5.

Neprekinute slucajne varijable

1. 2. 3. 4.

Slucajne varijable i razdiobe . . . . . . . . Funkcije neprekinutih slucajnih varijabli . Rijeseni zadatci . . . . . . . . . . . . . . . . Zadatci za vjezbu . . . . . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. 1 . 16 . 21 . 28

5.1. Slucajne varijable i razdiobe

U ovom cemo poglavlju proucavati slucajne varijable kojima je skup vrijednosti interval (ogra nicen ili ne) u skupu realnih brojeva. Takve slucajne varijable mogu poprimiti svaku vrijednost unutar tog intervala. S obzirom da moguih vrijednosti ima neprebrojivo mnogo, vjerojatnost realizacije svake od njih redovito ce biti c jednaka nuli. Po tome se ovakve slucajne varijable razlikuju od diskretnih, gdje je takva vjerojatnost bila pozitivan broj. Pri proucavanju neprekinutih slucajnih varijabli koristimo se aparatom matematicke analize. Nizove brojeva koji zadaju razdiobu zamijenit ce realna funkcija, umjesto suma koristit cemo tehnike integralnog i diferencijalnog racuna. Posebice, efikasno sredstvo u teorijskom i prakticnom pogledu cinit ce Fourierova i Laplaceova transformacija.

Slucajna varijabla

Zapocnimo s definicijom, koja se minimalno razlikuje od definicije diskretne slucajne varijable, a u sebi ukljucuje i tu vrstu slucajnih varijabli.
Slucajne varijable i funkcija razdiobe

Neka je (:, F, P ) vjerojatnosni prostor. Preslikavanje X : : R nazivamo slucajna varijabla ako je za svaki x R skup Ax = {Z : : X(Z ) < x} dogadaj, dakle element algebre F . Skup {Z : : X(Z ) < x} oznacavat cemo krae sa {X < x} . c Funkcija razdiobe slucajne varijable X je funkcija F : R [0, 1] definirana formulom F(x) := P ({X < x}). (5.1)
1

5. NEPREKINUTE SLU CAJNE VARIJABLE

Funkcija razdiobe (i njezina derivacija) bit ce najvazniji pojam vezan uz slucaj nu varijablu. Poznavanjem funkcije razdiobe, mozemo u potpunosti opisati pripadnu slucajnu varijablu. Upoznajmo se odmah s osnovnim svojstvima funkcije razdiobe.

Funkcija razdiobe Teorem 5.1. Neka je F funkcija razdiobe slucajne varijable X . Ona posjeduje svojstva: 1 P ({x1 X < x2 }) = F(x2 ) F(x1 ) , c 2 F je neopadaju a: x1 < x2 = F(x1 ) F(x2 ) , 3 lim F(x) = 0 , lim F(x) = 1 ,

4 F je neprekinuta slijeva: F(x 0) := lim F(x H ) = F(x),

H 0

x R.

Dokaz. 1 Neka je x1 < x2 . Onda vrijedi F(x2 ) = P ({X < x2 }) = P ({X < x1 } {x1 = P ({X < x1 }) + P ({x1 X < x2 }) = F(x1 ) + P ({x1 X < x2 }). X < x2 })

2 Neka je ponovo x1 < x2 . Kako vrijedi {X < x1 } {X < x2 } , tvrdnja slijedi zbog monotonosti vjerojatnosti. 3 Neka je (xn ) po volji odabran padajui niz realnih brojeva, limn xn = . c c Oznacimo An = {X < xn } . Onda su An padajui skupovi: A1 A2 . . . i vrijedi An = . Zato je, zbog svojstva neprekinutosti vjerojatnosti, n=1
x

lim F(x) = lim F(xn ) = lim P (An ) = 0.

n n

Druga se tvrdnja dokazuje na isti nacin. 4 Tvrdnja ponovo slijedi iz neprekinutosti vjerojatnosti. Naime, ako je (Hn ) niz c pozitivnih brojeva koji opada prema nuli, onda je s An = {X < x Hn } definiran rastui niz skupova za koji vrijedi An = {X < x} pa tvrdnja slijedi zbog neprekinutosti n=1 vjerojatnosti: F(x 0) = lim F(x H ) = lim F(x Hn )
H 0
n

= lim P (An ) = P (A) = F(x),

n

x R.

