Professional Documents
Culture Documents
oP"'!
Ul
N O
~ O-
CIl
"t:!
'§
"'O
H :$
•....
O.)O
4-J
Q
"'O
~
~
4-J
oP"'!
'~=-'-
._,,FJ}ri)ilij;j!!Ni!!JW!iff1!lmlWJi1I~Pm!lVi{mf;'f:mi!r~~!fmi!jiiii!!!iH[i!i!ii!!IJ~;::~;I:~,;~r,I:m)~:l';T~f,,,t"~j",::r:::~",;"",;;"",<"",=,,,,,~=;:.:o.
__ -,.,"-,~'---
© Copyright by Jacek Jakubowski and Rafal Sztencel, Warszawa 2001
5
6 Przedmowa
7
8 Rozdzial 1. Opis doswiadczenia losowego § 1.1. Przyklady. Aksjomatyteorii prawdopodobiellstwa g
jest symetryczna, to 'w dlugiej serii rzutów orzel pojawi sie wokolo polo- szlo:. "wypadla jedynka", "wypadl orzel", "otrzymano asa kier, dwójke karo
wie przypadków; innymi slowy czesto.Sc pojawiania sie orla wyniesie okolo oraz waleta, da.me i asa pik", "orzel pojawil sie po raz pierwszy w siódmym
1/2. Jesli w dlugiej serii nastapi znaczace odchylenie liczby orlów od po- rzucie". Jesli powiemy: "wypadla parzysta liqba oczek", to jeszcze nie wia-
Czestoscjest lowy liczby doswiadczen, zaczniemy raczej podejrzewac, ze moneta nie jest domo, co sie faktycznie zdarzylo. Inaczej mówiac, powinnismy na ogól dbac
liczbawystapien symetryczna .• o to, by mozliwe wyniki doswiadczenia byly "elementarne" w tym sensie,
zdarzenia
ze nie da sie ich juz rozlozyc na prostsze.
podzielonaprzez Przyklad 2. Rzucamy jeden raz kostka.
liczbewszystkich ... ' .. Zbiór wszystkich mozliwych wyników doswiadczenia nazywamy zbiorem
doswiadczen.Teraz mozl1wewymkl to elementy zbIOru {l, 2, 3, 4, 5, 6}. Tak Jak poprzed- zdarzenelementarnych i zazwyczaj oznaczamy litera D.
nio, doswiadczenie jest powtarzalne, i jak poprzednio, mozemy zastana-
wiac sie nad symetria kostki. Ponieyraz mozliwych wyników jest wiecej, Nalezy jednak pamietac, ze przy wyborze zbioru zdarzen elementarnych
pojawia sie w naturalny sposób wiele zdarzen, dajacych sie opisac slo- mozliwa jest pewna dowolnosc. Rzucajac moneta nie spodziewamy sie, ze
wami na przyklad tak: "wypadla parzysta liczba oczek", "wypadla liczba upadnie ona na "kant", wiec w pierwszym przykladzie D = {O, R}. Ale jesli
oczek mniejsza niz 4", "wypadla jedynka". Kazdemu takiemu zdarzeniu moneta jest gruba, to kto wie? 'vV przykladzie 3 nie interesuje nas kolej-
odpowiada podzbiór zbioru mozliwych wyników, odpowiednio: {2, 4, 6}, nosc otrzymywania. kart. Gdybysmy jednak chcieli rozpatrywac zdarzenia
{l, 2, 3}, {l}. Zdarzeniom bedziemy przypisywali pewna liczbe: pTO.wdopo- typu: "wszystkie karty czarne pojawily sie przed czerwonymi", kolejnosc
dobienstwo ich zajscia. Jesli kostka jest symetryczna, pewnie bez wahania stalaby sie istotna i naturalnym wyborem zbioru zdarzen elementarnych
przypiszemy prawdopodobienstwo k/6 zdarzeniu, reprezentowanemu przez bylby zbiór 5-elementowych ciagów O wyrazach ze zbioru 52-elementowego.
podzbiór k-elementowy. A jesli nie jest symetryczna? Zastanowimy sie nad Zajmijmy sie teraz wszystkimi mozliwymi zdarzeniami - czyli podzbiorami
tym nieco pózniej. _ - na razie przeliczalnego - zbioru D. W rozpatrywanych dotad I)l'zykla-
dach nie ma przeszkód, by prawdopodobienstwo przypisac wszystkim pod-
Przyklad 3. Z talii 52 kart wybieramy losowo 5. Jaka jest szansa, ze zbiorom zbioru zdarzen elementarnych. Jak niedlugo zobaczymy, nie zawsze
wszystkie karty beda czerwone? tak bedzie. Ale mozna sformulowac pewne minimalne rozsadne wymagania
Tu mozliwych wyników jest bardzo duzo - sa one 5-elementowymi pod- co do klasy zdarzen F, którym bedziemy przypisywac prawdopodobien-
zbiorami zbioru 52-elementowego. Natomiast zdarzenie, którego prawdopo- stwo. Jesli rozpatrujemy zdarzenie A C D, to -automatycznie dopuszczamy
dobienstwo mamy obliczyc, sklada sie z 5-elementowych podzbiorów 26- mozliwosc, ze A nie zajdzie. Nietrudno sie domyslic, ze zdarzenie "nie-A"
-elementowego zbioru czerwonych kart. Jesli uznamy, ze wszystkie mozliwe to A' = D \ A, czyli dopelnienie A. Dalej, w przykladzie 4 widzielismy
wyniki sa jednakowo prawdopodobne, to szansa otrzymania samych czer- nieskonczona alternatywe zdarzen, czemu odpowiada branie nieskonczonej
wonych kart wyniesie (256) / (552) (patrz § 2.1) .• sumy zbiorów. I w kOllcu rozpatrywany model powinien zawierac co naj-
mniej jedno zdarzenie.
Przyklad 4. Rzucamy symetryczna moneta az do chwili pojawienia sie
orla. Warto w tym miejscu podkreslic, ze zdarzeniami nazywamy wylacznie pod-
zbiory D, które naleza do:F. Nie nalezy tabe mylic zdarzenia elementarnego
Mozliwych wyników jest teraz nieskonczenie wiele, bo przed pojawieniem w ze zbiorem {w}. Ten ostatni nie musi byc nawet zdarzeniem.
sie orla moze wypas.c dowolna liczba reszek. Na szczescie jednak wyniki
dadza sie ustawic w ciag: jest ich przeliczalnie wiele. Jak przypisac im sen- Wracamy do F: klasa zdarzen powinna spelniac .nastepujace warunki:
sownie prawdopodobienstwa? Jesli moneta jest symetryczna, to szansa po- :~
jawienia sie pierwszego orla za n-tym razem wynosi 1/2". Istotnie, wszyst- 1. F # 0;
kich n-elementqwych ciagów orlów i reszek jest 2"; natomiast tylko jeden
z nich ma pierwszego orla na n-tym miejscu. Przypadek niesymetrycznej 2. Jesli A E F, to A' E F;
Alternatywa monety rozpatrzymy pózniej. Zauwazmy jeszcze, ze zdarzenie "orzel po-
zdarzen jawi sie wczesniej czy pózniej" da sie przedstawic w postaci przeliczalnej 3. Jesli Ai E F dla i = 1,2, ... , to U:l AiE :F.
odpowiada sumie
zbiorów alternatywy zdarzen:, "orzel pojawi sie za pierwszym razem", "orzel po-
jawi sie za drugim razem", "orzel pojawi sie za trzecim razem", etc. _ Klasa zdarzen F powinna wiec byc a-cialem poclzbiorów zbioru D, Z po-
danych warunków wynika natychmiast, ze D = A U A' E F, jesli A E F,
W kazdym z rozpatrywanych doswiadczen pojawial sie zbiór mozliwych wobec tego 0 = D' E F. Sa to szczególne zdarzenia: n zachodzi zawsze
wyników, przy czym wynik doswiadczenia stanowil pelny opis tego, co za- i nazywa sie zdarzeniem pewnym, natomiast 0 to zdarzenie niem.ozliwe.
la Rozdzial 1. Opis doswiadczenia losowego § 1.1. Przyklady. Aksjomaty teorii prawdopodobienstwa 11
Jestesmy teraz gotowi do zajecia sie minimalnymi rozsadnymi wymaga- (W6) P(A) ::;;1.
niami, dotyczacymi prawdopodobienstwa. Jest ich naprawde niewiele. Po-
niewaz prawdopodobiellstwo ma sluzyc do oceny szans zajscia rozmaitych (W7) P(A U B) = P(A) + P(B) - P(A n E).
zdarzen, powinno zachowywac sie podobnie do czestosci ~ystepowania zda-
rzenia przy powtarzaniu doswiadczenia. Dlatego pmwdopodobienstwem be-
D o wód. (Wl) Niech Al = n, Ai = 0 ella 'i = 2,3, .... Z aksjomatu 3 mamy
dziemy nazywacdpwolna f).lllkcje P, okreslona na er-ciele zdarzen F C 2°,
spelniajacawarunki:" '--
p(n) = p(n) + Z:2 P(0), a poniewaz P jest funkcja nieujemna (aksjomat
l) i p(n) = l (aksjomat 2), to P(0) = O.
Al. P: F -> R+; (W2) wynika z aksjomatu 3 i (WI), gdy wezmiemy Ak =0 dla k ~ n.
A2. p(n) = l; (W3) l = P(S2) = P(A U A') = P(A) + P(A').
" (W4) Jesli A C E, to E = A U (E \ A), a poniewaz skladniki tej sumy sq,
A3. Jesli Ai E F, i T.l, 2, ... oraz Ai n Aj = 0 dla i # j, to rozlaczne, z (W2) mamy P(E) = P(A) + P(E \ A).
(W5) Na mocy poprzedniej wlasnosci P(E) - P(A) = P(E \ A) ~ ° z ak-
sjomatu 1.
p(Q Ai) = ~P(Ai)'
(W6) Wystarczy zastosowac (W5) dla E = n.
Warunek Al stwierdza, ze prawdopodobienstwo kazdego zdarzenia jest nie- (W7) A U E = [A \ (A n E)] U (A n E) U [E \ (A n E)]. Wszystkie trzy
ujemne: taka wlasnosc ma takze czestosc. Warunek A2 wzial sie stad, ze zdarzenia wykluczaja sie wzajemnie, wiec skonczona addytywnosc i (W4)
czestosc zdarzenia pewnego wynosi 1. Co do warunku A3, mówi on, ze dla daja
zdarzen wyklucza.iacych sie, czemu odpowiadaja zbiory rozlaczne, prawdo-
podobienstwo sumy równa sie sumie prawdopodobienstw. Czestosc spelnia P(A U E) = P(A) - P(A n E) + P(A n E) + P(E) - P(A n B),
taki warunek. Widzielismy juz, ze nieskonczone sumy pojawiaja sie w teorii
w naturalny sposób i dlatego warunek A3 formulujemy dla sum nieskon- z czego natychmiast wynika zadana równosc. _
czonych. Nazywamy go przeliczalna
.,
addytywnoscia
.... ~-'
prawdopodobiellstwa.
Wlasnosc (W7) daje sie uogólnic na dowolna liczbe zdarzen. Otrzymujemy
PoWyzsze warunki zostaly sfol'mulowane po r'az pierwszy przez Kolmogo-
wtedy tzw. wzór wlaczen i wylaczen. Nazwa pochodzi stad, ze poszczególne
rowa w roku 1933 jako aksjomaty teorii prawdopodobienstwa.
rozlaczne skladowe sumy A U B U C sa na przemian wlaczane i wylaczane,
Mówiac krótko, matematyczny model doswiadczenia losowego to trójka ale ostatecznie kazda skladowa jest liczona dokladnie raz. Rysunki ilustruja
(n, F, P),gdzie P jest przeliczalnie addytywna i nieujemna miara unor- to dla dwóch i trzech zbiorów.
mowana, okreslona na pewnym er-ciele podzbiorów zbioru zdarzen elemen-
tarnych n. Te trójke nazywamy przestrzenia p·robabilistyczna.
Podstawowe wlasnosci prawdopodobienstwa podamy w postaci twierdzenia.
(WI) P(0) = O.
(W2) Jesli Al, A2, ... ,An wykluczaja sie wzajemnie, tj. Ai n Aj = 0 dla
i # j, to P(U~~l Ai) = Z~=l P(Ai) (skonczona addytywnosc).
(W3) P(A') = l - P(A): W ogólnym przypadku skladowe sumy AlU ... uAn sa postaci A?n ... nA~n,
gdzie Ci E {O, l} i przyjmujemy konwencje, ze AD = A, zas Al = A'.
(W4) Jesli A C B, to P(B \ A) = P(E) - P(A). W kazdej skladowej sumy co najmniej jeden symbol Ci jest równy 1.
(W5) Jesli A C E, to P(A) ::;;P(B).
12 Rozdzial l. Opis doswiadczenia losowego § 1.1. Przyklady. Aksjomaty teorii prawdopodobienstwa 13
Twierdzenie fi (Wzór wlaczen i wylaczen). Twierdzenie 8 (O przedluzaniu miary). Jesli P jest skonczenie addy-
L L tywna i
nieujemna funkcja na pewnym ciele A podzbiorów n, przy czym Jesli A jest
P(Al U ... U An) =
l~i ~n
P(Ai)-
l~it <'i2':::;n
p(AijnAi2)+···
l
pen) = 'i spelniony jest warunek (i) z poprzedniego twierdzenia lub waru- dowolna rodzina
nek (ii) dla A = 0. to P przedl'uza sie jednoznacznie do prawdopoaobienstwa zbiorów, a(A) jest
+ (-lt+l P(Al n ... n A,,). na a(A), czyli a-ciele generowanym przez A. najmniejszym
a-cialem
zawierajacym A,
D o wód. Istnieje prosty dowód indukcyjny, ale wymaga on raczej kartki tj. czescia wspólna
D o w ó d tego twierdzenia znajduje sie w dodatku C.
w formacie A3. My udowodnimy wZÓrliczac, ile razy wlaczono i wylaczono wszystkich a-cial
kazda skladowa. Taka skladowa (po odpowiednim przenumerowaniu zbio- Z teorii miary dobrze wiadomo, ze na ogól F nie moze byc a-cialem wszyst- zawierajacych A.
rów, co nie zmniejsza ogólnosci) da sie przedstawic w postaci Al n... nAkn kich podzbiorów n. Oto kolejny przyklad.
nA~+ln ... nA~, gdzie k ;;;. 1. W pierwszym skladniku wzoru, czyli P(Ai), L
kazda skladowa zostanie wlaczona k razy, w drugim, czyli P(Ai1 n Aiz), L Przyklad 9. Z odcinka [O, l] wybieramy losowo punkt. "
wylaczona (;) razy, itd. Ostatecznie liczba wlaczen wyniesie "Losowo" nie znaczy·tu na razie nic. Jesli umówimy sie, ze prawdopodo-
bienstwo jest rozlozone "równo" na odcinku, czyli ze szansa trafienia w od-
2.:(-l)i(~) = cUlek [a, bl jest równa jego dlugosci, a szansa trafienia w zbiór A i A + t
i=O
D.
G) - G) + G) - ... + (_l)k+l G) = 1. • jest taka sama, o ile A, A + t C [O, l], to wtedy n jest odcinkiem [O, l], P
Dlaczego? przypommJmy,
... ze ro d'zme zdarzen'(A) i nazywamy wstePUJaca,
.. Jes'l' l jest miara Lebesgue'a, zas F jest a-cialem podzbiorów mierzalnych. Ist-
nieja niemierzalne podzbiory odcinka, czyli takie, którym zadnej sensownej
Al C A2 C ... C An C An+1 ... , miary przypisac sie nie da (patrz zadania 10-13) .•
i zstepujaca, jesli
Przyklad 10. Czekamy na autobus. Zastanawiamy sie, jaka jest szansa,
Al :l A2 :l ... :l An :l An+l .... ze czas oczekiwania przekroczy 20 minut. A moze jednak
Twierdzenie 7 (O ciaglosci). Niech (n, F, P) bedzie przestrzenia pTO- Wynikiem doswiadczenia jest czas oczekiwania t E [0,00), zatem n = n = [D, T] dla
babilistyczna· = [0,00), jest tez intuicyjnie jasne, ze autobus w normalnych warunkach jakiegos
T?
duzego
(On):::"=l,
i=1 '
3. Udowodnic, ze P(A n E) ~ P(A) + P(E) - 1. Powyzsze rozwazania staja sie bardziej eleganckie, jesli rozpatrywac miare na
4. Dane saP(A') =~, p(AnE) = ~i P(AUE) = ~.Obliczyc P(E'), p(AnE') okregu, niezmiennicza ze wzglQdll na obroty. Sugerujemy Czytelnikowi odpowied-
i P(E \ A). nia adaptacje zadalllO-13.
/-
I
l
_ .J
16 Rozdzial 1. Opis doswiadczenia losowego § 1.3. Prawdopodobienstwo geometryczne 17
§ 1.2. Przeliczalny zbiór zdarzen elementarnych Drugi gracz rozumuje analogicznie, wiec gra jest korzystna dla obu. Jest to
niemozliwe. Gdzie tkwi blad?
