รศ.ดร. วีระชาติ กิเลนทอง

มหาวิทยาลัยหอการคาไทย

©Kilenthong 2019

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 1 / 45

Main issue

ความนาจะเปนแบบมีเงื่อนไข (Conditional Probability)

! ความเปนอิสระตอกัน (Independent Events)
! ทฤษฎีบทของเบส (Bayes’ Theorem)
การแจกแจงของสองตัวแปร (ฺBivariate Distributions)
! การแจกแจงตามขอบ (Marginal Distributions)
! การเปนอิสระตอกันระหวางตัวแปรสุม
เมื่อเราพิจารณาตัวแปรสุม เราควรตองถามวา ตัวแปรสุมนั้นมีการแจกแจงอยางไร? เพราะ
! การแจกแจง (distribution) คือผลของการรวบรวมคุณสมบัติเชิงความนาจะเปน
(probabilistic properties) ทั้งหมดของตัวแปรสุม

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 2 / 45

นิยามของความนาจะเปนแบบมีเงื่อนไข (Conditional Probability)
เรามีคำถามมากมายในชีวิตประจำวันที่อยูในรูปแบบของความนาจะเปนแบบมีเงื่อนไข
(conditional probability) ยกตัวอยางเชน เราอาจจะอยากทราบวา ผูชายมีโอกาสปวย
เปนโรคหัวใจมากนอยแคไหน?
ความนาจะเปนแบบมีเงื่อนไข (conditional probability) ยังเปนรากฐานที่สำคัญของการ
พยากรณ (prediction) หรือการประมาณการณ (estimation)
Definition
กำหนดให A และ B เปนเหตุการณใดๆ ความนาจะเปนแบบมีเงื่อนไข (conditional
probability) ของเหตุการณ A เมื่อกำหนดใหวาเหตุการณ B เกิดขึ้น คือ
Pr (A ∩ B)
Pr (A|B) = (1)
Pr (B)
โดยที่ Pr (B) > 0 จะตองมีคามากกวาศูนยเทานั้น หาก Pr (B) มีคาเทากับศูนยแลว Pr (A|B)
จะไมมีความหมาย
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 3 / 45
ตัวอยาง: การคำนวณหาความนาจะเปนแบบมีเงื่อนไข (conditional
probability)
สมมุติวาเราทราบวาผลรวมของการโยนลูกเตาสองครั้ง Y มีคาเปนเลขคู แลวความนาจะเปนที่ Y จะ
มีคานอยกวา 8 เปนเทาใด?
กำหนดให A คือเหตุการณที่ Y จะมีคานอยกวา 8 และ B คือเหตุการณที่ Y มีคาเปนเลขคูนั้นคือ เรา
ตองการหา “Pr (A|B)”
เริ่มจากการหาความนาจะเปนของเหตุการณ B
1 3 5 5 3 1 18 1
Pr (B) = + + + + + = =
36 36 36 36 36 36 36 2
ผลรวมของการโยนลูกเตาสองครั้ง Y มีคาเปนเลขคูและมีคานอยกวา 8 ไดเปน
1 3 5 9 1
Pr (A ∩ B) = + + = =
36 36 36 36 4
ดังนั้น ความนาจะเปนแบบมีเงื่อนไข (conditional probability) ของเหตุการณ A เมื่อกำหนดใหวา
เหตุการณ B เกิดขึ้น มีคาเทากับ
Pr (A ∩ B) 1
1
Pr (A|B) = = 4
=
Pr (B) 1
2
2
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 4 / 45
กฏการคูณของความนาจะเปนแบบมีเงื่อนไข (multiplication rule for
conditional probabilities)
Theorem
กำหนดให A และ B เปนเหตุการณใดๆ ถา Pr (B) > 0 แลว
Pr (A ∩ B) = Pr (B) Pr (A|B) (2)
และในทำนองเดียวกัน ถา Pr (A) > 0 แลว
Pr (A ∩ B) = Pr (A) Pr (B|A) (3)

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)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 5 / 45

ตัวอยาง: กฏการคูณของความนาจะเปนแบบมีเงื่อนไข
พิจารณาการทดลองที่ตองจับลูกบอลครั้งละลูกทั้งหมด 4 ครั้ง โดยไมใสลูกบอลกลับเขาไป จากกลองที่มีลูกบอล
สีแดง ρ ลูก และ ลูกบอลสีฟา β ลูก
คำถาม: ความนาจะเปนที่ผลของการจับลูกบอลเปน สีแดง สีฟา สีแดง สีฟา มีคาเทาใด?
กำหนดใหเหตุการณ Rj แทนเหตุการณที่จับไดลูกบอลสีแดงในการจับครั้งที่ jth และ Bj แทนเหตุการณที่จับได
ลูกบอลสีฟาในการจับครั้งที่ jth
ดังนั้น สิ่งที่เราตองการหาคือ
Pr (R1 ∩ B2 ∩ R3 ∩ B4 ) = Pr (R1 ) Pr (B2 |R1 ) Pr (R3 |R1 ∩ B2 ) Pr (B4 |R1 ∩ B2 ∩ R3 )
เราเหลือเพียงแคตองหาคาของความนาจะเปนแบบมีเงื่อนไขแตละพจนซึ่งมีคาเทากับ
ρ β
Pr (R1 ) = , Pr (B2 |R1 ) = ,
ρ+β ρ+β−1
ρ−1 β−1
Pr (R3 |R1 ∩ B2 ) = , Pr (B4 |R1 ∩ B2 ∩ R3 ) =
ρ+β−2 ρ+β−3

