Professional Documents
Culture Documents
Neka je (X, Y ) slu£ajni vektor diskretnog tipa. Uslovno matemati£ko o£ekivanje prom-
jenljive Y uz uslov X = xi se ozna£ava sa E(Y |X = xi ) i zadaje sa
m
X
E(Y |X = xi ) = yj P {Y = yj |X = xi },
j=1
Z∞ Z∞
ϕ(x, y)
E(Y |X = x) = yϕ(y|x)dy = y dy = h(x) ⇒ h(X) = E(Y |X).
ϕ1 (x)
−∞ −∞
1. E(
P P
ci Xi |Y ) = ci E(Xi |Y ).
i i
1
4. EE(Y |X) = EY. Tvrenje ¢emo dokazati u apsolutno neprekidnom slu£aju.
R∞ R∞ R∞
yϕ(x,y)
R∞ R∞
EE(Y |X) = E(Y |X = x)ϕ1 (x)dx = ϕ1 (x) ϕ1 (x)
dy dx = y ϕ(x, y)dx dy =
−∞ −∞ −∞ −∞ −∞
Z∞
yϕ2 (y)dy = EY.
−∞
1
k X k= (X, X) 2
2
E(Y − w(X))2 = E(Y − w∗ (X) + w∗ (X) − w(X))2 >
E(Y − w∗ (X))2 + 2E(Y − w∗ (X))(w∗ (X) − w(X)) = E(Y − w∗ (X))2 .
Naime
Primjer 1.1 (X, Y ) : U(D), D = {(x, y) : 0 < x < 1, 0 < y < x}.
Rx Rx
I ϕ(x, y) = 2, (x, y) ∈ D, ϕ1 (x) = 2dy = 2x, 0 < x < 1, w∗ (x) = yϕ(y|x)dy = x2 ,
0 2 R R 0
X x 2 1
0 < x < 1; ∆ = E Y − 2 = 2 y − 2 dxdy = 24 . J
D
Primjer 1.2 Na¢i o£ekivani broj bacanja kocke do registrovanja tri uzastopne ²estice.
INeka je X3 broj bacanja kocke do registrovanja tri uzastopne ²estice, X2 broj bacanja kocke
do registrovanja dvije uzastopne ²estice, X1 broj bacanja kocke do registrovanja ²estice.
3
Primjer 1.3 Neka je slu£ajna promjenljiva X jednaka broju bacanja nov£i¢a do padanja pr-
vog pisma, a Y broju bacanja nov£i¢a do padanja drugog pisma. Na¢i raspodjelu slu£ajne
promjenljive Y te E(X|Y ), E(Y |X) i EY .
2 3 4 ...
Y : 1
, EY = 4,
22
2 23 3 214 . . .
1
k + 1 k + 2 k + 3 ...
Y |X = k : 1 1 1
, E(Y |X = k) = k + 2 ⇒ E(Y |X) = X + 2,
2 22 23
...
l − 1 l − 2 l − 3 ...
X|Y = l : 1 1 1
, E(X|Y = l) = l − 2 ⇒ E(X|Y ) = X − 2. J
2 22 23
...
n k
IP {Y = k|X = n} = p (1 − p)n−k , k = 0, 1, ..., n, E(Y |X = n) = np ⇒
k
E(Y |X) = pX, EY = EE(Y |X) = EpX = λp.
∞
X (λp)k −λp
P {Y = k} = P {Y = k|X = n}P {X = n} = e , k = 0, 1, 2, ...
n=k
k!
P {Y = n|X = k}P {X = k} (λ(1 − p))k−n −λ(1−p)
P {X = k|Y = n} = = e ,
P {Y = n} (k − n)!
∞
X
k = n, n + 1, ..., E(X|Y = n) = kP {X = k|Y = n} = λ(1 − p) + n ⇒
k=n
E(X|Y ) = λ(1 − p) + Y. J
Primjer 1.5 U kutiji se nalazi 10 bijelih i 10 crnih kuglica. Iz kutije se po modelu bez vra¢anja,
u prvoj seriji vadi 8 kuglica, a zatim se po istom modelu u drugoj seriji vadi jo² 8 kuglica.
Neka je X broj izvaenih bijelih kuglica u prvoj seriji, a Y broj izvaenih bijelih kuglica u
drugoj seriji. Na¢i raspodjelu slu£ajnog vektora (X, Y ) te E(Y |X) i EY .
4
10 10 10−k 2+k 10−k 2+k
k 8−k l 8−l l
IP {X = k, Y = l} = 20 12
, P {Y = l|X = k} = 12
8−l ,
8 8 8
10 − k 20 − 2k
0 6 k 6 8, 0 6 l 6 8, 6 6 k + l 6 10, E(Y |X = k) = 8 = ⇒
12 3
20 − 2X 20 − 2 · 4
E(Y |X) = ⇒ EY = EE(Y |X) = = 4. J
3 3
Primjer 1.6 Na broja£ padaju kosmi£ke £estice. Neka slu£ajna promjenljiva X predstavlja broj
£estica koje padnu na broja£ u toku vremena T i neka je X : P(λT ). Svaka £estica koja padne
na broja£ registruje se nezavisno od ostalih i to sa vjerovatno¢om p, 0 < p < 1. Neka je Y
broj registrovanih £estica. Na¢i E(X|Y ).
∞ ∞
X X k m k−m (λT )k
IP {Y = m} = P {Y = m|X = k}P {X = k} = p q =
k=m k=m
m k!
(pλT )m −pλT
e , m = 0, 1, 2, ..., q = 1 − p; P {X = k|Y = m} =
m!
P {Y = m|X = k}P {X = k} (qλT )k−m −qλT
= e , k = m, m + 1, m + 2, ...,
P {Y = m} (k − m)!
∞
X (qλT )k−m −qλT
E(X|Y = m) = k e = m + qλT ⇒ E(X|Y ) = Y + qλT. J
k=m
(k − m)!
Primjer 1.7 X1 : U(0, 1), (X2 |X1 = x1 ) : U(x1 , 1), (X3 |X2 = x2 ) : U(x2 , 1), .... Na¢i ϕ2 (x2 ),
ϕ(x1 |x2 ), EXn .
1 1
I ϕ(x2 |x1 ) = 1−x 1
, ϕ(x1 , x2 ) = ϕ(x2 |x1 )ϕ1 (x1 ) = 1−x 1
, 0 < x1 < x2 < 1; ϕ2 (x2 ) =
Rx2
ϕ(x1 , x2 )dx1 = ln 1−x 1
2
, 0 < x2 < 1; ϕ(x1 |x2 ) = ϕ(x 1 ,x2 )
ϕ2 (x2 )
1
= (x1 −1) ln(1−x2)
,
0
R1 R1 x2 1+x1
0 < x1 < x2 < 1. E(X2 |X1 = x1 ) = x2 ϕ(x2 |x1 )dx2 = 1−x1
dx2 = 2
= h(x1 ) ⇒
x1 x1
1+X1 1+EX1
E(X2 |X1 ) = 2
⇒ EX2 = EE(X2 |X1 ) = 2
= 34 .
1+EXn−1 2n −1
Po analogiji imamo, EX3 = 1+EX2
2
= 87 , ..., EXn = 2
= 2n
. J
5
f (y1 , yn ) (n − 1)(yn − y1 )n−2
I f (y1 |yn ) = = , 0 < y1 < yn < 1,
h(yn ) ynn−1
Zyn
yn Yn
E(Y1 |Yn = yn ) = y1 f (y1 |yn )dy1 = ⇒ E(Y1 |Yn ) = .
n n
0
Primjer 1.9 Neka su X1 ,X2 ,...,Xn nezavisne, jednako raspodijeljene slu£ajne veli£ine sa U(0, 1)
Pn P n
raspodjelom. Izra£unati E 1
n
Xk |Yn i E n1 Xk |Y1 .
k=1 k=1
Na kraju, ra£unaju¢i Lebeg-Stiltjesov integral i uzimaju¢i u obzir skok koji funkcija F (u|v)
ima u ta£ki u = v , dobijamo funkciju koja odreuje traºeno uslovno matemati£ko o£ekivanje.
Imamo,
Zv
n−1
Z
u 1 n+1
E(X1 |Yn = v) = udF (u|v) = du + v = v.
n v n 2n
R 0
P n
Dakle, w(v) = n+1
2n
v pa je traºeno E 1
n
X |Y
k n =
n+1
Y .
2n n
Sprovode¢i identi£ni postupak,
k=1
P n
dobija se E n1 Xk |Y1 = n+12
Y1 . J
k=1
Primjer 1.10 Na intervalu (0, 1) slu£ajno se biraju dvije ta£ke, a zatim se na intervalu koji
6
one formiraju slu£ajno bira ta£ka T . Na¢i raspodjelu slu£ajne promjenljive X koja je jednaka
apscisi ta£ke T i na¢i ET.
Primjer 1.11 Slu£ajna promjenljiva X ima U(0, 1) raspodjelu, a Y |X = x : B(n, x). Na¢i
raspodjelu slu£ajne promjenljive Y i EY.
n
I E(Y |X = x) = nx ⇒ E(Y |X) = nX ⇒ EY = EE(Y |X) = EnX = .
2
Primjenjuju¢i formulu potpune vjerovatno¢e u apsolutno neprekidnom slu£aju, dobijamo
R1 R1 n k
P {Y = k} = P {Y = k|X = x}ϕ1 (x)dx = k
x (1 − x)n−k dx =
n
0 1
0
k
B(k + 1, n − k + 1) = n+1
, k = 0, 1, ..., n. J
2 Karakteristi£ne funkcije
Definicija 2.1 Neka je X slu£ajna promjenljiva £ija je funkcija raspodjele FX (x). Karak-
teristi£na funkcija slu£ajne promjenljive X u oznaci
Z∞
fX (t) := EeitX = eitx dF (x), t ∈ R.
−∞
Z∞ Z∞
itx
|e |dF (x) = dF (x) = 1.
−∞ −∞
7
Ako je slu£ajna promjenljiva X apsolutno neprekidnog tipa sa gustinom g(x) tada je
Z∞
fX (t) = eitx g(x)dx.
−∞
R∞
Koristi se i sinonim: karakteristi£na funkcija za raspodjelu X . Integral eitx dF (x) se
−∞
u Analizi naziva Furijeova transformacija funkcije F (x).
R∞ x2 R∞ x2 R∞ x2
f (t) = √1
2π
cos txe− 2 dx, f 0 (t) = − √12π x sin txe− 2 dx = √1
2π
sin txde− 2 =
−∞ −∞ −∞
2 t2
− t2
(parcijalna int) = −tf (t) ⇒ f (t) = Ce ; f (0) = 1 ⇒ C = 1 te je f (t) = e− 2 .
Iz
Z∞ 2
Z∞
x2
− x2
|x sin tx|e dx 6 |x|e− 2 dx < ∞,
−∞ −∞
8
4. Ako za neko n ∈ N postoji EX n , tada za svako k 6 n postoji f (k) (t) i vaºi
n
X (it)k
f (t) = EX k + o(tn ), t → 0.
k=0
k!
R∞
Formalnim diferenciranjem dobijamo f (k) (t) = (ix)k eitx dF (x). Korektnost diferenci-
−∞
ranja slijedi kao posljedica aproksimacije
Z∞
|(ix)k eitx |dF (x) = E|X|k < ∞.
−∞
n n
X tk (k) n
X (it)k
f (t) = f (0) + o(t ) = EX k + o(tn ), t → 0.
k=0
k! k=0
k!
n
n n
P
it Xk
eitXk =
Q Q
fP
n (t) = Ee k=1 =E fXk (t).
Xk k=1 k=1
k=1
Teorema 2.2 Pojina teorema. Ako je funkcija f (t) neprekidna, konveksna, parna, nenega-
tivna, f (0) = 1, f (t) → 0, t → ±∞, tada je f (t) karakteristi£na funkcija.
9
Teorema 2.3 Levijeva formula inverzije. Ako su a i b ta£ke neprekidnosti funkcije raspodjele
F (x) i ako je f (t) odgovaraju¢a karakteristi£na funkcija, tada je
ZT
1 e−itb − e−ita
F (b) − F (a) = lim f (t)dt.
T →∞ 2π −it
−T
Z∞
1
g(x) = e−itx f (t)dt.
2π
−∞
ZT
1
P {X = x} = lim e−itx f (t)dt.
T →∞ 2T
−T
Teorema 2.4 (Stone) Neka je f (x) neprekidna funkcija na [−l, l] i f (−l) = f (l). Za ∀ε >
0 postoji trigonometrijski polinom
n
x
X
Tn (x) = av eiπv l
v=−n
10
Tada je F = G.
0, x < a − ε, x > b,
x−a+ε
, a − ε 6 x < a,
f (ε) (x) = ε
1, a 6 x < b − ε,
b−x
ε
, b − ε 6 x < b.
