4.

7 Transformasi dari Variabel Acak

Seringkali kita perlu berurusan dengan g transformasi Y (X) dari
variabel acak X.
Berikut g (X) bisa menjadi perubahan sederhana dari skala waktu. Jika
X adalah dalam jam dan Y berada di
menit, kemudian Y 60X. Apa yang terjadi dengan pdf ketika kita
melakukan hal ini? Bisakah kita mendapatkan
pdf dari Y dari pdf of X? Mempertimbangkan pertama contoh sederhana.
Contoh 4.38 Interval X di menit antara panggilan ke pusat 911
didistribusikan secara eksponensial
dengan mean 2 menit, sehingga memiliki pdf fXx 1 2 e? x = 2
untuk x> 0. Dapatkah kita menemukan pdf dari
Y 60X, sehingga Y adalah jumlah detik? Dalam rangka untuk
mendapatkan pdf, pertama kita menemukan
cdf. Cdf dari Y adalah
FYy PDY? YTH P60X? YTH PDX? y = 60 FXy = 60
D0 y = 60 1 2 e? U = 2DU 1? e y = 120?:
Membedakan ini sehubungan dengan y memberikan TA (y) (1/120) e?
Y / 120 untuk y> 0.
Distribusi Y adalah eksponensial dengan mean 120 s (2 menit).
Kadang-kadang tidak mungkin untuk mengevaluasi cdf dalam bentuk
tertutup. Bisa kita masih
menemukan pdf dari Y tanpa mengevaluasi integral? Ya, dan itu
melibatkan membedakan
integral sehubungan dengan batas atas integrasi. Aturan, yang
kadang-kadang disajikan sebagai bagian dari Teorema Fundamental
Kalkulus, adalah
d
dx x hudu hx:
220 BAB 4 Variabel Acak berkelanjutan dan Distribusi Probabilitas
Sekarang, pengaturan x y / 60 dan menggunakan aturan rantai, kita
mendapatkan pdf menggunakan aturan untuk
membedakan integral:
fYy d

dy FYy dy d FXx ???? xy = 60 dx dy dx d FXx? ? ? ?

Xy = 60

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

menurun. Himpunan nilai yang mungkin untuk Y diperoleh dengan

menerapkan g untuk set
kemungkinan nilai X.
4.7 Transformasi dari Variabel Random 221
Pandangan heuristik dari teorema (dan cara yang baik untuk
mengingatnya) adalah untuk mengatakan bahwa
fXxdx fYydy
fYy fXx dx
dy fXhyh0y
Tentu saja, karena pdf ini harus positif, nilai mutlak diperlukan di
derivatif jika negatif.
Kadang-kadang lebih mudah untuk menemukan turunan dari g daripada
menemukan turunan dari
h. Dalam hal ini, ingat bahwa
dx
dy
1
dy
dx
Contoh 4.39 Mari kita menerapkan teorema untuk situasi diperkenalkan
pada Contoh 4.38. Sana
Y g (X) 60X dan X h (Y) Y / 60.
fYy fXhy? j j h0y 1
2
e? x = 2 1
60

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

seragam pada [0, 2], sehingga fXx 1 2 pada interval tersebut.

Biarkan Y menjadi waktu dalam menit,
mulai pada siang hari, Y g (X) 60X sehingga X h (Y) Y / 60.
fYy fXhy? j j h0y 1
2
?
1
60

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.