Jesli zbiór zdarzen elementarnych jest przeliczalny, mozna podac prosty, 3. Prawdopodobienstwo asymptotyczne. Poniewaz na zbiorze liczb natu-
kompletny i zdroworozsadkowy opis wszystkich mozliwych prawdopodo- ralnych nie mozna okreslic rozkladu "równomiernego", to pewne nadzieje
bienstw. wiazano z tzw. prawdopodobieÓstwem asymptotycznym, ale nie jest ono jed-
nak dobrym substytutem.
Twierdzenie 1. Jesli n= {W1, W2, ... }, dla kazdego i
zbiór' {w;} E F, P
Gdy 11C N, to pn.wdopodobienstwem asymptotycznym zbioru 11nazywamy
liczbe
jest pmwdopodobienstwem, to dla kazdego A C D mamy
Poo(A)== lim #(11n{l,2,
n-oo 11,
... ,n}),
P(A) = 2: Pi, o ile ta granica istnieje. Inaczej mówiac, jesli p" jest prawdopodobierlstwem,
{i:WiEA} Rozklad
ze liczba, losowo wybrana ze zbioru {l, 2, . '.. n} z rozkladem równomiernym
nalezy do A, to Poo(A) == lim,,_ooPn, gdy ta granica istnieje. równomierny na
gdzie Pi = P( {w;} ). Jesli na Pl,zyklad B jest zbiorem liczb parzystych, to Poo(B) == ~. zbiorze
skonczonym to
Niech 9 == {A C N: Poo(A) istnieje}. Udowodnic, ze g nie jest n;wet cialem.
taki, który
D o wód. Wystarczy przedstawic zbiór A w postaci sumy (przeliczalnej) 4. Opisac wszystkie er-ciala w przypadku przeliczalnego zbioru n. wszystkim
zdarzen jednopunktowych (zwrócmy uwage, ze F = 2°) i skorzystac z prze- 5. Czy istnieje er-cialo nieskonczone przeliczalne?
elementom
przy pisllju rów 11('
liczalnej addytywnosci P .• *6. Ile jest wszystkich mozliwych er-cial, jesli n ma n elementów? prn,wt lOPOllohitl(1
HtWII.
To twierdzenie mówi, ze w tym szczególnym przypaclku prawdopodobiell- t7. Niech Ak bedzie zbiorem liczb naturalnych podzielnych przez 1<:.Wylm\>mc,i.
stwo jest jednoznacznie wyznaczone przez prawdopodobienstwa zdarzell ele- na N nie istnieje takie prawdopodobienstwo P, ze P(Ak) == lik dla k ;?l l.
mentarnych. Dlatego tez kazdy ciag (Pi) liczb nieujemnych, dla którego
2:::1 Pi = l, wyznacza prawdopodobienstwo na D. § 1.3. Prawdopodobienstwo geometryczne
Warto zwrócic uwage, ze na zbiorze przeliczalnym i
nieskonczonym prawdo-
podobienstwo nie moze byc rozlozone "równo". Z drugiej strony, jesli zbiór Dosc czesto D jest podzblorem Rn, na którym istnieje naturalna miara (na
zdarzen elementarnych jest skonczony, to bardzo czesto tak bywa. Wtedy przyklad miara Lebesgue"a lub miara na sfer7.e, niezmiennicza ze wzgledu
trzeba umiejetnie okreslac liczebnosc zdarzen, do czego sluza metody kom- na obroty), przy czym D ma miare skonczona. Mówimy wtedy o "praw-
binatoryczne. Bedzie o tym mowa w nastepnym rozdziale. dopodobienstwie geometrycznym" , a rozwiazanie zadania sprowadza sie do
znalezienia miary (pola, objetosci) podzbioru Rn
Zadania Przyklad 1. Ania i Bozena umówily sie miedzy 16.00 a 17.00 w centrum
miasta. Komunikacja w godzinach SZC7.ytudziala, jak dziala. Osoba, która
1. Rzucamy symetryczna moneta do chwili wyrzucenia orla. Skonstruowac zbiór przyjd7.ie pierwsza, czeka na druga 20 minut, . .Jaka jest szansa, ze dojdzie
zdarzen elementarnych i wybrac odpowiednie prawdopodobieÓstwo. Jaka jest do spotkania?
szansa, ze liczba rzutów bedzie parzysta? podzielna przez 3? podzielna przez
m? Zeby opisac, co sie zdarzylo, wystarczy podac czasy przybycia obu koleza-
nek - na przyklad mierzone w godzinach, od 16.00. Mozna zatem przyjac,
2. Paradoks losowych liczb naturalnych. Adam i Bolek graja w nastepu-
jaca gre: automat generuje losowo pary sasiednich liczb naturalnych i przy- ze D = [O, l] x [O, l], a wtedy w = (t1, t2), gdzie t1, t2 E [O, l]. Pozostaje
znaje losowo jedna Adamowi, a druga Bolkowi. Adam zna liczbe przypisana wybrac prawdopodobienstwo: przyjmujac P(A) = A(A), gdzie A jest miara
Bolkowi, a Bolek zna liczbe przypisana Adamowi, ale zaden z nich nie zna Lebesglle'a, otrzymamy dosc rozsadny model, w którym szansa, ze Ania
swojej liczby. Osoba z mniejsza liczba placi drugiej tyle zlotych, ile wynosi pojawi sie w przedziale czasu [t, s] bedzie równa dlugosci tego przedzialu.
liczba jej przypisana. Kazdy z graczy moze uznac, ze nie warto grac w da- To samo dotyczy Bozeny.
nym momencie, i poprosic o nowa pare liczb. Ale zaden z nich nie skorzysta Malo tego: okazuje sie, ze jesli zdarzenie A polega na tym, ze Ania poja-
z prawa veta, bowiem rozumuje tak:
wia sie w przedziale czasu [a, b], a E - ze Bozen"a pojawia sie w przedziale
"Gdy widze, ze przeciwnik ma liczbe k, to ja mam k - l lub k + 1. Kazda [e, d], to
z nich jest jednakowo prawdopodobna. Gdy wygram, zyskuje k zl, a gdy
przegram, trace k - l zl, zatem srednio wygrywam 50 gr". P(A n E) = P(A) . P(E). (1)
.---
""RozdzialL Opis doswiadczenia losowego
---- - - ,-
§ 1.3.
- ---,~
Prawdopodobienstwo geometryczne 19
"\1Vartonarysowac oba zdarzenia i przekonac sie, ze powyzszy wzór wynika wiec byc takie, by pas wyciety ze sfery przez pobocznice walca mial pole
natychmiast ze wzoru na pole prostokata. Nieco pózniej okaze sie, ze jest równe l pola calej sfery, co oznacza, ze jego szerokosc d musi byc równa ~
to definicja niezaleznosci zdarzetL Na razie, przy intuicyjnym rozumieniu promienia sfery. Przy oznaczeniach z rysunku (r - promien monety) mamy
niezaleznosci, nietrudno zgodzic sie, ze czasy przybycia kolezanek powinny
byc niezalezne.
(~r+.,.z ==Rz,
a poniewaz ~ == ~ R, to
2v2
T----R,
Pfl.. wyciQl'.y
o.; ~(I
Przyklad 2 (Gruba moneta). Jaka grubosc powinna miec moneta, zeby Przyklad 3 (Paradoks Bertranda). Z okregu o promieniu 1 wybrano
prawdopodobienstwp upadniecia na kant wynosilo ~? losowo cieciwe AB. Jaka jest szansa, ze bedzie ona dluzsza niz bok trójkata
.Iohn von Model, który tu proponujemy, jest skrajnym uproszczeniem tego, co vi rze- równobocznego, wpisanego w okrag?
Noumann czywistosci dzieje sie przy rzucie moneta. Otóz wiadomo, ze bryla umiesz-
podobno czona na plaskiej powierzchni nie przewraca sie, jesli rzut srodka ciezkosci
rozwiazal to
zadanie w 15
znajduje sie wewnatrz powloki wypuklej rzutu podstawy. Jesli zatem wek-
li
i ".
sekund. tor sily ciezkosci przebije pobocznice walca (monety), to przyjmiemy, ze
moneta nie przewróci sie i upadnie na kant. B B
3. Moze jednak nalezaloby wziac pod uwage kierunek promienia? Wy- 4. Z przedzialu [O, l] wybrano losowo dwa punkty, które podzielily go na trzy
bierzmy punkt M i dorysujmy do niego promien i cieciwe. Teraz wy- odcinki. Jaka jest szansa, ze z tych odcinków da sie skonstruowac trójkat?
glada na to, ze szukane prawdopodobienstwo wynosi ~. 5. \fil czasach, gdy autorzy tej ksiazki chodzili do szkoly, na strzelnicach mozna
bylo grac w nastepujaca gre: na duzy stól, na którym namalowano dosc
Jakie jest zródlo paradoksu? We wszystkich trzech przypadkach ogólny grubymi liniami krate, rzucalo sie monete. Jesli moneta przeciela linie, zo-
schemat jest ten sam: losujemy zdarzenie elementarne w E \1, a dlugosc stawala na stole. VVprzeciwnym razie gracz zabieral wszystkie lezace na stole
cieciwy jest pewna funkcja f(w). Za kazdym razem jednak mamy do czy- monety, oprócz jednej. Przypuscmy teraz, ze moneta ma promien d, a linie
o grubosci c umieszczone sa w odleglosci a (dokladniej, a jest odlegloscia
nienia z inna przestrzenia S1i inna funkcja:
miedzy srodkami linii). Jaka jest szansa, ze moneta nie przetnie linii?
6. Abstrakcyjny wariant poprzedniego zadania. Na nieskonczona sza-
1. S1 = [O, 27r), f(w) = 2sin~;
chownice o boku a rzuca sie monete o srednicy 2r < a. Jaka jest szansa, ze
2. S1 = [0,1], f(w) = 2V1 - w2;
a) moneta znajdzie sie calkowicie we wnetrzu jednego z pól; b) przetnie sie
z co najwyzej jednym bokiem szachownicy?
3. S1jest kolem o promieniu 1, wobec tego w = (WI, W2) i 7. Igla Buffonal. Igle o dlugosci l rzucono' na podloge z desek o szerokosci a
(l ~ a). Jaka jest szansa, ze igla przetnie krawedz deski?
Autorom
f(w) = 2/1~'(wi+ w~). 8. R.ozwiazac zadanie 7, gdy l > a (dla tych, którzy nie boja sie rachunków).
wygodniej uznac,
*9. Uogólnienie zadania o igle Buffona. Na plaszczyzne, podzielona pro- ze sie bojl,
Prawdopodobienstwo jest zawsze rozlozone "równo" na odpowiednim zbio- stymi równoleglymi na pasy o szerokosci równej l, rzucono losowo wielokat
rze. Mamy tu do czynienia z trzema róznymi zadaniami, stad trzy rózne wypukly o srednicy mniejszej niz 1. Znalezc prawdopodobienstwo, ze pr:oe-
wyniki. _ tnie on jakas prosta.
"Losowo" oznacza, ze wybieramy pewien odcinek, sztywno zwiazany z wielo-
Nalezy zwrócic uwage, ze termin "losowo" nie znaczy nic, dopóki nie po- katem, i rzucamy go losowo w sensie poprzedniego zadania. Tak zdefiniowana
"losowosc" nie zalezy od wyboru odcinka.
damy modelu doswiadczenia, czyli przestrzeni probabilistycznej.
10. Na plaszczyznie jest nieskonczenie wiele prostych równoleglych, w odleglo-
Jaka metoda Paradoks Bertranda jest dobra ilustracja faktu, ze rozwiazanie problemu sciach na przemian 2 i 10 cm. Na plaszczyzne rzucono okrag o promieniu 3
wybierzemy nastepuje dopiero po wybraniu przestrzeni probabilistycznej. Jednak sam
metode rachunek prawdopodobienstwa cm. Jaka jest szansa, ze nie przetnie on zadnej prostej?
nie rozstrzyga, jaka przestrzen probabili-
glosowania? *11. Z przedzialu [O, l] wybrano losowo przeliczalnie wiele punktów. Udowodnic,
Fragment dialogu styczna, czyli jaki model doswiadczenia nalezy wybrac. Rachunek prawdo- ze zdarzenie A, polegajace na tym, ze kazdy podprzedzial zawiera co najmniej
z filmu "Rejs" podobienstwa pozwala jedynie obliczac prawdopodobienstwa pewnych zda- jeden z wylosowanych punktów, ma prawdopodobienstwo 1.
rzen, jesli znane sa prawdopodobienstwa innych zdarzell. Tylko tyle i az
12. Z przedzialu [O, l] wybrano losowo liczbe x. Jakie jest prawdopodobienstwo,
tyle. ze jest to liczba wymierna? Niewymierna?
Gruba moneta jeszcze raz. Oto dane z próby weryfikacji modelu zapropono-
Zadania wanego w przykladzie 2: w serii 500 rzutów moneta (sklejona z pieciu pieciogro-
szówek) o srednicy 19,4 mm i grubosci 6,7 mm wypadlo 176 orlów (35,2%), 170
1. Z kwadratu jednostkowego wybrano losowo punkt o wspólrzednych (x, y). reszek (34,0%) i 154 "kanty" (30,8%). Monete rzucano na wykladzine dywanowa
Wyznaczyc funkcje: z wysokosci 10-20 cm. Okazalo sie, ze przy rzutach na podloge drewniana "kant"
a) f(a) = P(min(x,~) < a), wypada bardzo rzadko ze wzgledu na odbicia sprezyste2.
b) g(a) = P(max(x,~) < a), Model przewiduje szanse upadku na "kant" równa 32,64%, zgodnosc jest wiec
c) h(a) = P(min(x,y) < a), bardzo dobra. Dokladniej, szansa uzyskania gorszego dopasowania do czestosci
d) k(a) = P(max(x,y) < a). teoretycznych wynosi ok. 60%. Taka wartosc otrzymuje sie z testu X2 (którego nie
znajdziemy w tej ksiazce). Zamiast niego Czytelnik moze spróbowac zastosowac
2. Na odcinku [O, l] umieszczono losowo punkty L i M. twierdzenie de Moivre'a-Laplace'a z rozdzialu 7.
a) jaka jest szansa, ze srodek odcinka LM nalezy do [O, 1/3]'!
l Georges Louis Leclerc de Buffon opublikowal wzmianke o tym doswiadczeniu w 1735
b) jaka jest szansa, ze z L jest blizej do M niz do zera? roku, chcac zademonstrowac "przewage geometrii nad analiza" w teorii prawdopodobien-
3. Na odcinku [0,1] umieszczono losowo punkty Al, A2, Aa. Jaka jest szansa, stwa. Laplace zauwazyl, ze mozna w ten sposób wyznaczac doswiadczalnie liczbe 1'.
ze Al ~ A2 ~ Aa? 2Doswiadczenie wykona! Filip Switala (student Wydz. Ekonomii UW).
§ 2.1. Podstawowe schematy kombinatoryczne 23
§ 2.1. Podstawowe schematy kombinatoryczne Definicja 5. Pe1"m-uiacja n-elementowego zbio1"UY nazywamy kazda funk-
cje f, odwzor'ow1Ljaca zbiór {l, 2, ... , n} na zbió1" Y .•
Przyklad 1. Tablica rejestracyjna zawiera trzy litery alfabetu lacinskiego
i cztery cyfry. Ile jest róznych tablic? Liczbe permutacji zbioru n-elementowego bedziemy oznaczac symbolem Pn-
Kazda funkcja f okreslona na zbiorze {l, 2, ... , k} wyznacza jednoznacznie
lLatwo bylo o pozorne paradoksy, a raczej bledy, takie jak stwierdzenie d'Alemberta
w artykule "Orzel i reszka" (Cro'ix et pite), w IV tomie Encyklopedii (1754). Szansa
ciag o wyrazach f( i), l :::; i :::;
k. Odwrotnie: kazdy k-wyrazowy ciag ele-
pojawienia sie dwóch orlów pod rzad w dwóch rzutach moneta mialaby wynosic 1/3, mentów zbioru Y wyznacza funkcje f: {l, 2, ... , k} --t Y. Zamiast o funk-
bowiem jesli w pierwszym rzucie wypadla reszka, nie ma sensu rzucac dalej, mozliwe sa cjach mozna wiec w powyzszych trzech definicjach mówic o ciagach, co
zatem wyniki R, 00 i OR.
wykorzystamy w dowodach.
22
24 Rozdzial 2. Klasyczna definicja prawdopodobienstwa § 2.1. Podstawowe schematy kombinatoryczne 25
""~..
Definicja 6. k-elementowa kombinacja zbioru Y, zlozonego z n elemen- Zdarzeniami elementarnymi beda tu wszystkie 7-elementowe ciagi o wyra-
tów, gdz'ie ° :::;k :::;n, nazywamy kazdy k-elementowy podzbió7' zbioTu Y .• zach ze zbioru 10-elementowego. Zdarzenia sprzyjajace to ciagi o Tóznych
wyrazach. W takim razie szukane prawdopo<J.obienstwo wynosi
Liczbe k-elementowych kombinacji zbioru n-elementowego bedziemy ozna-
V170
czac symbolem C~.
107
10·9 . 8 . 7 . 6 . 5 . 4
107
= 0,06048.•
Twierdzenie 7.
