- Obsah
- Podmíněné rozdělení
- Diskrétní podmíněné rozdělení
- Příklad diskrétního podmíněného rozdělení
- Spojitá podmíněná distribuce
- Příklad kontinuálního podmíněného rozdělení
- Podmíněné rozdělení dvojrozměrného normálního rozdělení
- Společné rozdělení pravděpodobnosti funkce náhodných proměnných
- Příklady rozdělení pravděpodobnosti funkce náhodných proměnných
Podmíněné rozdělení
Je velmi zajímavé diskutovat o podmíněném případu distribuce, když dvě náhodné proměnné následují rozdělení uspokojující jednu danou jinou, nejprve krátce vidíme podmíněné rozdělení v případě náhodných proměnných, diskrétních i spojitých, poté se po prostudování některých předpokladů zaměříme na podmíněná očekávání.
Diskrétní podmíněné rozdělení
Pomocí funkce hromadné pravděpodobnosti hmoty ve společném rozdělení definujeme podmíněné rozdělení pro diskrétní náhodné proměnné X a Y pomocí podmíněné pravděpodobnosti pro X dané Y jako rozdělení s funkcí pravděpodobnosti hmoty
za předpokladu, že pravděpodobnost jmenovatele je větší než nula, podobně to můžeme zapsat jako
ve společné pravděpodobnosti, pokud X a Y jsou nezávislé náhodné proměnné, pak se to změní na
takže diskrétní podmíněné rozdělení nebo podmíněné rozdělení pro diskrétní náhodné proměnné X dané Y je náhodná proměnná s výše uvedenou funkcí pravděpodobnostní hmotnosti podobným způsobem pro Y dané X můžeme definovat.
Příklad diskrétního podmíněného rozdělení
- Najít pravděpodobnostní hmotnostní funkce náhodné veličiny X je-li Y=1, má-li společná pravděpodobnostní hmotnostní funkce pro náhodné veličiny X a Y nějaké hodnoty jako
p (0,0) = 0.4, p (0,1) = 0.2, p (1,0) = 0.1, p (1,1) = 0.3
Nyní nejprve pro hodnotu Y = 1, kterou máme
tedy pomocí definice funkce pravděpodobnostní hmotnosti
máme
a
- získejte podmíněné rozdělení X dané X + Y = n, kde X a Y jsou Poissonovo rozdělení s parametry λ1 a λ2 a X a Y jsou nezávislé náhodné proměnné
Protože náhodné proměnné X a Y jsou nezávislé, bude mít podmíněné rozdělení pravděpodobnostní hmotnostní funkci jako
protože součet Poissonovy náhodné proměnné je opět poisson tak
tedy podmíněné rozdělení s vyšší pravděpodobnostní hromadnou funkcí bude podmíněné rozdělení pro takové Poissonovo rozdělení. Výše uvedený případ lze zobecnit pro více než dvě náhodné proměnné.