Dokaºimo da je
Z∞ Z∞
f (ε)
(x)dF (x) = f (ε) (x)dG(x). (2.2)
−∞ −∞
iπxk
X
fn(ε) (x) = ak e n
tako da vaºi
sup | f (ε) (x) − fn(ε) (x) |6 δn .
x∈R
(ε)
Funkciju fn periodi£no produºimo na R. Primijetimo
Iz (2.1) slijedi
Z∞ Z∞
fn(ε) (x)dF (x) = fn(ε) (x)dG(x).
−∞ −∞
11
Imamo
Z∞ Z∞ Zn Zn
f (ε) (x)dF (x) − f (ε) (x)dG(x) = f (ε) (x)dF (x) − f (ε) (x)dG(x) 6
−∞ −∞ −n −n
Zn Zn
(ε) (ε)
fn (x)dF (x) − fn (x)dG(x) + 2δn 6
−n −n
Z∞ Z∞
(ε) (ε)
+ 2δn + 2F [−n, n]c + 2G [−n, n]c , (2.3)
f (x)dF (x) − f (x)dG(x)
n n
−∞ −∞
Z Z
gdje je F (A) = dF (x) i G(A) = dG(x). Pu²taju¢i da n → ∞ zaklju£ujemo da (2.3)
A A
teºi ka 0. Ovim je dokazana jednakost (2.2).
Primijetimo f (ε) (x) → I[a,b) (x) kad ε → 0. Na osnovu teoreme o dominantnoj konvergenciji
iz (2.2) slijedi
Z∞ Z∞
I[a,b) (x)dF (x) = I[a,b) (x)dG(x)
−∞ −∞
tj. F (b) − F (a) = G(b) − G(a). Zbog proizvoljnosti a i b zaklju£ujemo da je F (x) = G(x) za
svako x ∈ R.
Definicija 2.2 Raspodjela su£ajne promjenljive X je simetri£na ako za svaki Borelov skup
B vaºi P {X ∈ B} = P {X ∈ (−B)} = P {(−X) ∈ B} tj. slu£ajne promjenljive X i −X
imaju istu raspodjelu.
Z∞ Z∞ Z∞
f (t) = cos txdF (x) + i sin txdF (x) = cos txdF (x).
−∞ −∞ −∞
12
R∞
Pretpostavimo da je karakteristi£na funkcija realna. Imamo f (t) = cos txdF (x) =
−∞
f (−t).
0 1
INeka je IA indikator dogaaja A, p(A) = p. Kako je IA : , q = 1 − p, imamo
q p
fIA (t) = peit + q. Polaze¢i od Sn = IA1 + ... + IAn , gdje je A1 dogaaj da se u prvom opitu iz
serije od n ponavljanja ostvari uspjeh,..., An je dogaaj da se u n-tom opitu iz serije ostvari
uspjeh, dobijamo
n
Y
fSn (t) = fIAk (t) = (peit + q)n . J
k=1
IPokaºimo da X−m
σ
: N (0, 1).
σt+m (x−m)2 Rt u2
n o
−
X−m √ 1 x−m √1 e− 2 du
R
P σ
< t = P {X < σt + m} = 2πσ 2
e 2σ 2 dx = σ
=u = 2π
−∞ −∞
2 2
X−m ∗ ∗ itm itm− σ 2t
⇒ σ
= X : N (0, 1), X = σX + m; fX (t) = fσX ∗ +m (t) = e fX ∗ (σt) = e .J
n k n
(λteit )k −λ it −1)
eikt (λt) e−λ = = eλ(te .f 0 (0) = iEX ⇒ EX = λ;
P P
I a) fX (t) = k! k!
e
k=0 k=0
f ”(0) = i2 EX 2 ⇒ EX = λ2 + λ ⇒ DX = EX 2 − (EX)2 = λ.
2
n
n λk )(teit −1) n n
P
(
⇒ (t. jedinstvenosti)
Q P P
b) f P
n (t) = fXk (t) = e k=1 Xk : P( λk ). J
Xk k=1 k=1 k=1
k=1
Primjer 2.4 a) Slu£ajne promjenljive X1 , ..., Xn su nezavisne sa N (m1 , σ12 ), ..., N (mn , σn2 ) raspod-
n n n
jelama. Dokazati da σk2 ).
P P P
Xk : N ( mk ,
k=1 k=1 k=1
13
n 2 n
n mk − t2 σk2 n n n
P P
it
σk2 ). J
Q P P P
I fP
n (t) = fXk (t) = e k=1 k=1 ⇒ Xk : N ( mk ,
Xk k=1 k=1 k=1 k=1
k=1
Gama raspodjela
R∞
Gama funkcija. Γ(a) := xa−1 e−x dx, a > 0. Pokazuje se da vaºi Γ(a + 1) = aΓ(a), Γ(n +
√ 0
1) = n!, Γ(0, 5) = π.
1 ν ν−1 −αx
g(x) = α x e , x > 0, α > 0, ν > 0.
Γ(ν)
R∞ ∞
(it)n R∞
1
αν eitx xν−1 e−αx dx = αν xn+ν−1 e−αx dx = (αx = u)
1
P
fX (t) = Γ(ν) Γ(ν) n!
0 n=0
∞ R∞ n+ν−1 −u ∞ n 0 P
∞ it n −ν
1
P ( it )n P Γ(n+ν) it −ν it
= Γ(ν)
α
n!
u e du = n!Γ(ν) α
= n
− α = 1− α .
n=0 0 n=0 n=0
Ako su X1 , ..., Xn nezavisne slu£ajne promjenljive sa Γ(ν1 , α), ..., Γ(νn , α) raspodjelama, tada
n n
Xk : Γ( νk , α). Zaista
P P
k=1 k=1
n
n P n n
Y it − k=1 νk
X X
fP
n (t) = fXk (t) = 1 − ⇒ Xk : Γ(α, νk ).
Xk
k=1
α k=1 k=1
k=1
Primijetimo, ako je X : E(λ) moºemo koristiti i zapis X : Γ(1, λ). Naime, eksponencijalna
raspodjela je specijalan slu£aj gama raspodjele. Ako su X1 , ..., Xn nezavisne slu£ajne prom-
n
jenljive i svaka ima E(λ) raspodjelu, tada
P
Xk : Γ(n, λ).
k=1
14
Ovim je obja²njeno zbog £ega se koristi naziv negativna binomna raspodjela.
X eint ∞
1 1 1 1
I f (t) = it
= · it
= n+1
=⇒ P {X = k} = k+1 , k = 0, 1, . . . .
2−e 2 1 − e /2 n=0 2 2
∞
Koriste¢i razvoj (1 − z)−2 = nz n−1 , dobijamo
P
n=1
−2 X ∞
eit
1 n + 1 int
fZ (t) = · 1 − = e .
4 2 n=0
2n+2
k+1
P {Z = k} = , k = 0, 1, 2, . . . . J
2k+2
∞ ∞
X eitk eit X 2k−1 eitk eit
IfX (t) = = , f Y (t) = = .
k=1
2k 2 − eit k=1
3k 3 − 2eit
e2it
fZ (t) = fX (t)fY (t) = .
(2 − eit )(3 − 2eit )
w2
Uvedimo smjenu w = eit i funkciju g(w) = (2−w)(3−2w)
razvijmo u red. Dobijamo
∞
1 4 9 1 X h 2 k−1 1 i
g(w) = + − = − k−1 eitk .
2 w − 2 2 2w − 3 k=2 3 2
k−1
Dakle, P {Z = k} = 2
3
− 1
2k−1
, k = 2, 3, ... J
15
Primjer 2.8 Slu£ajne promjenljive X i Y su nezavisne, njihove karakteristi£ne funkcije su
fX (t) = 4eit −2 , fY (t) = cos4 (t). Izra£unati P {X 6 Y + 1} i EY 9 .
3eit −1
h i−1 ∞ 0 −1 −2 −3 ...
3 1 3 ei(−n−1)t
+ 8eit 1 −
P
I fX (t) = 4 2eit
= 4
+ 2n+3
⇒X:
n=0
3
4
2−3 2−4 2−5 ...
eit +e−it
4 4
4 −4 −2 0 2 4
1
eitk e−it(4−k) ⇒ Y :
P
fY (t) = 2
= 24 k 1 1 3 1 1
k=0 16 4 8 4 16
−0, 5 0, 5
Primjer 2.9 X i Y su nezavisne slu£ajne promjenljive, X : U(−0, 5; 0, 5), Y :
0, 5 0, 5
Metodom karakteristi£nih funkcija na¢i raspodjelu slu£ajne promjenljive Z = X + Y.
Primjer 2.10 Neka su X1 , X2 , ... nezavisne, jednako raspodijeljene slu£ajne promjenljive i neka
je Yn = X1 + X2 + ... + Xn . Ako je 0 < P {X1 je djeljivo sa 2} < 1, tada je
lim P {Yn je djeljivo sa 2} = 21 . Dokazati!
n→∞
∞
INeka je P {X1 = k} = pk , k = 0, ±1, ±2, .... Kako je fX1 (t) = pk eitk to je
P
k=−∞
gdje je αn = P {Yn je djeljivo sa 2} i βn = P {Yn nije djeljivo sa 2}. Primijetimo, fYn (π) =
fXn (π) −→ 0, n → ∞ jer je |fX1 (π)| < 1. Dakle, αn − βn −→ 0 i αn + βn = 1, odakle slijedi
1
αn −→ 21 , n → ∞. J
16
Dokazati da funkcije a) f (t) = e−i|t| , b) f (t) = cos t2 , c) f (t) = e−t nisu
4
Primjer 2.11
karakteristi£ne.
Ia) Funkcija je parna ali nije realna. b) Funkcija nije ravnomjerno neprekidna. c) Ako je
s.i.
funkcija karakteristi£na, tada je EX 2 = −f ”(0) = 0 ⇒ X = 0 ⇒ fX (t) = 1, kontradikcija.J
Definicija 2.4 Niz funkcija raspodjele Fn (x) slabo konvergira ka funkciji F (x) ako Fn (x) −→
F (x) za ∀x ∈ C(F ), koristi se zapis Fn (x) −→ F (x). Ako niz Fn (x) −→ F (x) pri £emu je
w w
F (x) funkcija raspodjele, tada kaºemo da niz Fn (x) kompletno konvergira ka F (x) i koristimo
zapis Fn (x) −→ F (x).
c
−n n
n = 1, 2, ...Fn (x) −→ F (x) = 21 . Konvergencija nije kompletna.
w
Primjer 2.12 Xn : 1 1
2 2
Teorema 2.6 (Teorema neprekidnosti) Neka je Fn (x), x ∈ R, niz funkcija raspodjele i neka
je fn (t), t ∈ R, odgovaraju¢i niz karakteristi£nih funkcija.
1) Ako Fn (x) −→ F (x), tada fn (t) ⇒ f (t), t ∈ R, f (t) je karakteristi£na funkcija za F (x).
k
2) Ako za ∀t ∈ R postoji lim fn (t) i ako je funkcija f (t) = lim fn (t) neprekidna u ta£ki
n→∞ n→∞
t = 0, ona je karakteristi£ana funkcija za neku funkciju raspodjele F (x) i Fn (x) −→ F (x).
c
Primjer 2.13 Neka je Xn , n = 1, 2, ... niz slu£ajnih promjenljivih sa U((−4− n1 , −4+ n3 )∪(0, n2 ))
raspodjelom. Metodom karakteristi£nih funkcija ispitati konvergenciju u raspodjeli datog niza.
3 2
−4+ n
Zn
−4
Z
n itx n itx 2 1 0
I fXn (t) = e dx + e dx → e−4it + = fW (t), W : 2 1
6 6 3 3 3 3
. J
1
−4− n 0
17
Primjer 2.14 Slu£ajne promjenljive Xj , j = 1, 2, ... su nezavisne i jednako raspodijeljene sa
raspodjelom
0 1 ... 9
Xj : 1 1 1
10 10 10
.
Neka je
n
X 1
Yn = Xj , n = 1, 2, ....
j=1
10j
9
1 X itk 1 sin 5t i t
I fXj (t) = E itXj = e = e 2.
10 k=0 10 sin 2t
n
1 Y sin 5 10t j 9itj 1 sin 2t it (1−10−n ) sin 2t i t
fYn (t) = t e 2·10 =
t e 2 → 2 e 2 = fW (t).
10n j=1 sin 2·10j 10n sin 2·10n t
ϕ
Koristili eiϕ −1 = 2i sin ϕ2 ei 2 ; u proizvodu sinusa nakon ²to sinuse eksplicitno zapi²emo dolazi
do skra¢ivanja.J
n n(n+3)
t it −
n(n+3)
−it k+1 −it n+3 ln 1−i nt −it n+3
Y 2 −
fYn (t) = fXk e n = 1− e 2 =e 2 2 =
k=1
n n
n(n+3) t2
− it 1
−it n+3 (n+3)t2
− + +o 1 t2
e 2 n 2n2 n3 2
= e− 4n
+o n → e− 4 = fX (t), n → ∞. J
18
u raspodjeli konvergira ka slu£ajnoj promjenljivoj W koja ima N (0, 1) raspodjelu.
