- Conteúdo
- Distribuição condicional
- Distribuição condicional discreta
- Exemplo de distribuição condicional discreta
- Distribuição condicional contínua
- Exemplo de distribuição condicional contínua
- Distribuição condicional de distribuição normal bivariada
- Distribuição de probabilidade conjunta de função de variáveis aleatórias
- Exemplos de distribuição de probabilidade conjunta de função de variáveis aleatórias
Distribuição condicional
É muito interessante discutir o caso condicional de distribuição quando duas variáveis aleatórias seguem a distribuição satisfazendo uma dada a outra, primeiro vemos brevemente a distribuição condicional em ambos os casos de variáveis aleatórias, discretas e contínuas e depois de estudar alguns pré-requisitos nos concentramos no expectativas condicionais.
Distribuição condicional discreta
Com a ajuda da função de massa de probabilidade conjunta na distribuição conjunta, definimos a distribuição condicional para as variáveis aleatórias discretas X e Y usando a probabilidade condicional para X dado Y como a distribuição com a função de massa de probabilidade
desde que a probabilidade do denominador seja maior do que zero, de forma semelhante, podemos escrever isso como
na probabilidade conjunta, se X e Y forem variáveis aleatórias independentes, então isso se tornará
portanto, a distribuição condicional discreta ou distribuição condicional para as variáveis aleatórias discretas X dado Y é a variável aleatória com a função de massa de probabilidade acima de maneira semelhante para Y dado X que podemos definir.
Exemplo de distribuição condicional discreta
- Encontre o função de massa de probabilidade da variável aleatória X dado Y=1, se a função de massa de probabilidade conjunta para as variáveis aleatórias X e Y tiver alguns valores como
p (0,0) = 0.4, p (0,1) = 0.2, p (1,0) = 0.1, p (1,1) = 0.3
Agora, em primeiro lugar, para o valor Y = 1, temos
então, usando a definição da função de massa de probabilidade
temos
e
- obtenha a distribuição condicional de X dado X + Y = n, onde X e Y são distribuições de Poisson com os parâmetros λ1 e λ2 e X e Y são variáveis aleatórias independentes
Uma vez que as variáveis aleatórias X e Y são independentes, então a distribuição condicional terá função de massa de probabilidade como
uma vez que a soma da variável aleatória de Poisson é novamente poisson, então
assim, a distribuição condicional com a função de massa de probabilidade acima será uma distribuição condicional para tais distribuições de Poisson. O caso acima pode ser generalizado para mais de duas variáveis aleatórias.
Distribuição condicional contínua
A distribuição condicional contínua da variável aleatória X dado y já definida é a distribuição contínua com a função de densidade de probabilidade
a densidade do denominador é maior que zero, que para a função de densidade contínua é
assim, a probabilidade para tal função de densidade condicional é
Da mesma forma que em discreto, se X e Y são independentes em contínuo, então também
e, portanto
para que possamos escrever como
Exemplo de distribuição condicional contínua
- Calcular a função de densidade condicional da variável aleatória X dado Y se a função de densidade de probabilidade conjunta com o intervalo aberto (0,1) for dada por
Se para a variável aleatória X dado Y em (0,1), então, usando a função de densidade acima, temos
- Calcule a probabilidade condicional
se a função de densidade de probabilidade conjunta é dada por
Para encontrar a probabilidade condicional primeiro, precisamos da função de densidade condicional, então pela definição seria
agora usando esta função de densidade na probabilidade de Probabilidade Condicional is
Distribuição condicional de distribuição normal bivariada
Sabemos que a distribuição normal bivariada das variáveis aleatórias normais X e Y com as respectivas médias e variâncias como os parâmetros tem a função densidade de probabilidade conjunta
então, para encontrar a distribuição condicional para tal distribuição normal bivariada para X dado Y é definida seguindo a função de densidade condicional da variável aleatória contínua e a função de densidade conjunta acima,
Ao observar isso, podemos dizer que isso é normalmente distribuído com a média
e variação
da mesma forma, a função de densidade condicional para Y dado X já definido estará apenas trocando as posições dos parâmetros de X com Y,
A função de densidade marginal para X podemos obter da função de densidade condicional acima usando o valor da constante
vamos substituir na integral
a função de densidade será agora
uma vez que o valor total de
pela definição da probabilidade, então a função de densidade será agora
que nada mais é do que a função de densidade da variável aleatória X com média e variância usuais como parâmetros.
Distribuição de probabilidade conjunta de função de variáveis aleatórias
Até agora sabemos a distribuição de probabilidade conjunta de duas variáveis aleatórias, agora se temos funções de tais variáveis aleatórias, então qual seria a distribuição de probabilidade conjunta dessas funções, como calcular a função de densidade e distribuição porque temos situações da vida real em que têm funções das variáveis aleatórias,
Se Y1 e Y2 são as funções das variáveis aleatórias X1 e X2 respectivamente, que são conjuntamente contínuas, então a função de densidade conjunta contínua dessas duas funções será
onde Jacobiano
e Y1 =g1 (X1X2) e Y2 =g2 (X1X2) para algumas funções g1 e g2 . Aqui g1 e g2 satisfaz as condições do Jacobiano como contínua e tem derivadas parciais contínuas.
