Professional Documents
Culture Documents
Probability PDF
Probability PDF
คํานํา iii
1 ตรรกศาสตร์ และทฤษฎีเซต
(Logic and Set Theory) 1
1.1 ตรรกศาสตร์ (Logic) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 ทฤษฎีเซต (Set Theory) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 แบบฝึ กหัดท้ายบท . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 วิธีนับและความน่ าจะเป็ น 7
2.1 วิธีนบั (Counting Method) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 หลักการคูณ (Multiplication Principle) . . . . . . . . . . . . . . . . . . . . 7
2.1.2 การเรี ยงสับเปลียน (Permutation) . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.3 การจัดหมู่ (Combination) . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 พืนฐานของความน่าจะเป็ น (Fundamentals of Probability) . . . . . . . . . . . . . . . . . 9
2.3 ความเป็ นอิสระต่อกันของสองเหตุการณ์ . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 การทดลองทีเป็ นอิสระต่อกัน (Independent Trials) . . . . . . . . . . . . . . . . . . . . 16
2.5 ความเชือถือได้ (Reliability) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6 แบบฝึ กหัดท้ายบท . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 ตัวแปรสุ่ มไม่ ต่อเนือง (Discrete Random Variable) 19
3.1 หนึงตัวแปรสุ่ มไม่ต่อเนือง . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.1 ฟังก์ชนั การกระจายสะสม และความน่าจะเป็ นสําหรับหนึงตัวแปรสุ่ มไม่ต่อเนือง . 19
3.2 ตัวแปรสุ่ มไม่ต่อเนืองสองตัวหรื อหลายตัว . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 ฟังก์ชนั การกระจายสะสมร่ วมและความน่าจะเป็ นสําหรับตัวแปรสุ่ ม
ไม่ต่อเนืองสองตัว . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.2 ความเป็ นอิสระต่อกันของตัวแปรสุ่ มไม่ต่อเนือง . . . . . . . . . . . . . . . . 24
3.3 ค่าเฉลีย (Average), ความแปรปรวน (Variance) และความแปรปรวนร่ วมเกียว (Covariance) . 25
3.3.1 ค่าเฉลีย (Average) สําหรับตัวแปรสุ่ มไม่ต่อเนือง . . . . . . . . . . . . . . . . 25
3.3.2 ความแปรปรวน (Variance) สําหรับตัวแปรสุ่ มไม่ต่อเนือง . . . . . . . . . . . 30
3.3.3 ความแปรปรวนร่ วมเกียว (Covariance) สําหรับตัวแปรสุ่ มไม่ต่อเนือง . . . . . . 30
3.4 แบบฝึ กหัดท้ายบท . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 ตัวอย่ างของตัวแปรสุ่ มไม่ ต่อเนือง (Discrete Random Variable) 37
4.1 ตัวแปรสุ่ มเอกรู ปไม่ต่อเนือง (Discrete Uniform Random Variable) . . . . . . . . . . . . . 37
4.2 ตัวแปรสุ่ มแบบแบร์นูลลี (Bernoulli Random Variable) . . . . . . . . . . . . . . . . . . 37
4.3 ตัวแปรสุ่ มแบบทวินาม (Binomial Random Variable) . . . . . . . . . . . . . . . . . . . 38
4.4 ตัวแปรสุ่ มแบบปาสคาล (Pascal Random Variable) . . . . . . . . . . . . . . . . . . . . 39
4.5 ตัวแปรสุ่ มแบบเรขาคณิ ต (Geometric Random Variable) . . . . . . . . . . . . . . . . . . 40
i
ii สารบัญ
iii
iv คํานํา
บทที 1
ตรรกศาสตร์ และทฤษฎีเซต
(Logic and Set Theory)
1.1 ตรรกศาสตร์ (Logic)
นิยาม 1 (ประพจน์ (Proposition)). ประพจน์ (Proposition) คือ ประโยคบอกเล่ า (Declarative Sentence) ที มี ค่า ความ
จริ งทีไม่ ถกู (true) ก็ผิด (false)
นิยาม 2 (ตัวดําเนินการ). ตัวดําเนินการ (Operator) ต่ าง ๆ ถูกนิยามได้ ดังตาราง 1.1
p∨q ≡q∨p
และ
p↔q≡q↔p
พิสูจน์ เราสามารถพิสูจน์ได้จากตาราง 1.2
1
2 บทที 1. ตรรกศาสตร์ และทฤษฎีเซต (LOGIC AND SET THEORY)
ทฤษฏีบท 2 (กฎของเดอมอร์แกน (De Morgan’s Law)). ให้ p และ q เป็ นประพจน์ ดังนัน
∼ (p ∧ q) ≡∼ p∨ ∼ q
และ
∼ (p ∨ q) ≡∼ p∧ ∼ q
นิยาม 5 (เซตสากล(Universal Set)). เซตสากล(Universal Set) คือเซต (Set) ทีประกอบด้ วยทุกสิ งทีพิจารณาว่ าเป็ นไป
ได้ ในแต่ ละบริ บท (Context)
นิยาม 6 (เซตว่าง (Empty Set)). เซตว่ าง (Empty Set)1 คือเซต (Set) ทีไม่ มสี มาชิ ก
นิยาม 7. ให้ A และ B เป็ นเซต ดังนัน
A ∩ B = {x ∈ U | a ∈ A และ a ∈ B} (1.1)
ดังนัน
A ∪ AC = {x ∈ U | x ∈ A หรื อ x ∈
/ A}
2. พิสูจน์วา่ A ∩ AC = U เนืองจาก
A ∩ AC = {x ∈ U | x ∈ A และ x ∈ AC }
ดังนัน
A ∩ AC = {x ∈ U | x ∈ A และ x ∈
/ A}
ทฤษฏีบท 8.
UC = ∅
∅C = U
พิสูจน์
1. พิสูจน์วา่ UC = ∅ เนืองจาก
UC = {x ∈ U | x ∈/ U}
ดังนัน
UC = ∅
เพราะว่าไม่มีสมาชิก x โดยที x ∈/ U
2. พิสูจน์วา่ ∅C = U
เนืองจาก
∅C = {x ∈ U | x ∈
/ ∅}
ดังนัน
∅C = U
เพราะว่าทุกสมาชิก x ∈/ ∅
ทฤษฏีบท 9. ให้ A เป็ นเซต ดังนัน
A∩U=A
A∩∅=∅
4 บทที 1. ตรรกศาสตร์ และทฤษฎีเซต (LOGIC AND SET THEORY)
พิสูจน์
1. เนืองจาก A = {x ∈ U | x ∈ A} และ ทุก ๆ x ∈ U ดังนัน
A = {x ∈ U | x ∈ A และ x ∈ U} = A ∩ U
2. เนืองจาก
A ∩ ∅ = {x ∈ U | x ∈ A และ x ∈ ∅}
พิสูจน์
1. พิสูจน์วา่ A ∪ AC = U เนืองจาก
A ∪ AC = {x ∈ U | x ∈ A หรื อ x ∈ AC }
ดังนัน
A ∪ AC = {x ∈ U | x ∈ A หรื อ x ∈
/ A} = U
เพราะสมาชิก x ∈ U ใด ๆ โดยที x ∈ A หรื อ x ∈/ A เป็ นจริ งเสมอ
2. พิสูจน์วา่ A ∩ AC = ∅ เนืองจาก
A ∩ AC = {x ∈ U | x ∈ A และ x ∈ AC }
ดังนัน
A ∪ AC = {x ∈ U | x ∈ A และ x ∈
/ A} = ∅
เพราะสมาชิก x ∈ U ใด ๆ โดยที x ∈ A และ x ∈/ A ไม่เป็ นจริ งเสมอ
นิยาม 10. ให้ A และ B เป็ นเซต ดังนัน
A − B = {x ∈ U | a ∈ A และ a ∈
/ B} (1.5)
ทฤษฏีบท 11. ให้ A และ B เป็ นเซต ดังนัน
A − B = A ∩ BC
นันคือ
A − B = A ∩ BC
พิสูจน์
1. พิสูจน์วา่ (A ∩ B) ∪ (A − B) = A
(A ∩ B) ∪ (A − B) = (A ∩ B) ∪ (A ∩ B C )
= A ∩ (B ∪ B C )
เนืองจาก B ∪ B C = U ดังนัน
(A ∩ B) ∪ (A − B) = A ∩ U = A
2. พิสูจน์วา่ (A ∩ B) ∩ (A − B) = ∅
(A ∩ B) ∩ (A − B) = (A ∩ B) ∩ (A ∩ B C )
= A ∩ (B ∩ (A ∩ B C ))
= A ∩ ((B ∩ A) ∩ B C )
= A ∩ ((A ∩ B) ∩ B C )
= A ∩ (A ∩ (B ∩ B C ))
= A ∩ (A ∩ ∅)
=A∩∅
=∅
ในกรณี พิเศษเมือตําแหน่งสําหรับ วางของ n = r ตําแหน่ง ดัง นันขันตอนการดําเนิน การมี รูป แบบที เป็ น ไปได้
n! r!
ทังหมดเท่ากับ = = r! รู ปแบบ
(n − r)! (r − r)!
n!
C × r! =
(n − r)!
นันคือ
n!
C=
r!(n − r)!
วิธีทาํ
1. ในการหาจํานวนของเซตย่อยทังหมด เราอาจแบ่งขันตอนการดําเนินการออกเป็ น n ขันตอน แต่ละขันตอนคือ
การตัดสิ นใจว่าจะวางตัวเลขแต่ละตัวลงในเซตว่าง {} หรื อไม่ นันคือ จํานวนของเซตย่อยทังหมดเท่ากับ 2| × 2 ×{z. . . × 2} =
n ตัว
2n เซต
2. ขันตอนการดําเนินการคือการเลือกสมาชิก r ตัวจากสมาชิก n ตัวโดยไม่คาํ นึงถึงลําดับก่อนหลัง นันคือ จํานวน
n!
ของเซตย่อยทีมี r สมาชิกเท่ากับ
(n − r)!
บทตัง 1.
P (∅) = 0
พิสูจน์ เนืองจาก
S =S∪∅ และ S =S∩∅
ดังนัน
P (S) = P (S) + P (∅) หรื อ P (∅) = P (S) − P (S)
นันคือ P (∅) = 0
ทฤษฏีบท 16. ให้ A และ B เป็ นเหตุการณ์ ดังนัน
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) (2.1)
พิสูจน์
เนืองจาก A ∪ B = A ∪ (B − A) และ A ∩ (B − A) = ∅ ดังนัน
P (A ∪ B) = P (A) + P (B − A)
วิธีทาํ เนืองจาก
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
ดังนัน
P (A ∩ B) = P (A) + P (B) − P (A ∪ B) = 0.25 + 0.5 − 0.75 = 0
จากนิยาม 16 เราสามารถพิสูจน์ได้วา่
ทฤษฏีบท 17 (ทฤษฎีบทของเบส์ (Bayes’ Theorem)). ให้ A และ B เป็ นเหตุการณ์ ดังนัน
P (A | B)P (B)
P (B | A) =
P (A)
นันคือ
P (A | B)P (B)
P (B | A) =
P (A)
2.2. พืนฐานของความน่ าจะเป็ น (FUNDAMENTALS OF PROBABILITY) 11
วิธีทาํ เนืองจาก
P (A)P (B|A) = P (B)P (A|B)
ดังนัน
0.5 × 0.4 = 0.4 × P (A|B)
∑
n
P (A) = P (A | Bi )P (Bi )
i=1
∪
n
พิสูจน์ เนืองจาก A = A ∩ S และ B = Bi = S โดยที Bi ∩ Bj ̸= ∅, i ̸= j ดังนัน
i=1
( )
∪
n ∪
n
A=A∩S=A∩ Bi = (A ∩ Bi ) และ (A ∩ Bi ) ∩ (A ∩ Bj ) ̸= ∅, i ̸= j
i=1 i=1
และดังนัน
( )
∪
n ∑
n ∑n
P (A ∩ Bi )
P (A) = p (A ∩ Bi ) = P (A ∩ Bi ) = P (Bi )
i=1 i=1 i=1
P (Bi )
นอกจากนีเนืองจาก
P (A ∩ Bi )
P (A | Bi ) = , P (Bi ) ̸= 0
P (Bi )
ดังนัน
∑
n
P (A) = P (A | Bi )P (Bi )
i=1
ตัวอย่ าง 12. ขวดโหลใบหนึงมีลกู แก้ ว 10 ลูก เป็ นสี แดง 5 ลูก สี ขาว 5 ลูก นาย ก หยิบลูกแก้ วออกจากขวดโหลทีละ
ลูกจํานวน 2 ลูก ให้ A1 เป็ นเหตุการณ์ ทีนาย ก หยิบลูกแก้ วครั งแรกได้ สีแดง A2 เป็ นเหตุการณ์ ทีนาย ก หยิบลูกแก้ ว
ครั งทีสองได้ สีขาว จงหาความน่ าจะเป็ นทีจะหยิบลูกแก้ วได้ สีแดง อย่ างน้ อย 1 ลูก
12 บทที 2. วิธีนับและความน่ าจะเป็ น
วิธีทาํ
กําหนดให้
A คือเหตุการณ์ซึงนาย ก หยิบลูกแก้วสี แดงได้อย่างน้อย 1 ลูก
R คือเหตุการณ์ซึงนาย ก หยิบลูกแก้วลูกแรกได้สีแดง
W คือเหตุการณ์ซึงนาย ก หยิบลูกแก้วลูกแรกได้สีขาว
ดังนัน
P (A) = P (A | R)P (R) + P (A | W )P (W )
( ) ( )( )
5 5 5
=1 +
10 9 10
9+5
=
18
7
=
9
ตัวอย่ าง 13 (ข้อสอบเก่าIUP ภาคต้น ปี การศึกษา 2560). มีกล่ องสองใบ ใบแรก
มีลกู บอลสี ขาว 4 ลูกและบอลสีนาเงิ ํ น 6 ลูก ส่ วนใบทีสองมีลกู บอลสี ขาว 5 ลูกและลูกบอลสีนาเงิ
ํ น 5 ลูก โยนเหรี ยญ
ทีไม่ มกี ารถ่ วงนําหนัก ถ้ าเหรี ยญออกหั วหยิบลูก บอลอย่ างสุ่มในกล่ องใบแรกและถ้ าออกก้ อยหยิบลูกบอลอย่ างสุ่มใน
กล่ องใบทีสอง จงหาความน่ าจะเป็ นทีจะได้ บอลสีขาว
วิธีทาํ ให้ A เป็ นเหตุการณ์ทีเหรี ยญออกหัว A1 เป็ นเหตุการณ์ทีจะได้บอลสี ขาว ดังนันเราจะได้วา่
1 1 1 4 5
P (A) = P (AC ) = 1 − = P (A1 | A) = P (A1 | AC ) =
2 2 2 10 10
และ
P (A1 ) = P (A)P (A1 | A) + P (AC )P (A1 | AC )
1 4 1 5
= +
2 10 2 10
= 0.45
ดังนัน
P (A) − P (A ∩ B) = P (A) − P (A)P (B)
นอกจากนีเนืองจาก
A = (A ∩ B) ∪ (A ∩ B C ) และ P (B) + P (B C ) = 1
ดังนัน
P (A) = P (A ∩ B) + P (A ∩ B C ) และ P (B C ) = 1 − P (B)
และดังนัน
P (A ∩ B C ) = P (A)(1 − P (B)) = P (A)P (B C )
ตัวอย่ าง 14. ขวดโหลใบหนึงมีลกู แก้ ว 10 ลูก เป็ นสี แดง 5 ลูก สี ขาว 5 ลูก นาย ก หยิบลูกแก้ วออกจากขวดโหลทีละ
ลูกจํานวน 3 ลูก ให้ A1 เป็ นเหตุการณ์ ทีนาย ก หยิบลูกแก้ วครั งแรกได้ สีแดง A2 เป็ นเหตุการณ์ ทีนาย ก หยิบลูกแก้ ว
ครั งทีสองได้ สีขาว จงแสดงว่ า A1 และ A2 เป็ นอิสระต่ อกันหรื อไม่
โดยที
1. หยิบลูกแก้ วแล้ วใส่ กลับคืน
2. หยิบลูกแก้ วแล้ วไม่ ใส่ กลับคืน
วิธีทาํ
1. หยิบลูกแก้วแล้วใส่ กลับคืน
5 5
P (A1 ) = = 0.5 และ P (A2 ) = = 0.5
10 10
จะได้
5 5
P (A1 )P (A2 ) = = 0.25
10 10
นอกจากนี
5 5
P (A1 ∩ A2 ) = = 0.25
10 10
สรุ ปได้วา่ P (A1 ∩ A2 ) = P (A1 )P (A2 ) นันคือ A1 และ A2 เป็ นอิสระต่อกัน2
2. หยิบลูกแก้วแล้วไม่ใส่ กลับคืน
5
P (A1 ) = = 0.5
10
และ
5 4
P (A2 ) = P (A1 )P (A2 | A1 ) + P (Ac1 )P (A2 | Ac1 ) = 0.5 + 0.5 = 0.5
9 9
จะได้
P (A1 )P (A2 ) = 0.5 × 0.5 = 0.25
นอกจากนี
5 5 25
P (A1 ∩ A2 ) = =
10 9 90
สรุ ปได้วา่ P (A1 ∩ A2 ) ̸= P (A1 )P (A2 ) นันคือ A1 และ A1 ไม่เป็ นอิสระต่อกัน3
ตัวอย่ าง 15. นาย ก และนาย ข เล่ นเกมโดยผลัดกันโยนเหรี ยญ ผู้ทีได้ หัวก่ อนเป็ นผู้ชนะ โดยเริ มจากนาย ก ในการโยน
เหรี ยญแต่ ละครั งมีโอกาสออกหั วและก้ อยเท่ า ๆ กัน จงหา ความน่ าจะเป็ นทีนาย ก ชนะ
2 เราอาจตรวจสอบว่า P (A ) = P (A | A ) เป็ นจริ งหรื อไม่แทนก็ได้
2 2 1
3 เราอาจตรวจสอบว่า P (A ) = P (A | A ) เป็ นจริ งหรื อไม่แทนก็ได้
2 2 1
14 บทที 2. วิธีนับและความน่ าจะเป็ น
ตัวอย่ าง 16. โยนลูกเต๋ าสองลูกซํา ๆ อย่ างสุ่ม จงคํานวณหาความน่ าจะเป็ นทีจะได้ ผลบวกของแต้ มท่ ากับ 5 ก่ อนได้
ผลบวกเท่ ากับ 6
วิธีทาํ ให้An แทนเหตุการณ์ทีจะไม่ได้ทงั 5 และ 6 ในการโยน n−1 ครังแรกและได้ 5 ในการโยนครังที n โดยที n =
1, 2, 3, . . .
