Professional Documents
Culture Documents
Snjezana Braic
Split, 2011/2012
Sadrzaj
Uvod
ii
.
.
.
.
.
.
.
.
.
1
1
5
12
16
18
21
24
33
35
2. Prostori s mjerom
2.1. Mjere u Rn . . . . . . . . . . . . . . . . . . .
2.2. Izmjerive funkcije . . . . . . . . . . . . . . . .
2.3. Integral izmjerivih funkcija i osnovna svojstva
2.4. Integral vektorskih i matricnih funkcija . . . .
2.5. Osnovna svojstva slucajnih varijabla . . . . .
2.6. Distribucije slucajnih varijabli . . . . . . . . .
2.7. Slucajni uzorci i njihove statistike . . . . . . .
.
.
.
.
.
.
.
49
49
57
60
68
69
71
74
Bibliograja
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
77
Uvod
Poceci teorije vjerojatnosti su vezani za hazardne igre. Za pocetak se uzima 1654:
godina kada se pariki graanin De Mere obratio slavnim matematicarima toga
vremena Pascalu i Fermatu sa sljedecim problemom:
Je li preporucljivo kladiti se da ce u 24 uzastopna bacanja para razlicitih kocaka
barem jednom pasti dvostruka estica?
Prvi znacajni rezultati u teoriji vjerojatnosti dobiveni su tijekom 18: i pocetkom
19: stoljeca, a vezani su uz imena J. Bernoullija, De Moivrea i Laplacea. Kljucno
pitanje u razvoju teorije vjerojatnosti bilo je pitanje aksiomatske denicije vjerojatnosti. Teorija vjerojatnosti se gotovo tri stoljeca razvijala bez strogo deniranih
aksioma, a vecina bezuspjenih pokuaja stroge denicije vjerojatnosti svodila se
na to da se pojam vjerojatnosti denira pomocu njemu intuitivno bliskog pojma
relativne frekvencije.
Opce prihvacenu aksiomatiku je u teoriju vjerojatnosti uveo ruski matematicar
A. N. Kolmogorov 1933: godine. Ona je obuhvacala sve dotadanje rezultate teorije
vjerojatnosti i bila je u skladu s prirodnim idejama i intuitivnom predodzbom vjerojatnosti. Aksiomatika teorije vjerojatnosti dala je dobru osnovu za razvoj novih
podrucja vjerojatnosti. Zato ne iznenauje cinjenica da je poslije uvoenja aksiomatike teorija vjerojatnosti dozivjela svoj izniman razvoj i da je danas jedna
od vodecih matematickih disciplina koja se uvelike primjenjuje u drugim matematickim podrucjima, posebice u matematickoj statistici, te u raznim podrucjima
zike, tehnike, biologije, ekonomije, genetike i dr.
ii
Poglavlje 1.
Diskretna teorija vjerojatnosti
1.1.
bacanje novcica je pokus kod kojega je svaki ishod element dvoclanog skupa fP; Gg,
ali unaprijed ne znamo koji je to element. Skup svih mogucih ishoda nekog slucajnog
pokusa nazivamo prostorom elementarnih dogaaja i oznacavamo ga sa . To je
osnovni polazni objekt teorije vjerojatnosti.
Primjer 1. (a) Bacamo jednu igracu kocku. Prostor elementarnih dogaaja je
= f1; 2; 3; 4; 5; 6g :
(b) Kod pokusa bacanja n razlicitih igracih kocaka prostor elementarnih dogaaja je
= f(i1 ; i2 ; :::; in ) j ij = 1; 2; 3; 4; 5; 6; j = 1; :::; ng ; j j = 6n :
(c) Novcic se baca 5 puta uzastopno i registrira se koliko se puta pojavilo pismo.
Tada je prostor elementarnih dogaaja
= f0; 1; 2; 3; 4; 5g :
(d) Odreeni artikl se proizvodi sve dok se ne proizvede 100 ispravnih. Registrira se
broj proizvedenih artikala. Prostor elementarnih dogaaja je tada
= f100; 101; 102; :::g :
(e) Iz skladita se uzima jedan stroj i registrira se vijek trajanja tog stroja. Prostor
elementarnih dogaaja je teoretski jednak
= [0; 1i :
Svaki element skupa elementarnih dogaaja, tj. svaki pojedini moguci ishod
slucajnog pokusa nazivamo elementarnim dogaajem. Dogaaj je svaki podskup
prostora elementarnih dogaaja. Dogaaji vezani uz taj pokus koji se opisuju pomocu vie elementarnih dogaaja nazivamo slozenim dogaajima. Na primjer, u
slucajnom pokusu bacanja dviju razlicitih igracih kocaka ustanoviti "suma brojeva
na obje kocke je 8" isto je to i ustanoviti da je pokus dao jedan od ishoda: (2; 6) ;
(3; 5) ; (4; 4) ; (5; 3) ili (6; 2). To je, dakle, slozeni dogaaj koji se razlaze na 5 elementarnih dogaaja. Ako je ishod naeg pokusa bio elementarni dogaaj (4; 4),
onda se ujedno dogodio i dogaaj "suma brojeva na obje kocke je 8" i dogaaj "na
obje kocke pao je isti broj ", to znaci da se ta dva dogaaja uzajamno ne iskljucuju,
tj. mogu se istovremeno dogoditi oba dogaaja. To je moguce samo ako su dogaaji slozeni. Svi elementarni dogaaji se uzajamno iskljucuju. Cijeli prostor
zovemo siguran dogaaj (on se mora dogoditi u svakom vrenju pokusa), dok je
prazan skup nemoguc dogaaj (on se nikada nece dogoditi). Ovo su kljucni pojmovi
u konstrukciji matematicke teorije vjerojatnosti.
Kako su dogaaji po svojoj deniciji skupovi, tako su i operacije meu dogaajima (pomocu tih operacija se od danih dogaaja dobivaju novi dogaaji) standardne
matematicki model
!2
A
;
A B
A \ B ili krace AB
A[B
Ac = f! 2 : ! 2
= Ag
AnB
A\B =;
1 n
1
= :
n 6
6
relativna frekvencija nnA dogaaja A kada broj pokusa n tezi u beskonacno naziva
vjerojatnost dogaaja A i oznacava s p (A). Dakle,
nA
:
n!1 n
p (A) = lim
Ova denicija nije matematicki precizna jer se javlja problem kako za konkretni
slucajni pokus provjeriti hipotezu o statistickoj stabilnosti relativnih frekvencija. Jo
je slozeniji problem statisticke stabilnosti u serijama pokusa jer, ako se u obzir uzimaju sve moguce serije na koje se mogu razbiti rezultati ponavljanja nekog pokusa,
onda moramo razmotriti i takvu podjelu kod koje u prvu seriju ulaze samo oni
pokusi kod kojih se dogaaj A dogodio, a u drugu oni kod kojih se dogaaj A nije
dogodio. U prvoj seriji je relativna frekvencija jednaka 1, a u drugoj 0, pa nema
govora o stabilnosti relativnih frekvencija. No, unatoc ovoj matematicki nepreciznoj
deniciji vjerojatnosti, matematicari su uspjeli pomocu nje dobiti niz vrijednih i
korisnih rezultata.
Sljedeci primjer pokazuje rezultate jednog pokusa u kojem je provjeravana statisticka stabilnost relativnih frekvencija.
Primjer 2. Neka je slucajni pokus bacanje dviju razlicitih igracih kocaka, a dogaaj
A ="brojevi koji su pali su meusobno razliciti". Bacanje para kocaka je pokus kod
kojeg je svaki ishod jedan od elemenata skupa
= f(i; j) j i; j 2 f1; 2; 3; 4; 5; 6gg ;
j j = 62 , ali unaprijed ne mozemo reci koji je to element. Slozeni dogaaj A se
razlaze na 30 elementarnih dogaaja, pa je relativna frekvencija dogaaja priblizno
_ Astronom Wolf je 1950: godine ponavljao ovaj pokus i biljezio
= 0:83.
jednaka 30
36
relativne frekvencije. Dobio je sljedece rezultate:
Broj pokusa:
100 1000 10000 100000
Relativna frekvencija: 0:88 0:836 0:8351 0:83353
Neka imamo slucajni pokus i neka su dogovorno ustanovljeni svi njegovi elementarni dogaaji (moguci ishodi). Tada se svaki slozeni dogaaj vezan uz taj slucajni
pokus moze opisati pomocu vie elementarnih dogaaja. Elementarni dogaaj pomocu kojeg se opisuje neki dogaaj A, tj. cija realizacija implicira i realizaciju
dogaaja A nazivamo dogaajem povoljnim za dogaaj A.
Klasicna denicija vjerojatnosti a priori: Neka imamo slucajni pokus s
konacno mnogo elementarnih dogaaja i neka su svi elementarni dogaaji jednako
moguci. Tada je vjerojatnost proizvoljnog dogaaja vezanog uz taj pokus jednaka
omjeru broja elementarnih dogaaja povoljnih za taj dogaaj i broja svih elementarnih dogaaja.
Uocimo odmah nedostatke ove denicije. Ona je prije svega jako restriktivna jer
se odnosi samo na pokuse s konacno mnogo elementarnih dogaaja. S druge strane,
ta je denicija i cirkularna jer u sebi sadrzi pojam "jednako moguc" koji zapravo
znaci jednako vjerojatan.
Dakle, ni ova denicija, kao ni ona prethodna (denicija posteriori), nije dobra
kao baza aksiomatske matematicke teorije vjerojatnosti.
Nazivi a priori i a posteriori imaju svoja objanjenja vezana uz uporabu tih
dviju denicija vjerojatnosti. Na primjer, pretpostavimo da imamo kutiju s crnim
1.2.
(A1) ; 2 A;
(A2) ako je A 2 A, onda je Ac 2 A;
n
S
i=1
iA
2 takav
Ai 2 A:
n
T
i=1
Ai =
n
S
i=1
c
Aci
2 A;
A; B 2 A ) A n B = A \ B 2 A,
pa je algebra zatvorena i na konacne presjeke i na skupovne razlike.
iF
2 takav
(F 1) ; 2 F;
(F 2) ako je A 2 F, onda je Ac 2 F; S
(F 3) ako su An 2 F; n 2 N, onda je
An 2 F:
n2N
-algebra i An 2 F; n 2 N; onda je
!c
!c !c
\
\
[
An =
An
=
Acn 2 F;
n2N
n2N
n2N
5. Ako je familija F
-algebra na A:
-algebra na
iA
, onda je F \ A = fB \ A : B 2 F g
0 za svaki A 2 F i P ( ) = 1;
P (An ) :
n=1
1
S
n=1
An
i=1
(c) Ako su A; B 2 F i A
B, onda je P (A)
(d) Ako su An 2 F; n 2 N; A1
(monotonost).