Mówiac krótko
A~=nk, n~l,k~O, (1)
Przyklad 9 (Dni urodzin). Typowa grupa cwiczeniowa na Uniwersyte- i ludzkim
cie Warszawskim liczy dwadziescia kilka osób..Czy czesto bedzie sie zdarzac, jezykiem: trzeba
n!
n, ze w grupie sa dwie osoby obchodzace urodziny tego samego dnia? A do- podac informacje,
O:::; k:::; (2)
~~= 71.(71. - l) ..... (n - k + l) = (n _ k)" kladniej: ile powinno byc osób w grupie, zeby szanse takiego zdarzenia byly gdzie kto wysiadl.
a takze wzór na liczbe wariacji bez powtórzell podal pierwszy w napisanej Prawa strone mozna oszacowac, korzystajac z nierównosci 1 + x ~ e:r,:
po hebr;:tjsku arytmetyce (1321) matematyk prowansa.lski Lewi ben Gerson Jt.]( iti,,, wnll,
(Leon Gersonides, 1288-1344). Prace Lewi ben Gersooa byly jednak malo Pk ~e-3~5 .... e-;65· =e_1+2+'j6~(k-l) =e-"(~3-;,l) I :1J"olt O Il)
Na hebrajski
znane.
tlumaczono wiele Na to, by Pk ~ 1/2 wystarcza, by k(k - l) » 730 log 2 ~ 505,9074, czyli
arabskich D o wód. (1) wariacje z powtórzeniami. k-elementowe wariacje z po- k ~ 23. Dokladniejsze rachunki pokazuja, ze P23 ~ 0,493. Pouczajacy jest
traktatów wtórzeniami to inaczej k-elernentowe ciagi o wyrazach z n-elementowego rzut oka na ponizsza tabele prawdopodobienstw róznych dat urodzin:
matematycznych, zbioru Y. Vvystarczy wiec skorzystac z twierdzenia o mnozeniu dla Al =
które z kolei byly = ... = Ak = Y.
czesto
tlumaczeniami (2) wariacje bez powtórzen. Teraz mamy do czynienia z k-eJementowymi
z greckiego. ciagami o róznych wYrazach z n-elementowego zbioru Y. Oczywiscie V,? =
= l, a dalej - V;+1 = (n - k)V;, bo po wybraniu k-elementowego ciagu Po zapoznaniu sie z tymi wynikami mozna wygrywac bez trudu zaklady, bo-
nastepny element mozna wybrac na n - k sposobów, o ile k + l :::;n. Stacl
wiem gdy pytanie, sformulowane na poczatku tego przykladu, stawiano stu- To jest absurd!
n! dentom kierunków uniwersyteckich2, srednia z' odpowiedzi wyniosla 385.•
A jest.
V; = n( n - l) ..... (n - k + l) = (n __k)! .
Przyklad 10. Na ile sposobów mozna rozdac n paczków k osobom? Paczki
(3) permutacje. Jest to szczególny przypadek wariacji bez powtórzen: smialo mozna uznac za nierozróznialne. Moze, sie zdarzyc, ze ktos nie do-
Pn = vnn = n! stanie paczka ..
(4) kombinacje. Poniewaz vnn = C~Pn (kazdy ciag k-elementowy mozna To samo pytanie mozna sformulowac w terminach kul nierozróznialnych: na
otrzymac, wybieraja,c podzbiór i ustawiajac jego elementy w ciag), to ile sposobów mozna n nie~ozróznialnych kul (paczki) wrzucic do k komórek
(osoby)? Jesli ri oznacza li(;zbe kul w i-tej komórce, to pytamy, ile jest róz-
nych ciagów liczb calkowitych nieujemnych ('r1, 1'2, ... ,rk), spelniajacych
. V;
enk = Pn = (n - n!klik! = (n)
k .• warunek
Przyklad 8. Winda jedzie 7 osób, a pieter w budynku jest 10. Jaka jest
'('1 + ... + Tk = n. (5)
szansa, ze wszyscy wysiada na róznych pietrach? 2W USA. Por. Tan Stewart, Co za traJI, Swint Nauki 8/19!J8, HH. 1~1 1(;,
26 Rozdzial 2. Klasyczna definicja prawdopodobienstwa § 2.1. Podstawowe schematy kombinatoryczne 27
Takie rozmieszczenia 'nazywamy kombinacjami z powtórzeniami. Rozwiazanie (jakie?) jest dobrze znane dla k = 2. Nietrudno domyslic sie,
Innymi slowy, pytamy, ile jest rozwiazan w liczbach calkowitych nieujem- jak wyglada ogólny wzór. Wybieramy 1'1 elementów do pierwszej czesci na
nych równania (5). Dwa rozwiazania uznajemy za rózne, jesli rózne sa ciagi (~')
1l sposobów, potem 1'2,., elementów
,,. I do drugi~j czesci na (n-:r1)
72 sposobów,
h,·· .1·k). itd. W rezultacie marny'
·ft· ',l \'
,
Oznaczmy kule gwiazdkami, a przegródki miedzy komórkami - pionowymi
kreskami. Na przyklad ciag I * II * I * *11 reprezentuje uklad 4 kul w 5 (n).
1'1 (n:~,J7'1)
"'2 ..... (n-(1·1+, 1'k-1
.. +1'k-1))
komórkach (sa 4 przegr,ódki; dodatkowo mamy po jednej kresce na poczatku
i na koncu). Ciagów zlozonych z n gwiazdek i k - 1 przegródek jest sposobów. ViTyrazenieto latwo uproscic do postaci
n!
(n:~~1) = (n+~-1).. I I
1'1·1'2····1'k· "
W jezyku kul nierozróznialnych zadanie to sprowadza sie do pytania, na il
Pytania o rozmieszczenie kul w komórkach sa ciekawe z róznych wzgledów, sposobów mozna ustawic w ciag n róznokolorowych kul, wsród któryc], jest
miedzy innymi z punktu widzenia mechaniki statystycznej. Bada sie tam
uklady n czastek w przestrzeni fazowej, która mozna podzielic na wiele
1'i kul 'i-tego koloru, i
'= 1,2, ... , k, 1'1 + 7'2 + ... + Tk = n. Takie usLil.wicnir\'
nazywamy peT7T!'Utacjl2miz powtó1'zeniami.
W przestrzeni nieduzych obszarów (komórek). Stan ukladu opisuje sie w terminach loso-
fazowej wego rozmieszczenia n czastek w k komórkach. Wydaje sie, ze czastki moga Mozemy teraz rozwiazywac zadania w stylu: jaka jest szansa, ze daty uro-
wspólrzednymi zachowywac sie dwojako: jak kule rozróznialne i nierozróznialne. Zapropo- dzin 34 osób rozkladaja sie na poszczególne miesiace tak: 6 miesiecy po 3
moga byc np. nowano trzy podstawowe modele zachowania sie czastek: osoby, 2 miesiace po 4 osoby i 4 miesiace po 2 osoby. Odpowiedz brzmi:
polozenie i ped.
a) statystyka Maxwella-Boltzmanna. Czastki zachowuja sie jak kule roz- 12!
34! . 12734 .•
róznialne i wszystkie kn rozmieszczen ma jednakowe prawdopodobienstwo. 61214!
Okazalo sie jednak, ze statystyka ta nie stosuje sie do zadnych znanych
czastek elementarnych. Przyklad 12 (Poker). Z 24 kart wybieramy 5, Jaka jest szansa, ze otrzy-
b) statystyka Fermiego-Dimca. Czastki zachowuja sie jak kule nierozróz- ma.my dwie pary? Chodzi tu o dokladnie dwie pary, nie o fulla ani karete.
nialne, przy czym Oto procedura, generujaca wszystkie taIcie uklady kart:
(i) dwie czastki nie moga przebywac w tej samej komórce, 1. Wybieramy dwie wartosci kart sposród szesciu (np. as i walet). Mozna
to zrobic na m sposobów.
(ii) wszystkie rozmieszczenia spelniajace (i) maja jednakowe prawdopo-
dobienstwo. 2. Z czterech kart o danej wartosci wybieramy dwie; robimy to dwu-
krotnie (w ten sposób wybieramy konkretne asy i walety: np. Al(.,
Z (i) wynika, ze k ;;?: n. Rozmieszczenie jest wyznaczone przez podanie ko- Ac:) i J<>, J~). Mozna to zrobic na m2 sposobów.
mórek zajetych, wobec tego prawdopodobienstwo otrzymania konkretnego
rozmieszczenia jest równe 1/ (~). Okazuje sie, ze zgodnie z ta statystyl"'1 3. Piata karte mozemy wybra.c dowolnie z 16 kart: wykluczamy 8 kart
zahcowuja sie elektrony, protony i neutrony. (tu: asy i walety), zeby nie otrzymac przypadkiem karety ani fulla.
c) statystyka Bosego-Einsteina. Czastki zachowuja sie jak kule nierozróz-
nialne. Rozpatrujemy wszystkie rozróznialne rozmieszczenia, uznajac je za W efekcie dwie pary mozna otrzymac na m (~)2 . 16 sposobów, Szukane
jednakowo prawdopodobne. Dlatego prawdopodobiellstwo ustalonego roz- prawdopodobienstwo wynosi (~) m 2. 16/ (254) = 8640/42504 ~ 0,2033.•
mieszczenia jest równe 1/ (n+,~-1). Zgodnie z ta statystyka zachowuja sie
fotony. Symetria. W wielu zadaniach mozna sie obejsc bez obliczeli, jesli umiejet-
nie skorzystac z symetrii. Rzecz ilustruja dwa przyklady ponizej.
Przyklad 11 (podzialy populacji). Na ile sposobów mozna podzielic
n-elementowa populacje 'na k czesci zawierajacych odpowiednio 7"1,' .. ,7'k Przyklad 13. Rzucamy symetryczna moneta 1999 razy. Jaka jest szansa
elementów, gdzie 1'1 + ... + 1'k = n? otrzymania parzystej liczby orlów? A gdyby rzucac
2000 razy?
J"
I
28 Rozdzial 2. Klasyczna definicja prawdopodobiellstwa § 2.2. Typowe bledy 29
Taka sama, jak parzystej liczby reszek: zamiana orla na reszke nie zmienia kule umieszczamy w jednej z n - l zajetych komórek. Zatem odpowiedz
prawdopodobienstwa zdarzenia. Zatem brzmi
n . n . (n - 1)1· (n - 1) _ n(n - l)n!
P(parzysta liczba orlów) = P(parzysta liczba reszek) = nn n"
l
= P(nieparzysta liczba orlów) = -.
2
_ Czy na pewno? Dla n = 2 otrzymujemy prawdopodobienstwo równe 1.
Latwo sprawdzic, ze wynosi ono w tym przypadku ~, i wyglada na to, ze
Przyklad 14. Na loterii 10 losów wygrywa, 100 przegrywa, a 1000 upraw- sprzyjajacych ustawien kul w komórkach jest dwa razy za duzo. Rzeczy-
nia do ponownego losowania. Jaka jest szansa wygranej, jesli wyciagamy wiscie, np. przy trzech kulach i trzech komórkach konfiguracje I - 1311,21
jeden los i gramy, dopóki sie da, czyli dopóki nie trafimy na los wygrywa- otrzymujemy dwukrotnie. Po raz pierwszy tak: odkladajac kule 1, wstawia-
jacy lub przegrywajacy? jac do drugiej i trzeciej komórki kule 3 i 2, i na zakonczenie umieszczajac
Jezeli za zdarzenia elementarne uznamy ciagi zlozone z k losów, uprawnia- kule l w trzeciej komórce. Zamiana kul 1 i 2 daje drugi - z pozoru inny
- sposób. Wyrózniajac kule odkladana na bok, popelniamy blad.
jacych do ponownego losowania (O :( k :( 1000), i jednego losu rozstrzy-
gajacego, to wpadniemy w klopoty, bo takie zdarzenia elementarne trudno Prawidlowe rozwiazanie jest nastepujace:
uwazac za jednakowo prawdopodobne. Niemniej jednak, w kazdym rozsad-
nym modelu, zdarzenia A", polegajace na tym, ze na koncu pojawil sie L Wybieramy dwie kule na G) sposobów.
los rozstrzygajacy o numerze n (l :( n :( nO), powinny miec jednakowe
prawdopodobienstwa. Rzeczywiscie, istnieje wzajemnie jednoznaczna od- 2. 'Wrzucamy je do wybranej na n sposobów komórki.
powiedniosc miedzy zdarz'eniami elementarnymi, skladajacymi sie na A"
i Am (jaka?). 3. Z pozostalych komórek wybieramy pusta na n - l sposobów.
Wynika stad, ze szansa wygranej wynosi ADo' Losy uprawniajace do dalszego 4. Umieszczamy pozostale n - 2 kul w n - 2 komórkach na (n - 2)!
losowania sa, jak widac, nieistotne. _ sposobów.
§ 2.2. Typowe bledy Sprzyjajacych konfiguracji jest wiec G) . n(n - l)(n - 2)! = n!G).-
Nie podalismy dowodu poprawnosci procedury, opisanej w przykladzie o Przyklad 2. Nie bez powodu motto tego rozdzialu pochodzi z "Sefer Je-
pokerze (2.1.12). Pelna formalizacja bylaby moze niecelowa, warto jednak cira" (Ks'iega stwo'rzenia). Traktat ten powstal przypuszczalnie na przelo-
sprawdzic dwie rzeczy: mie II i III w. po Chrystusie, w Aleksandrii. Kombinatoryka odgrywa w nim
Zl\,WH:I.(' wa,l'l,o kluczowa role.
~lpl'l\.wdziCI cr,y 1. CllYfaktycznie otrzymujemy wszystkie zadane uklady kart?
zdl.il"~elllt,
Trzydziestoma dwiema wdownymi sciezkami madrosci Jah, Jahwe Zaste-
JOlllt,'Ill.ilfIlO
juclnalwwo
H;-lt 2. Czy przypadki~m dwie z pozoru rózne drogi nie prowadza do tego
samego ukladu 'kart?
pów [...] wyryl i stwor-zyl swój swiat pr'zez trzy: p'T'Zezliczbe, slowo i p·ismo.
11I,,.,wdopoclobne. Dziesiec sefir nicosc'i oraz dwadziescia dwa podstawowe znaki: trzy matryce,
Innymi slowy, nalezy sprawdzic, czy istnieje wzajemnie jednoznaczna odpo- siedem podwójnych i
dwanascie PTostych3.
wiedniosc miedzy sposobami realizacji procedury, a generowanymi przez te
Owe dwadziescia dwa znaki to litery alfabetu hebrajskiego. Stanowia one Motyw
sposoby zdarzeniami elementarnymi. Czytelnik zechce to zrobic dla przy- obracajacych sie
podstawowe tworzywo swiata:
kladu 2.1.12 i zastanowic sie nad kolejnym przykladem. kól,
Dwadziescia dwa podstawowe znaki wprawione' w kolo. Przez 231 bram ob- produkujacych
Przyklad 1. n rozróznialnych kul umieszczono losowo w n komórkach. racane jest to kolo tam i
z powrotem - oto znak slowa. [...] Formujac kombinacje
Jaka jest szansa, ze dokladnie jedna komórka jest pusta? wywazal imieszal .fe: alej ze wszystkimi iwszystkie z alej; bet ze wszyst- podstawowych
substancji,
To proste: Pusta komórke wybieramy na n sposobów, odkladamy jedna
hmi i 'IJJszystk-iez bet i przez. obrót dookola zostalo znalezione wszystko, co wystepuje juz
wymówione, a co wychodzi z jednego imienia. w Timajosie
kule (mozna ja wybrac na n sposobów), a w pozostalych n - l komórkach Platona.
rozmieszczamy n - l kul na (n - l)! sposobów. Na zakoÓ.czenie odlozona 3Przeklad W. Brojer, J. Doktór, B. Kos, Tikkun, Warszawa 1995.
Rozdzial 2. Klasyczna definicja prawdopodobienstwa § 2.2. Typowe bledy 31
30
14. Rozdano 52 karty czterem graczom, po 13 kart kazdemu. Jaka jest szansa, ze
l{olo O 231 bramach" ma zwiazek z liczba dwuelementowych ciagów (róz-
a) kazdy ma asa? b) kazdy ma jalciegos pika?
;~ych) liter alfabetu hebrajskiego. Miesza sie "alef ze wszystkimi i wszyst- c) kazdy ma jakas figure (A, K, D lub W)?;
kie z alef" , co sugeruje, ze porzadek jest istotny -- przeciez z liter two-
15. Z 24 kart wybieramy 5. Obliczyc szanse otrzymania nastepujacych ukladów:
rzy sie slowa. Dwuliterowych ciagów uporzadkowanych jest jednak nie 231,
a 22 . 21 = 462, zatem, ktos s.ie tu pomylil. - para, dwie pary (jesli ktos nie czytal przykla.du), straight (karty tworza se-
kwens, kolory dowolne, byle nie jednakowe), trójka, fuli (trójka i para), kareta
(cztery karty tej same,(wart.osci), kolor (wszystkie karty w tym samym kolo-
Zadania rze, ale nie poker) i poker (sekwens, w tym samym kolorze).