(2n − 1)!
gn (u) = un−1 (1 − u)n−1 , 0 < u < 1.
(n − 1)!(n − 1)!
Sada je
√ √ √ R1 √ √
fWn (t) = fYn ( 8nt)e−it 2n = e−it 2n ei 8ntu gn (u)du = [(u − 12 ) 8n = w]
√ 0
R2n √
(2n−1)! i 8nt( 12 + √w )
√
(n−1)!(n−1)! 8n
e 8n gn ( 12 + √w )dw
8n
=
√
− 2n
(2n−1)! R∞
w2
n−1
√
(n−1)!(n−1)! 8n22n−2
I(−√2n,√2n) (w)eitw 1 − 2n
dw →
−∞
R∞ w2
√1
2π
eitw e− 2 dw = fW (t), n → ∞, W : N (0, 1).
−∞
Z1 Z∞
I fYn (t) = E itnXn = n(1 − x)n−1 eintx dx = [nx = v] (1 − v/n)n−1 eitv I(0,n) (v)dv
0 0
Z∞
→ eitv e−v dv = fY (t), n → ∞.
0
19
3 Konvergencije nizova slu£ajnih promjenljivih
αn → α ⇔ (∀ > 0)(∃N ∈ N)(∀n > N )|αn − α| 6 ⇔ (∀k ∈ N)(∃N ∈ N)(∀n > N )|αn − α| 6 k1 .
Ozna£imo sa
∞ [
∞ \
∞ ∞ \
∞ [ ∞
\ \ 1
L = {Xn → X} = {|Xn − X| 6 } = {|Xn − X| 6 } ∈ F.
>0 N =1 n=N k=1 N =1 n=N
k
Definicija 3.2 Niz slu£ajnih promjenljivih Xn skoro izvjesno konvergira ka slu£ajnoj prom-
jenljivoj X , koristi se zapis Xn → X (a.s. almost surely), ako je P {ω : Xn (ω) → X(ω)} =
a.s.
P (L) = 1.
∞
Lema 3.1 Neka je Bk , k = 1, 2, ... niz dogaaja. P
T
Bk = 1 ⇔ (∀k ∈ N)P (Bk ) = 1.
k=1
∞
Lema 3.2 Xn a.s.
T
→ X ⇔ (∀ > 0) lim P {|Xn − X| 6 = 1,
N →∞ n=N
20
Prelaskom na komplementarni dogaaj, zaklju£ujemo da se lema moºe formulisati na sljede¢i
na£in:
∞
Lema 3.3 Xn a.s.
n S o n o
→ X ⇔ (∀ > 0) lim P {|Xn −X| > } = lim P sup |Xn −X| >
N →∞ n=N N →∞ n>N
∞ S
n T ∞ o
=P {|Xn − X| > } = P ( lim An, ) = 0, gdje je An, = {|Xn − X| > }, n = 1, 2, ...
N =1 n=N n→∞
∞
n S o ∞ n o
Primijetimo, P P |Xn − X| > te ako za ∀ > 0 red
P
{|Xn − X| > } 6
n=N n=N
∞ n o n S∞ o
P |Xn − X| > konvergira konstatujemo: (∀ > 0) lim P
P
{|Xn − X| > } =
n=1 N →∞ n=N
a.s.
0 ⇒ Xn → X.
Dakle, vaºi
n=1
Komentar. U nizu dogaaja An, = {|Xn − X| > }, n = 1, 2, ... , gdje su slu£ajne prom-
0 1
jenljive X, X1 , X2 , ... nezavisne i jednako raspodijeljene sa raspodjelom X : 1 2 , dogaaji
3 3
nisu nezavisni. Provjeriti! Ovim je obrazloºeno zbog £ega u prethodnoj lemi pod a) nemamo
ekvivalenciju.
21
a.s.
Xn → X ⇒ (∀ > 0) lim P sup |Xn −X| > = 0 ⇒ (∀ > 0) lim P {|XN −X| > } = 0
N →∞ n>N N →∞
jer {|XN − X| > } ⊂ {sup |Xn − X| > }.
n>N
Iz P {|Xn − X| > 1} → 0 ⇒ ∃n1 , P {|Xn1 − X| > 1} < 112 . Iz P {|Xn − X| > 12 } → 0 ⇒
∃n2 > n1 , P {|Xn2 − X| > 12 } < 212 . Nastavljaju¢i postupak dolazimo do nk > .. > n2 > n1 i
∞
Xnk , P {|Xnk − X| > k1 } < k12 . Neka je > 0. ∃k0 ∈ N, k10 < te je
P
P {|Xnk − X| > } 6
k=k0
∞
P {|Xnk − X| > k1 } < ∞.
P
k=k0
Yn = min{1, Xn }. Dokazati da Yn −→ 1 i Yn −→ 1.
P a.s.
6
1−ε
P {1 − Yn > ε} = P {Xn < 1 − ε} = → 0, n → ∞.
n
∞
P a.s.
Dakle, Yn −→ 1. Kako red 1
divergira, zaklju£ujemo da Yn −→ 1 J.
P
n
6
n=1
Lema 3.7 Xn →
p d
X ⇒ Xn → X.
22
Lema 3.8 Xn →
d p
c ⇒ Xn → c.
(
0, x 6 c
Znamo, Fc (x) = Neka je > 0. P {|Xn − c| > } 6 P {Xn < c − } + P {Xn >
1, x > c
c + } 6 P {Xn < c − 2 } + 1 − P {Xn < c + 2 } → 0, n → ∞.
Primjer 3.2 Konstruisati niz slu£ajnih promjenljivih koji konvergira u raspodjeli i ne konver-
gira u vjerovatno¢i.
0 1
X: 1 1
,
2 2
Lema 3.9 Xn →
L2 p
X ⇒ Xn → X.
E(Xn −X)2
Neka je > 0. P {|Xn − X| > } 6 2
→ 0, n → ∞.
0 1
Primjer 3.3 a) Xn : , n = 2, 3, ...
1 − n12 1
n2
0 1
b) Xn : 1 1
, n = 2, 3, ... promjenljive su nezavisne.
1− n n
23
a.s. p
Ia) Xn → 0 ⇒ Xn → 0, EXn2 = 1 te niz ne konvergira srednjekvadratno. b) Niz ne
L p
konvergira skoro izvjesno, EXn2 = n1 ⇒ Xn →2 0 ⇒ Xn → 0. J
Lema 3.10 Ako je niz Xn , n = 1, 2, ... skoro izvjesno ograni£en (tj. postoji interval (a, b)
p
takav da je (∀n ∈ N)P (a < Xn < b) = 1), tada iz Xn → X ⇒ Xn →2 X.
L
R R
> 0, E(Xn − X)2 = (Xn − X)2 P (dω) + (Xn − X)2 P (dω)
√ √
ω:|Xn (ω)−X(ω)|> 2 ω:|Xn (ω)−X(ω)|> 2
+ (b − a)2 P {|Xn − X| > 2 } 6 2
= , za ∀n > n0 ().
p
6 2 2
+ (b − a) 2(b−a)2
Postojanje brojeva
2(b−a)2
i n0 () slijedi iz pretpostavljene konvergencije u vjerovatno¢i.
−n 0 n
Xn : 2 5 3
.
(n+1)2
1− (n+1)2 (n+1)2
INeka je ε > 0.
√1
Zε n3
n 1 o − √1 1
P {Yn > ε} = P Xn < √ = e−u du = 1 − e ε n3 ∼ √ , n → ∞.
ε n3 ε n3
0
∞ ∞
a.s. P d
Kako red √1 konvergira to je P {|Yn | > ε} < ∞ te Yn −→ 0, Yn −→ 0 i Yn −→ 0.
P P
n3
n=1 n=1
Primijetimo,
Z∞ Z1
e−t 1 dt
EYn2 = 3 2
dt > 3 .
nt ne t2
0 0
24
Primjer 3.6 Neka je Xn , n = 1, 2, ..., niz jednako raspodijeljenih slu£ajnih promjenljivih sa
U(0, 1) raspodjelom i neka je Yn = 1+n14 X 2 . Ispitati konvergencije niza Yn .
n
√1
−1
I Neka je 0 < ε < 1. Za dovoljno velike n-ove kojima se obezbjeuje da je ε
n2
< 1, imamo
q ) q1
1
−1 −1
(
1 n o ε ε
P {Yn > ε} = P > ε = P X n < = .
1 + n4 Xn2 n2 n2
∞
a.s. P d
Kako red 1
konvergira, zaklju£ujemo da Yn −→ 0, Yn −→ 0 i Yn −→ 0. Realizacije niza
P
n2
n=1
Yn su izvjesno sa intervala (0, 1) te iz ve¢ konstatovane konvergencije u vjerovatno¢i slijedi
L2
Yn −→ 0. J
Primjer 3.7 Neka je Xn , n = 1, 2, ... niz nezavisnih, jednako raspodijeljenih slu£ajnih prom-
jenljivih sa E(1) raspodjelom i neka je Yn = 1+nX 1
n
. Ispitati konvergencije niza Yn .
P d
Kako g(ε, n) → 0, n → ∞, zaklju£ujemo da Yn −→ 0 i Yn −→ 0.
1 ∞
−1
Primijetimo, g(ε, n) ∼ , n → ∞ te red g(ε, n), 0 < ε < 1, divergira. Dakle,
ε
P
n
n=1
a.s.
Yn 6−→ 0. Iz P {0 < Yn < 1} = 1 i ve¢ dokazane konvergencije u vjerovatno¢i zaklju£ujemo
L2
Yn −→ 0. J
25
Primjer 3.9 Neka je Xn , n = 1, 2, ... niz nezavisnih slu£ajnih promjenljivih sa U(0, n) raspod-
jelama. Ispitati konvergencije niza Yn = 1+X Xn
n
.
1
n 1 o
ε
−1
P {|1 − Yn | > ε} = P {1 − Yn > ε} = P Xn < − 1 = → 0, n → ∞.
ε n
p d L
Dakle, Yn −→ 1 i Yn −→ 1. Primijetimo, P {0 < Yn < 1} = 1 te Yn −→
2
1. Kako red
∞
a.s.
P {|1 − Yn | > ε} divergira, zaklju£ujemo da Yn −→
P
6 1. J
n=1
d P
IJednostavno se provjerava da fXn (t) → 1 odakle slijedi Xn −→ 0, a time i Xn −→ 0.
L2
Kako je P {0 6 Xn 6 2} = 1 to Xn −→ 0. Neka je 0 < ε < 1 i n dovoljno veliko tako da je
1
n
< ε. Imamo,
1
n 1 o
n2 1
P {Xn > ε} = P Xn ∈ 1, 1 + 2 = 1 1 = .
n n
+ n2
n+1
∞
a.s.
Kako red P {Xn > ε} divergira to Xn −→
P
6 0. J
n=1
n2 o
I P ω : 0 6 Yn (ω) 6 n = 1 =⇒ P {ω : Yn (ω) → 0} = 1.
e
a.s.
Dakle, Yn −→ 0. Lako se provjerava da EYn2 → 0, n → ∞. J
26
4 Zakoni velikih brojeva
Sn − ESn
n
konvergira u vjerovatno¢i ka 0, tada za niz Xn vaºi slabi zakon velikih brojeva. Ako je kon-
vergencija ka 0 skoro izvjesna, tada za niz Xn vaºi strogi zakon velikih brojeva.
Teorema 4.1 Bernulijev zakon velikih brojeva. Neka Sn : B(n, p), n = 1, 2, .... Tada
Sn p
n
→ p.
n
Znamo da je Sn = IAk , gdje je Ak dogaj da se u k -tom opitu Bernulijeve sheme ostvari
P
k=1
uspjeh. O£igledno E Snn = p. Primjenom ebi²ovljeve nejednakosti dobijamo
n S o D Sn pq 1
n
> 0, P | − p |> 6 2n = 2 6 → 0, n → ∞.
n n 4n2
27
Ocjena implicira: ako broj bacanja nov£i¢a teºi beskona£nosti, tada vjerovatno¢a dogaaja
da relativna frekvencija palih pisama odstupi od 1
2
vi²e od datog broja teºi 0. Upravo
re£eno je precizna formulacija Bernulijevog zakona velikih brojeva. Primjenom ocjene se
rje²ava zadatak: na¢i n tako da je za zadate pozitivne i ζ
( )
S (ω) 1
n
P ω: − > 6 ζ.
n 2
n o
Uskoro ¢emo na¢i bolju ocjenu za P | n − p |> .
Sn
Teorema 4.2 ebi²ovljev zakon velikih brojeva. Neka je Xn , n = 1, 2, ... niz nezavisnih
slu£ajnih promjenljivih i neka je C konstanta za koju vaºi DXn 6 C, n = 1, 2, ... Tada za niz
Xn vaºi slabi zakon velikih brojeva.
n | S − ES | o DS Cn
n n n
> 0, P > 6 2
6 2 → ∞.
n n n
Koristili smo ebi²ovljevu nejednakost.