1
S
::: , te A =
An , onda je P (A) =
A2
P (B)
n=1
lim P (An ) :
n!1
(e) Ako su An 2 F; n 2 N; A1
:::, te A =
A2
1
T
An , onda je P (A) =
n=1
lim P (An ) :
n!1
(f ) Ako su An 2 F; n 2 N; onda je P (
1
S
An )
n=1
1
P
P (An ) ( -poluaditivnost).
n=1
1
S
n=1
An
1
P
n=1
i Ai = ; za svaki i
2,
P (A) :
2: Tada je Bn 2 F za
n
1
S
S
svaki n 2 N i Bi \ Bj = ; za sve i 6= j: Osim toga je An =
Bi i A =
Bn , pa
1
za svaki i
i=1
je
P (An ) =
P (A) =
n
P
i=1
1
P
P (Bi ) ;
n=1
P (Bn ) :
n=1
nS1
Ai za svaki n
2:
i=1
An ; n 2 N i
1
S
Bn : Stoga je
n=1
1
S
An
n=1
1
P
P (Bn )
n=1
1
P
An =
n=1
P (An ) :
n=1
(g) Vrijedi: A [ B = A [ (B n A) ; (A \ B) [ (B n A) = B:
Odavde, zbog (b) ; dobivamo
P (A [ B) = P (A) + P (B n A) ;
P (B) = P (A \ B) + P (B n A) ;
pa oduzimajuci ove dvije jednakosti dobivamo tvrdnju.
(h) A [ Ac = ) P (A) + P (Ac ) = 1:
Iz ovog teorema odmah slijedi da je za proizvoljni dogaaj A 2 F vjerojatnost
tog dogaaja P (A) 2 [0; 1]. Stoga je vjerojatnost P funkcija P : F ! [0; 1] :
Vrijedi poopceno svojstvo (g) poznato kao Sylvesterova formula:
Propozicija 1.2.1. Neka je ( ; F; P ) vjerojatnosni prostor i Ai 2 F, i = 1; :::; n.
Tada je
P
n
S
Ai
i=1
n
P
P (Ai )
i=1
fi;jg f1;:::;ng
P (Ai \ Aj ) + : : : + ( 1)n+1 P
n
T
Ai :
i=1
Tada vrijedi
P
n
S
i=1
Ai
(g)
= P (B [ An ) = P (B) + P (An )
P (B) =
nP1
i=1
Osim toga je B \ An =
P (B \ An ) =
=
nP1
i=1
nP1
i=1
P (Ai )
fi;jg f1;:::;n 1g
nS1
P (B \ An ) i
P (Ai \ Aj ) + : : : + ( 1)n P
nT1
Ai :
i=1
i=1
P (Ci )
fi;jg f1;:::;n 1g
P (Ai \ An )
P (Ci \ Cj ) + : : : + ( 1)n P
fi;jg f1;:::;n 1g
nT1
Ci
i=1
P (Ai \ Aj \ An ) + : : : + ( 1)n P
n
T
i=1
Ai :
n
S
Ai
P (B \ An ) =
= P (B) + P (An )
i=1
nP1
i=1
nP1
i=1
n
P
P (Ai )
fi;jg f1;:::;n 1g
P (Ai \ An ) +
i=1
fi;jg f1;:::;n 1g
P (Ai )
P (Ai \ Aj ) + : : : + ( 1)n P
fi;jg f1;:::;ng
P (Ai \ Aj \ An )
nT1
Ai + P (An )
i=1
: : : + ( 1)n+1 P
P (Ai \ Aj ) + : : : + ( 1)n+1 P
i=1
n
T
Ai :
i=1
Najjednostavniji vjerojatnosni prostor dobivamo u slucaju kada je prostor elementarnih dogaaja konacan ili prebrojiv skup. Takav cemo prostor zvati diskretni
vjerojatnosni prostor.
Uzmimo najprije da je
konacan skup. Tada je i partitivni skup 2 takoer
konacan, kao i svi njegovi podskupovi, to znaci da je svaka algebra na ujedno
i -algebra na . Jednostavnost konstrukcije vjerojatnosnog prostora u slucaju
konacnog skupa slijedi iz jednostavne, tzv. atomarne strukture algebri skupova
na konacnom skupu. To ima za posljedicu da je dovoljno promatrati vjerojatnosti
koje su denirane na citavom partitivnom skupu 2 . Drugim rijecima, u slucaju da
je konacan skup, proizvoljnu vjerojatnost na algebri F 2 mozemo proiriti do
vjerojatnosti na 2 . Prije nego to dokazemo, promotrimo neka svojstva vjerojatnosti
deniranih na partitivnom skupu konacnog skupa.
Neka je = f! 1 ; :::; ! n g neprazan konacan skup i P : 2 ! [0; 1] vjerojatnost
na . Iz svojstva konacne aditivnosti od P slijedi da je funkcija P jednoznacno
odreena svojim vrijednostima pi = P (f! i g) na jednoclanim podskupovima f! i g
, i = 1; :::; n. Za niz (pi )i=1;:::;n vrijedi:
pi
n
P
i=1
pi
P (A) = P
i=1
! i 2A
Obratno, neka je
f! i g
! i 2A
P (f! i g) =
pi za svaki A
! i 2A
n
T
Ai
10
Bi ) A = ; _ A = Bi ; i = 1; :::; s:
ili je Ci = Aci , pripada algebri F i on je ili prazan skup ili atom u F. Neka su
B1 ; :::; Bs svi neprazni skupovi toga oblika. Ocigledno je Bi \ Bj = ;, i 6= j i
s
S
Bi = , pa je B = fB1 ; :::; Bs g particija skupa : Za A 2 F, A 6= ;; imamo
i=1
A=A\
s
S
i=1
Bi
s
S
i=1
(A \ Bi ) =
Bi ;
i2J
11
Stavljamo:
pi ; ! = ! i 2 B
0; ! 2 n B:
P 0
P
P (f! i g) =
P 0 (f!g) =
P 0 (A) =
! i 2A
pi za svaki A
! i 2A\B
P 0 (A) =
P 0 (Bi ) =
i2J
pi =
i2J
P (Bi ) = P (A) :
i2J
+ pn = 1; 0
pk
1; k = 1; : : : ; n:
cine stan-
0;
k
P
tj = 1;
j=0
1
j j
1
; za svaki k = 1; : : : ; n:
n
k
S
i=1
f! ik g
k
P
i=1
je
P (f! ik g) =
jAj
k
= :
j j
n
12
Neka je sada prebrojiv skup. Primijetimo najprije da je -algebra na prebrojivom skupu opcenito neprebrojiv skup; 2 je primjer neprebrojive -algebre na .
Slicno kao i kod konacnih skupova vrijedi sljedece:
Neka je = f! n : n 2 Ng prebrojiv skup i P vjerojatnost na
pn = P (f! n g) ; n 2 N, onda je
pn
0 za svaki n 2 N i
Osim toga je
P (A) =
! n 2A
1
P
pn = P
n=1
P (f! n g) =
1
S
n=1
f! n g
. Oznacimo li s
= P ( ) = 1.
pn za svaki A
( )
! n 2A
1.3.
U pokusu bacanja jedne kocke neka je dogaaj B = fpao je broj 5g. Vjerojatnost
dogaaja B je 61 . No, ako znamo da je kocka pokazala neparan broj, onda je vjerojatnost pojave broja 5 puno veca. Naime, cinjenica da se pojavio neparan broj ukazuje
na tri moguca ishoda: 1; 3 ili 5, pa je vjerojatnost da se pojavio broj 5 jednaka
jf5gj
= 13 : Dakle, pri racunanju ovakve vjerojatnosti ulogu prostora elementarnih
jf1;3;5gj
dogaaja preuzima dogaaj A = fpao je neparan brojg. Takvu vjerojatnost nazivamo vjerojatnost dogaaja B uz uvjet da se dogodio dogaaj A, a dobivamo je kao
omjer elementarnih dogaaja povoljnih za A i onih meu njima koji su povoljni i za
B. Opcenito deniramo:
13
P (A \ B)
P (A)
m
r
jAj
= ; P (A \ B) = ;
j j
n
n
pa je
r
:
m
Dakle, vjerojatnost od B uz uvjet A dobivamo prebrojavanjem elementarnih dogaaja povoljnih za A i onih meu njima koji su istodobno povoljni i za B. Tako pri
racunanju uvjetne vjerojatnosti uz uvjet A ulogu prostora elementarnih dogaaja
preuzima dogaaj A, to opravdava termin "uvjetna vjerojatnost uz uvjet A":
Svojstva uvjetne vjerojatnosti:
P (B j A) =
(1) P (; j A) = 0; P (A j A) = 1;
(2) P (B c j A) = 1 P (B j A) ;
(3) P (A \ B) = P (A) P (B j A) i P (A \ B) = P (B) P (A j B) ;
(4) Ako je A \ B = ;, onda je P (B j A) = 0;
(5) Ako je A1 A2 , onda je P (A1 j A) P (A2 j A) ;
(6) P (A1 [ A2 j A) = P (A1 j A) + P (A2 j A) P (A1 \ A2 j A) ;
(7) (A1 \
\ Ak ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) P (Ak j A1 \ : : : \ Ak 1 ) :
Primjer 4. U kutiji se nalazi 21 bijela i 10 crnih kuglica. Iz kutije izvlacimo dvije
kuglice, jednu za drugom bez vracanja. Kolika je vjerojatnost da je druga izvucena
kuglica bijela ako se zna da je prva izvucena kuglica bila bijela?
Zadatak 1. Rjeenje.
Neka je A = fprva izvucena kuglica je bijelag, a B = fdruga izvucena kuglica je bijelag.