ดังนั้น ความนาจะเปนที่ผลของการจับลูกบอลเปน สีแดง สีฟา สีแดง สีฟา มีคาเทากับ

ρ β ρ−1 β−1
Pr (R1 ∩ B2 ∩ R3 ∩ B4 ) = × × ×
ρ+β ρ+β−1 ρ+β−2 ρ+β−3

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 6 / 45

ความนาจะเปนแบบมีเงื่อนไข (conditional probability) เปนมาตรวัด
ความนาจะเปน (probability measure) อันหนึ่ง
ความนาจะเปนแบบมีเงื่อนไข (conditional probability) สอดคลองกับสัจพจนของความนาจะเปน
1 Pr (A|B) ≥ 0 ซึ่งเปนผลมาจากการที่ Pr (A ∩ B) ≥ 0 และ Pr (B) > 0

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

Theorem (กฏของความนาจะเปนรวม (Law of total probability))

กำหนดให B1 , B2 , . . . , Bk เปนการแบงสวน (partition) ของปริภูมิตัวอยาง S และ Pr (Bi ) > 0 สำหรับ
i = 1, . . . , k ดังนั้น สำหรับเหตุการณ A ⊂ S ใดๆ
k
&
Pr (A) = Pr (Bi ) Pr (A|Bi ) (5)
i=1

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 8 / 45

ตัวอยาง : กฏของความนาจะเปนรวม (Law of total probability)
สมมุติวามีกลองบรรจุลูกบอลทั้งหมด 2 กลอง โดยกลองแรกมีลูกบอลสีฟา 70 ลูก และลูกบอลสีแดง
30 ลูก สวนกลองที่สองมีลูกบอลสีฟา 10 ลูก และลูกบอลสีแดง 30 ลูก
กำหนดให B1 และ B2 คือเหตุการณที่กลองที่หนึ่งและกลองที่สองถูกเลือกตามลำดับ
คำถาม : หากการเลือกกลองเปนแบบสุม ความนาจะเปนของการจับไดลูกบอลสีฟาเปนเทาใด?
กำหนดให A คือเหตุการณที่จับไดลูกบอลสีฟา ดังนั้น ความนาจะเปนของการจับไดลูกบอลสีฟา
สามารถเขียนในรูปของกฏของความนาจะเปนรวมไดเปน
Pr (A) = Pr (B1 ) Pr (A|B1 ) + Pr (B2 ) Pr (A|B2 )
เนื่องเราสุมเลือกกลอง ดังนั้น Pr (B1 ) = Pr (B2 ) = 12 Pr (A|B1 ) = 7
10 , Pr (A|B2 ) = 1
4

ดังนั้น ความนาจะเปนของการจับไดลูกบอลสีฟาเทากับ
1 7 1 1 19
Pr (A) = × + × =
2 10 2 4 40

ขอสังเกต: หากเราคิดโดยรวมเอาทั้งสองกลองเขาดวยกันจะทำใหมีลูกบอลสีฟา 80 ลูก และลูกบอล

สีแดง 60 ลูก ซึ่งในกรณีนี้จะไดความนาจะเปนของการจับไดลูกบอลสีฟาเทากับ 47 แทน
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 9 / 45
นิยามของความเปนอิสระตอกัน (Independence)
เหตุการณสองเหตุการณจะเปนอิสระตอกันก็ตอเมื่อ เราทราบวามีเหตุการณหนึ่งเกิดขึ้นแลว ไมไดมี
ผลกระทบ ตอความนาจะเปนของอีกเหตุการณหนึ่ง กลาวคือ Pr (A|B) = Pr (A) และ
Pr (B|A) = Pr (B)

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

Pr (Ai ∩ · · · ∩ Aik ) = Pr (Ai ) ∩ · · · ∩ Pr (Aik )

1 1 (7)
โดยที่ดัชนี ij ∈ {1, 2, . . . , n} คือดัชนีที่บอกวาเปนเหตุการณใด เชน i1 = 4 หมายความวา Ai = A4 1

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 10 / 45

ตัวอยางของความเปนอิสระตอกัน (Independence)