Spojitá podmíněná distribuce
Spojité podmíněné rozdělení náhodné proměnné X dané y již definované je spojité rozdělení s funkcí hustoty pravděpodobnosti
hustota jmenovatele je větší než nula, což pro funkci spojité hustoty je
pravděpodobnost takové funkce podmíněné hustoty tedy je
Podobným způsobem jako v diskrétním případě, pokud jsou X a Y nezávislé v spojitém, pak také
a tudíž
abychom to mohli napsat jako
Příklad kontinuálního podmíněného rozdělení
- Vypočítejte funkci podmíněné hustoty náhodné proměnné X dané Y, pokud je funkce hustoty pravděpodobnosti spoje s otevřeným intervalem (0,1) dána vztahem
Pokud je pro náhodnou proměnnou X dané Y v rámci (0,1), pak pomocí výše uvedené funkce hustoty máme
- Vypočítejte podmíněnou pravděpodobnost
pokud je funkce hustoty pravděpodobnosti spoje dána vztahem
Abychom nejprve našli podmíněnou pravděpodobnost, potřebujeme funkci podmíněné hustoty, takže podle definice by to bylo
nyní pomocí této funkce hustoty v pravděpodobnosti podmíněná pravděpodobnost is
Podmíněné rozdělení dvojrozměrného normálního rozdělení
Víme, že bivariační normální rozdělení normálních náhodných proměnných X a Y s příslušnými střední a odchylkami, protože parametry mají funkci společné hustoty pravděpodobnosti
najít podmíněné rozdělení pro takové dvojrozměrné normální rozdělení pro X dané Y je definováno sledováním funkce podmíněné hustoty spojité náhodné proměnné a výše uvedené funkce hustoty spojů
Pozorováním toho můžeme říci, že je to normálně distribuováno se střední hodnotou
a rozptyl
podobným způsobem funkce podmíněné hustoty pro Y dané X již definované bude pouze záměnou pozic parametrů X s Y,
Funkci mezní hustoty pro X můžeme získat z výše uvedené funkce podmíněné hustoty pomocí hodnoty konstanty
dosadíme do integrálu
funkce hustoty bude nyní
od celkové hodnoty
definicí pravděpodobnosti, takže funkce hustoty bude nyní
což není nic jiného než funkce hustoty náhodné proměnné X s obvyklým průměrem a rozptylem jako parametry.
Společné rozdělení pravděpodobnosti funkce náhodných proměnných
Zatím známe společné rozdělení pravděpodobnosti dvou náhodných proměnných, nyní, pokud máme funkce takových náhodných proměnných, jaké by bylo společné rozdělení pravděpodobnosti těchto funkcí, jak vypočítat hustotu a distribuční funkci, protože máme situace v reálném životě, kde mít funkce náhodných proměnných,
Pokud Y1 a Y2 jsou funkce náhodných proměnných X1 a X2 respektive, které jsou společně spojité, pak funkce spojité spojité hustoty těchto dvou funkcí bude
kde Jakobijský
a Y1 =g1 (X1, X2) a Y2 =g2 (X1, X2) pro některé funkce g1 a g2 . Tady g1 a g2 splňuje podmínky jakobiána jako spojité a má spojité částečné derivace.
Nyní bude pravděpodobnost takových funkcí náhodných proměnných
Příklady rozdělení pravděpodobnosti funkce náhodných proměnných
- Najděte funkci hustoty kloubů náhodných proměnných Y1 =X1 +X2 a Y2=X1 -X2 , kde X1 a X2 jsou společně spojité s funkcí hustoty pravděpodobnosti kloubu. diskutovat také o odlišné povaze distribuce.
Tady nejdříve zkontrolujeme Jacobian
protože g1(x1, X2) = x1 +x2 a g2(x1, X2) = x1 - X2 so
zjednodušení Y1 =X1 +X2 a Y2=X1 -X2 , pro hodnotu X1 = 1/2 (r1 +Y2 ) a X2 = Y1 -Y2 ,
pokud jsou tyto náhodné proměnné nezávislé jednotné náhodné proměnné
nebo pokud jsou tyto náhodné proměnné nezávislé exponenciální náhodné proměnné s obvyklými parametry
nebo pokud jsou tyto náhodné proměnné nezávislé normální náhodné proměnné, pak
- Pokud X a Y jsou nezávislé standardní normální proměnné, jak je uvedeno
vypočítat společné rozdělení pro příslušné polární souřadnice.
Převedeme obvyklou konverzí X a Y na r a θ jako
takže částečné derivace těchto funkcí budou
takže Jacobian používající tuto funkci je
pokud jsou obě náhodné proměnné X a Y větší než nula, pak je funkce podmíněné hustoty kloubu
nyní převod kartézské souřadnice na polární souřadnice pomocí
takže hustota pravděpodobnosti funkce pro kladné hodnoty budou
pro různé kombinace X a Y jsou funkce hustoty podobným způsobem
nyní z průměru výše uvedených hustot můžeme uvést funkci hustoty jako
a funkce mezní hustoty z této hustoty kloubu polárních souřadnic v intervalu (0, 2π)
- Najděte funkci hustoty kloubů pro funkci náhodných proměnných
U = X + Y a V = X / (X + Y)
kde X a Y jsou gama distribuce s parametry (α + λ) a (β +λ).
