Professional Documents
Culture Documents
Slucajne Varijable Riemann-Stieltjesov Integral
Slucajne Varijable Riemann-Stieltjesov Integral
Slucajne Varijable Riemann-Stieltjesov Integral
1. 2. 3. 4.
Slucajne varijable i razdiobe . . . . . . . . Funkcije neprekinutih slucajnih varijabli . Rijeseni zadatci . . . . . . . . . . . . . . . . Zadatci za vjezbu . . . . . . . . . . . . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. 1 . 16 . 21 . 28
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
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 ,
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
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
x R.
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
1 4
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.
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.
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)
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
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
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) .
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.
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
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)
8
Svojstva ocekivanja i disperzije
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).
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
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 .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . .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
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
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
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
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
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(x)F (x)dx.
a
g(x)dF(x) =
a i=1
g(ci ) pi .
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
na slikom:
6
1
3 4 1 2 1 4
F x
a q
a q
Sl. 5.10.
0, 1 x, 4 F(x) = 1x + 1, 4 4 1,
x 0, 0<x 1<x 2 x.
1, 2,
1 4
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
(5.9)
- (r) (0) , ir
r = 1, 2, . . .
(5.10)
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] .
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
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)
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.
I RAZDIOBE
15
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.