Treba odrediti uvjetnu vjerojatnost dogaaja B uz uvjet da se prethodno dogodio dogaaj A, tj. P (B j A). Kako je
P (A) =
21
21 20
21 30
= ; a P (A \ B) =
;
31 30
31
31 30
to je
P (B j A) =
P (A \ B)
=
P (A)
21 20
31 30
21
31
20
2
= :
30
3
14
P (A) P (B j A)
P (A) P (B)
P (A \ B)
=
=
= P (A) :
P (B)
P (B)
P (B)
15
1
3 6
1 6
= 6= P (A) P (B) =
36
6
36
3
1
3 6
P (B \ C) =
=
6= P (B) P (C) =
36
12
36
1
3 6 4
P (A \ C) =
6= P (A) P (C) =
=
36
36 36
1
= P (A) P (B) P (C) :
P (A \ B \ C) =
36
Ako sada u istom vjerojatnosnom prostoru uzmemo da je
P (A \ B) =
3 6
1
= ;
36
4
4
1
= ;
36
18
1
;
18
imamo
1
= P (A) P (B) ;
4
1
P (B \ C) =
= P (B) P (C) ;
12
1
P (A \ C) =
= P (A) P (C) ;
12
1
1
P (A \ B \ C) =
6= P (A) P (B) P (C) = :
12
24
Denicija 1.3.4. Konacna ili prebrojivaS familija fEi
: i 2 I Ng nepraznih
disjunktnih podskupova od
za koje je
Ei =
se naziva potpun sistem doP (A \ B) =
i2I
gaaja na
Potpun sistem dogaaja je, dakle, konacna ili prebrojiva particija skupa
Propozicija 1.3.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i fEi : i 2 Ig potpun sistem dogaaja. Tada, za svaki A
vrijedi:
(a) Formula totalne vjerojatnosti:
P
P (A) =
P (Ei ) P (A j Ei ) :
i2I
P (Ei ) P (A j Ei )
; P (A) 6= 0:
P (A)
P(
i2I
( -aditiv)
i2I
i2I
je
S
i2I
(A \ Ei ))
P (A \ Ei )
P (Ei ) P (A j Ei ) :
Ei )
16
(b)
P (Ei j A) =
P (Ei \ A)
P (Ei ) P (A j Ei )
=
:
P (A)
P (A)
3
P
i=1
P (Ei ) P (A j Ei ) =
P (E3 j A) =
1.4.
Formalni ekvivalent slucajnog pokusa s konacno ili prebrojivo mnogo mogucih ishoda
je diskretni vjerojatnosni prostor ( ; P ). Ako je zadano n takvih pokusa opisanih
17
A2 ) = P1 (A1 ) P2 (A2 ) ; A1
1;
A2
; A = A1
A2 ; A 1
P
vrijedi
P P
P (f!g) =
P (f(! 1 ; ! 2 )g)
1
i A2
P (A) = P (A1 A2 ) =
!2A1 A2
P P
=
P1 (f! 1 g) P2 (f! 2 g)
! 1 2A1 ! 2 2A2
P
P
=
P1 (f! 1 g)
P2 (f! 2 g)
! 1 2A1
1;
! 1 2A1 ! 2 2A2
! 2 2A2
= P1 (A1 ) P2 (A2 )
0:
1
S
n=1
An
2)
= P1 (
P (f!g)
1)
P2 (
2) =
1
Sarapa tm 3:2 P
1 1=1 i
1
P
P
P (f!g) =
P (An ) :
n=1 !2An
n=1
:::
An ) =
n
Q
Pi (Ai ) ; Ai
i;
i = 1; :::n:
i=1
Diskretni vjerojatnosni prostor ( ; P ) zovemo produkt diskretnih vjerojatnosnih prostora ( i ; Pi ) ; i = 1; :::; n: Vjerojatnost P oznacavamo P = P1 ::: Pn :
1.5.
18
1 ; P1 )
= f(i; j) : i; j = 1; :::; 6g ) j
1j
= 36;
n
Q
i=1
P1 (f! i g) =
1
; za svaki (! 1 ; :::! n ) 2
36n
n
1:
35
36
) P (A) = 1
35
36
Ako zelimo izracunati koliko puta moramo baciti dvije razlicite igrace kocke pa da
vjerojatnost da se dogodi dogaaj A bude barem 50%, potrebno je rijeiti nejednadzbu
1
35
36
1
35
, n log
2
36
log
1
,n
2
25:
Dakle, odgovor na De Mereovo pitanje: Je li preporucljivo kladiti se (tj. je li vjerojatnost barem 50%) da ce u 24 uzastopna bacanja para razlicitih igracih kocaka barem
jednom pasti dvostruka estica?
je negativan, tj. nije se preporucljivo na to kladiti.
19
:::
Ak
Ack+1
:::
Acn
:::
An
k+1
:::
An :
n
k
pk q n k ; k = 0; 1; : : : ; n:
Primjer 9. Kocka se baca 10 puta. Kolika je vjerojatnost da broj 6 padne tocno tri
puta?
Zadatak 1. Rjeenje.
A = fu jednom bacanju padne broj 6g ) P (A) = p = 61 :
B = fu 10 bacanja broj 6 padne tocno tri putag )
P (B) =
10
3
p (1
p) =
10
3
1
6
5
6
0; 155:
20
Primjer 10. Kolika je vjerojatnost da bacajuci tri razlicite kocke n puta zbroj 15
dobijemo barem 2 puta?
Zadatak 2. Rjeenje.
A = fu jednom bacanju zbroj na sve tri kocke je 15g )
A = (x1 ; x2 ; x3 ) 2 f1; :::; 6g3 : x1 + x2 + x3 = 15 )
A = permutacije trojki f3; 6; 6g ; f4; 5; 6g ; f5; 5; 5g ) jAj = 10
P (A) = p =
10
5
:
=
3
6
108
B = fu n bacanja barem dva puta je zbroj na sve tri kocke bio 15g )
P (B) = 1
= 1
= 1
P (B c ) =
n
(1 p)n
0
103
108
p)n
n
1
p1 (1
5
108
103
108
n
P
k=2
n
k
n 1
pk (1
p)n
Pogledajmo sada primjer koji nam ilustrira niz zavisnih pokusa, tj. pokusa u
kojima ishod nekog pokusa ovisi o ishodima ostalih pokusa.
Primjer 11. Imamo tri kutije. U prvoj kutiji neka su 2 bijele i 3 crne kuglice, u
drugoj 2 bijele i 2 crne kuglice, a u trecoj 3 bijele i 1 crna kuglica. Iz prve kutije
na slucajan nacin izvlacimo jednu kuglicu i stavimo je u drugu kutiju. Poslije toga
iz druge kutije na slucajan nacin izvucemo jednu kuglicu i stavimo je u trecu kutiju.
Naposljetku iz trece kutije na slucajan nacin premjestimo jednu kuglicu u prvu kutiju.
to je vjerojatnije: da se sastav kuglica prve kutije promijenio s obzirom na boju ili
da je ostao isti.
Ovdje imamo tri slucajna pokusa- tri premjetanja kuglica, a rezultat svakog
iduceg pokusa ovisi o rezultatima prethodnih pokusa, pa su pokusi zavisni.
Oznacimo s Ak = fu k-tom premjetanju premjetena je bijela kuglicag, k =
1; 2; 3: Tada prostor elementarnih dogaaja mozemo shvatiti kao skup
= f(A; B; C) : A 2 fA1 ; Ac1 g ; B 2 fA2 ; Ac2 g ; C 2 fA3 ; Ac3 gg ;
gdje trojke interpretiramo kao presjeke tih dogaaja. Buduci da nam je sastav kutija
poznat, poznate su nam vjerojatnosti P (A1 ) ; P (A2 j A1 ) ; P (A3 j A1 \ A2 ) ; itd. Na
primjer, trojka (Ac1 ; A2 ; Ac3 ) odgovara rezultatu pokusa: u prvom i trecem premjetanju premjetena je crna, a u drugom bijela kuglica.
Sada, iz
P (A1 \
P (Ak j A1 \ : : : \ Ak 1 )
slijedi
P (A1 ; A2 ; A3 ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) =
24
2 3 4
=
:
=
5 5 5
125
21
14
60
51
; P (B2 ) =
; P (B3 ) =
:
125
125
125
Kako je P (B2 ) vjerojatnost da je poslije tri premjetanja u prvoj kutiji ostao isti
broj bijelih kuglica, vidimo da je vjerojatnije da ce se broj bijelih kuglica u prvoj kutiji
promijeniti jer je P (B1 ) + P (B3 ) > P (B2 ) :
Ovaj nam primjer sugerira sljedecu generalizaciju.
Denicija 1.5.4. Nekanvrimo n pokusa i neka
svaki od njih ima konacno mnogo
o
(r)
ishoda. Neka je r = ! i : i = 1; 2; :::; kr prostor elementarnih dogaaja r-tog
pokusa, r = 1; :::; n: Niz od n zavisnih pokusa je diskretni
vjerojatnosni prostor
n
o
(1)
(2)
(n)
( 1 :::
! i ; ! i ; :::; ! in
=
n ; P ), gdje je vjerojatnost P denirana sa P
n
o
n
o n
o
n
o n
o n 1 o2
(1)
(2)
(1)
(3)
(1)
(2)
P1 ! i1
P2 ! i2 j ! i1
P3 ! i3 j
! i1 ; ! i2
o n
o
n
o
n
(1)
(n 1)
(n)
! i1 ; :::; ! in 1
; ir = 1; :::; kr ; r = 1; :::; n:
::: Pn ! in j
o n
o
n
o
n
(1)
(r 1)
(r)
! i1 ; :::; ! ir 1
0 i
Pritom su brojevi Pr ! ir j
o
n
o
n
o
n
k
r
P
(1)
(r 1)
(r)
! i1 ; :::; ! ir 1
= 1; za sve ir = 1; :::; kr ; r = 1; :::; n:
Pr ! ir j
ir =1
1.6.
22
takav), ovakve
(fag) = f! 2
def
(E) = f! 2
1. (X = a) = X
2. (X 2 E) = X
def
3. P (X 2 E) = P (X
(E))
j X (!) = ag,
j X (!) 2 Eg,
def
a) = X
(h 1; a]) = f! 2
j X (!)
ag :
(!) =
1;
0;
! 2 A;
!2
= A:
. Slucajna
23
P0
En
1
S
= P (X
En ) = P (
n=1
n=1
1
P
P (X
to znaci da je P
-aditivna.
