4.

1 Distribusi Normal Distribusi normal dengan parameter dan 2 > 0 diberikan oleh fungsi kepadatan peluang yang berupa bell-shape
( )

(x; , 2 ) =

, -

(4.1)

Fungsi kepadatan simetris tentang , dan parameter 2 adalah varians dari distribusi. Kasus untuk = 0 dan 2 = 1 disebut sebagai distribusi normal standar. Jika X terdistribusi normal dengan mean dan variansi 2 ,kemudian Z= ( ) memiliki distribusi normal standar. Dengan ini berarti, probabilitas pernyataan tentang variabel random acak normal dapat dikurangi pernyataan setara tentang standar variabel acak normal. Kepadatan normal standar dan fungsi distribusi diberikan oleh masing-masing

()= dan,

(4.2)

(x) =

( )

(4.3)

Teorema limit sentral menjelaskan sebagian prevalensi luas dari distribusi normal secara alami. Bentuk sederhana ini hasil terapkan bernama concems jumlah parsial Sn =1++n of independen dan terdistribusi secara identik 1 , 2 , . . . memiliki sarana terbatas = E[k] dan varians terbatas 2 = Var[1]. Dalam kasus ini, teorema limit sentral menegaskan bahwa {

} = (x)

untuk semua nilai x.

(4.4)

Pernyataan yang tepat dari kesimpulan teorema ini diberikan oleh persamaan (4.4). intuisi kadang-kadang ditingkatkan dengan pernyataan yang longgar, untuk n besar, jumlahnya Sn distribusi yang mendekati normal dengan mean n dan varian n2. Secara praktis kita harapkan distribusi normal muncul setiap kali hasil numerik dari hasil percobaan dari berbagai efek aditif kecil, semua operasi secara independen, dan di mana tidak ada satu kelompok atau kecil efek dominan.

Distribusi lognormal Jika logaritma natural dari V variabel non-negatif acak terdistribusi normal, maka V dikatakan memiliki distribusi alognormal. Sebaliknya, jika X terdistribusi normal dengan mean dan variansi 2 , maka V=ev mendefinisikan log terdistribusi normal variabel acak. Rumus kesempatan-of-variabel (2.15) berlaku untuk memberikan fungsi kepadatan untuk V menjadi

fv(v) =

/ }

v0.

(4.5)

mean dan varians masing-masing adalah,

E[V] = exp { + 2 } Var[V] = exp {2( + 2)}[exp{2}-1].

(4.6 )

4.2 Distribusi Eksponensial Sebuah T variabel nonnegatif acak dikatakan memiliki distribusi eksponensial dengan parameter >0 jika fungsi kepadatan probabilitas

()

(4.7)

fungsi distribusi yang sesuai adalah

()

(4.8)

dan mean dan varians yang diberikan, masing-masing, dengan E[T] = dan Var[T] = Perhatikan parameter adalah kebalikan dari mean dan bukan berarti itu sendiri. Distribusi eksponensial adalah fundamental dalam teori waktu kontinu rantai Markov (lihat V), karena sebagian besar untuk properti Memoryless nya, seperti sekarang dijelaskan. Andaikan T sebagai seumur hidup dan, mengingat bahwa unit telah bertahan sampai waktu t, meminta distribusi bersyarat dari T sisa umur - t. ekuivalen, untuk x> 0 menentukan probabilitas kondisional Pr{T-t > x| T > t}. Langsung menerapkan definisi probabilitas bersyarat (lihat bagian 2.7), kita memperoleh

Pr{T-t > x| T > t}=

* * * *
* +

+ + + +

= = =

karena x > 0

(4.9)

Tidak ada memori dalam arti bahwa Pr{T-t > x| T > t}= = * +, dan item yang bertahan untuk unit t memiliki waktu seumur hidup yang tersisa yang secara statistik sama dengan bahwa untuk item baru.

Untuk melihat properti Memoryless agak berbeda, kita perkenalkan tingkat bahaya dari tingkat kegagalan r (s) terkait dengan terus-menerus memiliki kepadatan g (s) dan fungsi distribusi G (s) variabel acak nonnegatif S <1. Tingkat kegagalan didefinisikan oleh r(s) =
( ) ( )

untuk s > 0

(4.10)

kita memperoleh interpretasi dengan menghitung Pr{s < S s + s | s < S} =

* * ( ) ( ) + +

+ o(s)

= r(s)s + o(s)
Item yang bertahan sampai waktu s maka akan gagal dalam interval (s, s + s] dengan probabilitas kondisional r (s) s + o (s), sehingga memotivasi nama "tingkat kegagalan." Kami bisa membalikkan (4.10) dengan mengintegrasikan

-r(s) =

( ) ( )

( )( )