Teorema 4.3 Hin£inov zakon velikih brojeva. Neka je Xn , n = 1, 2, ... niz nezavisnih
jednako raspodijeljenih slu£ajnih promjenljivih sa kona£nim matemati£kim o£ekivanjem i neka
p
je EX1 = a. Tada za niz Xn vaºi slabi zakon velikih brojeva tj. Snn → a.
n
Y t t n
t ∈ R, f Sn −ESn (t) = f P
n Xk −a (t) = [EXk −a = 0] = 1+o = 1+o → 1 = f0 (t).
n
n
k=1
n n
k=1
−2n 2n
Xn : 1 1
.
2 2
28
IPrimijetimo, P {|Sn−2 | 6 2n−1 } = 1. Neka je 0 < ε < 1. Imamo
n S o n S o
n n
P > ε > P > ε|Xn = 2n , Xn−1 = 2n−1 ×
n n
1
× P {Xn = 2n , Xn−1 = 2n−1 } = P {Xn = 2n , Xn−1 = 2n−1 } = .
4
n S o Zεr n nu2
Zε
1 2
n − n+1
P 6ε = e du −→ √ e−u du < 1, n → ∞.
n (n + 1)π π
−ε −ε
0 2n
Xn : 1 1
.
1− n n
P
Dokazati da Xn −→ 0, ali da
P Sn
n
6−→ 0.
Neka je N prirodan broj, N > 4. Lako se provjerava da je 2N/2 > N . Za n > N imamo
nS o n n+1 o
n
P 6 1 6 P Xk = 0, za svako k , <k6n 6
n 2
1 n/2
1− −→ e−1/2 , n → ∞. J
n
29
Ozna£imo
Konstatujmo,
n
X n
X
A= Ak ; DSn = ESn2 > ESn2 IA = ESn2 IAk .
k=1 k=1
Naime ESk IAk (Xk+1 + ... + Xn ) = ESk IAk E(Xk+1 + ... + Xn ) = 0, koristimo nezavisnost
promjenljivih Sk IAk i Xk+1 + ... + Xn . Na kraju,
n
X n
X
ESn2 > ESk2 IAk >ε 2
P (Ak ) = ε2 P (A).
k=1 k=1
DSn
P { max | Sk − ESk |> ε} 6 .
16k6n ε2
DSn0 DSn
P { max | Sk − ESk |> ε} = P { max | Sk0 |> ε} 6 = .
16k6n 16k6n ε2 ε2
30
Neka je
n Sk o
An = max | |> .
2n−16k<2n k
Jednakost (∗) je ekvivalentna sa (provjerite!)
[
lim P Ak = P lim An = 0
n→∞ n→∞
k>n
Na kraju,
∞ ∞ 2k ∞ ∞ 2
σn
P (Ak ) 6 4−2 2−2k σn2 6 4−2 σn2 2−2k 6 8−2
P P P P P P
n2
< ∞,
k=1 k=1 n=1 n=1 k:2k >n n=1
∞ ∞
koristimo ocjenu 2−2k 6 2 · 2−2k . Iz konvergencije reda P (Ak ) i Borel-Kantelijeve
P P
k=k0 k=1
Posljedica 4.2 Neka je Xn , n = 1, 2, ..., niz nezavisnih slu£ajnih promjenljivih i neka red
∞ n
konvergira. Tada n1 (Xi −EXi ) → 0, tj. za niz Xn vaºi strogi zakon velikih brojeva.
P DXn
P a.s.
n2
n=1 i=1
∞
Formirajmo niz wn = Xn − EXn . O£igledno, Ewn = 0, Dwn = DXn i red Dwn
P
n2
=
n=1
∞
DXn
na osnovu pretpostavke konvergira. Na osnovu upravo dokazane teoreme slijedi
P
n2
n=1
n n
1
P 1
P a.s.
n
(Xi − EXi ) = n
wi → 0.
i=1 i=1
n
Znamo da je Sn = IAk , gdje je Ak dogaaj da se u k tom opitu ostvari dogaaj A tj.
P
k=1
uspjeh. Promjenljive iz niza IAk su nezavisne, EIAk = p, DIAk = p(1 − p) te iz prethodne
posljedice slijedi Borelov zakona velikih brojeva.
31
Komentar. Bernulijev i Borelov zakon imaju posebno mjesto u stohastici. Zakoni ukazuju
na tijesnu vezu izmeu relativne frekvencije uspjeha i vjerovatno¢e uspjeha tj. nama intere-
santnog dogaaja. U oba slu£aja rezultat se iskazuje u obliku konvergencije niza Sn −ESn
n
∗
ka 0. Ta £injenica je bila motiv za izu£avanje uslova pod kojima u op²tim uslovima koji su
navedeni u deniciji, niz oblika ∗ konvergira ka 0.
Teorema 4.6 Kolmogorovljev zakon velikih brojeva. Neka je Xn niz nezavisnih jed-
nako raspodijeljenih slu£ajnih promjenljivih, Sn = X1 + ... + Xn . Sn a.s.
n
→ a ako i samo ako je
EXn = a. Bez dokaza.
Teorema 4.7 Nekan je Xn ,nn = 1, 2, ... niz slu£ajnih promjenljivih za koji vaºi strogi zakon
P P
Xk −E Xk
velikih brojeva tj. → 0. Tada,
a.s. Xn −EXn a.s.
k=1
n
k=1
n
→ 0.
n
Neka je Wn = Xn − EXn , n = 1, 2, ..., EWn = 0, Sn = Wk . Na²e tvrenje se sada svodi
P
k=1
Sn a.s. Wn a.s.
na: ako n
→ 0, tada n
→ 0. Iz
Sn a.s.
→ 0 ⇒ (∀ > 0)P {| Sn |> n za b.m. n} = 0.
n
Ako je
n n (n − 1)
| Wn |> n ⇒| Sn − Sn−1 |> n ⇒| Sn |> ∨ | Sn−1 |> > .
3 3 3
Dakle,
Sn
{| Wn |> n za b.m. n} ⊆ {| |> za b.m. n} ⇒ (∀ > 0)P {| Wn |> n za b.m. n} = 0
n 3
Wn a.s.
tj. n
→ 0.
32
¢emo ozna£iti sa A. Formirajmo niz slu£ajnih promjenljivih Xn , Xn (ω) = ωn , n = 1, 2, ...
Kako je
1 1 1
P {Xn1 = x1 } · · · P {Xnk = xk } = · · · = k = P {Xn1 = x1 , ..., Xnk = xk },
2 2 2
0 1
Xn : 1 1
.
2 2
dakle Lebegova mjera skupa normalnih brojeva sa [0, 1] je 1. Drugim rije£ima, skoro svi
brojevi sa [0, 1] su normalni.
Metod Monte Karlo. Neka je f : [0, 1] → [0, 1] neprekidna funkcija. Neka je (X1 , Y1 ), (X2 , Y2 ), ...
niz nezavisnih slu£ajnih vektora sa U([0, 1] × [0, 1]) raspodjelom (ekvivalentan termin je niz
nezavisnih slu£ajnih ta£aka sa kvadrata [0, 1] × [0, 1]). Neka je
(
1, f (Xi ) > Yi ,
wi =
0, f (Xi ) 6 Yi .
Z1
Ewi = P {f (Xi ) > Yi } = f (x)dx.
0
n Z1
1 X a.s.
wi → f (x)dx.
n i=1
0
R1
Metod Monte Karlo za pribliºno ra£unanje integrala f (x)dx se zasniva na ustanovljenoj
0
konvergenciji. Vrijednost integrala se aproksimira relativnim brojem izabranih ta£aka koje
se nalaze u oblasti ispod graka funkcije. Ve¢a vrijednost broja n obezbjeuje bolju aproksi-
33
maciju.
y = f (x)
O 1 x
−n 0 n
Xn : 1 1 1
.
2n ln n
1− n ln n 2n ln n
Primijetimo da je DXn = n
ln n
, n = 2, 3, ... i da funkcija g(x) = x
ln x
monotono raste za
x > e. Sada imamo
n+1 Zn+2
1 X 1h 2 x i 2 (n − 1)(n + 2)
2
DXk 6 2 + dx 6 2 + .
n k=2 n ln 2 ln x n ln 2 n2 ln n
3
n S n+1
n
o 1 X
P >ε 6 2 2 DXk −→ 0, n → ∞.
n n ε k=2
Primjer 4.5 Neka je f neprekidna funkcija zadata na segmentu [0, 1] i neka je Xn , n = 1, 2, ...
niz nezavisnih, jednako raspodijeljenih
slu£ajnih veli£ina sa U[0, 1] raspodjelom. Dokazati da
f n −→ f 2 i Ef n −→ f 2 , n → ∞.
Sn
a.s. 1
Sn 1
34
a.s.
INa osnovu Borelove teoreme Sn
n
−→ 12 . Zbog neprekidnosti funkcije f (x) imamo
n S 1 o
n
P f −→f = 1, n → ∞.
n 2
a.s.
Dakle f Sn 1
.
n
−→ f 2
S Z1
Z1
n x1 + x2 + ... + xn
Ef = ... f dx1 dx2 ...dxn =
n n
0 0
Z Z
Sn (ω) 1 1
f P (dω) −→ f P (dω) = f , n → ∞. J
n 2 2
Ω Ω
R1 R1
Primjer 4.6 Izra£unati lim π
... cos2m 2n (x1 + x2 + ... + xn )dx1 dx2 ...dxn .
n→∞ 0 0
INa funkciju f (x) = cos2m π2 x, x ∈ [0, 1] primijenimo drugo tvrenje iz prethodnog prim-
jera. Traºena grani£na vrijednost je f 21 = 2−m . J
n
Sn − na X
Xn,k → X ∗ : N (0, 1), tj.
d
√ =
nσ 2
k=1
n S − na Zx
n
o 1 t2
(∀x ∈ R)P √ <x → √ e− 2 dt, n → ∞.
nσ 2 2π
−∞
n
Y t2 t2 n t2
f S√n −na (t) = f X√k −a (t) = 1 − +o → e− 2 = fX ∗ (t), n → ∞.
nσ 2
k=1 nσ 2 2n 2n
35
d
Iz teoreme neprekidnosti za karakteristi£ne funkcije slijedi n −na
S√
nσ 2
→ X ∗ .
(∀τ > 0) lim max P {|Xn,k | > τ } = 0 ⇔ (∀τ > 0)(∀ > 0)(∃n0 = n0 (τ, ))(∀n > n0 )
n→∞ 16k6n
max P {|Xn,k | > τ } < ⇔ (∀τ > 0)(∀ > 0)(∃n0 = n0 (τ, ))(∀n > n0 )(∀k ∈ {1, ..., n})
16k6n
P {|Xn,k | > τ } < ⇔ (∀τ > 0) lim P {|Xn,k | > τ } = 0 ravnomjerno po k = 1, ..., n.
n→∞
36
Dakle, u zoni velikih n-ova, za sve sabirke istovremeno vaºi da se vjerovatno¢e neznatnog
odstupanja sabiraka od 0 (ako je τ veoma mali broj, dogaaj {|Xn,k | > τ } tretiramo kao
dogaaj da je sabirak Xn,k neznatno odstupio od 0) mogu u£initi po ºelji malim. Ovim je
opravdana upotreba formulacije uslov ravnomjerne asimptotske zanemarljivosti sabiraka
σk2 σk2
2
lim max EXn.k = lim max 2
= 0 tj. lim 2
= 0 ravnomjerno po 1 6 k 6 n.
n→∞ 16k6n n→∞ 16k6n Bn n→∞ Bn
1 σk2
max P {|Xn,k | > τ } = max P {|Xk − ak | > τ Bn } 6 2 max 2 ,
16k6n 16k6n τ 16k6n Bn
Definicija 5.3 Za niz Xn vaºi Lindebergov uslov ako je za svako ksirano τ > 0
n Z
1 X
lim 2 (x − ak )2 dFk (x) = 0.
n→∞ Bn
k=1
|x−ak |>τ Bn
R R
1 6 k 6 n, σk2 = (x − ak )2 dFk (x) + (x − ak )2 dFk (x) 6
|x−ak |6τ Bn |x−ak |>τ Bn
n R
τ 2 Bn2 + − ak )2 dFk (x) ⇒
P
(x
k=1 |x−ak |>τ Bn
n
σk2 1
R
6 τ2 + (x − ak )2 dFk (x).
P
max 2 2
16k6n Bn Bn
k=1 |x−ak |>τ Bn
Zbog mogu¢nosti izbora po ºelji malog τ i Lindebergovog uslova, za sve dovoljno velike n,
desna strana nejednakosti moºe biti po ºelji malom. Ovim je lema dokazana.
37
Iz prethodne dvije leme slijedi da Lindebergov uslov implicira (UAN).
Komentari.
