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.
134 KAPITEL 3 SLUMPVARIABLER<br />
2007-10-08 – sida 134 – # 138<br />
där den kvadratiska formen Qρ(u, v) definieras av<br />
Qρ(u, v) = u 2 + v 2 − 2ρuv.<br />
Man skriver att (X, Y ) ∼ N(µx, µy, σx, σy, ρ).<br />
ANMÄRKNING 3.39<br />
Att använda sig av täthetsfunktionen för att beräkna sannolikheten för att<br />
(X, Y ) ∈ A numeriskt är relativt komplicerat, såvida inte A är en ”enkel”<br />
mängd. Specialfallet att ρ = 0 är dock väsentligt lättare.<br />
Täthetsfunktionen illustreras i Figur 3.28 nedan.<br />
Bild saknas<br />
Figur 3.28. Bild på 2-dimensionell normalfördelad täthetsfunktion.<br />
Ett specialfall av denna komplicerade täthetsfunktion är när ρ = 0. Produkttermen<br />
i den kvadratiska formen försvinner då <strong>och</strong> man kan skriva tätheten<br />
som fX,Y (x, y) = fX(x)fY (y) där fX(x) <strong>och</strong> fY (y) bägge är täthetsfunktioner<br />
för normalfördelning <strong>med</strong> väntevärde <strong>och</strong> standardavvikelse µx <strong>och</strong> σx<br />
respektive µy <strong>och</strong> µy. Eftersom den simultana täthetsfunktionen kan skrivas<br />
som en produkt av två marginella täthetsfunktioner gäller det alltså att X <strong>och</strong><br />
Y är oberoende i detta fall (Definition 3.32 på sidan 126).<br />
EXEMPEL 3.43<br />
Antag att (X, Y ) ∼ N(µx = 5, µy = 10, σx = 2, σy = 3, ρ = 0). Vi<br />
kan då t.ex. beräkna P (3 ≤ X ≤ 6, 8 ≤ Y ≤ 14). Eftersom X <strong>och</strong> Y är<br />
oberoende gäller att P (3 ≤ X ≤ 6, 8 ≤ Y ≤ 14) = P (3 ≤ X ≤ 6)P (8 ≤<br />
Y ≤ 14) = (FX(6) − FX(3))(FY (14) − FY (8)). Från den endimensionella