( )-+

Untuk mendapatkan ( ) = ln [1 G(t)]

atau G(t) = 1- exp{ ( ) } t 0,

Yang memberikan explicity fungsi distribusi dalam hal tingkat bahaya. Distribusi eksponensial adalah uniquel distribusi secara berkelanjutan dengan tingkat kegagalan konstan r(t) . Tingkat kegagalan tidak berbeda dalam waktu, refleksi lain pada properti Memoryless. Bagian 5 memuat beberapa latihan mengenai distribusi eksponensial. Dalam addtional untuk memberikan praktek di aljabar relevan dan manipulasi kalkulus, latihan ini dirancang untuk meningkatkan intuisi pembaca mengenai hukum eksponensial. 4.3 Distribusi Uniform Sebuah U variabel acak merata selama interval {a, b}, di mana <b, jika memiliki fungsi kepadatan probabilitas ( ) { (4.11)

Distribusi seragam memperluas gagasan "memiliki kemungkinan yang sama" untuk kasus kontinu. Fungsi distribusi ( ) {

(4.12)

Mean dan varians masing-masing adalah, E[U] = (a + b) dan Var[U] =

( )

Distribusi seragam pada interval satuan [0,1], yang a = 0 dan b = 1, yang paling lazim. 4.4 Distribusi Gamma Distribusi gamma dengan parameter > 0 dan > 0 memiliki fungsi kerapatan probabilitas ( )
( )

( )

untuk x > 0

(4.13)

Kemudian nomor integer independen variabel acak berdistribusi eksponensial Y1,,Y memiliki parameter umum , kemudian di jumlahkan ( ) = Y1 + + Y aka menghasilkan kepadatan gamma (4,13), dimana kita mendapatkan momen

E[X] =

dan Var[X] =

Momen formula untuk non-integer yang terdefinisi. 4.5 Distribusi Beta Kepadatan beta dengan parameter > 0 dan > 0 diberikan oleh ( ) {
( ) ( ) ( )

(4.14)

Mean dan varians masing-masing adalah, E[X] = dan Var[X] =

( ) ( )

Gamma dan fungsi beta didefinisikan yang dibahas secara singkat dalam Bagian (4.6) 4.6 Distribusi Normal Bersama Lihat x, y, x, y, dan menjadi konstan nyata x > 0, y > 0, dan -1< <1. Untuk variabel riil x, y mendefinisikan ( ) {. / . /( ) ( ) } (4.15)

Distribusi normal (atau bivariat normal) untuk variabel acak X, Y didefinisikan oleh fungsi kepadatan

. exp {

)}

- < x,y <

(4.16)

Moment nya adalah E[X]= x, Var[X]= 2x, dan Cov[X,Y] = E[(X- x)(Y- y)] = xy Parameter berdimensi disebut koefisien korelasi. Ketika adalah positif, maka nilai-nilai positif dari X adalah (stokastik) terkait dengan nilai-nilai positif dari Y. Ketika bernilai negative, maka nilai-nilai positif dari X yang berhubungan dengan nilai-nilai negatif Y. Jika = 0, maka X dan Y adalah variabel acak independen. E[Y]= y, E[Y]= 2y,

Linier Kombinasi dari Variabel Acak Biasa yang Terdistribusi Misalkan X dan Y memiliki kepadatan normal bivariat (4,16), dan biarkan Z = aX + bY untuk konstanta sembarang a, b. Kemudian Z terdistribusi normal dengan mean E[Z] = ax+by Dan varians Var[X] = a22x+2abxy + b22y Sebuah vektor acak X1,Xn dikatakan memiliki distribusi normal multivariat, atau distribusi normal bersama, jika setiap kombinasi linear 1X1++nXn, i nyata, memiliki distribusi normal univariat. Jelas, jika Xi,,Xn memiliki distribusi normal bersama, maka demikian juga vektor acak Y1,...,Ym didefinisikan oleh transformasi linear di mana Yj = j1X1 + +jnXn, Untuk konstanta sebarang ji untuk j = 1,,m,

LATIHAN 4.1 Selama dalam beberapa tahun dari kelas tertentu sebuah bola lampu memiliki distribusi eksponensial dengan parameter = 2. Berapa probabilitas bahwa bola dipilih secara acak dari kelas ini akan berlangsung lebih dari 1,5 tahun? Berapa probabilitas bahwa bola yang dipilih secara acak akan berlangsung tepatnya 1,5 tahun? 4.2 Median dari suatu variabel acak X adalah nilai apapun untuk yang Pr{X a } . Bandingkan median untuk mean. 4.3 Panjang, dalam inci dari serat kapas digunakan dalam pabrik tertentu eksponensial didistribusikan variabel acak dengan parameter . Hal ini memutuskan untuk mengkonversi semua pengukuran di pabrik ini untuk sistem metrik. Menggambarkan distribusi probabilitas dari panjang, dalam sentimeter, dari serat kapas di pabrik ini. 4.4 Dua belas variabel acak independen, masing-masing tersebar pada interval (0,1], yang menambahkan 6 dikurangi dari total. Tentukan mean dan varians dari variabel acak yang dihasilkan. 4,5 Anggaplah X dan Y memiliki distribusi normal sendiri dijelaskan dalam persamaan (4.16). apa nilai dari meminimumkan variansi dari Z = X+(1-)Y ? menyederhanakan hasil Anda ketika X dan Y independen. dan