5.1. SLU CAJNE VARIJABLE

I RAZDIOBE

Sl. 5.1. Graf funkcija razdioba nekih slucajnih varijabli. Koja se svojstva tih varijabli mogu ocitati iz ovog grafa?

1 4

1 2

Primjer 5.1. Slucajna varijabla X uzima vrijednosti 1 , 0 , 1 s vjerojatnostima

1 4

redom. Odredimo funkciju razdiobe varijable X i nacrtajmo njezin graf.

Ako je x 1 , tada dogadaj {X < x} ima vjerojatnost 0 te je F(x) = 0 za takve x . Za 1 < x 0 vrijedi P (X < x) = P (X = 1) = Za 0 < x 1 vrijedi P (X < x) = P (X = 1) + P (X = 0) = itd. Tako dobivamo 0, 1 , 4 F(x) = 3, 4 1, x 1, 1 < x 0<x 1 < x.
1 4 1 4

1 2

3 4

0, 1,
b r

6
y
b r

b r


Sl. 5.2.

Openito, funkcija razdiobe diskretne slucajne varijable sa zakonom c X x1 x2 x3 p1 p2 p3

je stepenasta funkcija sa skokovima u tockama x1 , x2 ,. . . . Iznosi skokova su vjerojatnosti p1 , p2 ,. . . .

5. NEPREKINUTE SLU CAJNE VARIJABLE

Sl. 5.3. Graf funkcije razdiobe diskretne slucajne varijable je stepenasta funkcija. U tockama prekida neprekinuta je slijeva. Iznos skokova jednak je vjerojatnosti s kojom slucajna varijabla poprima vrijednost u toj tocki.

Neprekinute slucajne varijable

Upoznat cemo sada drugu vaznu klasu slucajnih varijabli.

Neprekinute slucajne varijable. Gusto a razdiobe c

Za slucajnu varijablu X kazemo da je neprekinuta (kontinuirana) ako postoji nenegativna funkcija f : R R takva da vrijedi
x

F(x) =

f (t)dt.

(5.2)

Funkcija f naziva se gustoa razdiobe vjerojatnosti slucajne varijable X . c Ona nije nuzno neprekinuta, no u tockama neprekinutosti od f vrijedi dF(x) . (5.3) f (x) = dx

Dakako, funkcija razdiobe neprekinute slucajne varijable je i sama neprekinuta, jer je to funkcija gornje granice integrala. Zato vrijedi P (X = x) = F(x+0)F(x) = 0 za svaki x R . Stoga su i svi dogadaji {x1 < X < x2 } , {x1 X < x2 } , {x1 < X x2 } , {x1 X x2 } jednako vjerojatni. Njihova se vjerojatnost racuna na nacin P (x1 < X < x2 ) = F(x2 ) F(x1 ) = Funkcija gustoe pozitivna je funkcija s integralom c

x2 x1

f (t)dt.

(5.4)

f (x)dx = 1.

(5.5)

Slika prikazuje neku funkciju razdiobe i pripadnu gustou c

5.1. SLU CAJNE VARIJABLE

I RAZDIOBE

Sl. 5.4. Razlika vrijednosti funkcije razdiobe jednaka je vjerojatnosti da slucajna varijabla X poprimi vrijednost u tom intervalu. Kod funkcije gusto e ta je vjerojatnost c predocena povrsinom ispod grafa funkcije.