1. CGT je robustna. Uslovi iz klasi£ne CGT se mogu oslabiti a da tvrenje teoreme vaºi.
Slabljenje uslova se prevashodno odnosi na odbacivanje nezavisnosti i jednake raspodijel-
jenosti sabiraka. Nezavisnost se zamjenjuje uslovom slabe zavisnosti. CGT vaºi i za slu£ajne
vektore.
2. Sva slabljenja uslova CGT podrazumijevaju da novi uslovi £uvaju svojstvo ravnomjerne
zanemarljivosti sabiraka u odnosu na sumu koje je su²tinsko za vaºenje CGT. Uzimaju¢i u
obzir upravo re£eno i robustnost CGT, u slobodnijoj interpretaciji, poruka CGT je: zbir
velikog broja nezavisnih ili slabo zavisnih malih-zanemarljivih slu£ajnih sabiraka, ima prib-
liºno normalnu raspodjelu. Model u kome je posmatrana slu£ajna promjenljiva zbir velikog
broja malih nezavisnih ili slabo zavisnih slu£ajnih komponenti se £esto pojavljuje u praksi-
aktuarska i nanisijska matematika, antropologija, biologija itd. Malo druga£ije re£eno, £esto
se procesi odvijaju pod dejstvom velikog broja nezavisnih ili slabo zavisnih slu£ajnih fako-
tora i uticaj svakog faktora pojedina£no na proces je neznatan. Posmatra£a ne zanimaju ti
faktori i slu£ajne promjenljive koje oni produkuju, ve¢ njihov kona£ni tj. zbirni efekat. Za-
klju£imo, pozivaju¢i se na slobodniju interpretaciju CGT, posmatrana slu£ajna promjenljiva
ima normalnu raspodjelu. Navedimo primjere.
38
Mjerenje u zici ili tehnici. Neka je a stvarna vrijednost-mjera onoga ²to se mjeri.
Rezultat mjerenja je slu£ajna promjenljiva X = a + , je gre²ka mjerenja, E = 0 ako
ne postoji sistematska gre²ka koja se obi£no vezuje za neispravni instrument. se dobija u
rezultatu sumiranja gre²aka koje generi²e mjerni instrument. Atmosferski procesi, mehani£ke
turbulencije i mnogi drugi faktori "izbacuju" instrument iz stanja stabilnosti i instrument
produkuje gre²ke. Te gre²ke su male-zanemarljive, nezavisne ili slabo zavisne, a zbog njihove
brojnosti smo u modelu za koji smo vezali slobodniju interpretaciju CGT iz prethodnog
pasusa. Stoga, ukupna gre²ka : N (0, σ 2 ) i X : N (a, σ 2 ), parametar σ 2 govori o preciznosti
mjerenja.
Visina populacije istog ºivotnog doba i pola ima normalnu raspodjelu, svjedo£e mno-
gobrojni podaci. Na visinu uti£e veliki broj slu£ajnih faktora koji u sumi generi²u visinu
osobe.
5. Ve¢ smo pokazali: Ako su X1 , X2 , ..., Xn nezavisne slu£ajne promjenljive i svaka ima
σ2
N (m, σ 2 ) raspodjelu, tada X1 +...X Sn
. Vidimo da je nakon osrednjavanja
n
n
= n
: N m, n
sa£uvana normalna raspodjela, stim da je disperzija znatno manja od disperzije sumanada.
Zaklju£ujemo da su realizacije Sn
n
skoncetrisane oko m. CGT tvrdi da analogan rezultat vaºi
i u op²tem slu£aju. Naime, ako su X1 , ..., Xn nezavisne i jednako raspodijeljenje slu£ajne
promjenljive, EX1 = m, DX1 = σ 2 , tada za veliko n, slu£ajna promjenljiva Sn
n
ima pribliºno
2
N m, σn raspodjelu.
39
Teorema 5.4 Lokalna Moavr-Laplasova teorema. Za ∀C > 0
√
2πnpqPn (m)
lim x2
=1
n→∞
e− 2
Primjer 5.1 Kocka se baca 100 puta. Kolika je vjerovatno¢a da je zbir palih brojeva izmeu
340 i 370?
40
ISa Xk , k = 1, 2, . . . , 100, ozna£imo rezultat k -tog bacanja. Jasno
1 2 3 4 5 6 35
Xk : 1 1 1 1 1 1
, EXk = 3, 5, DXk = , k = 1, 2, . . . , 100.
6 6 6 6 6 6
12
100
Zbir palih brojeva je S100 = Xk .
P
k=1
Niz vjerovatno¢a u CGT brzo konvergira, 100 je dovoljno velik broj pa je opravdano traºiti
rezultat kao ²to to radimo u redovima koji slijede. Iako koristimo aproksimaciju, zbog njene
izuzetne preciznosti, nakon primjene CGT ne¢emo upotrijebiti simbol za pribliºnu vrijednost
ve¢ simbol jednakosti.
340 − 350 S100 − 100 · 3, 5 370 − 350
P {340 < S100 < 370} = P √ < q < √
. 100 · 35 .
12
Primjer 5.2 Informacionim kanalom se prenose binarni nizovi. Zbog prisustva bijelog ²uma u
kanalu, vjerovatno¢a pravilnog prijema odaslanog znaka je 0, 55. Zbog toga se svaki znak ²alje
n puta, a odluka o poslanom znaku se donosi nakon utvrivanja znaka koji se £e²¢e javlja.
Na¢i najmanje n za koje je vjerovatno¢a pravilne odluke > 0.99.
ISmatra¢emo da je uspjeh pravilno primljeni znak. Kod nas je p = 0, 55, q = 0, 45, dok
Sn : B(n, p) predstavlja broj pravilno primljenih znakova. Pravilnu odluku donosimo ako je
Sn > n2 . Sada imamo
( ) √
n n o Sn − 0, 55n 0, 5n − 0, 55n 0, 05 n
P Sn > =P √ >√ = 1 − Φ −√
2 . 0, 55 · 0, 45n 0, 2475
√ √
0, 05 n 0, 05 n
= 0, 5 + Φ∗ √ > 0, 99 =⇒ √ > 2, 33 =⇒ n = 537. J
0, 2475 0, 2475
Primjer 5.3 Strijelac pogaa metu sa vjerovatno¢om 0, 4 i gaa u nju 150 puta. Na¢i bar jedan
interval u kojem ¢e se sa vjerovatno¢om > 0, 8 nalaziti broj pogodaka.
41
oblika (A, B).
A − 60 S150 − 60 B − 60
P {A < S100 < B} = P <√ <
6 150 · 0, 4 · 0, 6 6
A − 60 B − 60
= 0, 8 =⇒ = −1, 28, = 1, 28 =⇒ A = 52, 32, B = 67, 68
6 6
te je zbog cjelobrojnosti broja pogodaka traºeni interval (52, 68). Interval je tim bolji
²to je
kra¢i. Cilj dobijanja najkra¢eg intervala se ostvaruje izborom simetri£nog intervala A−60
6
; B−60
6
.
Naime, od svih intervala za koje je vjerovatno¢a da u njih "upadne" X ∗ konstantna, najkra¢i
je simetri£an interval. J
Primjer 5.4 Koliko puta treba baciti nov£i¢ pa da sa vjerovatno¢om > 0, 95 odstupanje relativne
u£estalosti padanja pisma od 12 bude 6 0, 02?
√ √
Sn Sn − 0, 5n
6 0, 04 n = 2Φ∗ (0, 04 n)
P − 0, 5 6 0, 02 = P √
n 0, 5 · 0, 5n
√
> 0, 95 =⇒ 0, 04 n > 1, 96 =⇒ n > 2401.
n
Izra£unati lim e−n nk
P
Primjer 5.5
k!
.
n→∞ k=0
42
INeka su X1 , X2 , ..., Xn nezavisne, jednako raspodijeljene slu£ajne promjenljive sa P(1)
n
raspodjelom. Znamo da je Sn = Xk : P(n). Sada imamo
P
k=0
n
X nk nS − n
n
o 1
P {Sn 6 n} = e−n = P √ 6 0 −→ Φ(0) = , n → ∞. J
k=0
k! n 2
−n 0 n
Xn : 1
.
2n2
1 − n12 1
2n2
a.s.
IElementarno se ustanovljava da je EXn = 0, DXn = 1, n = 1, 2, ... i Xn −→ 0. Iz
ustanovljedne skoro izvjesne konvergencije slijedi da skoro izvjesno u nizu Xn postoji samo
∞
kona£no mnogo £lanova razli£itih od nule te red Xi skoro izvjesno konvergira. Dakle,
P
i=1
n
P Xi si
√
n
−→ 0, n → ∞. J
i=1
Primjer 5.7 Prosje£no svaki tre¢i prolaznik pored kioska kupi novine, tj. vjerovatno¢a da pro-
laznik kupi novine je 13 . Neka je S100 broj osoba koja prou pored kioska dok se ne prodaju
prvih 100 primjeraka novina. Na¢i pribliºnu raspodjelu slu£ajne promjenljive S100 .
6 Uvod u statistiku
Vjerovatnosni zadatak. U kutiji se nalaze kuglice na kojima su zapisani brojevi 1, 2, ..., 10.
Iz kutije se po modelu sa vra¢anjem vadi 5 kuglica. Kolika je vjerovatno¢a dogaaja A da se
9 10
bar jednom izvu£e kuglica sa brojem 10? P (A) = 1 − 10
.
43
registrovanih podataka ocijeniti nepoznato N , a samim tim ocijeniti i nepoznati model koji
je generisao dobijene podatke? Metod maksimalne vjerodostojnosti rje²ava zadatak i za
ocjenu N predlaºe max xk . Ovakav izbor ocjene odreuje konstatacija da je od svih modela,
16k65
u modelu N = max xk najve¢a vjerovatno¢a da se registruju brojevi koje smo registrovali.
16k65
Logika je, popularno govore¢i, opredijeli se za model u okviru koga je najrealnije da se
ostvari ono ²to se ostvarilo. Napravite analizu ako su zabiljeºeni podaci, recimo 4, 1, 3, 4, 6.
Vjerovatno¢a ove petorke u modelu N = 6 je 1
(6)5
, u modelu N = 7 je 1
(7)5
itd.J
Razmotrimo model u kome se listice vade bez vra¢anja. Neka je X10 broj na listici tj.
obiljeºje listice koju vadimo u prvom izvla£enju, X20 u drugom,..., Xn0 u n-tom, n 6 N .
Promjenljive X10 , ..., Xn0 su zavisne i raspodijeljene su kao obiljeºje X , provjeriti. Slu£ajni
vektor (X10 , ..., Xn0 ) se naziva uzorak.J
44
Znamo da je sakupljanje podataka prvi korak u realizaciji mnogih nau£nih projekata.
Obiljeºje, ozna£imo ga sa X , je slu£ajna promjenljiva koja predstavlja numeri£ku karakter-
istiku nekog fenomena iz oblasi istraºivanja. Navedimo nekoliko primjera. Iznos koji osigu-
ravaju¢a kompanija ispla¢uje klijentu po osnovu pretrpljene ²tete; broj uklju£ivanja na neki
web sajt u toku sata; maksimalna godi²nja temperatura u Podgorici; koecijent inteligencije
stanovnika Crne Gore.
Definicija 6.1 Neka obiljeºje X ima funkciju raspodjele F (x). Prost slu£ajni uzorak
(random sample) obima n iz raspodjele F (x) je slu£ajni vektor (X1 , X2 , ..., Xn ), gdje su
X1 , ..., Xn nezavisne slu£ajne promjenljive sa istom funkcijom raspodjele F (x).
45
Osnovni zadatak matemati£ke statistike je da se na osnovu registrovanih podataka tj.
statisti£kog eksperimenta zaklju£i ²to je mogu¢e vi²e o nepoznatoj raspodjeli obiljeºja.
Primjer 6.1 R = {P(λ), λ > 0}. R = {P(λ), λ > 3}. R = {G(p), 0 < p < 1}.
R = {E(λ), λ > 0}. R = {U(−θ; θ), θ > 0}. R = {U(−θ; θ), θ ∈ (1, 2)}. R = {N (m, σ02 ), m ∈
(0, 1)}, m je parametar, σ02 je poznato.
Primjer 6.2 R = {M(n, p1 , p2 , ..., pk ), 0 < p1 < 1, ...., 0 < pk < 1, p1 + ... + pk = 1}, rije£ je
o familiji polinomnih raspodjela, n je poznato, parametar je (p1 , ..., pk ). R = {N (d, σ 2 ), d ∈
R, σ 2 > 0}, parametar je (d, σ 2 ). R = {U(a; b), a < 0; b > 3}, parametar je (a, b).
46
Primjer 6.4 Obiljeºje X je rezultat mjerenja koecijenta inteligencije osobe, dok rezultati
mjerenja koecijenta inteligencije n osoba predstavljaju prost slu£ajni uzorak (uzorak). Famil-
ija dopustivih raspodjela je normalna.
Primjer 6.5 Obiljeºje je duºina "ºivota" baterije automobila na elektri£ni pogon. Familija do-
pustivih raspodjela je eksponencijalna. Podatke dobijamo registrovanjem duºine ºivota baterija
koje za potrebe statisti£ke analize pratimo.
