Gezamenlijk verdeelde willekeurige variabelen: 11 belangrijke feiten

Content

Gezamenlijk verdeelde willekeurige variabelen

     De gezamenlijk verdeelde willekeurige variabelen zijn de willekeurige variabele meer dan één met waarschijnlijkheid gezamenlijk verdeeld voor deze willekeurige variabelen, met andere woorden in experimenten waarbij de verschillende uitkomst met hun gemeenschappelijke waarschijnlijkheid bekend staat als gezamenlijk verdeelde willekeurige variabele of gezamenlijke verdeling, treedt een dergelijke situatie op vaak terwijl ze de problemen van de kansen aanpakken.

Gezamenlijke distributiefunctie | Gezamenlijke cumulatieve kansverdelingsfunctie | gezamenlijke kans massafunctie | gezamenlijke kansdichtheidsfunctie

    Voor de willekeurige variabelen X en Y is de verdelingsfunctie of gezamenlijke cumulatieve verdelingsfunctie

gif

waarbij de aard van de gezamenlijke kans afhangt van de aard van willekeurige variabelen X en Y, discreet of continu, en de individuele verdelingsfuncties voor X en Y kunnen worden verkregen met behulp van deze gezamenlijke cumulatieve verdelingsfunctie als

gif

hetzelfde geldt voor Y als

gif

deze individuele distributiefuncties van X en Y staan ​​bekend als marginale distributiefuncties wanneer gezamenlijke distributie wordt overwogen. Deze verdelingen zijn erg handig om de waarschijnlijkheden te krijgen zoals

en daarnaast is de gezamenlijke kansmassafunctie voor de willekeurige variabelen X en Y gedefinieerd als

gif

de individuele kansmassa- of dichtheidsfuncties voor X en Y kunnen worden verkregen met behulp van een dergelijke gezamenlijke kansmassa- of dichtheidsfunctie zoals in termen van discrete willekeurige variabelen as

gif

en in termen van continue willekeurige variabele de gezamenlijke waarschijnlijkheidsdichtheidsfunctie zal zijn

gif

waarbij C een tweedimensionaal vlak is, en de gezamenlijke verdelingsfunctie voor continue willekeurige variabele zal zijn

beeld 60

de kansdichtheidsfunctie uit deze verdelingsfunctie kan worden verkregen door te differentiëren

gif

en de marginale kans van de gezamenlijke kansdichtheidsfunctie

gif

as

gif

en

gif

met betrekking tot respectievelijk de willekeurige variabelen X en Y

Voorbeelden van gezamenlijke distributie

  1. De gezamenlijke kansen voor de willekeurige variabelen X en Y vertegenwoordigen het aantal wiskunde- en statistiekboeken uit een set boeken die 3 wiskunde-, 4 statistiek- en 5 natuurkundeboeken bevat als 3 boeken willekeurig worden genomen
%5Cbinom%7B12%7D%7B3%7D%3D%5Cfrac%7B1%7D%7B220%7D
  • Vind de joint kansdichtheidsfunctie voor de steekproef van gezinnen met 15% geen kind, 20% 1 kind, 35% 2 kind en 30% 3 kind als het gezin dat we willekeurig uit deze steekproef voor kind kiezen een jongen of een meisje is?

De gezamenlijke waarschijnlijkheid zullen we vinden door de definitie te gebruiken als

Gezamenlijk verdeelde willekeurige variabelen
Gezamenlijk verdeelde willekeurige variabelen: voorbeeld

en dit kunnen we als volgt in tabelvorm illustreren

Gezamenlijk verdeelde willekeurige variabelen
Gezamenlijk verdeelde willekeurige variabelen: voorbeeld van gezamenlijke verdeling
  • Bereken de kansen
gif

als voor de willekeurige variabelen X en Y de gezamenlijke kansdichtheidsfunctie wordt gegeven door

gif

met behulp van de definitie van gezamenlijke kans voor continue willekeurige variabele

gif

en de gegeven gewrichtsdichtheidsfunctie zal de eerste kans voor het gegeven bereik zijn

gif
gif
gif
gif

op dezelfde manier de waarschijnlijkheid

gif
gif
gif
gif

en tot slot

gif
gif
gif
  • Zoek de gewrichtsdichtheidsfunctie voor het quotiënt X / Y van willekeurige variabelen X en Y als hun gewrichtswaarschijnlijkheidsdichtheidsfunctie is
gif

Om de kansdichtheidsfunctie voor de functie X / Y te vinden, vinden we eerst de gewrichtsverdelingsfunctie en vervolgens differentiëren we het verkregen resultaat,

dus door de definitie van gewrichtsverdelingsfunctie en gegeven kansdichtheidsfunctie hebben we

%7BY%7D%28a%29%3DP%20%7B%20%5Cfrac%7BX%7D%7BY%7D%5Cleq%20a%20%7D
gif
gif
gif
gif

dus door deze verdelingsfunctie te differentiëren met betrekking tot a krijgen we de dichtheidsfunctie als

gif

waarbij a tussen nul en oneindig ligt.

