G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Flerdimensional statistisk variabel<br />
For hver af de 1-dimensionale stokastiske variable X1, X2,..., Xkhar vi tidligere defineret:<br />
* Fordelingsfunktioner F1, F2,..., Fk: F( X ) ≡ P( X ≤ x ), F ( X ) ≡ P( X ≤ x ), . . . , F ( X ) ≡ P( X ≤ x ) .<br />
1 1 1 1<br />
2 2 2 2<br />
124<br />
k k k k<br />
* Tæthedsfunktioner f1, f2,..., fk, når X X X er diskrete variable:<br />
1, 2,...,<br />
k<br />
f ( x ) ≡ P( X = x ) , f ( x ) ≡ P( X = x ) , . . . , f ( x ) ≡ P( X = x ) ,<br />
1 1 1 1<br />
2 2 2 2<br />
og når de er kontinuerte variable:<br />
dF1( x1)<br />
dF2( x2)<br />
dFk( x k)<br />
f1( x1)<br />
≡ , f2( x2)<br />
≡ , . . . , f k( xk)<br />
≡ .<br />
dx<br />
dx<br />
dx<br />
1<br />
2<br />
k k k k<br />
* Middelværdier, når X1, X2,..., Xker diskrete variable:<br />
E( g( X ) ≡ g( x ) ⋅ f ( x ) , . . . , E( g( X ) ≡ g( x ) ⋅ f ( x ) ,<br />
( )<br />
∑ ( )<br />
1 1 1 1<br />
x1<br />
og når de er kontinuerte variable:<br />
( )<br />
∑<br />
k<br />
k k k k<br />
xk ∞<br />
∞<br />
E( g( X ) ≡ g( x ) ⋅ f ( x ) dx , . . . , E( g( X ) ≡ g( x ) ⋅ f ( x ) dx ,<br />
∫ ( )<br />
1 1 1 1 1<br />
−∞<br />
specielt<br />
≡ E X ≡ ∑ x ⋅ f x<br />
og<br />
x1<br />
∫<br />
k k k k k<br />
−∞<br />
µ 1 ( 1) 1 1( 1)<br />
µ k 2<br />
k k k<br />
xk<br />
∑<br />
, . . . , ≡ E( X ) ≡ x ⋅ f ( x ) ,<br />
∞<br />
, . . . , ≡ E( X ) ≡ x ⋅ f ( x ) dx .<br />
∞<br />
µ 1 ≡ E( X1) ≡ x1 ⋅ f1( x1) dx1<br />
µ k k k k k k<br />
−∞<br />
−∞<br />
∫<br />
Af definitionen på middelværdi følger linearitetsreglen:<br />
Ea⋅ gX ( ) + bhX ⋅ ( ) = a⋅ EgX ( ) + bEhX ⋅ ( ) .<br />
( ) ( ) ( )<br />
i i i i<br />
r<br />
For en k-dimensional stokastisk variabel X = ( X X X definerer vi analogt:<br />
1, 2,...,<br />
k )<br />
* Fordelingsfunktionen F : ( ∧ betyder “både og”)<br />
F( x , x ..., x ) ≡ P( X ≤ x ) ∧ P( X ≤ x ) ∧... ∧P( X ≤ x ) .<br />
1 2, k 1 1 2 2<br />
k k<br />
* Tæthedsfunktionen f, når X1, X2,..., Xker diskrete variable:<br />
f ( x1, x2, ..., xk) ≡ P( X1 = x1) ∧ P( X2 = x2) ∧... ∧ P( Xk = xk)<br />
og når de er kontinuerte variable:<br />
k<br />
Fx ( 1, x2,..., xk)<br />
f ( x1, x2, ..., xk)<br />
≡ .<br />
x x ,..., x<br />
∂<br />
∂ ∂ ∂<br />
* Middelværdier, når X1, X2,..., Xker diskrete variable:<br />
( )<br />
∑∑<br />
∑<br />
∫<br />
1 2<br />
E g( X , X ,..., X ) = ... g( x , x ,..., x ) ⋅ f ( x , x ,..., x )<br />
1 2 k 1 2 k 1 2<br />
x1 x2<br />
xk<br />
og når de er kontinuerte variable:<br />
( )<br />
∫<br />
∞<br />
∞<br />
∫ ∫<br />
E g( X , X ,..., X ) = dx dx ... g( x , x ,..., x ) ⋅ f ( x , x ,..., x ) dx<br />
∞<br />
1 2 k 1 2 1 2 k 1 2 k k<br />
−∞ −∞ −∞<br />
r r r r<br />
Af definitionen på middelværdi følger linearitetsreglen: Ea ( ⋅ gX ( ) + bhX ⋅ ( ) ) = a⋅ EgX ( ( ) ) + b⋅EhX ( ( ) )<br />
De variable X1, X2,..., Xkkaldes stokastisk uafhængige, såfremt de for alle værdier af x1, x2,..., xkopfylder betingelsen: f ( x , x ..., x ) = f ( x ) ⋅ f ( x ) ⋅... ⋅ f ( x ) ,<br />
1 2 k 1 1 2 2<br />
k k<br />
der kan vises at være ækvivalent med betingelsen: F( x , x ..., x ) = F( x ) ⋅F ( x ) ⋅... ⋅F<br />
( x ) .<br />
k<br />
k<br />
1 2 k 1 1 2 2<br />
k k