1
60
d
dx 0 x 1 2 e? u = 2DU 60 1? 1 2 e? X = 2 120 1 e? Y = 120
y> 0:
Meskipun hal ini berguna untuk memiliki ekspresi integral dari cdf di
sini untuk kejelasan, itu adalah
tidak perlu. Pendekatan yang lebih abstrak adalah hanya untuk
menggunakan diferensiasi cdf untuk
mendapatkan pdf. Artinya, dengan x y / 60 dan lagi menggunakan
aturan rantai,
fYy d
dy
FYy d
dy
FXx
????
xy = 60
dx
dy
d
dx
FXx 1
60
fXx
1
60
?
12
e? x = 2 1
120
? E y = 120 y> 0:
Apakah masuk akal bahwa, jika X ~ eksponensial dengan mean 2, maka
60X ~ eksponensial
dengan mean 120? Dalam hal waktu antara panggilan, jika eksponensial
dengan mean 2 menit,
maka ini harus sama dengan eksponensial dengan mean 120 s.
Generalisasi, ada
tidak ada yang istimewa di sini sekitar 2 dan 60, jadi harus jelas bahwa
jika kita kalikan sebuah
variabel acak eksponensial dengan mean m oleh c konstanta positif kita
mendapatkan lain
variabel acak eksponensial dengan mean cm. Hal ini juga mudah
diverifikasi menggunakan
pembangkit momen argumen fungsi.
Metode digambarkan di atas dapat diterapkan pada transformasi lainnya.
TEOREMA Mari X memiliki pdf fX (x) dan biarkan Y g (X), di mana
g monoton (baik ketat
meningkatkan atau berkurang sepenuhnya) sehingga memiliki fungsi
terbalik X h (Y).
Asumsikan bahwa h memiliki h0 derivatif (y). Kemudian Fy (y) fX (h
(y)) | h0 (y) |
Bukti Berikut adalah bukti asumsi bahwa g adalah monoton meningkat.
Bukti
untuk g monoton menurun mirip. Kami mengikuti metode terakhir
dalam Contoh
4.38. Pertama menemukan cdf tersebut.
FYy PDY? YTH P g ? X? y P X ? ? hy FXhy ?:
Sekarang membedakan cdf, membiarkan x h (y).
fYy d
dy FYy dy d FXhy? dx dy dx d FXx h0yfXx
h0yfXhy?
Nilai mutlak diperlukan pada turunan-satunya dalam kasus lain di mana
g adalah
1
120
e? y = 120 y> 0
Contoh 4.40 Berikut adalah contoh yang lebih sederhana. Misalkan
waktu kedatangan truk pengiriman akan
berada di suatu tempat antara siang dan 02:00. Kita model ini dengan
variabel acak X yang
1
120
0 <y <120
Apakah ini intuitif yang wajar? Dimulai dengan distribusi seragam pada
[0, 2],
kita kalikan dengan 60, dan ini menyebar keluar atas interval [0, 120].
Perhatikan bahwa
pdf dibagi oleh 60, tidak dikalikan dengan 60. Karena distribusi tersebar
selama suatu interval yang lebih luas, kurva kepadatan harus lebih
rendah jika total area di bawah
kurva adalah menjadi 1.
Contoh 4.41 ini menjadi hari istimewa (A dalam statistik!), Anda
berencana untuk membeli steak (pengganti lima
Portobello jamur jika Anda seorang vegetarian) untuk makan malam. X
berat steak
terdistribusi normal dengan mean m dan varians s2. steak biaya dollar
per
pound, dan pembelian Anda lainnya berjumlah b dolar. Biarkan Y
menjadi total tagihan di uang tunai
mendaftar, sehingga Y aX + b. Bagaimana distribusi dari variabel Y
baru? Membiarkan
X NDM; s2 dan Y aX + b, dimana 6 0. Dalam contoh kita adalah
positif, tapi kami
akan melakukan perhitungan yang lebih umum yang memungkinkan
negatif. Maka fungsi invers
adalah x h (y) (y? b) / a.
y2
0 <y <2
Sebuah representasi grafis dapat membantu dalam memahami mengapa
transformasi
Y2
ffiffiffi
pX menghasilkan Fy (y) y / 2 jika X adalah seragam pada [0, 1].