Pomocí definice gama distribuce a funkce společného rozdělení bude funkce hustoty pro náhodnou veličinu X a Y
považovat dané funkce za
g1 (x, y) = x + y, g2 (x, y) = x / (x + y),
takže diferenciace těchto funkcí je
teď je Jacobian
po zjednodušení daných rovnic proměnných x = uv a y = u (1-v) je funkce hustoty pravděpodobnosti
můžeme použít vztah
- Vypočítejte funkci hustoty pravděpodobnosti spoje pro
Y1 =X1 +X2+ X3 , A2 =X1- X2 , A3 =X1 - X3
kde náhodné proměnné X1, X2, X3 jsou standardem normální náhodné veličiny.
Nyní vypočítáme Jacobian pomocí parciálních derivací
Y1 =X1 +X2+ X3 , A2 =X1- X2 , A3 =X1 - X3
as
zjednodušení pro proměnné X1 , X2 a X3
X1 = (Y1 + Y.2 + Y.3) / 3, X2 = (Y1 - 2R2 + Y.3) / 3, X3 = (Y1 + Y.2 -2 r3) / 3
můžeme zobecnit funkci hustoty spár jako
tak máme
pro normální proměnnou je funkce hustoty pravděpodobnosti kloubu
proto
kde je index
vypočítat funkci hustoty spojů Y1 …… Yn a funkce mezní hustoty pro Yn kde
a Xi jsou nezávislé identicky distribuované exponenciální náhodné proměnné s parametrem λ.
pro náhodné proměnné formuláře
Y1 =X1 , A2 =X1 + X2 , …, Yn =X1 + …… + Xn
Jacobian bude ve formě
a proto je jeho hodnota jedna a funkce hustoty kloubu pro exponenciální náhodnou proměnnou
a hodnoty proměnné Xi bude
takže funkce hustoty kloubu je
Nyní najděte funkci mezní hustoty Yn budeme integrovat jeden po druhém jako
a
jako moudrý
pokud budeme pokračovat v tomto procesu, dostaneme
což je funkce mezní hustoty.
Závěr:
Projekt podmíněné rozdělení pro diskrétní a spojitou náhodnou veličinu s různými příklady s ohledem na některé typy těchto diskutovaných náhodných veličin, kde hraje důležitou roli nezávislá náhodná veličina. Navíc kloub rozdělení pro funkci spojených spojitých náhodných veličin také vysvětleno s vhodnými příklady, pokud požadujete další čtení, přejděte na níže uvedené odkazy.
Další příspěvek z matematiky naleznete v našem Stránka matematiky
Wikipediahttps://en.wikipedia.org/wiki/joint_probability_distribution/” target=”_blank” rel=”noreferrer noopener” class=”rank-math-link”>Wikipedia.org
První kurz pravděpodobnosti od Sheldona Rosse
Schaumovy obrysy pravděpodobnosti a statistiky
Úvod do pravděpodobnosti a statistik od ROHATGI a SALEH
Jsem DR. Mohammed Mazhar Ul Haque. Dokončil jsem Ph.D. v matematice a pracuje jako odborný asistent v matematice. Má 12 let praxe v pedagogické činnosti. Mít rozsáhlé znalosti v čisté matematice, přesně v algebře. Mít obrovskou schopnost navrhovat a řešit problémy. Schopný motivovat kandidáty ke zvýšení jejich výkonu.
Rád přispívám do Lambdageeks, aby byla matematika jednoduchá, zajímavá a samovysvětlující pro začátečníky i odborníky.