16. W Totolotku losuje sie G J.i(;.zbz 49. .Takajest szansa, ze zadne dwie nie beda
1. Ile jest permutacji ~2 liter alfabetu hebrajskiego? Czy rzeczywiscie tej liczby
"usta nie moga w1mówic i ucho nie moz.e uslyszec"?
kolejnymi? ,
\,\,,(" ..
17. Winda raz jeszeze. Winda jedzie 7 osób, a kazda moze wysiasc na jednym
2. Cyfry O, l, 2, ... 9 usl;awiono losowo. Jakie jest prawdopodobiellstwo, ze z dziesieciu pieter. Jaka jest szansa, ze na pewnym pietrze wysiada 3 osoby,
a) Miedzy ° i l znajda sie dokladnie cztery cyfry? na innym 2, i na dwóch pietrach po jednej? TaJa konfiguracje mozna zapisfI.c
b) 7, 8 i 9 beda staly obok siebie? krótko jako 3,2,1,1,0,0,0,0,0,0. Ile jest takich ,konfiguracji i j,>kie sa S~aI1R(J
3. W pudelku jest 6 srubek dobrych i 2 zje. Jaka jest szansa, ze przy wyborze pojawienia sie kazdej z nich? ~
4 srubek wybierze sie 3 dobre i 1 zla? 18. Paradoks kawalera de Mere. Co jest bard'l'iej prawdopodobne: otrzyma-
4. W urnie sa 2 kule biale i 4 czarne. Losujemy 2 kule bez zwrac,mia. Co jest nie co najmniej jednej jedynki przy rzucie 4 kostek, czy co najmniej raz
bardziej prawdopodobne, wyciagniecie kul a) tego samego koloru; b) róznych dwóch jedynek na obu kostkach przy 24 rzutach obu kostek?
kolorów? De Mere uwazal,
19. Zadanie Samuela Pepysa4• Co jest bardziej prawdopodobne: uzyskanie co
ze te prawdopodo-
5. Z 52 kart wylosowano 6. Jaka jest szansa, ze wsród wylosowanych kart beda najmniej jednej szóstki w 6 rzutach, co najmniej dwu szóstek w 12 rzutach, biellstwa powinny
karty czerwone i czarne? czy co najmniej trzech w 18'1 byc równe,
6. Z 52 kart wylosowano 13. Jaka jest szansa, ze wsród wylosowanych kart beda 20. Paradoks kawalera de Mere. Jest to przyklad wyboru wlasciwego modelu astwierdzilpodobno
reprezentowane wszystkie wartosci? dla opisu zjawiska. Przy rzucie trzema kostkami sume 11 i 12 oczek mozna eksperymenta.lnie,
7. Z 52 kart wybrano 13. Jakie sa szanse otrzymania: otrzymac na tyle sarno sposobów. Dlaczego czesciej wypada suma 11 oczek? ze tak nie jest
a) 5 pików, 4 kierów, 3 trefli, 1 kara? 21. Jaka jest szansa., ze spotkam na przyjeciu 'osobe, obchodzaca urodzill)' tego (por. zad. 10.2.7).
b) ukladu 5-4-3-1? Zadanie mozna
samego dnia, co ja? Ile osób powirulo byc na przyjeciu, zeby ta szansa prze-
c) ukladu 5-3-3-2? kontynuowac: 3
kroczyla 1/2? kosci i 144 rzuty,
d) ukladu 4-4-4-1?
22. Koincydencje. Na imprezie mikolajkowej wszystkie n prezentów pozba- 4 kosci
8. Przy okraglym stole usiadlo dziesiec dziewczat i dziesieciu chlopców. Jaka
wiono karteczek z. imieniem adresata, losowo wymieszano i rozdano uczestni- rzutów.
i
6·144 = 876
jest szansa, ze osoby tej samej plci nie siedza obok siebie?
kom. Niech Pic oznacza szanse, ze dokladnie k osób dostanie wlasny prezent.
i; 9. Ile jest róznych wyników rzutu n nierozróznialnych kosci? Wyznaczyc Pk, k = O, 1,2, ... , n, a takze granice tych prawdopodobienstw,
10. Na ile sposobów mOzna podzielic 12 paczków miedzy 4 osoby, tak by kazda gdy n -> 00.
.,11
dostala a) przynajmniej jeden; b) przynajmniej dwa? (paczki uwazamy za 23. Z 52 kart wybrano 13. Ja.ka jest szansa otrzymania a) dokladnie siedmiu kart
nierozróznialne ).
jednego koloru; b) dokladnie szesciu kart jednego koloru?
11. Ile róznych pochodnych czastkowych rzedu r ma funkcja analityczna n zmien-
24. Urny z lózeczkami. W malym schronisku sa 3 pokoje: czteroosobowy,
nych?
trzyosobowy i dwuosobowy. Dziwnym trafem schronisko jest puste, gdy po- Ten tytul to
12. Ile jest róznych rozwiazan równania jawia sie grupa 6 turystów i natychmiast zajmuje miejsca calkowicie losowo. makabra!
" Xl + X2 + X3 + X4 = 25 .Takajest szansa, ze jeden pokój pozosta.nie wolny?
25. Pokazac, ze ella n > 1
a) w zbiorze liczb calkowitych nieujemnych;
~ b) w zbiorze liczb naturalnych.
13. Z jeziora wyLowiono200 ryb, oznakowano je ; wpuszczono do wody. Po pew- (~) -2(;) +3(;) - ... =0.
nym czasie wyLowiono100 ryb, a wsród nich bylo 8 oznakowanych. Za roz-
sadna ocene liczby ryb w jeziorze mozna uznac liczbe ryb, dla której zreali- 4Sa.mue]Pepys (1633-1703), autor slynnych dzienników, sekretarz Royal Society; py-
zowalo sie zdarzenie o najwiekszym prawdopodobienstwie. Jaka to liczba? tanie zostalo postawione Newtonowi.
.l'
I jl
32 Rozdzial 2. Klasyczna definicja prawdopodobienstwa
(l)
l(~) +2(;) +3(;) + ... +n(:)
(2)
2·1· (;) +3·2· (;) + ... +n·(n-1)· (~) Rozdzial 3
27. Znalezc wzór na
~"( ~)2
Prawdopodobienstwo
warunkowe
Przyklad 1. W jednej urnie sa same biale kule, w drugiej same czarne. ..•
j'
:',1
Wybieramy losowo urn!;! i wyciagamy z niej kolejno dwie kule. Niech A
(odp. B) oznacza zdarzenie, ze pierwsza (odp. ·druga) wylosowana kula jest
biala. P(B) = 1/2, gdyz wybór urny determinuje wybór koloru kuli. Jesli
wiemy, ze zaszlo zdarzenie A, to druga wylosowana kula bedzie biala, wiec
prawdopodobienstwo zajscia zdarzenia B, gdy wiemy, ze zaszlo zdarzenie
A, oznaczane przez P(BIA), jest równe 1. •
Oczywiscie nie zawsze tak jest, na przyklad przy dwukrotnym rzucie sy-
metryczna moneta wypadniecie orla w pierwszym rzucie nie ma wplywu
na prawdopodobieilstwo wypadniecia orla w drugim rzucie. Jesli wiemy, ze
zaszlo zdarzenie B, to ograniczamy sie do zdarzen elementarnych sprzyjaja-
-- -
cych B, intuicja podpowiada wiec, ze dla prawdopodobienstwa klasycznego
-
P(AIB) jest równe liczbie zdarzen elementarnych sprzyjajacych A i za-
wartych w B, podzielonej przez liczbe wszystkich zdarzen elementarnych
,~, ,
.---- ..-.-.
..•... ..
.~
33
34 Rozdzia,l 3. Prawdopodobienstwo warunkowe § 3.1. Definicja i przyklady 35
tworzacych B, czyli Jesli nierównosc P(AIB) > P(A) bedziemy interpretowali w ten sposób, ze
zajscie zdarzel1ia B zwieksza szanse zajscia 'zdarzenia A, to (1) oznacza,
p(AnB) ze zajscie zdarzenia B zwieksza szanse zajscia zdarzenia A wtedy i tylko
P(AIB) = # (A#B
n B) P(B) wtedy gdy zajscie zdarzenia A zwieksza szanse zajscia zdarzenia B. Jest
to sprzeczne z intuicja 'Nielu osób, którym wydaje sie, ze jesli B zwieksza
Prowadzi to do definicji w ogólnym przypadku.
szanse zajscia A, to A zmniejsza szanse zajscia B .•
Przyklad 3. Wybieramy jedna rodzine sposród rodzin z dwojgiem dzieci. Twierdzenie 5. Jesli zdarzenia Al, A2, ... , An 8pelniaja warunek
Obliczyc prawdopodobienstwo zdarzenia, ze wybierzemy rodzine z dwoma
. chlopcami, jesli wiemy, ze w tej rodzinie: [:.;' ( '..
P(Al n A2 n ... n An-d'> o,
l
----------- .•-.
36 Rozdzial 3. Prawdopodobienstwo warunkowe § 3.2. Wzór na prawdopodobienstwo calkowite i wzór Bayesa 37
Korzystajac z tego, widzimy bez obliczen, ze w brydzu prawdopodobieJlstwo zda- § 3.2. Wzór na prawdopodobienstwo calkowite wzór
rzenia, ze gracz A ma 4 asy, jesli wiemy, ze ma asa pik, jest wieksze od praw- Bayesa
dopodobienstwa, ze gracz A ma 4 asy, jesli wiemy, ze ma co najmniej jednego
asa.
Jednym z najbardziej uzytecznych wzorów zwiazanych z prawdopodobien-
stwem warunkowym jest wzór na prawdopodobienstwo calkowite. Pozwala
5. Wybrano losowo rodzine z dwojgiem dzieci i okazalo sie, ze jedno z dzieci on obliczac prawdopodobienstwa zdarzen, które moga zajsc w wyniku re-
ma na drugie imie Franek. Jaka jest szansa, ze drugie dziecko jest chlopcem alizacji innych zdarzeii, na przyklad w doswiadczeniach wieloetapowych.
(nie wykluczamy, ze tez ma na drugie imie Franek)?
Zeby móc zapisywac zwiezle zalozenia tego i pokrewnych twierdzen, wpro-
6. Wiadomo, ze P(AIB) = P(BIA), P(A U B) =l i P(A n B) > O. Dla jakich wadzimy pojecie TOzbicia zbioru n.
a mamy zawsze P(A) > a?
7. Z talii 8 kart - czterech króli i czterech asów - wybieramy losowo dwie karty. Definicja 1. Rozbiciem przestrzeni n nazywamy rodzine zdarzen {Hi};EI'
Obliczyc prawdopodobienstwo zdarzenia, ze wybrano 2 króle, jesli wiemy, ze: które wzajemnie sie wykluczaja, zas ich suma jest równa n. HiEF!
a) wybrano co najmniej jednego króla,
Rozbicie nazwiemy przeliczalnym, jilsli zbiór wskazników I jest przeliczalny;
b) wsród wybranych kart jest czarny król,
sko'nczonym, jesli jest skonczony. Zbiór przeliczalny
c) wsród wybranych kart jest król pik. moze byc
Illh Ilio.
8. Z talii 32 kart wyciagamy 5. Niech Twierdzenie 2 (Wzór na prawdopodobienstwo calkowite). Jezel'i SkO(ICZOIl.Y
A - zdarzenie polegajace na wyciagnieciu dokladnie trzech króli,
{B l, B2, ... , Bn} jest rozbiciem n na zdarzen'ia o dodatnim pTo.'/lJdopoclo-
bienstwie, to dla dowolnego zdarzenia A
B - zdarzenie polegajace 'na wyciagnieciu co najmniej jednego króla,
n
C -
D -
zdarzenie polegajace na wyciagnieciu króla czarnego,
zdarzenie polegajace na wyciagnieciu króla pik.
P(A) = L
i=l
P(AIBi)P(Bi)'
Jest to doskonal a ilustracja faktu, ze na prawdopodobienstwo nie ma wply- R o z w i a z a n i e. Zbiór n tworza skonczone ciagi orlów i reszek, konczace sie
wu zajscie materialnego zdarzenia, ale tylko wiedza, która mozemy miec, na OOR lub ROR, oraz ciagi llie:,konczone (odpowiada to przypadkowi, ze
biorac pod uwage jego zajscie. W naszym przykladzie na szanse zajscia zda- gra sie nigdy nie skOllczy). NiechW1 (W2) bedzi!3 zdarzeniem, ze wygra Jas
rzenia nie mialy wplywu poprzednie ciagnienia tak dlugo, jak nie znalismy (odp. Grzes). Ok (Rk) k == J., 2, 3, zdarzeniem, ze w k-tym rzucie wypadl
ich wyniku. orzel (reszka). Niech
P(AIB) = L zEl
P(AIB n Hz)P(HdB).
Czesto znamy wynik doswiadczenia
odpowiada wzór (regula) Bayesa1.
i pytamy o jego przebieg. Na to pytanie
runkiem zajscia zdarzenia G, gdy wierny, ze zaszlo zdarzenie B. Zachodzi P(HiIA) = ". na prawdopodo-
L-·/.El P(AIHz)P(Hi) bieI1stwo
równosc: calkowite.
D o wód. Z definicji prawdopodobienstwa warunkowego i wzoru na praw-
PB(AnH) _ p(AnHnB)/p(B) =p(AIHnB). dopoclobieilstwo ca.lkowite mamy
PB(AjH) = PB(H) - p(HnB)/p(B)
Twierdzenie jest wzorem na prawdopodobienstwo calkowite dla prawdopo- P(Hj[A) = P(A n Hi) = P(A[Hj)PCHj) .•
P(A) ~'iEl P(A[Hz)P(Hz)
dobieÓstwa PB(-) .•
lThomas Bayes (1702-1761) byl pastorem w ThrnbridgeWells pod Londynem. Dzieki
zainteresowaniom matematycznym zostal w 1742 roku czlonkiem Royal Society. Jego
Przyklad 7. Grzes i Jas rzucaja na przemian moneta. Jas wygrywa, gdy "Essay toward solving a Problem ir,.the Doctrine of Chances" ukazal sie dopiero w roku
Jak mogloby pojawia sie kolejno OOR, Grzes - gdy ROR. Jakie sa prawdopodobienstwa 1763.Wzór Bayesa nie zostal sfoÓnul'owanyprzez Bayesa. Taka nazwe nadal mu Laplace.
wygladac ogólne wygra.nej dla obu chlopców?
twierdzenie?
l
\V zadaniu zamieszczamy problem, rozwazany w cytowanej pracy.
40 Rozdzial 3. Prawdopodobienstwo warunkowe § 3.2. Wzór na prawdopodobieilstwo calkowite i wzór Bayesa 41
W statystyce prawdopodobienstwa hipotez P(H;) nazywamy prawdopo- 8. VVurnie jest n kuL przy czym n moze byc równe 2, 3, 4, 5 z jednakowym
dobienstwami a. priori (przed doswiadczeniem), P(HiIA) prawdopodobien- prawdopodobienstwem. Kule sa ponumerowane liczbami od l do n. Losujemy
stwami a. posteTiori (po doswiadczeniu). Rodzina zdarzell {HdiEI zwana kolejno dwie kule bez zwracania i zapisujemy cyfry z tych kul w kolejnosci
jest takze zupelnym ukladem zdarzen. wylosowania. Zapisana liczba okazala sie byc mniejsza od 44. Jakie jest praw-
dopodobienstwo, ze n bylo równe 3?
Przyklad 9. W zbio~ze 100 monet jedna ma po obu stronach orly, pozo- 9. Podczas klasówki z historii Jan i Pawel siedzieli obok siebie. Miedzy innymi
stale sa prawidlowe. W wyniku 10 rzutów losowo wybrana moneta otrzyma- mieli napisac dwie daty. Jan je pamietal, ale nie wiedzial jak je przyporzadko-
lismy 10 orlów, Obliczyc prawdopodobiellstwo, ze byla to moneta z orlami wac. Zapytal Pawla, wiedzac ze w 3 przypadkach na 4 Pawel zna prawidlowa
po obu stronach. odpowiedz, chociaz Paweluwazal, ze zawsze wie dobrze. Jednak Pawel w l
A jak zmieni sie przypadku na 4 oszukuje Jana. Co jest lepsze dla Jana: posluchac Pawla,
Rozwiazanie. Moglismy wybrac monete prawidlowa (zdarzenie H1l1ub czy odpowiedziec losowo?
odpowiedz przy
100 rzutach i 100 z dwoma orlami (zdarzenie Eh). Po wykonaniu doswiadczenia otrzymalismy
10. W komodach A, B i C sa po dwie szuflady. W kazdej szufladzie jest jedna
orlach? 10 orlów (zdarzenie A). Nalezy obliczyc P(H2IA), co robimy za pomoca
wzoru Bayesa: moneta, przy czym w komodzie A sa monety zlote, w C - srebrne, a w B
jest jedna moneta zlota i jedna moneta srebrna. Wylosowano komode, na-
1· 160 1024 i
stepnie szuflade, znaleziono tam monete zlota. Jaka jest szansa, ze w drugiej
szuIiadzie jest tez moneta zlata?