พิจารณาการโยนลูกเตาหนึ่งครั้ง กำหนดให A เปนเหตุการณที่ผลการโยนเปนเลขคี่ และ

B เปนเหตุการณที่ผลการโยนเปนตัวเลขใดตัวเลขหนึ่งในเซ็ต {1, 2, 3, 4}
ความนาจะเปนของทั้งสองเหตุการณเทากับ Pr (A) = 12 และ Pr (B) = 23
เราตองการตรวจสอบวาสองเหตุการณนี้เปนอิสระตอกันหรือไม?
เนื่องจาก A ∩ B = {1, 3} ดังนั้น Pr (A ∩ B) = 13 ซึ่งมีคาเทากับ
Pr (A) × Pr (B) = 12 × 23
ดังนั้น เราจึงสามารถสรุปไดวา A และ B เปน “อิสระตอกัน (independent)”

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 11 / 45

ตัวอยาง: ความเปนอิสระตอกันของกลุมยอยไมการันตีความเปนอิสระตอ
กันของกลุมใหญ
พิจารณาการโยนเหรียญสองครั้งติดตอกัน โดยมีปริภูมิตัวอยาง S = {HH, HT, TH, TT}
โดยที่ H แทนผลการโยนที่เปนหัว และ T แทนผลการโยนที่เปนกอย
กำหนดให A = {HH, HT} , B = {HH, TH} , C = {HH, TT},
ดังนั้น Pr (A) = Pr (B) = Pr (C) = 12
ในขณะเดียวกัน เราสามารถแสดงไดวา A ∩ B = A ∩ C = B ∩ C = {HH} ซึ่งทำใหเรา
สามารถคำนวณไดวา
1
Pr (A ∩ B) = Pr (A ∩ C) = Pr (B ∩ C) =
4
โดยสรุปเหตุการณ A, B และ C เปนอิสระตอกันเปนคู (pairwise independent) แต
เหตุการณเหลานี้ “ไมไดเปนอิสระตอกัน” เพราะ
1
Pr (A ∩ B ∩ C) =
4
มีคาแตกตางจาก Pr (A) Pr (B) Pr (C)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 12 / 45
ความเปนอิสระตอกัน (Independence) และความเปนอิสระตอกันแบบมี
เงื่อนไข (Conditionally Independence)
Theorem
กำหนดให A1 , . . . , An เปนเหตุการณใดๆ โดยที่ Pr (A1 ∩ · · · ∩ An−1 ∩ An ) > 0 ดังนั้น A1 , . . . , An
เปนอิสระตอกัน (independent) ก็ตอเมื่อ สำหรับเซ็ตที่ไมมีสวนรวมกันสองเซ็ต {i1 , . . . , im } และ
{j1 , . . . , jl } ซึ่งเปนสับเซ็ตของ {1, . . . , n}

Pr (Ai ∩ · · · ∩ Aim |Aj ∩ · · · ∩ Ajl ) = Pr (Ai ∩ · · · ∩ Aim )

1 1 1 (8)

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

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 13 / 45

ความสัมพันธระหวางการเปนอิสระตอกัน (independent) และการไมมี
สวนรวมตอกัน (mutually exclusive)

ถึงแมวาชื่อของทั้งสองหลักการจะดูมีสวนคลายกันไมนอย แตในความเปนจริงแลว กลุมของ

เหตุการณโดยทั่วไปจะไมสามารถสอดคลองกับทั้งสองหลักการพรอมกันได
เนื่องจากการเปน อิสระตอกัน (independent) เปนเงื่อนไขที่กำหนดวา การเรียนรูเกี่ยวกับ
เหตุการณหนึ่งจะตอง ไมมีผล ตอความนาจะเปนของเหตุการณหนึ่ง
ในขณะที่ การไมมีสวนรวม (mutually exclusive or disjoint) กลับบอกวาเมื่อทราบวา
เหตุการณหนึ่งเกิดแลวยอม ทราบทันทีวาอีกเหตุการณหนึ่งเกิดขึ้นไมได กลาวคือ ภายใตหลักการ
ไมมีสวนรวมตอกัน การเรียนรูเกี่ยวกับเหตุการณหนึ่งมีผลตอความนาจะเปนของเหตุการณหนึ่งเสมอ
ยกเวนในกรณีที่ เหตุการณอันหลังนั้นมีความนาจะเปนเทากับศูนยอยูแลว
เราสรุปไดวาหลักการสองอันนี้จะเปน จริงพรอมกันไมได ยกเวนในกรณีที่ เหตุการณทุกเหตุการณ
ยกเวนเพียงหนึ่งอันมีความนาจะเปนเทากับศูนย

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 14 / 45

นิยามของทฤษฎีบทของเบส

Theorem (ทฤษฎีบทของเบส (Bayes’ theorem))

กำหนดให B1 , B2 , . . . , Bk เปนการแบงสวน (partition) ของปริภูมิตัวอยาง S โดยที่ Pr (Bi ) > 0
สำหรับ i = 1, . . . , k และ A เปนเหตุการณใดๆ ที่ Pr (A) > 0 ดังนั้น สำหรับ i = 1, . . . , k
Pr (B ) Pr (A|Bi )
Pr (Bi |A) = 'k i (10)
j=1 Pr (Bj ) Pr (A|Bj )

ในมุมมองของสถิติแบบเบส (Bayesian Statistics) Pr (Bi ) มักจะถูกเรียกวาความนาจะเปนกอน