fYy fXhy? jh0yj ffiffiffiffiffi1

e p2ps? f y? BTH = a ?? mg = s 2 j1 aj pffiffiffiffiffi2p 1jajs e?
y? b? am = ajsj? 2
222 BAB 4 Variabel Acak berkelanjutan dan Distribusi Probabilitas
Dengan demikian, Y terdistribusi normal dengan mean am + b dan
standar deviasi | a | s.
Mean dan standar deviasi tidak memerlukan teori baru bagian ini
karena kita bisa saja dihitung E (Y) E (aX + b) am + b, V (Y)
V (aX + b) a2s2, dan karena itu sY | a | s.
Sebagai kasus khusus, mengambil Y (X? M) / s, sehingga b ? M / s
dan 1 / s. Maka Y adalah
normal dengan nilai rata-rata am + b m / s? m / s 0 dan standar
deviasi | a | s
| 1 / s | s 1. Dengan demikian transformasi Y (X? m) / s
menciptakan normal baru acak
variabel dengan mean 0 dan standar deviasi 1. Artinya, Y adalah standar
normal. Ini adalah
proposisi pertama dalam Bagian 4.3.
Di sisi lain, misalkan X sudah standar normal, X ~ N (0, 1).
Jika kita membiarkan Y m + sX, maka s dan b m, sehingga Y
akan memiliki mean 0 s + m m,
dan standar deviasi | a | 1 s. Jika kita mulai dengan standar normal,
kita bisa memperoleh
distribusi normal lainnya dengan cara transformasi linear.
Contoh 4.42 sini kita ingin melihat apa yang bisa dilakukan dengan
distribusi seragam sederhana. Membiarkan
X memiliki distribusi seragam pada [0, 1], sehingga fX (x) 1 untuk 0
<x <1. Kami ingin
Transformasi X sehingga g (X) Y memiliki distribusi yang ditentukan.
Mari kita menentukan bahwa TA (y)
y / 2 untuk 0 <y <2. Mengintegrasikan ini, kita mendapatkan cdf TA
(y) y2 / 4, 0 <y <2.
Caranya adalah dengan mengatur ini sama dengan fungsi terbalik h (y).
Artinya, x h (y) y2 / 4.

Pembalik ini (pemecahan untuk y, dan menggunakan akar positif), kita

mendapatkan
y gx F? Y 1x pffiffiffiffiffi 4x 2pffiffix. Mari kita
menerapkan teorema di atas untuk melihat apakah
Y gX 2
ffiffiffi
pX memiliki pdf yang diinginkan:
fYy fXhy? jh0yj 1 2y
4

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,

0,294,. . .. Kemudian mengambil Y gX F? Y 1X 2pffiffiffiX

untuk mendapatkan 1,455, 0,415, 1,084,. . ..
Bisa proses dibalik, jadi kita mulai dengan variabel acak kontinu
dan mengubah untuk variabel seragam? Mari X memiliki pdf fX (x) dan
FX cdf (x). Mengubah
X untuk Y g (X) FX (X), jadi g adalah FX. Fungsi invers dari g
FX adalah h. Lagi
menerapkan teorema untuk menunjukkan bahwa Y adalah seragam:
fYy fX? hy j j h0y fXx = fXx 1 0? x? 1
Ini bekerja karena h dan F adalah fungsi terbalik, sehingga turunannya
merupakan kebalikan.
Contoh 4.43 Untuk menggambarkan transformasi untuk keseragaman,
menganggap bahwa X memiliki pdf fX (x)
x / 2, 0 <x <2. Mengintegrasikan ini, kita mendapatkan FX cdf (x)
x2 / 4, 0 <x <2. Biarkan
Y g (X) FX (X) X2 / 4. Maka fungsi invers adalah hy
pffiffiffiffiffi 4y 2pffiffiy dan
fYy fXx dx
dy
????
????

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).

Contoh 4.45 Terkadang teorema tidak dapat digunakan

sama sekali, dan Anda perlu menggunakan cdf tersebut.
Membiarkan
fX (x) (x + 1) / 8, 1 <x <3, andYX
2
. Transformasi ini tidak monoton
dan fX (x) bukan merupakan bahkan fungsi. nilai yang
mungkin dari Yare {y: 0 y 9}.
Mengingat pertama 0 y 1,
FYyPY yPX
2
yP
ffiffiffi
y
p
X
ffiffiffi
y
p

ffiffi
y
p
ffiffi
y
p
u1
8
du
ffiffiffi
y
p
4

Kemudian, pada sub interval lainnya, 1 <y 9,

FYyPY yPX
2
yP
ffiffiffi
y
p
X
ffiffiffi
y
p P 1 X
ffiffiffi
y
p

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
>>>>> <
>>>>>:

Jika X adalah diskrit, apa yang terjadi pada PMF ketika

kita melakukan monoton trans-formasi?
Contoh 4.46 LetXhave distribusi geometrik, dengan
pmfpX (x) (1 p)
x
p, x0, 1, 2, ...,
dan defineYX / 3. Kemudian PMF dari YIS
pYyPYyP
X
3
y
PX3ypX3y1 PTH
3thn
p
y0; 1 = 3; 2 = 3; :::
Perhatikan bahwa tidak ada kebutuhan untuk derivatif
dalam menemukan PMF untuk transfor-mations variabel
acak diskrit.
Untuk menempatkan ini secara lebih umum dalam kasus
diskrit, ifYg (X) dengan
inverseXh (Y), maka
pYyPYyPgXhy PXhy pXhy
;

dan himpunan nilai yang mungkin ofYis diperoleh dengan

menerapkan gto himpunan kemungkinan
nilai OFX.
4.7 Transformasi dari Variabel Random 225
Jika X adalah diskrit , apa yang terjadi pada PMF ketika
kita melakukan monoton trans - formasi ?
Contoh 4.46 LetXhave distribusi geometrik , dengan
pmfpX ( x ) ( 1 p )
x
p , x0 , 1 , 2 , ... ,
dan defineYX / 3 . Kemudian PMF dari YIS
pYyPYyP
X
3
y
PX3ypX3y1 PTH
3thn
p
y0 ; 1 = 3 ; 2 = 3 ; :::
Perhatikan bahwa tidak ada kebutuhan untuk derivatif
dalam menemukan PMF untuk transfor - mations variabel
acak diskrit .
Untuk menempatkan ini secara lebih umum dalam kasus
diskrit , ifYg ( X ) dengan
inverseXh ( Y ) , maka
pYyPYyPgXhy PXhy pXhy
;
dan himpunan nilai yang mungkin ofYis diperoleh dengan
menerapkan gto himpunan kemungkinan
nilai OFX .
latihan soal :
115. Misalkan X akan merata pada [ 0 , 1 ] . menemukan
pdf ofYtan [ p ( X 0,5 ) ] . Variabel random

YHAs theCauchy distributionafter terkenal

ahli matematika
129. LetXdenote waktu untuk kegagalan ( dalam tahun)
dari
komponen hidrolik . Misalkan pdf ofXis
f ( x ) 32 / ( x + 4 ) 3
forx > 0 .
a.Verify thatf ( x ) adalah pdf yang sah .
b.Determine cdf tersebut.
c . Gunakan hasil bagian ( b ) untuk menghitung
probabilitas bahwa waktu untuk kegagalan adalah antara
2 dan 5 tahun .
d.What adalah waktu yang diharapkan untuk kegagalan ?
e . Jika komponen memiliki nilai sisa sebesar
100 / ( 4 + x ) ketika waktu untuk kegagalan BEI , apa
adalah nilai sisa yang diharapkan
136. LetXdenote suhu di mana tertentu
reaksi kimia berlangsung . Misalkan X
memiliki pdf
fx
1
9
d4 x
2Tes 1 x 2
0 jika tidak
146. a.Suppose yang lifetimeXof komponen , ketika
diukur dalam jam , memiliki distribusi gamma
dengan parametersaand b . Mari Ylifetime
diukur dalam menit . Turunkan pdf Ofy .
b.IfXhas parameter gamma distributionwith

aandb , apa adalah distribusi probabilitas

YcX ?
a.Sketch grafik off ( x ) .
b.Determine cdf dan sketsa itu .
c . Adalah 0 suhu median di mana
Reaksi berlangsung ? Jika tidak , adalah median
Suhu yang lebih kecil atau lebih besar dari 0 ?
d.Suppose reaksi ini secara independen dilakukan
keluar sekali dalam setiap sepuluh laboratorium yang
berbeda dan bahwa
pdf waktu reaksi di setiap laboratorium adalah sebagai
diberikan .
LetYthe nomor antara sepuluh laboratorium di
yang suhu melebihi 1. Apa jenis
dari doesYhave distribusi ? ( Beri nama
dan nilai-nilai dari setiap parameter
154. LetXhave pdff (x ) 1 / [ p ( 1 + x
2
) ] Untuk 1
< X < 1 ( distribusi Cauchy pusat ) , dan
menunjukkan bahwa Y1 / Xhas distribusi yang sama .
[ Petunjuk : Pertimbangkan P ( | Y | y ) , yang cdf dari | Y
| , maka mendapatkan pdf dan menunjukkannya identik
dengan pdf
dari | X | . ]