(En ))
n=1
(En )) =
n=1
0
1
S
1
P
P 0 (En ) ;
n=1
n2N
n=1
U pocetnom primjeru je
! [0; 1] mozemo
5
9
5
18
5
42
5
126
1
126
; a
5
P ( 1 < X < 3) = P (X = 1) + P (X = 2) = :
6
24
Cesto
se vjerojatnosni prostor ( ; P ) ne navodi eksplicitno nego se slucajna varijabla X denira eksplicitnim navoenjem distribucije PX (a ne vjerojatnosti P ).
Tada se obicno kaze "Neka je X slucajna varijabla s distribucijom PX ". Buduci da
u tom slucaju X dolazi odnekud i pada u 1 , X se i zove slucajna varijabla.
Neka je X : ! Rn slucajna varijabla u Rn i 0 = X ( ) = fa1 ; a2 ; : : :g. Ako je
Ek = (X = ak ) = X 1 (fak g), k 1, onda je fEk : k 1g potpun sistem dogaaja
u i vrijedi
P
X = ak Ek :
k
1.6.1.
1
; za svaki k 2 f1; 2; :::; ng :
n
1
n
1
n
::: n
::: n1
Primjer 15. Bacamo jednu simetricnu kocku. Neka je X = broj koji je pao na
simetricnoj kocki. Tada je
1
P (X = k) = ; k 2 f1; 2; :::; 6g :
6
Dakle, slucajna varijabla X je diskretna uniformna slucajna varijabla s distribucijom
1 2 ::: 6
X
:
1
1
::: 61
6
6
2. Binomna distribucija s parametrima n i p
Promatrajmo jedan slucajni pokus i neka je vjerojatnost nekog dogaaja A
vezanog za taj pokus kojeg cemo smatrati za uspjeh jednaka P (A) = p. Pretpostavimo da pokus ponavljamo n puta nezavisno i u neizmjenjenim uvjetima. To
znaci da su ishodi u razlicitim pokusima nezavisni dogaaji i da je P (A) = p u svim
pokusima. Za sve moguce ishode mozemo uzeti A i Ac jer nas u svakom pokusu
interesira samo to je li se dogaaj A dogodio ili ne. Pritom je P (Ac ) = 1 p: Dakle,
radi se o ( ; P ) Bernoullijevoj shemi,
= f0; 1gn ; a P = P1n , P1 : 2 1 ! [0; 1]
25
n
k
p)n
pk (1
; k = 0; 1; : : : ; n
n
0
0
(1 p)n
1
n
1
p (1
n 1
2
p (1 p)n
n
2
p)
:::
:::
n
pn
n
n
5
S
(X = k)
k=0
5
P
k=0
100
k
0:02k 0:98100
0
e
1
e
2
e
2!
2
:::
:::
n
e
n!
n
:::
:::
26
Binomna distribucije se, uz odreene uvjete, aproksimira Poissonovom distribucijom. Ispravnost takve aproksimacije garantiraju granicni teoremi u Bernoullijevoj
shemi. Oni omogucavaju da na jednostavan nacin priblizno izacunamo vjerojatnosti
u binomnoj distribuciji. Za dokazati Poissonov teorem potrebna nam je sljedeca
lema.
Lema 1.6.1. Neka je g : N ! R takva da je lim g(n) = ;
lim
1+
n!1
g(n)
n
n k n
p q
k n n
n!1
n!1
k
n
n(n
:::
=e :
za svaki k = 0; 1; :::n:
k!
n!1
: Za proizvoljni
=
n k
n
k
k + 1)
n!1
k
k
n 2 N: Tada je lim
1):::(n
k!
1
n
k!
n;
2 R: Tada je
n!1
n
n
n
n!1
n!1
k
k
k!
P (Xn = k)
k!
= n pn ; k = 0; 1; 2; :::n:
5
S
(X = k)
k=0
Kako je
pa je
5
P
k=0
100
k
0:02k 0:98100 k :
P (B) =
5
P
k=0
5
P
100
k
2k
e
k=0 k!
0:02k 0:98100
22 23 24 25
+
+
+
2!
3!
4!
5!
1+2+
= 0:78041:
27
Primjer 17. Neka kola ima 2555 ucenika. Ako je slucajna varijabla X =broj
ucenika roenih 01:01:, odredite:
(a) sliku od X;
(b) distribuciju od X;
(c) P (X = 5) :
Racunajmo da godina ima 365 dana.
Rjeenje.
(a) X ( ) = f0; 1; 2; :::; 2555g
1
1 k 364 2555 k
:
; k = 0; 1; : : : ; 2555; pa je X B 2555; 365
(b) P (X = k) = 2555
365
365
k
1
No, kako je n velik (2555), a p mali ( 365 ), te np = = 7 < 10, to binomnu
1
distribuciju B 2555; 365
mozemo aproksimirati Poissonovom P o (7) ; pa mjesto da
2555
1 k 364 2555 k
racunamo P (X = k) = k
, to mozemo aproksimirati sa
365
365
k
P (X = k)
k!
7k 7
e ; k = 0; 1; : : : ; 2555:
k!
Stoga je
P (X = 5) =
2555
5
1
365
364
365
2550
75
e
5!
0:9437:
Poissonove distribucije u teoriji vjerojatnosti i teoriji slucajnih procesa ima znacajnu primjenu. Koristi se kao model za broj telefonskih poziva u jedinici vremena,
broj prolaza automobila u jedinici vremena, broj prolaza kozmickih zraka, brzina
radioaktivnog raspadanja nekog materijala, itd.
Primjer 18. U telefonskoj centrali registrirano je 400 korisnika. Svaki korisnik
u nekom odreenom vremenskom intervalu poziva centralu s vjerojatnocu 0:01.
Izracunajte vjerojatnost da je u promatranom vremenskom intervalu
(a) tocno 5 korisnika pozvalo centralu,
(b) barem 3 korisnika pozvalo centralu.
Rjeenje.
n = 400; p = 0:01; X = broj korisnika koji pozovu cenrtalu u tom vremenskom
intervalu ) X B(400; 0:01); = 400 0:01 = 4 < 10:
5
(a) P (X = 5) 45! e 4 0:156:
(b) P (X
0:7:
3) = 1
P (X = 0)
P (X = 1)
P (X = 2)
1+
1!
2!
xk
b; za sve k i n.
1
e
2 npq
(k np)2
2npq
(12)
28
1
' (xk ) :
npq
k np
p
npq
70
p 60
24
B(100; 0:6);
2:041; pa je P (X = 70)
x2
k
2
0:0101:
Primjer 20. Simetricni novcic bacamo 100 puta. Kolika je vjerojatnost dace pismo
pasti tocno 50 puta?
Rjeenje.
n = 100; p = 12 ; X = broj pisama koja padnu ) X
npq = 100
1
2
1
2
50 100
p
25
= 25; xk =
1
2
B(100; 12 ):
= 0; pa je P (X = 50)
p 1
2 npq
x2
k
2
0:079:
! n !;
j!j = ! 1 + ! 2 +
!
+ !n;
!1
!n
x! = x!1 1 x!2 2
x!n n ; x 2 Rn :
29
Kako je
P 0( 0) =
P (X = !) =
k!
p!1 1 ::: p!n n =
! 1 !! 2 ! ! n !
= (p1 + ::: + pn )k = 1;
to je P 0 vjerojatnost i nazivamo je polinomijalna distribucija na Rn s parametrima k i p.
Polinomijalnu vjerojatnost cesto susrece u praksi. Na primjer, neka je slucajni
eksperiment opisan s ( ; P ) i neka je fE1 ; : : : ; En g potpun sistem dogaaja u , te
p1 = P (E1 ) ; : : : ; pn = P (En ) : Denirajmo slucajnu varijablu X u Rn sa
X = X1 e1 +
+ Xn en ;
pri cemu slucajna varijabla Xi predstavlja broj koliko se puta realizirao dogaaj
Ei pri k-terostrukom ponavljanju tog pokusa. Slucajna varijabla X je diskretna
f0; 1; 2; :::; kgn , pa
sa skupom mogucih vrijednosti X ( ) = f! 2 Nn0 : j!j = kg
je X :
! f0; 1; : : : ; kgn polinomijalna slucajna varijabla. Distribucija te
slucajne varijable je dana sa
P 0 (f!g) = P (X = !) =
k! !
p :
!!
1
2
!1
1
6
!2
1
3
!3
1
X
30
P (X = k) =
k=1
1
X
qk 1p =
k=1
p
1
= 1;
pa je PX od X denirana s PX (fkg) = P (X = k) ; za k
1; vjerojatnost. Tu
vjerojatnost nazivamo geometrijska distribucija i oznacavamo s G (p). Piemo
X G(p)
Primjer 22. Kontrolor provjerava seriju proizvoda u kojoj ima 10% neispravnih
proizvoda i prekida provjeru kada naie na prvi neispravni proizvod. Neka je X broj
pregledanih prizvoda. Naite distribuciju od X:
Rjeenje.
X ( ) = f1; 2; 3; :::g = N
9 k 1 1
; k 2 N, pa je
P (X = k) = 10
10
X
G(
1
)=
10
9 1 1
10
10
1
10
9 2 1
10
10
:::
:::
:::
:::
1 k 1 1
10
10
P (X = k) =
m r
n k
m
n
; k 2 f0; 1; :::; ng ;
odnosno
0
(r0)(mn 0r)
(mn)
1
:::
n
(r1)(mn 1r)
(nr )(m0 r)
:::
(mn)
(mn)
Nadalje, vrijedi
n
X
k=0
P (X = k) =
n
X
k=0
r
k
m r
n k
m
n
n
1 X r
= m
k
n k=0
= Vandermond. konvolucija =
m
n
r
k
r+(m r)
n
m
n
=
= 1;
31
Primjer 23. Skup se sastoji od 30 proizvoda, 24 ispravna i 6 neispravnih. Uzimamo nasumce uzorak od 5 proizvoda. Neka slucajna varijabla X predstavlja broj
neispravnih proizvoda u tom uzorku. Odredite distribuciju slucajne varijable X.
Rjeenje.
