Probability PDF

ความน่าจะเป็ นประยุกต์สาํ หรับวิศวกรไฟฟ้า
(Applied Probability for Electrical Engineers)

0(01205312
รศ. ดร.วรฐ คูหิรัญ

(Assoc. Prof. Waroth Kuhirun)
December 18, 2018

2
สารบัญ
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
4.6 ตัวแปรสุ่ มแบบปัวส์ซง (Poisson Random Variable) . . . . . . . . . . . . . . . . . . . . 42

4.7 แบบฝึ กหัดท้ายบท . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5 ตัวแปรสุ่ มต่ อเนือง (Continuous Random Variable) 47
5.1 หนึงตัวแปรสุ่ มต่อเนือง . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.1.1 ฟังก์ชนั การกระจายสะสม และ ฟังก์ชนั ความหนาแน่นของความน่าจะเป็ น . . . . 47
5.1.2 ความน่าจะเป็ นซึงมีเงือนไขสําหรับตัวแปรสุ่ มต่อเนือง . . . . . . . . . . . . . 53
5.2 ตัวแปรสุ่ มต่อเนืองสองตัวหรื อหลายตัว . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.1 ฟังก์ชนั การกระจายสะสมร่ วมสําหรับตัวแปรสุ่ มต่อเนืองสองตัว . . . . . . . . 54
5.2.2 ฟังก์ชนั ความหนาแน่นของความน่าจะเป็ นร่ วมสําหรับตัวแปรสุ่ มต่อเนืองสองตัว . 55
5.2.3 ฟังก์ชนั ความหนาแน่นของความน่าจะเป็ นมาจินลั . . . . . . . . . . . . . . . 58
5.2.4 ความเป็ นอิสระต่อกันของตัวแปรสุ่ มต่อเนือง . . . . . . . . . . . . . . . . . 59
5.3 ค่าคาดหวัง (Expected Value), ความแปรปรวน (Variance) และ ความแปรปรวนร่ วมเกียว (Co-
variance) สําหรับตัวแปรสุ่ มต่อเนือง . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3.1 ค่าคาดหวัง (Expected Value) สําหรับตัวแปรสุ่ มต่อเนือง . . . . . . . . . . . . 61
5.3.2 ความแปรปรวน (Variance) สําหรับตัวแปรสุ่ มต่อเนือง . . . . . . . . . . . . . 63
5.3.3 ความแปรปรวนร่ วมเกียว (Covariance) สําหรับตัวแปรสุ่ มต่อเนือง . . . . . . . 64
5.4 แบบฝึ กหัดท้ายบท . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6 ตัวอย่ างของตัวแปรสุ่ มต่ อเนือง
(Continuous Random Variable) 67
6.1 ตัวแปรสุ่ มเอกรู ป (Uniform Random Variable) . . . . . . . . . . . . . . . . . . . . . . 67
6.2 ตัวแปรสุ่ มของเออร์ลงั (Erlang Random Variable) . . . . . . . . . . . . . . . . . . . . . 69
6.3 ตัวแปรสุ่ มแบบเลขชีกําลัง (Exponential Random Variable) . . . . . . . . . . . . . . . . 70
6.4 ตัวแปรสุ่ มแบบเกาส์เซียน (Gaussian Random Variable) . . . . . . . . . . . . . . . . . . 72
6.5 ตัวแปรสุ่ มแบบเกาส์เซียนตัวแปรคู่ (Bivariate Gaussian Random Variable) . . . . . . . . . 76
6.6 แบบฝึ กหัดท้ายบท . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7 ผลรวมของตัวแปรสุ่ ม
(Sum of Random Variables) 83
7.1 ความน่าจะเป็ นของผลรวมของตัวแปรสุ่ ม . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.2 ฟังก์ชนั ทีสร้างโมเมนต์ (Moment Generating Function) . . . . . . . . . . . . . . . . . . 84
7.3 แบบฝึ กหัดท้ายบท . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
8 ทฤษฎีบทค่ าจํากัดสู่ ศูนย์ กลาง (Central Limit Theorem) 95
8.1 แบบฝึ กหัดท้ายบท . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
ก พืนฐานทางคณิตศาสตร์ (Mathematical Foundations) 105
คํานํา
ข้าพเจ้า เรี ยบเรี ยงตําราเรื อง ความน่า จะเป็ น ประยุกต์ สาํ หรับ วิศวกรไฟฟ้า (Applied Probability for Electrical Engi-
neers) เล่มนีจากประสบการณ์การฟังคําบรรยายวิชาสถิติจากรองศาสตราจารย์ ธีระพร วีระถาวร และ รองศาสตราจารย์
มานพ วราภักดิ อาจารย์ประจํา คณะพาณิ ชยศาสตร์ และการบัญชี จุฬาลงกรณ์มหาวิทยาลัย, การสอนในวิชาความน่า
จะเป็ น ประยุกต์ สาํ หรับ วิศวกรไฟฟ้า (Applied Probability for Electrical Engineers) (205312) ที ภาควิชาวิศวกรรม
ไฟฟ้า คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเกษตรศาสตร์ และการศึกษาด้วยตนเองจากเอกสารอ้างอิง ทังนี เป็ นการเริ ม
ต้นเขียนใหม่ ทังหมด มิได้พฒั นาจากเอกสารการสอนทีเคยใช้ยนขอตํ ื าแหน่งผูช้ ่วยศาสตราจารย์ นอกจากนี ข้างพเจ้า
ยังได้เพิมตัวอย่างโจทย์ทีเกียวข้องกับงานวิจยั ของข้าพเจ้าไว้ในตําราเล่มนีด้วย
รศ. ดร.วรฐ คูหิรัญ

28 ธันวาคม 2560
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
ตาราง 1.1 ตารางค่าความจริ ง

p q ∼p ∼q p∧q p∨q p→q p↔q
T T F F T T F F
T F F T F T F F
F T T F F T T F
F F T T F F T T
ทฤษฏีบท 1. ให้ p และ q เป็ นประพจน์ ดังนัน

p∧q ≡q∧p
p∨q ≡q∨p
และ
p↔q≡q↔p
พิสูจน์ เราสามารถพิสูจน์ได้จากตาราง 1.2
ตาราง 1.2 ตารางค่าความจริ งแสดงการพิสูจน์ทฤษฎีบท 1

p q p∧q q∧p p∨q q∨p p↔q q↔p
T T T T T T T T
T F F F T T F F
F T F F T T F F
F F F F F F T T
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
พิสูจน์ เราสามารถพิสูจน์ได้จากตาราง 1.3
ตาราง 1.3 ตารางค่าความจริ งแสดงการพิสูจน์ทฤษฎีบท 2

p q ∼p ∼q ∼ (p ∧ q) ∼ p∨ ∼ q ∼ (p ∨ q) ∼ p∧ ∼ q
T T F F F F F F
T F F T T T F F
F T T F T T F F
F F T T T T T T

p → q ≡∼ p ∨ q

p ↔ q ≡ (p → q) ∧ (q → p)
1.2 ทฤษฎีเซต (Set Theory)

นิยาม 3 (เซต (Set)). เซต (Set) คือหมู่ (Collection) ของสิ งต่ าง ๆ
นิยาม 4 (การเท่ากัน (Equality)). ให้ A และ B เป็ นเซต ดังนัน
A = B ก็ต่อเมือ a ∈ A แล้ ว a ∈ B และ a ∈ B แล้ ว a ∈ A
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)

A ∪ B = {x ∈ U | a ∈ A หรื อ a ∈ B} (1.2)
ทฤษฏีบท 5. ให้ A และ B เป็ นเซต ดังนัน

A∪B =B∪A
A∩B =B∩A
1 อาจเรี ยกว่า Null Set
1.2. ทฤษฎีเซต (SET THEORY) 3
ทฤษฏีบท 6. ให้ A, B และ C เป็ นเซต ดังนัน

(A ∪ B) ∪ C = A ∪ (B ∪ C)
(A ∩ B) ∩ C = A ∩ (B ∩ C)
นิยาม 9. ให้ A เป็ นเซต ดังนัน

AC = {x ∈ U | a ∈
/ A} (1.3)
ทฤษฏีบท 7. ให้ A เป็ นเซต ดังนัน
A ∪ AC = U และ A ∩ AC = ∅ (1.4)
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}
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
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 ∈/ ∅
A∩U=A
A∩∅=∅
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 ∈ ∅}
แต่ไม่มี x ∈ U ซึง x ∈ ∅ ดังนัน A ∩ ∅ = ∅

A ∪ AC = U
A ∩ AC = ∅
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
A − B = {x ∈ U | a ∈ A และ a ∈
/ B} (1.5)
A − B = A ∩ BC
พิสูจน์ จากนิยาม 9 และ 1.5 จะได้วา่

A − B = {x ∈ U | a ∈ A และ a ∈
/ B}
= {x ∈ U | a ∈ A และ a ∈ B C }
นันคือ
A − B = A ∩ BC
ทฤษฏีบท 12. ให้ A, B และ C เป็ นเซต ดังนัน

A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
1.3. แบบฝึ กหั ดท้ ายบท 5

(A ∪ B)C = AC ∩ B C
(A ∩ B)C = AC ∪ B C

(A ∩ B) ∪ (A − B) = A
(A ∩ B) ∩ (A − B) = ∅
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∩∅
=∅
นิยาม 11 (เซตย่อย (Subset)). ให้ A และ B เป็ นเซต ดังนัน

A ⊂ B ก็ต่อเมือ a ∈ A แล้ ว a ∈ B

A = B ก็ต่อเมือ A ⊂ B และ B ⊂ A
1.3 แบบฝึ กหัดท้ ายบท

1. จงแสดงว่า p → q และ q → r แล้ว p → r เป็ นสัจนิรันดร์2 และเกียวข้องอย่างไรกับหลักการของอุปนัยเชิง
คณิ ตศาสตร์
3 3 7
2. ให้ P (A) = , P (B) = และ P (A ∪ B) = จงหา
4 4 8
(a) P (A ∩ B)
(b) P (AC )
(c) P (AC ∪ B C )
2 ค่าความจริ งเป็ นจริ ง (T ) ทังหมด

บทที 2
วิธีนับและความน่ าจะเป็ น
2.1 วิธีนับ (Counting Method)
2.1.1 หลักการคูณ (Multiplication Principle)
พิจารณาขันตอนการดําเนินการหนึงซึงประกอบด้วยขันตอนย่อย 2 ขันตอน ขันตอนแรกมีรูปแบบทีเป็ นไปได้ n1 รู ป
แบบและ ขันตอนที สองมี รูป แบบที เป็ น ไปได้ n2 รู ป แบบดัง นันขันตอนการดําเนิน การมี รูป แบบที เป็ น ไปได้
ทังหมด n1 n2 รู ปแบบ
นอกจากนีถ้าหากขันตอนการดําเนินการหนึงซึงประกอบด้วยขันตอนย่อย k ขันตอน ขันตอนที i, i = 1, 2, . . . , k มี
∏
k
รู ปแบบทีเป็ นไปได้ ni ดังนันขันตอนการดําเนินการมีรูปแบบทีเป็ นไปได้ทงหมดเท่
ั ากับ ni = n1 n2 . . . nk รู ป
i=1
แบบ
ตัวอย่ าง 1. นาย ก โยนเหรี ยญหนึงเหรี ยญสองครั งจงหาจํานวนรู ปแบบของผลลัพธ์ ทังหมดทีเป็ นไปได้
วิธีทาํ จํานวนรู ปแบบของผลลัพธ์ทงหมดที
ั เป็ นไปได้เท่ากับ n1 n2 = 2 × 2 = 4 รู ปแบบทีเป็ นไปได้อาจแสดง
ได้ดงั ต่อไปนี
HH HT TH TT
โดยที H คือการโยนเหรี ยญได้หวั และ T คือการโยนเหรี ยญได้หวั
ตัวอย่ าง 2. นาย ก โยนเหรี ยญหนึงเหรี ยญสามครั งจงหาจํานวนรู ปแบบของผลลัพธ์ ทังหมดทีเป็ นไปได้
วิธีทาํ จํานวนรู ปแบบของผลลัพธ์ทงหมดที
ั เป็ นไปได้เท่ากับ n1 n2 n3 = 2 × 2 × 2 = 8 รู ปแบบทีเป็ นไปได้
อาจแสดงได้ดงั ต่อไปนี
HHH HHT HT H HT T T HH T HT TTH TTT
โดยที H คือการโยนเหรี ยญได้หวั และ T คือการโยนเหรี ยญได้หวั
2.1.2 การเรียงสั บเปลียน (Permutation)

พิจารณาสิ งของ r ชินและตําแหน่ง สําหรับ วางของ n ตําแหน่ง โดยที n ≥ r กําหนดให้ ขนตอนการดํ
ั าเนิน งานคือ
การวางสิ งของที ละชินโดยเลือกตําแหน่ง การวางสิ งของดัง นันเราอาจแบ่ง ขันตอนการปฏิบตั ิ การออกเป็ น r ขัน
ตอน ขันตอนแรกคือ การเลือกตําแหน่ง n ตําแหน่ง ขันตอนสองคือ การเลือกตําแหน่ง n − 1 ตําแหน่ง ที เหลือ ขัน
ต่อ ๆ ไป ตําแหน่งลดลงทีละตําแหน่ง จนกระทังถึงชินที r มีตาํ แหน่งทีเหลือเพียง n−(r−1) ตําแหน่ง ดังนันขันตอน
n(n − 1) . . . 1 n!
การดําเนินการมีรูปแบบทีเป็ นไปได้ทงหมดเท่
ั ากับ n(n−1) . . . (n−(r−1) = = รู ป
(n − r) . . . 1 (n − r)!
แบบ
7
8 บทที 2. วิธีนับและความน่ าจะเป็ น
ในกรณี พิเศษเมือตําแหน่งสําหรับ วางของ n = r ตําแหน่ง ดัง นันขันตอนการดําเนิน การมี รูป แบบที เป็ น ไปได้
n! r!
ทังหมดเท่ากับ = = r! รู ปแบบ
(n − r)! (r − r)!
2.1.3 การจัดหมู่ (Combination)

พิจารณาสิ งของ r ชินและตําแหน่งสําหรับวางของ n ตําแหน่งโดยที n ≥ r กําหนดให้ขนตอนการดํ
ั าเนินงานคือการ
วางสิ งของทีละชินโดยเลือกตําแหน่งการวางสิ งของเช่นเดียวกับการเรี ยงสับเปลียน แต่ไม่คาํ นึงถึงลําดับการวางดังนัน
จากหลักการคูณการจัดหมู่มีรูปแบบทีเป็ นไปได้ทงหมด
ั C สอดคล้องกับสมการ
n!
C × r! =
(n − r)!
นันคือ
n!
C=
r!(n − r)!
ตัวอย่ าง 3. พิจารณาเซต S = {1, 2, . . . , } จงหา

1. จํานวนของเซตย่ อยทังหมด
2. จํานวนของเซตย่ อยทีมี r สมาชิ ก
∑
n
n!
3. จงแสดงว่ า 2n =
r=0
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)!
3. จํานวนของเซตย่อยทังหมดเท่ากับผลรวมของจํานวนของเซตย่อยทีมีสมาชิกเท่ากับ 1 ถึง r ตัว นันคือ

∑
n
n!
2n =
r=0
r!(n − r)!
ตัวอย่ าง 4. นาย ก ต้ องการเขียนเลขจํานวน ซึ งแต่ ละจํานวนประกอบด้ วยตัวเลข 10 ตัว จาก 1, 1, 2, 2, 3, 4, 5, 5, 6, 9 จะ

ได้ จาํ นวนตัวเลขทีมีค่าต่ างกันกีจํานวน
10!
วิธีทาํ จํานวนตัวเลขทีมีค่าต่างกันเท่ากับ จํานวน
2!2!2!
ตัวอย่ าง 5. นาย ก โยนเหรี ยญ 5 ครั งจงหาจํานวนผลลัพธ์ ทีได้ หัว 2 ครั ง

วิธีทาํ ตัวอย่างของผลลัพธ์ทีจะได้หวั 2 ครังจาก 5 ครังคือ
{HHT T T }
จํานวนรู ปแบบของการเรี ยงสับเปลียนเท่ากับ 5! รู ปแบบแต่เราไม่คาํ นึงถึงการเรี ยงสับเปลียนการออกหัวและการเรี ยง

5!
สับเปลียนก้อยดังนันจากหลักการคูณจะได้จาํ นวนผลลัพธ์เท่ากับ รู ปแบบ
2!3!
2.2. พืนฐานของความน่ าจะเป็ น (FUNDAMENTALS OF PROBABILITY) 9
2.2 พืนฐานของความน่ าจะเป็ น (Fundamentals of Probability)

นิยาม 12 (ผลลัพธ์ (Outcome)). ผลลัพธ์ (Outcome) ของการทดลอง คือ ข้ อสังเกตเป็ นไปได้ จากการทดลอง
นิยาม 13 (เหตุการณ์ (Event)). เหตุการณ์ (Event) คือ เซตของผลลัพธ์ ของการทดลอง
นิยาม 14 (ปริ ภูมิตวั อย่าง (Sample Space)). ปริ ภูมิ ตัวอย่ าง (Sample Space) คือ เซตของผลลัพธ์ ทังหมดที ไม่ เกิด ขึน
พร้ อมกันและประกอบกันเป็ นปริ ภูมิตัวอย่ าง
นิยาม 15 (ความน่าจะเป็ น (Probability)). ให้ A เป็ นเหตุการณ์ ในปริ ภูมิตัวอย่ าง (Sample Space) S ดังนันความน่ าจะ
เป็ น P (·) มีสมบัติดังต่ อไปนี
1. P (A) ≥ 0
2. P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) เมือ A1 และ A2 เป็ นเหตุการณ์ ซึงไม่ เกิดพร้ อมกัน1
3. P (S) = 1
ตัวอย่ าง 6. นาย ก ทอดลูกเต๋ าสองลูกทีมีความเทียงตรงหนึงครั งจงหาความน่ าจะเป็ นทีเลขทีออกรวมกันเป็ น 3

วิธีทาํ ให้ E เป็ นเหตุการณ์ทีนาย ก ทอดลูกเต๋ าสองลูกได้เลขทีออกรวมกัน 3
ให้ S เป็ นปริ ภูมิตวั อย่าง
ดังนัน
n(E) 2 1
P (E) = = =
n(S) 6×6 18
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)
เนืองจาก A ∪ B = A ∪ (B − A) และ A ∩ (B − A) = ∅ ดังนัน
P (A ∪ B) = P (A) + P (B − A)
นอกจากนี B = (A ∩ B) ∪ (B − A) และ (A ∩ B) ∩ (B − A) = ∅ ดังนัน

P (B) = P (A ∩ B) + P (B − A)
แทนค่าสมการ P (B − A) = P (B) − P (A ∩ B) ลงในสมการ P (A ∪ B) = P (A) + P (B − A) จะได้

P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
ตัวอย่ าง 7. ให้ P (A ∪ B) = 0.75, P (A) = 0.25 และ P (B) = 0.5 จงหาP (A ∩ B)

1 นันคือ A ∩ A = ∅
1 2
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
ตัวอย่ าง 8. เป็ นไปได้ หรื อไม่ ที P (A) + P (B) < P (A ∪ B)?