Znamo da je funkcija razdiobe neopadajua funkcija s vrijednostima unutar interc vala [0, 1] . Stoga cemo neke formule zapisivati u skraenom obliku. Tako npr. umjesto c zapisa x 0, 0, x, 0 < x < 1, F(x) = 1, 1 x, pisat cemo kratko F(x) = x, 0 < x < 1, jer je tada nuzno F(x) = 0 za x 0 i F(x) = 1 za x 1 . Takoder, ako gustou razdiobe definiramo nekom formulom za x [a, b] , tada c smatramo da je van tog intervala po definiciji jednaka nuli. Na koncu, ako je funkcija F ili f definirana nekom formulom bez naznake podrucja definicije, tada ce to redovito biti citav R .
Jednolika razdioba

Opisimo sad jednostavnu, ali vrlo vaznu razdiobu. Prisjetimo se situacije koju smo imali kad je podrucje vrijednosti slucajne varijable S = {x1 , . . . , xn } , bio diskretan skup. Slucajna varijabla, koja je poprimala vrijednosti unutar S s jednakim vjerojatnostima, opisivala je pokus biranja na sre u elementa skupa S . Tad je vjerojatnost c 1 njezine realizacije bila P (X = xk ) = , za svaki k = 1, . . . , n . n
Jasno je da poveanjem broja elemenata u skupu S ove vjerojatnosti teze k nuli. Ako je na c primjer S skup prirodnih brojeva, mozemo postaviti pitanje: postoji li algoritam kojim bi, s jednakom vjerojatnosu, birali neki prirodni broj. Odgovor na ovo vazno pitanje je negativan, takav algoritam c ne postoji. Naime, jasno je da bi vjerojatnost izbora svakog prirodnog broja morala biti jednaka nuli, pa je zbog svojstva V -aditivnosti vjerojatnosti P i vjerojatnost izbora bilo kojeg podskupa skupa prirodnih brojeva jednaka nuli.

Pretpostavimo sad da je skup S interval [a, b] . Tocaka unutar tog intervala ima beskonacno (neprebrojivo) mnogo. Zamislimo postupak odabira na sreu nekog broja c unutar tog intervala.

6
Na sre u odabrani broj. Jednolika razdioba c

5. NEPREKINUTE SLU CAJNE VARIJABLE

Kazemo da biramo na sre u broj unutar intervala [a, b] ako je vjerojatnost c da ce on biti izabran unutar nekog podintervala proporcionalna duljini tog podintervala. Za slucajnu varijablu koja uzima vrijednost ovako izabranog broja kazemo da ima jednoliku (uniformnu) razdiobu na intervalu [a, b] .

Neka X oznacava tu slucajnu varijablu. Odredimo njezinu funkciju razdiobe. Prema definiciji, mora biti F(x) F(a) = P (a X < x) = K(x a).

X uzima vrijednost unutar intervala [a, b] . Zato je 1 = P {a i odavde je K = P {X < a} = 0 = F(a), X < b} = F(b) F(a) = K(b a),

1 . Tako dobivamo: ba

Jednolika razdioba, alternativna de nicija, razdioba i gusto a c

Za slucajnu varijablu X kazemo da je jednoliko (uniformno) distribuirana na intervalu [a, b] , ako je zadana funkcijom razdiobe odnosno funkcijom gustoe: c xa F(x) = , a x b, ba 1 , a x b. f (x) = ba Pisemo X U(a, b) .

Grafovi funkcije gustoe i pripadne funkcije razdiobe izgledaju ovako: c

f x  1

F x 

b a

Sl. 5.5. Funkcija razdiobe jednolike razdiobe je afina na intervalu [a, b] . Gusto a jednolike c razdiobe konstantna je na tom intervalu. Odatle i ime razdiobi.

5.1. SLU CAJNE VARIJABLE

I RAZDIOBE

Primjer 5.2. Dvije tocke odabrane su na sreu unutar duzine duljine 1 . Definirajc mo slucajnu varijablu Z kao udaljenost medu njima. Odredi funkciju razdiobe varijable Z.

Izbor dviju tocaka x i y unutar intervala [0, 1] ekvivalentan je izboru jedne tocke (x, y) unutar kvadrata [0, 1] [0, 1] . Vrijednost koju slucajna varijabla Z poprima, jednaka je Z = |x y| . Varijabla Z uzima vrijednosti iz intervala [0, 1] . Pritom je |x z| < z x z < y < x + z. Zato ce nejednakost |x y| < z biti ispunjena kad se odabere tocka (x, y) unutar podrucja Gz . Zato je F(z) = P {Z < z} = m(Gz ) = 2z z2 ,
Nezavisnost slucajnih varijabli

6
y
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

y =x +z
. . . . . . . . . .z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

y =x z

1.