Ako je (x1 , ..., xn ) realizovani uzorak, tada je v = f (x1 , ..., xn ) realizovana statistika V.
Primjeri statistika.
Uzora£ka sredina. f (x1 , ..., xn ) = x1 +...+xn
n
, X n = X1 +...+X
n
n
. Neka je EX = a, DX = σ 2 .
σ2 √ R
Tada je EX n = a, DX n = n
. Znamo (CGT) σ X n −a ∗
n −→ X : N (0, 1).
n n n
Uzora£ka disperzija. S 2n = 1
(Xi − X n )2 = 1
(Xi2 − 2Xi X n + X n ) =
2 1
Xi2 −
P P P
n n n
i=1 i=1 i=1
2 2 n 2 2 n 2 n
1
Xi2 − X n . ES n = E( n1 Xi2 − X n ) = EX 2 − 1
Xi2
P P P P
2X n + X n = n n2
E( + Xi Xj ) =
i=1 i=1 i=1 i6=j
1 n2 −n n−1 n−1 2
EX 2 − n
EX 2
− n2
(EX)2 = n
(EX 2 − (EX)2 ) = n
σ .
n n
Popravljena uzora£ka disperzija. Ŝn2 = n 2 1
(Xi − X n )2 = 1
Xi2 −
P P
S
n−1 n
= n−1 n−1
i=1 i=1
n 2
X ; E Ŝn2
n−1 n
=σ . 2
Kada komponente uzorka (X1 , ..., Xn ) poreamo po veli£ini dobijamo slu£ajne promjenljive
Y1 6 Y2 6 ... 6 Yn tj. varijacioni niz. U statistici se £lanovi varijacionog niza nazivaju statis-
tike poretka. Specijalno, uzora£ki minimum: Y1 = 16i6n min Xi , uzora£ki maksimum:
Yn = max Xi .
16i6n
47
n n n n
da je Vn (x) = x 2 Vn (1). Znamo da je (t + h) 2 − t 2 = n2 t 2 −1 h + o(h).
n
− 12 x2i
P
−n n 1
dx1 ...dxn = (2π)− 2 e− 2 (t+θh) [Vn (t + h) − Vn (t)],
R R
P {t 6 χ2n < t + h} = ... (2π) 2 e i=1
n
x2i <t+h
P
t6
i=1
n t n R∞ n t
⇒ gn (t) = n2 (2π)− 2 e− 2 t 2 −1 Vn (1), te iz gn (t)dt = 1 ⇒ gn (t) = n
1
t 2 −1 e− 2 , t > 0.
2 2 Γ( n
2
)
0
n
Konstatujmo da je Eχ2n = n; Dχ2n = 2n, fχ2n (t) = (1 − 2it)− 2 .
n
Xi2 !− 12
P
i=1
tn = X0
n
Pokaºimo
r n kako se dobija gustina ψn (t). Ozna£imo sa hn (t) gustinu slu£ajne promjenljive
P 2
χn = Xi .
i=1
√ √
Primijetimo, tn = nX0
χn
. Znamo nX0 : N (0, n), odgovaraju¢u gustinu ¢eno ozna£iti sa pn .
RR
F (x) = P {tn < x} = pn (u)hn (v)dudv =
u
v
<x,v>0
1 u2
√1 1 n−1 − 2 +v 2
RR
n
2πn 2 2 −1 Γ( n )
v e n dudv.
2 u
v
<x,v>0
48
je ∂u∂v
∂t∂z
= z.
1 u2
+v 2
Rx R∞ z2 t2
q
v n−1 e− 2 z n e− 2 +1 t2
RR
n dudv = dt n dz = [w = z 1+ n
]
u −∞ 0
v
<x,v>0
Rx t2
− n+1 R∞ w2 n−1 Rx t2
− n+1
n
+1 2
dt w n e− 2 dw = 2 2 Γ n+1
2 n
+1 2
dt
−∞ 0 =∞
Teorema 6.1 Fi²erova teorema. Neka obiljeºje X ima N (m, σ2 ) raspodjelu. Tada vaºi:
X n −m √
a) σ
n : N (0, 1).
2
b) Statistike X n i S n su nezavisne.
2 2
c) nS n
σ2
: χ2n−1 i (n−1)Ŝn
σ 2 : χ2n−1 .
X n −m √
d) Ŝn
n : tn−1 .
0, ako je x 6 x(1) ,
Fn (x) = k
n
, ako je x(k) < x 6 x(k+1) , k = 1, 2, ..., n − 1,
1, ako je x > x(n) .
Primijetimo da je funkcija Fn (x) funkcija raspodjele slu£ajne promjenljive koja ima ravnom-
jernu diskretnu raspodjelu na skupu {x1 , x2 , ..., xn }.
49
n
Ako ksiramo x tada je Fn (x, ω) slu£ajna promjenljiva. Primijetimo, I{Xk (ω) < x} je
P
k=1
slu£ajna promjenljiva sa B(n, F (x)) raspodjelom te je
n ko n
P Fn (x, ω) = = F k (x)(1 − F (x))n−k , k = 0, 1, ..., n.
n k
Empirijska funkcija raspodjele u slu£aju kada je obim uzorka veliki aproksimira teorijsku
funkciju raspodjele. Preciznije, vaºe sljede¢e dvije teoreme.
Drugim rije£ima, skoro izvjesno Fn (x) ⇒ F (x). Neka je A = {ω : lim sup | Fn (x, ω) −
n→∞ x∈R
F (x) |= 0}. Glivenko-Kantelijeva teorema tvrdi da je vjerovatno¢a-mjera skupa A jednaka
1. Neka je ω0 ∈ A. Tada za ∀ε > 0, ∃n0 = n(ω0 , ε) takav da za ∀n > n0 i ∀x ∈ R vaºi
| Fn (x, ω0 ) − F (x) |< ε.
Neka teorijska tj. stvarna funkcija raspodjele FX obiljeºja X pripada familiji funkcija raspod-
jela R i neka je X = (X1 , ..., Xn ) odgovaraju¢i uzorak. Neka je τ parametar koji je jed-
50
nozna£no odreen funkcijama raspodjela iz R. Formalno, τ = τ (F ), F ∈ R, tj. τ (F )
je funkcional. Na primjer, τ = xdF (x), F ∈ R, prepoznajemo matemati£ko o£ekivanje
R
R
odgovaraju¢e raspodjele. Posebno je vaºan slu£aj kada je familija dopustivih raspodjela
P = {F (x, θ), θ ∈ Θ} tj. parmetarska, a funkcional zadat sa F (x, θ) → θ. Ovaj primjer je
zna£ajan zbog toga ²to parametar θ odreuje funkciju raspodjele. Procedura ocjenjivanja
nepoznatog parametra τ podrazumijeva izbor statistike T = T (X) £ijom se realizacijom
t = T (x1 , ..., xn ) aproksimira parametar τ. Statistika T (X) i njena realizacija t = T (x1 , ..., xn )
se nazivaju ocjena parametra τ.
Da bi ocjena bila "dobra", poºeljno je da ima neke osobine. Ocjena Tn , n je obim uzorka,
centrirana-nepristrasna ako je ETn = τ
kojom ocjenjujemo nepoznati parametar τ je za
∀F ∈ R. Ocjena Tn je asimptotski centrirana-nepristrasna ako je lim ETn = τ za
n→∞
∀F ∈ R. Ocjena Tn je postojana ako Tn −→ τ za ∀F ∈ R.
p
Upravo izloºene pojmove prilagodimo slu£aju kada nepoznata funkcija raspodjele obiljeºja
pripada nekoj parametarskoj familiji P. Ocjena Tn kojom ocjenjujemo nepoznati parametar
θ ∈ Θ jecentrirana-nepristrasna ako je ETn = θ za ∀θ ∈ Θ. Ocjena Tn je asimptotski
centrirana-nepristrasna ako je n→∞
lim ETn = θ za ∀θ ∈ Θ. Ocjena Tn je postojana ako
p
Tn −→ θ za ∀θ ∈.
Primjer 7.1 X : U(0, θ), θ > 0, θ je nepoznati parametar. Nepoznati parametar θ se ocjenjuje
statistikama T1 = 2X n i T2 = n+1n
Yn .
2 2
IObje ocjene su centrirane, DT1 = 3n θ θ
; DT2 = n(n+2) . Za n > 2 ocjena T2 je bolja od ocjene
T1 . Zamislimo da je pokrenut program koji generi²e slu£ajne brojeve sa (0, θ), konkretnu
vrijednost za θ zna samo inicijator. Program je generisao brojeve x1 , ..., xn . Nepoznato θ
moºemo ocijeniti sa t1 = 2xn ili sa t2 = n+1
n
yn . Izloºeni rezultati preferiraju ocjenu t2 . J
51
Primjer 7.3 Vratimo se primjeru kutije sa listicama.
N 0 X10 +...+Xn0
INeka je w = w1 +...+wN
σ2 = 1
(wi − w)2 , X n = X1 +...+Xn
P
N
, N n
, Xn = n
.
i=1
σ2 0 0 σ2 N − n 1
EX n = w = EX, DX n = ; EX n = w, DX n = · , ρXk0 ,Xl0 = − .
n n N −1 N −1
2
IZnamo, EX n = m, DX n = σn , E Ŝn2 = σ 2 . X n je centrirana i postojana ocjena za m.
Postojanost slijedi ili na osnovu Hin£inovog ZVB (dovoljno je da obiljeºje ima o£ekivanje)
ili na osnovu ebi²ovljeve nejednakosti (neophodno je da obiljeºje ima drugi momenat). Ŝn2
je centrirana ocjena za σ 2 . Ako raspodjele iz familije R imaju kona£an £etvrti momenat,
dokazuje se da je ocjena Ŝn2 i postojana. Kada sakupimo podatke x1 , ..., xn tada nepoznato
m aproksimiramo sa xn , a nepoznato σ 2 sa ŝ2n . J
52
DTn
P {| Tn −τ |> ε} 6 P {| Tn −ETn |> ε}+P {| ETn −τ |> ε} 6 +P {| ETn −τ |> ε} → 0.
ε2
Rao-Kramerova nejednakost.
Teorema 7.2 Ako postoji najbolja centrirana ocjena ona je skoro izvjesno jedinstvena tj.
ako je V najbolja centrirana ocjena i V 0 ∈ C takva da je DV = DV 0 ⇒ V = V 0 .
si
A) Za familiju raspodjela diskretnog tipa ¢emo koristiti zapis {p(wk , θ), θ ∈ Θ} gdje je
p(wk , θ) = Pθ {X = wk }.
B) Za familiju raspodjela apsolutno neprekidnog tipa ¢emo koristiti zapis {ϕ(x, θ), θ ∈ Θ}
gdje je ϕ(x, θ) gustina obiljeºja.
Definicija 7.1 Za familiju raspodjela diskretnog tipa kaºemo da je regularna ako vaºi
X ∂
p(wk , θ) = 0, za ∀θ ∈ Θ.
k
∂θ
1 1
DV >
∂
2 odnosno DV > ∂
2 .
nE ∂θ
ln p(X, θ) nE ∂θ
ln ϕ(X, θ)
53
R∞ ∂
R∞ h ∂ i
∂θ
ϕ(xi , θ)dxi = ∂θ
ln ϕ(x i , θ) ϕ(xi , θ)dxi = 0, i = 1, 2, ...n.
−∞ −∞
f (x1 , ..., xn )ϕ(x1 , θ)...ϕ(xn , θ)dx1 ...dxn = θ ⇒ (diferenciranje)
R R
EV = ...
Rn
n
hP i
1 ∂
R R
1= ... f (x1 , ..., xn ) ϕ(xi ,θ) ∂θ
ϕ(xi , θ) ϕ(x1 , θ)...ϕ(xn , θ)dx1 ...dxn =
Rn i=1
hP n i
∂
R R
... f (x1 , ..., xn ) ∂θ
ln ϕ(xi , θ) ϕ(x1 , θ)...ϕ(xn , θ)dx1 ...dxn .
Rn i=1
n
Neka je statistika W = ∂
ln ϕ(Xi , θ). Imamo
P
∂θ
i=1
n Z∞
X ∂ ∂ 2
EW = ln ϕ(xi , θ) ϕ(xi , θ)dxi = 0, i = 1, ..., n; DW = nE ln ϕ(X, θ) .
i=1
∂θ ∂θ
−∞
n
0 1 X p(1 − p)
Xi : , 0 < p < 1, i = 1, ..., n, Xi : B(1, p), Xi : B(n, p), EX n = p, DX n = .