วิธีทาํ เป็ นไปไม่ได้เนืองจาก
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) และ P (A ∩ B) ≥ 0
ตัวอย่ าง 9. นาย ก กําลังตัดสิ นใจทีจะลงทะเบียนเรี ยนในภาคการศึกษานี นาย ก จะต้ องลงทะเบียนเรี ยนภาษาอังกฤษ

1
หรื อภาษาฝรั งเศสอย่ างน้ อยหนึงภาษา ความน่ าจะเป็ นทีนาย ก จะลงทะเบียนเรี ยนภาษาอังกฤษเท่ ากับ และ ความ
2
3
น่ าจะเป็ นทีนาย ก จะลงทะเบียนเรี ยนภาษาฝรั งเศสเท่ ากับ จงคํานวณหาความน่ าจะเป็ นทีนาย ก จะลงทะเบียนเรี ยน
4
ภาษาอังกฤษและภาษาฝรั งเศสพร้ อมกัน
วิธีทาํ ให้เหตุการณ์ E คือ เหตุการณ์ทีนาย ก จะลงทะเบียนเรี ยนภาษาอังกฤษและเหตุการณ์ F คือ เหตุการณ์ทีนาย ก จะ
ลงทะเบียนเรี ยนภาษาฝรังเศส ดังนัน
1 3
P (E) = และ P (F ) =
2 4
และเนืองจากนาย จะต้องลงทะเบียนเรี ยนภาษาอังกฤษหรื อภาษาฝรังเศสอย่างน้อยหนึงภาษา ดังนัน

P (E ∪ F ) = 1
นอกจากนีจากสมการ 2.1 จะได้

P (E ∪ F ) = P (E) + P (F ) − P (E ∩ F )
แทน P (E ∪ F ) = 1, P (E) = 12 และ P (F ) = 34 จะได้วา่

1 3 1 3 1
1= + − P (E ∩ F ) หรื อ P (E ∩ F ) = + −1=
2 4 2 4 4
1
นันคือ ความน่าจะเป็ นทีนาย ก จะลงทะเบียนเรี ยนภาษาอังกฤษและภาษาฝรังเศสพร้อมกันเท่ากับ
4
นิยาม 16 (ความน่าจะเป็ นซึงมีเงือนไข (Conditional Probability)). ให้ A และ B เป็ นเหตุการณ์ ดังนัน
P (A ∩ B)
P (A | B) = , P (B) ̸= 0
P (B)
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)
พิสูจน์ จากนิยาม 16 เราจะได้วา่

P (A ∩ B) = 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
ตัวอย่ าง 10. P (A) = 0.5, P (B|A) = P (B) = 0.4 จงหา P (A|B)
P (A)P (B|A) = P (B)P (A|B)
ดังนัน
0.5 × 0.4 = 0.4 × P (A|B)
นันคือ P (A|B) = 0.5

ทฤษฏีบท 18 (กฎของความน่าจะเป็ นทังหมด (Law of Total Probability)). ให้ A และ B เป็ นเหตุการณ์ และให้ B =
∪
n
Bi = S โดยที Bi ∩ Bj ̸= ∅, i ̸= j และ P (Bi ) ̸= 0 ดังนัน
i=1
∑
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 11. มีกล่ อง 2 ใบ กล่ องใบแรกมีลกู แก้ วสี ขาว 2 ลูกและสีนาเงิ

ํ น 8 ลูก กล่ องใบที สองมีลกู แก้ วสี ขาว 10 ลูก
และลูกแก้ วสี นาเงิ
ํ น 10 ลูก โยนเหรี ยญหนึงเหรี ยญหนึงครั ง ถ้ าได้ หัวจะเลือกลูกแก้ วอย่ างสุ่มจากกล่ องใบแรก แต่ ถ้า
ได้ ก้อยจะเลือกลูกแก้ วอย่ างสุ่มจากกล่ องใบทีสอง จงคํานวณหาความน่ าจะเป็ นทีจะได้ ลกู แก้ วสีขาว
วิธีทาํ ให้
Ai แทนเหตุการณ์ทีจะเลือกได้กล่องใบที i, i = 1, 2
W แทนเหตุการณ์ทีจะเลือกได้ลูกแก้วสี ขาว
ความน่าจะเป็ นทีต้องการหาคือ
( ) ( )
1 2 1 10 2+5 7
P (W ) = P (A1 )P (W |A1 ) + P (A2 )P (W |A2 ) = + = =
2 10 2 20 20 20
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
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
2.3 ความเป็ นอิสระต่ อกันของสองเหตุการณ์

เราอาจนิยามความเป็ น อิสระของเหตุการณ์สองเหตุการณ์ที เป็ น อิสระต่อกันได้จากสมการ P (A|B) = P (A) จาก
นิยามของความน่าจะเป็ นซึงมีเงือนไขตามสมการ
P (A ∩ B) P (A ∩ B)
P (A|B) = และ P (B|A) =
P (B) P (A)
นันคือ P (A ∩ B) = P (A)P (B)

นิยาม 17. เหตุการณ์ A และ B เป็ นเป็ นอิสระต่ อกัน ก็ต่อเมือ P (A ∩ B) = P (A)P (B)
จากนิยาม 17 เราสามารถแสดงได้วา่
บทตัง 2. ถ้ าเหตุการณ์ A และ B เป็ นเป็ นอิสระต่ อกัน ดังนัน P (A | B) = P (A)
นอกจากนี
ทฤษฏีบท 19. ถ้ าเหตุการณ์ A และ B เป็ นเป็ นอิสระต่ อกัน ดังนัน เหตุการณ์ A และ B C เป็ นเป็ นอิสระต่ อกัน
พิสูจน์ เนืองจากเหตุการณ์ A และ B เป็ นเป็ นอิสระต่อกัน นันคือ
P (A ∩ B) = P (A)P (B)
2.3. ความเป็ นอิสระต่ อกันของสองเหตุการณ์ 13
ดังนัน
P (A) − P (A ∩ B) = P (A) − P (A)P (B)
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)
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
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
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
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
วิธีทาํ ให้ Ai เป็ นเหตุการณ์ทีได้ผชู ้ นะในการโยนเหรี ยญครังที i ดังนัน

P (A) = P (A1 ) + P (A2 ) + . . .
1 111
= + + ... (2.2)
2 222
โดยที A คือเหตุการณ์ทีนาย ก ชนะ

จากสมการ ก.1 จะได้ 1
2 2
P (A) = =
1− 1
4
3
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 )
นอกจากนีเนืองจาก P (A) = P (A ∩ B) + P (A ∩ B C ) ดังนัน

P (A) − P (A ∩ B) = P (A ∩ B C ) = 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
เนืองจาก Pi = (p + q)Pi ดังนัน

q
Pi+1 − Pi = (Pi − Pi−1 )
p
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
∑
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
2.4 การทดลองทีเป็ นอิสระต่ อกัน (Independent Trials)

โดยปกติ การเกิดขึนของเหตุการณ์ต่าง ๆ นันมี ผลกระทบต่อกันไม่ มากก็นอ้ ย การรวมผลกระทบทุก อย่างไว้ในแบบ
จําลองนันทําให้การคํานวณนันยุง่ ยากซับ ซ้อนหรื อ อาจถึง ขันเป็ น ไปไม่ ได้เลยในการคํานวณดัง นันในตอนนีเราจะ
ตังสมมติฐานว่าการเกิดขึนของเหตุการณ์ทีเกิดขึนในการทดลองแต่ละครังนันเป็ นอิสระต่อกันเพือลดความยุง่ ยากซับ
ซ้อนทีเกิดขึน
ตัวอย่ าง 19. พิจารณาการทดลองทีเป็ นอิสระต่ อกัน (Independent Trials) n ครั ง ความน่ าจะเป็ นทีจะเกิดเหตุการณ์ ทีกําหนดใน
การทดลองแต่ ละครั งเท่ ากับ p จงหาความน่ าจะเป็ นทีจะเกิดเหตุการณ์ ทีกําหนด x ครั ง
วิธีทาํ ตัวอย่างการเกิดเหตุการณ์ทีกําหนด x ครังเช่น
×...×+...+
| {z } | {z }
x ครัง n − x ครัง
| {z }
n ครัง
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
วิธีทาํ ตัวอย่างการเกิดเหตุการณ์ A1 , A2 , . . . , Ak เป็ นจํานวน x1 , x2 , . . . , xk ครัง

ตามลําดับเช่น
. . 1} 2| .{z
|1 .{z . . 2} . . . k
| .{z
. . k}
x1 ครัง x2 ครัง xk ครัง
| {z }
n ครัง
โดยที
i แสดงการทดลองทีเกิดเหตุการณ์Ai , i = 1, . . . , k
ความน่าจะเป็ นทีจะเกิดรู ปแบบนีเท่ากับ px1 . . . pxk 7
1 k
เราสามารถเรี ยงสับเปลียนการทดลอง n ครังได้ n! รู ปแบบแต่เราไม่คาํ นึงถึงการเรี ยงสับเปลียนของการทดลองทีเกิดเหตุการณ์ซากั

ํ น ดัง
n!
นันจากหลักการคูณ (Multiplication Principle) เราจะได้ รู ปแบบ
x1 !x2 ! . . . xk !
ดังนันความน่าจะเป็ นทีจะเกิดเหตุการณ์ทีกําหนด x ครังเท่ากับ
n!
px1 . . . pxkk
x1 !x2 ! . . . xk ! 1
7 เราสามารถแสดงได้วา่ p + p + . . . p = 1 และ x + x + . . . x = n
1 2 k 1 2 k
2.5. ความเชื อถือได้ (RELIABILITY) 17
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
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
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)!
2.5 ความเชื อถือได้ (Reliability)

การทดลองทีเป็ นอิสระต่อกันอาจนํามาใช้ในปัญหาเกียวกับความเชือถือได้ (Reliability) ตัวอย่างเช่นการทีชินงานหรื อ
อุปกรณ์ (Device)ชิ้นหนึงจะใช้งานได้หรื อไม่ขึนกับองค์ประกอบหรื อมอดูล (Module) ภายในว่ามีโอกาสเสี ยมากน้อย
แค่ไหน เพือลดความยุง่ ยากในการคํานวณ หรื อมอดูลภายในชินงานหรื ออุปกรณ์ (Device) นันเป็ นอิสระต่อกัน
ตัวอย่ าง 23. วงจรไฟฟ้าประกอบด้ วยแหล่ ง กําเนิด ไฟฟ้า, ตัว ต้ านทานและหลอดไฟฟ้า ต่ อ อนุกรมกัน สมมติ ว่า ความ
น่ าจะเป็ นทีชิ นส่ วนแต่ ละชิ นจะเสียเป็ นอิสระต่ อกันและ ความน่ าจะเป็ นทีชิ นส่ วนแต่ ละชิ นจะเสียเท่ ากับ p จงหาความ
น่ าจะเป็ นทีวงจรไฟฟ้านีจะใช้ งานได้
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
A′2 คือเหตุการณ์ทีชินส่ วนหลักของมอดูลที 2 ใช้งานได้
A′′2 คือเหตุการณ์ทีชินส่ วนสํารองของมอดูลที 2 ใช้งานได้
A คือเหตุการณ์ทีอุปกรณ์ใช้งานได้
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 )

1. จงพิสูจน์วา่ P (A ∩ B) ≤ P (A)
∑
n
∪n
2. จงแสดงว่า P (A | C) = P (A | Bi ∩ C)P (Bi | C) โดยที i=1 Bi = S, Bi ∩ Bj , i ̸=
i=1
j และ P (Bi ∩ C) ̸= 0
3. จงแสดงว่า P (A ∪ B) ≤ P (A) + P (B)
4. ให้ P (A | B) = 0.5, P (B) = 0.4, P (B | A) = 0.6 จงหา P (A)
8 นอกจากนี สมมติวา่ ความน่าจะเป็ นทีชินส่ วนแต่ละชินส่ วนจะเสี ยเป็ นอิสระต่อกัน

บทที 3
ตัวแปรสุ่ มไม่ ต่อเนือง (Discrete Random
Variable)
นิยาม 18 (ตัวแปรสุ่ มไม่ต่อเนือง (DiscreteRandom Variable)). ตัวแปรสุ่มไม่ ต่อเนือง (Discrete Random Variable) คือ
ฟั งก์ ชันซึ งโยงผลลัพธ์ ในปริ ภูมิตัวอย่ างไปยังจํานวนไม่ ต่อเนือง
3.1 หนึงตัวแปรสุ่ มไม่ ต่อเนือง

3.1.1 ฟังก์ชันการกระจายสะสม และความน่ าจะเป็ นสํ าหรับหนึงตัวแปรสุ่ มไม่ ต่อเนือง
นิยาม 19. ให้ X เป็ น ตัวแปรสุ่ม ไม่ ต่อ เนือง (Discrete Random Variable) และ PX (.) เป็ นฟั งก์ ชันที สอดคล้ องกับ
สมการ
PX (x) = P (X = x)
เราเรี ยกฟั งก์ ชัน PX (.) นี ว่ า ฟั งก์ ชัน มวลของความน่ า จะเป็ น (Probability Mass Function) ของตัวแปรสุ่ม ไม่ ต่ อ
เนือง X
นิยาม 20. ให้ X เป็ นตัวแปรสุ่ม (Random Variable) และ FX (.) เป็ นฟั งก์ ชันทีสอดคล้ องกับสมการ
FX (x) = P (X ≤ x)
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
เนืองจาก X มีค่าเป็ นอะไรก็ได้ใน SX

19
20 บทที 3. ตัวแปรสุ่มไม่ ต่อเนือง (DISCRETE RANDOM VARIABLE)
2. FX (−∞) = P (X ≤ −∞) ดังนัน
FX (∞) = P (X ≤ −∞) = 0
เนืองจาก X ไม่มีค่าเป็ นอะไรใน SX ได้เลย

3. พิจารณา x2 > x1 เนืองจาก
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 )
นันคือ FX (.) ไม่ใช่ฟังก์ชนั ลด (Decreasing Function)
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

1 ในบทต่อ ๆ ไปเราจะเรี ยกตัวแปรสุ่ มนี ว่าตัวแปรสุ่ มแบบเรขาคณิ ต
3.2. ตัวแปรสุ่มไม่ ต่อเนืองสองตัวหรื อหลายตัว 21
ความน่ าจะเป็ นซึงมีเงือนไขสํ าหรับตัวแปรสุ่ มไม่ ต่อเนือง

พิจารณานิยาม 16 ดังสมการ
P (A ∩ B)
P (A | B) = , P (B) ̸= 0
P (B)
หากเราให้ A ในสมการข้างต้นคือ, {X = x} จะได้
P (A ∩ B)
P (A | B) = P (X = x | B) = , P (B) ̸= 0
P (B)
นันคือ
นิยาม 22. 
 PX (x) , x ∈ B
PX|B (x) = P (B)