Pr{Xa} . . Tentukan median dari variabel acak berdistribusi eksponensial dengan parameter

4.6 Misalkan U memiliki distribusi seragam pada interval [0,1]. Turunkan fungsi kepadatan untuk variabel-variabel acak (a) Y = ln(1-U) (b) Wn= Un for n 1 4.7 4.7 Mengingat independen variabel acak eksponensial didistribusikan S dan T dengan parameter umum , menentukan fungsi densitas probabilitas dari jumlah R = S + T dan mengidentifikasi jenisnya dengan nama. 5. Beberapa Dasar Latihan Kami telah dikumpulkan dalam bagian ini sejumlah latihan yang melampaui apa yang biasanya dibahas dalam latihan pertama dalam probabilitas. 5.1 Tail Probabilitas Dalam matematika, apa yang dimaksud dengan "trik" pada pertemuan pertama menjadi alat dasar ketika keakraban melalui penggunaan dibentuk. Dalam berurusan dengan variabel acak nonnegatif, kita sering dapat menyederhanakan analisis oleh trik dalam mendekati masalah melalui probabilitas ekor atas formulir Pr{X>x}. pertimbangkan contoh berikut. Sebuah chip n berjumlah 1,2, ..., n. Seseorang menarik chip, mengembalikannya, menarik lagi, mengembalikannya, dan seterusnya, sampai chip ditarik yang telah digambar sebelumnya. Misalkan X adalah jumlah gambar. Cari distribusi probabilitas untuk X. Lebih mudah untuk menghitung Pr{X>k} petama kali. Kemudian , Pr{X>1} = 1, setidaknya sejak dua kali seri selalu diperlukan. Acara {X>2} terjadi ketika nomor yang berbeda muncul ) ]. Melanjutkan pada dua pertama, menggambarkan, dari mana Pr{X>2} = ( )[( dengan cara ini, kita memperoleh Pr{X>k} = 1 . /. / . /. untuk k = 1,,n-1. akhirnya Pr{X=k} = Pr{X>k - 1} - Pr{X>k} =[. (5.1)

/ /

. .

/] [. /[1-.

/ /]

/.

/]

=.

Untuk k = 2,. . . , n +1. Sekarang cobalah berasal dari Pr{X=k} langsung, untuk perbandingan dengan pendekatan "trik". Kegunaan dari probabilitas ekor bagian atas ditingkatkan dengan rumus E[X] = * += * + (5.2)

Berlaku untuk non-negatif integer-nilai variabel acak X. Untuk membangun (5.2), menyingkat notasi dengan menggunakan p(k) = Pr{X=k}, dan mengatur ulang persyaratan dalam E[X] = ( ) sebagai berikut: E[X] = 0p(0) + 1p(1) + 2p(2) + 3p(3) + = p(1) + p(2) + p(3) + p(4) + + p(2) + p(3) + p(4) + + p(3) + p(4) + + p(4) + : = Pr{X1} + Pr{X2} + Pr{X3} + = * +

Sehingga membentuk (5.2) Untuk masalah gambar chip, jumlah rata-rata menarik dibutuhkan, maka adalah E[X] = Pr{X>0} + Pr{X>1} ++ Pr{X>n} Karena Pr{X>k} = 0 untuk k >n. Kemudian mengganti (5.1) dan (5.2) mengarah langsung ke: E[X] = 2 + . / . /. / . /. / . /

Sekarang mari X menjadi variabel acak non-negatif terus menerus dengan kepadatan f (x) dan distribusi fungsi F (x). Analog ke (5.2) adalah E[X] = ,

( )-

(5.3)

Diperoleh dengan saling bertukar tempat urutan integrasi sebagai berikut: E[X] =

( ) ( )

) ( ) ( )-

= ,

-dz = ,

Saling bertukar tempat urutan integrasi di mana batas adalah variabel sering terbukti sulit bagi banyak siswa. Trik menggunakan fungsi indikator untuk membuat batas-batas integrasi konstan dapat menyederhanakan masalah. Dalam pertukaran sebelumnya, biarkan 1(z<x) = { Dan selanjutnya [ ] ( ) = [ = [ ( ( ) ) ( ) ] ]

Sebagai aplikasi (5.3), biarkan Xc = min {c,X} untuk beberapa c konstanta positif. Misalnya, X adalah waktu kegagalan bagian tertentu dari peralatan. Sebuah kebijakan penggantian yang direncanakan diletakkan dalam penggunaan yang menyerukan penggantian peralatan pada kegagalan atau pada saat usia mencapai c nya, mana yang lebih dahulu. Kemudian Xc = min {c,X} = { Sekarang adalah waktu untuk penggantian

Pr[Xc > z]= {

( )

Maka kita dapatkan E[Xc] = , ( )-