(prior probability) ซึ่งสะทอนถึงความรูหรือความเชื่อที่ผูวิเคราะหมีตอเหตุการณ Bi ซึ่งจะถูก
ปรับปรุงเมื่อมีขอมูลใหมเพิ่มเขามาซึ่งในที่นี้หมายถึงเหตุการณ A
ผลลัพธที่ไดจากการปรับปรุง (updating) Pr (Bi |A) มักจะถูกเรียกวาความนาจะเปนหลัง
(posterior probability)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 15 / 45

ตัวอยางของการประยุกตใชทฤษฎีบทของเบส
พิจารณาเทคโนโลยีการตรวจการติดเชื้ออันหนึ่ง โดยหากคนใดติดเชื้อจริง ความนาจะเปนที่ผลการตรวจจะออก
มาเปนบวกหรือบอกวาติดเชื้อมีคาเทากับ 0.90 ในขณะที่ ความนาจะเปนที่ผลการตรวจของคนที่ไมติดเชื้อจะ
ออกมาเปนบวกมีคาเทากับ 0.10
ขอมูลในภาพรวมยังบอกอีกวา โอกาสในการติดเชื้อในประชากรอยูที่ประมาณ 1 ใน 10,000
สมมุติวา ผูชายคนหนึ่งไปตรวจและพบวาไดผลการตรวจเปนบวก คำถามคือ ความนาจะเปนที่จริงๆ แลวเขาติด
เชื้อมีคาเทาใด?
กำหนดให A แทนเหตุการณที่ผลของการตรวจเชื้อออกมาเปนบวก สวน B1 แทนเหตุการณที่ผูชายคนนั้นติด
เชื้อ และ B2 แทนเหตุการณที่เขาไมไดติดเชื้อ
สิ่งที่เราตองการทราบคือ
Pr (B1 ) Pr (A|B1 ) 0.0001 ∗ 0.90
Pr (B1 |A) = =
Pr (B1 ) Pr (A|B1 ) + Pr (B2 ) Pr (A|B2 ) 0.0001 ∗ 0.90 + 0.9999 ∗ 0.10
ซึ่งมีคาเทากับ 0.0009
เพื่อใหเห็นผลของขอมูลภาพรวม เราลองสมมุติวาโอกาสในการติดเชื้อในประชากรอยูที่ประมาณ 1 ใน 100 ใน
กรณีนี้ ความนาจะเปนที่จริงๆ แลวเขาติดเชื้อมีคาเทากับ
0.01 × 0.90
Pr (B1 |A) = = 0.0833
0.01 × 0.90 + 0.99 × 0.10
ซึ่งชี้ใหเห็นวา หากโอกาสในการติดเชื้อในประชากรไมสูงมากนัก การตรวจการติดเชื้อที่มีระดับความเชื่อมั่นไม
ถึงรอยเปอรเซนตอาจจะไมคุมคาก็เปนได
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 16 / 45
การแจกแจงรวมของสองตัวแปร (Bivariate Distributions)

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)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 17 / 45

ทฤษฎีการแจกแจงรวมไมตอเนื่องของสองตัวแปร

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)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 18 / 45

นิยามและคุณสมบัติ: การแจกแจงรวมไมตอเนื่องของสองตัวแปร
Definition
ฟงกชันความนาจะเปนรวม (joint probability function) ของตัวแปรสุม X และ Y คือฟงกชัน f
ซึ่งนิยามสำหรับทุกคา (x, y) ในระนาบ xy โดยที่
f (x, y) = Pr (X = x และ Y = y) (11)
คุณสมบัติ
1 ถา (x, y) เปนคาที่เปนไปไมไดสำหรับ (X, Y) แลว f (x, y) = 0
2 สำหรับเซ็ตของจำนวนจริงสองจำนวน C ใดๆ
&
Pr ((X, Y) ∈ C) = f (x, y) (12)
(x,y)∈C

3 คาผลรวมของฟงกชันความนาจะเปนรวมจากทุกคา (x, y) ที่เปนไปไดจะตองเทากับหนึ่ง นั่น

คือ
&
f (x, y) = 1 (13)
(x,y)∈R2

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 19 / 45

ตัวอยาง: ฟงกชันความนาจะเปนรวมไมตอเนื่อง
ตัวอยางการประยุกตใชฟงกชันความนาจะเปนรวม (joint probability function) ในชีวิตประจำวัน
คือการนำเสนอขอมูลในรูปแบบตารางไขว (cross tabulation) ซึ่งชวยใหสามารถสังเกตความ
สัมพันธระหวางตัวแปรไดโดยสะดวก
Table: สัดสวนของกองทุนในประเทศไทยชวงป 2017-2018
ประเภทของกองทุนในประเทศไทย (Y)
ผลตอบแทนของกองทุน (X) Equity Fixed Mixed ผลรวมทั้งหมด
(Y = 0) (Y = 1) (Y = 2)
ขาดทุน (X = 0) 0.03 0.03 0.01 0.07
กำไร (X = 1) 0.46 0.27 0.20 0.93
ผลรวมทั้งหมด 0.49 0.30 0.21 1.00
ตารางนี้แสดงสัดสวนของกองทุนโดยแบงตามประเภทการลงทุนและผลกำไรที่ไดจากการลงทุนใน
ชวง 1 ป ซึ่งแบงเปนสองกลุมคือ
! กลุมที่ผลตอบแทนมากกวาเงินลงทุน (กำไร)

