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 71 – # 75<br />
3.6 BLANDADE OCH SINGULÄRA FÖRDELNINGAR 71<br />
Med hjälp av framställningen (3.4) <strong>och</strong> betingning kan vi beräkna<br />
<strong>och</strong><br />
så att<br />
E(X) = 0 · 1 1 a 1 a<br />
+ E(Y ) · = · =<br />
2 2 2 2 4<br />
E(X 2 ) = 0 2 · 1<br />
2 + E(Y 2 ) · 1 a2 1 a2<br />
= · =<br />
2 3 2 6 ,<br />
V (X) = a2<br />
6 −<br />
<br />
a<br />
2 =<br />
4<br />
a2 a2 5a2<br />
− =<br />
6 16 48 .<br />
Detta är ett exempel på en blandad fördelning, som varken är diskret eller<br />
kontinuerlig. Allmänt kan vi skriva en blandning som<br />
X =<br />
<br />
Y <strong>med</strong> sannolikhet p,<br />
Z <strong>med</strong> sannolikhet 1 − p,<br />
där Y <strong>och</strong> Z har fördelningsfunktioner FY (t) respektive FZ(t). Då gäller<br />
FX(t) = P (X ≤ t) = p · P (Y ≤ t) + (1 − p) · P (Z ≤ t)<br />
= p · FY (t) + (1 − p) · FZ(t).<br />
Om både Y <strong>och</strong> Z är diskreta blir även X diskret <strong>och</strong> om både Y <strong>och</strong> Z<br />
är kontinuerliga så blir även X kontinuerlig.<br />
Det intressanta fallet är, som i trafikljusexemplet 3.25, då Y är diskret <strong>och</strong><br />
Z kontinuerlig (eller tvärtom). Då blir X varken diskret eller kontinuerlig,<br />
utan en blandning av dessa.<br />
Väntevärde <strong>och</strong> varians för X kan beräknas <strong>med</strong> hjälp av betingning, som<br />
i exemplet.<br />
E(X) = p · E(Y ) + (1 − p) · E(Z),<br />
E(X 2 ) = p · E(Y 2 ) + (1 − p) · E(Z 2 ),<br />
V (X) = E(X 2 ) − (E(X)) 2 .