Distribuzione condizionale: 7 fatti interessanti da sapere

Distribuzione condizionale

   È molto interessante discutere il caso condizionale di distribuzione quando due variabili casuali seguono la distribuzione soddisfacendone una data l'altra, vediamo prima brevemente la distribuzione condizionale in entrambi i casi di variabili casuali, discrete e continue poi dopo aver studiato alcuni prerequisiti ci concentriamo sulla aspettative condizionali.

Distribuzione condizionale discreta

     Con l'aiuto della funzione di massa di probabilità congiunta nella distribuzione congiunta definiamo la distribuzione condizionale per le variabili casuali discrete X e Y usando la probabilità condizionata per X dato Y come distribuzione con la funzione di massa di probabilità

1
2.PNG
3.PNG

purché la probabilità del denominatore sia maggiore di zero, in modo simile possiamo scrivere come

4.PNG
5.PNG

nella probabilità congiunta se X e Y sono variabili casuali indipendenti, questo si trasformerà in

6.PNG
7.PNG
8.PNG

quindi la distribuzione condizionale discreta o la distribuzione condizionale per le variabili casuali discrete X dato Y è la variabile casuale con la funzione massa di probabilità sopra in modo simile per Y dato X che possiamo definire.

Esempio sulla distribuzione condizionale discreta

  1. Trovare il funzione di massa di probabilità di una variabile casuale X dato Y=1, se la funzione di massa di probabilità congiunta per le variabili casuali X e Y ha dei valori come

p(0,0)=0.4 , p(0,1)=0.2, p(1,0)= 0.1, p(1,1)=0.3

Ora prima di tutto per il valore Y = 1 abbiamo

9.PNG

quindi utilizzando la definizione di funzione di massa di probabilità

10.PNG
11.PNG
12.PNG

ne ha

13.PNG

ed

14.PNG
  • ottenere la distribuzione condizionale di X dato X + Y = n, dove X e Y sono distribuzioni di Poisson con i parametri λ1 e λ2 e X e Y sono variabili casuali indipendenti

Poiché le variabili casuali X e Y sono indipendenti, la distribuzione condizionale avrà funzione di massa di probabilità come

15.PNG
16.PNG
17.PNG

poiché la somma della variabile aleatoria di Poisson è di nuovo così poisson

18.PNG
19.PNG
20.PNG

quindi la distribuzione condizionale con la funzione di massa di probabilità sopra sarà una distribuzione condizionale per tali distribuzioni di Poisson. Il caso precedente può essere generalizzato per più di due variabili casuali.

Distribuzione condizionale continua

   La distribuzione condizionale continua della variabile casuale X dato y già definita è la distribuzione continua con la funzione di densità di probabilità

21.PNG

la densità del denominatore è maggiore di zero, che per la funzione di densità continua è

22.PNG
23.PNG

quindi la probabilità per tale funzione di densità condizionale è

24.PNG

Allo stesso modo come in discreto se X e Y sono indipendenti in continuo anche allora

25.PNG

e quindi

px 26
px28 Copia 1

quindi possiamo scriverlo come

px29 Copia 1

Esempio sulla distribuzione condizionale continua

  1. Calcola la funzione di densità condizionale della variabile casuale X dato Y se la funzione di densità di probabilità congiunta con l'intervallo aperto (0,1) è data da
px30 Copia 1

Se per la variabile casuale X dato Y entro (0,1) allora usando la funzione di densità sopra abbiamo

px 31
px 32
px 33
px 34
px 35
  • Calcola la probabilità condizionale
px 36

se la funzione di densità di probabilità congiunta è data da

px 37

Per trovare prima la probabilità condizionale abbiamo bisogno della funzione di densità condizionale, quindi per definizione sarebbe

px 38
px 39
px 40

ora usando questa funzione di densità nella probabilità il probabilità condizionale is

100
101
px 41

Distribuzione condizionale della distribuzione normale bivariata

  Sappiamo che la distribuzione normale bivariata delle variabili casuali normali X e Y con le rispettive medie e varianze poiché i parametri ha la funzione di densità di probabilità congiunta

Distribuzione condizionale
Condizionale distribuzione della normale bivariata distribuzione

quindi per trovare la distribuzione condizionale per una tale distribuzione normale bivariata per X dato Y è definita seguendo la funzione di densità condizionale della variabile casuale continua e la funzione di densità articolare di cui sopra abbiamo

Distribuzione condizionale
Distribuzione condizionale della distribuzione normale bivariata

Osservando questo possiamo dire che questo è normalmente distribuito con la media

px 42

e varianza

px 43

allo stesso modo la funzione di densità condizionale per Y dato X già definito si limiterà a scambiare le posizioni dei parametri di X con Y,

La funzione di densità marginale per X possiamo ottenere dalla funzione di densità condizionale di cui sopra utilizzando il valore della costante

Distribuzione condizionale
Distribuzione condizionale della distribuzione normale bivariata

sostituiamo nell'integrale

px 44

la funzione di densità sarà ora

Image3 1

poiché il valore totale di

Image4

dalla definizione della probabilità quindi la funzione di densità sarà ora

Image5

che non è altro che la funzione di densità della variabile casuale X con media e varianza usuali come parametri.

Distribuzione congiunta di probabilità della funzione di variabili aleatorie

  Finora conosciamo la distribuzione di probabilità congiunta di due variabili casuali, ora se abbiamo funzioni di tali variabili casuali, quale sarebbe la distribuzione di probabilità congiunta di tali funzioni, come calcolare la funzione di densità e distribuzione perché abbiamo situazioni di vita reale in cui hanno funzioni delle variabili casuali,

Se Y1 e Y2 sono le funzioni delle variabili casuali X1 e X2 rispettivamente che sono congiuntamente continue, allora sarà la funzione di densità continua congiunta di queste due funzioni

px 45

where Jacobiano

px 46

e Y1 =g1 (X1, X2) e Y2 =g2 (X1, X2) per alcune funzioni g1 e g2 . Qui G1 e g2 soddisfa le condizioni dello Jacobiano come continuo e ha derivate parziali continue.

