STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
2007-10-08 – sida 127 – # 131<br />
3.9 FLERDIMENSIONELLA SLUMPVARIABLER 127<br />
om den första variabelns värde. Vi har då att göra <strong>med</strong> betingade fördelningar<br />
som är nära besläktade <strong>med</strong> betingade sannolikheter som definierades i<br />
Avsnitt 2.5 på sidan 19.<br />
DEFINITION 3.33 (BETINGAD FÖRDELNING)<br />
Låt (X, Y ) vara en tvådimensionell slumpvariabel. Om (X, Y ) är diskret så<br />
definieras den betingade sannolikhetsfunktion pX|Y (j | k) för X, betingat<br />
av att Y = k, av<br />
pX|Y (j | k) = P (X = j | Y = k) = pX,Y (j, k)<br />
, j = 0, 1, . . . .<br />
pY (k)<br />
Om (X, Y ) är kontinuerlig definieras den betingade täthetsfunktion<br />
fX|Y (x | y) för X, betingat av att Y = y, av<br />
fX|Y (x | y) = fX,Y (x, y)<br />
, −∞ < x < ∞.<br />
fY (y)<br />
Den betingade fördelningsfunktionen. FX|Y (x | y) för X, betingat av att<br />
Y = y, fås på vanligt sätt genom summering/integrering: FX|Y (x | y) =<br />
<br />
j≤x pX|Y (j | y) respektive FX|Y (x | y) = x<br />
−∞ fX|Y (t | y)dt.<br />
ANMÄRKNING 3.36<br />
Betingade fördelningar uppfyller kraven för en fördelning. Att så verkligen<br />
är fallet kan lätt visas i det diskreta fallet genom att visa att<br />
fördelnings- <strong>och</strong> sannolikhetsfunktionerna ovan uppfyller definitionerna<br />
för fördelnings- <strong>och</strong> sannolikhetsfunktion (Definition 3.28 <strong>och</strong> 3.29). Beviset<br />
är däremot krångligare i det kontinuerliga fallet beroende på att<br />
betingningshändelsen då har sannolikhet 0 <strong>och</strong> hoppas därför över.<br />
I Avsnitt 2.5 infördes två ekvivalenta definitioner för oberoende händelser.<br />
Den ena var att P (A ∩ B) = P (A)P (B) vilket påminner om Definition 3.32<br />
ovan för oberoende slumpvariabler. Den andra var att P (A | B) = P (A ∩<br />
B)/P (B). Även denna har en motsvarighet för slumpvariabler.<br />
DEFINITION 3.34 (ALTERNATIV DEFINITION AV OBEROENDE SLUMPVARIABLER)<br />
Två diskreta slumpvariabler X <strong>och</strong> Y är oberoende om pX|Y (j | k) =<br />
pX(j) för alla j <strong>och</strong> sådana k för vilket pY (k) > 0. Två kontinuerliga