0, x ∈
/B
โดยที P (B) ̸= 0
3.2 ตัวแปรสุ่ มไม่ ต่อเนืองสองตัวหรื อหลายตัว

3.2.1 ฟังก์ชันการกระจายสะสมร่ วมและความน่ าจะเป็ นสํ าหรับตัวแปรสุ่ ม
ไม่ ต่อเนืองสองตัว
นิยาม 23. ให้ X และ Y เป็ น ตัวแปรสุ่ม ไม่ ต่ อ เนือง (Discrete Random Variable) และ PX,Y (.) เป็ นฟั งก์ ชันที
สอดคล้ องกับสมการ
PX,Y (x, y) = P (X = x, Y = y)
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
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, ∞)
2. FY (y) = FX,Y (∞, y)
3. FX,Y (x, −∞) = 0
4. FX,Y (−∞, y) = 0
5. ถ้ า x1 < x2 และ y1 < y2 ดังนัน FX,Y (x1 , y1 ) ≤ FX,Y (x2 , y2 )
1. เราสามารถพิสูจน์วา่ FX (x) = FX (x, ∞) ได้ดงั นี

FX,Y (x, ∞) = P (X ≤ x, Y ≤ ∞) = P (X ≤ x) = FX (x)
2. เราสามารถพิสูจน์วา่ FY (y) = FX (∞, y) ได้ดงั นี

FX,Y (∞, y) = P (X ≤ ∞, Y ≤ y) = P (Y ≤ y) = FY (y)
3. เราสามารถพิสูจน์วา่ FX,Y (x, −∞) = 0 ได้ดงั นี

FX,Y (x, −∞) = P (X ≤ x, Y ≤ −∞) = P (ϕ) = 0
4. เราสามารถพิสูจน์วา่ FX,Y (−∞, y) = 0 ได้ดงั นี

FX,Y (−∞, y) = P (X ≤ −∞, Y ≤ y) = P (ϕ) = 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 )
เนืองจาก P (x1 < X ≤ x2 , Y ≤ y1 ) ≥ 0, P (X ≤ x1 , y1 < Y ≤ y2 ) ≥ 0 และ P (x1 < X ≤

x2 , y1 < Y ≤ y2 ) ≥ 0
ดังนัน
FX,Y (x2 , y2 ) ≥ FX,Y (x1 , y1 )
ความน่ าจะเป็ นซึงมีเงือนไขสํ าหรับตัวแปรสุ่ มไม่ ต่อเนือง

P (A ∩ B)
P (A | B) = , P (B) ̸= 0
P (B)
หากเราให้ A และB ในสมการข้างต้นคือ, {X = x} และ {Y = y} ตามลําดับ จะได้
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)
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
ตาราง 3.1 ตารางแสดงค่า PX,Y (x, y)

XY 1 2 3 4 5
1 0.05 0.03 0.06 0.02 0.04
2 0.06 0.02 0.07 0.01 0.04
3 0.04 0.05 0.03 0.02 0.06
4 0.04 0.01 0.07 0.04 0.04
5 0.04 0.06 0.02 0.04 0.04
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
2. ความน่ าจะเป็ นที Y > 1

3. ความน่ าจะเป็ นที X < 2Y
4. ค่ าคาดหวัง E[XY ]
5. P (Z < 2) เมือกําหนดให้ Z = min{X, Y }
1. เราสามารถหา c ได้จาก
∑
5 ∑
3 ∑
5 ∑
3
PXY (x, y) = c = 10c = 1
x=2 y=x−2 x=2 y=x−2
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
3. เราสามารถหาความน่าจะเป็ นที X < 2Y ได้จาก

P (X < 2Y ) = PXY (2, 2) + PXY (2, 3) + PXY (3, 2) + PXY (3, 3)
+ PXY (4, 3) + PXY (5, 3)
= 6 × 0.1
= 0.6
4. ค่าคาดหวัง E[XY ] ได้จาก

∑∑ ∑
5 ∑
3
E[XY ] = xyPXY (x, y) = xyPXY (x, y) = 6.5
X Y x=2 y=x−2
5. เราสามารถหาความน่าจะเป็ นที Z = min{X, Y } ≤ 2 ได้จาก

P (Z ≤ 2) = P (X ≤ 2 หรื อ Y ≤ 2)
= PXY (2, 0) + PXY (2, 1) + PXY (2, 2) + PXY (2, 3) + PXY (3, 1)
+ PXY (3, 2) + PXY (4, 2)
= 7 × 0.1
= 0.7
3.2.2 ความเป็ นอิสระต่ อกันของตัวแปรสุ่ มไม่ ต่อเนือง

นิยาม 26. ให้ X, Y เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน X, Y เป็ นอิสระต่ อกันก็ต่อเมือ
PX,Y (x, y) = PX (x)PY (y)
เราอาจขยายความนิยาม 26 ได้ดงั นิยาม

นิยาม 27. ให้ X1 , . . . , Xn เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน X1 , . . . , Xn
เป็ นอิสระต่ อกันก็ต่อเมือ
PX1 ,...,Xn (x1 , . . . , xn ) = PX1 (x1 ), . . . , PXn (xn )
3.3. ค่ าเฉลีย (AVERAGE), ความแปรปรวน (VARIANCE) และความแปรปรวนร่ วมเกียว (COVARIANCE) 25
3.3 ค่ าเฉลีย (Average), ความแปรปรวน (Variance) และความแปรปรวนร่ วม

เกียว (Covariance)
3.3.1 ค่ าเฉลีย (Average) สํ าหรับตัวแปรสุ่ มไม่ ต่อเนือง
มัธยฐาน (Median) สํ าหรับตัวแปรสุ่ มไม่ ต่อเนือง
นิยาม 28 (มัธยฐาน (Median) สําหรับตัวแปรสุ่ มไม่ต่อเนือง). xmed เป็ นมัธยฐานของตัวแปรสุ่ มก็ต่อเมือ
P (X < xmed ) = P (X > xmed )
ฐานนิยม (Mode) สํ าหรับตัวแปรสุ่ มไม่ ต่อเนือง

นิยาม 29 (ฐานนิยม (Mode) สําหรับตัวแปรสุ่ มไม่ต่อเนือง). xmode เป็ นฐานนิ ยมของตัวแปรสุ่มก็ต่อเมือ
P (xmode ) ≥ PX (x) สําหรั บทุก x
ค่ าคาดหวัง (Expected Value) สํ าหรับตัวแปรสุ่ มไม่ ต่อเนือง

นิยาม 30 (ค่าคาดหวัง (Expected Value) สําหรับตัวแปรสุ่ มไม่ต่อเนือง). ให้ X เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน เรา
เรี ยก ∑
E[X] = µX = xPX (x)
X
ว่ าค่ าคาดหวัง (Expected Value) ของ X

∑
ถ้าเราให้ Y = g(X) ดังนัน PY (y) = PX (x) เราจะได้วา่
y=g(X)
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
ว่ าค่ าคาดหวัง (Expected Value) ของ g(X)

ทฤษฏีบท 22. ให้ X เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน
1. E[c] = c เมือ c เป็ นค่ าคงตัว
2. E[aX] = aE[X] เมือ a เป็ นค่ าคงตัว

พิสูจน์ เนืองจาก X เป็ นตัวแปรสุ่ มไม่ต่อเนือง ดังนัน

1. เมือ c เป็ นค่าคงตัว
∑
E[c] = cPX (x)
X
∑
=c PX (x)
X
=c
2. เมือ a เป็ นค่าคงตัว

∑
E[aX] = axPX (x)
X
∑
=a xPX (x)
X
= aE[X]
ทฤษฏีบท 23. ให้ X เป็ นตัวแปรสุ่มไม่ ต่อเนืองและ a, b เป็ นค่ าคงตัวดังนัน

E[aX + b] = aE[X] + b
พิสูจน์ ให้ Y = aX + b เป็ นตัวแปรสุ่ มไม่ต่อเนื องดังนัน

∑
E[Y ] = E[aX + b] = yPY (y)
Y
นอกจากนีเนืองจาก y = ax + b ดังนัน
PY (y) = PX (x)
∑
E[Y ] = E[aX + b] = (ax + b)PX (x)
X
∑ ∑
=a xPX (x) + bPX (x)
X X
= aE[X] + b
ตัวอย่ าง 30 (ข้อสอบเก่าภาคต้น ปี การศึกษา 2554). นักเรี ยนคนหนึงสมัครเล่ น เกมโยนลูก บาสเกตบอลลงห่ วง โดย

หากเขาโยนลงทังหมด 3 ลูก (ไม่ จาํ เป็ นต้ องติดกัน เขาจะได้ รับรางวัลเป็ นเงินจํานวน 200 บาท อย่ างไรก็ตาม ในการ
โยนแต่ ละครั งนัน เขาต้ องเสียเงินครั งละ 40 บาท และเขาสามารถโยนได้ เรื อย ๆ จนกว่ าจะลงทังหมด 3 ลูก ถ้ าการโยน
แต่ ละครั งเป็ นอิสระต่ อกัน และมีโอกาสลงด้ วยความน่ าจะเป็ น 0.4 เท่ ากัน จงหา
1. ความน่ าจะเป็ นทีเมือเขาโยนลูกทีสามลงได้ แล้ ว เขาจะเสียเงินมากกว่ ารางวัลทีได้
2. โดยเฉลียแล้ ว เขาจะได้ เงินหรื อเสียเงิน
1. การทีจะเสี ยเงินมากกว่ารางวัลทีได้นนมี
ั โอกาสเป็ นไปได้คือโยนลง 3 ครัง ใน 6 ครังขึนไปนันคือ
4!
P = 1 − {(0.4)3 + 3 × 0.6 × 0.42 × 0.4 + × 0.62 × 0.42 × 0.4}
2!2!
2. เราสามารถตัดสิ นว่าโดยเฉลียแล้ว เขาจะได้เงินหรื อเสี ยเงินได้จากค่าคาดหวังของจํานวนเงินทีได้

k 3 30
E[200 − 40x] = 200 − 40 = 200 − 40 = 200 − 40 = −100 บาท
p 0.4 4
นันคือโดยเฉลียแล้ว เขาจะเสี ยเงิน

ตัวอย่ าง 31 (ข้อสอบเก่าภาคต้น ปี การศึกษา 2554). รถประจําทางความจุ 40 ทีนังวิงออกจากอู่โดยไม่ มีผ้ ูโดยสาร พอ
มาถึงป้ายแรกพบว่ ามีคนต้ องการขึนรถคันนีคนทังหมด X คนโดย X มีฟังก์ ชันมวลของความน่ าจะเป็ น (Probability
Mass Function: PMF) ดังนี
{
0.01, x = 0, 1, . . . , 99
PX (x) =
0, อืน ๆ
จงหา
1. ความน่ าจะเป็ นทีจะมีคนไม่ ได้ ขึนรถ
2. ฟั งก์ ชันมวลของความน่ าจะเป็ นของYซึ งเป็ นตัวแปรสุ่มทีใช้ แทนจํานวนคนทีไม่ สามารถขึนรถประจําทางคัน
นีได้
3. ค่ าคาดหวังของจํานวนผู้โดยสารในรถคันนี เมือแล่ นออกจากป้ายแห่ งนี
∑
99
1. ความน่าจะเป็ นทีจะมีคนไม่ได้ขึนรถเท่ากับความน่าจะเป็ นทีมีคนต้องการขึนรถมากกว่า 40 คนหรื อ PX (x) =
x=41
∑
99
0.01 = 0.59
x=41
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
3. ค่าคาดหวังของจํานวนผูโ้ ดยสารในรถคันนี เมือแล่นออกจากป้ายแห่งนีเท่ากับ

∑
40 ∑
40
40 + 1
xPx = 0.01x = 0.01 × × 20 = 4.1 คน
x=0 x=0
2
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
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
เมือ |r| < 1

( )
1. ความน่าจะเป็ นเท่ากับ 1 − 12 × 12 = 1
4
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
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 )]
∑ ∑
E[g(X1 , X2 , . . . , Xn )] = ... g(X1 , X2 , . . . , Xn )PX1 ...Xn (x1 , x2 , . . . , xn )
X1 Xn
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 )]
นิยาม 32 (ค่าคาดหวังซึงมีเงือนไขของตัวแปรสุ่ มไม่ต่อเนือง). ค่ า คาดหวังซึ งมีเงือนไขเป็ น B ของตัวแปรสุ่ม ไม่ ต่อ

เนืองเป็ นไปตามสมการ ∑
E[X|B] = µX|B = xPX|B (x)
∪
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
นิยาม 33 (ค่าคาดหวัง (Expected Value)). ให้ X และ Y เป็ นตัวแปรสุ่มไม่ ต่อเนืองดังนันเราเรี ยก

∑∑
E[g(X, Y )] = g(x, y)PX,Y (x, y)
X Y
ว่ าค่ าคาดหวัง (Expected Value) ของ g(X, Y )

∑
n
2 พิสูจน์จากกฎของความน่าจะเป็ นทังหมด P (A) = PA|Bi P (Bi )
i=1
3.3.2 ความแปรปรวน (Variance) สํ าหรับตัวแปรสุ่ มไม่ ต่อเนือง

นิยาม 34 (ความแปรปรวน (Variance)). ให้ X เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนันเราเรี ยก
∑
V ar[X] = E[(X − µX )2 ] = (X − µX )2 PX (x)
X
ว่ าความแปรปรวน (Variance) ของ X

นิยาม 35 (ส่ วนเบียงเบนมาตรฐาน (Standard Deviation)). ให้ X เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน เราเรี ยก
√
σX = V ar(X)
ว่ าส่ วนเบียงเบนมาตรฐาน (Standard Deviation) ของ X

ทฤษฏีบท 27. ให้ X เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน
V ar[X] = E[X 2 ] − µ2X
V ar[X] = E[X 2 − 2µX X + µ2X ]
= E[X 2 ] − 2µX E[X] + E[µ2X ]
= E[X 2 ] − µ2X
นิยาม 36 (ความแปรปรวนซึงมีเงือนไขของตัวแปรสุ่ มไม่ต่อเนือง). ความแปรปรวนซึ งมีเงือนไขเป็ น B ของตัวแปร

สุ่มไม่ ต่อเนืองเป็ นไปตามสมการ
∑
V ar[X|B] = (x − µX )2 PX|B (x)
3.3.3 ความแปรปรวนร่ วมเกียว (Covariance) สํ าหรับตัวแปรสุ่ มไม่ ต่อเนือง

นิยาม 37 (ความแปรปรวนร่ วมเกียว (Covariance)). ให้ X และ Y เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนันเราเรี ยก
∑∑
Cov[X, Y ] = E[(X − µX )(Y − µY )] = (X − µX )(Y − µY )PX,Y (x, y)
X Y
ว่ าความแปรปรวนร่ วมเกียว (Covariance) ของ X และ Y

ทฤษฏีบท 28. ให้ X และ Y เป็ นตัวแปรสุ่มไม่ ต่อเนือง ดังนัน
Cov[X, Y ] = E[XY ] − µX µY
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 ]
ว่ าสัมประสิ ทธิ สหสัมพันธ์ (Correlation Coefficient)


|ρX,Y | ≤ 1
พิสูจน์ ให้ W = X − aY ดังนัน

V ar[W ] = E[W 2 ] − (E[W ])2 = E[(X − aY )2 ] − (E[X − aY ])2
= E[X 2 − 2aXY + a2 Y 2 ]
− (E[X]2 − 2aE[X]E[Y ] + a2 E[Y ]2 )
= (E[X 2 − E[X]2 ) − 2a(E[XY ] − E[X]E[Y ])
+ a2 ((E[Y 2 ] − E[Y ]2 ))
= V ar[X] − 2aCov[X, Y ] + a2 V ar[Y ]
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
∑∑
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
ตัวอย่ าง 33 (ข้อสอบเก่าIUP ปี การศึกษา 2560). ให้

{
c|xy|, x, y = −1, 0, 1
PXY (x, y) =
0, อืน ๆ
เติมคําตอบลงในช่ องว่ าง
1. c = . . . . . . . . .
2. E[X] = . . . . . . . . .
3. E[X | Y < 0] = . . . . . . . . .
4. V ar(X) = . . . . . . . . .
5. E[X | X > 0] = . . . . . . . . .
6. Cov(X, Y ) = . . . . . . . . .
7. V ar(X | X > 0) = . . . . . . . . .
8. PX|Y (x | 1) = . . . . . . . . .
9. FX,Y (x, y) = . . . . . . . . .
10. FX (x) = . . . . . . . . .
1
1. c=
4
c + c + c + c = 1,
ดังนัน
1
c=
4
2. E[X] = 0
( ) ( )
1 1 1 1
E[X] = −1 + +1 +
4 4 4 4
=0
3. E[X | Y < 0] = 0
E[X | Y < 0] = −1P (X = −1 | Y < 0) + 0P (X = 0 | Y < 0) + 1P (X = 1 | Y < 0)

1 1
0
= −1 1 4
1 +01 1 +11 4
1
4 + 4 4 + 4 4 + 4
=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
5. E[X | X > 0] = 1
E[X | X > 0] = −1P (X = −1 | X > 0) + 0P (X = 0 | X > 0) + 1P (X = 1 | X > 0)

= −1(0) + 0(0) + 1(1)
=1
6. Cov(X, Y ) = 0
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


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]
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

1. ให้ {
c|xy| + c|x − 1|, 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) = . . . . . . . . .
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) = . . . . . . . . .
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
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
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
4.2 ตัวแปรสุ่ มแบบแบร์ นูลลี (Bernoulli Random Variable)

นิยาม 41 (ตัวแปรสุ่ มแบบแบร์นูลลี (Bernoulli Random Variable)). ให้ X เป็ นตัวแปรสุ่ม
โดยที 