X ( ) = f0; 1; 2; 3; 4; 5g i X ima hipergeometrijsku distribuciju H (30; 6; 5) : Stoga
je
P (X = k) =
6
k
24
5 k
30
5
; k 2 f0; 1; 2; 3; 4; 5g ;
pa je
X
0
(245)
(305)
H (30; 6; 5) =
1
(61)(244)
(305)
2
(62)(243)
(305)
3
(63)(242)
(305)
4
(64)(241)
(305)
5
(65)
(305)
P (X = k) =
p)k ; k 2 N0 :
pr (1
2
p (1
r+1
2
p)
p)
:::
:::
r+n 1
n
n
pr (1
p)
:::
:::
k
1 (1 p)
;
log p
k
odnosno
X
q
ln p
q2
2 ln p
q3
3 ln p
:::
:::
k
qk
k ln p
:::
:::
k 2 N,
, gdje je q = 1
p:
Vrijedi
1
X
P (X = k) =
k=1
( )
1
X
k=1
1
X
xk =
k=0
1
X
q k+1
=
k+1
k=0
qk
=
k ln p
1
1
Zq
1 X qk ( )
=
ln p k=1 k
1
1
( ln (1
ln p
q)) =
ln p
= 1;
ln p
dx )
Zq
0
1
1
dx )
1
X
qk
k=1
ln (1
q)
32
nezavisna,
:::
odnosno u obliku
PX (E1
:::
n
T
i=1
gi (Xi ) 2 Bi
R, i = 1; :::; n vrijedi
= P
= P
= P
n
T
i=1
n
T
i=1
n
T
i=1
=
=
n
Q
i=1
n
Q
i=1
(gi (Xi ))
Xi
(Bi )
gi 1 (Bi )
Xi 2 gi 1 (Bi )
P Xi 2 gi 1 (Bi )
P (gi (Xi ) 2 Bi ) :
(zbog nezavisnosti)
1.7.
33
a2
p2
:::
:::
! R sluca-
0; ako je x 6= ai za svaki i
pi ; ako je x = ai za neki i:
Cesto
cemo stavljati fX = f ako je jasno o kojoj se slucajnoj varijabli, odnosno
njezinoj gustoci radi.
Neka je B R. Tada imamo
P (X 2 B) = P X 1 (B) = P X 1 (B \ fa1 ; a2 ; :::g) =
P
P
P
=
P (X = ai ) =
pi =
f (x)
ai 2B
x2B
fi:ai 2Bg
Ova suma ima najvie prebrojivo clanova jer je f jRnfa1 ;a2 ;:::g = 0:
Neka je g : R ! R i B R. Tada imamo
P
P
P (g (X) 2 B) =
pi =
f (x) :
fi:g(ai )2Bg
g(x)2B
x) = P f! : X (!)
! R jest funkcija
xg ; x 2 R.
Cesto
cemo stavljati FX = F ako je jasno o kojoj se slucajnoj varijabli, odnosno
njezinoj distribuciji radi. Ocito je
P
P
F (x) =
pi =
f (y) ; x 2 R:
ai x
y x
Prema tome, funkcija distribucije slucajne varijable u potpunosti je odreena njezinom distribucijom, odnosno gustocom.
Funkcija distribucije diskretne slucajne varijable u R je stepenasta funkcija.
Ako diskretna slucajna varijabla ima konacan skup mogucih vrijednosti, tj. ako je
34
graf.
x< 1
1 x<0
0 x<1
x 1:
Primjer 25. Bacamo dvije razlicite simetricne kocke. Neka je X slucajna varijabla apsolutna vrijednost razlike brojeva koji su pali. Odredite distribuciju slucajne
varijable, te odredite funkciju distribucije i nacrtajte njezin graf.
Rjeenje.
0 1 2 3 4 5
X
10
8
6
4
2
6
36
F (x) = P (X
36
36
36
8
0;
>
>
>
6
>
;
>
36
>
>
16
>
< 36 ;
24
;
x) =
36
>
30
>
;
>
36
>
>
34
>
;
>
>
: 36
1;
36
36
x<0
0 x<1
1 x<2
2 x<3
3 x<4
4 x<5
x 5:
x!1
35
1.8.
=
=
=
=
=
=
=
F
F
F
F
F
1
1
(b) F (a) ;
(b) F (a ) ;
(b ) F (a) ;
(b ) F (a ) ;
(b ) ;
F (a) ;
F (a ) :
N1
Nn
N1 x1 + ::: + Nn xn
=
x1 + ::: +
xn :
N
N
N
matematicko ocekivanje.
Primijetimo da matematicko ocekivanje diskretne slucajne varijable s konacnim
skupom mogucih vrijednosti uvijek postoji.
36
X
P
Redovi
X (!) P (f!g) i
a2
p2
:::
:::
! R slucajna
!2
!2
!2
ai P (X = ai ) =
ai
!2 ; X(!)=ai
ai p i
Iz ovog odmah slijedi da ti redovi istodobno ili apsolutno konvergiraju ili apsolutno
divergiraju.
Primjer 26. Neka je X slucajna varijabla koja predstavlja broj bacanja novcica do
prve pojave pisma. Odredite distribuciju slucajne varijable X i njeno ocekivanje.
Rjeenje.
X ( ) = f1; 2; 3; :::g = N,
k 1 1
k
= 21 ; k 2 N, pa je
P (X = k) = 21
2
EX =
( )
1
P
xk pk =
1
1
X
x
kxk
=
=
k=0
x=
1
2
k=1
k=1
1
P
1
X
k=0
1
X
k=1
1
X
k=1
1
G( ) =
2
1 k ( )
=
2
k 0
x j)
kxk =
k
1
2
1
2
1 2
2
1 3
2
:::
:::
k
1 k
2
:::
:::
2:
1
x)2
(1
1
(1
x)
kx
k=1
1
X
k 1
xk =
1 2
2
1
X
(k + 1) x =
k=0
k=0
1
1
1
X
(1
1
1
k=0
1
2
x)
=4
1
X
1
1
kx +
1
X
k=0
2 = 2:
Dakle, broj 2 je ocekivani ili srednji broj bacanja novcica potrebnih da se pojavi
pismo.
xk )
37
Y onda je EX
2 R:
EY:
! R integrabilna.
E jXj
0
P (12) 0Ako je X ( ) = fan : n 2 Ng i P = PX distribucija od X, onda je EX =
n an P (fan g):
38
kX + Y k1 = E jX + Y j
(1)
Nadalje,
kXk1 = 0 , E jXj = 0 ,
!2
=
B =
Bj =
A[B
A\B ;
A4B ,
=1
(b) Ako je A = A1 [
A
A\B ;
(a)
=1
Ac
Ac1 \:::\Acn
=1
(1
A1 )
::: (1
An ):
n
P
( 1)r
r=1
1 i1 < <ir n
Ai1 \ \Air :
= P (A) =
n
P
( 1)r
sr :
r=1
P (A1 \ A2 ),
i Bk skup svih ! 2
n
P
r=k
( 1)r
r
k
1 i1 < <ir n
Ai1 \ \Air ;
Bk
= P (Bk ) =
39
n
P
( 1)r
r=k
r
k
sr
40
Lp ( ; P )
Lq ( ; P )
L1 ( ; P )
Dokaz. Ako je 1 s < r < 1 i E jXjr < 1, onda zbog jXjs 1 + jXjr slijedi da
je E jXjs 1 + E jXjr < 1.
Matematicko ocekivanje EX, kao broj koji je na neki nacin srednja vrijednost
slucajne varijable X, je prva i osnovna informacija o slucajnoj varijabli, ali daleko
od toga da ona moze zamijeniti potpunu informaciju koju daje njezina distribucija.
Srednja vrijednost nije dovoljna za opisivanje pojedinih pojava. Na primjer, ako je
prosjecna godinja temperatura u nekom mjestu 18 , moglo bi se pomisliti da to
mjesto ima ugodnu klimu. Meutim, ova prosjecna temperatura je moguca i ako je
maksimalna temperatura 40 , a minimalna 12 . Dakle, pored srednje vrijednosti
pozeljno je znati i kakva su odstupanja od srednje vrijednosti. Slucajna varijabla
X EX predstavlja odstupanje slucajne varijable X od srednje vrijednosti EX, dok
je jX EXj apsolutna vrijednost tog odstupanja. Buduci je neprakticno racunati s
apsolutnim vrijednostima, mjesto nje koristi se slucajna varijabla (X EX)2 .
Denicija 1.8.4. Neka je X 2 L2 ( ; P ). Realni broj
DX = E(X
EX)2
EX)2 = E X 2
2XEX + (EX)2 =
= E X2
2EX EX + (EX)2 =
= E X2
2 (EX)2 + (EX)2 =
= E X2
(EX)2 :
a)2 = E (X
EX + EX
= E (X
EX)2 + 2 (X
EX) (EX
= E (X
EX)2 + (EX
a)2 ;
a)2
a) + (EX
a)2
pa je
min E (Ya ) = min E (X
a2R
a2R
EX)2 + (EX
a=EX
a)2 = E (X
EX)2 = D (X) :
41
n
X
k=0
n k
( 1)
n
k
n k
k
X EX
n
X
( 1)n
k=0
n
k
n k
k
X
3
;
3
4
:
4
koecijent asimetrije
42
6 1
2 k2 ;
1:
+ EXn en 2 R.
EX)(X
EX) = EXX
EXEX
43
")
1
"
EXj
")
")
1
E jXj ;
"
1
DX;
"2
" > 0:
" > 0:
jan j "
")
jan j "
=1i
= 2:
EXn j
")
1
DXn
"2
! 0.
44
ESn )) =
2 R takav da je DXn
1
DSn
n2
1
n
n2
; za svaki n
1
n
!0
1:
Korolar 1.8.1. Neka vrijede uvjeti prethodnog teorema i neka je EXn = a za svaki
P
n 1: Tada n1 Sn ! a.
fk <
Dokaz. Ovo je izuzetno popularna tvrdnja. Postoji vie od stotinu dokaza za nju!
Ovaj dokaz je dao S. N. Bernstein pocetkom dvadesetog stoljeca.