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,

dengan yang lain Pasangan yang memiliki probabilitas nol. Misalkan

PMF sendi diberikan di menyertainya sendi tabel probabilitas:
5.1 Bersama Distributed Variabel Acak 233
Thenp (100, 100) P (X100 andY100) P ($ 100 dikurangkan pada
kedua kebijakan) .10. Probabilitas P (Y? 100) dihitung dengan
menjumlahkan probabilitas dari semua (X, y) pasang untuk whichy
100?:
PDY 100p100; 100 p250; 100 p100; 200 p250; 200
:? 75
Sebuah functionp (x, y) dapat digunakan sebagai thatp PMF bersama
yang diberikan (x, y)? 0 untuk allx
andyandP
PMF dari salah satu variabel saja diperoleh dengan summingp (x, y)
nilai lebih dari variabel lainnya. Hasilnya disebut pmfbecause amarginal
ketika Thep (x, y) nilai-nilai muncul dalam meja persegi panjang, jumlah
yang hanya marjinal (Baris atau kolom) total
DEFINISI
Themarginal massa probabilitas functionsofXand Ofy, dilambangkan
dengan pX (x) andpY (y), masing-masing, diberikan oleh
Jadi untuk mendapatkan PMF marginal ofXevaluated, katakanlah,
x100, probabilitas
p (100, y) ditambahkan atas semua possibleyvalues. Melakukan hal ini
untuk setiap possibleXvalue
memberikan PMF ofXalone marginal (tanpa referensi mainan). Dari
themarginal PMF ini,
probabilitas kejadian yang melibatkan onlyXor onlyYcan dihitung.
contoh 5.2
(Contoh 5.1 terus)
The possibleXvalues arex100 andx250, sehingga komputasi total
baris dalam sendi hasil tabel probabilitas

The ofXis PMF marjinal kemudian

jika tidak
Demikian pula, ofYis PMF marginal yang diperoleh dari total kolom
sebagai
jika tidak
? SoPY 100pY 100 pY 200 : 75 seperti sebelumnya.
Bersama Probabilitas Kepadatan Fungsi untuk DuaVariabel Acak
terus menerus
Probabilitas bahwa nilai diamati dari rvXlies terus menerus dalam Seta
satu dimensi (seperti selang) diperoleh dengan mengintegrasikan pdff (x)
lebih
yang Seta. Demikian pula, probabilitas bahwa pasangan (X, Y) jatuh
terus menerus rv di sebuah
dua dimensi set A (seperti persegi panjang) diperoleh dengan
mengintegrasikan fungsi
disebut fungsi kepadatan thejoint.
DEFINISI
LetXandYbe rv terus menerus ini. Thenf (x, y) adalah probabilitas
thejoint
functionforXandYif untuk setiap set A dua dimensi SEBUAH
Secara khusus, jika A adalah persegi panjang FDX dua dimensi; Yth:
a x b;?? c y dg??; kemudian
Forf (x, y) untuk menjadi calon pdf bersama, itu harus memenuhi f (x,
y)? 0
dan
FDX; ydx dy1: Kami pikir bisa lepas (x, y) sebagai menentukan
permukaan di
heightf (x, y) di atas titik (x, y) dalam sistem koordinat tiga dimensi.
Kemudian
P [(X, Y) 2A] adalah volume bawah permukaan ini dan di atas wilayah
A,