1 − p , x=0
PX (x) = p , x=1


0 , อืน ๆ
ดังนันเราเรี ยก X ว่ าตัวแปรสุ่มแบบแบร์ นูลลี (Bernoulli Random Variable)
37
38 บทที 4. ตัวอย่ างของตัวแปรสุ่มไม่ ต่อเนือง (DISCRETE RANDOM VARIABLE)
ตัวอย่ าง 36. จงยกตัวอย่ างการทดลองทีตัวแปรสุ่มเป็ นตัวแปรสุ่มแบบแบร์ นูลลี (Bernoulli Random Variable)

วิธีทาํ การทดลองที มี การโยนเหรี ยญที เทียงตรงหนึงเหรี ยญ ให้ X = 1 เมือเหรี ยญออกหัว และ X = 0 เมือ
เหรี ยญออกก้อยดังนัน 
1 , x = 0, 1
PX (x) = 2
ทฤษฏีบท 32. ให้ X เป็ นตัวแปรสุ่มแบบแบร์ นูลลี (Bernoulli Random Variable)
ดังนัน
E[X] = p
และ
V ar[X] = p(1 − p)
1. เนืองจาก ∑
E[X] = xPX (x)
X
ดังนัน
E[X] = 0(1 − p) + 1p = p
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)
4.3 ตัวแปรสุ่ มแบบทวินาม (Binomial Random Variable)

นิยาม 42 (ตัวแปรสุ่ มแบบทวินาม (Binomial Random Variable)). ให้ X เป็ นตัวแปรสุ่ม
โดยที

n!
 px (1 − p)n−x , x = 0, 1, . . . , n
PX (x) = x!(n − x)! (4.1)

0, อืน ๆ
ดังนันเราเรี ยก X ว่ าตัวแปรสุ่มแบบทวินาม (Binomial Random Variable)

ตัวอย่ าง 37. จงยกตัวอย่ างการทดลองทีตัวแปรสุ่มเป็ นตัวแปรสุ่มแบบทวินาม (Binomial Random Variable)
วิธีทาํ การทดลองทีมีการทอดลูกเต๋ าทีเทียงตรงหนึงลูก n ครัง ให้ตวั แปรสุ่ ม X เป็ นจํานวนครังทีออกเลข 11 ดัง
นัน  ( )x ( )n−x


n! 1 5
, x = 0, 1, . . . , n
PX (x) = x!(n − x)! 6 6

1 ในการทดลองนี มีสมมติฐานว่าการทอดลูกเต๋ าแต่ละครังเป็ นอิสระต่อกัน
4.4. ตัวแปรสุ่มแบบปาสคาล (PASCAL RANDOM VARIABLE) 39
ทฤษฏีบท 33. ให้ X เป็ นตัวแปรสุ่มแบบทวินาม (Binomial Random Variable)

โดยที

 n!
px (1 − p)n−x , x = 0, 1, . . . , n
PX (x) = x!(n − x)! (4.2)

0, อืน ๆ
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
4.4 ตัวแปรสุ่ มแบบปาสคาล (Pascal Random Variable)

นิยาม 43 (ตัวแปรสุ่ มแบบปาสคาล (Pascal Random Variable)). ให้ X เป็ นตัวแปรสุ่ม
โดยที

(x − 1)!
 pk (1 − p)x−k , x = k, k + 1, . . .
PX (x) = (k − 1)!(x − k)! (4.3)

0, อืน ๆ
ดังนันเราเรี ยก X ว่ าตัวแปรสุ่มแบบปาสคาล (Pascal Random Variable)

ตัวอย่ าง 39. จงยกตัวอย่ างการทดลองทีตัวแปรสุ่มเป็ นตัวแปรสุ่มแบบปาสคาล (Pascal Random Variable)
วิธีทาํ การทดลองทีมีการทอดลูกเต๋ าทีเทียงตรงหนึงลูก ให้ x ตัวแปรสุ่ ม X เป็ นจํานวนครังทีทอดลูกเต๋ าจนออก
เลข 1 k ครัง2 ดังนัน
 ( )k ( )x−k

(x − 1)!
 1 5
, x = k, k + 1, . . .
PX (x) = (k − 1)!(x − k)! 6 6

ทฤษฏีบท 34. ให้ X เป็ นตัวแปรสุ่มแบบปาสคาล (Pascal Random Variable)

ดังนัน
k
E[X] =
p
และ
(1 − p)
V ar[X] = k
p2
4.5 ตัวแปรสุ่ มแบบเรขาคณิต (Geometric Random Variable)

นิยาม 44 (ตัวแปรสุ่ มแบบเรขาคณิ ต (Geometric Random Variable)). ให้ X เป็ นตัวแปรสุ่ม
โดยที
{
p(1 − p)x−1 , x = 1, 2, . . .
PX (x) =
0 , x=0
ดังนันเราเรี ยก X ว่ าตัวแปรสุ่มแบบเรขาคณิ ต (Geometric Random Variable)

ตัวอย่ าง 40. จงยกตัวอย่ างการทดลองทีตัวแปรสุ่มเป็ นตัวแปรสุ่มแบบเรขาคณิ ต (Geometric Random Variable)
วิธีทาํ การทดลองทีมีการทอดลูกเต๋ าทีเทียงตรงหนึงลูกจนกระทังได้หมายเลข 2
ให้ตวั แปรสุ่ ม X เป็ นจํานวนครังทีทอดลูกเต๋ า3 ดังนัน
( )x−1 ( )

 5 1
, x = 1, 2, . . .
PX (x) = 6 6

ทฤษฏีบท 35. ให้ X เป็ นตัวแปรสุ่มแบบเรขาคณิ ต (Geometric Random Variable)

ดังนัน
1
E[X] =
p
และ
1−p
V ar[X] =
p2
E[X] = xPX (x)
X
ดังนัน ∞
∑
E[X] = xp(1 − p)x−1
x=1
แทน a0 = p, n = x, r = 1 − p และ d = p ลงในสมการ ก.6

∞
∑ ∞
∑ a0 (1 − r) + dr
an = (a0 + (n − 1)d)rn−1 =
n=1 n=1
(1 − r)2

4.5. ตัวแปรสุ่มแบบเรขาคณิ ต (GEOMETRIC RANDOM VARIABLE) 41
เมือ |r| < 1 จะได้

∞
∑ p(p) + p(1 − p) 1
E[X] = xp(1 − p)x−1 = 2
=
x=1
p p
นอกจากนี เราอาจหาค่า E[X] ได้ดว้ ยอีกวิธีหนึงดังนี จากสมการ ก.1 เราสามารถแสดงได้วา่

∞
∑ y
py x = p , |y| < 1
x=1
1−y
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
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
และแทน y = 1 − p ลงในสมการข้างต้น จะได้

∞
∑ p
x(x − 1)p(1 − p)x−2 = 2
x=1
p3
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
∞
∑ 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
4.6 ตัวแปรสุ่ มแบบปัวส์ ซง (Poisson Random Variable)

นิยาม 45 (ตัวแปรสุ่ มแบบปัวส์ซง (Poisson Random Variable)). ให้ X เป็ นตัวแปรสุ่ม
โดยที −α x
e α
PX (x) = , x = 0, 1, . . .
x!
ดังนันเราเรี ยก X ว่ าตัวแปรสุ่มแบบปั วส์ ซง (Poisson Random Variable)
ความจริ งแล้วตัวแปรสุ่ มแบบปัวส์ซง (Poisson Variable) คือ ตัวแปรสุ่ มแบบทวินาม
(Binomial Variable) เมือ n ในสมการ 4.1 เข้าใกล้ ∞ ดังแสดงได้ดงั ต่อไปนี
พิจารณาสมการ 4.1 จะได้วา่
n!
PX (x) = px (1 − p)n−x
x!(n − x)!
n! (np)x pn
= x (1 − p) p (1 − p)−x
n (n − x)! x!
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!
นอกจากนีถ้า α จะมีค่าได้แล้ว p → 0 และดังนัน

และ
1
(1 − p) p → e−1 (1 − p)−x → 1
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
นันคือความน่าจะเป็ นทีจะใด้สินค้าเสี ยออกมา 4 ชิน

e−α αx e−4 44
p= =
x! 4!
ทฤษฏีบท 36. ให้ X เป็ นตัวแปรสุ่มแบบปั วส์ ซง (Poisson Random Variable)

ดังนัน
E[X] = α
และ
V ar[X] = α
1. เราอาจหา E[X] ได้ดงั นี
เนืองจาก X เป็ นตัวแปรสุ่ มแบบปัวส์ซง (Poisson Random Variable) ดังนัน
e−α αx
PX (x) = , x = 0, 1, . . .
x!
∞
∑
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)!
แทน x − 1 ด้วย x จะได้

∞
∑ e−α αx
E[X] = α
x=0
x!
นอกจากนีเนืองจาก ∞
∑ e−α αx
=1
x=0
x!
ดังนัน
E[X] = α
2. เราอาจหา V ar[X] ได้ดงั นี

เนืองจาก X เป็ นตัวแปรสุ่ มแบบปัวส์ซง (Poisson Random Variable) ดังนัน
e−α αx
PX (x) = , x = 0, 1, . . .
x!
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)!
แทน x − 1 ด้วย x จะได้

∞
∑ e−α αx
E[X] = α (x + 1) − α2
x=0
x!
∑∞ ∑∞
e−α αx e−α αx
=α x +α − α2
x=0
x! x=0
x!
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
2. ค่ าคาดหวังของกําไรทีได้
3. ความแปรปรวนของกําไรทีได้
วิธีทาํ ให้
X คือจํานวนครังทีโทรเข้าชุมสายแห่ งนี และ
Y คือรายได้ของบริ ษทั ดังนัน
X เป็ นตัวแปรสุ่ มแบบปั วส์ซงที α = 3, 000 ครัง
1. ความน่าจะเป็ นทีบริ ษทั นีจะได้รายรับเท่ากับรายจ่ายได้โดยการหา X ทีทําให้

Y = 5X = 10, 000 หรื อ X = 2, 000
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

1. จงยกตัวอย่างการทดลองทีเกียวข้องกับตัวแปรสุ่ มแบบปาสคาล นอกจากนีจงหา ค่าคาดหวังและความแปรปรวนของตัวแปร
สุ่ มนี
2. จงยกตัวอย่างการทดลองทีเกียวข้องกับตัวแปรสุ่ มแบบทวินาม นอกจากนีจงหา ค่าคาดหวังและความแปรปรวนของตัวแปร
สุ่ มนี
3. จงยกตัวอย่างการทดลองทีเกียวข้องกับตัวแปรสุ่ มแบบปัวส์ซง นอกจากนีจงหา ค่าคาดหวังและความแปรปรวนของตัวแปร
สุ่ มนี
4. จงยกตัวอย่างการทดลองทีเกียวข้องกับตัวแปรสุ่ มเอกรู ป นอกจากนีจงหา ค่าคาดหวังและความแปรปรวนของตัวแปร
สุ่ มนี
บทที 5
ตัวแปรสุ่ มต่ อเนือง (Continuous Random
Variable)
5.1 หนึงตัวแปรสุ่ มต่ อเนือง
ถ้าหากว่าเราสุ่ มจํานวนใด ๆ ในช่วง (0, 1] โดยมีความน่าจะเป็ นสมําเสมอตลอดช่วง ดังนันเราสามารถหาความน่าจะ
เป็ นทีจะสุ่ ม x ใด ๆ ในช่วง (0, 1] ดังนี
แบ่งช่วง (0, 1] ออกเป็ น n ช่วงย่อย ๆ โดยที x ∈ (x− , x+ ] ดังนัน
0 ≤ PX (x) ≤ P (x− < X ≤ x+ )
เนืองจากแต่ละช่วงย่อย ๆ มีความน่าจะเป็ นสมําเสมอตลอดช่วง ดังนัน

1
0 ≤ P (x− < X ≤ x+ ) =
n
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
5.1.1 ฟังก์ชันการกระจายสะสม และ ฟังก์ ชันความหนาแน่ นของความน่ าจะเป็ น

จากนิยาม เราสามารถนิยามตัวแปรสุ่ มต่อเนือง (Continuous Random Variable) ได้ดงั นี
นิยาม 46 (ตัวแปรสุ่ มต่อเนือง (Continuous Random Variable)). เราเรี ยกตัวแปรสุ่ม X ว่ าตัวแปรสุ่มต่ อเนือง (Contin-
uous Random Variable) ถ้ า FX (.) เป็ นฟั งก์ ชันต่ อเนือง
ทฤษฏีบท 37. ฟั งก์ ชันการกระจายสะสม (Cumulative Distribution Function) สําหรั บตัวแปรสุ่มต่ อเนือง X มีคุณสมบัติ
ดังต่ อไปนี
1. FX (∞) = 1
2. FX (−∞) = 0
3. FX (.) ไม่ ใช่ ฟังก์ ชันลด (Decreasing Function)
47
48 บทที 5. ตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
พิสูจน์ เราสามารถพิสูจน์ สมบัติ ของฟังก์ชนั การกระจายสะสม (Cumulative Distribution Function) ของตัวแปร

สุ่ มต่อเนือง X ได้เช่นเดียวกับกรณี ของตัวแปรสุ่ มไม่ต่อเนือง
นิยาม 47 (ฟังก์ชนั ความหนาแน่นของความน่าจะเป็ น (Probability Density Function)). ให้ FX (.) เป็ นฟั งก์ ชันการก
ระจายสะสม ของตัวแปรสุ่ม) X เรานิยามฟั งก์ ชัน fX (.) ตามสมการ
dFX (x)
fX (x) =
dx
ว่ าฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ น (Probability Density Function)1 ของตัวแปรสุ่ม X

จากนิยามข้างต้น เราอาจเปรี ยบเทียบฟังก์ชนั ความหนาแน่น ของความน่า จะเป็ นกับฟังก์ชนั ความหนาแน่น ของ
มวล (Mass Density Function) ของแท่งเหล็กได้ดงั นี
ถ้าเราให้แท่งเหล็กวางอยูบ่ นแกน X ดังนันฟังก์ชนั ความหนาแน่นของมวลทีตําแหน่ง X = x คือ
M (x < X ≤ x + ∆x)
fM (x) = lim
∆x→0 ∆x
โดยที M (x < X ≤ x + ∆x) คือมวลของแท่งเหล็กในช่วง x < X ≤ x + ∆x

ตัวอย่ าง 44. ให้ ฟังก์ ชันการกระจายสะสม FX (.) เป็ นไปตามสมการ
{
1 − e−λx ,x ≥ 0
FX (x) =
0 ,x < 0
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
ถ้าหากว่าเราทราบว่า fX (.) ดังนันเราสามารถหาฟังก์ชนั การกระจายสะสม FX (.) ได้ดงั นี

จากสมการ
dFX (x)
fX (x) =
dx
จะได้วา่ ∫ x
FX (x) − FX (−∞) = fX (x) dx
−∞
นอกจากนีเนืองจาก FX (−∞) = 0 ดังนันเราสามารถสรุ ปได้วา่

ทฤษฏีบท 38. ให้ fX (.) เป็ น ฟั งก์ ชัน ความหนาแน่ น ของความน่ า จะเป็ นของตัวแปรสุ่ม ต่ อ เนือง X ดัง นันฟั งก์ ชัน
การกระจายสะสม FX (.) เป็ นไปตามสมการ
∫ x
FX (x) = fX (x) dx
−∞
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
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
0 ≤ PX (x) ≤ P (x − ∆x < X ≤ x) = FX (x) − FX (x − ∆x) → 0, PX (x) = 0
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)
1. เราสามารถหาค่า c ได้ดงั นี
∫ 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
2. เราสามารถหาค่าฟังก์ชนั การกระจายสะสม FX (.) ได้ดงั นี

∫ x
FX (x) = ce−|x| dx
0
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
3. เราสามารถหา P (0 < X ≤ 1) ได้ดงั นี
P (0 < X ≤ 1) = FX (1) − FX (0)

( ) ( )
1 1 −1 1 1 −0
= + (1 − e ) − + (1 − e )
2 2 2 2
1
= (1 − e−1 )
2
4. เราสามารถหา PX (0) ได้ดงั นี

เนืองจากฟังก์ชนั การกระจายสะสม FX (.) เป็ นฟังก์ชนั ต่อเนืองดังนัน
PX (0) = 0
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|
พิสูจน์ เนืองจาก FY (y) = P (Y ≤ y) = P (aX + b ≤ y) ดังนัน
FY (y) = P (Y ≤ y) = P (aX + b ≤ y)
 ( )

 y−b
P X ≤ , a>0
( a )
=

 y−b
P X ≥ , a<0
a
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
เนืองจากเมือ fX (x) มีค่าจํากัด จะได้วา่

( ) ( )
y−b y−b
1−P X< =1−P X ≤
a a
( )
y−b
= 1 − FX
a
สรุ ปได้วา่
 ( )

 y−b
 X
F , a>0
a( )
FY (y) =

 y−b
 1 − F X , a<0
a
โดยใช้กฎลูกโซ่ (Chain Rule) จะได้วา่

FY (y) FY (y) dx
fY (y) = =
dy dx dy
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
วิธีทาํ เนืองจาก Y = aX + b โดยที a = −1 และ b = 1 ดังนัน