Za f 2 C(I) i > 0 stavimo
!(f; ) = max fjf (x)
f (y)j ; jx
g:
yj
n
P
n
r
r=0
xr (1
x)n r f ( nr ):
f (x)j = j
n
P
r=0
j nr
n
r
xr (1
n
r
xj
+2 kf k
j nr
x)n r (f ( nr )
xr (1
P
xj>
f (x))j
x)n r !(f; )
n
r
xr (1
x)n
!(f; ) + 2 kf k P (j n1 Sn
xj > )
Sada, po Ceby
evljevoj nejednakosti, imamo
P (j n1 Sn
xj > )
1
n2
nx(1
x)
1
4n
=n
1=4
45
dobivamo
jBn;f (x)
f (x)j
1=4
!(f; n
1
p
2 n
)+
kf k ! 0; n ! 1;
1: Nadalje
3
!(f; n 1=2 ):
2
fk
= EtX =
1
P
P (X = n) tn
n=0
1) ::: (X
(n)
X (1);
X (1)
(D
2
X (1))
n + 1);
gdje je D = t dtd :
00
X (1)
0
X (1)
0
2
X (1) :
> 0; onda je
E( + X)
R1
0
(t)t
dt:
46
(4) Buduci da je
R1
X (t)dt =
R1
=
=
1
P
n=0
1
P
tn P (X = n)dt
n=0
1
P
R1
P (X = n) t
+n 1
dt
P (X = n)
n=0
1
+n
= E( + X)
dan s
Pn; (x) =
n
P
k=0
Vrijedi:
Pn;0 (x) =
Pn; 2 (x) =
x
n
n
P
k=0
n
P
k=0
(
n k
)n k x
(n k)! k
Pk; (x), n
0:
Pk; 1 (x), n
0:
(n k)!
n
2)
(n k)!
; n
0:
47
Primjedba
1.8.2. Neka (V; k:k) Banachov prostor, P
an 2 V , n 2 N. Kazemo da
P
red
n an konvergira apsolutno ako konvergira red
n kan k. Zamijetimo da red
P
!2 Y (!)P (f!g jX) konvergira apsolutno u L1 ( ; P ). Naime
P
P
kY (!)P (f!g jX)k1 =
jY (!)j P (f!g) = kY k1 :
!2
!2
!2
EEX Y = EY; Y 2 L1 ( ; P ):
Ako je Y
0; onda je EX Y
0:
Ako je Y1 Y2 ; onda je EX Y1 EX Y2 :
Ako je Y = PA ; onda je EX Y = P (AjX),
:
PA
Ako je Y = k bk Ak ; onda je EX Y = k bk P (Ak jX):
jEX Y j EX jY j :
kEX Y k1 kY k1 :
EX 1 = 1:
Dokaz. Prvih pet svojstava slijede iz denicije i gornje napomene. Svojstvo (6)
slijedi iz relacije trokuta za apsolutnu vrijednost i svojstva (3), a svojstvo (7) slijedi
iz (6), dok je svojstvo (8) evidentno.
(1) Ako su X i Y nezavisne slucajne varijable, onda je EX Y = EY .
(2) Ako je X konstantna slucajna varijabla, onda je EX Y = EY , za svaku slucajnu
varijablu Y 2 L1 ( ; P ):
(3) Ako je X =
A;
onda je EX Y =
Ac ;
za neke ;
2 R:
48
(4) Neka je X :
! 1 i f : 1 ! R takav da je f (X) 2 L1 ( ; P ). Ako je
Y 2 L1 ( ; P ) takav da je Y f (X) 2 L1 ( ; P ) onda vrijedi
EX [Y f (X)] = f (X)EX Y:
(5) Ako je X :
if:
2;
Y 6=0
P (X=ak )
P (X=ak )
= 1:
1:
Uvjetna
(EX Y )2 :
=
=
=
=
EEX Y 2 E(EX Y )2
EY 2 (EY )2 E(EX Y )2 + (EY )2
DY E(EX Y )2 + (EEX Y )2
DY DEX Y
Uvjetno ocekivanje EX Y integrabilne slucajne varijable Y u Rn ili u gln (R) deniramo po koordinatama.
Poglavlje 2.
Prostori s mjerom
2.1.
Mjere u Rn
Ak
limAn =
n2N k n
S T
Ak :
n2N k>n
Skup limAn se zove limes superior niza skupova (An ) ; a skup limAn se zove limes
inferior niza skupova (An ) :
Primjedba 2.1.1. Termini su uvedeni po analogiji za niz u R. Naime, ako je (an )
niz u R, onda je liman = inf sup ak ; a liman = sup inf ak :
n2N k>n
n2N k>n
: ! 2 An za beskonacno mnogo n 2 Ng ;
(Dakle, dogaaj limAn se dogodi ako i samo ako se dogodi beskonacno mnogo
dogaaja An , a limAn se dogodi ako i samo ako se dogode svi An osim eventualno konacno mnogo njih.)
3. limAn
limAn
= lim
= lim
49
An ;
An :
2. Prostori s mjerom
50
Kazemo
da je niz (An ) pada prema A, i piemo An # A, ako je A1
T
A=
An .
A2
::: i
n2N
Uocimo da vrijedi:
(a) Ako je An " A; onda je Acn # Ac :
An = A, pa je (An ) konvergen-
n2N
An = A, pa je (An ) konvergen-
n2N
tan niz.
Neka je topoloki prostor i B ( ) -algebra generirana svim otvorenim skupovima
u : Tada se B ( ) zove Borelova -algebra od : Svaki element iz B ( ) se zove
Borelov skup. Stoga je svaki otvoreni ili zatvoreni skup Borelov. Najvazniji primjer Borelove -algebre je za = Rn ; tj. B (Rn ) ( -algebra generirana svim otvorenim
skupovima u Rn ).
Na primjer, za
= R su ha; bi ; ha; b] ; [a; bi i [a; b] Borelovi skupovi, za svaki
a; b 2 R.
Primijetimo da je B (R) generirana sa fh 1; ai : a 2 Rg ili sa fh 1; a] : a 2 Rg
ili sa fha; 1i : a 2 Rg ili sa f[a; 1i : a 2 Rg.
n
P
Opcenito, ako je a 2 Rn ; a =
ai ei i h 1; a] = h 1; a1 ]
h 1; an ]
i=1
od ).
n=1
2. Prostori s mjerom
51
1: Tada je Cn 2 A; n
1, niz
n2N
(A) = (
Cn ) =
n2N
(Cn ) 6
(Bn ) 6
(An ) :
(A) =
(A1 ) +
1
P
n=2
(An nAn 1 )
n
P
(Ai nAi 1 )
(A1 ) + lim
(A1 ) + lim (
n!1 i=2
n!1
n!1
(A1 ) +
+ (An )
(An 1 )]
(A1 ) =
P
k
Buduci da red
P
k
prema 0; tj.
(Ak nAk+1 );
(An ) =
k n
(Ak nAk+1 ); n
(An ) ! 0; n ! 1:
topoloki prostor i B ( )
A onda kazemo da je
Borelova mjera
2. Prostori s mjerom
na
52
3: Kazemo da je
koncentrirana na E 2 A ako je
4: Kazemo da je
brojivom skupu.
5: Kazemo da je
(E c ) = 0.
1; takvi da je
An i
1:
(A) =
(a) =
1;
0;
2 R;
a
0, onda su
: A ! [0; 1] denirana s
a2A
a2
= A.
n2N
P
P
cna ako je
cna ako
Diskretna mjera =
n an je kona
n < 1 i beskona
n2N
n2N
P
P
P
je
( )=
n = 1. Naime,
n . Ona je vjerojatnost ako je
n = 1.
n2N
n2N
n2N
(d)
vjerojatnost na Rn s parametrima k i p je dana s P =
P Polinomijalna
k! !
p !.
!!
j!j=k
p)n
k.
2. Prostori s mjerom
Primjer 30. 1: Neka je
53
=
n>1
prebrojiv skup, A = 2 i
(A) =
Tada je
: A ! [0; 1] ;
0;
A je konacan
1; A je beskonacan.
lokalno kon-
cije na R.
2. Prostori s mjerom
54
Ovakve funkcije nam sluze kako bismo konstruirali lokalno konacne mjere na R.
Naime, moze se dokazati (to mi necemo jer je dokaz jako dug) da ako je zadana
funkcija distribucije F na R, onda postoji jedinstvena lokalno konacna Borelova
mjera na R takva da je
(ha; b]) = F (b)
F (a) ; a
b:
i obratno.
x!a 0
F (x)) = F (a)
F (a ) ;
F (a ) :
F ( x)) :
3: Neka je f : R ! R; f
0, integrabilna po Riemannu na svakom intervalu
ha; bi R. Deniramo F : R ! R s
8
Rx
>
>
+
f (t) dt; x 0
<
0
F (x) =
R0
>
>
f (t) dt; x < 0;
:
x
pri cemu je
= F (0) 2 R.
b:
vrijedi
2. Prostori s mjerom
55
+ x, a za pripadnu mjeru
(ha; b]) = F (b)
vrijedi
F (a) = b
a:
bi ; i = 1; : : : ; ng:
Slicne uvodimo i oznake: ha; bi ; [a; b] ; [a; bi. Skup B = ha; b] se zove pravokutnik
i za njega vrijedi ha; b] = ha1 ; b1 ]
han ; bn ] : On ima 2n vrhova vi ; i = 1; : : : ; 2n .
Koordinate nekog vrha vi se sastoje od nekih koordinata od a i od nekih koordinata
od b. Denirajmo predznak "i vrha vi sa "i = ( 1)ki ; gdje je ki broj koordinata
vrha vi koje su koordinate od a.
Ako je F : Rn ! R i B = ha; b] pravokutnik s vrhovima vi ; i = 1; : : : ; 2n ; onda
deniramo
2n
P
"i F (vi )
F (B) =
i=1
Npr. za n = 2; B = ha1 ; b1 ]
F
ha2 ; b2 ] imamo
F (a1 ; b2 )
F (b1 ; a2 ) :
(B) ; B = ha; b] ; a
b; a; b 2 Rn :
(B) ; B = ha; b] ; a
b; a; b 2 Rn :
h 1; xn ] ;
2. Prostori s mjerom
56
1; : : : ;
Fn (an )) :
h(a1 ; b1 ]) :::
n (han ; bn ]);
F (x) =
Rxn
Rx1
f (y1 ; : : : ; yn ) dy1
dyn
Rb1
Rbn
f (y1 ; : : : ; yn ) dy1
a1
vrijedi:
dyn ;
an
A2 ) =
(A1 )
Mjera
se zove produkt mjera
tor s mjerom ( 1
A2 ;
2 ; A1
( 1 ; A1 ; 1 ) i ( 2 ; A2 ; 2 ).