. . . . . . .

. . . . . . .

Sl. 5.6.

Pojam nezavisnosti slucajnih varijabli upoznali smo za varijable diskretnog tipa. Tako smo ukazali i na kriterij nezavisnosti koji se provjerava preko marginalnih razdioba slucajnog vektora. Analogne definicije i tvrdnje vrijedit ce i za openite slucajne varijable. O tome c ce biti vise rijeci u nastavku. Za sada, zadovoljit cemo se definicijom nezavisnosti, a kriterije i dodatna svojstva moramo odloziti do poglavlja o slucajnim vektorima.
De nicija nezavisnosti

Kazemo da su slucajne varijable X i Y nezavisne, ukoliko za sve intervale A , B iz skupa R vrijedi P (X A, Y B) = P (X A)P (Y B).

Ocekivanje i disperzija

Neka je X neprekinuta s gustoom f . Njezino ocekivanje definira se na nacin c E(X) =

x f (x)dx

(5.6)

Ako ovaj nepravi integral ne konvergira, ocekivanje ne postoji. c Oznacimo x = E(X) . Disperzija D(X) slucajne varijable X racuna se uz pomo formula: D(X) = E[(X x)2 ] = E(X 2) x2 . Dakle D(X) =

(x x)2 f (x)dx =

x2 f (x)dx x2 .

(5.7)

Od svojstava ocekivanja i disperzije izdvojit cemo samo najvaznija:

8
Svojstva ocekivanja i disperzije

5. NEPREKINUTE SLU CAJNE VARIJABLE

Za sve slucajne varijable X , Y i realne brojeve s , t vrijedi E(sX + tY) = sE(X) + tE(Y) (svojstvo linearnosti ocekivanja). Za disperziju pak vrijedi D(sX) = s2 D(X). Ako su X i Y nezavisne, onda vrijedi E(XY) = E(X)E(Y), D(X + Y) = D(X) + D(Y).

Ova cemo svojstva dokazati naknadno.

Primjer 5.3. (Jednolika razdioba) Izracunajmo ocekivanje i disperziju jednolike razdiobe. Promotrit cemo najprije, jednostavnosti radi, jednoliku razdiobu na intervalu [0, 1] . Za nju je gustoa f (x) = 1 , pa imamo c
1

E(X) =
0 1

x dx = x2 dx
0

x2 2

=
0

1 , 2
1

D(X) =

x2 1 = 4 2

1 1 1 1 = = . 4 3 4 12

Ako Y ima jednoliku razdiobu na intervalu [a, b] , tada slucajna varijabla Y a X= ba ima jednoliku razdiobu na intervalu [0, 1] . Obratno, ako X ima jednoliku razdiobu na [0, 1] , onda Y = (b a)X + a ima jednoliku razdiobu na intervalu [a, b] . Ocekivanje ove slucajne varijable je E(Y) = E[(b a)X + a] = (b a)E(X) + a 1 a+b = (b a) + a = , 2 2 a njezina disperzija D(Y) = D[(b a)X + a] = (b a)2 D(X) = (b a)2 . 12

5.1. SLU CAJNE VARIJABLE

I RAZDIOBE

Primjer 5.4. Na sre u odabiremo tocku T unutar kvadrata stranice 2. Neka je c vrijednost slucajne varijable X najmanja od udaljenosti te tocke do stranica kvadrata. Odredimo funkciju razdiobe i ocekivanje od X .

Odredimo najprije funkciju razdiobe: F(x) = P {X < x} = P {T Gx } = m(Gx ) 4 (2 2x)2 = m(S) 4

= 2x x2 , 0 x 1. Gustoa razdiobe je c f (x) = 2 2x, 0 x 1 te ocekivanje iznosi

1

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . .x . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . x. . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

Sl. 5.7.

E(X) =
0

x(2 2x)dx =

1 . 3

Primjer 5.5. Tocka se bira na sre u unutar polukruga polumjera r . Neka je X c udaljenost tocke do promjera. Odredimo ocekivanje varijable X .

