SF1901: SANNOLIKHETSTEORI OCH FLERDIMENSIONELLA STOKASTISKA STATISTIK VARIABLER. Tatjana Pavlenko. 8 september 2017

Transkript

1 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 5 FLERDIMENSIONELLA STOKASTISKA VARIABLER Tatjana Pavlenko 8 september 2017

2 PLAN FÖR DAGENS FÖRELÄSNING Repetition av de viktiga begreppen diskret/kontinuerlig stokastisk variabel, sannolikhetsfunktion, täthetsfunktion och fördelningsfunktion. Funktioner av en stokastisk variabel (Kap. 3.10) Flerdimensionella stokastiska variabeler (Kap ) Oberoende stokastiska variabler (Kap. 4.5) Funktioner av flera stokastiska variabler (Kap )

3 DISKRETA STOKASTISKA VARIABLER, REPETITION Def: En stokastisk variabel, X (ω) är diskret om den endast kan anta ändligt eller uppräkneligt oändligt antal värden {k 1, k 2,... }, (syfrar på heltal). Def: p X (k) = P(X = k), k = k 1, k 2,... kallas för sannolikhetsfunktionen för en diskret s.v. X. Villkor: 0 px (k) 1 för alla k alla k p X (k) = 1 Med hjälp av p X (k) har vi: P(a X b) = k:a k b p X (k) P(X a) = k:k a p X (k) P(X > a) = k:k>a p X (k) = 1 k:k a p X (k) = 1 P(X a)

4 KONTINUERLIGA STOKASTISKA VARIABLER (REP.) Def: En stokastisk variabel X är kontinuerlig om det finns icke-negativ funktion f X ( ) sådan att P(X A) = A f X (x)dx, för alla A. f X (x) kallas för täthetsfunktonen för s.v X. Jämför med diskreta fallen! Summeringen av sannolikhetsfunktionen ersats av integration. Villkor: fx (x) 0, f X (x)dx = 1, dvs hela area under täthetsfunktionen är 1. Skilj noga på symbolen X som betecknar en s.v. och x som används som argument i funktionen f X (x)!

5 FÖRDELNINGSFUNKTION FÖR EN S.V. (REP.) Def: Funktionen F X (x) = P(X x), x R 1 kallas för fördelningsfunktionen för den s.v. X. Villkor: 0 FX (x) 1, (slh) FX (x) är icke-avtagande funktion, FX (x) 0 då x och F X (x) 1 då x. FX (x) är kontinuerlig till höger för varje x.

6 FÖRDELNINGSFUNKTION FÖR EN S.V. (FORTS.) FIGUR: Fördelningsfunktion F x (k) uppritad för tre olika Poisson-fördelningar: λ = 1, λ = 4 respektive λ = 10.

7 FÖRDELNINGSFUNKTION FÖR EN S.V. (FORTS.) FIGUR: Fördelningsfunktion för N(µ, σ) uppritad för några olika värden på µ och σ.

8 FÖRDELNINGSFUNKTION FÖR EN S.V. (FORTS.) I det diskreta fallet finns det ett nära samband mellan fördelningsfunktionen och sannolikhetsfunktionen: F X (k) = p X (j), p(k) = j:j k { FX (0) om k = 0 F X (k) F X (k 1) f.ö. I det kontinuerliga fallet finns ett motsvarande samband mellan fördelningsfunktionen och täthetsfunktionen: F X (x) = x f X (t)dt, f X (x) = d dx F X (x), i varje punkt x där f X (x) är kontinuerlig (se Sats 3.1). Tolkning: bilden på tavlan för båda fallen. Låt A = (, x], P(X A) = P(X x) = F X (x).