! กลุมที่ผลตอบแทนนอยกวาเงินลงทุน (ขาดทุน)

ตัวเลขในแตละชองนั้นแทนฟงกชันความนาจะเปนรวมของตัวแปรสุมสองตัว
! ผลตอบแทนของกองทุน
! ประเภทการลงทุนของกองทุน

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 20 / 45

นิยาม: ฟงกชันความนาจะเปนตอเนื่องรวม
เชนเดียวกันกับการแจกแจงตอเนื่องของตัวแปรสุมตัวเดียว เราสามารถนิยาม การแจกแจงตอเนื่องของตัวแปรสุมสองตัวได
โดยใชฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.)

Definition
ตัวแปรสุม X และ Y มีการแจกแจงตอเนื่องรวม (continuous joint distribution) ถามีฟงกชันที่ไมเปนลบ
(nonnegative function) f ที่
((
Pr ((X, Y) ∈ C) = f (x, y) dxdy (14)
C

สำหรับทุกสับเซ็ตของจำนวนจริงสองจำนวน C ใดๆ ที่ผลของการอินทิเกรตสามารถหาคาได โดย

เรียกฟงกชัน f วา ฟงกชันความหนาแนนของความนาจะเปนรวม (joint probability density
function)
เราเรียกสวนปดคลุม (closure) ของเซ็ต {(x, y) : f (x, y) > 0} วา สวนค้ำจุน (support) ของ
(X, Y)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 21 / 45

ทฤษฎีการแจกแจงตอเนื่องรวม (continuous joint distribution)
Theorem
ฟงกชันความหนาแนนของความนาจะเปนรวม (joint probability density function) สอดคลองกับ
เงื่อนไขตอไปนี้
f (x, y) ≥ 0, สำหรับ (x, y) ∈ R2 (15)
( ∞ ( ∞
f (x, y) dxdy = 1 (16)
−∞ −∞

Theorem
การแจกแจงตอเนื่องรวม (continuous joint distribution) นิยามบนระนาบ xy ใดๆ สอดคลองกับเงื่อนไข
ตอไปนี้
1 ความนาจะเปนของจุดใดๆ หรือของอนุกรมอนันตของจุดใดๆ ในระนาบ xy มีคาเทากับศูนยเสมอ

2 ถา g เปนฟงกชันตอเนื่อง (continuous function) ของตัวแปรหนึ่งตัวที่นิยามบนชวง [a, b] แลว

เซ็ตหรือเหตุการณ {(x, y) : y = g (x) , a < x < b} และ
{(x, y) : x = g (y) , a < y < b} ตางมีความนาจะเปนเทากับศูนย

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 22 / 45

ตัวอยาง: คำนวณหาคาคงที่มาตรฐานของสำหรับฟงกชันความหนาแนน
ของความนาจะเปนตอเนื่องรวม
เชนเดียวกับกรณีของตัวแปรสุมตัวแปรเดียว เราตองคำนวณหาคาคงที่มาตรฐาน (normalizing
constant) สำหรับฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.)

Example
กำหนดใหตัวแปรสุม X และ Y มีฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) ดัง
ตอไปนี้
)
cx2 y, สำหรับ x2 ≤ y ≤ 1,
f (x, y) =
0, สำหรับกรณีอื่น

คำถามก็คือ คาคงที่มาตรฐาน (normalizing constant) c ตองมีคาเทาใดเพื่อใหฟงกชัน f (x, y)

เปนฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.)?
คำตอบหาไดโดยใชสมการที่ 16
กำหนดให S คือสวนค้ำจุน (support) ของ (X, Y)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 23 / 45
วิธีทำ: คำนวณหาคาคงที่มาตรฐานสำหรับฟงกชันความหนาแนนของความ
นาจะเปนตอเนื่องรวม
Example
การอินทิเกรตสองชั้นของฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) ไดเปน
! ∞ ! ∞ !! ! 1 "! 1 #
f (x, y) dxdy = cx2 ydxdy = cx2 ydy dx
−∞ −∞ S −1 x2
! $ % & ! 1 " #
1
y %
2 %1
2 1 x4
= cx2 dx = c x − dx
−1 2 %x2 −1 2 2
4
= c
21

เนื่องจากผลการอินทิเกรตสองชั้นของฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) จะตองมีคา

เทากับหนึ่ง (สมการที่ 16) ดังนั้น คาคงที่มาตรฐาน (normalizing constant) c = 214
'
x y, สำหรับ x2 ≤ y ≤ 1,
21 2
f (x, y) = 4
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