1−p p i=1
n
∂ I{X=1}−I{X=0}
p(X, p) = (1 − p)I{X = 0} + pI{X = 1}, ∂p ln p(X, p) = (1−p)I{X=0}+pI{X=1}
I{X=1}−I{X=0} 2
E (1−p)I{X=0}+pI{X=1} = pp2 + (1−p)
1−p 1
2 = p(1−p) ,
prvo smo integralili na skupu {ω : X(ω) = 1}, a zatim na skupu {ω : X(ω) = 0}. Dakle,
disperzija uzora£ke sredine je dostigla donju (Rao-Kramerovu) granicu. Zaklju£ujemo da je
54
X n tj. relativna frekvencija uspjeha najbolja centrirana ocjena nepoznatog p. Identi£no se
rje²ava sljede¢i zadatak.J
0 1 M
Xi : ,p = .
1−p p N
Primjer 7.8 Familija N (m, σ02 ), m ∈ R, σ02 je poznato, je regularna. Statistika X n je najbolja
centrirana ocjena parametra m.
Z∞ Z∞ Z∞
∂ 1 x x x 1 1 −v
I g(x, θ)dx = − 2 + 3 e− θ dx = [v = ] = − + v e dv = 0
∂θ θ θ θ θ θ
0 0 0
Primjer 7.10 Familija U(0, θ), θ > 0, nije regularna. Kako je ϕ(x, θ) = 1θ , 0 < x < θ, imamo
Rθ ∂
∂θ
ϕ(x, θ)dx = − 1θ . Statistika T = n+1
n
Yn je centrirana i DT = θ2
n(n+2)
. Zbog neregularnosti
0
55
ne moºemo primijeniti Rao-Kramerovu nejednakost. Primijetimo da je Rao-Kramerova donja
granica disperzije ocjene reda n1 dok je disperzija ocjene T u na²em modelu reda n12 , dakle
znatno je manja.J.
Metod maksimalne vjerodostojnosti daje postupak kojim se dobija "dobra" ocjena nepoz-
natog parametra. Ideju na kojoj se zasniva metod maksimalne vjerodostojnosti pribliºimo
primjerom.
n N −n
r n−r
PN {X = r} = N
, r = 0, 1, ..., n.
n
Neka je X = (X1 , ..., Xn ) uzorak obiljeºja X £ija funkcija raspodjele pripada familiji
56
Denisa±imo sada funkciju vjerodostojnosti u slu£aju kada raspodjela obiljeºja pripada
familiji raspodjela apsolutno neprekidnog tipa R = {g(x, θ), θ ∈ Θ}, g je gustina.
Na L(θ, x1 , ..., xn )∆1 · · · ∆n moºemo gledati kao pribliºnu vjerovatno¢u da uzorak (X1 , ..., Xn )
iz raspodjele koja je odreena sa θ, "upadne" u "mali" paralelopiped [x1 , x1 + ∆1 ) × ... ×
[xn , xn + ∆n ). Ovo slijedi iz
Pθ {X ∈ [x1 , x1 +∆1 )×...×[xn , xn +∆n )} = L(θ, x1 , ..., xn )∆1 ···∆n +o(∆1 ···∆n ), ∆1 , ..., ∆n → 0.
Dakle, L(θ, x1 , ..., xn ) "mjeri" ²ansu da se dobije realizovani uzorak u gore pomenutom malom
paralelopipedu. Slobodnije, funkcija vjerodostojnosti govori o izgledima sa kojima u konkret-
nim modelima tj. u zavisnosti od parametra θ, realizovani uzorak "upada" u pojedine oblasti
iz Rn .
Kada u raspodjeli obiljeºja guri²e eksponencijalna funkcija, umjesto traºenja ta£ke maksi-
muma za L(θ, x1 , ..., xn ) jednostavnije je traºiti ta£ku maksimuma za ln L(θ, x1 , ..., xn ). Dobija
se isti rezultat jer zbog monotonosti funkcije ln funkcije L(θ, x1 , ..., xn ) i ln L(θ, x1 , ..., xn )
maksimum dostiºu u istoj ta£ki.
Primjer 7.11 Obiljeºje X : B(1, p), p ∈ (0, 1). Metodom maksimalne vjerododstojnosti po-
traºimo ocjenu nepoznatog p.
n n n
xi ∂
P P
Y xi n−
1−xi xi
I L(p, x1 , ..., xn ) = (1 − p) p = pi=1 (1 − p) i=1 . L(p, x1 , ..., xn ) = 0 ⇔ p = xn .
i=1
∂p
Traºena ocjena je p̂ = X n . J
57
Primjer 7.12 X : U[0, θ], θ > 0. Na¢i ocjenu maksimalne vjerodostojnosti.
1 1 1
L(θ, x1 , ..., xn ) = I(θ > x1 ) · · · I(θ > xn ) = n I(θ > yn ), yn = max xk .
θ θ θ 16k6n
Dakle, θ̂ = Yn . J
n
(xk −m)2
P
k=1
n
−n
Ia) L(m, x1 , ..., xn ) = (2π) − ∂
(xk −m). Iz ∂
P
2 e 2 , ∂m
ln L(m, x1 , ..., xn ) = ∂m
ln L =
k=1
0 slijedi m̂ = xn . Dakle, m̂ = X n .
n n
b) ln L(m, x1 , ..., xn ) = − n2 m2 +m x2k − n2 ln(2π), m > m0 . Nakon traºenja ta£ke
P P
xk −
k=1 k=1
u kojoj upravo dobijena kvadratna funkcija dostiºe maksimum, dobijamo m̂ = max{m0 , X n }. J
tj. g(x, θ) = 1θ e− θ , x > 0, θ > 0.
1 x
Primjer 7.14 X:E θ
n
P
xk
n x
1 − θk 1 − k=1θ ∂
Q
I L(θ, x1 , ..., xn ) = θ
e = θn
e , ∂θ ln L(θ, x1 , ..., xn ) = 0 ⇔ θ = xn ⇒ θ̂ = X n . J
k=1
8 Intervali povjerenja
Neka je X = (X1 , ..., Xn ) uzorak obiljeºja X £ija funkcija raspodjele pripada familiji
a) Pθ {θ1 < θ2 } = 1,
58
Rzγ t2
Koristi¢emo oznaku zγ gdje je γ
2
= P {0 < X < zγ } =∗ √1
2π
e− 2 dt.
0
X n −m √
IZnamo, σ0
n : N (0, 1), ∀m ∈ R. Imamo
n Xn − m√ o n σ0 σ0 o
Pm − zγ < n < zγ = γ ⇔ Pm X n − √ zγ < m < X n − √ zγ = γ.
σ0 n n
Zaklju£ujemo da je I = X n − √σ0n zγ , X n + √σ0n zγ . Duºina intervala je d(I) = 2 √σ0n zγ . Pokazuje
se da r
Y[ n2 ] − m
2n R ∗
→X
π σ0
odakle slijedi da je I = Y[ n2 ] − π2 √σ0n zγ , Y[ n2 ] + π2 √σ0n zγ i d(I) = 2 π2 √σ0n zγ .
p p p
X n −m √
IZnamo, Ŝn
n : tn−1 , ∀m ∈ R. Imamo
n Xn − m√ o n Ŝn Ŝn o
Pm,σ2 − tγ < n < tγ = γ ⇔ Pm,σ2 X n − √ tγ < m < X n − √ tγ = γ,
Ŝn n n
za tγ vaºi P
{0 < tn−1 < tγ } = 2 i nalazimo
γ
ga u tablici Studentove raspodjele. Zaklju£ujemo
da je I = X n − √nn tγ , X n + √nn tγ . J
Ŝ Ŝ
2
IZnamo da nS σ2
n
: χ2n−1 . Neka je vγ broj takav da je P {χ2n−1 < vγ } = γ, nalazimo ga u tablici
χ2 raspodjele.
2 2 2
( )
n nS n o nS n nS n
a) Pm,σ2 vn−1, 1−γ < 2 < vn−1, 1+γ = γ = Pm,σ2 < σ2 < .
2 σ 2 vn−1, 1+γ vn−1, 1−γ
2 2
!
2 2
nS n nS n
Dobijamo I = v 1+γ
,v 1−γ
-naziva se dvoostrani interval povjerenja, oba kraja su
n−1, 2 n−1, 2
statistike.
59
n 2 o n 2 o 2
nS n nS n nS n
b) Pm,σ2 σ2
> vn−1,1−γ = γ = Pm,σ2 0 < σ < 2
vn−1,1−γ
⇒ I = 0, vn−1,1−γ .
n 2 o n 2 o 2
nS n nS n nS n
c) Pm,σ2 σ2
< vn−1,γ = γ = Pm,σ2 σ 2 > vn−1,γ
⇒I= vn−1,γ
, ∞ .
U primjerima koji slijede, intervali povjerenja se formiraju primjenom dva tvrenja koje
navodimo bez dokaza.
Primjer 8.6 Obiljeºje X : B(1, p), 0 < p < 1, tj. Bernulijevu raspodjelu.
n
p
IZnamo, Sn = Sn Sn
1 − Snn → p(1 − p).
P
Xk : B(n, p), EXi = p, DXi = p(1 − p), X n = n
, n
k=1
Imamo,
r r !
Sn
n
−p √ p ∗ Sn zγ Sn Sn Sn zγ Sn Sn
r n→X ⇒I= −√ 1− , +√ 1− .
Sn Sn
n n n n n n n n
n
1− n
60
Primjer 8.7 Vratimo se modelu iz primjera (7.6), kuglice ¢emo vaditi po dva standardna mod-
ela.
0 1 n
M
Xi : B(n, M
P
Xi : ,p = N
,M ∈ {1, ..., N }, i = 1, 2, ..., n, N
),
1−p p i=1
M M M
EX n = N
, DX n = nN
(1 − N
).
n−1
0 0 1 − Nn
N −1
0 M 0 M M N −n
Xi : , i = 1, 2, ..., n, ρ0 0
Xk ,Xl = n , EX n = , DX n = (1− ) .
1− M
N
M
N
1− N N nN N N −1
0
DX n
Konstatujmo: ako je lim n
= γ, 0 < γ 6 1, tada je lim = 1 − γ; ako je lim n
= 0,
n→∞ N n→∞ DX n n→∞ N
0
DX n 0 0
tada je lim DX
1. Takoe, iz DX n < DX n , n = 2, 3, ... slijedi da je ocjena
= U X n bolja.
n→∞ n
uzorku 0
komponente su jednako raspodijeljene ali su zavisne. Dakle, nepoznatu
0
(X1 , ..., Xn )
relativnu zastupljenost bijelih kuglica bolje ocjenjuje njihova relativna frekvencija u modelu
bez vra¢anja.
Veza modela sa vra¢anjem i bez vra¢anja. Statistika koja prebrojava bijele kuglice
u uzorku obima n, model bez vra¢anja, ima hipergeometrijsku raspodjelu. Ozna£imo tu
statistiku sa W . Razmotrimo grani£ni slu£aj u kome M
N
→ p, N → ∞. Lako se provjerava
n k
P {W = k} → p (1 − p)n−k , k = 0, 1, ..., n.
k
kada je broj N velik, srednji broj izvu£enih bijelih kuglica u modelima ima pribliºno jednake
raspodjele. Ovo zapaºanje se koristi kod formiranja intervala povjerenja nepoznate relativne
zastupljenosti bijelih kuglica. Naime, kuglice biramo po modelu bez vra¢anja, konstatujemo
relativnu frekvenciju izvaenih bijelih, a kad formiramo interval povjerenja za nepoznato
p = M
N
, koristimo rezultat dobijen za model sa vra¢anjem, primjer (8.6). Ulogu bijelih
61
kuglica mogu preuzeti, recimo, ljevoruki u nekoj populaciji, oboljeli od neke bolesti, osobe
koje preferiraju konkretnu politi£ku opciju itd.J
1 2
X: 9 1
,
10 10
62
a u slu£aju kada je vaºe¢a strategija 1, obiljeºje X ima raspodjelu
1 2
X: 1 9
.
10 10
Ove dvije raspodjele moºemo tretirati kao familiju raspodjela obileºja X . U uzorku (X1 , X2 , X3 , X4 )
komponente predstavljaju redom prvi, drugi, tre¢i i £etvrti izvu£eni broj. U statistici je uo-
bi£ajeno da se hipoteze izraºavaju u terminima raspodjela. U na²em primjeru H0 je hipoteza
da obiljeºje X ima gornju, a H1 donju raspodjelu.
Ako je (x1 , x2 , x3 , x4 ) realizovani uzorak, tada se uslov "zbir izvu£enih brojeva je > 7"
zapisuje sa x1 + x2 + x3 + x4 > 7. Ovaj uslov generi²e oblast
Nakon uvoenja oblasti C , pravilo odlu£ivanja moºemo ovako formulisati: Ako realizovani
uzorak (x1 , x2 , x3 , x4 ) "upadne" u oblast C , tada prihvatamo H1 , a ako "upadne" u C c , tada
prihvatamo H0 . Oblast C odreuje postupak pravilo odlu£ivanja tj. test. "Upadanje"
uzorka u oblast C ne odgovara hipotezi H0 (tada imamo onu situaciju kada je zbir izvu£enih
brojeva veliki tj. meu brojevima dominira 2; ostvaruje se dogaaj £ija je vjerovatno¢a
realizacije mala ako je ta£na hipoteza H0 ). Zbog toga oblast C nazivamo kriti£na oblast za
H0 .