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

model untuk setiap dua memberikan semua informasi yang diperlukan

tentang berat ketiga
mengetik. LetXthe berat almond dalam dipilih dapat andYthe berat
kacang mete.
Kemudian wilayah kepadatan positif adalah Dfx; YTH:???? 0 x 1; 0 y
1;
xy? 1g, daerah yang diarsir digambarkan dalam Figure5.2.
Sekarang mari bersama pdf untuk (X, Y) menjadi
FDX; y
24xy 0 x 1??; ? 0 y 1; xy? 1
0 jika tidak
(
Untuk setiap fixedx, f (x, y) meningkat menganjal; untuk fixedy, f (x, y)
meningkat withx. Ini adalah
tepat karena worddeluxeimplies yang paling kaleng harus terdiri dari
almond dan kacang mete daripada kacang, sehingga fungsi kepadatan
harus
besar di dekat batas atas dan kecil di dekat asal. Permukaan ditentukan
oleh
f (x, y) miring ke atas dari nol sebagai (x, y) bergerak menjauh dari baik
sumbu.
Jelas, f (x, y)? 0. Untuk memverifikasi kondisi kedua pada pdf bersama,
mengingat bahwa
terpisahkan ganda dihitung sebagai terpisahkan iterasi dengan
memegang satu variabel tetap
(Asxas seperti di Figure5.2), mengintegrasikan lebih dari nilai-nilai dari
variabel lain berbaring bersama
Gambar 5.2Region kepadatan positif untuk Contoh 5.5
garis lurus melewati nilai variabel tetap, dan akhirnya
mengintegrasikan lebih dari semua nilai yang mungkin dari variabel
tetap. Demikian
Untuk menghitung probabilitas bahwa dua jenis kacang-kacangan
bersama-sama membentuk paling

50% dari kaleng, letAfx; YTH:??? 0 x 1; 0 y 1;? andxy: 5g;? seperti

yang ditunjukkan
pada Gambar 5.3. Kemudian
PX; Y2A
DD
SEBUAH
FDX; ydx dy
Marjinal pdf untuk almond diperoleh dengan holdingXfixed atxand
mengintegrasikan
f (x, y) di sepanjang garis throughx vertikal:
0 jika tidak
?
Dengan simetri off (x, y) dan wilayah D, pdf marjinal YIS diperoleh
replacingxandXin fX (x) byyandY, masing-masing.
Variabel Acak independen
Dalam banyak situasi, informasi tentang nilai yang diamati dari salah
satu informasi dua variabel-ablesXandYgives tentang nilai variabel
lainnya. InExample 5.1,
probabilitas ofXatx250 marjinal adalah 0,5, seperti probabilitas
thatX100.
Namun, jika kita diberitahu bahwa hadY0 individu yang dipilih,
thenX100 adalah
fourtimesaslikelyas X250. Dengan demikian ada ketergantungan
antara dua
variabel.
x 1 0,5 0
1
0,5
0
y = 0,5 - x
A = daerah Dinaungi
x+y=1
x + y = 0,5

Gambar 5.3ComputingP [(X, Y) 2A] untuk

Contoh 5.5
Dalam Chapter2we menunjukkan bahwa salah satu cara untuk
mendefinisikan kemerdekaan dua
Peristiwa ini mengatakan thatAandBare independen ifPA \ BPA?
PB. Berikut adalah
definisi analog untuk kemerdekaan dua rv ini.
DEFINISI Dua acak variablesXandYare dikatakan beindependentif
untuk setiap pasangan
xandyvalues,
px;? y pXx diskrit pYy whenXandYare
atau (5.1)
fx;? y fXx fYywhenXandYare terus menerus
Jika (5.1) tidak puas untuk semua (x, y), thenXandYare dikatakan
bedependent.
definisi
mengatakan bahwa dua variabel independen jika PMF bersama mereka
atau pdf adalah
produk dari dua marjinal PMF atau pdf ini.
Contoh 5.6
Dalam situasi asuransi Contoh 5.1 dan 5.2,
p100; 100 : 106: 5 DTH: 25 pX 100 DTH PY 100 DTH?
soXandYare tidak independen. Kemerdekaan ofXandYrequires
thateveryentry
dalam tabel probabilitas gabungan menjadi produk dari yang sesuai baris
dan kolom
probabilitas marginal.
contoh 5.7
(Contoh 5.5terus)