โดยในที่นี้ เราจะเริ่มอินทิเกรตจากตัวแปร y กอนและมีขอบเขตของการอินทิเกรตดังแสดงในรูป

ตอไปนี้

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 25 / 45

นิยามและคุณสมบัติ: Mixed Distribution
Definition
กำหนดให X และ Y เปนตัวแปรสุมที่มีการแจกแจงไมตอเนื่อง (discrete) และตอเนื่อง (continuous) ตามลำดับ และ
ถามีฟงกชัน f (x, y) ที่นิยามบนระนาบ xy โดยที่เซ็ตจำนวนจริง A และ B ใดๆ
! (
Pr (X ∈ A, Y ∈ B) = f (x, y) dy (17)
B x ∈A

ในกรณีที่ผลการอินทิเกรตมีคาจริง (integral exists) แลว เราจะเรียกฟงกชัน f วา ฟงกชันความนาจะเปนรวม (joint

probability function: joint p.f.) ของ X และ Y

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

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 26 / 45

ฟงกชันการแจกแจงสะสมรวม (joint cumulative distribution function
หรือ joint C.D.F.)
Definition
ฟงกชันการแจกแจงสะสมรวม (joint cumulative distribution function หรือ joint C.D.F.)
ของตัวแปรสุม X และ Y คือ
F (x, y) = Pr (X ≤ x, Y ≤ y) (20)
ซึ่งเปนฟงกชันที่นิยามสำหรับคา (x, y) ∈ R2

หากตัวแปรสุม X และ Y เปนแบบตอเนื่อง เราสามารถเขียนฟงกชันการแจกแจงสะสมรวม

(joint C.D.F.) ของตัวแปรสุม X และ Y ไดเปน
( y ( x
F (x, y) = Pr (X ≤ x, Y ≤ y) = f (r, s) drds (21)
−∞ −∞

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 27 / 45

คุณสมบัติของฟงกชันการแจกแจงสะสมรวม (joint cumulative
distribution function หรือ joint C.D.F.)

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

สำหรับคาจำนวนจริง x และ y ใดๆ ที่คาอนุพันธกำลังสอง (second-order derivative) หาคาได

(exist)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 28 / 45

ตัวอยาง

Example
พิจารณาตัวแปรสุม X และ Y ที่มีฟงกชันการแจกแจงรวม (joint C.D.F.) เปน
1 * +
F (x, y) = xy x2 + y
156

สำหรับคา (x, y) ที่ 0 ≤ x ≤ 3 และ 0 ≤ y ≤ 4

เราสามารถหาฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) ไดจากอนุพันธกำลัง
สอง (second-order derivative) ของฟงกชันการแจกแจงรวม ดังตอไปนี้
∂ 2 F (x, y) 1 ∂ ,3 - 1 , 2 -
f (x, y) = = x + 2xy = 3x + 2y
∂ x∂ y 156 ∂ x 156

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 29 / 45

นิยาม: การแจกแจงตามขอบ (Marginal Distributions)
Definition
กำหนดให X และ Y เปนตัวแปรสุม ฟงกชันการแจกแจงสะสมตามขอบ (marginal C.D.F.) ของตัวแปรสุม
X และ Y สามารถนิยามไดเปน
F1 (x) = Pr (X ≤ x) , (23)
F2 (y) = Pr (Y ≤ y) (24)
เราสามารถประยุกตใชหลักการของทฤษฎีเซ็ตที่วา
{X ≤ x} = {X ≤ x} ∩ {Y < ∞} , (25)
{Y ≤ y} = {Y ≤ y} ∩ {X < ∞} (26)
เพื่อเขียนฟงกชันการแจกแจงสะสมตามขอบ (marginal C.D.F.) ของตัวแปรสุม X และ Y ใหมไดเปน
F1 (x) = Pr (X ≤ x, Y < ∞) = y→∞
lim F (x, y) , (27)
F2 (y) = Pr (X < ∞, Y ≤ y) = x→∞
lim F (x, y) (28)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 30 / 45

ทฤษฎี: การแจกแจงตามขอบ (Marginal Distributions)

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)
−∞

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 31 / 45

การพิสูจน: การแจกแจงตามขอบ (Marginal Distributions)
Proof.
เริ่มจากนิยามของฟงกชันการแจกแจงสะสมตามขอบ (marginal C.D.F.) ของ X
! x ! ∞ ! x "! ∞ #
F1 (x) = Pr (X ≤ x, Y < ∞) = f (r, y) dydr = f (r, y) dy dr (31)
−∞ −∞ −∞ −∞

ในขณะเดียวกัน เราสามารถนิยามฟงกชันการแจกแจงสะสมตามขอบ (marginal C.D.F.) ของ X ในรูปฟงกชันความ

หนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.) ไดเปน
! x
F1 (x) = Pr (X ≤ x) = f1 (r) dr
−∞

ดังนั้น เราสามารถสรุปไดวา
! ∞ ! ∞
f1 (x) = f (x, y) dy และ f2 (y) = f (x, y) dx
−∞ −∞