U ovom primjeru neemo racunati funkciju razdiobe, ve cemo gustou odrediti c c c na temelju veze: F(x + 'x) F(x) P (x < X < x + 'x) f (x) = F (x) = lim = lim . 'x0 'x0 'x 'x Za male 'x vrijedi stoga m('S) . 2 r2 x2 'x . = f (x)'x = P (x < X < x + 'x) = . 1 2 m(S) 2r S
x +x x S
..... ..... ..... ..... ..... ..... ..... ..... ..... r ..... ..... ..... .... .....
@C

Sl. 5.8. Pri racunanju povrsine 'S , prugu debljine 'x mozemo aproksimirati pravokutnikom iste debljine. Pritom je ucinjena pogreska velicine ('x)2 , koja u limesu ne utjece na funkciju f (x) .

Odavde dobivamo funkciju gustoe: c 4 r2 x2 , f (x) = 2 r S Sad mozemo izracunati ocekivanje: r 2 4x E(X) = r2 x2 dx = 2 2S r S 0 r

0
r

r. 4r . 3S

r2 x2 d(r2 x2 ) =
0

10 Riemann-Stieltjesov integral

5. NEPREKINUTE SLU CAJNE VARIJABLE

Neka je F : R R monotono rastua funkcija, neprekinuta slijeva. Neka je c g : [a, b] R ogranicena. Izaberimo bilo koju particiju P = {x0 , x1 , . . . , xn } intervala [a, b] , a = x0 < x1 < . . . < xn = b . Definirajmo integralnu sumu
n

S(P, g, F) =
i=1

g(i )[F(xi ) F(xi1 )]. x

Oznacimo s ' = max |xi xi1 | ,

Riemann-Stieltjesov integral, de nicija

Kazemo da je g Riemann-Stieltjes integrabilna u odnosu na F , ako postoji limes integralnih suma, neovisno o izboru particije i tocaka xi [xi1 , xi ] . Taj limes nazivamo Riemann-Stieltjesov integral, a oznacavamo na sljedei c nacin:
b

g(x)dF(x) := lim S(P, g, F)

a '0

Primijetimo da za F(x) = x Riemann-Stieltjesov integral postaje Riemannov integral. Sad cemo dovesti u vezu Riemann-Stieltjesov i klasicni Riemannov integral, za siroku klasu funkcija F vaznih u primjenama. Neka je F po dijelovima konstantna na intervalu [a, b] , sa skokom iznosa p u tocki c unutar tog intervala: r, x c F(x) = r + p, x > c Izracunajmo
b a

g(x)dF(x) , za neku funkciju g , neprekinutu na intervalu [a, b] .

Sl. 5.9.

Za bilo koju particiju vrijedi F(xi ) F(xi1 ) = 0 za svaki indeks i osim za onaj za koji je xi1 c < xi , jer je funkcija F konstantna lijevo i desno od tocke c . Zato

5.1. SLU CAJNE VARIJABLE

I RAZDIOBE

11

u integralnoj sumi ostaje samo jedan clan: S(P, g, F) = g(i )[F(xi ) F(xi1 )] = g(i ) p x x U limesu, kad ' 0 , tocka xi tezi ka c . Zato je
b

g(x)dF(x) = g(c) p.
a

Openito, ako F ima skokove iznosa pi u tockama ci , za njezin Riemannc Stieltjesov integral vrijedi
b n

g(x)dF(x) =
a i=1

g(ci ) pi .

Neka je sad F neprekinuto diferencijabilna funkcija. Tad, po teoremu srednje vrijednosti imamo F(xi ) F(xi1 ) = F ([i )(xi xi1 ) , za neku tocku [i xi1 , xi . Integralna suma glasi
n

g(i )F ([i )(xi xi1 ). x

i=1

Limes ove integralne sume ocito definira Riemannov integral

b

g(x)F (x)dx.
a

Riemann-Stieltjesov integral, nacin racunanja

Ako F ima skokove iznosa pi u tockama ci , za njezin Riemann-Stieltjesov integral vrijedi

b n

g(x)dF(x) =
a i=1

g(ci ) pi .

Ako je F neprekinuto diferencijabilna funkcija, onda vrijedi

b b

g(x)dF(x) =
a a

g(x)F (x)dx.