P(H2iA) = 210l . ~100 + 1 . 160 1123 ;::::;0,91. II
11. Paradoks Simpsona. (To zadanie pokazuje, z jak wielka uwaga i ostroz-
noscia powinnismy stosowac wnioskowanie, oparte na prawdopodobienstwie
Zadania warunkowym) .
Podac przyklad zdarzen A, B i G, dla których:
1. Problem z pracy Bayesa. Liczba p jest szansa sukcesu w schemacie Berno-
uIJiego (patrz 4.2) i zostala wybrana losowo z przedzialu [O, l] (czyli zgodnie P(AIB) < P(AIB') - (1)
z rozkladem jednostajnym; mialo to wyrazac "calkowita niewiedze"). Znalezc
i jednoczesnie
P(p E [a,b]1 zaszlo m sukcesów wOn próbach).
P(AIB n G) 2: P(A.IB' n G), P(AIB n G') ~ P(AIB' n G') (2)
2. Znalezc prawdopodobienstwo wybrania przedmiotu I gatunku, jesli jest 5%
Slownie mozna sformulowac paradoks w nastepujacy sposób:
braków, a 80% przedmiotów dobrych jest I gatunku. \
Moze sie zdarzyc sytuacja, ze w miescie X jest wieksza umieralnosc chorych na
3. biala.
W pierwszej
Rzucamyurniekostka.
sa 3 kule
Jezeli
biale
wypadnie
i 2 czarne,
mniej
a wniz
drugiej
5 oczek,
urnieto sa
losujem,~ule
4 cza~: i l gruzlice niz w miescie Y, a mimo to wieksza umieralnosc chorych kobiet jest
z pierwszej urny, jezeli wypadnie 5 lub 6 oczek, to losujemy kule z drugiej w miescie Y, a takze wieksza umieralnosc chorych mezczyzn jest w miescie Y.
urny. Jakie jest prawdopodobienstwo wylosowania kuli bialej?
4. W urnie sa trzy kule biale i dwie czarne. Wyciagnieto jedna kule z urny 12. Mamy w urnie b kul bialych i c czarnych. Wyciagamy kolejno kule i odkla-
i wyrzucono bez ogladania, a potem wyciagnieto nastepna. Jaka jest szansa, damy je, nie sprawdzajac koloru. Niech Gn bedzie zdarzeniem, polegajacym
ze za drugim razem wyciagnieto kule biala? na wyciagnieciu za n-tym razem kuli czarnej. Pokazac, ze P( Gn) = b~c' jesli
n:::; b + c.
5. Jest n monet, ale k z nich jest asymetrycznych i orzel wypada na nich z praw··
dopodobienstwem 1/3. Wybrano losowo monete i w wyniku rzutu wypadl 13. Schemat Pólya. Marny w urnie b kul b'ialych i c czarnych. Po wyciagnieciu
orzel. Jaka jest szansa, ze moneta jest asymetryczna? kuli z urny wrzucamy ja z powrotem i dokladamy jeszcze d kul tego samego
6. Wsród 65 monet jest jedna z dwoma orlami. Na wybranej losowo monecie koloru. Jakie jest prawdopodobienstwo Pk,n wyciagniecia k kul czarnych w n
losowaniach?
wypadl orzel 6 razy z rzedu. Jaka jest szansa, ze byla to moneta z dwoma
orlami?
Zadania 14-15a poswiecone sa zadaniu o ruinie gracza. Gracze A i B graja
7. W jednej urnie sa 2 kule biale i 8 czarnych, w drugiej 3 kule biale i 7 czar- w "orla i reszke" , rzucajac (niekoniecznie symetryczna) moneta. W pojedynczej
nych. Która urna jest która, nie wiadomo. Nalezy wylosowac (bez zwracania) kolejce gracz wygrywa l zl z prawdopodobienstwem p lub przegrywa l zl z praw-
po kolei dwie kule tak, by szansa otrzyma.iJ.ia dwóch kul bialych byla naj- dopodobienstwem l-p. Gracze maja kapitaly poczatkowe a i b, a + b = z.
wieksza. Jaka powinna byc procedura losowania? Przedyskutowac rozwiaza- Zasadniczo gra kOllCZYsie, gdy jeden z graczy zostanie zrujnowany. Gracze moga
nie w przypadku dowolnych skladów urn (ki bialych kul, ni czarnych kul, jednak umówic sie inaczej (np. wycofywac sie z gry w dogodnym dla siebie momen-
i=I,2). cie). Wyniki poszczególnych kolejek sa niezalezne, i choc pojecie niezaleznosci nie
Ll
42 Rozdzial 3: Prawdopodobienstwo warunkowe
19. Test na rzadka chorobe, która dotknieta jest srednio jedna osoba na tysiac, Nie zawsze na podstawie opisu slownego zdarzenia mozna sie zorientowac,
daje falszywa pozytywna odpowiedz w 5% przypadków (u osoby chorej daje czy zaleznosc istnieje, czy nie. Oto przyklad:
zawsze odpowiedz pozytywna). Jaka jest szansa, ze osoba, u której test dal
odpowiedz pozytywna, jest faktycznie chora? Zakladamy, ze nic nie wiemy
Przyklad 3. Wybieramy jedna rodzine sposród rodzin, majacych n dzieci.
o innych mozliwych objawach u badanej osoby2.
Niech zd,u'zellie A polega na tym, ze w losowo wybranej rodzinie jest co
2ZOO. 18 i 19 na podstawie: Deborah J. Bennett, Randomness, Harvard Univ. Press, najwyzej jedna dziewczynka, B - w rodzinie sa dziewczynki i chlopcy. Czy
1998. zdarZCJli,\. )\ j IJ sa niezalezne?
t
1-
43
44 Rozdzial 4. Niezaleznosc zdarzen § 4.1. Definicja i przyklady 45
R o z w i a z a n i e. Przestrzen probabilistyczna tworza ciagi n-elementowe - Przyklad 7 (n zdarzen niezaleznych), Rozpatrzmy n-krotI).y rzut mo-
uporzadkowane wedlug starszenstwa ciagi dzieci. Wtedy wszystkie zdarze- neta. Niech zdarzenie Ak polega na tym, 'ze w k-tym rzucie wypadl orzel.
nia elementarne: sa jednakowo prawdopodobne i mamy #D = 2", #A = Zdarzenia Al, A2, ... , An sa niezalezne. W tym doswiadczeniu
= l + n, #B = 2"-1-1 i #
(A n B) = n (dokladnie jedna dziewczynka).
1
Zatem
[l = {w = (Wl,W2, ... ,Wn):Wi E {O,R}}, P(w) = 2n' Ak = {W:Wk = O}.
n+l 2n - 2 n
P(A n B) = P(A)P(B) q --2n .--2" = -2n q l + n = 2n-l q n = 3
Zatem P(Ak) = 2;:' = ~. Poniewaz
Jak widac, zdarzenia majace identyczny opis slowny sa raz zalezne, a. raz
nie. _ Ai, n Ai2 n ... n Aik = {w: Wi, = W'i2 = ... = Wik = O},
dla l ~ il < i2 < ... < ik ~ n, k = 2,3, ... , n. Jesli zdarzenia Al" .. ,An sa niezalezne, to po zamianie niektórych z nioh
na zdarzenia przeciwne niezaleznosc zachowa sie. Ro,,"wijajac tQ obscrwAcj
Przyklad 5. Dla n ;;::3 z niezaleznosci zdarzen parami nie wynika ich otrzymujemy stwierdzenie, które pozwoli na upros7.czenie dowodu nic\f,ltlc:l-
niezaleznosc. Niech n = {Wl"",W4}, P(w.j) = Ai = {Wl,Wi+l}, 'i= l, nos ci z przykladu 7. Przyjmiemy konwencje uzyta do zapisu skladowych we
Czasem, dla = 1,2,3. Wtedy P(Ai) = ~, P(A, n Ai) = P(Wl) = dla 'i i= j, wiec l wzorze wlaczen i wylaczen: AD = A, Al = A'.
podkreslenia, ze zdarzenia sa parami niezalezne, Ale
Ilie chodzi Stwierdzenie 8. Nastep1ljace warunki sa równowazne:
o niezaleznosc
p<'l.raml1 mówi sie P(Al n A2 n A3) = P(Wl) = ~ =1= ~ = P(Al)P(A2)P(A3).
o wzajemnej ('i) Zdarzenia Al, ... , A" sa niezalezne;
niezaleznosci W wersji mniej abstrakcyjnej da sie to opowiedziec tak: w urnie sa cztery
zdarzen.
kule - niebieska, zielona, czerwona i pstrokata (niebiesko-zielono-czerwo- (ii) Dla kazdego c'iagu el,·.· en, gdzie ei E {O, 1}, i = 1,2, .. , n, zdarzenia
na). Szansa wyciagniecia kuli z kolorem niebieskim (a takze z zielonym lub Bl = A~l, ... , Bn = A~n sa niezalezne;
czerwonym) wynosi 1/2. Prawdopodobienstwo zajscia kazdej pary zdarzen
wynosi 1/4 i jest takie samo, jak szansa zajscia wszystkich trzech naraz. _
(ii'i) Dla kazdego ciagu el, ... en, gdzie ei E {O, l}, i = 1,2, ... n, zachodzi
r-ównosc
Przyklad 6. Z tego, ze pewne zdarzenia A, B, C spelniaja warunek P(A~1 n ... nA~n) = P(A~')"'" p(A~n). (l)
P(A n B n C) = P(A)P(B)P(C) Dowód. (i) => (ii). Skorzystamy z zasady indukcji. Dla n = 2 mamy
wcale nie wynika ich niezaleznosc parami. Niech na przyklad D = [0,1]2,
P(Al n A~) = P(Aj \ Al n A2) =
:F = B([O, 1]2), P = A. Jak latwo zauwazyc, zdarzenia
A jest miara
= P(Ad - P(Aj n A2) = P(A1)[1 - P(A2)] = P(Al)P(A~),
Lebesgue'a. A=B={(x,y):x>v}n[O,1]2, C={(x,y):x< !}n[O,1]2
wiec Al, A~ sa niezalezne. Na mocy symetrii takze A~, A2 sa niezalezne.
spelniaja zadana równosc, a zadne dwa nie sa niezalezne. _ Stosujac jeszcze raz powyzsz,~ rozumowanie do A~ i A2, otrzymujemy nie-
zaleznosc A~, A~. Teraz zakladamy, ze stwierdzenie jest prawdziwe dla n
Zeby skorzystac z definicji niezaleznosci, nalezy sprawdzic 2n - n - 1 rów- i dowodzimy je dla n+ l, stosujac jeszcze raz indukcje, tym razem ze wzgledu
nosci, ale na szczescie mozna to na ogól zrobic przy pomocy jednego rozu- na k - liczbe zdarzell zamienionych na przeciwne. Rachunki sa podobne do
mowania, jak pokazuje nastepny przyklad. pokazanych powyzej - zachecamy do samodzielnego ich przeprowadzenia.
I
>~
~--
(ii) => (iii). Oczywiste. (iii) => (i). Wykazemy, ze równosc (l).iesl spel- Przyklad 13 (Nieskonczony ciag zdaJ.'zen niezaleznych). Niech
.)\ :'
nionaprzez (n - 1) zdarzen: Ai', ... , A~':"-ll. Otóz
" ~.H·,.F,P) = ([0,1], 8([0, 1]), A).
P(A~' n ... n ~~~1')= Dla kazdej liczby :1; E [O,/i] okreslmy jej rozwiniecie dwójkowe:
= P(Ai' n n A~~-l' n A~) + P(Ai' n ... n A~~l' n A~) =
= P(Ai1) .'P(A:'~-l') . P(AO) + P(Ai1) •••.• P(A~~-11) . P(A l) = x = 0
~ 2;-
d,,(x). = o, dl ()
71,=1
X , d2(:c ) , ...
= P(Ail) ',P(A~':..-n 1-
Definicja 9. O'-ciala FI, F2, ... , Fn (Fj C F dla kazdego j) sa, niezalezne Zbiory il1 i ..12.
wtedy i
tylko wtedy, gdy dla dowolnych Aj E Fj, j = 1, ... , n jest
Poniewaz
P(Al n ... n A,,) = P(Al) ..... P(An).
Al n A2n ... n A" = {x E [O, l]: di (1;) = O, i= 1, 2, ... , n} = [O, 2~ J '
SLwicrd~,enic 8 mozna wyrazic w tym jezyku, a mianowicie
to P(Al n .....12
n ... n A,,) = 21n. Ogólniej,
Stwierdzenie 10. Zdarzenia Al, ..12, ... ,An sa, niezalezne wtedy tylko i
wtedy, gdy 0'(..11)"" ,00(An) sa, niezalezne, gdzie O'(Ai) = {Ai, A;, 0, n} sa
O'-cialami generowanymi przez Ai.
{:J; E [O,l]:di(:r.:) =ci,i= 1,2, ... ,n} = (n ~~~'8~+ n 1]
2'"
5. Zdarzenia Al, .•. , An sa niezalezne i maja jednakowe prawdopodobienstwo i 15% nowych klientów, powodujacych wypadek z prawdopodobienstwem 0,4.
p. Jaka jest szansa, ze Prawdopodobienstwo, ze dany klient bedzie mial w ciagu roku wypadek jest
a) zajda wszystkie naraz? dra:niego niezmieune, niezaleznie od tego czy mial wypadek poprzednio czy
b) nie zajdzie zadne z nich? nie. Zatem prawdopodobienstwo, ze wybrany losowo klient bedzie mial wy-
c) zajdzie dokladnie jedno? padek jest równe 0,0685, a prawdopodobienstwo, ze bedzie mial drugi, jesli
wiemy, ze mial pierwszy, jest równe 0,3.516 (warto to obliczyc). Model za-
6. Adam, Bolek i Czesio rzucaja po kolei moneta. Wygrywa ten, który pierwszy
klada, ze nie ma nastepstw, a pomimo to spowodowanie wypadku zwieksza
wyrzuci orla. Znalezc szanse wygranej dla kazdego z graczy.
szanse powtórnego wypadku. Wyjasnic to.
7. Tenisista musi wygrac dwa mecze pod rzad z trzech. Moze grac a) z lepszym
i
od siebie, ze slabszym i znów z lepszym, b) ze slabszym, z lepszym znów ze
14. Wariant poprzedniego zadania. Kierowcy dziela sie na ostroznych (jest
ich 95%, i taki kierowca powoduje w ciagu roku wypadek z prawdopodobien-
slabszym. Który wybór daje wieksze szanse, jesli wyniki kolejnych meczów
stwem 0,01) i piratów (jest ich 5%, szansa na wypadek w ciagu roku .-- 0,5).
sa niezalezne?
Wybrany losowo kierowca nie spowodowal wypadku w roku 1998 ani 1999.
8. W meczu pilki noznej z prawdopodobienstwem t wygraja goscie, ~ gospo- Jaka jest szansa, ze spowoduje wypadek w roku 2000?
darze, a z.prawdopodobienstwem l
bedzie remis. Obliczyc prawdopodobiell-
stwo, ze w 14 meczach bedzie 7 zwyciestw gospodarzy i 3 remisy.
9. Na rysunku ponizej widac dwa systemy niezaleznie dzialajacych bezpieczni- § 4.2. Schemat Bernoulliego
ków. Prawdopodobienstwo przepalenia sie bezpiecznika przed uplywem czasu
T jest równe p. Obliczyc prawdopodobienstwo ciaglego przeplywu pradu Jak wyglada przestrzel l probabilistyczna dla n doswiadczell, wykonywanych
a) z A do B, b) z C do D w czasie T. niezaleznie, gdzie z j-tym doswiadczeniem zwiazana jest pri:estrzeó proba-
bilistyczna (nj,:Fj, Pj)? Wynikiem n doswiadczen bedzie ciag (Wl, , wn),
gdzie Wj jest wynikiem j-tego doswiadczenia. Zatem n = nI x n2 x x nn.
Jasne, ze :F = :Fl <:9 ... <:9 :Fn. Prawdopodobienstwo P powinno byc: takie,
A ----c=J-. B ze prawdopodobiellstwo zajscia zdarzenia Aj E :Fj jest równe Pj(Aj), 1.;',11.
...
An)
·
=
Pn(An).
10. Niech a" == min(Pn, 1- Pn), gdzie p" E [0,1]. Wykazac, ze jesli I::'=l a", jest
P = P, <:9 P2 <:9 ... <:9 Pn·
rozbiezny, to nie istnieje przestrzen probabilistyczna dyskretna, zawierajaca
niezalezne zdarzenia A"A2, ... takie, ze P(An) == pn. Szczególnie waznym przykladem takiej sytuacji jest schemat Bemo~tlliego.