ความน่าจะเป็ นทีต้องการคือ
∞
∪ ∞
∑
P( An ) = P (An )
n=1 n=1
∑∞ ( )n−1
4 5 4
= 1− −
n=1
36 36 36
4
36 4
= =
1 − (1 − 36
4
− 5
36 )
9
4
=
9
ตัวอย่ าง 17. จงแสดงว่ า A และ B เป็ นอิสระต่ อกันแล้ ว P (A) = P (A|B C ), P (B C ) ̸= 0
วิธีทาํ เนืองจาก A และ B เป็ นอิสระต่อกัน จากนิยามจะได้
P (A ∩ B) = P (A)P (B)
และ
P (A) − P (A ∩ B) = P (A) − P (A)P (B) = P (A)(1 − P (B)) = P (A)P (B C )
P (A ∩ B C )
นันคือ P (A) = = P (A|B C ), P (B C ) ̸= 0
P (B C
ตัวอย่ าง 18. วรฐและบิล เกตต์ เล่ น เกมกิน เงิน เกมละ 1 บาท โดยที วรฐมี ความน่ า จะเป็ นทีจะชนะ p และบิล เกตต์ มี
ความน่ าจะเป็ นทีจะชนะ q = 1 − p4 สมมติ ว่าวรฐมีเงินเริ มต้ น n บาทและบิลเกตต์ มีเงินเริ มต้ น N − n บาท5 จง
หาความน่ าจะเป็ นทีวรฐจะได้ เงินไปทังหมดก่ อนทีจะหมดตัว
วิธีทาํ พิจารณากรณี ทีวรฐมีเงิน i บาทและบิลเกตต์มีเงิน N − i บาทจะได้วา่
Pi = P (วรฐชนะ)P (E|วรฐชนะ) + P (วรฐแพ้)P (E|วรฐแพ้)
= pPi+1 + qPi−1
4 สมมติวา่ ผลแพ้ชนะในแต่ละเกมเป็ นอิสระต่อกัน
5 สมมติวา่ n และ N − n เป็ นจํานวนเต็มบวก
2.3. ความเป็ นอิสระต่ อกันของสองเหตุการณ์ 15
โดยที
E คือเหตุการณ์ซึงวรฐจะได้เงินไปทังหมดก่อนทีจะหมดตัว
Pi คือความน่าจะเป็ นซึ งวรฐจะได้เงินไปทังหมดก่อนทีจะหมดตัวในขณะทีวรฐ มีเงิน i บาทและบิลเกตต์มีเงิน N −
i บาท
นอกจากนีเนืองจาก
P0 = 0
ดังนัน
q q
P2 − P1 = (P1 − P0 ) = P1
p p
( )
q q
P3 − P2 = (P2 − P1 ) = P1
p p
.. ..
. .
( )i
q q
Pi+1 − Pi = (Pi − Pi−1 ) = P1
p p
และดังนัน
∑
n−1
q∑
n−1 ∑ ( q )i
n−1
(Pi+1 − Pi ) = (Pi − Pi−1 ) = P1
i=1
p i=1 i=1
p
นันคือ ( ( ) ( )n−1 )
q q
Pn = 1+ + ... + P1
p p
หรื อ ( q )n
1−
(p ) P , p ̸= q
Pn = q 1
1−
p
nP1 , p = q
เราสามารถหา P1 ได้จากเงือนไขทีว่า PN = 1 นันคือ
( )
−
q
1
p
( )N , p ̸= q
P1 = 1 − q
p
1
, p=q
N
สรุ ปได้วา่ 6 ( )n
q
1 −
p
( )N , p ̸= q
Pn = q
1−
p
n, p=q
N
6 สังเกตุ วา่ ถ้า เกมที เล่น เป็ น ไปอย่างยุติธรรมนันคือ p = q และบิล เกตส์ มี เงิน มากกว่าวรฐมาก ๆ นันคือ N >> n แล้ว วรฐแทบจะไม่มี
โอกาสทีจะกินเงินบิลเกตส์ได้หมดก่อนเลย
16 บทที 2. วิธีนับและความน่ าจะเป็ น
โดยที
× แสดงการทดลองทีเกิดเหตุการณ์ทีกําหนดและ
+ แสดงการทดลองทีไม่เกิดเหตุการณ์ทีกําหนด
ความน่าจะเป็ นทีจะเกิดรู ปแบบนีเท่ากับ px (1 − p)n−x
เราสามารถเรี ยงสับเปลียนการทดลอง n ครังได้ n! รู ปแบบแต่เราไม่คาํ นึงถึงการเรี ยงสับเปลียนของการทดลองทีเกิดเหตุการณ์ทีกําหนด x ครัง
และการเรี ยงสับเปลียนของการทดลองทีไม่เกิดเหตุการณ์ทีกําหนด n − x ครัง ดังนันจากหลักการคูณ (Multiplication
n!
Principle) เราจะได้ รู ปแบบ ดังนันความน่าจะเป็ นทีจะเกิดเหตุการณ์ทีกําหนด x ครังเท่ากับ
x!(n − x)!
n!
px (1 − p)n−x
x!(n − x)!
ตัวอย่ าง 20. พิจารณาการทดลองทีเป็ นอิสระต่ อกัน (Independent Trials) n ครั ง ความน่ าจะเป็ นทีจะเกิดเหตุการณ์ ทีกําหนด A1 , A2 , . . . , Ak ใน
การทดลองแต่ ละครั งเท่ ากับ p1 , p2 , . . . , pk จงหาความน่ าจะเป็ นทีจะเกิดเหตุการณ์ ทีกําหนด A1 , A2 , . . . , Ak เป็ น
∪
k
จํานวน x1 , x2 , . . . , xk ครั งตามลําดับ โดยทีS = Ai และAi ∩ Aj , i ̸= j
i=1
โดยที
i แสดงการทดลองทีเกิดเหตุการณ์Ai , i = 1, . . . , k
ความน่าจะเป็ นทีจะเกิดรู ปแบบนีเท่ากับ px1 . . . pxk 7
1 k
ตัวอย่ าง 21. พิจารณาการทดลองทีเป็ นอิสระต่ อกัน (Independent Trials) ความน่ าจะเป็ นทีจะเกิดเหตุการณ์ ทีกําหนดใน
การทดลองแต่ ละครั งเท่ ากับ p ถ้ าเราทําการทดลองไปเรื อย ๆจนกระทังเกิดเหตุการณ์ ทีกําหนดจงหาความน่ าจะเป็ นทีจะทําการ
ทดลอง x ครั ง โดยที x = 1, 2, . . .
วิธีทาํ รู ปแบบการทดลอง x ครังทีจะไม่เกิดเหตุการณ์ทีกําหนด x−1 ครังและการทดลองทีจะเกิดเหตุการณ์ทีกําหนดใน
ครังที x คือ
+...+ ×
| {z } |{z}
x − 1 ครัง 1 ครัง
| {z }
x ครัง
โดยที
× แสดงการทดลองทีเกิดเหตุการณ์ทีกําหนดและ
+ แสดงการทดลองทีไม่เกิดเหตุการณ์ทีกําหนด
ความน่าจะเป็ นทีจะเกิดรู ปแบบนีเท่ากับ (1 − p)x−1 p
ตัวอย่ าง 22. พิจารณาการทดลองทีเป็ นอิสระต่ อกัน (Independent Trials) ความน่ าจะเป็ นทีจะเกิดเหตุการณ์ ทีกําหนดใน
การทดลองแต่ ละครั งเท่ ากับ p ถ้ าเราทําการทดลองไปเรื อย ๆ จนกระทังเกิดเหตุการณ์ ทีกําหนด k ครั ง จงหาความน่ า
จะเป็ นทีจะทําการทดลอง x ครั ง โดยที x = k, k + 1, . . .
วิธีทาํ ตัวอย่างของรู ปแบบการทดลอง x ครังทีจะไม่เกิดเหตุการณ์ทีกําหนด (x − 1) − (k − 1) = x − k ครัง
และเกิดเหตุการณ์ทีกําหนด k − 1 ครังใน x − 1 ครัง และการทดลองทีจะเกิดเหตุการณ์ทีกําหนดในครังที x คือ
×...×+...+ ×
| {z } | {z } |{z}
k − 1 ครัง x − k ครัง 1 ครัง
| {z }
x ครัง
โดยที
× แสดงการทดลองทีเกิดเหตุการณ์ทีกําหนดและ
+ แสดงการทดลองทีไม่เกิดเหตุการณ์ทีกําหนด
ความน่าจะเป็ นทีจะเกิดรู ปแบบนีเท่ากับ pk−1 (1 − p)x−k p เราสามารถเรี ยงสับเปลียนการทดลอง x − 1 ครังแรก
ได้ (x − 1)! รู ป แบบแต่ เราไม่ คาํ นึง ถึง การเรี ยงสับเปลียนของการทดลองทีเกิดเหตุการณ์ทีกําหนด k − 1 ครังและ
การเรี ยงสับ เปลียนของการทดลองทีไม่เกิดเหตุการณ์ทีกําหนด x − k ครัง ดัง นันจากหลัก การคูณ (Multiplication
(x − 1)!
Principle) เราจะได้ รู ปแบบดังนันความน่าจะเป็ นทีจะเกิดเหตุการณ์ทีกําหนด x ครังเท่ากับ
(k − 1)!(x − k)!
(x − 1)! (x − 1)!
pk−1 (1 − p)x−k p = pk (1 − p)x−k
(k − 1)!(x − k)! (k − 1)!(x − k)!
วิธีทาํ กําหนดให้
A1 คือ เหตุการณ์ทีแหล่ง กําเนิด ไฟฟ้าใช้งานได้ A2 คือ เหตุการณ์ทีตัว ต้านทานใช้งานได้ A3 คือ เหตุการณ์ทีหลอด
ไฟฟ้าใช้งานได้ A คือเหตุการณ์ทีวงจรไฟฟ้าใช้งานได้
P (A) = P (A1 ∩ A2 ∩ A3 ) = (1 − p)(1 − p)(1 − p) = (1 − p)3
ตัวอย่ าง 24. อุปกรณ์ ชนิดหนึงประกอบด้ วยมอดูล 3 มอดูล สมมติ ว่าอุปกรณ์ นีจะใช้ งานได้ ก็ต่อเมือมอดูลทังสามใช้
งานได้ สมมติว่าความน่ าจะเป็ นทีมอดูลแต่ ละมอดูลจะเสีย8 และความน่ าจะเป็ นทีมอดูลที 1 และ 3 จะเสียเท่ ากับ p1 และ
p3 ตามลําดับ มอดูลที 2 ประกอบด้ วยชิ นส่ วนหลักและชิ นส่ วนสํารองซึ งชิ นส่ วนทังสองมีความน่ าจะเป็ นทีจะเสี ยเท่ ากับ
p2 จงหาความน่ าจะเป็ นทีอุปกรณ์ นีจะใช้ งานได้
วิธีทาํ กําหนดให้
A1 คือเหตุการณ์ทีมอดูลที 1 ใช้งานได้
A2 คือเหตุการณ์ทีมอดูลที 2 ใช้งานได้
A′2 คือเหตุการณ์ทีชินส่ วนหลักของมอดูลที 2 ใช้งานได้
A′′2 คือเหตุการณ์ทีชินส่ วนสํารองของมอดูลที 2 ใช้งานได้
A3 คือเหตุการณ์ทีมอดูลที 3 ใช้งานได้
A คือเหตุการณ์ทีอุปกรณ์ใช้งานได้
เนืองจาก
P (A′2 ∩ A′′2 ) = P (A′2 )p(A′′2 ) = (1 − p2 )(1 − p2 ) = (1 − p2 )2
และ
P (A2 ) = P (A′2 ∪A′′2 ) = P (A′2 )+P (A′′2 )−P (A′2 ∩A′′2 ) = (1−p2 )+(1−p2 )−(1−p2 )2 = 1−p22
ดังนัน
P (A) = P (A1 ∩ A2 ∩ A3 )
= P (A1 )P (A2 )P (A3 )
= (1 − p1 )(1 − p22 )(1 − p3 )
เราเรี ยกฟั งก์ ชัน FX (.) นีว่ าฟั งก์ ชันการกระจายสะสม (Cumulative Distribution Function) ของตัวแปรสุ่ม X
นิยาม 21 (ตัวแปรสุ่ มไม่ต่อเนือง (Discrete Random Variable)). ให้ ฟังก์ ชันการกระจายสะสม
FX (.) ของตัวแปรสุ่ ม X เป็ นฟั งก์ ชันไม่ ต่อเนื องดังนัน X เป็ นตัวแปรสุ่ มไม่ ต่อเนื อง
ทฤษฏีบท 20. ฟั งก์ ชัน การกระจายสะสม (Cumulative Distribution Function) สําหรั บ ตัวแปรสุ่ม ไม่ ต่อ เนือง X มี
คุณสมบัติดังต่ อไปนี
1. FX (∞) = 1
2. FX (−∞) = 0
3. FX (.) ไม่ ใช่ ฟังก์ ชันลด (Decreasing Function)
พิสูจน์ จาก FX (x) = P (X ≤ x) ดังนัน
1. FX (∞) = P (X ≤ ∞) ดังนัน
FX (∞) = P (X ≤ ∞) = 1
FX (∞) = P (X ≤ −∞) = 0
FX (x1 ) − FX (x2 ) = P (X ≤ x2 ) − P (X ≤ x1 )
= P (x1 < X ≤ x2 )
และ
P (x1 < X ≤ x2 ) ≥ 0
ดังนัน
FX (x2 ) ≥ FX (x1 )
ตัวอย่ าง 25. นาย ก ทอดลูกเต๋ าที มีโอกาสออกหมายเลขต่ าง ๆ เท่ า ๆ กันหนึงครั ง ให้ ตัวแปรสุ่ม X เป็ นหมายเลขที
ออกจากการทอดลูกเต๋ า จงหาPX (x)
วิธีทาํ
1 , x = 1, 2, . . . , 6
PX (x) = 6
0 , อืน ๆ
ตัวอย่ าง 26. นาย ก โยนเหรี ยญที มี โอกาสออกหั ว และก้ อย เท่ า ๆ กัน หนึงครั ง ให้ ตัวแปรสุ่ม X = 1 เมือออกหั ว
และ X = 0 เมือออกก้ อย จงหาPX (x)
วิธีทาํ {
1
2 , x = 0, 1
PX (x) =
0 , อืน ๆ
หรื อ
2
1
,x = 0
1
PX (x) = ,x = 1
2
0 , อืน ๆ
ตัวอย่ าง 27. นาย ก ทอดลูกเต๋ าทีมีโอกาสออกหมายเลขต่ าง ๆ เท่ า ๆ กันไปเรื อย ๆ จนกว่ าจะทอดลูกเต๋ าได้ หมายเลข 1 ให้
ตัวแปรสุ่ม X เป็ นจํานวนครั งทีทอดลูกเต๋ า1 จงหาPX (x)
วิธีทาํ ( ) ( )x−1
1 5
, x = 1, 2, . . .
PX (x) = 6 6
0 , อืน ๆ
1 ในบทต่อ ๆ ไปเราจะเรี ยกตัวแปรสุ่ มนี ว่าตัวแปรสุ่ มแบบเรขาคณิ ต
3.2. ตัวแปรสุ่มไม่ ต่อเนืองสองตัวหรื อหลายตัว 21
นันคือ
นิยาม 22.