1
1
(A2 ) ; A1 2 A1 ; A2 2 A2 :
i oznacava se sa
= 1
2 : Pros2 ) se zove produkt prostora s mjerom
2
2. Prostori s mjerom
57
2.2.
ako su
na Rn je okomita na mn .
Izmjerive funkcije
Propozicija 2.2.1.
1: Neka su ( i ; Ai ) ; i = 1; 2; 3; izmjerivi prostori, te f : 1 ! 2 i g : 2 ! 3 :
Ako su f i g izmjerive onda je g f takoer izmjeriva.
2: Neka je ( ; A) izmjeriv prostor, 0 topoloki prostor i f :
! 0 : Ako je
0
f 1 (U ) 2 A; za svaki otvoreni skup U
; onda je f izmjeriva.
0
00
3: Neka je ( ; A) izmjeriv prostor, ;
topoloki prostori, f : ! 0 izmjeriva
0
00
funkcija i g : !
neprekidna funkcija. Tada je g f izmjeriva.
Dokaz. (1) : (g f ) 1 (A3 ) = f 1 (g 1 (A3 )) 2 A1 ; za A3 2 A3 :
(2) : B( 0 ) je generirana topologijom.
(3) : Slijedi iz (1) i (2).
Korolar 2.2.1. Ako su f; g : ! R izmjerive funkcije i : R2 ! R neprekidna,
onda je h =
(f; g) izmjeriva, gdje je (f; g) :
! R2 funkcija denirana s
(f; g) (!) = (f (!) ; g (!)) :
Dokaz. (f; g) :
jemo da je h =
! R2 je izmjeriva funkcija, pa po prethodnoj propoziciji zakljucu(f; g) izmjeriva. Funkciju h cemo krace zapisivati h = (f; g).
2. Prostori s mjerom
58
(A) = f! 2
: f (!) 2 Ag ; A
i A0
:
-algebra na
-algebra na
-algebra na
, onda je f
(A0 ) = ff
(A0 ) : A0 2 A0 g
:f
-algebra
2. Prostori s mjerom
59
(E) = 0; dok
Ako je f ( ) = f 1 ; : : : ;
f moze napisati u obliku
i Ek = (f =
ng
f=
1 E1
k) ;
n En :
1i1
n2n uzmemo
n) i
k=1
fn (x)
; za
2. Prostori s mjerom
60
(E) = mn (E
R) = m1 (E) m1 (R)n
= 1; za m1 (E) 6= 0:
2.3.
! R izmjeriva
! R izmjeriva,
zove integral
R od f po mjeri :
Ako je f d < 1, onda kazemo da je f integrabilna ili -integrabilna.
zove integral od f po mjeri ; ako je bar jedan od ova dva integrala konacan. Ako
su oba integrala konacna, onda kazemo da je f integrabilna ili -integrabilna.
Ako je E 2 A, onda deniramo
R
Za integral od f po mjeri
R
R
fd = f
Ed
R
R
R
f d = f (!) d (!) = f d = f (!) d (!) :
2. Prostori s mjerom
61
je integrabilna za svaki E 2 A:
h R g pa
f d
! R izmjeriva funkcja,
onda je
mjera na ( ; A) :
Dokaz. Ako je f =
1 E1
(E) =
+
1
n En
(E1 \ E) +
(En \ E) ;
pa je tvrdnja evidentna. S
Razmotrimo sada opci slucaj. Neka su Bn ; n 1; disjunktni
izmjerivi skupovi i B = Bn : Ako je 0 h f; gdje je h prosta, onda je
R
hd =
PR
n Bn
hd
PR
n Bn
fd =
(Bn ) :
P
Ako uzmemo sup po h dobijemo (B)
n (Bn ) :
Buduci da je Bn
B, slijedi da je Bn
(Bn )
(B) (po prethodB , pa je
nom teoremu). Ako je (Bn ) = 1 onda je tvrdnja trivijalna, pa mozemo smatrati
2. Prostori s mjerom
62
Bi
pa dobivamo
(B1 [
[ Bn )
hd =
(B)
(B)
hd
i=1 Bi
B1 [ [Bn
pa je
n R
P
n
S
n R
P
fd
i=1 Bi
n
P
Bi )
i=1
(Bi )
"=
n
P
(Bi )
":
i=1
";
i=1
fn d
R
Bn
fn d
R
pa
R
b hd :
Bn
2. Prostori s mjerom
Korolar 2.3.1. Neka su fn
integrabilna onda je
63
0; n
R
1; integrabilne funkcije i f =
fd =
PR
fn d
fn : Ako je f
R
Dokaz.
(1) : Neka je A = (jf j = 1) : Ako je (A) > 0, onda je jf j d
R
jf j d = 1 (A) = 1; to je kontradikcija.
A
R
1
(2) : Neka je A = (f > 0) i An = (f
); n 1: Tada An " A i An f d = 0;
n
R
1
n 1: Kako je An f d
(An ) slijedi (An ) = 0; n 1; pa je (A) = 0:
n
2. Prostori s mjerom
64
R
R
Korolar 2.3.4. Neka je
: A ! [0; 1], (E) = f d mjera. Tada je gd =
E
R
gf d za svaku izmjerivu funkciju g za koju je gf 2 L1 ( ) :
Funkcija f se zove gustoca ili Radon-Nikodymova derivacija mjere po
mjeri i cesto piemo d = f d :
Dokaz. Neka je g =
R
gd
1 E1
=
=
=
n En
(E1 ) +
fd +
E1
+
+
1 E1
(En )
R
n En f d
n En
R
f d = gf d ;
R
lim fn d :
R
R
Dokaz. Neka je gk = inf i k fi : Tada je gk fk ; k 1; pa je gk d
fk d ; k 1:
NadaljeR 0 g1 g2 R i gk ! limf
R k pa po teoremu o monotonoj konvergenciji
lim fk d :
slijedi limfk d = lim gk d
0; n
1; onda je
limfn d
2. Prostori s mjerom
65
PR
Propozicija
2.3.3.
Neka
je
(f
)
niz
izmjerivih
funkcija
za
koji
vrijedi
jf
n
R nj d <
P
1:
Tada
f
konvergira
s:s:
prema
nekoj
integrabilnoj
funkciji
f
i
vrijedi
fd =
n
PR
fn d :
R
P
Dokaz. Neka je g =
jfn j : Tada po uvjetu imamo
gd < 1 pa je g < 1 s:s.
P
Dakle, niz f1 +
+ fn konvergira
s:s:
prema
f
i
jf
+ fn j g s:s: pa je
n
R
P
P1 R+
po prethodnom teoremu
fn = f 2 L1 ( ) i f d =
fn d :
R
R
Propozicija 2.3.4. Ako su f; g 2 L1 ( ) i A f d
gd ; za svaki A 2 A; onda
A
je f g s:s:
R
R
R
Dokaz.
Ako
je
B
=
(f
>
g),
onda
je
f
d
gd
f d , pa je 0 =
B
B
B
R
R
(f g) d = (f g) B d , pa slijedi (f g) B = 0 s:s: pa je f = g s:s:
B
na B to znaci (B) = 0:
(1) Buduci da nam je Lebesgueova mjera posebno vazna za nju uvodimo i posebne
oznake L1 (Rn ) = L1 (Rn ; mn ) = L1 (mn ) i takoer
R
R
R
R
f dmn = f (x) dx =
f (x1 ; : : : ; xn ) dx1
dxn ;
tj. umjesto dmn (x) obicno piemo dx ili dx1
dxn : Nadalje, ako je f
0 i
d = f dmn onda piemo d (x) = f (x) dx i funkciju f zovemo gustoca od
po Lebesgueovoj mjeri.
(2) Ako je f
0R i d = f d onda je konacna mjera ako i samo akoRf 2 L1 ( ) :
Naime, ( ) = f d = kf k1 : Mjera je vjerojatnost ako i samo ako f d = 1:
Obicno zadajemo primjere vjerojatnostnih mjera
na Rn tako da uzmemo izmR
jerivu funkciju f : Rn ! R; f 0; takvu da je f (x) dx = 1 i deniramo vjerojatnost P formulom
R
P (E) = f (x) dx
E
f (x) =
1
2
2 (x
a)2
; x 2 R:
; x
0; f (x) = 0; x < 0:
( )
; x > 0; f (x) = 0; x
( + )
x
( ) ( )
(1
x)
>0 i
>0i
> 0 ako je
0
> 0 ako je
; x 2 [0; 1] ; f (x) = 0; x 2
= [0; 1] :
2. Prostori s mjerom
66
1
+(x
)2
(h) P se zove
-mjera s
f (x) =
=2
jx
j)
x=2
> 0 ako je
; x 2 R:
stupnjeva slobode,
1
x2
( =2)
> 0 ako je
; x 2 R:
> 0; ako je
; x > 0; f (x) = 0; x
0:
Ona je specijalni slucaj gamma mjere ako stavimo = 1=2 i zamijenimo sa =2.
Navedimo sada neke vjerojatnostne mjere na Rn koje imaju posebna imena i
cesto se koriste. One su dane gustocom: dP (x) = f (x) dx.
(a) Neka je K Rn kompakt i mn (K) > 0. Mjera P se zove uniformna mjera
na K ako je f = mn1(K) K .
Najceci ovakav slucaj je: K = [a; b]
Rn ; a
b ili K = D ; D = fx 2
n
n
R ; (x) < 1g; gdje je norma na R .
(b) P se zove Gaussova mjera na Rn s parametrima a 2 Rn i A 2 GLn (R) ;
A > 0, ako vrijedi
f (x) =
(2 )
n=2
1
(A
1
2
1=2 e
(det A)
1 (x
a)jx a)
; x 2 Rn :
Rn je dana pomocu
2 R;
+
0;
0, onda je
f d 2:
2. Prostori s mjerom
67
R
R
(6) Ako je f1 f2
0 i fn ! f 2 L1 ( ) s:s: onda fn d ! f d :
(7) Ako je (fn ) niz ograni
funkcija, fn ! f uniformno na
Rcenih izmjerivih
R
konacna mjera na onda fn d ! f d : Naime
R
R
R
j fn d
fd j
jfn f j d
( ) sup jfn (!) f (!)j ! 0
Ako stavimo s (
n)
= sn; s (
s1
n)
= sn onda je
s2
sn
sn
f dm1 = lim
[a;b]
Prema tome je
s n dm1 = lim sn ;
[a;b]
s2
f dm1 = lim
[a;b]
[a;b]
s1 :
s n dm1 = lim sn :
[a;b]
Rb
R
f dm1 = f (x) dx =
f dm1
a
[a;b]
f (x) dx =
f dm1 :
[a;b]
2. Prostori s mjerom
68
2.4.