Schematem Bernoulliego bedziemy nazywac ci,ag niezaleznych powtórzell
Uwaga. Z tego zadania wynika; ze przestrzen dyskretna nie moze byc modelem tego samego doswiadczenia o dwu mozli wych wynikach, nazywanych umow-
dla nieskonczonego ciagu rzutów moneta. nie sukcesem i porazka. Poszczególne doswiadczenia bedziemy nazywac pró-
k
11. Owad sklada bami Bernoulliego.
k jajeczek z prawdopodohienstwem he-"", A > O. Potomek
wylega sie z jaja: z prawdopodobienstwem p, niezaleznie od iJmych. Znalei,c
prawdopodobienstwo, ze liczba potomków bedzie równa. l. Twierdzenie 1. Pmwdopudobienstwo zajscia dokladnie k sukcesów w sche-
12. Adam, Barnaba i Czeslaw strzelaja do tarczy; szansa trafienia wynosi p. Wia-
macie Berno'ulliego n pTób' z pmwdopodobienst1vem sukcesu w pojedynczej
domo, ze dwóch trafilo. Wybrac wlasciwa odpowiedz: a) jest wieksza szansa, próbie równym p wynosi (Z)l}(l- p)n-k ..
ze Czeslaw trafil; b) jest wieksza szansa, ze Czeslaw nie trafil; c) szanse sa
równe. D o wód. Umówmy sie, ze l oznacza sukces, O - porazke. Wtedy
13. Nastepstwa pozorne. Towarzystwo ubezpieczeniowe ma stalych klientów,
którzy powoduja - w ciagu roku - wypadek z prawdopodobienstwem 0,01 D = {O,l}n, P((al;'" ,an)) = pa,+ . .+a"(l_ p)n-(a,+..+a,,)
50 Rozdzial 4. Niezaleznosczdarzen § 4.2. Schemat Bernoulliego 51
Jesli Ak jest zdarzeniem, polegajacym na zajsciu k sukcesów, to W wyniku konstrukcji otrzymujemy ciag podzialów odcinka (O,l]
P(Ak) = L
(a" ... ,an):a) + ...+a,,=k
P((al"'" a.n)) = (~)pk(l - p)"-k .•
{Itt,.,i,,:ik E {O,I}},n= 1,2, ...
taki, ze zachodzi (l) i kazdy nastepny podzial 'jest drobniejszy od poprzed-
Pojawiaja sie naturalne pytania: jak skonstruowac przestrzen probabili- niego. '\ ,"
styczna dla schemat'u Bernoulliego o nieskonczonej ilosci prób? W szcze- Kazdy punkt x E (0,1] wyznacza jednoznacznie nieskonczony ciag zer i je-
gólnosci, jak zbudowac n dla nieskonczonego ciagu rzutów monety syme- dynek: (Xl, X2, ... ) taki, ze X;n = k, gdy x E It) ..,in_),k (xn jest dobrze
trycznej? Zdarzeniem elementarnym jest ciag (Wi)r:;l' gdzie Wi = ° lub 1. okreslone, bo odcin.ki otrzymane w n-tym kroku sa rozlaczne i ich suma jest Patrz zad, 1
Zatem zdarzen elementarnych jest nieprzeliczalnie wiele. Koncepcja przeli- calym odcinkiem (0,1]). Taki ciag odpowiada r,ealizacji schematu Bernoul-
czalnego zbioru zdarzElllelementarnych juz nie wystarczy (patrz tez zadanie liego nieskonczenie wielu doswiadczen, gdzie Xn = 1 informuje, ze w n-tym
10 z poprzedniego paragrafu). doswiadczeniu zaszedl sukces, zas .1;n = O-ze' zaszla porazka. Niech
'"
~ iI(k) ..
~111.21",~h-l,l I =p . '"
L-.t II(k~l).
tl,t2""ltk_l I = p.
'ii, ..,ik_l E{o,q i" ..,ik_1E{O,1}
(II I
Ad. 2. Na mocy definicji wystarczy pokazac, zewyniki doswiadczen od 1
(I l II I do n-tego sa niezalezne. VI!tym celu sprawdzimy, ,zejest spelniony warunek
(iii) ze stwierdzenia 4.1.8. Z (1) wynika, ze dla dowolnego ciagu Cl,' .. Cn,
gdzie Ci E {O,l}, 1 < < n, jest: i
Kontynuujemy konstrukcje indukcyjnie. Zakladamy, ze mamy podzial (0,1]
P(A~l n ... n A~") = P( {x: Xl = l - Cl,... ,Xn = 1- en}) =
na 2n przedzialów {It~2, ...,i,,: il E {O,l}} o dlugosciach
1-E),...•1-." I -- P I:~-
_- II(n) 1._1 (J -Ekl (l _ ]l)n- I:"-
k._l (l-Ek) --
II ..(n)
'll,t2,,··,tn I = pL.,k=l
,"",,11 ik
(l - "n ii-
p) n- L.,"=1'. (l) = P(A~')"'" p(A~n).
Dzielimy teraz kazdy z nich na dwa przedzialy, a mianowicie I,(n),. dzie- Krótko mOWJac,zdarzenie A~' n ... n A;'," jest .pojedynczym odcinkiem
l, 2'00'1 "n
z n-tego podzialu, który ma dlugosc "taka, jak trzeba" .
limy na dwa przedzialy !i(;,~l).,i",l i It~~)
.. ,iy"O o dlugosciach odpowiednio
Udowodnilismy zatem, ze ((0,1], B((O, 1]), A) moze byc przestrzenia proba-
illi21 ... ,in I . p oraz II(n).
II(n) il,i2, ... ,in· I ( l-
P). bilistyczna dla nieskOllczonego ciagu prób Bernoulliego.
52 Rozdzial 4. Niezaleznosc zdarzen § 4.2. Schemat Bernoulliego 53
Dla przykladu obliczmy w tej przestrzeni prawdopodobienstwo, ze w n Ai E Fi oraz Ai = s2i poza skonczona liczba wskazników i, natomiast P
pierwszych próbach zajdzie dokladnie k sukcesów. okreslone na cylindrach wzorem
'00
P(zaszlo dokladnie k zdarzen sposród A" Az, ... , An) =
P(Al X A2 X ... ) = IIl
i'=.
P(Ai)
Jesli Czytelnik juz wie, co to jest zmienna losowa, moze rozwiazac .nastepujace
zadanie: lim sup A~,.= DlDO ntd,
DO
A.~ = LJ1
DO(
n \ nQn
DO)
An
DO DO
*12. Niech !,T beda jak w poprzednim zadaniu. Udowodnic, ze U o Tn) jest = n\ U
m.=ln=m.
n An = n \ liminf An·
ciagiem niezaleznych zmiennych losowych, przy czym dla kazdego n E N
PU o Tn = l) = p, PU o Tn = O) == l-p.
d) Oczywiste z punktu c.•
Definicja 1. Granica górna i odp. dolna ciq,g'u zdarzen (An) nazywamy P(lirnsupA,,) = P((liminfA~)') = l-P(liminfA~).
zdarzenia
DO DO DO DO
Stad teze punktu (i) twierdzenia mozna sformulowac w nastepujacy sposób:
l·lmsup A ,,=df n u An, lim inf An gJ; u n Ano
P(liminf A~) = l, tzn.
nl.=ln=m rn=l n=m
P(zachodzi skonczona liczba zdarze~ .4",) = 1.
56 Rozdzial 4. Niezaleznosc zdarzell § 4.3. Lemat Borela-Cantelliego 57
P( n
n="fn
A~) = Nlim
__00
n=m
P(A~) = lim
iV-....oo
n=nt
(l - PlAn)) :(
gdy zachodzi nieskonczenie wiele zdarzen An.
N N
:( N-oo
lim II
n=m
exp(-P(An)) = lim exp(-
N~oo
n=m
L PlAn)) = o,
bo ~~=m PlAn) = 00 .•
zdarzen zwiazanych ze zmienna losowa, czyli zdarzeil postaci X-l (A), gd7.ie fll'lIkcJII('I,
Inllowy<:h,
A E B(Rn), beda dobrze okreslone.
.JeSlizbiór n jest przeliczalny i F = 2[1, to kazde odwzorowanie X: n -t R"
§ 5.1. Definicja; '\ rozklad zmiennej losowej jest zmienna losowa. Taka i:lefinicje zmiennej losowej, gdzie n = 1., mozna
spotkac w szkolnych podrecznikach rachunku prawdopodobienstwa .
.Bardzo czesto z wynikiem doswiadczenia losowego wiaze sie w naturalny
Dla wektorów losowych mozna sformulowac pozornie slabszy warunek mie-
sposób pewna liczbe albo ciag liczb. Mamy wtedy do czynienia ze zmienna rzalnosci.
losowa·
Moze to byc liczba oczek przy rzucie kostka, suma oczek wyrzuconych Stwierdzenie 2. Jesli odwzorowanie X: n
-t Rn spelnia nastepujacy wa-
w kilku rzutach kostka, czas oczekiwania na autobus, itd. Viflasciwiewszyst- runek: dla kazdego 'ukladu liczb tl, t2, ... , t" E R zbiór
kie omówione wczesniej przyklady po niewielkiej adaptacji moglyby sie
znalezc na tej liscie, wraz ze wszystkimi znanymi Czytelnikowi grami lo- X-l((-oo,tl] X ... X (-oo,tn])
sowymi (ruletka, Toto-Lotek, trzy karty, bingo ...). Zmienna losowa bylaby
wyplata. Z kolei kazda sesja warszawskiej gieldy produkuje caly ciag liczb . nalezy do F, to X jest wektorem losowym. (czyli zrn'ienna losowa o warto-
Sa to kursy wszystkich (powiedzmy, prawie wszystkich) notowanych spólek. •.
. scwc h w Rn) .• L .- , .• "
{.)
A jesli w gre wchodza notowania ciagle? Teraz kursy moga sie zmieniac '.;$ .f ~' :;:.
w dowolnej chwili, i jesli nasze doswiadczenie losowe polega na obserwacji D o wód. 'Wystarczy zauwazyc, ze rodzina zbiorów
kursu ustalonej spólki przez pewien czas, to jego wynikiem jest pewna funk-
cja. Wobec tego naturalnym zbiorem wartosci zmiennej losowej moze byc {A C Rn: X-l (A) E F}
na przyklad przestrzen funkcji ciaglych (albo schodkowych) na odcinku. jest (l-cialem zawierajacym wszystkie zbiory postaci ( -00, tl] x ... (-00, tn],
Ogólniej, mozna rozpatrywac zmienne losowe o wartosciach w praktycznie a wiec wszystkie zbiory borelowskie. _ .
dowolnej przestrzeni, a nie tylko w R czy tez Rn.
Jak sie niebawem okaze, pewne proste charakterystyki liczbowe zmiennych Funkcja borelowska nazwiemy taka funkcje cp: Rn -l Rm, ze przeciwobrazy
losowych pozwalaja szybko ocenic oplacalnosc gier losowych; warto zatem zbiorów borelowskich w R m sa zbiorami borelowskimi w RT!.
zapoznac sie z dalsza czescia tego rozdzialu. Zlozenie wektora losowego z taka funkcja jest dalej wektorem losowym:
Kojarzenie doswiadczen z liczbami zalezy od subiektywnych ocen i potrzeb,
dlatego w jednym doswiadczeniu losowym moga pojawic sie rózne odwzo- Stwierdzenie 3. Niech X bedzie zmienna losowa o wartosciach wRn,
rowania X: n -t R, przypisujace kazdemu wynikowi doswiadczenia w E n a. cp: Rn -t Rm funkcja borelowska. Wtedy cp(X) .iest zmienna losowa o war-
tosciach w Rm .
liczbe rzeczywista. Na przyklad: wiele osób obserwuje kursy akcji na giel-
dzie. Kazdy z graczy ma inny zestaw akcji, wiec zysk (na papierze) kazdego
Gracz gieldowy Z nich bedzie inny..Mamy tu wiele róznych zmiennych losowych okreslonych D ow ód. Jesli B E B(Rm), to cp-l(B) E B(Rn), a poniewaz X jest zmienna
ma portfel akcji. na tej samej przestrzeni ~), co w naturalny sposób prowadzi do odwzorowa- losowa, to .
nia X: n -t R n, gdzie n jest liczba graczy. (cp(X)f-l(kJ) = X-l(cp-l(B)) E F_
~'.<•
58 . 1).
II"
60 Rozdzial 5. Zmienne losowe § 5.1. Definicja; rozklad Zmie1111ej losowej 61
platego, na przyklad, jesli X jest zmienna losowa, to Y = lXI i Z = eX sa Teraz zdefiniujemy rozklad prawdopodobienstwa zmiennej losowej. Odwzo-
zmiennymi losowymi. rowanie X: (n,:F) -+ (Rn, B(Rn)) umozliwia naturalny "transport" praw-
; Na zmiennych losowych mozna wykonywac wszystkie operacje, które sa wy- dopodobiellstwa P do przestrzeni Rn.
konywalne na funkcjach mierzalnych, i dalej pozostawac w klasie zmiennych
losowych. Definicja 6. Rozkladem pmwdopodobienstwa na Rn nazywamy kazda mia-
7'e probabilistyczna J1 na B (Rn).
Zmienne losowe o wartosciach w R sa zwyklymi funkcjami mierzalnymi, na
kt'6rych mozna wykonywac zwykle opera.cje algebraiczne: dodawanie i nmo- Definicja 7. Rozkladem prawdopodobienstwa zmiennej losowej X o war-
zenie, co ma zreszta naturalna interpretacje - chociazby zyski graczy giel- tosc'iach w Rn nazywamy rozklad pro.wdopodobienstwa I-'x, okreslony na
dowych, o których byla wczesniej mowa, mozna dodawac. Sarn zysk gracza B (Rn) zaleznosc'ia
jest wynikiem prostych operacji na innych zmiennych losowych.
I-'x(B) = P(X-1(B)), B E B(Rn).
Ogólniej: kazda funkcja Y: n -+ Rk, która da sie zdefiniowac za pomoca
, funkcji elementarnych i dzialan przeliczalnych (w tym lim, limsup, liminf, Zdefiniowana w ten sposób miara zawiera wszelkie interesujace z punktu
l ~I
sup, inf) na wektorach losowych X1,X2, ... jest k-wymiarowa zmienna lo- widzenia probabilistycznego informacje o zmiennej losowej X; o jej zbiorze
sowa (ostrzezenie: patrz zad. l). wartosci i
tym, jak prawdopodobienstwo jest na tym zbiorze rozlozone. Do-
Wazna umowa. Zmienne losowe X i Y równe z prawdopodobienstwem l kladniej, otrzymalismy nowa przestrzen probabilistyczna: (R n, B(R n), I-'x). Dodatkowy zysk:
sa nieodróznialne z punktu widzenia teorii, bowiem szanse przyjecia warto- Warto jeszcze raz podkreslic, ze rozklad prawdopodobienstwa nie musi byc zamiast
sci ze zbioru borelowskiego A sa dla obu zmiennych równe, co zapisujemy: kojarzony z konkretna zmienna losowa: rozkladem prawdopodobienstwa. na- L\bstrakc:yjJlcj
li prze~l;r'l:elli
P(X E A) = P(Y E A) dla wszystkich A E B(R"). Dlatego przyjmiemy zwalismy dowolna unormowana miare I-' na B(Rn). Czytelnik zechce sie
(n, J, 1')
H
umowe, ze napis X = Y oznacza równosc z prawdopodobienstwem l (ina- zastanowic, ja.k wtedy skonstruowac zmienna losowa, dla której I-' jest roz- praclljemy
czej: prawie na pewno), czyli P(X = Y) = 1. W paru przypadkach, w któ-
l"
l::
przez nia (T-cialo zdarzen oraz jej r'ozklad prawdopodobienstwa. Ostatniej, skrótowej notacji bQdziemy uzywac najczesciej. Fakt, ze zmienna
losowa X ma l'O'zklad prawdopoclobiellstwa iJ., bedziemy zapisywaC krótko:
Definicja 4. (T-cialem generowanym przez zmienna losowa X o warto-o X~I-'.
sciach w Rn nazywamy najmnie..jsze (T-cialo podzbiorów n, wzgledem x;tóTego Przypomnijury sobie teraz przyklad 1.1.10. Byla tam mowa o czasie oczeki-
X jest mierzalna.
wania na autobus. Ustalilismy, ze n = [0,(0) i P(A) = JA f(x)dx, A E:F.
Przyjmujac :F = B(R) otrzymamy sensowny model, jesli tylko f jest mie-
Czesc wspólna "Najmniejsze" (T-cialo, o którym tu mowa, to czesc wspólna wS7.ystkich rzalna wzgledem B(R). Zmienna losowa X bedzie sam czas oczekiwania,
rodziny u-cial jest (T-cial, wzgledem których X jest mierzalna. J3ed7.iemy je oznaczac przez zatem X(w) = w, w E [O, (0). W takim razie·
dalej u-cialem. (T(X). Oczywiscie (T(X) C :F. Mozna podac dokladna charakteryzacje zdfl.-
rzen, nalezacych do (T(X).
/lx(11) = L f(x) dx, A E B(R).
Stwierdzenie 5. (T(X) = {X-l(B); B E B(Rn)}. Powyzsza zaleznosc definiuje gestosc rozklad'u prawdopodob'ienstwa (albo
krócej -- gestosc pmwdopodobienstwa). Poniewaz umiemy calkowac wzgle-
Dowód. Oznaczmy:Fx = {X-l(B):B E B(R")}. Z wlasnosci przeciwo- dem miar'Y Lebesgl.le'a po R", warto przyjac definicje ogólniejsza:
brazów wynika natychmiast, ze ta rodzina zbiorów jest Il-cialem. Z definicji
Il(X) wynika, ze (T(X) C :Fx, poniewaz X jest mierzalna wzgledem :Fx. Definicja 8. Je.'ih p. jest Tozkladem prawdopodobienstwa na Rn i dla pew-
nej funkcji f: R'n -+ R calkowalnej w sensie Lebesgue 'a mamy
Zeby udowodnic zawieranie przeciwne, wezmy dowolny zbiór nalezacy do
:Fx. Jest on postaci X-l(A), gdzie A E B(Rn), zatem musi nalezec do (l)
kazdego (T-ciala, wzgledem którego X jest mierzalna. A to wlasnie oznacza, I-'(A) = j A f(x) dx, A E B(Rn),
ze :Fx C (T(X) .• to f nazywamy gestoscia rozklad1l 1-'.