PX (x) , x ∈ B
PX|B (x) = P (B)
0, x ∈
/B
โดยที P (B) ̸= 0
เราเรี ยกฟั งก์ ชัน PX,Y (.) นีว่ าฟั งก์ ชันมวลของความน่ าจะเป็ นร่ วม (Joint Probability Mass Function) ของตัวแปรสุ่ม
ไม่ ต่อเนือง X และ Y
นิยาม 24. ให้ X และ Y เป็ น ตัวแปรสุ่ม ไม่ ต่ อ เนือง (Discrete Random Variable) และ FX,Y (., .) เป็ นฟั งก์ ชันที
สอดคล้ องกับสมการ
FX,Y (x, y) = P (X ≤ x และ Y ≤ y)
เราเรี ยกฟั งก์ ชัน FX,Y (., .) นีว่ าฟั งก์ ชันการกระจายสะสมร่ วม (Joint Cumulative Distribution Function) ของตัวแปร
สุ่มไม่ ต่อเนือง X และ Y
ทฤษฏีบท 21. ให้ FX,Y (., .) เป็ น ฟั งก์ ชัน การกระจายสะสมร่ วม (Joint Cumulative Distribution Function) ของ
ตัวแปรสุ่มไม่ ต่อเนือง X และ Y ดังนัน
1. FX (x) = FX,Y (x, ∞)
4. FX,Y (−∞, y) = 0
5. เราสามารถพิสูจน์วา่ ถ้า x1 < x2 และ y1 < y2 ดังนัน FX,Y (x1 , y1 ) ≤ FX,Y (x2 , y2 ) ได้ดงั นี
FX,Y (x2 , y2 ) = P (X ≤ x2 , Y ≤ y2 )
= P (X ≤ x2 , Y ≤ y1 ) + P (X ≤ x2 , y1 < Y ≤ y2 )
= P (X ≤ x1 , Y ≤ y1 ) + P (x1 < X ≤ x2 , Y ≤ y1 )
+ P (X ≤ x1 , y1 < Y ≤ y2 ) + P (x1 < X ≤ x2 , y1 < Y ≤ y2 )
= FX,Y (x1 , y1 ) + P (x1 < X ≤ x2 , Y ≤ y1 )
+ P (X ≤ x1 , y1 < Y ≤ y2 ) + P (x1 < X ≤ x2 , y1 < Y ≤ y2 )
P (A ∩ B)
P (A | B) = P (X = x | Y = y) = PX|Y (x | y) = , P (B) ̸= 0
P (B)
นันคือ
นิยาม 25.
PX,Y (x, y)
PX|Y (x|y) =
PY (y)
โดยที PY (y) ̸= 0
ตัวอย่ าง 28. ให้ PX,Y (·, ·) แสดงในตาราง 3.1 จงหา
1. PX (x)
2. PY (y)
3. PX|Y (x | 3)
วิธีทาํ
3.2. ตัวแปรสุ่มไม่ ต่อเนืองสองตัวหรื อหลายตัว 23
∑
1. จาก PX (x) = PX,Y (x, y) จะได้
Y
0.05 + 0.03 + 0.06 + 0.02 + 0.04 = 0.2 ,x = 1
0.06 + 0.02 + 0.07 + 0.01 + 0.04 = 0.2 ,x = 2
0.04 + 0.05 + 0.03 + 0.02 + 0.06 = 0.2 ,x = 3
PX (x) =
0.04 + 0.01 + 0.07 + 0.04 + 0.04 = 0.2 ,x = 4
0.04 + 0.06 + 0.02 + 0.04 + 0.04 = 0.2 ,x = 5
0 , อืน ๆ
∑
2. จาก PY (y) = PX,Y (x, y) จะได้
X
0.05 + 0.06 + 0.04 + 0.04 + 0.04 = 0.23 ,y =1
0.03 + 0.02 + 0.05 + 0.01 + 0.06 = 0.17 ,y =2
0.06 + 0.07 + 0.03 + 0.07 + 0.02 = 0.25 ,y =3
PY (y) =
0.02 + 0.01 + 0.02 + 0.04 + 0.04 = 0.13 ,y =4
0.04 + 0.04 + 0.06 + 0.04 + 0.04 = 0.22 ,y =5
0 , อืน ๆ
PX,Y (x, 3)
3. จาก PX|Y (x | 3) = จะได้
PY (3)
0.06
0.25 = 0.24 ,x = 1
0.07
0.25 = 0.28 ,x = 2
0.03 = 0.12 ,x = 3
PX|Y (x | 3) = 0.07
0.25
0.25 = 0.28 ,x = 4
0.02
0.25 = 0.08 ,x = 5
0 , อืน ๆ
ตัวอย่ าง 29 (ข้อสอบย่อยครังที 2 ภาคต้น ปี การศึกษา 2554). กําหนดให้ X และ Y เป็ นตัวแปรสุ่มทีมีความน่ าจะเป็ น
ร่ วมดังนี {
c, x = 2, 3, 4, 5 และ y = x − 2, x − 1, . . . , 3
PXY (x, y) =
0, อื น ๆ
จงหา
1. ค่ าคงตัว c
24 บทที 3. ตัวแปรสุ่มไม่ ต่อเนือง (DISCRETE RANDOM VARIABLE)
นันคือ c = 0.1
2. เราสามารถหาความน่าจะเป็ นที Y > 1 ได้จาก
∑
3 ∑
y+2 ∑
3 ∑
y+2
P (Y > 1) = PXY (x, y) = c = 0.1 × 7 = 0.7
y=2 x=2 y=2 x=2
E[Y ] = E[g(X)]
∑
= yPY (y)
Y
∑ ∑
= g(x) PX (x)
Y y=g(X)
∑ ∑
= g(x)PX (x)
Y y=g(X)
∑
= g(x)PX (x)
X
นันคือ
นิยาม 31 (ค่าคาดหวัง (Expected Value)). ให้ X เป็ นตัวแปรสุ่มไม่ ต่อเนืองดังนันเราเรี ยก
∑
E[g(X)] = g(x)PX (x)
X
นอกจากนีเนืองจาก y = ax + b ดังนัน
PY (y) = PX (x)
และดังนัน
∑
E[Y ] = E[aX + b] = (ax + b)PX (x)
X
∑ ∑
=a xPX (x) + bPX (x)
X X
= aE[X] + b
2. เนืองจาก {
X − 40, X > 40
Y =
0, X ≤ 40
ดังนัน
0.01, Y = 0, 1, . . . , 59
PY (y) = ∑ ∑
40 40
P X (x) = 0.01 = 0.41, Y =0
x=0 x=0
ตัวอย่ าง 32 (ข้อสอบเก่ากลางภาคต้น ปี การศึกษา 2554). ขณะไปเทียวฟลอริ ดา นายวรฐต้ องการเล่ นรู เลตต์ แต่ เนืองจาก
กฎหมายของรั ฐฟลอริ ดานัน ห้ ามเล่ นการพนัน นายวรฐจึ งนังเรื อคาสิ โนออกไปนอกชายฝั งนอกเขตรั ฐฟลอริ ดา นาย
วรฐแทงดําไปเรื อย ๆ จนกว่ าจะแทงถูก ในการแทงแต่ ละครั งถ้ าแทงถูกจะได้ เงินเท่ ากับทีแทง แต่ ถ้าไม่ ถกู จะเสียเงินที
แทงลงไป (สมมติว่าความน่ าจะเป็ นทีจะออกดําเท่ ากับ 21 )
1. จงหาความน่ าจะเป็ นทีจะแทงได้ ในครั งทีสอง
2. จงหาจํานวนเงินทีคาดว่ าจะเล่ นได้ ถ้ าในการแทงครั งแรกนายวรฐลงเงินไป 5 ดอลลาร์ และแทงด้ วยจํานวนเงิน
เท่ า ๆ กันจนกว่ าจะแทงได้
28 บทที 3. ตัวแปรสุ่มไม่ ต่อเนือง (DISCRETE RANDOM VARIABLE)
หมายเหตุ
ให้ a1 , a2 , . . . , an , . . . เป็ นลําดับ (Sequence) ตามสมการ
an = (a0 + (n − 1)d)rn−1
ดังนัน ∞ ∞
∑ ∑ a0 (1 − r) + dr
an = (a0 + (n − 1)d)rn−1 =
n=1 n=1
(1 − r)2
2. จํานวนเงินทีคาดว่าจะเล่นได้เท่ากับ
∞
∑ ( )n ∑ ∞ ( )n−1
1 5 5 1
{(5 − (n − 1)5)} = {( − (n − 1) )}
n=1
2 n=1
2 2 2
( 5) 1
5
(1 − 2 ) + − 2 2
1
= 2
(1 − 12 )2
= 0 ดอลลาร์
ทฤษฏีบท 24. ให้ X และ Y เป็ นตัวแปรสุ่มไม่ ต่อเนืองซึ งเป็ นอิสระต่ อกัน ถ้ า
g(X, Y ) = g(X)h(Y ) . . . gn (Xn )
ดังนัน
E[g(X, Y )] = E[g(X)]E[h(Y )]
พิสูจน์ ให้
∑∑
E[g(X, Y )] = g(X, Y )PX,Y (x, y)
X Y
เนืองจาก
g(X, Y ) = g(X)h(Y )
และ X และ Y เป็ น ตัวแปรสุ่ ม ไม่ ต่อ เนืองซึงเป็ น อิสระต่อกัน ดัง นันฟังก์ชนั ความหนาแน่น ของความน่า จะเป็ น
ร่ วมเป็ นไปตามสมการ
PX,Y (x, y) = PX (x)PY (y)
ดังนัน ∑ ∑
E[g(X, Y )] = g(x)PX (x) h(y)PY (y)
X Y
นันคือ
E[g(X, Y )] = E[g(X)]E[h(Y )]
จากทฤษฎีบท 24 เราอาจขยายความได้วา่
ทฤษฏีบท 25. ให้ X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่มไม่ ต่อเนืองซึ งเป็ นอิสระต่ อกัน ถ้ า
g(X1 , X2 , . . . , Xn ) = g1 (X1 )g2 (X2 ) . . . gn (Xn )
ดังนัน
E[g(X1 , X2 , . . . , Xn )] = E[g1 (X1 )] . . . E[gn (Xn )]
3.3. ค่ าเฉลีย (AVERAGE), ความแปรปรวน (VARIANCE) และความแปรปรวนร่ วมเกียว (COVARIANCE) 29
พิสูจน์ ให้
∑ ∑
E[g(X1 , X2 , . . . , Xn )] = ... g(X1 , X2 , . . . , Xn )PX1 ...Xn (x1 , x2 , . . . , xn )
X1 Xn
เนืองจาก
g(X1 , X2 , . . . , Xn ) = g1 (X1 )g2 (X2 ) . . . gn (Xn )
และ X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่ มไม่ ต่อเนืองซึงเป็ นอิสระต่อกัน ดังนันฟังก์ชนั ความหนาแน่นของความน่าจะ
เป็ นร่ วมเป็ นไปตามสมการ
PX1 ...Xn (x1 , x2 , . . . , xn ) = PX1 (x1 ) . . . PXn (xn )
ดังนัน ∑ ∑
E[g(X1 , X2 , . . . , Xn )] = g(x1 )PX1 (x1 ) . . . g(xn )PXn (xn )
X1 Xn
นันคือ
E[g(X1 , X2 , . . . , Xn )] = E[g1 (X1 )] . . . E[gn (Xn )]
∪
n
ทฤษฏีบท 26. ให้ SX = Bi และ Bi ∩ Bj , i ̸= j ดังนันค่ าคาดหวังของตัวแปรสุ่ มไม่ ต่อเนื อง E[X] เท่ ากับ
i=1
∑
n
E[X] = E[X|Bi ]P (Bi )
i=1
พิสูจน์ จาก2
∑
n
PX (x) = PX|Bi P (Bi )
i=1
จะได้วา่
∑
E[X] = xPX (x)
x
( n )
∑ ∑
= x PX|Bi P (Bi )
x i=1
( )
∑
n ∑
= xPX|Bi P (Bi )
i=1 x
∑n
= E[X|Bi ]P (Bi )
i=1
พิสูจน์ เนืองจาก
Cov[X, Y ] = E[(X − µX )(Y − µY )
Cov[X, Y ] = E[XY − µX Y − µY X + µX µY ]
= E[XY ] − µX E[Y ] − µY E[X] + µX µY ]
= E[XY ] − µX µY
นิยาม 38 (สัมประสิ ทธิสหสัมพันธ์ (Correlation Coefficient)). ให้ X และ Y เป็ น ตัวแปรสุ่ม ไม่ ต่อ เนือง ดัง นัน เรา
เรี ยก
Cov[X, Y ]
ρX,Y = √ √
V ar[X] V ar[Y ]
เนืองจาก
V ar[W ] = E[W 2 ] − (E[X])2 ≥ 0
ดังนัน
V ar[X] − 2aCov[X, Y ] + a2 V ar[Y ] ≥ 0
หรื อ
2aCov[X, Y ] ≤ V ar[X] + a2 V ar[Y ]
√
V ar[X]
เมือแทน a = √ จะได้
V ar[Y ]
√ √
Cov[X, Y ] ≥ V ar[X] V ar[Y ]
√
V ar[X]
และเมือแทน a = − √ จะได้
V ar[Y ]
√ √
Cov[X, Y ] ≥ − V ar[X] V ar[Y ]
นันคือ |ρX,Y | ≤ 1
นิยาม 39 (ความแปรปรวนร่ วมเกียวซึงมีเงือนไขของตัวแปรสุ่ มไม่ต่อเนือง). ความแปรปรวนร่ วมเกียวซึ งมีเงือนไขเป็ น B ของตัวแปร
สุ่มไม่ ต่อเนืองX และ Y เป็ นไปตามสมการ
∑∑
Cov[X, Y |B] = (x − µX|B )(y − µY |B )PX,Y |B (x, y)
X Y
ทฤษฏีบท 30. ให้ X และ Y เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน ความแปรปรวนร่ วมเกียวซึ งมีเงือนไขเป็ น
B ของตัวแปรสุ่มไม่ ต่อเนื องX และ Y เป็ นไปตามสมการ
Cov[X, Y |B] = E[XY |B] − µX|B µY |B
พิสูจน์ เนืองจาก
∑∑
Cov[X, Y |B] = (x − µX|B )(y − µY |B )PX,Y |B (x, y)
X Y
หรื อ
Cov[X, Y |B] = E[[(X − µX|B )(Y − µY |B ]|B]
ดังนัน
( )
Cov[X, Y |B] = E[ XY − µX|B Y − µY |B X + µX|B µY |B |B]
= E[XY |B] − µX|B E[Y |B] − µY |B E[X|B] + µX|B µY |B ]
= E[XY |B] − µX|B µY |B
32 บทที 3. ตัวแปรสุ่มไม่ ต่อเนือง (DISCRETE RANDOM VARIABLE)
( ) ( )
1 1 1 1
E[X] = −1 + +1 +
4 4 4 4
=0
3. E[X | Y < 0] = 0
4. V ar(X) = 1
∑
V ar(X) = (x − E[X])2 PX (x)
1 1 1 1
= (−1 − 0)2 ( + ) + (0 − 0)2 (0 + 0) + (1 − 0)2 ( + )
4 4 4 4
=1
3.3. ค่ าเฉลีย (AVERAGE), ความแปรปรวน (VARIANCE) และความแปรปรวนร่ วมเกียว (COVARIANCE) 33
5. E[X | X > 0] = 1
6. Cov(X, Y ) = 0
เนืองจาก
1 1
E[X] = −1 + 0(0) + 1
2 2
=0
และ
1 1
E[Y ] = −1 + 0(0) + 1
2 2
= 0,
ดังนัน
Cov(X, Y ) = E[(X − E[X])(Y − E[Y ])]
= E[XY ]
1 1 1 1
= (−1)(−1) + (−1)(1) + (1)(−1) + (1)(1)
4 4 4 4
=0
7. V ar(X | X > 0) = 0
∑
V ar(X | X > 0) = (x − E[X | X > 0])2 PX|X>0 (x)
= (−1 − 1)2 0 + (0 − 1)2 0 + (1 − 1)2 1
=0
1, x = −1, 1
8. PX|Y (x | 1) = 2
0, อืน ๆ
1
1
PXY (x, 1) 41 = , x = −1, 1
PX|Y (x | 1) = = 2 2
P (Y = 1)
0, อืน ๆ
0, x < −1, y < −1
0, x < −1, −1 ≤ y < 1
0, x < −1, y ≥ 1
0, −1 ≤ x < 1, y < −1
9. FX,Y (x, y) = 14 ,
−1 ≤ x < 1, −1 ≤ y < 1
1
2, −1 ≤ x < 1, y ≥ 1
0,
x ≥ 1, y < −1
1
x ≥ 1, −1 ≤ y < 1
,
2
1, x ≥ 1, y ≥ 1
34 บทที 3. ตัวแปรสุ่มไม่ ต่อเนือง (DISCRETE RANDOM VARIABLE)
0, x < −1, y < −1
0,
x < −1, −1 ≤ y < 1
x < −1, y ≥ 1
0,
0, −1 ≤ x < 1, y < −1
FX,Y (x, y) = 41 , −1 ≤ x < 1, −1 ≤ y < 1
1 1
= 12 , −1 ≤ x < 1, y ≥ 1
4 + 4
0, x ≥ 1, y < −1
1
+ 1
= 12 , x ≥ 1, −1 ≤ y < 1
4 4
1, x ≥ 1, y ≥ 1
0, x < −1
10. FX (x) = 21 , −1 ≤ x < 1
1, x≥1
0, x < −1
FX (x) = 1
+ 1
= 1
2, −1 ≤ x < 1
1
4 4
2 + 1
4 + 1
4 = 1, x≥1
ตัวอย่ าง 34 (ข้อสอบเก่าIUP ภาคต้น ปี การศึกษา 2560). ให้ X เป็ นตัวแปรสุ่มไม่ ต่อเนือง โดยที
p, x = −1
PX (x) = 1 − p, x= 1
0, อืน ๆ
จงหา
1. E[X]
2. V ar[X]
วิธีทาํ
1.
∑
E[X] = xPX (x)
x
= (−1)p + (1)(1 − p)
= 1 − 2p
2.
V ar[X] = E[X 2 ] − E[X]2
= (1)p + (1)(1 − p) − (1 − 2p)2
= 1 − (1 − 4p + 4p2 )
= 4p − 4p2
(a) c = .........
(b) E[X] = . . . . . . . . .