9 DAGENS FÖRELÄSNING. FUNKTIONER AV EN S.V. Antag att X är en s.v. med fördelningsfunktion F X (x) och täthetsfunktion f X (x). Definiera en ny s.v. Y = g(x ) där g( ) är en reel funktion. Ex: Y = X 2, Y = e X, Y = X. Vilken fördelning har Y? Hur hittar man F Y (y) och f Y (y) med hjälp av F X (x) och f X (x)? Låt g( ) vara en kontinuerlig, stikt monoton (strikt växande/avtagande) funktion. Då kan man definiera den inversa funktionen, g 1 (y) = {x : g(x) = y}. För detta fall blir det fördelningsfunktionen för Y lättare att uttrycka. Exempel om linjär transform på tavlan.

10 ALLMÄNT: g( ) ÄR MONOTON FUNKTION AV EN S.V. Om g( ) är växande så gäller att g(x) y om och endast om x g 1 (y). FY (y) = P(Y y) = P(g(X ) y) = P(X g 1 (y)) = F X (g 1 (y)). fy (y) = dy d F X (g 1 (y)) = f X (g 1 (y)) dy d g 1 (y). Om g( ) är avtagande så gäller i stället g(x) y om och endast om x g 1 (y). Man får därför i stället F Y (y) = P(X g 1 (y)) = 1 F X (g 1 (y)). fy (y) = d dy (1 F X (g 1 (y))) = f X (g 1 (y))( d dy g 1 (y)). Generellt (för g( ) växande och antagande) fås f Y (y) genom f Y (y) = d dy F Y (y) = f X (g 1 (y)) d dy g 1 (y).

11 TVÅDIMENSIONELL S.V. Idé: Flera s.v. definieras på samma utfallsrum. Def: En tvådimensionell stokastisk variabel är en tvådimensionell funktion (X, Y ) = (X (ω), Y (ω)) definierad på ett utfallsrum Ω och som tar värden i R 2. Tolkning: Den s.v (X, Y ) associerar ett talpar till varje elementarutfall i Ω och är alltså en d funktion Ω R 2. För att betrakta sannolikheter av typen P((X, Y ) A), dvs att talparen hamnar i en tvådimensionell region A Ω behöver vi Def: (Simultana) fördelningsfunktionen F X,Y (x, y) för (X, Y ) definieras som F X,Y (x, y) = P(X x, Y y). I Def. ovan valde vi A som de talpar (u, v) som uppfyller (u x, v y).

12 DISKRET TVÅDIMENSIONELL S.V. Def: En tvådimensionell s.v (X, Y ) sägs vara diskret om både X och Y endast antar ett ändligt eller uppräkneligt oändligt antal värden. Vi förutsätter att dessa värden är icke-negativa heltal. (Simultan) sannolikhetsfunktion p X,Y (j, k) för en sådan s.v definieras av Villkor: p X,Y (j, k) = P(X = j, Y = k), j = 0, 1, 2..., k = 0, 1, px,y (j, k) 1 j=0 k=0 p X,Y (j, k) = 1, på analogt sätt med endimensionella s.v. Fördelningsfunktionen kan bestämmas ur sannolikhetsfunktionen genom summering: F X,Y (x, y) = j x k y p X,Y (j, k).

13 DISKRET TVÅDIMENSIONELL S.V. FIGUR: Simultan sannolikhetsfunktion för en tvådimensionell s.v (X, Y ).

14 KONTINUERLIG TVÅDIMENSIONELL S.V. Def: En tvådimensionell s.v (X, Y ) sägs vara kontinuerlig om det finns en funktion f X,Y (x, y) så att för alla mängder A gäller P((X, Y ) A) = A f X,Y (x, y)dxdy. Funktionen f X,Y (x, y) kallas för (simultan) täthetsfunktion för s.v (X, Y ). Villkor: fx,y (x, y) 0 för alla x, y R f 2 X,Y (x, y)dxdy = 1 dvs är den totala volumen (sannolikhetsmassan) under yta (täthetsfunktion) lika med 1. Fördelningsfunktionen kan bestämmas ur täthetsfunktion genom relationen x y F X,Y (x, y) = f X,Y (u, v)dudv.