II
Rozdzial 5. Zmienne losowe § 5.1. Definicja; rozklad zmiennej losowej 63
62
Rozklad; który ma gestosc, bedziemy nazywac rozkladem ciaglym. A oto Zajmiemy sie teraz rozklaclami z przeciwnego bieguna: rozkladami dyskret-
podstawowe wlasnosci gestosci: nymi. Niech X bedzie wynikiem rzutu symetry~zna kostka. Wtedy
Twierdzenie 9. Niech f bedzie gesto.<!cia rozkladu prawdopodobiensl,wa p, /.!x({'i}) = P(X = 'i) =~, gcly ~ = 1,2, ... ,6.
na Rn; Wtedy
Wlasciwie Rozklad {/,x jest skupiony na zbiorze {l, 2, ... , 6}, czyli
powinno sie
mówic
(i) JRn f(x) dx = (!(Rn) = 1. \. 6 l
O rozkladach (ii) f ~ O p. w. (czyl'i poza zbiol'em o mierze Lebesgll,e'a zero). p,x(A) = /J,x(A n {l, 2, ... , 6}) = :L ilIA(i).
'. i.=1
absolutnie
ciaglych (iii) Gestosc jest wyinaczona jednoznacznie z dokladnoscia do zb'ioró'l/J Ogólniej, bedziemy rozpatrywac rozklady skupione na zbiorze przeliczal-
wzgledem miary miary Lebesgue'a zero.
Lebesgue'a. nym (skonczonym lub nieskonczonym).
~Il Il ~I
Rozklady
Ponadto kazda funkcja}: Rn -+ R spelniajaca warunki Ci) i (ii) jest gesto- Definicja 11. R.ozklad p na R" nazywamy dyskT'etnym, jesli istnieje zbiór dyskret.ne
scia· p(S) = 1.
przeliczalny S C R", dla /,;);(JTi?go nazywa, sie czaseIn
skokowymi.
,óz z Lcgo, Ro:tklad. dyskretny daje sie opisac bardzo prosto, podobnie jak rozklad
IIjlllllllC gestosci Uwaga 10. Z twierdzenia g wynika, ze funkcja f: Rn -+ R jest gestoscia liczby oczek przy rzucic ko::;tka, wystarczy bowiem podac zbiór S i miary,
i ta.ll bed'i sie pewnego rozkladu prawdopodobie11stwa wtedy i tylko wtedy, gdy .f ~ O przypisane jego jednopllnktowym podzbiorom. Niech S = {Si: E I}, Pi = i
pojawiac
w najmniej
p.w. wzgledem miary Lebesgue'a i JRn f(x) dx = 1. i
= jJ,( {sd) dla E I, gdzie I jest przoliczalnyrll zbiorem wskazników, uzytym
stosownych do ponumerowania elemenLów zbioru S. \iVtedy
momentach, czyli D o wód. (ii) Istotnie, niech
na egzaminach. p,(A) = j./,(A n S) = I>i.lA(Si),
An = {x E Rn: f(x) < -l/n}, A = {x E Rn: f(x) < O}. iEI
Wtedy
O ~
i <
l
64 Rozdzial 5. Zmienne losowe § ,5.1. Definicja:; rozklad zmiennej losowej 65
Uwaga 13. Jesli f.1x jest rozkladem zmiennej losowej X o wartosciach 7. Punkt ,T nazywamy punktem skokowym rozkladu).L, gdy ~l({X}) > O. Poka-
w Rn, dystrybu~nte F!,x bedziemy tez nazywac dystrybuanta zmiennej zac, ze rozklad prawdopodobienstwa moze miec co najwyzej przeliczalna
).L
Rozklad wykladniczy w demografii. Zmienna losowa o rozkladzie wyklad- przez Hal1eyaa róznily sie .od.'t~\l;ejGrannLa. Wolno :jednak podejrzewac, ze w cza-
niczym jest dobrym .qJ.odelem czasu oczekiwania na rozpad promieniotwórczy sach, gdy jedna epidemia dzumy pochlaniala. 30% ludnosci, a ocalala reszta byla
czastki. Nieco trudniej uwierzyc, ze byl to kiedys akceptowany moclel czasu zycia dziesiatkowana przez wojny, wykladniczy model czasu zycia byl bliski prawdy4.
czlowieka. W dzisiejszych warunkach postulat braku pamieci (który mozna takze vVarto jeszcze wspomniec, z~ Gra.unt oszacowal trzema nieza.leznymi metodami
sformulowac jako braI, starzenia sie ukladu) wydaje sie absurdalny w swietle liczbe mieszkanców Londynu5 na :i84 000. Bylo to efekLowne osiagniecie, zWa-
ogólnie dostepnych statystyk. Jesli nieujemna zmienna losowa X interpretowana zywszy, ze szacunki wahaly sie od 200 000 do 6-7· milionów. Graunt ustalil tez,
jako czas zycia ma wlasnosc braku pamieci, to przecietne dalsze trwanie ;i,ycia nie ze dziewczynki stanowia 13/27, czyli 48,15% noworodków.
powinno zalezec od wieku.
Tabele smierLelnosci sluzyly do wyceny rent dozywotnich. Prace Huygensa na te-
Przecietne dalsze trwanie zycia w chwili 1;mozna zdefiniowac forrnalnie jako sred- mat; wartosci oczekiwanej (o czym dalej), a takze Graunta i Halleya sa przykla-
nia wartosc X na zbiorze {X > t} minus 1;: dami zastosowaJ1 rachunku prawdopodobiel1stwa wykraczajacych poza gry hazar-
dowe. Jest to jU?,powa.zna.matematyka finansowa, bowiem przy jej nieumiejetnym
l
P(X >t) 1
{X>t} X dP - t ,
t ~ o. sLosowaniu mozna poniesc powazne straty:
{(nsa Lafa.rgc'Ct, 1,(,k dob7'ze znCtnCt pCtr-yzanom, na pewno prosperowalaby lepiej,
gdyby jej zalozyc'iele wziel'i w swoich mchubCtch pod uwage prawdy doktora Jfiller-
Wybieglismy tu nieco w przyszlosc, bowiem tego rodzaju srednimi bedziemy zaj-
meta. ;
mowac sie dopiero w rozdziale 6. Otóz wlasnosc braku pamieci jest rówllowazna
z tym, ze przecietne dalsze trwanie zycia jest stale (odpowiednie twierdzenie _o. Oblicza,li oni ,sm.icT(,elnosc weclu.g tCtblic BuffonCt, Parcieu i innych, które ustalono
patrz zad. 6.2.5). pr'zy wzieciu pod 'uwage wszystkich warstw ludnosci w kazdym wieku. Ale ponie-
waz ci, CO loku.ia kapitaly, zeby miec zapewniona p;zyszlosc, na ogól nie zaznali
n·iebezp·iecze·nst·11.Iwieku dzieciecego, a przywykli jada d regularnie, dobrze i
niekiedy
Tabela 1. Przecietne dalsze trwanie zyci~ w Polsce w 1997 rokUl. i
obficie, smierc nie nasLapila, nadzieje rozwialy sie spekulacje upadly6.
Wiek 15
45
30
60
40,4
54,5
16,1
27,1
62,9
20,8
33,9
48,2 68,5
77,0
O
Gdyby czas zycia mieszkanca Polski mial rozklad wykladniczy, 60-letnia emerytka
Twierdzenie 1. Dystr1.jb'ltanf.a FI' r-ozkladu prawdopodobienstwa /L na. R.
ma nastepll,jace wlasnosci:
mialaby przed soba srednio nie 21, a 77 lat (bo taki jest sredni czas zycia). Z tabeli
1 widac jeszcze cos: o ile noworodek plci zenskiej srednio dozywa 77 lat, to kobieta
30-letnia - 78,2 lat, a 60-letnia - 80,8 roku. (i) F;" jest T/:ierna.lejaca.
Oczywiscie
Pierwsze znane tabele smiertelnosci zostaly opublikowane przez Johna Graunta ('i-i) limt~oo F/"U) = l; limt_-oo 1;~(i) = Q.
dystrybuanta (
w 1662 roku. Opieraly sie one na tygodniowych zestawieniach chrztów i pogrze- russe jest
bów, prowadzonych przez londynskie parafie od 1603 roku. (i'ii) J.~" jest pmwostroT/,nie c'iqgla. lewostronnie
ciagla.
Tabela 2. Liczba osób dozywajacych do danego wieku wg. Graunta2 D o w ó d. Zaczniemy od ogólnej uwagi o granicach: .jesli chcemy wykazac, ze
lirnhtó' f(t) = g, wystarczy udowodnic, ze dla kazdego ciagu (tn) monoto-
Wiek
Liczba osób i l
ll'icznego zbieznego do io od strony dodatniej (tj. in to) mamy f(tn) -+ g.
3E. Balley, An Estimate o[ the Degrees o[ Mortality o[ Mankind Dmwn Jrom the
Gmio"s Tables ol Bi?,th.• and Funemls ol the Gity o[ 13reslau, PhiL Trans. Royal Soe., vol.
Mozna przypuszczac (jak zauwaza Hacking), ze tabela powstala w prosty spo- 17 (1693), ss. 596-610, 654-·656.Rejestry pogrzebów, uw~gJedJliajacewiek, prowadzono
sób: Graunt zalozyl, ze poczawszy od wieku 6 Jat szansa. przezycia nastepnych we Wroclawiu od 1584 roku (patrz [HJ], tamze tablice Halleya).
10 lat jest stale równa 5/8 (to jest równowazne zalozeniu o braku pamieci) i za- 4Nie kazdy oczywiscie mial tak samo i,le. Z danych Williama Petty'ego wynika, ze
w ciagu roku w Londynie umieral l czlowiek na 30, na wsi - l na 37, w Rzymie - l
okraglil wyniki do liczb calkowitych. Nie jest jasne, jak dalece te da.ne odbiegaly
na. 40, a wsród czlonków pa.rlamentu -- l na 50 (por. 1l\iIAJ-2],s. 71).
od stanu faktycznego. Wiadomo; 'ze nastepne znane tabele smiertelnosci, ulozone 5J. Graunt, Natural and Political Observations u.pon the Bil/s oj Mortality, London
1662, patrz tez [MAJ-2], s. 71. '"
lZródlo: Maly Tacznik statystyczny, GUS, Warszawa 1999. 6 Anthelme Brillat-Savarin, Physiologie dIJ.goilt O" me.ditations de gastronomie tmns-
Hacking, The Emergence oj P7'Obability, Cambridge University Press, 1975. Tabele
21. cendante, 1825, przekl. pol. Joanny Guze: Fizjologia sma.k·u, wyd. III, PI\I\T,Warszawa
cytujemy za [SNE], s. 229. 1996, ss. 123-124..
68 Rozdzial 5. Zmienne losowe 69
§5.3. Wlasnosci dystrybu".'\'y ,'ozkladu na Rn.
Gdyby tak nie bylo, istnialaby liczba c: > O i ciag Sn ---+ t taki, ze Sn > t oraz Zadania
dla dostatecznie duzych n byloby If(sn) - gl > c:; wtedy jednak bez trudu
mozna by bylo wybrac podciag monotoniczny snk o tej samej wlasnosci. 1. Udowodnic, ze jesli funkcja F: R --t R ma 'wlasnosci l, 2 i 3 dystrybuanty,
to jest dystrybuanta miary, która na ciele A, skladajacym sie ze zbioru pu-
Analogiczna uwaga pozostaje w mocy, gdy t ---+ ±oo.
stego i zbiorów postaci U~=l(ai, bij, -00 :-;:;ai < bi :::; 00, gdzie odcinki
(i) Oczywiste, bo jesli t < s, to (-00, t] C (-00, s]. wystepujace w sumie maja rozlaczne domkniecia, jest okreslona równoscia Niestety, zbiór
pusty nie jest
n
(ii) Na mocy poprzedniej uwagi wystarczy wziac tn T 00. Wtedy R jest takiej postaci.
suma wstepujacej rodziny przedzialów (-00, tn] i z twierdzenia 1.1.7 o cia- p.(U(a;, bij) = I)F(bi) - F(ai)],
glosci mamy i=l i=l
Twierdzenie 1. Dystryb'u.anta FI' T'Ozklad'u.prawdapodabienstwa J1. na Rn Udowodnimy teraz, :l,edystrybuanta wyznacza jednoznacznie rozklad. Sko-
ma rwstepnjq,ce wlasnasci: rzystamy z taJ< zwanego lematu o 7l'-i A-ukladach7. Bedziemy rozpatrywac
rodziny podzbiorów ustalonej przestrzeni n.
(i) Flt jest niemalejq,ca wzgledem kazdegO' ar'[j'u.mentn.
Definicja 3. Radz'ina zbior'Ów U jest 7l'-ukladem, jesli
(ii) FI'(Xl,"" xn) ..'....0, jesli infi Xi -+ 00 (czyli Xi -+ -00 dla prz1/,rwj-
mniej jednego argnmentu), FI'(Xl,' .. ,xn) -+ l, jesli infi :Di -+ 00. A, E E U => A nE E U.
(iii) Sprawdzamy, ze mozna wykonac monotoniczne przejscie do granicy. Dowód. Definiujemy p na (x,y] wzorem
Niech (Ai) bedzie wstepujaca rodzina zbiorów ze, co oznacza, ze
A.i n B E Lo dla kazdego B E U oraz i = 1,2, .... Wobec tego p ((. x,y ]) -_ (1)
6.h1 ... (n) F
6.hn ( X;l,'" ,xn),
nalezy do A-ukladu Lo. Uwaga 9. W twierdzeniu 7 udowodnilismy w istocie, ze jesli dwa roz-
klady prawdopodobienstwa sa równe na elementach 7r-ukladu generujacego
Wiemy teraz, ze jesli A E Lo i B E U, t.o A n B E Lo. lT-cialo T, to sa równe na calym T.
Drugi krok dowodu jest w pelni analogiczny do pierwszego. Trzeba wykazac,
ze jako B da sie wstawiac zbiory z Lo, zachowujac powyzsza implikacje. Zadania
W tym celu rozpatrujemy
Twierdzenie 8. Niech F spelnia warunki (i)-(iv) twieTdzenia l. Wtedy Dowód. Niech G(x) = fax F(s)ds, x E R. Poniewaz F jest niemalejaca,
istnieje taki Tozklad pTawdopodob'ienstwa j.< na R n, ze F = FI"' ilorazy róznicowe ponizej sa nieujemne i zadana nierównosc wynika z lematu
74 Rozdzial 5. Zmienne losowe § 5.5. Gestosc a odwzorowania gladkie 75
~, = ..
llInlnf
G(b+ l)
n
- G(b) - G(a+ l)
n
+ G(a) = 4. Czy zmienne losowe z zad. 5.2.8 maja gestosc?
'~'
n-+oo .!
n
§ 5.5. Gestosc a oqwzorowania gladkie
" [ .ib+.l"F(s)
= l~rr!.~fn ds -1 "P(s)
a+.l] ds = F(b) - F(a).
Jesli zmienna losowa X ma rozklad ciagly, to, Y = rp(X) moze, choc nie
Prawostronna ciaglosc funkcji F zostala uzyta w ostatniej równosci. Dli. musi, byc lypu ciaglego (zad. l). Zajmiemy sie przypadkiem, gdy rp jest od-
malych h > O wartosci funkcji podcalkowej na przedziale [b, b + h] (odp. wzorowaniem gladkim i znajdziemy zaleznosc miedzy gestosciami X i rp(X).
[a, a+h]) sa bliskie P(b) (odp. F(a)). To samo stosuje sie zatem do srednich Jest to szczególny przypa.dek zadania, polegajacego na wyznaczeniu roz-
po obu przedzialach. _ kladu <p(X), gdy znamy rozklad X. Czesto zadanie to wygodniej jest roz-
wiazywac :7,3. pomoca c\ystrybuant, jak w poprzednim paragrafie.
Z lematu wynika natychmiast
Stwierdzenie 1. Jesli zmienno. losowo. X mo. 'rOzklad ciagly o gestosci f
Wniosek 2. Jesli F spelnia zalozenia poprzedniego lemat?1" a ponadto 'i X(n) C (0,,11), funkcja rp: (a, b) --> R jest klasy CI oraz ip'(x) =I- O dla
x E (0., li), 1,0 zmienna losowa Y = rp(X) mo. rO,zklo,d c'iagly o gestosci
lim F(t)
t-DO
= l, lim F(t) =
t--oo O,
g(y) = f(h(y))lh'(y)ll<p(J)(Y),
to gdz'ie h(s) = rp-l(S), J = (a,b).