{
1 1 1, 0≤y≤1
fY (y) = fX (x) = fX (x) = fX (1 − y) =
|a| | − 1| 0, อืน ๆ
ตัวอย่ าง 47 (ข้อสอบเก่าIUP ภาคต้นปี การศึกษา 2560). ให้ ฟั งก์ ชัน ความหนาแน่ นของความน่ า จะเป็ นของตัวแปร
สุ่ม X เป็ นไปตามสมการ {
1, 0≤x≤1
fX (x) =
0, otherwise
จงหา fY (y) โดยที Y = 2X + 1
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
พิสูจน์ เนืองจาก FY (y) = P (Y ≤ y) = P (X 2 ≤ y) ดังนัน

{ ( √ √ )
P − y≤X≤ y , y≥0
FY (y) =
0 , y<0
√ √ √ √ √ √
P (− y ≤ X ≤ y) = P (− y < X ≤ y) = FX ( y) − FX (− y)
ดังนัน
{ √ √
FX ( y) − FX (− y) , y≥0
FY (y) =
0 , y<0
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
5.1.2 ความน่ าจะเป็ นซึงมีเงือนไขสํ าหรับตัวแปรสุ่ มต่ อเนือง

P (A ∩ B)
P (A | B) = , P (B) ̸= 0
P (B)
หากเราให้ A ในสมการข้างต้นคือ, {x ≤ X ≤ x + ∆x} จะได้
P (A ∩ B)
P (A | B) = P (x ≤ X ≤ x + ∆x | B) = , P (B) ̸= 0
P (B)
หรื อ 
 fX|B (x) ∆x, x ∈ B
fX|B (x)∆x = P (B)

0, x ∈
/B
โดยที P (B) ̸= 0 นันคือ

นิยาม 48. 
 fX (x) , x ∈ B
fX|B (x) = P (B)

0, x ∈
/B
โดยที P (B) ̸= 0
P (A ∩ B)
P (A | B) = , P (B) ̸= 0
P (B)
หากเราให้ A และB ในสมการข้างต้นคือ, {x ≤ X ≤ x + ∆x} และ {y ≤ Y ≤ y + ∆y} ตามลําดับ จะได้
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
∪
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
พิสูจน์ จากกฎของความน่าจะเป็ นทังหมด

∑
n
P (A) = PA|Bi 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
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
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
5.2 ตัวแปรสุ่ มต่ อเนืองสองตัวหรื อหลายตัว

5.2.1 ฟังก์ชันการกระจายสะสมร่ วมสํ าหรับตัวแปรสุ่ มต่ อเนืองสองตัว
นิยาม 50. ให้ X และ Y เป็ น ตัวแปรสุ่ม ต่ อ เนือง (Continuous Random Variable) และ FX,Y (., .) เป็ นฟั งก์ ชันที
FX,Y (x) = P (X ≤ x และ Y ≤ y)
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, ∞)
2. FY (y) = FX,Y (∞, y)
3. FX,Y (x, −∞) = 0
4. FX,Y (−∞, y) = 0
5. ถ้ า x1 < x2 และ y1 < y2 ดังนัน FX,Y (x1 , y1 ) ≤ FX,Y (x2 , y2 )
1. เราสามารถพิสูจน์วา่ FX (x) = FX (x, ∞) ได้ดงั นี

FX,Y (x, ∞) = P (X ≤ x, Y ≤ ∞) = P (X ≤ x) = FX (x)
2. เราสามารถพิสูจน์วา่ FY (y) = FX (∞, y) ได้ดงั นี

FX,Y (∞, y) = P (X ≤ ∞, Y ≤ y) = P (Y ≤ y) = FY (y)
3. เราสามารถพิสูจน์วา่ FX,Y (x, −∞) = 0 ได้ดงั นี

FX,Y (x, −∞) = P (X ≤ x, Y ≤ −∞) = P (ϕ) = 0
4. เราสามารถพิสูจน์วา่ FX,Y (−∞, y) = 0 ได้ดงั นี

FX,Y (−∞, y) = P (X ≤ −∞, Y ≤ y) = P (ϕ) = 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 )
เนืองจาก P (x1 < X ≤ x2 , Y ≤ y1 ) ≥ 0, P (X ≤ x1 , y1 < Y ≤ y2 ) ≥ 0 และ P (x1 < X ≤

x2 , y1 < Y ≤ y2 ) ≥ 0 ดังนัน
FX,Y (x2 , y2 ) ≥ FX,Y (x1 , y1 )
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
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
จงหา P (0 < X ≤ 1, 0 < Y ≤ 1)
วิธีทาํ เราสามารถหา c ได้จากสมการ

∫ ∞ ∫ ∞ ∫ 1 ∫ 1
fX,Y (u, v) dudv = c dudv = 4c = 1
−∞ −∞ −1 −1
ดังนัน
1
c=
4
∫ 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
1. ความน่ าจะเป็ นที X > 0
2. ความน่ าจะเป็ นที X < Y
1. เราสามารถหา P (X > 0) ได้จากสมการ

∫ ∞ ∫ ∞
P (X > 0) = fXY (x, y) dydx
0 −∞
∫ 2 ∫ 1
3
= 6x2 y dydx
0 0
∫ 2 ∫ 1
3
2
= x dx 6y dy
(0 ) ( )0
8 1
=
3 3
8
=
9
2. เราสามารถหา P (X < Y ) ได้จากสมการ

∫ 1
3
∫ 0 ∫ 1
3
∫ y
2
P (X < Y ) = 6x y dxdy + 6x2 y dxdy
0 −1 0 0
(∫ 0 ) (∫ 1 ) ∫ 1 ∫ y
3 3
2
= x dx 6y dy + 2y 4 dxdy
−1 0 0 0
( )( ) ( )
1 1 2 1
= +
3 3 3 × 5 81
( )( ) ( )
1 1 2 1
= +
3 3 5 243
( )( )
1 1 2
= +
3 3 1215
( )( )
135 1 2
= +
1215 3 1215
137
=
1215
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
∂ 2 FX,Y (x, y) ∂ 2 FX,Y (x, y)
fX,Y (x, y) = =
∂x∂y ∂y∂x
5.2.3 ฟังก์ ชันความหนาแน่ นของความน่ าจะเป็ นมาจินัล

∫ x ∫ y ∫ x ∫ y
FX (x) = fX (u) du, FY (y) = fY (v) dv และ FX,Y (x, y) = fX,Y (u, v) dvdu
−∞ −∞ −∞ −∞
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
−∞ −∞ −∞ −∞ −∞ −∞
(∫ x ∫ ∞ ) (∫ y ∫ ∞ )
∂ ∂
fX (x) = fX,Y (u, v) dvdu และ fY (y) = fX,Y (u, v) dudv
∂x −∞ −∞ ∂y −∞ −∞
นันคือเราสามารถหาฟังก์ชนั ความหนาแน่นของความน่าจะเป็ นมาจินลั ของตัวแปรสุ่ ม X และ Y ได้ดงั สมการ

∫ ∞ ∫ ∞
fX (x) = fX,Y (x, v) dv และ fY (y) = fX,Y (u, y) du
−∞ −∞
ตามลําดับ
{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
2. เมือ Y = 2 เราจะได้วา่
∫ ∞ ∫ ∞
fY (2) = fXY (x, 2) dx = 0 dx = 0
−∞ −∞
นันคือ ผิดทังสองข้อ
5.2.4 ความเป็ นอิสระต่ อกันของตัวแปรสุ่ มต่ อเนือง

จากนิยาม 17 เมือ เหตุการณ์ A และ B เป็ นเป็ นอิสระต่อกัน ก็ต่อเมือ
P (A ∩ B) = P (A)P (B)
ในกรณี ที X, Y เป็ นตัวแปรสุ่ มต่อเนือง เราจะได้วา่ ถ้าให้

A = {x < X ≤ x + ∆x} และ B = {y < Y ≤ y + ∆y}
ดังนัน X และ Y เป็ นเป็ นอิสระต่อกัน ก็ต่อเมือ

P (A ∩ B) = fX,Y (x, y)∆x∆y = P (A)P (B) = fX (x)fY (y)∆x∆y
นันคือ
นิยาม 51. ให้ X, Y เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน X, Y เป็ นอิสระต่ อกันก็ต่อเมือ
fX,Y (x, y) = fX (x)fY (y)
เราอาจขยายความนิยาม 51 ได้ดงั นิยาม

นิยาม 52. ให้ X1 , . . . , Xn เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน X1 , . . . , Xn เป็ นอิสระ
ต่ อกันก็ต่อเมือ
fX1 ,...,Xn (x1 , . . . , xn ) = fX1 (x1 ), . . . , fXn (xn )
ตัวอย่ าง 53 (ข้อสอบเก่า (สําหรับหลักสู ตร IUP ภาคต้น ปี การศึกษา 2560). นายวรฐแก้

ปั ญหาการหาค่ าเหมาะสมทีสุดโดยใช้ การหาค่ าเหมาะสมทีสุดแบบกลุ่มอนุภาค ความเร็ วของ อนุภาคที i ทีเวลา t เป็ น
ไปตามสมการ
Vit = ωVit−1 + c1 α1 (Pi,best
t−1
− Pit−1 ) + c2 α2 (Gt−1
best − Pi
t−1
)
ให้ ωVit−1 = 0, c1 (Pi,best

t−1
− Pit−1 ) = c2 (Gt−1
best − Pi
t−1
) = 1. นอกจากนีฟั งก์ ชันความหนาแน่ นของความ
น่ าจะเป็ นของตัวแปรสุ่มซึ งindependentและมีการกระจายเหมือนกัน (independent and identically distributed random
variable) α1 and α2 เป็ นไปตามสมการต่ อไปนี
{
1, x ∈ [0, 1]
f (x) =
0, otherwise
3
จงหาความน่ าจะเป็ นซึ ง Vit > .
4
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 )
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
จงหาความน่ าจะเป็ นทีค่ าความต้ านทานสูงสุดระหว่ างสองตัวมีค่าระหว่ าง R − σ กับ R + σ

วิธีทาํ เนืองจากความน่าจะเป็ นทีค่าความต้านทานสู งสุ ดระหว่างสองตัวมีค่าน้อยกว่าหรื อเท่ากับ R + σ เป็ นไป
ตามสมการ
∫ w ∫ w
1 1 x−R 2 1 1 y−R 2
P (W ≤ w) = √ e 2 ( σ ) √ e 2 ( σ ) dxdy
−∞ −∞ 2π 2π
5.3. ค่ าคาดหวัง (EXPECTED VALUE), ความแปรปรวน (VARIANCE) และ ความแปรปรวนร่ วมเกียว (COVARIANCE) สําหรั บตัวแปรสุ่มต่ อเนือง61
โดยที W = max(X, Y ) นอกจากนี X และ Y เป็ นตัวแปรสุ่ มของค่าความต้านทานของตัวต้านทานตัวทีหนึงและสองตามลําดับดัง

นันความน่าจะเป็ นทีค่าความต้านทานสู งสุ ดระหว่างสองตัวมีค่าระหว่าง R − σ กับ R + σ เป็ นไปตามสมการ
∫ R+σ ∫ R+σ
1 1 x−R 2 1 1 y−R 2
P (R − σ ≤ W ≤ R + σ) = √ e 2 ( σ ) √ e 2 ( σ ) dxdy
−∞ −∞ 2π 2π
∫ R−σ ∫ R−σ
1 1 x−R 2 1 1 y−R 2
− √ e 2 ( σ ) √ e 2 ( σ ) dxdy
−∞ −∞ 2π 2π
5.3 ค่ าคาดหวัง (Expected Value), ความแปรปรวน (Variance) และ ความแปรปรวน

ร่ วมเกียว (Covariance) สํ าหรับตัวแปรสุ่ มต่ อเนือง
5.3.1 ค่ าคาดหวัง (Expected Value) สํ าหรับตัวแปรสุ่ มต่ อเนือง
ในกรณี ของตัวแปรสุ่ มต่อเนือง
∑ ∑
E[X] = xPX (xi ) ≈ xfX (xi )∆x, ∆x → 0
i i
นันคือ
นิยาม 53 (ค่าคาดหวัง (Expected Value)). ให้ X เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน เราเรี ยก
∫
E[X] = µX = xfX (x) dx
X
ว่ าค่ าคาดหวัง (Expected Value) ของ 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
{
6x2 y, −1 ≤ x ≤ 2, 0 ≤ y ≤ 1
3
fXY (x, y) =
0, อืน ๆ
จงหาค่ าคาดหวัง E[XY ]

∫ ∞ ∫ ∞
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
ทฤษฏีบท 48. ให้ X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่มต่ อเนืองซึ 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 )]
∫ ∞ ∫ ∞
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 X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่ มต่อเนืองซึงเป็ นอิสระต่อกัน ดังนันฟังก์ชนั ความหนาแน่นของความน่าจะเป็ น

ร่ วมเป็ นไปตามสมการ
fX1 ...Xn (x1 , x2 , . . . , xn ) = fX1 (x1 ) . . . fXn (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 )]
นิยาม 54 (ค่าคาดหวังซึงมีเงือนไขของตัวแปรสุ่ มต่อเนือง). ค่ าคาดหวังซึ งมีเงือนไขเป็ น B ของตัวแปรสุ่มต่ อเนืองเป็ นไป

ตามสมการ ∫ ∞
E[X|B] = xfX|B (x) dx
−∞
∪
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
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
5.3.2 ความแปรปรวน (Variance) สํ าหรับตัวแปรสุ่ มต่ อเนือง

นิยาม 55 (ความแปรปรวน (Variance)). ให้ X เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน
เราเรี ยก ∫ ∞
V ar[X] = E[(X − µX )2 ] = (x − µX )2 fX (x) dx
−∞
ว่ าความแปรปรวน (Variance) ของ X
นิยาม 56 (ส่ วนเบียงเบนมาตรฐาน (Standard Deviation)). ให้ X เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน เราเรี ยก
√
σX = V ar(X)
ว่ าส่ วนเบียงเบนมาตรฐาน (Standard Deviation) ของ X
ทฤษฏีบท 50. ให้ X เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน
V ar[X] = E[X 2 ] − µ2X
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
นิยาม 57 (ความแปรปรวนซึงมีเงือนไขของตัวแปรสุ่ มต่อเนือง). ความแปรปรวนซึ งมีเงือนไขเป็ น B ของตัวแปรสุ่ม

ต่ อเนืองเป็ นไปตามสมการ
∫ ∞
V ar[X|B] = (x − µX|B )2 fX|B (x) dx
−∞
5.3.3 ความแปรปรวนร่ วมเกียว (Covariance) สํ าหรับตัวแปรสุ่ มต่ อเนือง

นิยาม 58 (ความแปรปรวนร่ วมเกียว (Covariance)). ให้ X และ Y เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน เราเรี ยก
∫ ∫
Cov[X, Y ] = E[(X − µX )(Y − µY )] = (x − µX )(y − µY )fX,Y (x, y) dydx
X Y
ว่ าความแปรปรวนร่ วมเกียว (Covariance) ของ X และ Y

ทฤษฏีบท 51. ให้ X และ Y เป็ นตัวแปรสุ่มต่ อเนือง ดังนัน
Cov[X, Y ] = E[XY ] − µX µY
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 ]
ว่ าสัมประสิ ทธิ สหสัมพันธ์ (Correlation Coefficient)

|ρX,Y | ≤ 1
พิสูจน์ ให้ W = X − aY ดังนัน

V ar[W ] = E[W 2 ] − (E[W ])2 = E[(X − aY )2 ] − (E[X − aY ])2
= E[X 2 − 2aXY + a2 Y 2 ]
− (E[X]2 − 2aE[X]E[Y ] + a2 E[Y ]2 )
= (E[X 2 − E[X]2 ) − 2a(E[XY ] − E[X]E[Y ])
+ a2 ((E[Y 2 ] − E[Y ]2 ))
= V ar[X] − 2aCov[X, Y ] + a2 V ar[Y ]
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 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
∫ ∫
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

1. ให้ฟังก์ชนั ความหนาแน่นของความน่าจะเป็ น fX (.) ของตัวแปรสุ่ ม X เป็ นไปตามสมการ
{
c, −2 ≤ x ≤ 2
fX (x) =
0, อืน ๆ
จงหา
(a) c
(b) fX (x)
(c) fX|X>0 (x)
(d) E[X]
(e) V ar(X)
2. ให้ฟังก์ชนั ความหนาแน่นของความน่าจะเป็ น fX (.) ของตัวแปรสุ่ ม X เป็ นไปตามสมการ

{
ce−x , x≥0
fX (x) =
0, อืน ๆ
จงหา
(a) c
(b) fX (x)
(c) fX|X>0 (x)
(d) E[X]
(e) V ar(X)
3. ให้ฟังก์ชนั ความหนาแน่นของความน่าจะเป็ นร่ วม fXY (.) ของตัวแปรสุ่ ม X และ Y เป็ นไปตามสมการ