Onafhankelijke willekeurige variabelen en gezamenlijke distributie

     In het gezamenlijke distributie de kans voor twee willekeurige variabelen X en Y zou onafhankelijk zijn als

gif

waarbij A en B de echte sets zijn. Zoals al in termen van gebeurtenissen weten we dat de onafhankelijke willekeurige variabelen de willekeurige variabelen zijn waarvan de gebeurtenissen onafhankelijk zijn.

Dus voor alle waarden van a en b

gif

en de gezamenlijke distributie of cumulatieve verdelingsfunctie voor de onafhankelijke willekeurige variabelen X en Y zal zijn

gif

als we de discrete willekeurige variabelen X en Y dan beschouwen

gif

sinds

gif
gif
gif
gif

hetzelfde geldt ook voor de continue willekeurige variabele

gif

Voorbeeld van onafhankelijke gezamenlijke distributie

  1. Als voor een specifieke dag in een ziekenhuis de ingevoerde patiënten vergiftigd zijn met parameter λ en de kans op mannelijke patiënt als p en de kans op vrouwelijke patiënt als (1-p), laat dan zien dat het aantal mannelijke patiënten en vrouwelijke patiënten dat in het ziekenhuis is binnengekomen zijn onafhankelijke willekeurige poissonvariabelen met parameters λp en λ (1-p)?

overweeg dan het aantal mannelijke en vrouwelijke patiënten per willekeurige variabele X en Y

gif
gif

aangezien X + Y het totale aantal patiënten is dat in het ziekenhuis is opgenomen, wordt het gif zo verdeeld

gif

aangezien de kans op mannelijke patiënt p is en vrouwelijke patiënt (1-p), dus exact van het totale fix-aantal zijn mannelijk of vrouwelijk toont binominale kans als

gif

met behulp van deze twee waarden krijgen we de bovenstaande gezamenlijke kans als

gif
gif
gif

dus de kans op mannelijke en vrouwelijke patiënten zal zijn

gif
gif

en

gif

waaruit blijkt dat ze allebei willekeurige Poisson-variabelen zijn met de parameters λp en λ(1-p).

2. zoek de kans dat een persoon meer dan tien minuten moet wachten op de vergadering voor een cliënt alsof elke cliënt en die persoon arriveert tussen 12 en 1 uur na uniforme verdeling.

overweeg de willekeurige variabelen X en Y om de tijd voor die persoon en cliënt tussen 12 en 1 aan te duiden, zodat de kans gezamenlijk voor X en Y zal zijn

beeld 61
gif
gif
gif
gif

berekenen

gif

waarbij X, Y en Z een uniforme willekeurige variabele zijn over het interval (0,1).

hier zal de kans zijn

gif

voor de gelijkmatige verdeling de dichtheidsfunctie

gif

voor het gegeven bereik dus

gif
gif
gif
gif

SOMMEN VAN ONAFHANKELIJKE WILLEKEURIGE VARIABELEN DOOR GEZAMENLIJKE DISTRIBUTIE

  De som van onafhankelijke variabelen X en Y met de kansdichtheid functioneert als continue willekeurige variabelen, de cumulatieve verdelingsfunctie zal zijn

gif
gif
gif
gif

door deze cumulatieve verdelingsfunctie te differentiëren voor de kansdichtheidsfunctie van deze onafhankelijke sommen

latex%5Dfty%7D%20F %7BX%7D%20%28a y%29%20f %7BY%7D%28y%29dy
gif
gif

door deze twee resultaten te volgen, zullen we enkele continue willekeurige variabelen zien en hun som als onafhankelijke variabelen

som van onafhankelijke uniforme willekeurige variabelen

   voor de willekeurige variabelen X en Y uniform verdeeld over het interval (0,1) is de kansdichtheidsfunctie voor beide onafhankelijke variabelen

gif

dus voor de som X + Y hebben we

gif

voor elke waarde ligt a tussen nul en één

gif

als we a tussen één en twee beperken, zal het zijn

gif

dit geeft de driehoekige vormdichtheidsfunctie

gif

als we generaliseren voor de n onafhankelijke uniforme willekeurige variabelen 1 tot n dan hun verdelingsfunctie