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 32 / 45

การหาการแจกแจงตามขอบ (Marginal Distributions) ดวย การใชอนุพันธ

จากทฤษฎีขางตนสรุปไดวา
dF1 (x)
f1 (x) = , (32)
dx
dF (y)
f 2 ( y) = 2 (33)
dx
เราสามารถประยุกตใชหลักการที่วา สามารถแทนการอินทิเกรตไดดวยการหาผลรวม (summation)
หากตัวแปรสุมเปนแบบไมตอเนื่อง (discrete)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 33 / 45

ทฤษฎีของการแจกแจงตามขอบเมื่อตัวแปรสุมเปนแบบตางๆ
Theorem
ถา X และ Y เปนตัวแปรสุมไมตอเนื่อง (discrete) ที่มี f (x, y) แทนฟงกชันความนาจะเปนรวม (joint p.f.) แลว ฟงกชันความนาจะ
เปนตามขอบ (marginal p.f.) ของตัวแปรสุม X และ Y คือ
! !
f1 (x) = f (x, y) and f2 (y) = f ( x, y ) (34)
y x

โดยที่สวนหอยของการหาผลรวม (summation) ในสมการที่ 34 หมายถึงใหหาผลรวมจากทุกๆ คาของ y หรือ x ตามลำดับ

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)
−∞

สวนฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.) ของตัวแปรสุม Y คือ

!
f2 (y) = f (x, y) , (36)
x
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 34 / 45
ตัวอยาง: การแจกแจงตามขอบ (Marginal Distributions)
Example
พิจารณาตัวแปรสุม (X, Y) ที่มีฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) เทากับ
.
4xye−x −y , สำหรับ 0 < x < ∞, 0 < y < ∞,
2 2

f (x, y) =
0, สำหรับกรณีอื่น

ฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.) ของตัวแปรสุม X เทากับ

( ∞ ( ∞
4xye−x −y dy = 2xe−x 2ye−y dy
2 2 2 2
f1 (x) =
0 0
/ #∞ 0
−x2
#
− y2 # −x2
= 2xe −e # = 2xe
0

ฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.) ของตัวแปรสุม Y เทากับ

( ∞
4xye−x − y2
dx = 2ye−y
2 2
f 2 ( y) =
0
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 35 / 45
สรุปตัวอยาง: การแจกแจงตามขอบ (Marginal Distributions)

ฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.) ของตัวแปรสุม X ไม

ขึ้นอยูกับคาของตัวแปรสุม Y
เชนเดียวกับกรณีของฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.)
ของตัวแปรสุม Y ที่ขึ้นอยูกับคา y เพียงอยางเดียว
ผลลัพธนี้เปนคุณสมบัติที่สำคัญในทางสถิติที่เราเรียกวา ความเปนอิสระตอกัน
(independence)

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 36 / 45

นิยาม: การเปนอิสระตอกัน (independent)

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

เราสามารถสรุปไดวา ถา (X, Y) เปนอิสระตอกัน (independent) แลว

Pr (X ≤ x และ Y ≤ y) = Pr (X ≤ x) Pr (Y ≤ y) (38)
สำหรับทุกๆ จำนวนจริง x และ y

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 37 / 45

ทฤษฎี: การเปนอิสระตอกัน (independent)
Theorem
กำหนดให F (x, y) แทนฟงกชันการแจกแจงสะสม (C.D.F.) ของ (X, Y) สวน F1 (x) แทน
ฟงกชันการแจกแจงสะสมตามขอบ (marginal C.D.F.) ของ X และ F2 (y) แทนฟงกชันการ
แจกแจงสะสมตามขอบ (marginal C.D.F.) ของ Y ดังนั้น X และ Y เปนอิสระตอกัน
(independent) ก็ตอเมื่อ (if and only if)
F (x, y) = F1 (x) F2 (y) (39)
สำหรับทุกๆ จำนวนจริง x และ y

เราสามารถแปลงเงื่อนไขที่ (39) ใหอยูในรูปของฟงกชันความหนาแนนของความนาจะเปน

รวม (joint p.d.f.) และฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal
p.d.f.) โดยใชความสัมพันธเชิงอนุพันธของการแจกแจงสะสมและฟงกชันความหนาแนน
ของความนาจะเปน ไดดังตอไปนี้
∂ 2 F (x, y) ∂ F1 (x) ∂ F2 (y)
f (x, y) = = = f1 (x) f2 (y) (40)
∂ x∂ y ∂x ∂y
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 38 / 45
การเปนอิสระตอกัน: การแยกตัวประกอบ (factorization)

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

การประยุกตใชทฤษฎีนี้ โดยเฉพาะเงื่อนไขที่วาสมการที่ (41) จะตองเปนจริงสำหรับทุกๆ

จำนวนจริง x และ y
ตัวแปรสุมสองตัวที่สอดคลองกับเงื่อนไขดังกลาวภายใตขอจำกัดพิเศษบางประเภทเทานั้น
อาจจะไมเปนอิสระตอกัน