(c) E[X | Y < 0] = . . . . . . . . .
(d) V ar(X) = . . . . . . . . .
(e) E[X | X > 0] = . . . . . . . . .
(f) Cov(X, Y ) = . . . . . . . . .
(g) V ar(X | X > 0) = . . . . . . . . .
(h) PX|Y (x | 1) = . . . . . . . . .
(i) FX,Y (x, y) = . . . . . . . . .
(j) FX (x) = . . . . . . . . .
2. ให้ {
c|x + y| + c|x − y|, x, y = −1, 0, 1
PXY (x, y) =
0, อืน ๆ
เติมคําตอบลงในช่องว่าง
(a) c = .........
(b) E[X] = . . . . . . . . .
(c) E[X | Y < 0] = . . . . . . . . .
(d) V ar(X) = . . . . . . . . .
(e) E[X | X > 0] = . . . . . . . . .
(f) Cov(X, Y ) = . . . . . . . . .
(g) V ar(X | X > 0) = . . . . . . . . .
(h) PX|Y (x | 1) = . . . . . . . . .
(i) FX,Y (x, y) = . . . . . . . . .
(j) FX (x) = . . . . . . . . .
36 บทที 3. ตัวแปรสุ่มไม่ ต่อเนือง (DISCRETE RANDOM VARIABLE)
บทที 4
ตัวอย่ างของตัวแปรสุ่ มไม่ ต่อเนือง (Discrete
Random Variable)
4.1 ตัวแปรสุ่ มเอกรู ปไม่ ต่อเนือง (Discrete Uniform Random Variable)
นิยาม 40 (ตัวแปรสุ่ มเอกรู ปไม่ต่อเนือง (Discrete Uniform Random Variable)). ให้ X เป็ นตัวแปรสุ่ม
โดยที
1
, x = a, a + 1, . . . , b
PX (x) = b − a + 1
0 , อืน ๆ
ดังนันเราเรี ยก X ว่ าตัวแปรสุ่มเอกรู ปไม่ ต่อเนือง (Discrete Uniform Random Variable)
ตัวอย่ าง 35. จงยกตัวอย่ างการทดลองทีตัวแปรสุ่มเป็ นตัวแปรสุ่มเอกรู ปไม่ ต่อเนือง (Discrete Uniform Random Vari-
able)
วิธีทาํ การทดลองทีมีการทอดลูกเต๋ าทีเทียงตรงหนึงลูก ให้ X เป็ นหมายเลขทีออกดังนัน
1 , x = 1, 2, . . . , 6
PX (x) = 6
0 , อืน ๆ
ทฤษฏีบท 31. ให้ X เป็ นตัวแปรสุ่มเอกรู ปไม่ ต่อเนือง (Discrete Uniform Random Variable)
ดังนัน
a+b
E[X] =
2
และ
(b − a)(b − a + 2)
V ar[X] =
12
พิสูจน์
1. เนืองจาก ∑
E[X] = xPX (x)
X
ดังนัน
E[X] = 0(1 − p) + 1p = p
2. เนืองจาก ∑
V ar[X] = (x − µ)2 PX (x)
X
ดังนัน
V ar[X] = (0 − p)2 (1 − p) + (1 − p)2 p
= p2 (1 − p) + (1 − p)2 p = (1 − p)(p2 + (1 − p)p)
= p(1 − p)
ดังนัน
E[X] = np
และ
V ar[X] = np(1 − p)
ตัวอย่ าง 38. โรงงานแห่ ง หนึงผลิต สิ นค้ า ชนิด หนึงได้ 1, 000, 000 ชิ น ถ้ า หากว่ า มีสินค้ า ที เสีย อยู่ 400 ชิ น จงหาว่ า
ความน่ าจะเป็ นในการทดสอบสิ นค้ าทีสุ่มออกมา 100 ชิ น มีสินค้ าทีเสียอยู่ 4 ชิ นเป็ นเท่ าไร
วิธีทาํ ให้ P (x) คือความน่าจะเป็ นทีได้สินค้าเสี ย x ชิน จากการสุ่ มสิ นค้า n ดังนัน
n!
PX (x) = px (1 − p)n−x
x!(n − x)!
400
เมือ x = 0, 1, . . . , n โดยที p =
1, 000, 000
นันคือ
( )4 ( ( ))(100−4)
100! 400 400
P (4) = 1−
4!(100 − 4)! 1, 000, 000 1, 000, 000
100! 4 96
= (0.0004) (1 − 0.0004)
4!96!
จากตัวอย่างนี จะเห็น ได้ วา่ การคํานวณหาความน่า จะเป็ นจากตัวแปรสุ่ ม แบบทวิ นาม (Binomial Random Vari-
able) โดยทัวไปเป็ นเรื องยาก ต่อไปเราอาจประมาณค่าโดยใช้ตวั แปรสุ่ มแบบปัวส์ซง (Poisson Random Variable) ซึง
จะกล่าวถึงในภายหลัง
พิสูจน์
1. เนืองจาก ∑
E[X] = xPX (x)
X
ดังนัน ∞
∑
E[X] = xp(1 − p)x−1
x=1
ดังนัน ( ∞
) ( )
d ∑ d py
py x
= , |y| < 1
dy x=1
dy 1−y
หรื อ ∞
∑ p py p
xpy x−1 = + = , |y| < 1
x=1
1 − y (1 − y)2 (1 − y)2
แทน y = 1 − p จะได้
∞
∑ 1
xp(1 − p)x−1 =
x=1
p
นันคือ ∞
∑ 1
E[X] = xp(1 − p)x−1 =
x=1
p
2. เนืองจาก
V ar[X] = E[X 2 ] − (E[X])2
ดังนัน
∞
∑ 1
V ar[X] = x2 p(1 − p)x−1 −
x=1
p2
จาก ∞
∑ p
xpy x−1 = , |y| < 1
x=1
(1 − y)2
จะได้ ∞
∑ p
x(x − 1)py x−2 = 2 , |y| < 1
x=1
(1 − y)3
หรื อ
∞
∑ ∞
∑ ∞
∑ p
(x + 1)xp(1 − p)x−1 = x2 p(1 − p)x−1 + xp(1 − p)x−1 = 2
x=1 x=1 x=1
p3
นันคือ ∞ ∞
∑ ∑ 1
x2 p(1 − p)x−1 + xp(1 − p)x−1 = 2
x=1 x=1
p2
42 บทที 4. ตัวอย่ างของตัวแปรสุ่มไม่ ต่อเนือง (DISCRETE RANDOM VARIABLE)
∞
∑ 1
เมือแทน xp(1 − p)x−1 = ลงในสมการข้างต้นจะได้
x=1
p
∞
∑ 1 1
x2 p(1 − p)x−1 = 2 2
−
x=1
p p
สรุ ปได้วา่
∞
∑ 1
V ar[X] = x2 p(1 − p)x−1 −
x=1
p2
1 1
= −
p2 p
1−p
=
p2
เมือ x = 0, 1, . . . , n
ให้ n → ∞ และ α = np ในสมการ 4.1 จะได้วา่
αx ( 1
)α
PX (x) = (1 − p) p (1 − p)−x
x!
นันคือ
e−α αx
PX (x) =
x!
ตัวอย่ าง 41. โรงงานแห่ งหนึงผลิตสิ นค้ าชนิดหนึงได้ 1, 000, 000 ชิ น ถ้ าหากว่ ามีสินค้ าทีเสียอยู่ 400 ชิ น จงหาความ
น่ าจะเป็ นทีมีสินค้ าเสียอยู่ 4 ชิ น จากการทดสอบสิ นค้ าทีสุ่มออกมา 100 ชิ น
วิธีทาํ ให้ P (x) คือความน่าจะเป็ นทีได้สินค้าเสี ย x ชิน จากการสุ่ มสิ นค้า n เราสามารถ
ประมาณได้ตามสมการ4 −α x
e α
P (x) =
x!
4 ในทางปฏิบตั ิ เราอาจประมาณ n = 100 ด้วย ∞
4.6. ตัวแปรสุ่มแบบปั วส์ ซง (POISSON RANDOM VARIABLE) 43
400
เมือ x = 0, 1, . . . , n โดยที α = pn = 100 = 0.04
1, 000, 000
นันคือ
e−0.04 0.044
P (4) =
4!
ตัวอย่ าง 42 (ข้อสอบเก่าภาคปลาย ปี การศึกษา 2554). โรงงานแห่ ง หนึงผลิต สิ นค้ า ชนิด หนึง 1, 000, 000 ชิ น ใน
จํานวนนีมีสินค้ าเสีย 400 ชิ น ถ้ าสุ่มตัวอย่ างสิ นค้ าออกมา 10, 000 ชิ น จงหาความน่ าจะเป็ นทีจะใด้ สินค้ าเสียออกมา 4 ชิ น โดย
ใช้ ตัวแปรสุ่มแบบปั วส์ ซง
400
วิธีทาํ เนืองจาก p = , x = 4 และ n = 10, 000 ดังนัน
1, 000, 000
400
α = pn = 10, 000 = 4
1, 000, 000
และดังนัน
∞
∑
E[X] = xPX (x)
x=0
∑∞
e−α αx
= x
x=0
x!
e−α αx−1
เนืองจากเมือ x = 0 จะได้ x = 0 ดังนัน
(x − 1)!
∞
∑ e−α αx−1
E[X] = α
x=1
(x − 1)!
นอกจากนีเนืองจาก ∞
∑ e−α αx
=1
x=0
x!
ดังนัน
E[X] = α
และดังนัน
V ar[X] = E[X 2 ] − (E[X])2
∞
∑
= x2 PX (x) − α2
x=0
∑∞
e−α αx
= x2 − α2
x=0
x!
e−α αx−1
เนืองจากเมือ x = 0 จะได้ x2 = 0 ดังนัน
(x − 1)!
∑∞
e−α αx−1
V ar[X] = α x − α2
x=1
(x − 1)!
นอกจากนีเนืองจาก ∞
∑ e−α αx
x =α
x=0
x!
และ ∞
∑ e−α αx
=1
x=0
x!
ดังนัน
V ar[X] = α2 + α − α2 = α
ตัวอย่ าง 43 (ข้อสอบกลางภาคต้น ปี การศึกษา 2554). จากทีผ่ านมา ปรากฏว่ าในช่ วงเวลาตังแต่ 1 ทุ่มจนถึงตี 5 ในวัน
ถัดไป มีปริ มาณโทรศัพท์ ทีโทรเข้ าชุมสายแห่ งหนึงโดยเฉลีย 3,000 ครั ง สมมติ ว่าในแต่ ละครั งทีมีการโทรเข้ าชุมสาย
แห่ งนี บริ ษทั จะได้ รายได้ เป็ นเงิน 5 บาท อย่ างไรก็ตาม ต้ นทุนในการเปิ ดใช้ งานชุมสายแห่ งนีในช่ วงเวลาดังกล่ าว เป็ น
ค่ าคงตัวเท่ ากับ 10,000 บาท จงหา
1. ความน่ าจะเป็ นทีบริ ษทั นีจะได้ รายรั บเท่ ากับรายจ่ าย
4.7. แบบฝึ กหั ดท้ ายบท 45
2. ค่ าคาดหวังของกําไรทีได้
3. ความแปรปรวนของกําไรทีได้
วิธีทาํ ให้
X คือจํานวนครังทีโทรเข้าชุมสายแห่ งนี และ
Y คือรายได้ของบริ ษทั ดังนัน
X เป็ นตัวแปรสุ่ มแบบปั วส์ซงที α = 3, 000 ครัง
นันคือ
α2,000
P (รายรับเท่ากับรายจ่าย) = e−α
2, 000!
3, 0002,000
= e−3,000
2, 000!
2. ค่าคาดหวังของกําไรทีได้เท่ากับ
E[5X − 10, 000] = 5E[X] − 10, 000
= 5α − 10, 000
= 5 × 3, 000 − 10, 000
= 5, 000 บาท
3. ความแปรปรวนของทําไรทีได้เท่ากับ
V ar[5X − 10, 000] = 25V ar[X] = 25α = 25 × 3, 000 = 7, 500 บาท
ถ้าหากว่า n → ∞ ดังนัน
1
0 ≤ PX (x) ≤ P (x− < X ≤ x+ ) = →0
n
นันคือ PX (x) = 0
เราสามารถสังเกตเห็น ได้วา่ ไม่มี ความหมายอะไรที จะระบุ ความน่า จะเป็ นทีตําแหน่งใด ๆ ในกรณี นี เนืองจากว่า
ความน่าจะเป็ นเป็ นศูนย์หมด
2. FX (−∞) = 0
47
48 บทที 5. ตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
โดยที λ > 0
จงหาฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ น fX (.)
วิธีทาํ จากนิยาม 47 จะได้วา่
dFX (x)
fX (x) =
{ dx
λe−λx ,x ≥ 0
=
0 ,x < 0
นอกจากนีเราสามารถแสดงได้วา่
1 นันคือ f (x) = lim FX (x + ∆x) − FX (x) = lim P (x < X ≤ x + ∆x)
X
∆x→0 ∆x ∆x→0 ∆x
5.1. หนึงตัวแปรสุ่มต่ อเนือง 49
ทฤษฏีบท 39. ให้ fX (.) เป็ นฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ นของตัวแปรสุ่มต่ อเนือง X ดังนัน
∫ x2
P (x1 < X ≤ x2 ) = fX (x) dx
x1
เมือ x1 < x2
พิสูจน์ เนืองจาก
FX (x2 ) = P (X ≤ x2 ) และ FX (x1 ) = P (X ≤ x1 )
ดังนัน
∫ x2 ∫ x1 ∫ x2
P (x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ) = fX (x) dx − fX (x) dx = fX (x) dx
−∞ −∞ x1
ทฤษฏีบท 40. ถ้ า FX (.) เป็ นฟั งก์ ชันต่ อเนื องที x ดังนัน
PX (x) = 0
พิสูจน์
0 ≤ PX (x) ≤ P (x − ∆x < X ≤ x) = FX (x) − FX (x − ∆x) → 0, PX (x) = 0
เนืองจาก
P (x − ∆x < X ≤ x) = FX (x) − FX (x − ∆x) → 0
เมือ ∆x → 0+ ดังนัน PX (x) = 0
ตัวอย่ าง 45. ให้ ฟังก์ ชันความหนาแน่ นของความน่ าจะเป็ นของตัวแปรสุ่ม X นิยามโดย
fX (x) = ce−|x|
จงหา
1. c
2. ฟั งก์ ชันการกระจายสะสม FX (.)
3. P (0 < X ≤ 1)
4. PX (0)
5. P (0 ≤ X ≤ 1)
วิธีทาํ
1. เราสามารถหาค่า c ได้ดงั นี
เนืองจาก
∫ x
FX (x) = fX (x) dx
−∞
∫ x
= ce−|x| dx
−∞
ดังนัน
∫ ∞
FX (∞) = ce−|x| dx
−∞
∫ ∞ ∫ 0 ( )∞
ce−x dx + = −ce−x 0 + (cex )|−∞
0
= cex dx
0 −∞
= 2c
1
และเนืองจาก FX (∞) = 1 ดังนันc =
2
50 บทที 5. ตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
1
แทน c = จะได้
2
∫ x
1 x
e dx, x < 0
2
FX (x) = ∫−∞ 0 ∫ x
1 x 1 −x
e dx + e dx, x ≥ 0
−∞ 2 0 2
1 ex , x < 0
= 21 1
+ (1 − e−x ), x ≥ 0
2 2
5. เราสามารถหา P (0 ≤ X ≤ 1) ได้ดงั นี
เนืองจากP (0 ≤ X ≤ 1) = P (0 < X ≤ 1)+PX (0), P (0 < X ≤ 1) = 1
2 (1−e
−1
) และ PX (0) =
0 ดังนัน
1
P (0 ≤ X ≤ 1) = (1 − e−1 )
2
ทฤษฏีบท 41. ให้ X และ Y เป็ นตัวแปรสุ่ม โดยที Y = aX + b, a ̸= 0 และ b เป็ นจํานวนจริ ง ถ้ า fX (·) เป็ น
ฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ นของ X โดยที fX (x) มีค่าจํากัด ดังนัน fY (y) ในเทอมของฟั งก์ ชันความ
หนาแน่ นของความน่ าจะเป็ นของ X คือ
1
fY (y) = fX (x)
|a|
FY (y) = P (Y ≤ y) = P (aX + b ≤ y)
( )
y−b
P X ≤ , a>0
( a )
=
y−b
P X ≥ , a<0
a
5.1. หนึงตัวแปรสุ่มต่ อเนือง 51
เมือ a > 0
( )
y−b
FY (y) = P X ≤
a
( )
y−b
= FX
a
เมือ a < 0
( )
y−b
FY (y) = P X≥
a
( )
y−b
=1−P X <
a
สรุ ปได้วา่
( )
y−b
X
F , a>0
a( )
FY (y) =
y−b
1 − F X , a<0
a
นันคือ
FY (y)
fY (y) =
dy
( )
y−b
FX
a 1
= fX (x) , a>0
= dy ( )a
y−b
1 − FX
a 1
= − fX (x) , a>0
dy a
หรื อ
1
fY (y) = fX (x)
|a|
ตัวอย่ าง 46 (ข้อสอบเก่า ภาคปลายปี การศึกษา 2554). ให้ ฟังก์ ชันความหนาแน่ นของความน่ าจะเป็ นของตัวแปรสุ่ม X เป็ น
ไปตามสมการ {
1, 0≤x≤1
fX (x) =
0, อืน ๆ
จงหา fY (y) โดยที Y = −X + 1
52 บทที 5. ตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
วิธีทาํ เนืองจาก
FY (y) = P (Y ≤ y)
= P (2X + 1 ≤ y)
y−1
= P (X ≤ )
2
y−1
= FX ( )
2
ดังนัน
dFY (y)
fY (y) =
dy
y−1
dFX ( )
= 2
dy
1 y−1
= fX ( )
2 2
นันคือ
1, 1≤y≤3
fY (y) = 2
0, otherwise
ทฤษฏีบท 42. ให้ X และ Y เป็ นตัวแปรสุ่ม โดยที Y = X 2 ถ้ า fX (·) เป็ นฟั งก์ ชันความหนาแน่ นของความน่ าจะ
เป็ นของ X โดยที fX (x) มีค่าจํากัด ดังนัน fY (y) ในเทอมของฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ นของ X คือ
1 f (√y)y − 12 + 1 f (−√y)y − 12 , y≥0
X X
fY (y) = 2 2
0 , y<0
นอกจากนีเนืองจาก
√ √ √ √ √ √
P (− y ≤ X ≤ y) = P (− y < X ≤ y) = FX ( y) − FX (− y)
ดังนัน
{ √ √
FX ( y) − FX (− y) , y≥0
FY (y) =
0 , y<0
5.1. หนึงตัวแปรสุ่มต่ อเนือง 53
และ
√ √
dFX ( y) − dFX (− y) , y≥0
fY (y) = dy dy
0 , y<0
จากกฎลูกโซ่จะได้
1 f (√y)y − 12 + 1 f (−√y)y − 12 , y≥0
X X
fY (y) = 2 2
0 , y<0
หรื อ
fX|B (x) ∆x, x ∈ B
fX|B (x)∆x = P (B)
0, x ∈
/B
โดยที P (B) ̸= 0
พิจารณานิยาม 16 ดังสมการ
P (A ∩ B)
P (A | B) = , P (B) ̸= 0
P (B)
P (A ∩ B)
P (A | B) = P (x ≤ X ≤ x + ∆x | y ≤ Y ≤ y + ∆y) = PX|Y (x | y) = , P (B) ̸= 0
P (B)
หรื อ
fX,Y (x, y)∆x∆y
fX|Y (x|y)∆x =
fY (y)∆y
นันคือ
นิยาม 49.