door wiskundige inductie zal zijn

gif

som van onafhankelijke willekeurige Gamma-variabelen

    Als we twee onafhankelijke gamma-willekeurige variabelen hebben met hun gebruikelijke dichtheidsfunctie

gif

vervolgens de dichtheid volgen voor de som van onafhankelijke willekeurige gamma-variabelen

gif
gif
gif
gif
gif

dit toont de dichtheidsfunctie voor de som van willekeurige gamma-variabelen die onafhankelijk zijn

som van onafhankelijke exponentiële willekeurige variabelen

    Op dezelfde manier als de willekeurige gamma-variabele, de som van onafhankelijke exponentiële willekeurige variabelen, kunnen we dichtheidsfunctie en verdelingsfunctie verkrijgen door gewoon specifiek waarden van willekeurige gamma-variabelen toe te wijzen.

Som van onafhankelijke normale willekeurige variabele | som van onafhankelijke Normale distributie

                Als we n aantal onafhankelijke normale willekeurige variabelen Xi hebben, i=1,2,3,4….n met respectievelijke gemiddelden μi en varianties σ2i dan hun som is ook een normale willekeurige variabele met het gemiddelde als Σμi en varianties Σσ2i

    We laten eerst de normaal verdeelde onafhankelijke som zien voor twee normale willekeurige variabele X met de parameters 0 en σ2 en Y met de parameters 0 en 1, laten we de kansdichtheidsfunctie voor de som X + Y met vinden

gif

in de gezamenlijke verdelingsdichtheidsfunctie

gif

met behulp van de definitie van de dichtheidsfunctie van de normale verdeling

gif
gif

dus de dichtheidsfunctie zal zijn

gif
gif
gif

wat niets anders is dan de dichtheidsfunctie van a normale verdeling met gemiddelde 0 en variantie (1+-2) volgens hetzelfde argument kunnen we zeggen:

em%3E%7B2%7D

met gebruikelijke gemiddelde en varianties. Als we de uitbreiding nemen en observeren, wordt de som normaal verdeeld met het gemiddelde als de som van de respectievelijke gemiddelden en de variantie als de som van de respectieve varianties,

dus op dezelfde manier zal de n-de som de normaal verdeelde willekeurige variabele zijn met het gemiddelde als Σμi  en varianties Σσ2i

Sommen van onafhankelijke willekeurige Poisson-variabelen

Als we twee onafhankelijke Poisson-willekeurige variabelen X en Y hebben met parameters λ1 en λ2 dan is hun som X + Y ook Poisson-willekeurige variabele of Poisson-verdeeld

aangezien X en Y Poisson-verdeeld zijn en we hun som kunnen schrijven als de unie van onsamenhangende gebeurtenissen dus

gif
gif
em%3E%7B2%7D%5E%7Bn k%7D%7D%7B%28n k%29%21%7D

door gebruik te maken van de waarschijnlijkheid van onafhankelijke willekeurige variabelen

em%3E%7B2%7D%5E%7Bn k%7D%7D%7Bk%21%28n k%29%21%7D
em%3E%7B2%7D%5E%7Bn k%7D
em%3E%7B2%7D%29%5E%7Bn%7D

dus we krijgen de som X + Y is ook Poisson verdeeld met de gemiddelde λ1 + λ2

Sommen van onafhankelijke binominale willekeurige variabelen

                Als we twee onafhankelijke binominale willekeurige variabelen X en Y hebben met parameters (n, p) en (m, p), dan is hun som X + Y ook een binominale willekeurige variabele of binominaal verdeeld met parameter (n + m, p)

laten we de waarschijnlijkheid van de som gebruiken met de definitie van binominaal als

gif
gif
gif
gif
gif

wat geeft

gif

dus de som X + Y is ook binominaal verdeeld met parameter (n + m, p).

Conclusie:

Het concept van gezamenlijk verdeelde willekeurige variabelen die de verdeling relatief geeft voor meer dan één variabele in de situatie wordt besproken, daarnaast wordt het basisconcept van onafhankelijke willekeurige variabelen besproken met behulp van gezamenlijke verdeling en som van onafhankelijke variabelen met een voorbeeld van verdeling wordt gegeven met hun parameters. Als u verder wilt lezen, ga dan door de genoemde boeken. Voor meer bericht over wiskunde, alstublieft klik hier.

https://en.wikipedia.org

Een eerste kanscursus door Sheldon Ross

Schaum's contouren van waarschijnlijkheid en statistiek

Een inleiding tot kansrekening en statistiek door ROHATGI en SALEH