Gambar 4.37 (a) menunjukkan
distribusi seragam dengan [0, 1] dipartisi menjadi sepuluh subinterval.
Pada Gambar 4.37 (b)
titik akhir dari interval ini akan ditampilkan setelah mengubah sesuai y
2
ffiffi
px.
Ketinggian persegi panjang yang disusun sehingga setiap persegi
panjang masih memiliki wilayah 0,1, dan
Oleh karena itu probabilitas di setiap interval yang diawetkan.
Perhatikan cocok dekat dari
garis putus-putus, yang memiliki persamaan TA (y) y / 2.
0
1.0
0,8
0,6
0,4
0,2
0
pdf of X
1.0
0,8
0,6
0,4
0,2
0
pdf dari Y
b
0,5 1,0 1,5 2,0 0 0,5 1,0 1,5 2,0
Gambar 4.37 Efek pada pdf jika X adalah seragam pada [0, 1] dan Y 2
ffiffiffiffi
pX
4.7 Transformasi dari Variabel Random 223
Dapat metode digeneralisasi untuk menghasilkan variabel acak dengan
yang diinginkan
pdf? Biarkan pdf TA (y) ditentukan bersama dengan sesuai cdf TA (y).
Tentukan g
menjadi fungsi kebalikan dari TA, sehingga h (y) TA (y). Jika X
terdistribusi secara seragam pada
[0, 1], kemudian menggunakan teorema, pdf dari Y gX F? Y
1X adalah
fXhy? j j h0y 1 fYy fYy
Ini mengatakan bahwa Anda dapat membangun setiap variabel acak
yang Anda inginkan dari seragam yang sederhana
variates. Merata variabel acak yang tersedia dari hampir semua
kalkulator atau komputer bahasa, sehingga metode kami memungkinkan
Anda untuk menghasilkan nilai-nilai
variabel acak kontinu, selama Anda tahu cdf nya.
Untuk mendapatkan urutan nilai acak dengan pdf TA (y) y / 2, 0 <y
<2, mulai
dengan urutan nilai acak dari distribusi seragam pada [0, 1]: 0,529,
0,043,
fXx
dy
dx
??
??
x=2
x = 2 1 0 <y <1
Tersebut di atas Teorema memerlukan transformasi monoton, tetapi ada
aplikasi penting di mana transformasi tidak monoton. Namun,
dimungkinkan untuk menggunakan teorema pula dengan tipu daya kecil.
Contoh 4.44 Pada contoh ini, kita mulai dengan normal standar variabel
acak X, dan kami mengubah
untuk Y X2. Tentu saja, ini bukan monoton selama interval untuk X,
(? 1, 1).
Namun, pertimbangkan transformasi U | X |. Bisakah kita
mendapatkan pdf ini secara intuitif, tanpa bantuan teori apapun? Karena
X memiliki distribusi simetris,
pdf U adalah JU (u) fX (u) + fX (? u) 2 fX (u). Jangan putus asa
jika hal ini tidak intuitif
jelas, karena kami akan memverifikasi itu tak lama. Untuk saat ini,
menganggap itu benar. Kemudian
Y X2 | X | 2 U2, dan transformasi dalam hal U monoton karena
set nilai-nilai yang mungkin adalah [0, 1). Dengan demikian kita dapat
menggunakan teorema dengan h (y) y.5:
fYy fUhy? h0y 2fXhy? h0y
2
ffiffiffiffiffi
P2P e:? 5y: 52: 5y: 5 pffiffiffiffiffiffiffi2 1PY e y = 2 y> 0?
Ini adalah distribusi chi-kuadrat (dengan 1 derajat kebebasan)
diperkenalkan dalam Bagian 4.4. Kuadrat variabel acak normal penting
karena sampel
varians dibangun dari kotak, dan kita akan membutuhkan distribusi
varians. Itu
varians untuk data normal sebanding dengan rv chi-squared.