(2) Neka je f :
! gln (R) izmjeriva funkcija i f = [fij ] : Kazemo da je f
integrabilna ako su integrabilne sve koordinate fij : ! R; i; j = 1; ::; n; i u tom
slucaju deniramo integral od f formulom
R
R
f d = fij d 2 gln (R) :
Denicija 2.4.2. Neka je ( ; A; P ) vjerojatnosni
prostor.
R
(1) Ako je X 2 L1 ( ; P ) onda se XdP oznacava sa EX i zove srednja vrijednost ili ocekivanje od X: P
(2) Ako je X : ! Rn ; X = Xi ei ; integrabilna slucajna varijabla onda se
R
P
EX = XdP = EXi ei
EX) (X
EX) = EXX
EXEX :
2. Prostori s mjerom
69
n
P
Mi (F (ti )
F (ti 1 )) ; s ( ) =
i=1
n
P
mi (F (ti )
F (ti 1 )) :
i=1
'(U )
R
f (x) dx = f (' (x)) j det '0 (x) jdx;
U
to se cesto popularno pie ovako: y = ' (x) ; dy = j det '0 (x) jdx: Ova tvrdnja se
zove teoremP
o zamjeni varijable za mn : Ovdje smo sa '0 (x) oznacili derivaciju
funkcije ' = 'i ei koja je dana sa
] 2 GLn (R) :
'0 (x) = [ @'@xi (x)
j
Tvrdnja vrijedi u puno opcenitijim uvjetima: ' ne mora biti difeomorzam, dovoljno
je da je bijekcija s:s:; derivabilna s:s: i det '0 (x) 6= 0 s:s: Navedimo neke specijalne
slucajeve:
(a) Neka je ' (x) = Ax+a; det A 6= 0; a 2 Rn : Funkcija ' se zove ana funkcija.
Za nju je ' (Rn ) = Rn ; ' 1 (x) = A 1 (x a) i '0 (x) = A; x 2 Rn :
(b) Za anu funkciju ' vrijedi
R
R
f (x) dx = jdet Aj f (Ax + a) dx; f 2 L1 (Rn ) :
(c) Specijalno, ako je ' (x) = rx + a; r > 0; a 2 Rn ; dobijemo
R
R
f (rx + a) dx = r n f (x) dx:
2.5.
2. Prostori s mjerom
70
+ an Xn =
s:s:
+ an Xn ) = (DXaja) = 0;
+ an Xn konstantna s:s:
\ (Xn 2 En )) = P (X1 2 E1 )
i;
P (Xn 2 En )
i = 1; : : : ; n:
En ) = P (X1 2 E1 )
P (Xn 2 En );
tj. sa PX (E1
En ) = PX1 (E1 ) PXn (En ) to je ekvivalentno zahtjevu (E1
En ) = 1 (E1 )
= 1
n (En ) tj.
n:
2. Prostori s mjerom
2.6.
71
P
Denicija 2.6.1. Neka je X =
Xi ei slucajna varijabla u Rn s distribucijom ;
pri cemu je i distribucija od Xi ; i = 1; : : : ; n: Distribucija i se zove i-ta marginalna distribucija od X
Funkciju FX : Rn ! [0; 1]
FX (x) = P (X
x) = (h 1; x])
t) =
i (h
i)
1; t])
ili i-ta marginalna funkcija
i marginal-
FXn (xn ); x 2 Rn :
Egn (Xn ):
fn (xn )
s:s:
1 (h
1; x1 ])
n (h
1; xn ]); x 2 Rn ;
En ) =
1 (E1 )
n (En );
Ei 2 B(R);
2. Prostori s mjerom
72
to je ekvivalentno sa = 1
n:
(2) Formula se moze napisati u obliku
R
R
g1 (x1 ) gn (xn )d (x) = g1 d
gn d
n;
Rx1
FX (x) =
deriviranjem slijedi f (x) =
Takoer je
@n
F (x);
@x1 @xn X
FX1 (x1 ) =
FXn (xn ) =
R1
dtn ;
R1 Rxn
f (t1 ; : : : ; tn )dt1
dtn ;
1 1
@
F (x1 )
@x1 X1
@
F (xn )
@xn Xn
f (t1 ; : : : ; tn )dt1
fn (xn ) =
dtn
R1
Rx1 R1
1 1
f1 (x1 ) =
f (t1 ; : : : ; tn )dt1
f (t1 ; : : : tn 1 ; xn )dt1
dtn ;
dtn 1 :
Nadalje, derivirajuci formulu iz (1) vidimo da je nezavisnost od X1 ; : : : ; Xn ekvivalentna sa f (x) = f1 (x1 ) fn (xn ) s:s:
(4) Formula iz (2) vrijedi za svaki gi 2 L1 ( i ); pa ako stavimo gi = gj = id; i 6= j;
gk = 1; za k 6= i; j; dobijemo EXi Xj = EXi EXj ; i 6= j; to znaci da su X1 ; : : : ; Xn
nekorelirane.
Iz primjera cemo vidjeti da obrat ne vrijedi.
(1) Neka je X uniformna slucajna varijabla na [a; b] R; a < b: Tada vrijedi
Ef (X) =
1
b a
Rb
f (x)dx
2. Prostori s mjerom
73
( + n 1); n 1
(a) EX n = 1n ( + 1)
(b) X 2 Lp ( ; P ); p 2 [1; 1) ; X 2
= L1 ( ; P )
2
(c) DX = = :
(3) Ako u (2) stavimo = 1 onda je X exponencijalna slucajna varijabla u R
pa je EX n = n!= n ; n 1; i DX = 1= 2 :
Ako u (2) stavimo = 21 ; a zamijenimo sa 2 onda je X 2 -slucajna varijabla
u R pa je:
(c) EX n = ( + 2)
( + 2(n 1)); n 1
(d) DX = 2 :
(4) Neka je X Cauchyjeva slucajna varijabla u R s parametrima > 0 i 2 R:
Tada je
R
1
f (x)dx
Ef (X) =
2
+(x
)2
1
jDn j
f (x)dx
Dn
1
gdje je jDn j = n=2 = (1 + n2 ) volumen diska. Nadalje, EX = 0; DX = n+2
I; pa su
koordinate od X nekorelirane, ali zavisne.
(8) Neka je Y uniformna slucajna varijabla na disku rDn + a Rn ; r > 0; a 2 Rn :
r2
I:
Tada je Y = rX + a; gdje je X iz (7), pa je EY = a; i DY = r2 DX = n+2
ima
2. Prostori s mjerom
74
-testu.
p1
n
( n+1
)
2
(1
)
(n
2
+ n1 z 2 )
(n+1)=2
; z2R
2.7.
) m m=2 m 1
( m+n
2
) z 2 (1
n (
(m
)
(
) n
2
2
m
z)
n
m+n
2
; z>0
(c) Mk (X) =
1
n
(d) Ak (X) =
1
n
n
P
(Xi
i=1
n
P
i=1
1:
2: Tada su X i
2. Prostori s mjerom
75
Korolar 2.7.2. Neka je X Gaussov slucajni uzorak duljine m+1; Y Gaussov slucajni uzorak duljine n+1 i DX1 = DY1 : Ako su X i Y nezavisni onda slucajna varijabla
Pm+1
1
X)2
i=1 (Xi
m
Z = 1 Pn+1
Y )2
i=1 (Yi
n
ima Fischerovu distribuciju s (m; n) stupnjeva slobode.
2 i a = EX1 : Tada
1 stupnjeva slobode.
Primjedba 2.7.1. Na prethodnom korolaru se bazira poznati Studentov test u primijenjenoj statistici pomocu kojeg se provjerava hipoteza da Gaussova slucajna varijabla X u R ima ocekivanje a0 2 R; pri cemu je DX nepoznat broj. Postupak je
sljedeci: provede se n nezavisnih mjerenja od X tj. razmatra se slucajni uzorak Y
duljine n iz Gaussove p
populacije, Y1 = X. Ako je pretpostavka o ocekivanju a0 isa0 )=S 2 (Y )1=2 Studentova slucajna varijabla s n 1
pravna onda je Z = n(Y
stupanjem slobode. Za zadani 2 h0; 1i iz tablica Studentove distribucije naemo
broj t takav da je P (jZj t ) = 1
; i ovaj broj 1
zovemo pouzdanost testa.
Ako je izmjereni Z pao u [ t ; t ] onda se hipoteza EX = a0 prihvaca. Ako je
izmjereni Z izvan [ t ; t ] onda se hipoteza EX = a0 odbacuje.
(1) Neka su X; Y nezavisne slucajne varijable u R i Z = X + Y: Ako su
distribucije od X; Y onda je
R
R
FZ (z) = FX (z y)dv(y) = FY (z x)d (x)
Ako bar jedna od njih ima gustocu onda Z ima gustocu
R
R
fZ (z) = fX (z y)d (y) ili fZ (z) = fY (z
x)d (x)
(2) Ako je X Fischerova s (m; n) stupnjeva slobode onda je 1=X takoer Fischerova
s (n; m) stupnjeva slobode.
(3) Neka su X1 ; : : : ; Xn nezavisne slucajne varijable u R; Y1 = mini Xi i Y2 =
maxi Xi : Tada vrijedi
n
Q
FY1 (t) = 1
(1
i=1
n
Q
FXi (t)
i=1
1;
(1
onda je
d 1 (t) = n(1
2. Prostori s mjerom
76
ima gus-
F (x))n k f (x); x 2 R; k = 1; : : : ; n
x k 1
(n k) x
; x>0
F (x1 ))n
; x1
x2
Bibliograja
[1] Ljuban Dedic, Vjerojatnost i statistika
[2] Sarapa, Teorija vjerojatnosti, Osnove vjerojatnosti
[3] B. Vrdoljak, Vjerojatnost i statistika
[4] Vranjkovic, Zbirka zadataka iz vjerojatnosti i statistike
[5] N. Elezovic, Teorija vjerojatnosti, zbirka zadataka, Element, 1995:
77