Prema tome, koristenjem Riemann-Stieltjesovog integrala mi cemo istovremeno pokrivati obje vazne klase slucajnih varijabli, diskretne i neprekinute slucajne varijable. Tako, na primjer, ocekivanje neke slucajne varijable mozemo izraziti formulom E(X) = a disperziju D(X) = Integrali su Riemann-Stieltjesovi.

x dF(x),

x2 dF(x) E(X)2.

12

5. NEPREKINUTE SLU CAJNE VARIJABLE

Primjer 5.6. Izracunaj ocekivanje slucajne varijable cija je funkcija razdiobe zada-

na slikom:

6
1
3 4 1 2 1 4

F x 

a q

a q

Sl. 5.10.

Funkcija razdiobe glasi

0, 1 x, 4 F(x) = 1x + 1, 4 4 1,

x 0, 0<x 1<x 2 x.

1, 2,

F ima skokove iznosa

1 4

u tockama x = 1 i x = 2 . Zato je xdF(x)

1

E(X) = =

x F (x)dx + 1
0 1

1 + 4

x F (x)dx + 2
1

1 4

=
0

x 1 dx + + 4 4

2 1

x 2 5 dx + = . 4 4 4

Karakteristicna funkcija

Svakoj slucajnoj varijabli X mozemo pridruziti karakteristicnu funkciju. To je funkcija realnog argumenta s kompleksnim vrijednostima, - : R C zadana formulom

- (t) := E(eitX ) =

eitx dF(x).

(5.8)

Osnovna svojstva karakteristicne funkcije su 1 Karakteristicna funkcija jednoznacno odreduje razdiobu: dvije razlicite razdiobe ne mogu imati istu karakteristicnu funkciju. 2 Ako su X1 , . . . , Xn nezavisne, tada je

-X1 +...+Xn (t) = -X1 (t) . . . -Xn (t).

3 Vrijedi formula E(X r ) =

(5.9)

- (r) (0) , ir

r = 1, 2, . . .

(5.10)

5.1. SLU CAJNE VARIJABLE

I RAZDIOBE

13

(5.11) D(X) = - (0) + - (0)2 . Ako je -X karakteristicna funkcija varijable X , tada varijabla Y = a + bX ima karakteristicnu funkciju eita -X (bt).
Primjer 5.7. Odredimo karakteristicnu funkciju slucajne varijable jednoliko distribuirane na intervalu [a, b] .

ukoliko ocekivanje postoji. Specijalno, E(X) = i- (0),

Gustoa ove razdiobe je f (x) = c

1 eibt eiat dx = . ba (b a)it a U slucaju simetricnog intervala [a, a] , karakteristicna funkcija postaje realna: sin at eiat eiat = . - (t) = (a + a)it at Ako je X neprekinuta slucajna varijabla, s gustoom f , tada njezina karakterisc ticna funkcija iznosi
b

- (t) =

1 ,a ba eitx

b . Stoga

eitx f (x)dx =

- (t) =

To je upravo Fourierova transformacija funkcije f . Stoga ce, ukoliko - zadovo ljava uvjet |- (t)|dt < , vrijediti formula inverzije f (x) = 1 2S

eitx f (x)dx.

(5.12)

- (t)eitx dt.

(5.13)

Primjer 5.8. Odredi funkciju gusto e razdiobe odredene karakteristicnom funkcic jom

- (t) = e|t| ,

t R.

Ova je funkcija apsolutno integrabilna, stoga ce gustoa biti odredena formulom c inverzije (5.13) 1 1 f (x) = eitx - (t)dt = eitx e|t| dt 2S 2S = = 1 2S 1 2S
0

eitx et dt +
0 0

eitx et dt

e ix + 1

(ix+1)t

e ix 1

(ix1)t

1 1 1 1 + = . = 2S ix + 1 ix + 1 S (1 + x2 ) Razdioba s ovom gustoom naziva se Cauchyjeva razdioba. Zbog jedinstvenosti, c zakljucujemo da je t e|t| karakteristicna funkcija te razdiobe.