Anda diminta untuk percaya intuitif thatfU (u) 2fX (u)
pada intuitif
dasar. Berikut ini adalah derivasi kecil yang bekerja
selama asfX (x) bahkan fungsi, [yaitu
fX (x) fX (x)]. Ifu> 0,
FUuPU uPX jj uP u X u2P0 X UTH
2FXu FX0 :
Membedakan ini dengan hormat tougivesfU (u) 2fX (u).
ffiffi
y
p
ffiffi
y
p
u1
8
du
ffiffiffi
y
p
4
ffiffi
y
p
1
u1
8
du1y2
ffiffiffi
y
p
= 16
Membedakan, kita mendapatkan
fYy
1
8
ffiffiffi
y
p 0 <y <1
Yth
ffiffiffi
y
p
16y
1 <y <9
0 jika tidak
8
>>>>> <
>>>>>:
materi 5.1
5.1 Bersama Distributed Variabel Acak
Ada banyak situasi eksperimental di mana lebih dari satu variabel
random (Rv) akan menarik bagi penyidik. Kami terlebih dahulu akan
mempertimbangkan probabilitas gabungan distribusi untuk dua rv
diskrit, maka untuk dua variabel kontinu, dan akhirnya untuk lebih dari
dua variabel.
Misa Fungsi Joint Probability untuk Dua Variabel Acak Diskrit
Fungsi massa probabilitas (PMF) dari rvXspecifies diskrit tunggal
berapa banyak massa probabilitas ditempatkan pada setiap
possibleXvalue. Sendi PMF dua diskrit
rv'sXandYdescribes berapa banyak massa probabilitas ditempatkan pada
masing-masing pasangan mungkin nilai-nilai (x, y).
DEFINISI
Let X and Ybe dua rv diskrit ini didefinisikan pada ruang sampel suatu
percobaan. functionp massa probabilitas Thejoint (x, y) didefinisikan
untuk setiap Pasangan nomor (x, y) dengan px; y PXxandYy
LetAbe set setiap terdiri dari pasang (x, y) nilai-nilai. Kemudian
probabilitas bahwa pasangan acak (X, Y) terletak Inais diperoleh dengan
menjumlahkan PMF bersama atas pasangan Ina:
Contoh 5.1
Sebuah agen asuransi besar layanan sejumlah pelanggan yang telah
membeli kedua kebijakan pemilik rumah dan kebijakan mobil dari agen.
Untuk setiap jenis kebijakan, jumlah dikurangkan harus ditentukan.
Untuk kebijakan mobil, Pilihannya adalah $ 100 dan $ 250, sedangkan
untuk kebijakan pemilik rumah, pilihan adalah 0, $ 100, dan $ 200.
Misalkan seorang individu dengan kedua jenis kebijakan yang dipilih di
acak dari file badan. LetXthe jumlah dikurangkan pada kebijakan auto
andYthe jumlah dikurangkan pada kebijakan pemilik rumah.
Kemungkinan (X, Y) pasangan yang kemudian (100, 0), (100, 100),
(100, 200), (250, 0), (250, 100), dan (250, 200); sendi PMF menentukan
probabilitas yang terkait dengan masing-masing dari pasangan ini,
analog dengan daerah di bawah kurva dalam kasus satu dimensi. Ini
diilustrasikan
pada Gambar 5.1.
Contoh 5.3
Sebuah bank beroperasi baik fasilitas drive-up dan jendela berjalan-up.
Pada acak
hari yang dipilih, letXthe proporsi waktu itu fasilitas drive-up sedang
digunakan (di
Setidaknya satu pelanggan yang disajikan atau menunggu untuk
dilayani) proporsi andYthe
waktu yang jendela berjalan-up sedang digunakan. Maka himpunan nilai
yang mungkin untuk (X, Y)
Permukaan f (x, y)
A = Berbayang
empat persegi panjang
Gambar 5.1P [(X, Y) 2A] volume bawah kepadatan permukaan
aboveA adalah persegi panjang D fx; YTH: 0 x 1; 0 y 1g:????
Misalkan pdf bersama
(X, Y) diberikan oleh
0 jika tidak
Untuk memverifikasi bahwa ini adalah pdf yang sah, catatan thatf (x, y)?
0 dan
Probabilitas bahwa fasilitas tidak sibuk lebih dari seperempat dari waktu
yang
Seperti sendi PMF, dari sendi pdf ofXandY, masing-masing dua
marginal
fungsi densitas dapat dihitung.