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 39 / 45

ตัวอยาง: การตรวจสอบความเปนอิสระตอกัน (เปนอิสระตอกัน)
Example
พิจารณาตัวแปรสุม X และ Y ที่มีฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) เปน
)
9x2 y2 , สำหรับ 0 ≤ x ≤ 1 และ 0 ≤ y ≤ 1,
f (x, y) =
0, สำหรับกรณีอื่น

ซึ่งมีรูปแบบคลายกับตัวอยางที่แลว “ตางกันเพียงสวนค้ำจุน (support)เปนสี่เหลี่ยมมุมฉาก” แต

เนื่องจากมีการเปลี่ยนขอบเขต
ฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.) ของแตละตัวแปรสุมใหม
ดังนี้
( 1
f1 (x) = 9x2 y2 dy = 3x2 , สำหรับ 0 ≤ x ≤ 1,
0
( 1
f2 (y) = 9x2 y2 dx = 3y2 , สำหรับ 0 ≤ y ≤ 1
0

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 40 / 45

สรุป: การตรวจสอบความเปนอิสระตอกัน (เปนอิสระตอกัน)

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

เพราะสวนค้ำจุนของเปนรูปสี่เหลี่ยมมุมฉาก (rectangular) ซึ่งมีขอบเขตขนานกับแกนตั้ง

และแกนนอน ตัวแปรสุมทั้งสองจะเปน “อิสระตอกัน”
แตวา ถาสวนค้ำจุน (support) เปลี่ยนไป ตัวแปรสุมเหลานี้อาจจะไมเปนอิสระตอกัน

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 41 / 45

ตัวอยาง: การตรวจสอบความเปนอิสระตอกัน (ไมเปนอิสระตอกัน)
Example
พิจารณาตัวแปรสุม X และ Y ที่มีฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) เปน
'
9x2 y2 , สำหรับ x2 + y2 ≤ 1,
f (x, y) =
0, สำหรับกรณีอื่น

ฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) ใหอยูในรูปของการแยกตัวประกอบตามสมการที่

(41) สำหรับ (x, y) ที่สอดคลองกับเงื่อนไข x2 + y2 ≤ 1
ตองตรวจสอบดูวา เงื่อนไขดังกลาวเปนจริงในสวนอื่นๆ ดวยหรือไม โดยเริ่มจากการหาฟงกชันความหนาแนน
ของความนาจะเปนตามขอบ (marginal p.d.f.) ของแตละตัวแปรสุม ดังนี้
! √1−x2
) * 32
f1 (x) = √ 9x y dy = 6x2
2 2
1 − x2 ,
− 1−x2
! √ 1−y2 ) *3
f2 ( y ) = √ 9x2 y2 dx = 6y2 1 − y2 2
− 1−y2

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 42 / 45

สรุป: การตรวจสอบความเปนอิสระตอกัน (ไมเปนอิสระตอกัน)

Example
จากฟงกชันความหนาแนนของความนาจะเปนรวม (joint p.d.f.) ที่กำหนดให
*√ √ + √ 2 √ 2
! f 0.75, 0.75 = 0 เนื่องจาก 0.75 + 0.75 = 1.5 < 1

คาฟงกชันความหนาแนนของความนาจะเปนตามขอบ (marginal p.d.f.) ที่จุดดังกลาว คือ

*√ + *√ +
! f 0.75 = f2 0.75 = 0.5625 *= 0
1

เงื่อนไขการแยกตัวประกอบ (factorization) ไมเปนจริงสำหรับคา (x, y) ที่อยูนอกสวนค้ำจุน

สรุปไดวา ตัวแปรสุม X และ Y “ไมเปนอิสระตอกัน”

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 43 / 45

ทฤษฎีของการแจกแจงตามขอบ (Marginal Distributions)

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

รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 44 / 45

ทฤษฎี: การเปนอิสระตอกันของตัวแปรสุม
Theorem
ถาตัวแปรสุม X และ Y เปนอิสระตอกัน (independent) แลว ตัวแปรสุม h (X) และ g (Y) เปนอิสระตอกัน (independent) ไมวา
ฟงกชัน h และ g จะมีรูปแบบอยางไร

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)

ซึ่งสามารถเขียนในรูปของเหตุการณ H และ G ไดเปน

Pr (h (X) ∈ H และ g (Y) ∈ G) = Pr (X ∈ A และ Y ∈ B)

= Pr (X ∈ A) Pr (Y ∈ B)
= Pr (h (X) ∈ H) Pr (g (Y) ∈ G)

นั่นคือ ตัวแปรสุม h (X) และ g (Y) สอดคลองกับเงื่อนไขการแยกตัวประกอบของความนาจะเปนตามสมการที่ (37) ดังนั้น เราจึง

สามารถสรุปไดวา h (X) และ g (Y) เปนอิสระตอกัน (independent)
รศ.ดร. วีระชาติ กิเลนทอง มหาวิทยาลัยหอการคาไทย Conditional Probability and Bivariate Distributions 45 / 45