14 Laplaceova transformacija

5. NEPREKINUTE SLU CAJNE VARIJABLE

Karakteristicna je funkcija Fourierova transformacija gustoe. Pri izboru transc formacije gustoa pozitivne slucajne varijable, mozemo koristiti i Laplaceovu transc formaciju. Ako je F funkcija razdiobe pozitivne slucajne varijable X , onda je njezin Laplace-Stieltjesov transformat f (s) = E(esX ) =
0

esx dF(x)

(5.14)

Ako je X neprekinuta s gustoom f , onda je f uobicajeni Laplaceov transformat c funkcije f : f (s) =

0

esx f (x)dx.

(5.15)

Ako je pak X diskretna slucajna varijabla koja uzima vrijednosti u skupu {0, 1, 2, . . .} , tad Laplace-Stieltjesov transformat glasi f (s) =

esk pk = \X (es ).

(5.16)

k=0

Dakle, u ovom se slucaju Laplaceov transformat podudara s funkcijom izvodnice u kojoj je argument z zamijenjen s es . Derivacijom integrala po parametru dobivamo d (x)esx dF(x) f (s) = ds 0 d2 f (s) = (x)2 esx dF(x) ds2 0 . . . n d f (s) = (x)n esx dF(x) n ds 0 Odavde, stavljajui s = 0 , slijedi c dn f (s) xn dF(x) = (1)n . (5.17) E(X n) = dsn 0 s=0
Singularne slucajne varijable

Do sada smo promatrali diskretne i neprekinute slucajne varijable. Spomenimo da uz njih postoji i trea klasa tzv. singularnih slucajnih varijabli, cija je funkcija c razdiobe neprekinuta, no nemaju gustoe. Takva se funkcija ne moze napisati u obliku c x f (t)dt . Klasu singularnih slucajnih varijabli ne susreemo u primjenama, jer se c njihova funkcija razdiobe ne moze eksplicitno izraziti sluzei se samo ogranicenim c brojem elementarnih funkcija (iskljucimo li granicne procese). Definirajmo na intervalu [0, 1] funkciju F1 (x) F1 (x) =
1 2

za

1 3

2 3.

F1 (0) = 0. F1 (1) = 1.

F1 je neprekinuta i afina na intervalima (0, 1 ), ( 2 , 1). 3 3

5.1. SLU CAJNE VARIJABLE

I RAZDIOBE

15

Graf funkcije F1 nacrtan je na slici:

1
1 2

F1 x 

1 3

2 3

Sl. 5.11.

U drugom koraku svaki od intervala [0, 1 ] , [ 2 , 1] podijelimo na tri dijela i defini3 3 ramo neprekinutu funkciju F2 : 1 x [ 1 , 2 ], 4, 9 9 1 F2 (0) = 0. F2 (1) = 1. F2 (x) = , x [ 1 , 2 ], 3 3 2 3 , x [ 7 , 8 ]. 4 9 9 Na ostalim intervalima definiramo F2 da bude neprekinuta i afina:
1
3 4 1 2 1 4

F2 x 

1 9

2 9

3 9

6 9

7 9

8 9

Sl. 5.12.

Nastavimo ovaj postupak. Niz funkcija {Fn } tezit ce ka funkciji F koja je ne prekinuta, neopadajua, s vrijednostima u [0, 1] . Pritom je F(0) = 0 , F(1) = 1 i F c predstavlja funkciju razdiobe neke slucajne varijable. Derivacija funkcije F jednaka je nuli svugdje gdje je F konstantna. Duljina takvih intervala se za svaku funkciju Fn poveava i iznosi c 1 1 1 1 1 +2 +4 + ... = . = 1. 2 3 9 27 3 1 3 x tj. F (x) = 0 skoro svuda i F se ne moze napisati u obliku f (t)dt . Stoga ne postoji gustoa ove razdiobe. c Svaka se funkcija razdiobe F moze napisati u obliku F = p1 F1 + p2 F2 + p3 F3 , gdje je pk 0 , p1 + p2 + p3 = 1 , a F1 , F2 , F3 su redom funkcije razdioba diskretne, neprekinute i singularne slucajne varijable.