DEFINISI
Themarginal kepadatan probabilitas functionsofXandY, dilambangkan
dengan fX (x)
andfY (y), masing-masing, diberikan oleh
fXx
D1
?1
FDX; ydy untuk 1 <x <1?
fYy
D1
?1
FDX; ydx untuk 1 <y <1?
contoh 5.4
Marjinal pdf OFX, yang memberikan distribusi probabilitas waktu sibuk
untuk drive-up fasilitas tanpa mengacu ke jendela berjalan-up, adalah
untuk 0? x? 1 dan 0 sebaliknya. Marjinal pdf ofYis
fYy
0? Y? 1
0 jika tidak
8
<
:
Kemudian
Pada Contoh 5.3, wilayah kepadatan gabungan positif adalah persegi
panjang, yang
membuat perhitungan marginal pdf ini relatif mudah. Pertimbangkan
sekarang contoh
di mana wilayah kepadatan positif adalah sosok yang lebih rumit.
Contoh 5.5
Sebuah companymarkets kacang kaleng kacang deluxemixed
mengandung almond, kacang mete, dan
kacang kacangan. Misalkan berat bersih masing-masing dapat adalah
exactly1 lb, tapi kontribusi theweight
dari setiap jenis kacang adalah acak. Karena tiga bobot berjumlah 1,
probabilitas gabungan
Untuk model perilaku bersama lebih dari dua variabel acak, kami
memperpanjang
konsep distribusi gabungan dari dua variabel.
DEFINISI
Jika X1
, X2
, ..., Xn semua variabel acak diskrit, PMF thejoint dari
variabel adalah fungsi
PX1; x2; ...; Xn PX1x1; X2x2; ...; Xnxn DTH Jika variabel
kontinu, pdfofX1 thejoint; X2; ...; Xnis fungsi
fx1; x2; ...; Xnsuch bahwa untuk anynintervalsa1; b1; ...; ? an;
bn ?;
Pa1 X1 b1;?? ...;?? Sebuah Xn bn
sebuah
fx1; ...; xndxn ... DX1
Dalam sebuah percobaan binomial, setiap percobaan dapat
mengakibatkan salah satu dari hanya dua kemungkinan
hasil. Pertimbangkan sekarang eksperimen yang terdiri ofnindependent
dan identik
uji coba, di mana setiap percobaan dapat menghasilkan salah satu dari
hasil rpossible. Letpi
P (hasil i pada setiap percobaan tertentu), dan mendefinisikan variabel
random byXi the
jumlah percobaan yang mengakibatkan outcomei (i1, ..., r). Seperti
percobaan suatu disebut
percobaan multinomial, dan ofX1 PMF bersama, ..., Xris disebut
themultinomial
distribusi. Dengan menggunakan penghitungan argumen analog dengan
yang digunakan dalam menurunkan
distribusi binomial, PMF bersama X1, ..., Xrcan akan terbukti
0 jika tidak
? NLT
untuk t? 0
yang menunjukkan thatsystemlifetime memiliki distributionwith
parameternl eksponensial;
nilai yang diharapkan dari sistem seumur hidup adalah 1 / nl.
Dalam banyak situasi eksperimental untuk dipertimbangkan dalam buku
ini, kemerdekaan
adalah asumsi yang masuk akal, sehingga menentukan distribusi
gabungan mengurangi ke
memutuskan distribusi marjinal yang sesuai.
Latihan Bagian 5.1 (17/1)
14.Misalkan Anda memiliki sepuluh bola lampu, bahwa seumur hidup
masing-masing adalah independen dari semua lainnya kehidupan,
dan bahwa setiap masa memiliki distribusi exponen-esensial
dengan parameter l.
a. What adalah probabilitas bahwa semua sepuluh lampu
gagalsebelum timet?
b. What adalah probabilitas bahwa exactlykof sepuluh lampu gagal
sebelum timet?
c. Misalkan sembilan dari lampu memiliki daya tahan yang
didistribusikan secara eksponensial dengan parameter,-terland
bahwa bola yang tersisa memiliki seumur hidup yang
didistribusikan secara eksponensial dengan parameter y (itu dibuat
oleh produsen lain). apa yang probabilitas bahwa tepat lima dari
sepuluh lampu gagal sebelum timet?
16.a.For fx1; x2; x3 seperti yang diberikan pada Contoh 5.10,
menghitung fungsi kepadatan marginal thejoint ofX1andX3alone
(dengan mengintegrasikan overx2).
b. What probabilitas bahwa batuan dari jenis 1 dan 3 bersama-sama
membuat paling banyak 50% dari mencicipi? [Petunjuk: Gunakan
hasil bagian (a).]