1 9
α = PH0 {(X1 , X2 , X3 , X4 ) ∈ C} = 4 +4· = 0, 0037.
10 104
1 9 92
β = PH1 {(X1 , X2 , X3 , X4 ) ∈ C c } = + 4 · + 6 · = 0, 0523.
104 104 104
63
Interesantno je vidjeti ²ta se de²ava ako promijenimo test na taj na£in ²to za kriti£nu
oblast za H0 sada uzmemo
64
α se naziva pragom zna£ajnosti testa, a C se naziva kriti£na oblast veli£ine α.
Vjerovatno¢a gre²ke druge vrste se ozna£ava sa β i za nju, na osnovu re£enog, vaºi
β = PH1 {(X1 , . . . , Xn ) ∈ C c }.
Prirodna je potreba da se pronae test u kome su brojevi α i β mali. Kod rje²avanja ovog
zadatka pote²ko¢e izviru iz £injenice da smanjivanje jednog od ova dva parametra povla£i
uve¢avanje drugog. Postupamo na sljede¢i na£in. Meu svim skupovima S ⊂ Rn za koje je
traºimo skup C za koji je vjerovatno¢a Pθ1 {(X1 , ..., Xn ) ∈ C c } najmanja. Ako skup C postoji
najbolja kriti£na ooblast veli£ine α, a odgovaraju¢i test najbolji test sa
nazivamo ga
pragom zna£ajnosti α. U nekim modelima postoji efektivni postupak za dobijanje najbolje
kriti£ne oblasti. Postupak dobijanja najbolje kriti£ne oblasti generi²e Nejman-Pirsonova
lema. Mi ¢emo Nejman-Pirsonovu lemu formulisati u slu£aju kada obiljeºje ima apsolutno
neprekidnu raspodjelu. Gustinu obiljeºja u slu£aju θ = θ0 ¢emo ozna£avati sa g0 , a u slu£aju
θ = θ1 ¢emo ozna£avati sa g1 .
Nejman Pirsonova lema. Neka za dato α ∈ (0, 1) postoji c > 0 takav da je h(c) = α.
Tada postoji najbolja kriti£na oblast veli£ine α za testiranje H0 (θ = θ0 ) protiv H1 (θ = θ1 ) i
data je sa W0 = {x : K(x) > c}.
65
Pθ1 {X ∈ W } − Pθ1 {X ∈ W0 }
R R R R
= L(θ1 , x)dx + L(θ1 , x)dx − L(θ1 , x)dx − L(θ1 , x)dx
W ∩W0c W ∩W0 W ∩W0 W c ∩W0
R R R R
6 c( L(θ0 , x)dx − L(θ0 , x)dx) = c( L(θ0 , x)dx + L(θ0 , x)dx −
W ∩W0c W c ∩W0 W ∩W0c W ∩W0
R R R R
− L(θ0 , x)dx − L(θ0 , x)dx) = c( L(θ0 , x)dx − L(θ0 , x)dx) = c(α − α) = 0.
W ∩W0 W c ∩W0 W W0
Primjer 9.1 Obiljeºje X ima N (m, σ02 ), m ∈ {m0 , m1 }, m1 > m0 , σ02 poznato. Na¢i najbolju
kriti£nu oblast veli£ine α (najbolji test sa pragom zna£ajnosti α) za testiranje H0 (m = m0 )
protiv H1 (m = m1 ).
n (X −m )2
−
P k 1
(√ 1 2
2σ0
k=1 n n(m2 2
) ( )
ne (m1 −m0 ) P 0 −m1 )
2
2πσ0 2 Xk + 2
σ0 2σ0
I h(c) = Pm0 n (X −m )2
P k 0
>c = Pm0 e k=1 >c =
− 2
√ 1
2
ne
k=1 2σ0
2πσ0
( ) ( )
X n −m0 √
√
σ02 ln c m1 +m0 σ0 ln c √ (m1 −m0 ) n
Pm 0 X n > (m1 −m0 )n
+ 2
= Pm 0 σ0
n> (m1 −m0 ) n
+ 2σ0
.
√
(m1 −m0 ) n
Neka je w(c) := σ0 ln c √
(m1 −m0 ) n
+ 2σ0
,c > 0. Funkcija w(c) je neprekidna i strogo
X n −m0 √
monotono rastu¢a. Budu¢i da : N (0, 1) u modelu u kome X : N (m0 , σ02 ),
statistika σ0 n
zaklju£ujemo da je h(c) = P {X > w(c)}. Funkcija h(c) je neprekidna i strogo monotono
∗
66
Vratimo se na op²ti slu£aj i naimo najmanje n takvo da je uz zadato α vjerovatno¢a
gre²ke druge vrste 6 β. Iz
( ) ( )
σ 0 wα m0 − m1 √
Pm 1 X n < m0 + √ = P X∗ < n + wα 6β
n σ0
Iz !2
m0 − m1 √ σ0 (wα + wβ )
n + wα < −wβ ⇒ n > .J
σ0 m1 − m0
( −1 n
P ) ( )
−θ1 Xk
θ1−n e k=1
θ0 −θ1 θ0
h(c) = Pθ0 −1 n
P >c = Pθ0 X n 6 θ0 θ1
ln √
n cθ
1
−θ0 Xk
θ0−n e k=1
( ! )
√ √
n θ0 −θ1 θ0 n
= Pθ 0 X n − θ0 θ0
6 θ0 θ1
ln √
n cθ
1
− θ0 θ0
= α.
n √n o
W0 = (x1 , ..., xn ) : xn − θ0 6 −wα .
θ0
67
email adresa nastavnika: sstamatovic@ucg.ac.me
i ( )
L(θ∗ , X)
α = sup Pθ {X ∈ C} = sup Pθ 6c .
θ∈Θ0 θ∈Θ0 L(θ∗∗ , X)
Na jeziku funkcije mo¢i testa, Nejman-Pirsonova lema daje konstrukciju najmo¢nijeg testa,
tj. testa za koji je W (θ1 ) najve¢i pri datom W (θ0 ). Vratimo se za trenutak na primjer koji
smo uradili neposredno nakon dokaza Nejman-Pirsonove leme. Primijetimo, W0 koje smo
dobili primjenom Nejman Pirsonove leme, ne zavisi od m1 te isti test (tj. istu kriti£nu
oblast) dobijamo bez obzira na to koje m1 > m0 zadaje alternativnu hipotezu. Zbog ove
£injenice, za na² test kaºemo da je ravnomjerno najmo¢niji za testiranje H0 (m = m0 )
protiv H1 (m = m1 ), m1 > m0 .
n − k=1
Budu¢i da je L(m, x1 , ..., xn ) = (2πσ02 )− 2 e , maksimum funkcije vjerodostojnosti
2
2σ0
n n n
se dobija za ono m za koje kvadratna funkcija g(m) = (xk −m)2 = nm2 −2m x2k
P P P
xk +
k=1 k=1 k=1
68
ima minimum. Jednostavno se dobija m∗ = max{xn , m0 }, m∗∗ = xn .
∗
L(m , x) 1, xn > m0
= 1
n
P 2
n
P 2
L(m∗∗ , x) e− 2σ02 [k=1(xk −m0 ) −k=1(xk −xn ) ] , x < m
n 0
Rije²imo nejedna£inu
n n
1
(xk −m0 )2 − (xk −xn )2 ]
P P
− 2[
2σ0
e k=1 k=1 6c
gdje zbog ekonomi£nosti zapisa koristimo samo jednan simbol za konstantu iako je rije£ o
razli£itim konstantama.
( )
X n −m0 √ √
n o
α = sup Pm X n 6 m0 − c = sup Pm σ0
n 6 m0 −c−m
σ0
n =
m>m0 m>m0
( )
m0 −c−m √
sup P X ∗ 6 σ0
n ,
m>m0
√
O£igledno, supremum se dostiºe za m = m0 i nakon rje²avanje jedna£ine − cσ0n = −wα
n o
dobijamo c = σ√
0 wα
n
. Dakle, C = (x 1 , ..., x n ) : x n 6 m 0 − σ√
0 wα
n
.
w√
α σ0
( ) ( ) !
wα σ 0 m0 − m − n √ m0 − m √
W (m) = Pm X n < m0 − √ = P X∗ < n =Φ n−wα ,
n σ0 σ0
69
U slu£aju H0 (m = m0 ), H1 (m 6= m0 ) imamo m∗ = m0 , m∗∗ = xn te je
n | xn − m0 | √ o
C = (x1 , ..., xn ) : n > w α2 .
σ0
θ∗ = θ0 , L(θ∗ , x1 , ..., xn ) = 1
θ0n
, yn 6 θ0 , θ∗∗ = yn , L(θ∗∗ , x1 , ..., xn ) = 1
n
yn
te je
n
yn
θ0 , yn < θ0 ,
L(θ∗ , x)
n o
yn n
= 6 c ili yn > θ0 ,
1, yn = θ0 , C = (x1 , ..., xn ) :
L(θ∗∗ , x) θ0
0, yn > θ0 .
( )
Y n
n √ √
α = Pθ 0 6 c ili Yn > θ0 = Pθ0 {Yn 6 n
cθ0 } = c; C = {x : yn 6 n αθ0 ili yn > θ0 }.
θ0
√
10 0 < θ 6 n
αθ0 , W (θ) = 1.
√ n
θ0
20 n
αθ0 < θ 6 θ0 , W (θ) = α θ
.
n n n
θ0 θ0
0
3 θ > θ0 , W (θ) = α θ
+1− θ
= 1 − (1 − α) θθ0 .
Potraºimo θ∗ .
a) yn < 1, L(θ, x) = 1
θn
, 1 6 θ 6 2. Maksimum se dostiºe za θ = 1.
b) 1 6 yn 6 2, L(θ, x) = 1
θn
, yn 6 θ 6 2 te se maksimum dostiºe za θ = yn .
∗
ynn , yn < 1,
L(θ , x)
= 1, 1 6 yn 6 2,
L(θ∗∗ , x)
0, yn > 2.
70
√ √
C = {x : yn 6 n
c ili yn > 2}, α = sup P {Yn 6 n
c ili Yn > 2} = c ⇒
θ∈[1,2]
√
C = {x : yn 6 n
α ili yn > 2}.
√
1, 0 < θ 6 n α,
α √
W (θ) = θ n , n
α < θ 6 2,
n
α 2
1+ − θn , θ > 2.
θn
maksimalne vjerodostojnosti ¢emo ocijeniti nepoznati vektor (m, σ 2 ). Zbog toga ²to je funkcija
ln strogo monotono rastu¢a, traºenje maksimuma funkcije L(m, σ 2 , x) ¢emo zbog jednos-
tavnije analize konvertovati u traºenje maksimuma funkcije ln L(m, σ 2 , x).
∂
∂m
ln L = 0 ⇒ m = xn . Zamijenimo dobijeno m u L i rje²avamo ∂
ln L = 0 ⇒ σ 2 =
∂σ 2
n n
1
(xk − xn )2 = s2n . Dakle θ∗∗ = (xn , s2n ). Potraºimo θ∗ . ∂
ln L = 0 ⇒ σ 2 = n1
P P
n ∂σ 2
(xk −
k=1 k=1
m)2 . Zamijenimo upravo dobijeno σ 2 u L(m, σ 2 , x), a zatim traºimo maksimum funkcije
n
ln L(m, n1 (xk − m)2 , x), m 6 m0 . Maksimum se dostiºe u ta£ki min{xn , m0 }. Dakle,
P
k=1
(xn , s2n ), xn 6 m0 ,
∗ n
θ =
(m0 , n1 (xk − m0 )2 ), xn > m0 .
P
k=1
1, xn 6 m0 ,
L(θ∗ , x)
n
)2
P
= (xk −xn
L(θ∗∗ , x)
k=1
n , xn > m0 .
(xk −m0 )2
P
k=1
n n
(xk −xn )2 (xk −xn )2
P P
ns2n xn −m0 √ n−1 2
k=1
n <c⇔ n
k=1
<c⇔ 2
nsn +n(xn −m0 )2
<c⇔ ŝn
n > cα , s2n = n
ŝn .
)2 )2
P P
(xk −m0 (xk −xn +xn −m0
k=1 k=1
X n −m0 √
Znamo da statistika ŝn
n ima Studentovu raspodjelu sa n−1 stepena slobode. Slu£a-
jnu promjenljivu koja ima tn−1 raspodjelu ¢emo ozn£iti sa T .
( ) ( )
X n − m0 √ Xn − m√ m − m0 √
α = sup Pm n > cα = sup Pm n+ n > cα =
m6m0 Ŝn m6m0 Ŝn Ŝn
= P {T > vn−1;0,5−α }.
71
jelu. I na kraju ( )
vn−1;0,5−α ŝn
C= x : xn > m0 + √ .
n
72