{
c, −1 ≤ x ≤ 1 และ − 1 ≤ y ≤ 1
fXY (x, y) =
0, อืน ๆ
จงหา
(a) c
(b) fX (x)
(c) fX|X>0 (x)
(d) E[X]
(e) V ar(X)
(f) E[Y ]
(g) V ar(Y )
(h) fX|Y >0 (x)
(i) fX|Y (x | 0.5)
(j) E[X | X > 0]
(k) E[X | Y > 0]
บทที 6
ตัวอย่ างของตัวแปรสุ่ มต่ อเนือง
(Continuous Random Variable)
6.1 ตัวแปรสุ่ มเอกรู ป (Uniform Random Variable)
นิยาม 61 (ตัวแปรสุ่ มเอกรู ป (Uniform Random Variable)). ให้ X เป็ นตัวแปรสุ่ม
โดยที 
 1 , a≤x≤b
fX (x) = b−a
0, อืน ๆ
ดังนันเราเรี ยก X ว่ าเป็ นตัวแปรสุ่มเอกรู ป (Uniform Random Variable)
ทฤษฏีบท 54. ให้ X เป็ นตัวแปรสุ่มเอกรู ป (Uniform Random Variable) ดังนัน ฟั งก์ ชันการกระจายสะสม FX (.) เป็ น
ไปตามสมการ 

 0, x≤a
x − a
FX (x) = , a≤x≤b

 b−a

1, x≥b
พิสูจน์ เราสามารถหาฟังก์ชนั การกระจายสะสม FX (.) ได้จาก

∫ x

 x≤a

 0 dx = 0,


∫−∞ x
1 x−a
FX (x) = dx = , a≤x≤b

 ∫ b − a ∫b−a


a
b x

 1
 dx + 0 dx = 1, x≥b
a b−a b
ทฤษฏีบท 55. ให้ X เป็ นตัวแปรสุ่มเอกรู ป (Uniform Random Variable)

ดังนัน
a+b
E[X] =
2
(b − a)2
V ar[X] =
12
67
68 บทที 6. ตัวอย่ างของตัวแปรสุ่มต่ อเนือง (CONTINUOUS RANDOM VARIABLE)
1. เราสามารถหา E[X] ได้จาก

∫ ∞
E[X] = fX (x) dx
−∞
∫ b
1
= dx
a b − a
a+b
=
2
(6.1)
2. ราสามารถหา V ar[X] ได้จาก

∫ ∞
V ar[X] = (x − µX )2 fX (x) dx
−∞
∫ b( )2
a+b 1
= x− dx
a 2 b−a
(b − a)2
=
12
(6.2)
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
1. จงหาฟั งก์ ชันมวลของความน่ าจะเป็ น PY (y) ของ Y

2. จงหาค่ าคาดหวังของ Y สําหรั บการใช้ งานทีความเร็ วมากกว่ า 60 กิโลเมตร/ชัวโมง
1. เราสามารถหาฟังก์ชนั มวลของความน่าจะเป็ น PY (y) ของ Y ได้จาก

 10−0 10
 160 = 160 , Y = 15
80−10 70
PY (y) = 160 = 160 , Y = 20

 160−80 80
160 = 160 , Y = 10
2. เราสามารถหาค่าคาดหวังของ Y สําหรับการใช้งานทีความเร็ วมากกว่า 60 กิโลเมตร/ชัวโมง ได้จาก

20 80
20 + 10
E[Y | X > 60] = 160 160 = 12
100
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
วิธีทาํ เราสามารถแสดงฟังก์ชนั ความหนาแน่นของความน่าจะเป็ นของ X ได้ดงั นี


 1 1
= , −10 ≤ x ≤ 10
fX (x) = 10 − (−10) 20

0, อืน ๆ
จากการสังเกต เป็ นไปไม่ได้ที m จะอยูน่ อกช่วง [−10, 10] ดังนันเราสามารถหาค่า m ได้จากสมการ

∫ m ∫ 10
1 1
dx = dx
−10 20 m 20
นันคือ m = 0
6.2 ตัวแปรสุ่ มของเออร์ ลงั (Erlang Random Variable)

พิจารณาช่วงเวลา [0, x], x > 0 และเหตุการณ์ซึงมีความน่าจะเป็ น p ที จะเกิด ขึนน้อยมาก ๆ ในแต่ละช่วงเวลา
ย่อย ๆ [x0 , x1 ] และ (xi−1 , xi ], i = 2, . . . , N นอกจากนีความน่าจะเป็ นทีจะเกิดขึนในแต่ละช่วงเวลาเป็ นอิสระต่อ
กันดังนันความน่าจะเป็ นทีจะเกิดเหตุการณ์ k ครังในช่วงเวลา [0, x] เท่ากับ
αk e−α
k!
โดยที จํานวนครังเฉลียทีเกิดขึนในช่วง [0, x] α = pn

ดังนันความน่าจะเป็ นทีจะเกิดขึน n ครังขึนไปในช่วงเวลา [0, x] เท่ากับ
∑
n−1
αk e−α
1−
k!
k=0
นันคือ
∑
n−1
αk e−α
P (0 ≤ X ≤ x) = 1 − , เมือ x ≥ 0
k!
k=0
โดยที X คือตัวแปรสุ่ มของช่วงเวลาทีเกิดเหตุการณ์ n ครังจากเวลาเริ มต้น

นอกจากนี X < 0,
P (X ≤ 0) = 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
นิยาม 62 (ตัวแปรสุ่ มของเออร์ลงั (Erlang Random Variable)). ให้ X เป็ นตัวแปรสุ่ม

โดยที
 n n−1 −λx
λ x e
, x≥0
fX (x) = (n − 1)!

0, x<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
6.3 ตัวแปรสุ่ มแบบเลขชีกําลัง (Exponential Random Variable)

ถ้าหากว่าเราแทน n = 1 ลงในสมการตามนิยาม 62 จะได้
นิยาม 63 (ตัวแปรสุ่ มแบบเลขชีกําลัง (Exponential Random Variable)). ให้ X เป็ นตัวแปรสุ่ม โดยที
{
λe−λx , x≥0
fX (x) =
0, x<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
พิสูจน์ เราสามารถหาฟังก์ชนั การกระจายสะสม FX (.) ได้จาก

∫ x
 ( )x

 λe−λx dx = − e−λx 0 = 1 − e−λx , x≥0
FX (x) = ∫0 x

 x≤0
 0 dx = 0,
−∞
ทฤษฏีบท 58. ให้ X เป็ นตัวแปรสุ่มแบบเลขชีกําลัง (Exponential Random Variable) ดังนัน

1
E[X] =
λ
1
V ar[X] = 2
λ
ตัวอย่ าง 59. บริ ษทั ให้ บริ การเครื อข่ ายมือถือบริ ษทั หนึงคิดค่ าบริ การ 1 บาทต่ อนาทีถ้าหากว่ า
{
e−x , x≥0
fX (x) =
0, x<0
โดยที X เป็ นเวลาเป็ นนาทีในการโทรแต่ ละครั ง จงหา

6.3. ตัวแปรสุ่มแบบเลขชีกําลัง (EXPONENTIAL RANDOM VARIABLE) 71
1. ฟั งก์ ชันการกระจายสะสม FX (.)

2. ค่ าบริ การโทรศัพท์ มือถือโดยเฉลียในการโทรแต่ ละครั ง
3. ค่ าบริ การโทรศัพท์ มือถือโดยเฉลียในการโทรแต่ ละครั งถ้ าหากว่ า X ≥ 1 นาที
1. ฟังก์ชนั การกระจายสะสม FX (.) เป็ นไปตามสมการ
∫ {
x
1 − e−x , x≥0
FX (x) = fX (x) =
−∞ 0, x≤0
2. ค่าบริ การโทรศัพท์มือถือโดยเฉลียในการโทรแต่ละครัง E[1X] เป็ นไปตามสมการ

∫ ∞ ∫ ∞
E[1X] = xfX (x) dx = xe−x dx = 1
−∞ 0
3. ค่าบริ การโทรศัพท์มือถือโดยเฉลียในการโทรแต่ละครัง E[1X] ถ้าหากว่า X ≥ 1 นาทีเป็ นไปตามสมการ

∫ ∞
E[1X] = xfX|X≥1 (x) dx
−∞
∫ ∞
xe−x
= 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]
เนืองจาก ∫ ∞ ∫ ∞
P [X ≥ 1] = e−x dx = e−(u+1) du = e−1
1 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
ตัวอย่ าง 60 (ข้อสอบกลางภาคต้น ปี การศึกษา 2554). กําหนดให้ m เป็ นค่ าทีทําให้

P (X < m) = P (X > m) จงหาค่ า m ในกรณี ที X เป็ น ตัวแปรสุ่ ม แบบเลขชีกําลัง (Exponential Random
Variable) ที λ = 1
{
e−x , x≥0
fX (x) =
0, x<0
จากการสังเกต เป็ นไปไม่ได้ที m จะอยูน่ อกช่วง [0, ∞) ดังนันเราสามารถหาค่า m ได้จากสมการ

∫ m ∫ ∞
−x
e dx = e−x dx
0 m
นันคือ m = ln 2
6.4 ตัวแปรสุ่ มแบบเกาส์ เซียน (Gaussian Random Variable)

นิยาม 64 (ตัวแปรสุ่ มแบบเกาส์เซียน (Gaussian Random Variable)). ให้ X เป็ นตัวแปรสุ่ม
โดยที
1 (x−µ)2
fX (x) = √ e− 2σ 2
2πσ 2
ดังนันเราเรี ยก X ว่ าเป็ นตัวแปรสุ่มแบบเกาส์ เซียน (Gaussian Random Variable)
ทฤษฏีบท 59. ให้ X เป็ นตัวแปรสุ่ม โดยที
1 (x−µ)2
fX (x) = √ e− 2σ 2
2πσ 2
ดังนัน
E[x] = µ และ V ar[X] = σ 2
∫ ∞
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 −∞
∫ ∞ ∫ ∞
2 1 u2
− u2
ue dx = 0 และ √ e− 2 dx = 1
−∞ 2π −∞
ดังนัน
E[X] = µ
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
∫ ∞
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
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
นิยาม 65 (ฟังก์ชนั การกระจายสะสมปกติมาตรฐาน (Standard Normal Cumulative Distribution Function)). เราเรี ยก

ฟั งก์ ชันการกระจายสะสม ∫ z
1 u2
Φ(z) = √ e− 2 du
2π −∞
ว่ าฟั งก์ ชันการกระจายสะสมปกติมาตรฐาน (Standard Normal Cumulative Distribution Function)

จากนิยามของฟังก์ชนั การกระจายสะสมปกติมาตรฐาน เราจะเห็นได้วา่ ฟังก์ชนั
∫ z
1 u2
Φ(z) = √ e− 2 du
2π −∞
X −µ
คือ ฟังก์ชนั การกระจายสะสมของตัวแปรสุ่ ม Z =
σ
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
ว่ าฟั งก์ ชันการกระจายสะสมปกติมาตรฐานเติมเต็ม (Standard Normal Complementary Cumulative Distribution Func-

tion)
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)
∫ 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
∫ 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
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
เราสามารถประมาณค่า Q(3.005) ได้จาก

Q(3.005) − Q(3.00) Q(3.01) − Q(3.00)
=
3.005 − 3.00 3.01 − 3.00
นันคือ
Φ(−3.005) = Q(3.005)
Q(3.01) − Q(3.00)
= (3.005 − 3.00) + Q(3.00)
3.01 − 3.00
1.31 × 10−3 − 1.35 × 10−3
= (3.005 − 3.00) + 1.35 × 10−3
3.01 − 3.00
= 1.33 × 10−3
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 >
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
2. เราสามารถหา FX (9) ได้ดงั นี

( )
X −3
FX (9) = P (X ≤ 9) = P ≤ 3 = P (Z ≤ 3) = FZ (3) = Φ(3)
2
Φ(3) = 1 − Q(3) = 1 − 1.35 × 10−3 = 0.9987
ดังนัน
FX (9) = 0.9987
3. เราสามารถหา P (3 < X ≤ 9) ได้ดงั นี

P (3 < X ≤ 9) = FX (9) − FX (3) = Φ(3) − Φ(0) = 0.9987 − 0.5 = 0.4987
1 σ > 0 คือ ส่ วนเบียงเบนมาตรฐาน (Standard Deviation)
6.5 ตัวแปรสุ่ มแบบเกาส์ เซียนตัวแปรคู่ (Bivariate Gaussian Random Vari-

able)
นิยาม 67 (ตัวแปรสุ่ มแบบเกาส์เซียนตัวแปรคู่ (Bivariate Gaussian Random Variable)). ให้ X และ Y เป็ น ตัวแปร
สุ่มทีสอดคล้ องกับสมการ
 ( )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
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
โดยที µ1 , µ2 เป็ นจํานวนจริ งและ σ1 > 0, σ2 > 0 และ −1 < ρ < 1

ดังนัน  2
( )2
x − µ1 y − µ̃2 (x)
− √ − √ 
1 1 2σ̃2
fX,Y (x, y) = √ e 2σ1 √ e
σ1 2π σ̃2 2π
นอกจากนี จากบทตัง 3 เราจะได้วา่

ทฤษฏีบท 66. ให้ X และ Y เป็ นตัวแปรสุ่มแบบเกาส์ เซียนตัวแปรคู่ทีสอดคล้ องกับสมการ
 ( )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

ดังนัน ( ) ( )2
x − µ1 2
y − µ2
1 − √ 1 − √
fX (x) = √ e 2σ1 และ fY (y) = √ e 2σ2
σ1 2π σ2 2π
6.5. ตัวแปรสุ่มแบบเกาส์ เซียนตัวแปรคู่ (BIVARIATE GAUSSIAN RANDOM VARIABLE) 77
( )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

 ( )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

ดังนัน  2
y − µ̃2 (x)
− √ 
1 2σ̃2
fY |X (y|x) = √ e
σ̃2 2π
σ2
โดยที µ̃2 (x) = µ2 + ρ (x − µ1 ) และ σ̃22 = σ22 (1 − ρ2 )
σ1
σ2
E[Y |X = x] = µ̃2 (x) = µ2 + ρ (x − µ1 )
σ1
พิสูจน์ เมือเราเปรี ยบเทียบบทตัง 3

( )2  2
x − µ1 y − µ̃2 (x)
− √ − √ 
1 1 2σ̃2
fX,Y (x, y) = √ e 2σ1 √ e
σ1 2π σ̃2 2π
σ
โดยที µ̃2 (x) = µ2 + ρ 2 (x − µ1 ) และ σ̃22 = σ22 (1 − ρ2 )
σ1
และสมการ
fX,Y (x, y) = fX (x)fY |X (y|x)
เราจะได้วา่  2
y − µ̃2 (x)
− √ 
1 2σ̃2
fY |X (y|x) = √ e
σ̃2 2π
∫ ∞
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

 ( )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

ดังนันสัมประสิ ทธิ สหสัมพันธ์ ρX,Y เป็ นไปตามสมการ
ρX,Y = ρ
พิสูจน์ จากนิยามของสัมประสิ ทธิสหสัมพันธ์

E{(X − µ1 )(Y − µ2 )}
ρX,Y =
σ1 σ2
ดังนัน
∫ ∞ ∫ ∞
1
ρX,Y = (x − µ1 )(y − µ2 )fX,Y (x, y) dxdy
σ1 σ2 −∞ −∞
แทน fX,Y (x, y) = fX (x)fY |X (y|x) จะได้

∫ ∞∫ ∞
1
ρX,Y = (x − µ1 )(y − µ2 )fX (x)fY |X (y|x) dxdy
σ1 σ2 −∞ −∞
∫ ∞ (∫ ∞ )
1
= (x − µ1 ) (y − µ2 )fY |X (y|x) dy fX (x)dx
σ1 σ2 −∞ −∞
∫ ∞
1
= (x − µ1 ) (E[Y − µ2 |X = x]) fX (x)dx
σ1 σ2 −∞
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
−∞
ตัวอย่ าง 64 (ข้อสอบเก่าภาคปลาย ปี การศึกษา 2554). ให้

1 − 12 (x2 +(y−1)2 )
fX,Y (x, y) = e
2π
1. จงหา fX (x)
2. จงหา FX (x) ในเทอมของฟั งก์ ชันการกระจายสะสมปกติมาตรฐาน
3. จงหา fY (y)
4. จงหา FY (y) ในเทอมของฟั งก์ ชันการกระจายสะสมปกติมาตรฐาน
5. จงหา fX|Y (x|2)
1. จงหา fX (x) เนืองจาก
1 − 12 (x2 +(y−1)2 )
fX,Y (x, y) = e
2π
ดังนัน
∫ ∞
fX (x) = fX,Y (x, y) dy
−∞
∫ ∞
1 − 12 (x2 +(y−1)2 )
= e dy
−∞ 2π
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
2. จงหา FX (x) ในเทอมของฟังก์ชนั การกระจายสะสมปกติมาตรฐาน

∫ x
FX (x) = fX (x) dx = Φ(x)
−∞
3. จงหา fY (y) เนืองจาก

1 − 12 (x2 +(y−1)2 )
fX,Y (x, y) = e
2π
ดังนัน
∫ ∞
fY (y) = fX,Y (x, y) dx
−∞
∫ ∞
1 − 12 (x2 +(y−1)2 )
= e dx
−∞ 2π
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
4. จงหา FY (y) ในเทอมของฟังก์ชนั การกระจายสะสมปกติมาตรฐาน