fX,Y (x, y)
fX|Y (x|y) =
fY (y)
โดยที fY (y) ̸= 0
54 บทที 5. ตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
∪
n
ทฤษฏีบท 43. ให้ SX = Bi และ Bi ∩ Bj , i ̸= j ดังนันฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ นของตัวแปร
i=1
สุ่มต่ อเนือง fX (x) เท่ ากับ
∑
n
fX (x) = fX|Bi (x)P (Bi )
i=1
พิจารณาเหตุการณ์ซึง x ≤ X ≤ x + ∆x จะได้
∑
n
P (A) = P (x ≤ X ≤ x + ∆x) = fX (x)∆x = fX|Bi (x)∆xP (Bi )
i=1
นันคือ
∑
n
fX (x) = fX|Bi (x)P (Bi )
i=1
ตัวอย่ าง 48. อุปกรณ์ รั บ สัญญาณระบบดิจิตอลชนิดหนึงสามารถรั บ สัญญาณดิจิตอลเป็ นบิต “0” และบิต “1” โดย
กําหนดให้ บิต “0” คือบิต −5 V และบิต “1” คือ 5 V อย่ างไรก็ตามสัญญาณทีได้ รับมีสัญญาณรบกวนรวมอยู่ด้วย ถ้ า
1 (x+5)2 1 (x−5)2
fX|B0 (x) = √ e− 2σ 2 และ fX|B1 (x) = √ e− 2σ 2
2πσ 2 2πσ 2
โดยที
B0 คื อเหตุการณ์ ซึงสั ญญาณทีได้ รับเป็ นบิต “0” และ
B1 คื อเหตุการณ์ ซึงสั ญญาณทีได้ รับเป็ นบิต “1”
นอกจากนีสมมติให้
P (B0 ) = 0.6 และ P (B1 ) = 0.4
จงหา fX (x) ถ้ า X เป็ นตัวแปรสุ่มของแรงดันตกคร่ อมทีภาครั บสัญญาณ
วิธีทาํ เนืองจาก
fX (x) = fX|B0 (x)P (B0 ) + fX|B1 (x)P (B1 )
(x+5)2 (x−5)2
ดังนันเมือแทน P (B0 ) = 0.6, P (B1 ) = 0.4, fX|B 0
(x) = √ 1
2πσ 2
e− 2σ 2 และ fX|B 1
(x) = √ 1
2πσ 2
e− 2σ 2 จะ
ได้
0.6 (x+5)2 0.4 (x−5)2
fX (x) = √ e− 2σ 2 +√ e− 2σ 2
2πσ 2 2πσ 2
เราเรี ยกฟั งก์ ชัน FX (.) นีว่ าฟั งก์ ชันการกระจายสะสมร่ วม (Joint Cumulative Distribution Function) ของตัวแปรสุ่ม
ต่ อเนือง X และ Y
5.2. ตัวแปรสุ่มต่ อเนืองสองตัวหรื อหลายตัว 55
ทฤษฏีบท 44. ให้ FX,Y (., .) เป็ น ฟั งก์ ชัน การกระจายสะสมร่ วม (Joint Cumulative Distribution Function) ของ
ตัวแปรสุ่มต่ อเนือง X และ Y ดังนัน
1. FX (x) = FX,Y (x, ∞)
4. FX,Y (−∞, y) = 0
5. เราสามารถพิสูจน์วา่ ถ้า x1 < x2 และ y1 < y2 ดังนัน FX,Y (x1 , y1 ) ≤ FX,Y (x2 , y2 ) ได้ดงั นี
FX,Y (x2 , y2 ) = P (X ≤ x2 , Y ≤ y2 )
= P (X ≤ x2 , Y ≤ y1 ) + P (X ≤ x2 , y1 < Y ≤ y2 )
= P (X ≤ x1 , Y ≤ y1 ) + P (x1 < X ≤ x2 , Y ≤ y1 )
+ P (X ≤ x1 , y1 < Y ≤ y2 ) + P (x1 < X ≤ x2 , y1 < Y ≤ y2 )
= FX,Y (x1 , y1 ) + P (x1 < X ≤ x2 , Y ≤ y1 )
+ P (X ≤ x1 , y1 < Y ≤ y2 ) + P (x1 < X ≤ x2 , y1 < Y ≤ y2 )
5.2.2 ฟังก์ ชันความหนาแน่ นของความน่ าจะเป็ นร่ วมสํ าหรับตัวแปรสุ่ มต่ อเนืองสองตัว
เราสามารถเขียนความน่า จะเป็ น P (A) ในเทอมของฟังก์ชนั ความหนาแน่นของความน่า จะเป็ น2 ของตัวแปรสุ่ ม ต่อ
เนือง X และ Y ได้ดงั นี ∫∫
P (A) = fX,Y (u, v)dudv
A
2 ต่อไปเราจะเรี ยกว่าฟั งก์ชน
ั ความหนาแน่นของความน่าจะเป็ นร่ วมของตัวแปรสุ่ มต่อเนือง X และ Y
56 บทที 5. ตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
ตัวอย่ าง 49. ให้ ฟังก์ ชันความหนาแน่ นของความน่ าจะเป็ นร่ วม fX,Y (., .) เป็ นไป
ตามสมการ
{
c, −1 ≤ X ≤ 1, −1 ≤ Y ≤ 1
fX,Y (x, y) =
0, อืน ๆ
ดังนัน
1
c=
4
และดังนัน
∫ 1 ∫ 1
1 1
P (0 < X ≤ 1, 0 < Y ≤ 1) = dudv =
0 0 4 4
ตัวอย่ าง 50 (ข้อสอบย่อยครังที 2 ภาคต้น ปี การศึกษา 2554). กําหนดให้ X และ Y เป็ น ตัวแปรสุ่มทีมีฟังก์ ชัน ความ
หนาแน่ นของความน่ าจะเป็ นร่ วมดังนี
{
6x2 y, −1 ≤ x ≤ 2, 0 ≤ y ≤ 1
3
fXY (x, y) =
0, อืน ๆ
จงหา
วิธีทาํ
ตัวอย่ าง 51. ให้ ฟังก์ ชันความหนาแน่ นของความน่ าจะเป็ นร่ วม fX,Y (., .) เป็ นไปตามสมการ
{
c, X 2 + Y 2 ≤ 100
fX,Y (x, y) =
0, อืน ๆ
จงหา P (0 < X ≤ 1, 0 < Y ≤ 1)
วิธีทาํ เราสามารถหา c ได้จากสมการ
∫ ∞ ∫ ∞ ∫ 10 ∫ 2π
fX,Y (u, v) dudv = c ρdρdϕ = 100πc = 1
−∞ −∞ 0 0
ดังนัน
1
c=
100π
และดังนัน ∫ 1 ∫ 1
1 1
P (0 < X ≤ 1, 0 < Y ≤ 1) = dudv =
0 0 100π 100π
นอกจากนี เราสามารถเขียนฟังก์ชนั การกระจายสะสมร่ วม FX,Y (x, y) หรื อ ความน่าจะเป็ น P (X ≤ x, Y ≤
ั ความหนาแน่นของความน่าจะเป็ นร่ วมของตัวแปรสุ่ มต่อเนือง X และ Y ได้ดงั นี
y) ในเทอมของฟั งก์ชน
∫ x ∫ y
FX,Y (x, y) = P (X ≤ x, Y ≤ y) = fX,Y (u, v) dvdu
−∞ −∞
∫ y ∫ x
= fX,Y (u, v) dudv
−∞ −∞
ดังนัน
FX,Y (x, y) = P (X ≤ x, Y ≤ y)
(∫ x ∫ y )
∂2
= fX,Y (u, v) dvdu
∂x∂y −∞ −∞
(∫ y ∫ x )
∂2
= fX,Y (u, v) dvdu
∂y∂x −∞ −∞
นันคือ
58 บทที 5. ตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
ทฤษฏีบท 45.
∂ 2 FX,Y (x, y) ∂ 2 FX,Y (x, y)
fX,Y (x, y) = =
∂x∂y ∂y∂x
นอกจากนีจากสมการ
FX (x) = FX,Y (x, ∞) และ FY (y) = FX,Y (x, ∞)
ดังนันเราจะได้วา่
∫ x ∫ x ∫ ∞ ∫ y ∫ y ∫ ∞
fX (u) du = fX,Y (u, v) dvdu และ fY (v) dv = fX,Y (u, v) dudv
−∞ −∞ −∞ −∞ −∞ −∞
และดังนัน
(∫ x ∫ ∞ ) (∫ y ∫ ∞ )
∂ ∂
fX (x) = fX,Y (u, v) dvdu และ fY (y) = fX,Y (u, v) dudv
∂x −∞ −∞ ∂y −∞ −∞
ตามลําดับ
ตัวอย่ าง 52 (ข้อสอบย่อยครังที 2 ภาคต้น ปี การศึกษา 2554). กําหนดให้ X และ Y เป็ น ตัวแปรสุ่มทีมีฟังก์ ชัน ความ
หนาแน่ นของความน่ าจะเป็ นร่ วมดังนี
{x
, 0 ≤ x ≤ 2, 0 ≤ y ≤ 1
fXY (x, y) = 2
0, อืน ๆ
ข้ อความใดต่ อไปนีถูกต้ องทีสุด
1. fX (x) = 1.5 ตลอดช่ วง 0 ≤ x < 2
2. fY (2) = 1
3. ถูกทังสองข้ อ
4. ผิดทังสองข้ อ
วิธีทาํ เราสามารถแสดงได้วา่
1. เมือ 0 ≤ x < 2 เราจะได้วา่
∫ ∞
fX (x) = fXY (x, y) dy
−∞
∫ 1
x
= dy
0 2
x
=
2
5.2. ตัวแปรสุ่มต่ อเนืองสองตัวหรื อหลายตัว 59
2. เมือ Y = 2 เราจะได้วา่
∫ ∞ ∫ ∞
fY (2) = fXY (x, 2) dx = 0 dx = 0
−∞ −∞
นันคือ ผิดทังสองข้อ
นันคือ
นิยาม 51. ให้ X, Y เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน X, Y เป็ นอิสระต่ อกันก็ต่อเมือ
fX,Y (x, y) = fX (x)fY (y)
วิธีทาํ
3 3
P (Vit > ) = P (α1 + α2 > )
4 4
3
= 1 − P (α1 + α2 ≤ )
4
∫ ∞ ∫ 34 −x
=1− fα1 α2 (x, y) dydx
−∞ −∞
∫ 3
4
∫ 4 −x
3
=1− dydx
0 0
[( )2 ( )2 ]
3 1 3
=1− −
4 2 4
( )2
1 3
=1−
2 4
9
=1−
32
23
=
32
ตัวอย่ าง 54. ให้ X1 และ X2 เป็ น ตัวแปรสุ่มโดยที fX 1 X2 (., .) เป็ น ฟั งก์ ชัน ความหนาแน่ นของความน่ า จะเป็ น
ร่ วม จงหา fW (.) โดยที W = max(X1 , X2 )
วิธีทาํ เนืองจาก
FW (w) = P (W ≤ w)
= P (max(X1 , X2 ) ≤ w)
= P (X1 ≤ w และ X2 ≤ w)
∫ w ∫ w
= fX1 X2 (x1 , x2 )dx1 dx2
−∞ −∞
ดังนัน
∂FW (w)
fW (w) =
∂w
(∫ w ∫ w )
∂
= fX1 X2 (x1 , x2 )dx1 dx2
∂w −∞ −∞
ตัวอย่ าง 55. ตัวต้ านทานสองตัวมีค่าความต้ านทานไม่ แน่ นอนและเป็ นอิสระต่ อกันและ กระจายด้ วยฟั งก์ ชันความหนา
แน่ นของความน่ าจะเป็ น
1 1 x−R 2
f (x) = √ e 2 ( σ )
2π
นันคือ
นิยาม 53 (ค่าคาดหวัง (Expected Value)). ให้ X เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน เราเรี ยก
∫
E[X] = µX = xfX (x) dx
X
ทฤษฏีบท 46 (ค่าคาดหวัง (Expected Value) ของ g(X)). ให้ X เป็ นตัวแปรสุ่มต่ อเนือง
ดังนันค่ าคาดหวัง (Expected Value) ของ X เป็ นไปตามสมการ
∫
E[g(X)] = g(x)fX (x) dx
X
ทฤษฏีบท 47 (ค่าคาดหวัง (Expected Value)). ให้ X และ Y เป็ น ตัวแปรสุ่ม ต่ อ เนือง ดัง นัน ค่ า คาดหวัง (Expected
Value) ของ g(X, Y ) เป็ นไปตามสมการ
∫ ∫
E[g(X, Y )] = g(x, y)fX (x) dxdy
Y X
ตัวอย่ าง 56 (ข้อสอบย่อยครังที 2 ภาคต้น ปี การศึกษา 2554). กําหนดให้ X และ Y เป็ น ตัวแปรสุ่มทีมีฟังก์ ชัน ความ
หนาแน่ นของความน่ าจะเป็ นร่ วมดังนี
{
6x2 y, −1 ≤ x ≤ 2, 0 ≤ y ≤ 1
3
fXY (x, y) =
0, อืน ๆ
วิธีทาํ
∫ ∞ ∫ ∞
E[XY ] = xyfXY (x, y) dxdy
−∞ −∞
∫ 1
3
∫ 2
= xyfXY (x, y) dxdy
0 −1
∫ 1
3
∫ 2
= xy(6x2 y) dxdy
0 −1
(∫ 2 ) (∫ 1 )
3
3 2
= 6x dx y dy
−1 0
( )( )
3 1
= 15
2 81
15
=
54
ดังนัน
E[g(X1 , X2 , . . . , Xn )] = E[g1 (X1 )] . . . E[gn (Xn )]
พิสูจน์ ให้
∫ ∞ ∫ ∞
E[g(X1 , X2 , . . . , Xn )] = ... g(X1 , X2 , . . . , Xn )fX1 ...Xn (x1 , x2 , . . . , xn ) dx1 . . . dxn
−∞ −∞
เนืองจาก ดังนัน
g(X1 , X2 , . . . , Xn ) = g1 (X1 )g2 (X2 ) . . . gn (Xn )
และ ∫ ∞ ∫ ∞
E[g(X1 , X2 , . . . , Xn )] = g(x1 )fX1 (x1 ) dx . . . g(xn )fXn (xn ) dx
−∞ −∞
นันคือ
E[g(X1 , X2 , . . . , Xn )] = E[g1 (X1 )] . . . E[gn (Xn )]
∪
n
ทฤษฏีบท 49. ให้ SX = Bi และ Bi ∩ Bj , i ̸= j ดังนันค่ าคาดหวังของตัวแปรสุ่ มต่ อเนื อง E[X] เท่ ากับ
i=1
∑
n
E[X] = E[X|Bi ]P (Bi )
i=1
5.3. ค่ าคาดหวัง (EXPECTED VALUE), ความแปรปรวน (VARIANCE) และ ความแปรปรวนร่ วมเกียว (COVARIANCE) สําหรั บตัวแปรสุ่มต่ อเนือง63
พิสูจน์ จาก
∑
n
fX (x) = fX|Bi (x)P (Bi )
i=1
จะได้วา่
∫ ∞
E[X] = xfX (x) dx
−∞
∫ ( n )
∞ ∑
= x fX|Bi (x)P (Bi ) dx
−∞ i=1
n ∫ ∞
∑
= xfX|Bi (x) dxP (Bi )
i=1 −∞
∑n
= E[X|Bi ]P (Bi )
i=1
นิยาม 56 (ส่ วนเบียงเบนมาตรฐาน (Standard Deviation)). ให้ X เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน เราเรี ยก
√
σX = V ar(X)
พิสูจน์ จากนิยาม
V ar[X] = E[(X − µX )2 ]
เราจะได้วา่
V ar[X] = E[X 2 − 2µX X + µ2X ]
= E[X 2 ] − 2µX E[X] + E[µ2X ]
= E[X 2 ] − µ2X
พิสูจน์ เนืองจาก
Cov[X, Y ] = E[(X − µX )(Y − µY )]
ดังนัน
Cov[X, Y ] = E[XY − µX Y − µY X + µX µY ]
= E[XY ] − µX E[Y ] − µY E[X] + µX µY ]
= E[XY ] − µX µY
นิยาม 59 (สัมประสิ ทธิสหสัมพันธ์ (Correlation Coefficient)). ให้ X และ Y เป็ น ตัวแปรสุ่ม ไม่ ต่อ เนือง ดัง นัน เรา
เรี ยก
Cov[X, Y ]
ρX,Y = √ √
V ar[X] V ar[Y ]
เนืองจาก
V ar[W ] = E[W 2 ] − (E[X])2 ≥ 0
ดังนัน
V ar[X] − 2aCov[X, Y ] + a2 V ar[Y ] ≥ 0
หรื อ
2aCov[X, Y ] ≤ V ar[X] + a2 V ar[Y ]
√
V ar[X]
เมือแทน a = √ จะได้
V ar[Y ]
√ √
Cov[X, Y ] ≥ V ar[X] V ar[Y ]
5.4. แบบฝึ กหั ดท้ ายบท 65
√
V ar[X]
และเมือแทน a = − √ จะได้
V ar[Y ]
√ √
Cov[X, Y ] ≥ − V ar[X] V ar[Y ]
นันคือ |ρX,Y | ≤ 1
นิยาม 60 (ความแปรปรวนร่ วมเกียวซึงมีเงือนไขของตัวแปรสุ่ มต่อเนือง). ความแปรปรวนร่ วมเกียวซึ งมีเงือนไขเป็ น B ของตัวแปร
สุ่มต่ อเนืองX และ Y เป็ นไปตามสมการ
∫ ∫
Cov[X, Y |B] = (x − µX|B )(y − µY |B )fX,Y |B (x, y) dydx
X Y
ทฤษฏีบท 53. ให้ X และ Y เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน ความแปรปรวนร่ วมเกียวซึ งมี เงือนไขเป็ น B ของตัวแปร
สุ่มไม่ ต่อเนืองX และ Y เป็ นไปตามสมการ
Cov[X, Y |B] = E[XY |B] − µX|B µY |B
พิสูจน์ เนืองจาก
∫ ∫
Cov[X, Y |B] = (x − µX|B )(y − µY |B )fX,Y |B (x, y) dydx
X Y
หรื อ
Cov[X, Y |B] = E[(X − µX|B )(Y − µY |B )|B]
ดังนัน
( )
Cov[X, Y |B] = E[ XY − µX|B Y − µY |B X + µX|B µY |B |B]
= E[XY |B] − µX|B E[Y |B] − µY E[X|B] + µX|B µY |B ]
= E[XY |B] − µX|B µY |B
(a) c
(b) fX (x)
(c) fX|X>0 (x)
(d) E[X]
(e) V ar(X)
พิสูจน์
67
68 บทที 6. ตัวอย่ างของตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
ตัวอย่ าง 57 (ข้อสอบเก่าภาคต้น ปี การศึกษา 2554). ให้ ตัวแปรสุ่ม X แทนความเร็ วของการใช้ งานรถยนต์ คันหนึงซึ ง
มีการกระจายแบบ เอกรู ปจาก 0 ถึง 160 กิโลเมตร/ชัวโมง และ Y แทนระยะทางในหน่ วยกิโลเมตรที รถยนต์ วิงได้ ต่อ
การใช้ นามั
ํ น 1 ลิตร โดยทังคู่มคี วามสัมพันธ์ ต่อกันดังนี
15 , 0 < X ≤ 10
Y = g(X) = 20 , 10 < X ≤ 80
10 , 80 < X ≤ 160
ตัวอย่ าง 58 (ข้อสอบกลางภาคต้น ปี การศึกษา 2554). กําหนดให้ m เป็ นค่ าทีทําให้ P (X < m) = P (X > m) จง
หาค่ า m ในกรณี ที X เป็ นตัวแปรสุ่มเอกรู ป (Uniform Random Variable) ช่ วง −10 ถึง 10
6.2. ตัวแปรสุ่มของเออร์ ลงั (ERLANG RANDOM VARIABLE) 69
นันคือ m = 0
นันคือ
∑
n−1
αk e−α
P (0 ≤ X ≤ x) = 1 − , เมือ x ≥ 0
k!