Agora, a probabilidade de tais funções de variáveis aleatórias será
Exemplos de distribuição de probabilidade conjunta de função de variáveis aleatórias
- Encontre a função de densidade conjunta das variáveis aleatórias Y1 =X1 +X2 e Y2=X1 -X2 , onde X1 e X2 são as funções conjuntamente contínuas com a função densidade de probabilidade conjunta. também discutir para a natureza diferente da distribuição.
Aqui vamos primeiro verificar Jacobian
desde g1(x1, x2) = x1 +x2 e g2(x1, x2) = x1 - x2 so
simplificando Y1 =X1 +X2 e Y2=X1 -X2 , para o valor de X1 = 1/2 (Y1 +Y2 ) e X2 = Y1 -Y2 ,
se essas variáveis aleatórias são variáveis aleatórias uniformes independentes
ou se essas variáveis aleatórias são variáveis aleatórias exponenciais independentes com parâmetros usuais
ou se essas variáveis aleatórias são variáveis aleatórias normais independentes, então
- Se X e Y são as variáveis normais padrão independentes, conforme fornecido
calcular a distribuição conjunta para as respectivas coordenadas polares.
Vamos converter pela conversão usual X e Y em r e θ como
então as derivadas parciais dessas funções serão
então o Jacobiano usando essas funções é
se ambas as variáveis aleatórias X e Y forem maiores do que zero, então a função de densidade conjunta condicional é
agora a conversão de coordenadas cartesianas em coordenadas polares usando
então a densidade de probabilidade função para os valores positivos será
para o diferente combinações de X e Y as funções de densidade de maneiras semelhantes são
agora, a partir da média das densidades acima, podemos afirmar a função de densidade como
e a função de densidade marginal desta densidade conjunta de coordenadas polares ao longo do intervalo (0, 2π)
- Encontre a função de densidade conjunta para a função de variáveis aleatórias
U = X + Y e V = X / (X + Y)
onde X e Y são os distribuição gama com os parâmetros (α + λ) e (β +λ) respectivamente.
Usando a definição de distribuição gama e função de distribuição conjunta a função de densidade para a variável aleatória X e Y será
considere as funções fornecidas como
g1 (x, y) = x + y, g2 (x, y) = x / (x + y),
então a diferenciação dessas funções é
agora o Jacobiano é
depois de simplificar as equações dadas as variáveis x = uv ey = u (1-v) a função de densidade de probabilidade é
podemos usar a relação
- Calcule a função de densidade de probabilidade conjunta para
Y1 =X1 +X2+ X3 , Y2 =X1- X2 , Y3 =X1 - X3
onde as variáveis aleatórias X1, X2, X3 são o padrão variáveis aleatórias normais.
Agora vamos calcular o Jacobiano usando derivadas parciais de
Y1 =X1 +X2+ X3 , Y2 =X1- X2 , Y3 =X1 - X3
as
simplificando para variáveis X1 X2 e X3
X1 = (S1 + S2 + S3) / 3, X2 = (S1 - 2Y2 + S3) / 3, X3 = (S1 + S2 -2 anos3) / 3
podemos generalizar a função de densidade da junta como
então nós temos
para a variável normal, a função de densidade de probabilidade conjunta é
conseqüentemente
onde o índice está
calcule a função de densidade conjunta de Y1 …… Sn e função de densidade marginal para Yn onde
e Xi são variáveis aleatórias exponenciais distribuídas de forma idêntica e independentes com o parâmetro λ.
para as variáveis aleatórias do formulário
Y1 =X1 , Y2 =X1 + X2 , ……, Sn =X1 + …… + Xn
o Jacobiano será da forma
e, portanto, seu valor é um, e a função de densidade conjunta para a variável aleatória exponencial
e os valores da variável Xi será
então a função de densidade da junta é
Agora, para encontrar a função de densidade marginal de Yn vamos integrar um por um como
e
Da mesma forma
se continuarmos este processo, teremos
que é a função de densidade marginal.
Conclusão:
A distribuição condicional para a variável aleatória discreta e contínua com diferentes exemplos considerando alguns dos tipos dessas variáveis aleatórias discutidas, onde a variável aleatória independente desempenha um papel importante. Além disso, a articulação distribuição para a função de variáveis aleatórias contínuas conjuntas também explicado com exemplos adequados, se você precisar de mais leitura, acesse os links abaixo.
Para mais postagens sobre matemática, consulte nosso Página de Matemática
Wikipediahttps://en.wikipedia.org/wiki/joint_probability_distribution/” target=”_blank” rel=”noreferrer noopener” class=”rank-math-link”>Wikipedia.org
Um primeiro curso de probabilidade por Sheldon Ross
Esboços de probabilidade e estatísticas de Schaum
Uma introdução à probabilidade e estatística por ROHATGI e SALEH
Eu sou DR. Mohammed Mazhar Ul Haque. Concluí meu doutorado. em Matemática e atuando como professor assistente em Matemática. Possui 12 anos de experiência em docência. Possuindo vasto conhecimento em Matemática Pura, precisamente em Álgebra. Ter a imensa capacidade de projetar e resolver problemas. Capaz de motivar candidatos para melhorar seu desempenho.
Adoro contribuir com Lambdageeks para tornar a matemática simples, interessante e autoexplicativa para iniciantes e também para especialistas.
Olá caro leitor,
Somos uma equipe pequena na Techiescience, trabalhando duro entre os grandes players. Se você gostou do que viu, compartilhe nosso conteúdo nas redes sociais. Seu apoio faz uma grande diferença. Obrigado!