∫ y
FY (y) = fY (y) dy
−∞
∫ y
1
e− 2 (y−1) dy
1 2
=√
2π −∞
∫ y−1
1 ′ 2
e− 2 (y ) dy ′
1
=√
2π −∞
= Φ(y − 1)
5. จงหา fX|Y (x|2) เนืองจาก

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
= fX (x)fY (y)
fX,Y (x, y) = fX|Y (x|y)fY (y)
ดังนัน
1
fX|Y (x|y) = fX (x) = √ e− 2 x
1 2
2π
1
fX|Y (x|2) = √ e− 2 x
1 2
2π

1. จงยกตัวอย่างการทดลองทีเกียวข้องกับตัวแปรสุ่ มของเออร์ลงั นอกจากนีจงหาค่าคาดหวังและความแปรปรวนของตัวแปร
สุ่ มนี
2. จงยกตัวอย่างการทดลองทีเกียวข้องกับตัวแปรสุ่ มแบบเลขชีกําลัง นอกจากนีจงหาค่าคาดหวังและความแปรปรวนของตัวแปร
สุ่ มนี
3. จงยกตัวอย่างการทดลองทีเกียวข้องกับตัวแปรสุ่ มแบบเกาส์เซียน นอกจากนีจงหาค่าคาดหวังและความแปรปรวนของตัวแปร
สุ่ มนี
4. จงยกตัวอย่างการทดลองทีเกียวข้องกับตัวแปรสุ่ มเอกรู ป นอกจากนีจงหาค่าคาดหวังและความแปรปรวนของตัวแปร
สุ่ มนี
บทที 7
ผลรวมของตัวแปรสุ่ ม
(Sum of Random Variables)
ทฤษฏีบท 69. ให้ ตัวแปรสุ่มไม่ ต่อเนือง X และ Y ทีมีความน่ าจะเป็ นร่ วม PXY (., .) และ Z = g(X, Y ) ดังนัน
∑ ∑
PZ (z) = PXY (x, y)
g(X,Y )=z
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
{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
ดังนัน เมือ −1 ≤ z < 0 จะได้วา่

∫ 1 ∫ y+z
x
FZ (z) = dxdy
−z 0 2
∫1
(y + z)2
= dy
−z 4
(z + 1)3
=
12
83
84 บทที 7. ผลรวมของตัวแปรสุ่ม (SUM OF RANDOM VARIABLES)
dFZ (z)
fZ (z) =
dz
{ }
d (z + 1)3
=
dz 12
(z + 1)2
=
4
7.1 ความน่ าจะเป็ นของผลรวมของตัวแปรสุ่ ม

ทฤษฏีบท 71. ให้ W = X +Y โดยที X และ Y เป็ นตัวแปรสุ่มไม่ ต่อเนือง และมีฟังก์ ชันความหนาแน่ นของความ
น่ าจะเป็ นร่ วมดังนัน
∑ ∑
PW (w) = PXY (x, w − x) หรื อ PW (w) = PXY (w − y, y)
X Y
ในกรณที X และ Y เป็ นอิสระต่ อกัน เราจะได้ ว่า

∑ ∑
PW (w) = PX (x)PY (w − x) หรื อ PW (w) = PX (w − y)PY (y)
X Y
นอกจากนีเราอาจกล่ าวได้ ว่า PW (w) = (PX ⋆ PY ) (w)

ทฤษฏีบท 72. ให้ W = X +Y โดยที X และ Y เป็ นตัวแปรสุ่มต่ อเนือง และมีฟังก์ ชันความหนาแน่ นของความน่ า
จะเป็ นร่ วมดังนัน
∫ ∞ ∫ ∞
fW (w) = fXY (x, w − x) dx หรื อ fW (w) = fXY (w − y, y) dy
−∞ −∞
ในกรณที X และ Y เป็ นอิสระต่ อกัน เราจะได้ ว่า

∫ ∞ ∫ ∞
fW (w) = fX (x)fY (w − x) dx หรื อ fW (w) = fX (w − y)fY (y) dy
−∞ −∞
นอกจากนีเราอาจกล่ าวได้ ว่า fW (w) = (fX ⋆ fY ) (w)
7.2 ฟังก์ ชันทีสร้ างโมเมนต์ (Moment Generating Function)

จากความจริ งทีว่า ∑
E[g(X)] = g(x)PX (x)
ในกรณี ที X เป็ นตัวแปรสุ่ มไม่ต่อเนืองและ

∫ ∞
E[g(X)] = g(x)fX (x) dx
−∞
ในกรณี ที X เป็ นตัวแปรสุ่ มต่อเนืองดังนันเราอาจนิยามฟังก์ชนั ทีสร้างโมเมนต์ได้ดงั นี

นิยาม 68. ให้ X เป็ นตัวแปรสุ่มดังนันฟั งก์ ชันทีสร้ างโมเมนต์ ของ X เป็ นไปตามสมการ
ϕX (s) = E[esX ]
7.2. ฟั งก์ ชันทีสร้ างโมเมนต์ (MOMENT GENERATING FUNCTION) 85
ในกรณี ที X เป็ นตัวแปรสุ่มไม่ ต่อเนือง

∑
E[esX ] = esx PX (x)
และในกรณี ที X เป็ นตัวแปรสุ่มต่ อเนือง

∫ ∞
E[esX ] = esx fX (x) dx
−∞
ตัวอย่ าง 66 (ข้อสอบเก่าภาคปลาย ปี การศึกษา 2554). จงหาฟั งก์ ชันทีสร้ างโมเมนต์

ΦX (s) ของตัวแปรสุ่ม X โดยที
{
1, 0≤x≤1
fX (x) =
0, อืน ๆ
∫ ∞
ΦX (s) = esx fX (x) dx
−∞
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
ϕaX+b (s) = ebs ϕX (as)
ϕaX+b (s) = E[e(aX+b)s ]
= E[esb eaXs ]
= ebs E[easX ]
= ebs ϕX (as)
ทฤษฏีบท 74. ให้ X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่มซึ งเป็ นอิสระต่ อกัน ดังนัน

∏
n
ϕW (s) = ϕXi (s)
i=1
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
ϕW (s) = E[esW ] = E[es(X1 +X2 +...+Xn ) ]
และ X1 , X2 , . . . , Xn เป็ นอิสระต่อกัน ดังนัน

∏
n
E[es(X1 +X2 +...+Xn ) ] = E[esXi ]
i=1
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)
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
พิสูจน์ สําหรับ k = 1, 2,…

( )
dk ϕX (s) dk E[esX ]
=
dsk dsk
เมือ X เป็ นตัวแปรสุ่ มไม่ต่อเนือง

( )
∑
k sx
∂ e PX (x)
dk ϕX (s) X
=
dsk ∂sk
∑ ∂ k esx
= PX (x)
∂sk
X
∑
= xk esx PX (x)
X
เมือ X เป็ นตัวแปรสุ่ มต่อเนือง

(∫ )
k sx
∂ e fX (x) dx
dk ϕX (s) X
=
dsk ∂sk
∫ k sx
∂ e
= fX (x) dx
∂sk
∫X
= xk esx fX (x) dx
X
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 −∞
(∫ ∞ )
dΦX (s) ∂ sx
= (e fX (x)) dx
ds −∞ ∂s
∫ ∞
= xesx fX (x) dx
−∞
= E[XesX ]
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
และเนืองจาก X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่ มซึงเป็ นอิสระต่อกันและมีการกระจายเหมือนกัน ดังนัน

∏
n ∏
n
n
ϕX (s) = ϕXi (s) = (1 − p + pes ) = (1 − p + pes )
i=1 i=1
1 มาจาก “independent and identically distributed (iid)”
จะเห็นได้วา่ ϕX (x) สอดคล้องกับสมการ 7.1 ในตัวอย่าง 70 ดังนัน


n!  px (1 − p)n−x , x = 0, 1, . . . , n
PX (x) = x!(n − x)!

0, อืน ๆ
ตัวอย่ าง 72. จงหาฟั งก์ ชันทีสร้ างโมเมนต์ ของตัวแปรสุ่มแบบเกาส์ เซียน X ทีมีค่าเฉลีย µ = 0 และ ความแปรปรวน σ2 =
1
วิธีทาํ เนืองจาก X เป็ นตัวแปรสุ่ มแบบเกาส์เซียน ทีมีค่าเฉลีย µ = 0 และความแปรปรวน σ2 = 1 ดังนัน

1 x2
fX (x) = √ e− 2
2π
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
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
∏
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 75. ให้ ตัวแปรสุ่มแบบเกาส์ เซียน X1 , . . . , Xn มีค่าเฉลีย µ1 , . . . , µn และความแปรปรวน σ12 , . . . , σn2 จง

หาฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ นของ
∑
n ∑
n
Xi − µi
Zn = i=1
v i=1
u∑
u n 2
t σi
i=1
โดยที X1 , . . . , Xn เป็ นอิสระต่ อกัน

∑
n
วิธีทาํ จากตัวอย่าง 74 จะได้วา่ X เป็ นตัวแปรสุ่ มแบบเกาส์เซียนทีมีค่าเฉลีย µ = µi = µ1 +. . .+µn และ
i=1
∑
n
ความแปรปรวน σ2 = σin = σ12 + . . . + σn2
i=1
นอกจากนีจากสมการ 6.3 จะได้วา่
1 z2
fZn (z) = √ e− 2
2π
ตัวอย่ าง 76. ให้ ตัวแปรสุ่มแบบเกาส์ เซียน X1 , . . . , Xn มีค่าเฉลีย µ1 = µ2 . . . = µn−1 = µn = µ และ ความ

แปรปรวน σ12 = . . . = σn2 = σ2 จงหาฟั งก์ ชัน ความหนาแน่ นของความน่ า จะเป็ นและฟั งก์ ชัน การกระจาย
สะสมของ
∑
n
Xi − nµ
Zn = i=1
√
nσ 2
โดยที X1 , . . . , Xn เป็ นอิสระต่ อกัน
วิธีทาํ แทนค่า µ1 = µ2 = . . . = µn−1 = µn = µ และ σ1 = σ2 = . . . = σn−1 = σn = σ ใน
ตัวอย่าง 75 จะได้วา่
1 z2
fZn (z) = √ e− 2
2π
และ
∫ z ∫ z
1 z2
FZn (z) = fZn (z) dz = √ e− 2 dz = ϕZ (z) (7.2)
−∞ 2π −∞
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
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
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
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
2. เราสามารถหาฟังก์ชนั ทีสร้างโมเมนต์ (Moment Generating Function, MGF) ของ X ได้จาก

∫ ∞
[ ]
ϕX (s) = E esX = esx fX (x) dx
−∞
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)
ตัวอย่ าง 79. ให้ X เป็ นตัวแปรสุ่มแบบเลขชีกําลังโดยทีฟั งก์ ชันความหนาแน่ นของความน่ าจะเป็ นเป็ นไปตามสมการ
{
λe−λx , x≥0
fX (x) =
0, x<0
จงแสดงว่ า Y = cX โดยที c > 0 เป็ นตัวแปรสุ่มแบบเลขชีกําลังโดยทีฟั งก์ ชัน

ความหนาแน่ นของความน่ าจะเป็ นเป็ นไปตามสมการ
{
λ − λy
ce
c , x≥0
fY (x) =
0, x<0
โดยใช้ ฟังก์ ชันทีสร้ างโมเมนต์

วิธีทาํ เนืองจากฟังก์ชนั ทีสร้างโมเมนต์ของ Y เป็ นไปตามสมการ
ϕY (s) = E[esY ]
∫ ∞
= esy fX (x) dx
−∞
∫ ∞
= esy λe−λx dx
0
และ
Y = cX
ดังนัน ∫ ∞ ( )
λ − λy
ϕY (s) = esy e c dy
0 c
นันคือ Y = cX โดยที c > 0 เป็ น ตัวแปรสุ่ ม แบบเลขชีกําลังโดยทีฟังก์ชนั ของความหนาแน่นของความน่า จะ

เป็ นเป็ นไปตามสมการ
{
λ −λ
ce
c y, x≥0
fY (x) =
0, x<0

1. ให้ฟังก์ชนั ความหนาแน่นของความน่าจะเป็ น f (.) ของตัวแปรสุ่ ม X1 และ X2 ซึง
เป็ นอิสระเป็ นไปตามสมการ
{
c, −1 ≤ x ≤ 1 และ − 1 ≤ y ≤ 1
f (x, y) =
0, อืน ๆ
จงหา
(a) c
(b) fX +X (x) โดยสังวัตนาการ
1 2
(c) fX +X (x) โดยฟังก์ชนั ทีสร้างโมเมนต์

1 2
(d) E[X1 + X2 ] โดยฟังก์ชนั ทีสร้างโมเมนต์

(e) V ar(X1 + X2 ) โดยฟังก์ชนั ทีสร้างโมเมนต์
2. ให้ ฟังก์ชนั ความหนาแน่น ของความน่า จะเป็ น f (.) ของตัวแปรสุ่ ม X1 และ X2 ซึงเป็ น อิสระเป็ นไปตาม
สมการ
1 x2
f (x, y) = √ e− 2
2π
จงหา
(a) c
(b) fX1 +X2 (x) โดยใช้สงั วัตนาการ
(c) fX1 +X2 (x) โดยใช้ฟังก์ชน
ั ทีสร้างโมเมนต์
(d) E[X1 + X2 ] โดยใช้ฟังก์ชน
(e) V ar(X1 + X2 ) โดยใช้ฟังก์ชน
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
ϕZn (s) = ϕaSn +b (s) = ebs ϕSn (as)
จากทฤษฎีบท 73 เนืองจาก X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่ มซึงเป็ นอิสระต่อกัน

ดังนัน n ∏
ϕSn (as) = ϕXi (as)
i=1
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)
นอกจากนี X1 , X2 , . . . , Xn เป็ นตัวแปรสุ่ มซึงมีการกระจายเหมือนกัน ดังนัน

n
ϕZn (s) = ebs (ϕXi (as))
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!
เมือ ΨX (s) = lnΦX (s)

ดังนัน
s2 s3
lnΦX (s) = 0 + E[X]s + V ar[X] + Ψ′′′
X (0) + ...
2! 3!
หรื อ
s2 s3
ln ΦX (s) = 0 + µs + σ 2 + Ψ′′′
X (0) + ...
2! 3!
s2 s3
ln ΦXi (as) = 0 + µas + a2 σ 2 + a3 Ψ′′′
X (0) + ...
2! 3!
หรื อ
( ) ( )2 2 ( )3
1 µ σ s 1 s3
lnΦXi ( √ s) = 0 + √ s + √ + √ Ψ′′′
X (0) + ... (8.2)
nσ nσ nσ 2! nσ 3!
แทนสมการ 8.2 ลงในสมการ 8.1 จะได้วา่

s2 s3
ln ΦZn (s) = + a3 Ψ′′′
X (0) + ...
2 3!
เทอมทางด้านขวามือมี n อยูท่ ีส่ วนทําให้

s2
ln ΦZn (s) → , n→∞ (8.3)
2
หรื อ
s2
ΦZn (s) → e 2 , n → ∞ (8.4)
จากทฤษฎีบท 8 จะเห็น ได้ วา่ FZ (z) = Φ(z) เมือ n → ∞ ไม่ วา่ X1 , X2 , . . . , Xn จะเป็ น ตัวแปร
n
สุ่ มแบบใดขอเพียงแค่เป็ นอิสระต่อกันและมีการกระจายเหมือนกัน (independent and identically distributed (iid))

ตัวอย่ าง 80. 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 ไม่ เกิน 500, 000 บิต
∑
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 (X ≤ 5, 000, 000) = FX (500, 000)
97
เราสามารถประมาณค่า FX (500, 000) โดยใช้ทฤษฎีบทค่าจํากัดสู่ ศูนย์กลาง ดังนี

( )
500, 000 − nµ
FX (500, 000) = Φ √
nσ 2
โดยที µ = E[Xi ] = 0.5 σ 2 = V ar[Xi ] = 0.25

ดังนัน ( )
500, 000 − 0.5(1, 000, 000)
FX (500, 000) = Φ √ = Φ(0) = 0.5
1, 000, 000(0.25)
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)
เราสามารถประมาณค่า P (499, 000 ≤ X ≤ 5, 000, 000) โดยใช้ทฤษฎีบทค่าจํากัดสู่ ศูนย์กลาง ดังนี

P (499, 000 ≤ X ≤ 5, 000, 000) = FX (500, 000) − FX (499, 000)
( ) ( )
500, 000 − nµ 499, 000 − nµ
=Φ √ −Φ √
nσ 2 nσ 2
โดยที µ = E[Xi ] = 0.5 และ σ2 = V ar[Xi ] = 0.25