k=0
นันคือ
∑ αk e−α
n−1
1 − , x≥0
FX (x) = P (X ≤ x) = k!
k=0
0, x<0
หรื อ
∑ (λx)k e−(λx)
n−1
1 − , x≥0
FX (x) = P (X ≤ x) = k!
k=0
0, x<0
α
เมือ จํานวนครังเฉลียต่อหนึงหน่วยเวลาทีเกิดขึนในช่วง [0, x] λ = ดังนันฟังก์ชนั ความหนาแน่นของความน่าจะ
x
เป็ น fX (.) เป็ นไปตามนิยาม
70 บทที 6. ตัวอย่ างของตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
โดยที λ > 0
ดังนันเราเรี ยก X ว่ าเป็ นตัวแปรสุ่มของเออร์ ลงั (Erlang Random Variable)
ทฤษฏีบท 56. ให้ X เป็ นตัวแปรสุ่มของเออร์ ลงั (Erlang Random Variable)
ดังนัน
n
E[X] =
λ
n
V ar[X] = 2
λ
โดยที λ > 0
ดังนันเราเรี ยก X ว่ าเป็ นตัวแปรสุ่มแบบเลขชีกําลัง (Exponential Random Variable)
ทฤษฏีบท 57. ให้ X เป็ น ตัวแปรสุ่ม แบบเลขชีกําลัง (Exponential Random Variable) ดัง นัน ฟั งก์ ชัน การกระจาย
สะสม FX (.) เป็ นไปตามสมการ
{
1 − e−λx , x≥0
FX (x) =
0, x≤0
ดังนัน
∫ ∞
xe−x
E[1X] = dx
1 P [X ≥ 1]
∫ ∞
(u + 1)e−(u+1)
= du
0 P [X ≥ 1]
∫ ∞ ∫ ∞
ue−u e−u)
= e−1 du + e−1 du
0 P [X ≥ 1] 0 P [X ≥ 1]
=1
นันคือ m = ln 2
72 บทที 6. ตัวอย่ างของตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
ดังนัน
E[x] = µ และ V ar[X] = σ 2
พิสูจน์
1. เนืองจาก
∫ ∞
E[x] = xfX (x) dx
−∞
∫ ∞
1 (x−µ)2
= √ xe− 2σ2 dx
2πσ 2 −∞
∫ ∞( ) ∫ ∞
σ x − µ − (x−µ) 2
µ (x−µ)2
=√ e 2σ 2
dx + √ e− 2σ2 dx
2πσ 2 −∞ σ 2πσ 2 −∞
x−µ
ให้ u = จะได้
σ
∫ ∞ ∫ ∞
σ − u2
2 µ u2
E[x] = √ ue du + √ e− 2 du
2π −∞ 2π −∞
นอกจากนีเนืองจาก
∫ ∞ ∫ ∞
2 1 u2
− u2
ue dx = 0 และ √ e− 2 dx = 1
−∞ 2π −∞
ดังนัน
E[X] = µ
2. เนืองจาก
V ar[x] = E[(X − µ)2 ]
∫ ∞
2
= (x − µ) fX (x) dx
−∞
∫ ∞
1 (x−µ)2
(x − µ) e− 2σ2 dx
2
=√
2πσ 2 −∞
x−µ
ให้ u = ดังนัน
σ
∫ ∞
σ2 u2
V ar[X] = √ u2 e− 2 du
2π −∞
6.4. ตัวแปรสุ่มแบบเกาส์ เซียน (GAUSSIAN RANDOM VARIABLE) 73
เนืองจาก
∫ ∞
1 u2
√ u2 e− 2 dx = 1
2π −∞
ดังนัน
V ar[X] = σ 2
ตัวอย่ าง 61 (ข้อสอบกลางภาคต้น ปี การศึกษา 2554). กําหนดให้ m เป็ นค่ าทีทําให้ P (X < m) = P (X > m) จง
หาค่ า m ในกรณี ที X เป็ นตัวแปรสุ่มแบบเกาส์ เซียน (Gaussian Random Variable) ที µ = 5 ถึง σ = 10
วิธีทาํ เราสามารถแสดงฟังก์ชนั ความหนาแน่นของความน่าจะเป็ นของ X ได้ดงั นี
1 (x−5)2
−
fX (x) = √ e 2×102
2π × 102
เราสามารถหาค่า m ได้จากสมการ
∫ m (x−5)2
∫ ∞ (x−5)2
1 − 1 −
√ e 2×102 dx = √ e 2×102 dx
−∞ 2π × 102 m 2π × 102
นันคือ m = 5
X −µ
จากนิยาม 64 ถ้าเราให้ Z = จากทฤษฎีบท 41 เราจะได้
σ
1 z2
fZ (z) = √ e− 2 (6.3)
2π
X −µ
คือ ฟังก์ชนั การกระจายสะสมของตัวแปรสุ่ ม Z =
σ
ทฤษฏีบท 60.
Φ(−z) = 1 − Φ(z)
ทฤษฏีบท 61. ให้ Z เป็ นฟั งก์ ชันการกระจายสะสมปกติมาตรฐาน (Standard Normal Cumulative Distribution Func-
tion) ดังนัน
µZ = 0 และ σZ = 1
นิยาม 66 (ฟังก์ชนั การกระจายสะสมปกติมาตรฐานเติมเต็ม (Standard Normal Complementary Cumulative Distribu-
tion Function)). เราเรี ยกฟั งก์ ชัน ∫ ∞
1 u2
Q(z) = √ e− 2 du
2π z
ทฤษฏีบท 62. ให้ Q(.) ฟั งก์ ชันการกระจายสะสมปกติ มาตรฐานเติมเต็ม (Standard Normal Complementary Cumu-
lative Distribution Function) และ Φ(.) เป็ นฟั งก์ ชันการกระจายสะสมปกติมาตรฐาน (Standard Normal Cumulative
Distribution Function) ดังนัน
Q(z) = 1 − Φ(z)
พิสูจน์ เนืองจาก
∫ z ∫ ∞ ∫ z
1 u2 1 u2 1 u2
√ e− 2 du = √ e− 2 du + √ e− 2 du = 1
2π −∞ 2π z 2π −∞
∫ z
1 u2
Φ(z) = √ e− 2 du
2π −∞
และ ∫ ∞
1 u2
Q(z) = √ e− 2 du
2π z
ดังนัน
Q(z) + Φ(z) = 1
หรื อ
Q(z) = 1 − Φ(z)
ทฤษฏีบท 63. ให้ Φ(.) ปกติ มาตรฐานฟั งก์ ชันการกระจายสะสม (Standard Normal Cumulative Distribution Func-
tion) ดังนัน
Φ(−z) = 1 − Φ(z)
วิธีทาํ ∫ ∫
−z ∞
1 u2 1 u2
Φ(−z) = √ e− 2 du = √ e− 2 du = 1 − Φ(z)
2π −∞ 2π z
ทฤษฏีบท 64. ให้ X เป็ นตัวแปรสุ่มแบบเกาส์ เซียนทีมี E[X] = µ และความแปรปรวน V ar[X] = σ2 , σ > 0 ดัง
นัน ( )
x−µ
FX (x) = Φ
σ
พิสูจน์ เนืองจาก
∫ x
1 (x−µ)2
FX (x) = √ e− 2σ 2 dx
2πσ 2 −∞
X −µ
ดังนันถ้าให้ Z = จะได้
σ
∫ ( )
1 z
− z2
2 X −µ
FX (x) = √ e dz = Φ(z) = Φ
2π −∞ σ
ตัวอย่ าง 62. จงหา Φ(−3.005) โดยที Q(3.00) = 1.35 × 10−3 และ Q(3.01) = 1.31 × 10−3
วิธีทาํ เนืองจาก
Φ(−z) = 1 − Φ(z) และ Q(z) = 1 − Φ(z)
ดังนัน
Φ(−z) = Q(z)
นันคือ
Φ(−3.005) = Q(3.005)
6.4. ตัวแปรสุ่มแบบเกาส์ เซียน (GAUSSIAN RANDOM VARIABLE) 75
ทฤษฏีบท 65. ให้ X เป็ นตัวแปรสุ่มแบบเกาส์ เซียนทีมี E[X] = µ และความแปรปรวน V ar[X] = σ2 , σ > 0 ดัง
นัน ( ) ( )
x2 − µ x1 − µ
P (x1 < X ≤ x2 ) = Φ −Φ
σ σ
พิสูจน์ เนืองจาก X เป็ นตัวแปรสุ่ มแบบเกาส์เซียนทีมี E[X] = µ และความแปรปรวน V ar[X] = σ2 , σ >
0 ดังนัน
P (x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 )
∫ x2 ∫ x1
1 (x−µ)2
− 2σ2 1 (x−µ)2
= √ e dx − √ e− 2σ2 dx
−∞ 2πσ 2 −∞ 2πσ 2
( ) ( )
x2 − µ x1 − µ
=Φ −Φ
σ σ
ตัวอย่ าง 63. ให้ X เป็ นตัวแปรสุ่มแบบเกาส์ เซียนทีมี E[X] = µX = 3 และความแปรปรวน V ar[X] = σ2 =
41 กําหนดให้ Q(3) = 1.35 × 10−3 และ Φ(0) = 0.5 จงหา
1. FX (3)
2. FX (9)
3. P (3 < X ≤ 9)
X − µX X −3
วิธีทาํ ให้ Z = = ดังนัน
σ 2
1. เราสามารถหา FX (3) ได้ดงั นี
( )
X −3
FX (3) = P (X ≤ 3) = P ≤ 0 = P (Z ≤ 0) = FZ (0) = Φ(0) = 0.5
2
fX,Y (x, y) = √
2πσ1 σ2 1 − ρ2
โดยที µ1 , µ2 เป็ นจํานวนจริ งและ σ1 > 0, σ2 > 0 และ −1 < ρ < 1 ดังนันเราเรี ยก X, Y ว่ าเป็ นตัวแปรสุ่มแบบ
เกาส์ เซียนตัวแปรคู่ (Bivariate Gaussian Random Variable)
จากนิยามของตัวแปรสุ่ มแบบเกาส์เซียนตัวแปรคู่ (Bivariate Gaussian Random Variable) ถ้าหากเราให้
σ2
µ̃2 (x) = µ2 + ρ (x − µ1 ) และ σ̃22 = σ22 (1 − ρ2 )
σ1
เราสามารถแสดงได้วา่
บทตัง 3. ถ้ า X และ Y เป็ นตัวแปรสุ่มแบบเกาส์ เซียนตัวแปรคู่ (Bivariate Gaussian Random Variable) ซึ ง
( )2 ( )2
x − µ1 2ρ(x − µ1 )(x − µ2 ) y − µ2
− +
σ1 σ1 σ2 σ2
exp −
2(1 − ρ2 )
fX,Y (x, y) = √
2πσ1 σ2 1 − ρ2
fX,Y (x, y) = √
2πσ1 σ2 1 − ρ2
พิสูจน์ เนืองจาก
( )2 2
x − µ1 y − µ̃2 (x)
− √ − √
1 1 2σ̃2
fX,Y (x, y) = √ e 2σ1 √ e
σ1 2π σ̃2 2π
ดังนัน
∫ ∞
fX (x) = fX,Y (x, y) dy
−∞
( )2 2
x − µ1 y − µ̃2 (x)
∫ ∞ − √ − √
1 1 2σ̃2
= √ e 2σ1 √ e dy
σ1 2π
−∞ σ̃2 2π
( )
x − µ1 2
− √
1
= √ e 2σ1
σ1 2π
ในทํานองเดียวกันเราสามารถพิสูจน์ได้วา่
( )2
y − µ2
1 − √
fY (y) = √ e 2σ2
σ2 2π
fX,Y (x, y) = √
2πσ1 σ2 1 − ρ2
เราจะได้วา่ 2
y − µ̃2 (x)
− √
1 2σ̃2
fY |X (y|x) = √ e
σ̃2 2π
นอกจากนี
∫ ∞
E[Y |X = x] = yfY |X (y|x) dy
−∞
2
y − µ̃2 (x)
∫ ∞ − √
1 2σ̃2
= y √ e dy
−∞ σ̃2 2π
σ2
= µ̃2 (x) = µ2 + ρ (x − µ1 )
σ1
fX,Y (x, y) = √
2πσ1 σ2 1 − ρ2
ดังนัน
∫ ∞ ∫ ∞
1
ρX,Y = (x − µ1 )(y − µ2 )fX,Y (x, y) dxdy
σ1 σ2 −∞ −∞
เนืองจาก
E[Y − µ2 |X = x] = E[Y |X = x] − E[µ2 |X = x]
σ2
= µ̃2 (x) − µ2 = µ2 + ρ (x − µ1 ) − µ2
σ1
σ2
= ρ (x − µ1 )
σ1
6.5. ตัวแปรสุ่มแบบเกาส์ เซียนตัวแปรคู่ (BIVARIATE GAUSSIAN RANDOM VARIABLE) 79
เราจะได้วา่
∫ ∞ ( )
1 σ2
ρX,Y = (x − µ1 ) ρ (x − µ1 ) fX (x)dx
σ1 σ2 −∞ σ1
∫ ∞( )
1 σ2
= ρ (x − µ1 ) fX (x)dx
2
σ1 σ2 −∞ σ1
∫ ∞
ρ
= 2 (x − µ1 )2 fX (x) dx
σ1 −∞
∫ ∞
นอกจากนีเนืองจาก (x − µ1 )2 fX (x) dx = σ12 ดังนัน ρX,Y = ρ 2
σ
σ12 1
=ρ
−∞
นอกจากนีเนืองจาก
1 − 12 (x2 +(y−1)2 )
fX,Y (x, y) = e
2π
1 1
= √ e− 2 x √ e− 2 (y−1)
1 2 1 2
2π 2π
ดังนัน
∫ ∞
1 1
√ e− 2 x √ e− 2 (y−1) dy
1 2 1 2
fX (x) =
−∞ 2π 2π
∫ ∞
1 − 1 x2 1
e− 2 (y−1) dy
1 2
=√ e 2 √
2π 2π −∞
∫ ∞
1
เนืองจาก √ e− 2 (y−1) dy = 1 ดังนัน
1 2
2π −∞
1
fX (x) = √ e− 2 x
1 2
2π
80 บทที 6. ตัวอย่ างของตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
นอกจากนีเนืองจาก
1 − 12 (x2 +(y−1)2 )
fX,Y (x, y) = e
2π
1 1
= √ e− 2 x √ e− 2 (y−1)
1 2 1 2
2π 2π
ดังนัน
∫ ∞
1 1
√ e− 2 x √ e− 2 (y−1) dx
1 2 1 2
fY (y) =
−∞ 2π 2π
∫ ∞
1 1
= √ e− 2 (y−1) √ e− 2 x dx
1 2 1 2
2π 2π −∞
∫ ∞
1
เนืองจาก e− 2 x dx = 1 ดังนัน
1 2
√
2π −∞
1
fY (y) = √ e− 2 (y−1)
1 2
2π
2π 2π
= fX (x)fY (y)
6.6. แบบฝึ กหั ดท้ ายบท 81
นอกจากนีเนืองจาก
fX,Y (x, y) = fX|Y (x|y)fY (y)
ดังนัน
1
fX|Y (x|y) = fX (x) = √ e− 2 x
1 2
2π
และดังนัน
1
fX|Y (x|2) = √ e− 2 x
1 2
2π
ทฤษฏีบท 70. ให้ ตัวแปรสุ่มต่ อเนือง X และ Y ทีมีฟังก์ ชันความหนาแน่ นของความน่ าจะเป็ นร่ วม fXY (., .) และ Z =
g(X, Y ) ดังนัน ∫∫
FZ (z) = fXY (x, y) dxdy
g(X,Y )≤z
และดังนัน {∫ ∫ }
dFZ (z) d
fZ (z) = = fXY (x, y) dxdy
dz dz g(X,Y )≤z
ตัวอย่ าง 65 (ข้อสอบย่อยครังที 2 ภาคต้น ปี การศึกษา 2554). กําหนดให้ X และ Y เป็ น ตัวแปรสุ่มทีมีฟังก์ ชัน ความ
หนาแน่ นของความน่ าจะเป็ นร่ วมดังนี
{x
, 0 ≤ x ≤ 2, 0 ≤ y ≤ 1
fXY (x, y) = 2
0, อืน ๆ
ถ้ ากําหนดให้ Z = X − Y จงหา fZ (z) สําหรั บ −1 ≤ z < 0
วิธีทาํ เนืองจาก ∫∫
FZ (z) = P (Z ≤ z) = fX,Y (x, y) dxdy
X−Y ≤z
83
84 บทที 7. ผลรวมของตัวแปรสุ่ม (SUM OF RANDOM VARIABLES)
และดังนัน
dFZ (z)
fZ (z) =
dz
{ }
d (z + 1)3
=
dz 12
(z + 1)2
=
4
เนืองจาก {
1, 0≤x≤1
fX (x) =
0, อืน ๆ
ดังนัน
∫ 1
ΦX (s) = esx dx
0
x=1
esx
=
s x=0
es − 1
=
s
ทฤษฏีบท 73.