Ora la probabilità per tali funzioni di variabili casuali sarà

Image7

Esempi sulla distribuzione congiunta di probabilità della funzione di variabili aleatorie

  1. Trova la funzione di densità congiunta delle variabili casuali Y1 =X1 +X2 e Y2=X1 -X2 , dove X1 e X2 sono la funzione congiuntamente continua con densità di probabilità congiunta. discutere anche per la diversa natura della distribuzione.

Qui per prima cosa controlleremo Jacobian

px 47

poiché g1(x1, X2) = x1 +x2  e g2(x1, X2) = x1 - X2 so

px 48

semplificando Y1 =X1 +X2 e Y2=X1 -X2 , per il valore di X1 = 1/2 (Y1 +Y2 ) e X2 = Y1 -Y2 ,

px 49

se queste variabili casuali sono variabili casuali uniformi indipendenti

px 50

o se queste variabili casuali sono variabili casuali esponenziali indipendenti con parametri usuali

Image10

o se queste variabili casuali sono variabili casuali normali indipendenti, allora

px 51
px 52
px 53
  • Se X e Y sono le variabili normali standard indipendenti come indicato
Distribuzione condizionale

calcolare la distribuzione congiunta per le rispettive coordinate polari.

Convertiremo con la normale conversione X e Y in r e θ come

px 54

quindi le derivate parziali di queste funzioni saranno

px 55
px 56
px 57
px 58

quindi lo Jacobiano che usa questa funzione è

px 59

se entrambe le variabili casuali X e Y sono maggiori di zero allora la funzione di densità congiunta condizionale lo è

px 60

ora la conversione della coordinata cartesiana nella coordinata polare usando

px 61

quindi la densità di probabilità function perché i valori positivi saranno

px 62

per il diverso combinazioni di X e Y le funzioni di densità in modi simili sono

px 63
px 64
px 65

ora dalla media delle suddette densità possiamo affermare la funzione di densità come

px 66

e la funzione di densità marginale da questa densità congiunta di coordinate polari nell'intervallo (0, 2π)

px 67
  • Trova la funzione di densità congiunta per la funzione di variabili casuali

U = X + Y e V = X / (X + Y)

dove X e Y sono i distribuzione gamma rispettivamente con parametri (α + λ) e (β +λ).

Utilizzando la definizione di distribuzione gamma e la funzione di distribuzione congiunta sarà la funzione di densità per le variabili casuali X e Y

px 68
px 69

considera le funzioni date come

g1 (x, y) = x + y, g2 (x, y) = x / (x + y),

quindi la differenziazione di queste funzioni è

px 70
px 71
px 72

ora lo giacobiano è

px 73

dopo aver semplificato le equazioni fornite, le variabili x=uv e y=u(1-v) la funzione di densità di probabilità è

px 74
px 75

possiamo usare la relazione

px 76
px 77
  • Calcola la funzione di densità di probabilità congiunta per

Y1 =X1 +X2+ X3 , Y2 =X1- X2 , Y3 =X1 - X3

dove le variabili casuali X1 , X2, X3 sono lo standard normali variabili casuali.

Calcoliamo ora lo Jacobiano usando derivate parziali di

Y1 =X1 +X2+ X3 , Y2 =X1- X2 , Y3 =X1 - X3

as

px 78

semplificazione per variabili X1 , X2 e X3

X1 = (Y1 + Sì2 + Sì3) / 3, X2 = (Y1 - 2Y2 + Sì3) / 3, X3 = (Y1 + Sì2 -2 Sì3) / 3

possiamo generalizzare la funzione di densità articolare come

px 79

così abbiamo

px 80

per la variabile normale la funzione di densità di probabilità congiunta è

px 81

quindi

px 82

dove si trova l'indice

px 83
px 84

calcolare la funzione di densità congiunta di Y1 …… Yn e funzione di densità marginale per Yn where

px 85

e Xi sono variabili casuali esponenziali distribuite in modo identico indipendenti con parametro λ.

per le variabili casuali del modulo

Y1 =X1 , Y2 =X1 + X2 , ……, Sìn =X1 +……+Xn

il giacobiano avrà la forma

Image11

e quindi il suo valore è uno, e la funzione di densità congiunta per la variabile casuale esponenziale

px 86

e i valori della variabile Xi sarà

px 87

quindi la funzione di densità articolare è

px 88
px 89
px 90
px 91

Ora per trovare la funzione di densità marginale di Yn integreremo uno per uno come

px 92
px 93

ed

px94
px94

allo stesso modo

px 96

se continuiamo questo processo otterremo

px 97

che è la funzione di densità marginale.

Conclusione:

Il distribuzione condizionale per la variabile casuale discreta e continua con diversi esempi considerando alcuni dei tipi di queste variabili casuali discussi, dove la variabile casuale indipendente gioca un ruolo importante. Inoltre il giunto distribuzione per la funzione di variabili aleatorie continue congiunte spiegato anche con esempi appropriati, se hai bisogno di ulteriori letture vai ai link sottostanti.

Per ulteriori post sulla matematica, fare riferimento al nostro Pagina di matematica

wikipediahttps://en.wikipedia.org/wiki/joint_probability_distribution/” target=”_blank” rel=”noreferrer noopener” class=”rank-math-link”>Wikipedia.org

Un primo corso di probabilità di Sheldon Ross

Schemi di probabilità e statistica di Schaum

Un'introduzione alla probabilità e alle statistiche di ROHATGI e SALEH