15 KONTINUERLIG TVÅDIMENSIONELL S.V. (FORTS.) FIGUR: Simultan täthetsfunktion för en kontinuerlig tvådimensionell s.v.

16 MARGINALIZERING Komponenterna i s.v. (X, Y ) är var och en för sig endimensionella s.v. Man skiljer på den marginella fördelningen för en komponent och den simultana fördelning för den tvådimensionella s.v. Motsvarande terminologi används för sannolikhets- och täthetsfunktionen. Samband mellan simultanfördelningen för (X, Y ) och marginalfördelningen för dess ena komponent: Def: Om (X, Y ) är diskret ges den marginella sannolikhetsfunktionen för X av p X (j) = p X,Y (j, k) (man summerar i y led) k=0 och på samma sätt p Y (k) = j=0 p X,Y (j, k), (man summerar i x led). Def: Om (X, Y ) är kontinuerlig ges den marginella täthetsfunktionen för X av f X (x) = f X,Y (x, y)dy, och på samma sätt f Y (y) = f X,Y (x, y)dx.

17 OBEROENDE S.V. Betrakta en tvådimenionell s.v. (X, Y ) Intuitivt: man kan anse att X och Y är oberoende om händelserna {X A} och {Y B} är oberoende för alla mängder A och B. Detta leder oss till följande Def: De s.v. X och Y kallas oberoende om P(X A, Y B) = P(X A)P(Y B) för alla mängder A och B. Sats: De s.v X och Y är oberoende om och endast om eller F X,Y (x, y) = F X (x)f Y (y) för alla x och y, p X,Y (j, k) = p X (j)p Y (k) för alla j och k, för diskreta s.v. f X,Y (x, y) = f X (x)f Y (y) för alla x och y, för kontinuerliga s.v.

18 VANLIGA FLERDIMENSIONELLA FÖRDELNIGAR. FIGUR: Bivariat normalfördelning. Simultan täthetsfunktion f X,Y (x, y) = f X (x)f Y (y) när s.v. X N(0, 0.5) och Y N(0, 0.2) är oberoende.

19 FÖRDELNING FÖR MAXIMUM OCH MINIMUM Sats: Låt X 1 och X 2 vara oberoende s.v. med fördelningsfunktioner F X1 (x) respektive F X2 (x). Definiera U = min(x 1, X 2 ) och V = max(x 1, X 2 ). Då gäller att F U (u) = 1 (1 F X1 (u))(1 F X2 (u)), F V (v) = F X1 (v)f X2 (v). Sats kan vidare utvidgas för fler än två s.v.: Om X 1,..., X n är oberoende och lika fördelade med fördelningsfunktion F X (x) så har Y = min i=1,...,n (X 1,..., X n ) och Z = max i=1,...,n (X 1,..., X n ) fördelningsfunktionerna F Y (y) = 1 (1 F X (y)) n respektive F Z (z) = (F X (z)) n. Bevis och exempel på tavlan.

20 FÖRDELNING FÖR MAXIMUM OCH MINIMUM (FORTS. Exempel: Motor. En motor upphör helt att fungera när samtliga 4 cylindrar gått sönder. Antag att cylindrarnas livslängder X i, i = 1,..., 4 (i år) är oberoende och likafördelade Exp(λ) där λ = 1/7, dvs E (X i ) = 7. Låt en s.v. T vara tid tills motorn helt upphör att fungera, då är T = max(x 1,..., X 4 ). Fördelningsfunktion för de enskilda cylindrarna är F Xi (x) = 1 e x/7 (samma för alla i), vilket ger F T (t) = F 4 X i (t) = ( 1 e t/7) 4. Om vi i stället är intresserade av tiden S då motor funktion blir nedsatt pga någon cylinder inte fungerar så får vi S = min(x 1,..., X 4 ) och fördelningsfunktionen för S blir F S (s) = 1 (1 F Xi (s)) 4 = 1 (e s/7 ) 4 = 1 e 4s/7. Minsta av n st. oberoende lika förd. s.v. med Exp(λ) också är Exp-fördelad men Exp(nλ)!