ϕaX+b (s) = ebs ϕX (as)
พิสูจน์
ϕaX+b (s) = E[e(aX+b)s ]
= E[esb eaXs ]
= ebs E[easX ]
= ebs ϕX (as)
โดยที
ϕW (.) เป็ นฟั งก์ ชันทีสร้ างโมเมนต์ ของตัวแปรสุ่ ม W = X1 + . . . + Xn และ
ϕXi (.) เป็ นฟั งก์ ชันทีสร้ างโมเมนต์ ของตัวแปรสุ่ ม Xi , i = 1, . . . , n
86 บทที 7. ผลรวมของตัวแปรสุ่ม (SUM OF RANDOM VARIABLES)
พิสูจน์ เนืองจาก
ϕW (s) = E[esW ] = E[es(X1 +X2 +...+Xn ) ]
นันคือ
∏
n
ϕW (s) = ϕXi (s)
i=1
ตัวอย่ าง 67. ให้ X1 , X2 เป็ นตัวแปรสุ่มซึ งเป็ นเป็ นอิสระต่ อกัน โดยที
0.5, x = −1
0, x=0
PXi (x) =
0.5, x=1
0, อืน ๆ
โดยที i = 1, 2
จงหา
1. ΦX (s) i
∑
2
2. ΦX (s) เมือ X = Xi
i=1
3. PX (x)
วิธีทาํ
1. ΦXi (s)
ΦXi (s) = 0.5e(−1)s + 0.5e(1)s = 0.5e−s + 0.5es
∑
2
2. ΦX (s) เมือ X = Xi
i=1
∏
2
ΦX (s) = ΦXi (s) = (0.5e−s + 0.5es )(0.5e−s + 0.5es ) = 0.25e−2s + 0.5 + 0.25e2s
i=1
3. PX (x)
จาก
ΦX (s) = 0.25e−2s + 0.5 + 0.25e2s
จะได้วา่
0.25, x = −2
0.5, x=0
PX (x) =
0.25, x=2
0, อืน ๆ
ทฤษฏีบท 75. ให้ X เป็ นตัวแปรสุ่มทีมีฟังก์ ชันทีสร้ างโมเมนต์ ϕX (·) โดยที ϕX (s) < ∞, s ∈ (−δ, δ) สําหรั บ
ทุก δ > 0 จะได้ ว่า
dk (ϕX (s))
E[X k ] = , k = 1, 2, . . .
dsk s=0
7.2. ฟั งก์ ชันทีสร้ างโมเมนต์ (MOMENT GENERATING FUNCTION) 87
ดังนัน
dk ϕX (s)
= E[X k esX ]
dsk
นันคือ
kdk (ϕX (s))
E[X ] =
dsk s=0
ตัวอย่ าง 68 (ข้อสอบเก่าภาคปลาย ปี การศึกษา 2554). จงพิสูจน์ ว่าค่ าคาดหวังของตัวแปรสุ่มต่ อเนือง X เป็ นไปตาม
สมการ
dΦX (s)
E[X] =
ds s=0
วิธีทาํ เนืองจาก ∫ ∞
ΦX (s) = esx fX (x) dx
−∞
ดังนัน (∫ ∞ )
dΦX (s) ∂ sx
= e fX (x) dx
ds ∂s −∞
และดังนัน
(∫ ∞ )
dΦX (s) ∂ sx
= (e fX (x)) dx
ds −∞ ∂s
∫ ∞
= xesx fX (x) dx
−∞
= E[XesX ]
88 บทที 7. ผลรวมของตัวแปรสุ่ม (SUM OF RANDOM VARIABLES)
นันคือ
dΦX (s)
E[X] =
ds s=0
ตัวอย่ าง 69. จงหาฟั งก์ ชันทีสร้ างโมเมนต์ ของตัวแปรสุ่มแบร์ นูลลี (Bernoulli Random Variable) X โดยที
1 − p , x=0
PX (x) = p , x=1
0 , อืน ๆ
วิธีทาํ ฟังก์ชนั ทีสร้างโมเมนต์ ϕX (s) เป็ นไปตามสมการ
ϕX (s) = E[esX ]
= (1 − p)e0s + pe1s
= 1 − p + pes
ตัวอย่ าง 70. จงหาฟั งก์ ชันทีสร้ างโมเมนต์ ของตัวแปรสุ่มแบบทวินาม (Binomial Random Variable) X โดยที
n!
px (1 − p)n−x , x = 0, 1, . . . , n
PX (x) = x!(n − x)!
0, อืน ๆ
วิธีทาํ ฟังก์ชนั ทีสร้างโมเมนต์ ϕX (x) เป็ นไปตามสมการ
[ ]
ϕX (s) = E esX
∑n ( )
n!
= px (1 − p)n−x esx
x=0
x!(n − x)!
∑n ( )
n!
= (pe ) (1 − p)
s x n−x
x=0
x!(n − x)!
[ sX ]
จากสมการ ก.10 ในทฤษฎีบท 81 จะได้ ϕX (x) = E e คือ
ϕX (s) = (1 − p + pes )
n
(7.1)
ตัวอย่ าง 71. ให้ X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่มซึ งเป็ นอิสระต่ อกันและมีการกระจายเหมือนกัน1 โดยที
1 − p , x=0
PXi (x) = p , x=1
0 , อืน ๆ
∑
n
จงหา PX (x) โดยที X = Xi เป็ นตัวแปรสุ่ มแบบทวิ นาม (Binomial Random Variable) โดยใช้ ฟังก์ ชันทีสร้ าง
i=1
โมเมนต์
วิธีทาํ จากตัวอย่าง 69 จะได้วา่
ϕXi (s) = 1 − p + pes , i = 1, 2, . . . , n
ตัวอย่ าง 72. จงหาฟั งก์ ชันทีสร้ างโมเมนต์ ของตัวแปรสุ่มแบบเกาส์ เซียน X ทีมีค่าเฉลีย µ = 0 และ ความแปรปรวน σ2 =
1
และดังนัน
ϕX (s) = E[esX ]
∫ ∞
= esx fX (x) dx
−∞
∫ ∞
1 x2
=√ esx e− 2 dx
2π −∞
∫ ∞ 2
1
e 2 e− 2 (x −2sx+s ) dx
s 1 2 2
=√
2π −∞
∫ ∞ 2
1
e 2 e− 2 (x−s) dx
s 1 2
=√
2π −∞
∫ ∞
s2 1
e− 2 (x−s) dx
1 2
=e2 √
2π −∞
∫ ∞
(x−s)2
เนืองจาก √12π e− 2 dx = 1 ดังนัน
−∞
s2
ϕX (s) = e 2
ตัวอย่ าง 73. จงหาฟั งก์ ชันทีสร้ างโมเมนต์ ของตัวแปรสุ่มแบบเกาส์ เซียน X ทีมีค่าเฉลีย µ และ ความแปรปรวน σ2
วิธีทาํ เนืองจาก X เป็ นตัวแปรสุ่ มแบบเกาส์เซียน ทีมีค่าเฉลีย µ และความแปรปรวน σ2 ดังนัน
1 x−µ 2
e− 2 ( )
1
fX (x) = √ σ
2πσ 2
และ
[ ]
ΦX (x) = E esX
∫ ∞
= esx fX (x) dx
−∞
∫ ∞
1 1 x−µ 2
=√ esx e− 2 ( σ ) dx
2
2πσ −∞
X −µ
ให้ Z = ดังนัน
σ
dx = σdz
x−µ
esx = eσs σ esµ = eσsz esµ
90 บทที 7. ผลรวมของตัวแปรสุ่ม (SUM OF RANDOM VARIABLES)
และ z2 x−µ 2
e− = e− 2 ( )
1
2 σ
นันคือ
∫ ∞ ( x−µ
2
1 σ )
sx −
ΦX (x) = √ e e 2 dx
2πσ 2 −∞
∫ ∞
σ z2
=√ eσsz esµ e− 2 dz
2πσ 2 −∞
( ∫ ∞ )
1 z2
= esµ √ eσsz e− 2 dz
2π −∞
เราสามารถดัดแปลงจากตัวอย่าง 72 ได้วา่
σ 2 s2
ϕX (s) = esµ+ 2
ตัวอย่ าง 74. ให้ ตัวแปรสุ่มแบบเกาส์ เซียน X1 , . . . , Xn มีค่าเฉลีย µ1 , . . . , µn และความแปรปรวน σ12 , . . . , σn2 ตาม
ลําดับ จงหาฟั งก์ ชัน ความหนาแน่ น ของความน่ า จะเป็ นของ X = X1 + . . . + Xn โดยที X1 , . . . , Xn เป็ น
อิสระต่ อกัน
วิธีทาํ เนืองจาก x1 , . . . , xn เป็ นอิสระต่อกัน ดังนัน
ΦX (s) = ΦX1 (s) . . . ΦXn (s)
จากตัวอย่าง 73 เราจะได้วา่
σi2 s2
ϕXi (s) = esµi + 2
นอกจากนี
∏
n
σi2 s2
ΦX (s) = esµi + 2
i=1
∑
n
σi2
s2
∑
n
s µi
+
i=1
2
=e i=1
นันคือ
1 x−µ 2
e− 2 ( )
1
fX (x) = √ σ
2πσ 2
โดยที
∑
n ∑
n
µ= µi และ σ =
2
σi2
i=1 i=1
ตัวอย่ าง 77 (ข้อสอบเก่าภาคต้น ปี การศึกษา 2554). ให้ X1 และ X2 เป็ น ตัวแปรสุ่มทีเป็ น อิสระต่ อกัน และต่ างก็มี
ฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ นจะเป็ นในรู ปของ
100 , x > 100
fX (x) = x2
0 , อืน ๆ
วิธีทาํ เนืองจาก
X1
Z=
X2
และ
X1 และ X2 เป็ นตัวแปรสุ่ มทีเป็ นอิสระต่อกัน ดังนัน
[ ] [ ]
X1 1
E[Z] = E = E[X1 ]E
X2 X2
โดยที ∫ ∞ ∞ ∫
100
E[X1 ] = x1 fX1 (x1 ) dx1 = x1 2 dx1 = ∞
x
[ ] −∞∫ ∞ ∫ ∞ 1
100 ∞
1 1 1 100 x−2 1
E = fX2 (x2 ) dx2 = dx2 = 100 =
X2 −∞ x 2 [ ] 100 x 2 x 2
2 −2 100 200
นันคือ E[Z] = E[X1 ]E 1
X2 =∞
ตัวอย่ าง 78 (ข้อสอบเก่าภาคต้น ปี การศึกษา 2554). นิสิต คนหนึงรอคิว เพือขึนรถมอเตอร์ ไซค์ มาสอบ ถ้ า เฉลียแล้ ว
ระยะเวลาทีต้ องรอมอเตอร์ ไซค์ แต่ ละคันคือ 2 นาที โดยมีการกระจายแบบเอกซ์ โปเนนเชียล
92 บทที 7. ผลรวมของตัวแปรสุ่ม (SUM OF RANDOM VARIABLES)
1. จงหาฟั งก์ ชันทีสร้ างโมเมนต์ (Moment Generating Function, MGF) ของ X ซึ งแทนระยะเวลาทีต้ องรอรถแต่ ละ
คัน
2. จงหาฟั งก์ ชัน ที สร้ างโมเมนต์ (Moment Generating Function, MGF) ของ Y ซึ งแทนระยะเวลาที นิสิต ต้ องรอ
จนกว่ าจะได้ ขึนรถ ถ้ ามีคนรอคิวอยู่ก่อนหน้ า 4 คน
วิธีทาํ
1. เราสามารถหาฟังก์ชนั ทีสร้างโมเมนต์ (Moment Generating Function, MGF) ของ X ได้จาก
∫ ∞
[ ]
ϕX (s) = E esX = esx fX (x) dx
−∞
โดยที
{
λe−λx ,x ≥ 0
fX (x) =
0 ,x < 0
จากการเปิ ดตาราง
1
ϕX (s) = s
1−
λ
นอกจากนีเราสามารถหา λ ได้จาก
1
E[X] = =2
λ
ดังนัน
1
λ=
2
นันคือ
1
ϕX (s) =
1 − 2s
โดยที
n n−1 −λx
λ x e
,x ≥ 0
fX (x) = (n − 1)!