ดังนัน
( ) ( )
500, 000 − 500, 000 499, 000 − 500, 000
P (499, 000 ≤ X ≤ 5, 000, 000) = Φ −Φ
500 500
= Φ(0) − Φ(−2)
= Φ(0) − (1 − Φ(2))
= 0.5 − (1 − 0.97725)
= 0.4772
ในกรณี ทีเราต้องการหาค่าความน่าจะเป็ นในเทอมของตัวแปรสุ่ มไม่ต่อเนือง X เช่น p(x1 ≤ X ≤ x2 ) โดยที x1 ≈

x2 ) และค่าทีหาได้โดยใช้ทฤษฎีบทค่าจํากัดสู่ ศูนย์กลางจะมีความคลาดเคลือนค่อนข้างมาก ดังแสดงในตัวอย่าง 82 จะ
เห็นได้ชดั เจนว่ามีความแตกต่างในการประมาณค่าทังสองวิธี การประมาณค่าโดยใช้ทฤษฎีบทค่าจํากัดสู่ ศูนย์กลางต้องมี
การปรับแก้โดยใช้สูตรของเดอมัวร์ - ลาปลาซดังจะได้กล่าวถึงต่อไป
ตัวอย่ าง 82. อุปกรณ์ สือสารชนิดหนึงส่ งข้ อมูล 1, 000, 000 บิต สมมติว่าความน่ าจะเป็ น p ทีแต่ ละบิตจะผิดเท่ า ๆ กัน และ
เป็ นอิสระต่ อกันเท่ ากับ 10−6 จงประมาณความน่ าจะเป็ นทีจะเกิดความผิดพลาดไม่ เกิน 1 บิต โดย
1. ใช้ ทฤษฎีบทค่ าจํากัดสู่ศูนย์ กลาง
2. ใช้ ตัวแปรสุ่มแบบปั วส์ ซง
หมายเหตุ Φ(1) = 0.8413
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)
เราสามารถประมาณค่า P (0 < X ≤ 1) โดยใช้ทฤษฎีบทค่าจํากัดสู่ ศูนย์กลาง ดังนี

( ) ( )
1 − nµ 0 − nµ
P (0 ≤ X ≤ 1) = P (0 < X ≤ 1) = FX (1) − FX (0) = Φ √ −Φ √
nσ 2 nσ 2
โดยที µ = E[Xi ] = p = 10−6 และ σ2 = V ar[Xi ] = p(1 − p) ≈ 10−6

ดังนัน
( ) ( )
1 − 10−6 (1, 000, 000) 0 − 10−6 (1, 000, 000)
FX (1) − FX (0) = Φ √ −Φ √
1, 000, 000(10−6 ) 1, 000, 000(10−6 )
= Φ(0) − Φ(1) = 0.5 − (1 − Φ(1))
= 0.5 − (1 − 0.8413)
= 0.3413
นันคือ ความน่าจะเป็ นทีจะเกิดความผิดพลาดไม่เกิน 1 บิต เท่ากับ 0.3413

2. ใช้ตวั แปรสุ่ มแบบปัวส์ซง
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
∑
1
P (0 ≤ X ≤ 1) = PX (x)
x=0
เราสามารถประมาณค่า X เป็ นตัวแปรสุ่ มแบบปัวส์ซง ดังนัน

e−α αx
PX (x) = , x = 0, 1, . . .
x!
โดยที α = pn = 10−6 (1, 000, 000) = 1 นันคือ

∑
1
e−1 1x e−1 10 e−1 11
P (0 ≤ X ≤ 1) = = + ≈ 0.7358
x=0
x! 0! 1!
99
ทฤษฏีบท 77 (สู ตรของเดอมัวร์ - ลาปลาซ (De Moivre - Laplace Formula)). สําหรั บ

ตัวแปรสุ่มแบบทวินามซึ ง PX (x) เป็ นไปตามสมการ
{
n! x
x!(n−x)! p (1 − p)n−x , x = 0, 1, . . . n
PX (x) =
0 , อืน ๆ
โดยที n เป็ นจํานวนเต็มบวก และ 0 ≤ p ≤ 1

ดังนัน ( ) ( )
x2 + 0.5 − np x1 − 0.5 − np
p[x1 ≤ X ≤ x2 ] ≈ Φ √ −Φ √
np(1 − p) np(1 − p)
ตัวอย่ าง 83. จากตัวอย่ าง 82 จงประมาณค่ าความน่ าจะเป็ นโดยใช้ ทฤษฎีบทค่ าจํากัดสู่ศูนย์ กลางทีมีการปรั บแก้ โดยสูตร
ของเดอมัวร์ - ลาปลาซ
( ) ( )
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
1. เราสามารถเขียนความสัมพันธ์ระหว่าง M , N และ X ได้ดงั นี
X = min(M, N )
2. เราสามารถหาฟังก์ชนั มวลความน่าจะเป็ นของ X ได้ดงั นี

 ( )
 1 1− x , x = 0, . . . , 9
PX (x) = 10 10
3. หากทราบว่าในตูน้ ี มีเสื อยืดคอกลมในจํานวนทีมากกว่ากางเกงยีนส์ เรา

สามารถหาค่าคาดหวังของจํานวนเสื อยืดคอกลม E[N | N > M ] ได้จาก
สมการ
∑ ∑ nPN M (n, m)
9 n−1
E[N | N > M ] =
n=1 m=0
P (N > M )
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
 
( 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
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)
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)
นันคือ จากตารางความน่า จะเป็ นทีจะมี ผู ้ตอบ ”เห็น ด้วย” ไม่ ตากว่

ํ า 81 % ของผู ้กรอกแบบสอบถามกลับ มา
ประมาณ ϕ(2.5) = 0.99379
∑
n
ตัวอย่ าง 86 (ข้อสอบเก่าภาคปลาย ปี การศึกษา 2554). ให้ Zn = Xi
i=1
โดยที 

0.25, x = −2

0.25, x = −1
PXi (x) =

0.5, x=1


0, อืน ๆ
และ X1 , X2 , . . . , Xn เป็ น อิสระต่ อกัน จงหา P (Zn ≤ 500, 000) เมือ n = 1, 000, 000 โดยใช้ ทฤษฎีบทค่ า
จํากัด สู่ ศูนย์ กลาง (ไม่ ต้องปรั บ แก้ โดยใช้ สูตรของเดอมัวร์ - ลาปลาซ) ในเทอมของฟั งก์ ชัน การกระจายสะสมปกติ
มาตรฐาน Φ(.)
µXi = 0.25(−2) + 0.25(−1) + 0.5(1) = −0.25
และ
√ √ √
σXi = 0.25(−2)2 + 0.25(−1)2 + 0.5(1)2 − (−0.25)2 = 1.75 − 0.0625 = 1.6875
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)

∑
n
1. ให้ Zn = Xi โดยที X1 , X2 , . . . , Xn , . . . เป็ นอิสระต่อกันโดยทีฟังก์ชน
ั ความหนาแน่นของความน่า
i=1
จะเป็ นเป็ นไปตามสมการ 
1, −1 ≤ x ≤ 1
f (x) = 2

0, อืน ๆ
และ Z = n→∞
lim Zn จงหา
(a) µ = E[Xi ]
√
(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
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
ั
i=1
{
c(1 − |x|), −1 ≤ x ≤ 1
f (x) =
0, อืน ๆ
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
√
∑
n
i=1
จะเป็ นเป็ นไปตามสมการ
f (x) = c|x|
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
√
∑
n
i=1
จะเป็ นเป็ นไปตามสมการ {
c, x = −1, 0, 1
f (x) =
0, อืน ๆ
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
√
∑
n
i=1
จะเป็ นเป็ นไปตามสมการ
f (x) = ce−(x−1)
2
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
√
∑
n
ั
i=1
{
c(1 − |x|), −1 ≤ x ≤ 1
f (x) =
0, อืน ๆ
lim Zn จงหา
(a) c
(b) µ = E[Xi ]
(c) V ar(Xi )
√
(d) σ = V ar(Xi )
(e) fZ (z)
√
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
∑
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
เอาสมการ ก.2 ลบออกด้วย ก.3 จะได้

∑
N
(1 − r) an = a0 − a0 rN , r ̸= 1 (ก. )
n=1
หรื อ
∑
N
a0 − a0 r N
an = , r ̸= 1 (ก. )
n=1
1−r
เมือ |r| < 1 และ N → ∞ จะได้วา่

∞
∑ ∞
∑ a0
an = a0 rn−1 = , |r| < 1
n=1 n=1
1−r
105
106 ภาคผนวก ก. พืนฐานทางคณิ ตศาสตร์ (MATHEMATICAL FOUNDATIONS)
ทฤษฏีบท 79. 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 = (ก. )
n=1 n=1
(1 − r)2
เมือ |r| < 1

∑
N
SN = an = a1 + a2 + . . . + aN = a0 + (a0 + d)r + . . . + (a0 + (N − 1)d)rN −1 (ก. )
n=1
ดังนัน
∑
N
r an = r(a1 + a2 + . . . + aN ) = a0 r + (a0 + d)r2 + . . . + (a0 + (N − 1)d)rN (ก. )
n=1
เอาสมการ ก.7 ลบออกด้วย ก.8 จะได้วา่

∑
N
(1 − r) an = a0 + dr + dr2 + . . . + drN −1 − (N − 1)drN (ก. )
n=1
โดยใช้สมการ ก.1 จะได้

∑
N
d(1 − rN )
(1 − r) an = a0 + − d − (N − 1)drN
n=1
1−r
หรื อ
∑
N
a0 d(1 − rN ) d (N − 1)drN
an = + − −
n=1
1−r (1 − r)2 1−r 1−r
เมือ |r| < 1 และ N → ∞ จะได้วา่

∑
N
a0 d d
an = + −
n=1
1 − r (1 − r)2 1−r
a0 (1 − r) + d − d(1 − r)
=
(1 − r)2
a0 (1 − r) + dr
=
(1 − r)2
∑
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
พิสูจน์ เราสามารถพิสูจน์โดยใช้วธิ ีนบั (Counting Method)

ทฤษฏีบท 82. ∫ ∞
1 u2
√ e− 2 du = 1
2π −∞
∫ ∞
u2
พิสูจน์ ให้ I = e− 2 du จะได้
−∞
(∫ ∞ ) (∫ ∞ )
u2 v2
I2 = e− 2 du e− 2 dv
−∞ −∞
∫ ∞ ∫ ∞
(u2 +v 2 )
−
= e 2 dudv
−∞ −∞
เปลียนพิกดั ฉากเป็ นพิกดั เชิงขัวนันคือให้

u = r cos ϕ และ v = r sin ϕ (ก. )
จะได้ ∫ 2π ∫ ∞
r2
I2 = e− 2 rdrdϕ
0 0
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
นอกจากนีเนืองจาก I > 0 ดังนัน √

I= 2π
นันคือ
∫ ∞
1 u2
√ e− 2 du = 1 (ก. )
2π −∞
1 u2
√ ue− 2 du = 0
2π −∞
∫ ∞ ∫ 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)
1 u2
√ u2 e− 2 du = 1
2π −∞
∫
u2
พิสูจน์ พิจารณา u2 e− 2 du และให้ p = u และ q = e−
u2
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
−∞
จากสมการ ก.12 จะได้

∫ ∞ √
u2
u2 e− 2 du = 2π
−∞
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

Probability PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Probability PDF

Uploaded by

Copyright:

Available Formats

ความน่าจะเป็ นประยุกต์สาํ หรับวิศวกรไฟฟ้า

(Applied Probability for Electrical Engineers)

รศ. ดร.วรฐ คูหิรัญ

December 18, 2018

4.6 ตัวแปรสุ่ มแบบปัวส์ซง (Poisson Random Variable) . . . . . . . . . . . . . . . . . . . . 42

รศ. ดร.วรฐ คูหิรัญ

ตาราง 1.1 ตารางค่าความจริ ง

ทฤษฏีบท 1. ให้ p และ q เป็ นประพจน์ ดังนัน

ตาราง 1.2 ตารางค่าความจริ งแสดงการพิสูจน์ทฤษฎีบท 1

พิสูจน์ เราสามารถพิสูจน์ได้จากตาราง 1.3

ตาราง 1.3 ตารางค่าความจริ งแสดงการพิสูจน์ทฤษฎีบท 2

ทฤษฏีบท 3. ให้ p และ q เป็ นประพจน์ ดังนัน

ทฤษฏีบท 4. ให้ p และ q เป็ นประพจน์ ดังนัน

1.2 ทฤษฎีเซต (Set Theory)

นิยาม 8. ให้ A และ B เป็ นเซต ดังนัน

ทฤษฏีบท 5. ให้ A และ B เป็ นเซต ดังนัน

ทฤษฏีบท 6. ให้ A, B และ C เป็ นเซต ดังนัน

นิยาม 9. ให้ A เป็ นเซต ดังนัน

แต่ไม่มี x ∈ U ซึง x ∈ ∅ ดังนัน A ∩ ∅ = ∅

พิสูจน์ จากนิยาม 9 และ 1.5 จะได้วา่

ทฤษฏีบท 12. ให้ A, B และ C เป็ นเซต ดังนัน

ทฤษฏีบท 13. ให้ A และ B เป็ นเซต ดังนัน

ทฤษฏีบท 14. ให้ A และ B เป็ นเซต ดังนัน

นิยาม 11 (เซตย่อย (Subset)). ให้ A และ B เป็ นเซต ดังนัน

ทฤษฏีบท 15. ให้ A และ B เป็ นเซต ดังนัน

1.3 แบบฝึ กหัดท้ ายบท

2 ค่าความจริ งเป็ นจริ ง (T ) ทังหมด

โดยที H คือการโยนเหรี ยญได้หวั และ T คือการโยนเหรี ยญได้หวั

2.1.2 การเรียงสั บเปลียน (Permutation)

2.1.3 การจัดหมู่ (Combination)

ตัวอย่ าง 3. พิจารณาเซต S = {1, 2, . . . , } จงหา

3. จํานวนของเซตย่อยทังหมดเท่ากับผลรวมของจํานวนของเซตย่อยทีมีสมาชิกเท่ากับ 1 ถึง r ตัว นันคือ

ตัวอย่ าง 4. นาย ก ต้ องการเขียนเลขจํานวน ซึ งแต่ ละจํานวนประกอบด้ วยตัวเลข 10 ตัว จาก 1, 1, 2, 2, 3, 4, 5, 5, 6, 9 จะ

ตัวอย่ าง 5. นาย ก โยนเหรี ยญ 5 ครั งจงหาจํานวนผลลัพธ์ ทีได้ หัว 2 ครั ง

2.2 พืนฐานของความน่ าจะเป็ น (Fundamentals of Probability)

ตัวอย่ าง 6. นาย ก ทอดลูกเต๋ าสองลูกทีมีความเทียงตรงหนึงครั งจงหาความน่ าจะเป็ นทีเลขทีออกรวมกันเป็ น 3

นอกจากนี B = (A ∩ B) ∪ (B − A) และ (A ∩ B) ∩ (B − A) = ∅ ดังนัน

แทนค่าสมการ P (B − A) = P (B) − P (A ∩ B) ลงในสมการ P (A ∪ B) = P (A) + P (B − A) จะได้

ตัวอย่ าง 7. ให้ P (A ∪ B) = 0.75, P (A) = 0.25 และ P (B) = 0.5 จงหาP (A ∩ B)

ตัวอย่ าง 8. เป็ นไปได้ หรื อไม่ ที P (A) + P (B) < P (A ∪ B)?

ตัวอย่ าง 9. นาย ก กําลังตัดสิ นใจทีจะลงทะเบียนเรี ยนในภาคการศึกษานี นาย ก จะต้ องลงทะเบียนเรี ยนภาษาอังกฤษ

และเนืองจากนาย จะต้องลงทะเบียนเรี ยนภาษาอังกฤษหรื อภาษาฝรังเศสอย่างน้อยหนึงภาษา ดังนัน

นอกจากนีจากสมการ 2.1 จะได้

แทน P (E ∪ F ) = 1, P (E) = 12 และ P (F ) = 34 จะได้วา่

พิสูจน์ จากนิยาม 16 เราจะได้วา่

ตัวอย่ าง 10. P (A) = 0.5, P (B|A) = P (B) = 0.4 จงหา P (A|B)

นันคือ P (A|B) = 0.5

ตัวอย่ าง 11. มีกล่ อง 2 ใบ กล่ องใบแรกมีลกู แก้ วสี ขาว 2 ลูกและสีนาเงิ

2.3 ความเป็ นอิสระต่ อกันของสองเหตุการณ์

นันคือ P (A ∩ B) = P (A)P (B)

วิธีทาํ ให้ Ai เป็ นเหตุการณ์ทีได้ผชู ้ นะในการโยนเหรี ยญครังที i ดังนัน

โดยที A คือเหตุการณ์ทีนาย ก ชนะ

นอกจากนีเนืองจาก P (A) = P (A ∩ B) + P (A ∩ B C ) ดังนัน

เนืองจาก Pi = (p + q)Pi ดังนัน

2.4 การทดลองทีเป็ นอิสระต่ อกัน (Independent Trials)

วิธีทาํ ตัวอย่างการเกิดเหตุการณ์ A1 , A2 , . . . , Ak เป็ นจํานวน x1 , x2 , . . . , xk ครัง

2.5 ความเชื อถือได้ (Reliability)

2.6 แบบฝึ กหัดท้ ายบท

8 นอกจากนี สมมติวา่ ความน่าจะเป็ นทีชินส่ วนแต่ละชินส่ วนจะเสี ยเป็ นอิสระต่อกัน

3.1 หนึงตัวแปรสุ่ มไม่ ต่อเนือง

เนืองจาก X มีค่าเป็ นอะไรก็ได้ใน SX

2. FX (−∞) = P (X ≤ −∞) ดังนัน

เนืองจาก X ไม่มีค่าเป็ นอะไรใน SX ได้เลย