Becausef (x, y) dalam skenario kacang memiliki formof produk,

XandYwould tampak
menjadi mandiri. Namun, althoughfX
sehingga
variabel tidak sebenarnya independen. Untuk mandiri, f (x, y) harus
memiliki bentuk
g (x) h (y) andthe wilayah kepadatan positif harus menjadi persegi
panjang sisi-sisinya merupakan
sejajar dengan sumbu koordinat.
Independensi dari dua variabel acak yang paling berguna ketika
deskripsi
eksperimen yang diteliti mengatakan thatXandYhave tidak berpengaruh
pada satu sama lain. Kemudian
setelah marjinal PMF atau pdf ini telah dipilih ditentukan, PMF sendi
atau pdf hanya
produk dari dua fungsi marginal. Oleh karena itu
Pa X b;????????? C Y d Pa X b DTH Pc Y d DTH
Contoh 5.8
Misalkan tahan dari dua komponen yang independen satu sama lain dan
bahwa seumur hidup pertama, X1, memiliki distribusi eksponensial
dengan parameterl1whereas
kedua, X2, memiliki distribusi eksponensial dengan parameter l2.
Kemudian bersama
pdf adalah
0 jika tidak
(
5.1 Bersama Distributed Variabel Acak 239
Letl11 / 1000 andl21 / 1200, sehingga tahan diharapkan 1000 h dan
1200 h, masing-masing. Probabilitas bahwa kedua tahan komponen
setidaknya
Lebih dari Dua Variabel Acak

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

caser2 memberikan distribusi binomial, withX1number keberhasilan

dan
X2n? X1number kegagalan.
Dalam caser3, bagian terdepan dari ekspresi untuk PMF bersama
datang
dari jumlah cara memilih x1 dari thentrials menjadi hasil dari
Tipe pertama dan thenx2of remainingn itu? x1trials menjadi hasil dari
kedua
mengetik:
Contoh 5.9
Jika alel dari setiap sepuluh bagian kacang diperoleh secara independen
adalah andp1 bertekad
P (AA), p2P (Aa), p3P (aa), X1number dari AA, X2number
dari Aa, dan
X3number dari aa, maka
Contoh 5.10
Ketika metode tertentu yang digunakan untuk mengumpulkan volume
tetap sampel batuan di
wilayah, ada empat jenis batuan yang dihasilkan. LetX1
, X2, andX3denote proporsi
volume jenis batuan 1, 2, dan 3 dalam sampel yang dipilih secara acak
(proporsi
dari jenis batuan 4 adalah 1? X1? X2? X3, sehingga variableX4would
berlebihan). Jika sendi
jika tidak
kemudian kis ditentukan oleh
Ini iterasi terpisahkan memiliki VALUE ribu / 144, sehingga k144.
Probabilitas bahwa batu dari
jenis 1 dan 2 bersama-sama account untuk paling banyak 50% dari
sampel adalah

Gagasan kemerdekaan lebih dari dua variabel acak mirip dengan

gagasan kemerdekaan lebih dari dua peristiwa.
DEFINISI
variablesX1 acak; X2; :::; Xn dikatakan beindependent jika untuk setiap
subsetXi1
; Xi2
; ..;. Xik
variabel (eachpair, masing-masing tiga, dan segera), sendi
PMF atau pdf dari subset sama dengan produk dari marjinal PMF atau
pdf ini.
Jadi jika variabel withn4 independen, maka PMF sendi atau pdf dari
duavariabel adalah produk dari dua marginals, dan sama untuk setiap
tiga variabeldan keempat variabel bersama-sama. Yang paling penting,
thatnvariables setelah kami diberitahu adalah
independen, maka PMF sendi atau pdf adalah produk dari
thenmarginals.
Contoh 5.11
Jika X1, ..., Xn merupakan tahan dari ncomponents, komponen
mengoperasikan
independen satu sama lain, dan masing-masing seumur hidup secara
eksponensial didistribusikan dengan
parameterl, maka
0 jika tidak
(
Jika ncomponents ini dihubungkan secara seri, sehingga sistem akan
gagal
segera sebagai komponen tunggal gagal, maka probabilitas bahwa sistem
berlangsung masa lalu
waktu t adalah
Karena itu,
seumur hidup Psystem? t1? e

? 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).]

c. Menghitung marginal pdf ofX1alone. [Petunjuk:

Gunakan hasil dari bagian (a).]