0 ,x < 0
และ n = 5
จากการเปิ ดตาราง
1
ϕX (s) = (
s )5
1−
λ
นอกจากนีเราสามารถหา λ ได้จาก
1
E[X] = =2
λ
ดังนัน
1
λ=
2
นันคือ
1
ϕX (s) = 5
(1 − 2s)
7.3. แบบฝึ กหั ดท้ ายบท 93
ตัวอย่ าง 79. ให้ X เป็ นตัวแปรสุ่มแบบเลขชีกําลังโดยทีฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ นเป็ นไปตามสมการ
{
λe−λx , x≥0
fX (x) =
0, x<0
(a) c
(b) fX1 +X2 (x) โดยใช้สงั วัตนาการ
(c) fX1 +X2 (x) โดยใช้ฟังก์ชน
ั ทีสร้างโมเมนต์
(d) E[X1 + X2 ] โดยใช้ฟังก์ชน
ั ทีสร้างโมเมนต์
(e) V ar(X1 + X2 ) โดยใช้ฟังก์ชน
ั ทีสร้างโมเมนต์
บทที 8
ทฤษฎีบทค่ าจํากัดสู่ ศูนย์ กลาง (Central Limit
Theorem)
ทฤษฏีบท 76. ให้ X1 , X2 , . . . , Xn เป็ น ตัวแปรสุ่มซึ งเป็ น อิสระต่ อกันและมีการกระจายเหมือนกัน (independent
and identically distributed (iid)) นอกจากนี ค่ าเฉลียและความแปรปรวนมีค่าเท่ ากันและเท่ ากับ µ และ σ2 ตามลําดับ ดัง
นัน
lim FZn (z) = Φ(z)
n→∞
โดยที
∑
n
Xi − nµ
Zn = i=1
√
nσ 2
∑
n
Xi − nµ
พิสูจน์ เนืองจาก Zn = i=1
√ ดังนัน
nσ 2
ϕZn (s) = ϕaSn +b (s)
โดยที √
∑
n
1 nµ
Sn = Xi , a = √ และ b = −
i=1
nσ σ
และดังนัน
ϕZn (s) = ϕaSn +b (s) = ebs ϕSn (as)
และดังนัน √ ( )
nµ ∏n
s
ln ϕZn (s) = − s + nln ϕXi √
σ i=1
nσ
หรื อ √
nµ n
− s∏
ϕZn (s) = e σ ϕXi (as)
i=1
95
96 บทที 8. ทฤษฎีบทค่ าจํากัดสู่ศูนย์ กลาง (CENTRAL LIMIT THEOREM)
หรื อ
ln (ϕZn (s)) = bs + nln (ϕXi (as)) (8.1)
จากอนุกรมแมคคลอริ นจะได้วา่
s2 s3
ΨX (s) = ΨX (0) + Ψ′X (0)s + Ψ′′X (0) + Ψ′′′
X (0) + ...
2! 3!
ตัวอย่ าง 81. อุปกรณ์ สือสารชนิดหนึงส่ งข้ อมูล 1, 000, 000 บิต สมมติว่าความน่ าจะเป็ นทีแต่ ละบิตจะเป็ น 0 หรื อ 1 เท่ า ๆ กัน และ
เป็ นอิสระต่ อกัน จงหาความน่ าจะเป็ นทีอุปกรณ์ ชินนีส่ งบิต 1 อย่ างน้ อย 499, 000 บิต และ ไม่ เกิน 500, 000 บิต
หมายเหตุ Φ(2) = 0.97725
∑
n
วิธีทาํ ให้ตวั แปรสุ่ ม Xi แทนบิตที i และ X = Xi โดยที n = 1, 000, 000
i=1
นันคือตัวแปรสุ่ ม X แทนจํานวนบิต 1 ทีถูกส่ งโดยอุปกรณ์ชินนี ดังนัน
P (499, 000 ≤ X ≤ 5, 000, 000) = FX (500, 000) − FX (499, 000)
1. ใช้ทฤษฎีบทค่าจํากัดสู่ ศูนย์กลาง
ให้ตวั แปรสุ่ ม {
1 , บิตที i เกิดการผิดพลาด
Xi =
0 , บิตที i ไม่เกิดการผิดพลาด
∑
n
นอกจากนี X = Xi โดยที n = 1, 000, 000 นันคือตัวแปรสุ่ ม X แทนจํานวนบิต 1 ทีเกิดความผิดพลาด ดัง
i=1
นัน
P (0 ≤ X ≤ 1) = P (0 < X ≤ 1) = FX (1) − FX (0)
ตัวอย่ าง 83. จากตัวอย่ าง 82 จงประมาณค่ าความน่ าจะเป็ นโดยใช้ ทฤษฎีบทค่ าจํากัดสู่ศูนย์ กลางทีมีการปรั บแก้ โดยสูตร
ของเดอมัวร์ - ลาปลาซ
วิธีทาํ
( ) ( )
1 + 0.5 − np 0 − 0.5 − np
p[0 ≤ X ≤ 1] ≈ Φ √ −Φ √
np(1 − p) np(1 − p)
( ) ( )
1 + 0.5 − 106 (10−6 0 − 0.5 − 106 (10−6
=Φ √ −Φ √
106 (10−6 )(1 − (10−6 ) 106 (10−6 )(1 − 10−6 )
= Φ (0.5) − Φ (−1.5)
= Φ (0.5) − (1 − Φ (1.5))
= 0.6913 − (1 − 0.9332)
= 0.6245
ตัวอย่ าง 84 (ข้อสอบเก่าภาคต้น ปี การศึกษา 2554). สมมติ ว่าในตู้เสื อผ้ าหลังหนึงมีเสื อยืดคอกลมจํานวน N ตัวและ
มีกางเกงยีนส์ จาํ นวน M ตัว โดยทัง N และ M เป็ นตัวแปรสุ่มทีมีค่าเป็ นจํานวนเต็มตังแต่ 0 ถึง 9 ด้ วยโอกาสเท่ ากัน
และทังคู่ เป็ นอิสระต่ อกัน กําหนดให้ X เป็ นจํานวนคนที มากทีสุดที สามารถนําเสื อยืดและกางเกงในตู้นีไปใส่ ได้ ใน
คราวเดียวกัน สมมติว่าทุกคนสามารถใส่ เสื อและกางเกงยีนส์ ได้ หมดทุกตัว
1. จงเขียนความสัมพันธ์ ระหว่ าง M , N และ X
2. จงหาฟั งก์ ชันมวลความน่ าจะเป็ นของ X
3. หากทราบว่ าในตู้นี มีเสื อยืดคอกลมในจํานวนทีมากกว่ ากางเกงยีนส์ จงหาค่ า
คาดหวังของจํานวนเสื อยืดคอกลมนี
วิธีทาํ
1. เราสามารถเขียนความสัมพันธ์ระหว่าง M , N และ X ได้ดงั นี
X = min(M, N )
เนืองจาก
P (N = M ) + P (N > M ) + P (N < M ) = 1
P (N > M ) = P (N < M )
และ
1 1
P (N = M ) = 10 =
100 10
ดังนัน
1
1−
P (N > M ) = 10 = 9
2 20
และดังนัน
( 1 )
∑ ∑
9 n−1
E[N | N > M ] = m 100
9
n=1 m=0
20)
( ) (∑ ∑
9 n−1
1
= m
45 n=1 m=0
( ) (∑ 9
)
1 n
= (n − 1)
45 n=1
2
( 9 )
1 ∑ 2 ∑
9
= n − n
90 n=1 n=1
( )
1 9 9
= (9 + 1)(2(9) + 1) − (9 + 1)
90 6 2
8
=
3
ตัวอย่ าง 85 (ข้อสอบเก่าภาคต้น ปี การศึกษา 2554). ในการสํารวจความคิด เห็น ของคําถามที ว่ า ”ท่ านเห็น ว่ า ควรจะ
สร้ างโรงไฟฟ้า พลังงานนิวเคลียร์ ในประเทศไทยหรื อ ไม่ ”ปรากฎว่ า ผู้ กรอกแบบสอบถามแต่ ละคนจะตอบ ”เห็น
ด้ วย” ด้ วยความน่ าจะเป็ นเท่ ากับ 0.8 และ ”ไม่ เห็นด้ วย” 0.2 อย่ างเป็ นอิสระต่ อกัน สมมติ ว่ามีผ้ ูกรอกแบบสอบถาม
กลับมาทังสิ น 10,000 คน
1. จงหาว่ าโดยเฉลียแล้ ว จะมีผ้ ตู อบ ”เห็นด้ วย” ทังสิ นกีคน
2. จงประมาณค่ าความน่ าจะเป็ นทีจะมีผ้ ตู อบ ”เห็นด้ วย” ไม่ ตากว่
ํ า 81 % ของผู้กรอกแบบสอบถามกลับมา
วิธีทาํ
1. โดยเฉลียแล้ว จะมีผตู ้ อบ ”เห็นด้วย” เเท่ากับ np = 10, 000(0.8) = 8, 000 คน
2. ให้
∑
n ∑
n
Xi − nµ Xi − nµ
Zn = i=1
√ = √ i=1
nσ 2 np(1 − p)
8.1. แบบฝึ กหั ดท้ ายบท 101
โดยที
{
1 , เมือคนที i เห็นด้วย
Xi =
0 , เมือคนที i ไม่เห็นด้วย
∑
n
แทน Xi = 81% × 10, 000 = 8, 100, n = 10, 000, p = 0.8 จะได้
i=1
8, 100 − 8, 000
Zn = √ = 2.5
10, 000(0.8)(1 − 0.8)
ดังนัน
( )
500, 000 + 0.25(1, 000, 000)
P (Zn ≤ 500, 000) = Φ √
1.6875 × 1, 000, 000
( )
500, 000 + 0.25(1, 000, 000)
=Φ √
1, 687, 500
= Φ(577.35)
(a) µ = E[Xi ]
102 บทที 8. ทฤษฎีบทค่ าจํากัดสู่ศูนย์ กลาง (CENTRAL LIMIT THEOREM)
√
(b) σ= V ar(Xi )
(c) fZ (z)
(d) FZ (µ) เมือ µ = E[Xi ]
√
(e) FZ (σ) เมือ σ = V ar(Xi )
∑
n
2. ให้ Zn = Xi โดยที X1 , X2 , . . . , Xn , . . . เป็ นอิสระต่อกันโดยทีฟั งก์ชน
ั
i=1
ความหนาแน่นของความน่าจะเป็ นเป็ นไปตามสมการ
{
c, x = −1, 1
f (x) =
0, อืน ๆ
และ Z = n→∞
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
(f) FZ (µ) เมือ µ = E[Xi ]
√
(g) FZ (σ) เมือ σ = V ar(Xi )
∑
n
3. ให้ Zn = Xi โดยที X1 , X2 , . . . , Xn , . . . เป็ นอิสระต่อกันโดยทีฟั งก์ชน
ั
i=1
ความหนาแน่นของความน่าจะเป็ นเป็ นไปตามสมการ
{
c(1 − |x|), −1 ≤ x ≤ 1
f (x) =
0, อืน ๆ
และ Z = n→∞
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
(f) FZ (µ) เมือ µ = E[Xi ]
√
(g) FZ (σ) เมือ σ = V ar(Xi )
∑
n
4. ให้ Zn = Xi โดยที X1 , X2 , . . . , Xn , . . . เป็ นอิสระต่อกันโดยทีฟังก์ชน
ั ความหนาแน่นของความน่า
i=1
จะเป็ นเป็ นไปตามสมการ
f (x) = c|x|
และ Z = n→∞
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
8.1. แบบฝึ กหั ดท้ ายบท 103
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
(f) FZ (µ) เมือ µ = E[Xi ]
√
(g) FZ (σ) เมือ σ = V ar(Xi )
∑
n
5. ให้ Zn = Xi โดยที X1 , X2 , . . . , Xn , . . . เป็ นอิสระต่อกันโดยทีฟังก์ชน
ั ความหนาแน่นของความน่า
i=1
จะเป็ นเป็ นไปตามสมการ {
c, x = −1, 0, 1
f (x) =
0, อืน ๆ
และ Z = n→∞
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
(f) FZ (µ) เมือ µ = E[Xi ]
√
(g) FZ (σ) เมือ σ = V ar(Xi )
∑
n
6. ให้ Zn = Xi โดยที X1 , X2 , . . . , Xn , . . . เป็ นอิสระต่อกันโดยทีฟังก์ชน
ั ความหนาแน่นของความน่า
i=1
จะเป็ นเป็ นไปตามสมการ
f (x) = ce−(x−1)
2
และ Z = n→∞
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
(f) FZ (µ) เมือ µ = E[Xi ]
√
(g) FZ (σ) เมือ σ = V ar(Xi )
∑
n
7. ให้ Zn = Xi โดยที X1 , X2 , . . . , Xn , . . . เป็ นอิสระต่อกันโดยทีฟั งก์ชน
ั
i=1
ความหนาแน่นของความน่าจะเป็ นเป็ นไปตามสมการ
{
c(1 − |x|), −1 ≤ x ≤ 1
f (x) =
0, อืน ๆ
และ Z = n→∞
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
104 บทที 8. ทฤษฎีบทค่ าจํากัดสู่ศูนย์ กลาง (CENTRAL LIMIT THEOREM)
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
(f) FZ (µ) เมือ µ = E[Xi ]
√
(g) FZ (σ) เมือ σ = V ar(Xi )
ภาคผนวก ก
พืนฐานทางคณิตศาสตร์ (Mathematical
Foundations)
ทฤษฏีบท 78. อนุกรมเรขาคณิ ต (Geometric Series) ให้ a1 , a2 , . . . , an , . . . เป็ น ลําดับ เรขาคณิ ต (Geometric Se-
quence) ตามสมการ
an = a0 rn−1
ดังนัน
∞
∑ ∞
∑ a0
an = a0 rn−1 = , |r| < 1 (ก. )
n=1 n=1
1−r
พิสูจน์ เนืองจาก
∑
N
an = a1 + a2 + . . . + aN = a0 + a0 r + . . . + a0 rN −1 (ก. )
n=1
ดังนัน
∑
N
r an = r(a1 + a2 + . . . + aN ) = a0 r + a0 r2 + . . . + a0 rN (ก. )
n=1
หรื อ
∑
N
a0 − a0 r N
an = , r ̸= 1 (ก. )
n=1
1−r
105
106 ภาคผนวก ก. พืนฐานทางคณิ ตศาสตร์ (MATHEMATICAL FOUNDATIONS)
ดังนัน
∞
∑ ∞
∑ a0 (1 − r) + dr
an = (a0 + (n − 1)d)rn−1 = (ก. )
n=1 n=1
(1 − r)2
ดังนัน
∑
N
r an = r(a1 + a2 + . . . + aN ) = a0 r + (a0 + d)r2 + . . . + (a0 + (N − 1)d)rN (ก. )
n=1
หรื อ
∑
N
a0 d(1 − rN ) d (N − 1)drN
an = + − −
n=1
1−r (1 − r)2 1−r 1−r
ทฤษฏีบท 80.
∑
n
n
x2 = (n + 1)(2n + 1)
x=1
6
ทฤษฏีบท 81 (ทฤษฎีบททวินาม (Binomial Theorem)). ให้ a, b เป็ นจํานวนจริ งและ n เป็ นจํานวนเต็มบวก ดังนัน
n!
(a + b)n ax bn−x (ก. )
x!(n − x)!
107
ถ้าให้ w = r2
2 ดังนัน dw = rdr ดังนัน
∫ 2π ∫ ∞
I2 = e−w dwdϕ
0 0
∫ 2π ∞
= −e−w 0 dϕ
0
∫ 2π
= − (0 − 1) dϕ
0
= 2π
ทฤษฏีบท 83. ∫ ∞
1 u2
√ ue− 2 du = 0
2π −∞
พิสูจน์ เนืองจาก
∫ ∞ ∫ 0 ∫ ∞
1 2
− u2 1 − u2
2 1 u2
√ ue du = √ ue du + √ ue− 2 du
2π −∞ 2π −∞ 2π 0
และ ∫ 0 ∫ ∞
1 u2 1 u2
√ ue− 2 du = − √ ue− 2 du
2π −∞ 2π 0
ดังนัน ∫ ∞
1 u2
√ ue− 2 du = 0
2π −∞
108 ภาคผนวก ก. พืนฐานทางคณิ ตศาสตร์ (MATHEMATICAL FOUNDATIONS)
ทฤษฏีบท 84. ∫ ∞
1 u2
√ u2 e− 2 du = 1
2π −∞
∫
u2
พิสูจน์ พิจารณา u2 e− 2 du และให้ p = u และ q = e−
u2
2 ดังนัน
u2
dp = du และ dq = −ue− 2 du
และ ∫ ∫
u2
u2 e− 2 du = − p dq
∫ [ ∫ ]
เนืองจาก p dq = pq − q dp ดังนัน
∫ [ ∫ ]
2 2 2
2 − u2 − u2 − u2
u e du = − ue − e du
หรื อ
∫ ∞ [ ]∞ ∫ ∞
u2 u2 u2
u2 e− 2 du = − ue− 2 − e− 2 du
−∞ −∞ −∞
[ ]∞ ∫ ∞
u2 u2
= − ue− 2 + e− 2 du
−∞ −∞
∫ ∞
u2
= e− 2 du
−∞
นันคือ ∫ ∞
1 u2
√ u2 e− 2 du = 1
2π −∞
บรรณานุกรม
[1] R. D. Yates and D. J. Goodman, Probability and Stochastic Processes, 2nd ed., John Wiley, 2005.
[2] P. Z. Peebles, JR. , Probability, Random Variables, and Random Signal Principles, 3rd ed., McGraw-Hill,1993.
[3] ธีระพร วีระถาวร, ทฤษฎีความน่ าจะเป็ นกับการประยุกต์ , พิมพ์ครังที 2, บริ ษทั วิทยพัฒน์ จํากัด, พ.ศ. 2539.
[4] ธีระพร วีระถาวร, ทฤษฎีความน่ าจะเป็ นกับการประยุกต์ , พิมพ์ครังที 3, สํานักพิมพ์แห่งจุฬาลงกรณ์มหาวิทยาลัย,
พ.ศ. 2542.
[5] มานพ ว รา ภักดิ, ทฤษฎี ความ น่ า จะ เป็ น (Probability Theory), พิมพ์ ครัง ที 1, สํานัก พิมพ์ แห่ง จุฬาลงกรณ์
มหาวิทยาลัย, พ.ศ. 2548.
109