.""~:;'"
I
r
76 Rozdzial 5. Zmienne losowe § 5.6. Parametry rozkladów 77
gdzie, oznaczajac h = [ak, bk], mamy lnt h n lnt II = 0 dla l i k. 6. Znalezc rozkladlaczny
a) (Xl,X2)~N(O,(~~)),
Yl = (Xl + X2)/V2, Y2 = (Xl - X2)/v2, jesli
Definicja
Niech <p: I -t R bedzie klasy Gl na zbiorach lnt przy czym h, <p' (x) i- Odia wielowymiarowego
x E lnt h·
Niech hk bedzie funkcja odw'f"otna do <pna lnt h. b) (XI,X2) ~N(O,(~ ~)). rozkladu
normalnego
Wtedy Y = <p(X) ma rozklad C'iagly z gestosc'ia g: w §5.1O.
gdzie Dk = r.p(lnth) jest dziedzinafv:nkcfi hk. Przyklad 1. Ktos proponuje nam udzial w nastepujacej grze: rzuca sie
symetryczna kostka. Jesli wypadnie 1, wygrywamy 2 zl; jesli wypadnie 2,
Dowód tego stwierdzenia pozostawiamy Czytelnikowi jako zadanie. placimy 1 zl; za 3 wygrywamy 4 zl; za 4 placimy 5 zl; za 5 wygrywamy
3 zl i wreszcie za 6 placimy 4 zl. Czy warto brac udzial w tej grze? Czy na
Zwrócmy uwage, ze mozemy wymyslac rozmaite reguly oceny oplacalnosci Powrócmy teraz do wzoru (l). Pojawily sie tam wartosci zmiennej loso-
gry, nie ma jednak reguly kazacej przyjmowac taka, a nie inna regule oceny wej (wygranej) i prawdopodobienstwa ich wystapienia. Sugeruje to, ze jesli
oplacalnosci. Jesli w podobnej grze z prawdopodobienstwem 1/1000 wy- zmienna losowa X przyjmuje wartosci ,Xi z prawdopodobienstwami Pi, czyli
Wymagajacy ma rozklad dyskretny {(::r;;,p;,)iEl}, to warto bada.c wyrazenie
(place grywamy 10000 zl, a z prawdoI;>odobienstwem 999/1000 przegrywamy 20 zl,
i wymagam) to moze warto zaryzykowac? Srednia wygrana na jedna gre, obliczona tak
studenci z USA jak poprzednio, jest ujemna, ale strata 20 zl nie jest bolesna, a zyskujemy , [X'= L.xiP;.
zadaja od 'iEI
chwile emocji i mozliwosc wygrania znaczacej sumy. Doskonale wiedza o tym
wykladowcy regul
wyboru regul,
organizatorzy wszelkich loterii, gier liczbowych i konkursów audiotele. Po- (sumowanie moze odbywac sic;: po nieskOllczonyrn, byle przeliczalnym zbio-
pozwalajacych dobnie rozumuja ci, którzy decyduja sie na ubezpieczenie, choc strata jest rze wskazników I). ,Jest to IJr'ednia wa.zona liczb Xi z wagami Pi. Wodniesie-
rozwiazac zadanie. tu gwarantowana: placimy skladke, a gdy utracimy ubezpieczony obiekt, niu do zmiennej losowej bedziemy mówic o wartosci sredniej lub wartosci
odszkodowanie nigdy nie pokrywa jego pelnej wartosci. oczek-iwo.'(/,e.f.Ki~~dys ll:i:ywano tez wdziecznego ~erminu nadzieja matema- .Jesli l'",U(;/I"~
Interesujacy z wielu wzgledów przyklad gry losowej, uprawianej w XVII tyczna (fr. esper'ance, czego slad pozostal w sy~bolu [X). kORI.klJ" u ie
Bedziemy tez mówic o "zmiennej losowej calkowalnej" w odniesieniu do Punkt (iii) twierdzenia 4 uogólnia sie na skollczona liczbe zmiennych loso-
zmiennej losowej, której wartosc oczekiwana istnieje. Podobnie jak w teorii wych, mianowicie
calki napis EX < <Xl bedzie oznaczac, ze zmienna losowa X jest calkowalna;
EX = <Xl bedzie oznaczac, ze X jest nieujemna i niecalkowalna. W ostatnim
E(Xl + X2 + ... + Xn.) = EXl + ... + EXn, (2)
przypadku powiemy, ze wartosc srednia jest nieskonczona. gdy wartosci oczekiwane E Xi, i = 1, ... , n istnieja. Jest to fakt oczywisty,
ale bardzo pozyteczny, gdyz pozwala znacznie uproscic obliczanie warto-
Definicja 3. W ar-toscia srednia (wartoscia oczekiwana) zmiennej losowej sci oczekiwanej takich zmiennych losowych, które dadza sie przedstawic
X = (Xl,'" Xn) o wartosciach w Rn nazywamy wektor w postaci sumy prostszych zmiennych losowych, o latwych do obliczenia
wartosciach oczekiwanych. Zilustrujemy to przykladami.
EX = (EXI, ... , EXn),
Przyklad 5. Chcemy obliczyc EX, gdzie X jest suma wyrzuconych oczek
o ile wszystkie wspólrzedne maja waTtosc srednia. przy stukrotnym rzucie kostka. Gdybysmy obliczali EX z definicji, to mu-
sielibysmy znalezc rozklad X, co jest bardzo pracochlonne. Zastosujemy
Wartosc srednia dziedziczy po calce podstawowe wlasnosci, na przyklad wzór (2). Gdy Xi jest wynikiem i-tego rzutu, to X = Xl + X2 + ... + X100
liniowosc i zachowanie przy przejsciach granicznych. Najwazniejsze z nich i EX ='0 EXl + EX2 + .. + EXlOO = 350 .•
podajemy ponizej, a dowody zamieszczamy w dodatku C.
Nastepny przyklad ilustruje jedna z metod dowodzenia róznych wzorów
z kombinatoryki za pomoca rozwazan probabilistycznych.
Twierdzenie 4 (Wlasnosci wartosci sredniej). Zalózmy, ze waTtosci
srednie EX i EY istnieja. Wtedy Przyklad 6. Kupujemy k losów na loterii, w której jest M losów przegry-
wajacych i N wygrywajacych. Niech X bedzie1iczba losów wygrywajacych
(i) Jesl'i X ~ O, to EX ~ O. wsród tych, które kupujemy. Chcemy znalezc wartosc srednia X.
. (ii) IEXl ~ [lXI· Niech Xi informuje, czy i-ty los wygrywa, tzn. Xi = 1, gdy i-ty los jest
wygrywajacy i Xi =O, gdy jest przegrywajacy. Mamy P(Xi = 1) =
(iii) Dla a, b E R istnieje wa'f'tosc srednia aX + bY i N/(M + N), X = Xl + ... + Xk• Zatem na mocy (2)
N ;
E(aX + bY) = aEX + bEY. EX=k·---.'
. M+N
Ponadto Obliczajac EX bezposredI!io z definicji, mamy':
f I
'.'
i'l , ~ A f ,. "
l' \
(iv) Jesli Xn ~ O, to , ~. '
cv =
(,..A
'l.
1=0
k
L....,
(N) ( NI)
l k-l
(N+'"
k
E(lim inf Xn)
'n-l-OO
~ lirn inf EXn
n-l-OO
Stad, jako produkt uboczny, otrzymujemy tozsamosc:
(lemat Fatou).
k (~)(t!J _ ~_ •
(v) Jesli (Xn) jest niemalejacym ciagiem nieujemnych zm'iennych Loso- t;l CVtN!) - iVI+N'
wych, to E limn-> 00 Xn = limn->oo [Xn (twieTdzenie Lebesgue 'a-Bep-
po Leviego o zbieznosci monotonicznej). W obu przykladach zmienne losowe Xi mialy jednakowy rozklad, ale nie
zawsze musi tak byc (patrz np. zad. 10).
(vi) Jesli (Xn) jest takim ciagiem zmiennych losowych, ze IXnl ~ Z dla Zobaczymy teraz, jak obliczac wartosci srednie funkcji zmiennych losowych
pewnej calkowalnej zm'iennej losowej Z, to wylacznie na podstawie znajomosci rozkladu zmiennej losowej. Warto so-
bie uswiadomic, ze wszystkie charakterystyki liczbowe zmiennych losowych
E lim Xn
n--+oo
= n-tOO
lim [Xn omawiane w tym rozdziale zaleza wylacznie od rozkladu. Sformulujemy
twierdzenie nieco ogólniej, by móc w przyszlosci obliczac wszelkie takie
(twierdzenie Lebesgue 'a o zbieznosci zmajoryzowanej). charakterystyki.
82 Rozdzial 5. Zmienne losowe § 5.6. Parametry rozkladów 83
•
Twierdzenie 7. Niech cp:R n ---7R bedzie junkc.ia; borelowska;, a X zmien- Bezwzgledna zbieznosc szeregu 2:iEI cp(Xi)Pi wyraza calkowalnosc zmien-
na; losowa; o war·tosciach wRn. Wtedy nej losowej cp(X). Wobec tego, jesli np. X przyjmuje wartosci rzeczywiste,
to do istnienia E:(X) nie wystarcza zwykla zbieznosc szeregu 2: XiPi; musi
E:cp(X) = JRn
r cp(x)/-ix(dx), on byc zbiezny bezwzglednie. Warto sobie uswiadomic, ze jesli szereg jest
zbiezny tylko warunkowo, to przez odpowiednia zmiane kolejnosci sumowa-
przy czym równosc nalezy 7'Oz'Umiectak: jesli calka po .iednej stronie istnie,je, nia. mozna otrzymac dowolna sume (w tym ±oo; jest to twierdzenie Rie-
to istnieje takze calka po dTugiej st7'Onie sa one równe. i manna, patrz [RUD-2], tw. 3.55), wiec próby "oslabiania" definicji wartosci
oczekiwanej raczej nie dalyby rozsadnych wyników.
Dowód. Ze stwierdzenia 5.1.3 wynika, ze cp(X) jest zmienna losowa. Za-
stosujemy standardowa metode stopniowego komplikowania funkcji cp. Wniosek 9. Je.sli zmienno. losowa X o waTtosciach w Rn ma rozklad cia-
1. Niech cp = lA, gdzie A jest zbioremborelowskirn wRn. gly o ,l]estosci g, o.fu,nkc.ia cp:Rn ---7 R ,jest bOTelowska, to
D O wód. Skorzystamy z twierdzenia Fuhiniego. Miara produktowa bedzie Zwrócmy uwage, ze funkcja f(t) = E(X _t)2 przyjmuje minimum - równe
produkt rozkladu zmiennej losowej X i miary Lebesgue'a. wariancji - dla t = EX (por. zad. 4).
Pierwiastek z wariancji nazywamy odchyleniem standaTdowym:
= '/(0,00)
/" [.lo t dt]/I.x(dS) = .1(0,00)
/" SIJ.x(d8)
m = [X. Mamy wiec dla zmiennych 10sowycl;J.o rozkladzie dyskretnym
00 00
Inne tego rodzaju wzory mozna znalezc w zad. 1-·3. a dla zmiennych losowych o rozkladzie ciaglym z gestoscia g(x):
Definicja 12. Jesli E(X - EX)2 < 00, to tl( liczbl( TJ.!!z:J)'WJh'Jn./)
'uJG,'J'ia7l.cja przy zalozeniu zbieznosci odpowiedniego szeregu/calki.
zmiennej losowej X o wa7·tosciach 'rzeczy'uri8tych i oznaczo:J'n.y: Wartosc oczekiwana i wariancja sa szczególny~i przypadkami tak zwanych
momentów.
v2/y = t(X _ EX)2
Momentem absolutnym rzedu, > O nazywamy liczbe [IX - alT, a zwyklym
- [(X - a)". Ostatnie wyrazenie ma zawsze sens dla, naturalnych. Jesli
Jest to po prostu sredni kwadrat odchylenia od sredniej. Wariancje mozna a. = EX, to moment nazywamy centmZnym,
obliczac równiez w inny, czesto wygodniejszy, sposób:
Nazewnictwo powinno sie kojarzyc z mechanika. Faktycznie, jesli zamiast
v2X = EX2 _ (EX)2 rozkladów prawdopodobienstwa wyobrazimy sobie rozklady masy (gestosc
rozkladu ma naturalna interpretacje - jest to zwykla gestosc), to okaze sie,
Dowód. ze wartosc srednia jest polozeniem srodka masy, a wariancja jest momentem
bezwladnosci wzgledem srodka masy (por. zad. 1).
v2 X = E(X - EX)2 = E (X2 - 2XEX + (EX)2) = EX2 - (EX)2 • Momenty wyzszych rzedów wykorzystuje sie w statystyce do mierzenia asy-
metrii (statystycy uzywaja tu slowa "skosnosc") rozkladów i stopnia kon-
Twierdzenie 13 (Wlasnosci wariancji). Je§h X jest zrn:ienna losowa. centracji wokól wartosci sredniej.
dla któTej EX2 < 00, to -/stn-ieje V2X ornz: Wspólczynnik asymetri:i (sko§no,<fC'i) jest zdefiniowany wzorem
87
-- -.
Omówimy teraz parametr charakteryzujacy zwiazek miedzy dwiema zmien- Wniosek 17. Jesl'i zmienne losowe Xl,· .. X71"moja wariancje i sa parami
nymi losowymi. Mozna go uwazac za parametr rozkladu dwuwymiarowego, ni(~sko'fdow(me, 1,0
czyli lacznego rozkladu pary zmiennych (X, Y). n
Definicja 14. Kowario:ncja calkowalnych zmiennych losowych X 'i Y, spel- V2(XI + ... + X,,) = LV2X;.
'" ;=1
niajacych warunek EIXY! < 00, nazywamy wielkosc
Przyklad 18. Wkladamy losowo n listów do róznych adresatów do n ko-
cov(X, Y) = E [(X - EX)(Y - EY)] ,
pert. Znalezc wartosc srednia i wariancje liczby listów wlozonych prawi-
cHowa.
Uwaga 15. cov(X, Y) = E (XY) - EXEY.
n.o z w i az an i e. Niech X bedzie liczba listów wlozonych prawidlowo, a X;.,
Jesli cov(X, Y) :=; O, to zmienne losowe X i Y nazywamy nieskorelowQ:n.ym.i. 'i = 1,2, ... ,
bedzie '11., zmienna losowa mówiaca, czy i-ty list zostal dobrl\e
Na mocy nierównosci Schwarza dla calek (patrz tw. 5.7.1) marny wlozony, c7.yli X; = l, jesli i-ty list zostal wlozony prawidlowo, i Xi = O
w przeciwnym razie. Poniewaz P(Xi = l) = l/n, to EX = 1. Nietl'l1Jno
I cov(X, Y)I ~ VTJ2XV2Y, zobaczyc:, ze E(X;Xi) = P(XiXj = l) = l/n(n - 1) dla i= .1, wiec i
korzysta.jac ze wzoru (3) otrzymujemy V2 X=;1. •
przy czym równosc zachodzi wtedy i tylko wtedy, gdy zmienne losowe X
'i Y sa zwiazane liniowa zaleznoscia (typu aX + bY :=; c, gdz.ie 0.2 + b2 > O).
Dla wektora losowego X = (XI, ... , X,,) odpowiednikiem wariancji jest
Wynika stad takze, ze kowariancja istnieje, gdy istnieja odpowiednie wa- ma.cierz kowariaueji ..
riancje. Jesli zdefiniujemy wspólczynnik kor-elacj1:wzorem
Definicja 19. Jesli V2Xj < 00 dla kazdego.i = 1,2, ... ,n, ta macierz
p(X,Y) = ~~v~(~~~~_, Qx = [Ci.ikj=l,,,.,,,, gdzie ci,i = cov(X;,Xj) nazywamy macierza kowarian-
c,j'iwektom losowego. X = (X 1, ... X".).
to z powiedzianego wyzej wynika, ze Ipl ~ l, a Ipl = l tylko w przypadku li-
niowej zaleznosci miedzy zmiennymi. Zwiazek wspólczynnika korelacji z nie- Twierdzenie 20. Macie'l'z kowo.7"iancji ma nasl,ep~~.iace wlasnosci:
zaleznoscia zmiennych losowych przedyskutujemy, gdy wprowadzimy to po-
jecie. Odnotujmy jeszcze wazny fakt: ('1) :iesl symel;ryczna;
Twierdzenie 16. Jesli zmienne losowe Xl,' .. , Xn moja ~1Jariancje, to 'ist- (-ii) .iest nie7.l,iemn'ie ok1"eslona, tzn. dla kaidego sko'nczanego ciagu liczb
nieje wariancja sumy i 1'zecz))'W'is/;ycht1,· .. , t" marny 2:;~1titjC;j ;;;:O;
n rank(A) jest
(iii) Jesli rank(Qx) = k < n, to istn:ieje (n - k) 7'ównan liniowych wia- rzedem macierzy
V2(XI+"'+Xn)=Lv2X;+2 L cov(X;,Xj). (3) zacych zm:ienne losowe Xl, X2, ... , X", wiec (Xl,' .. , X,,) p7'zy.imuje A.
i=l l~i<j~n
'waTto,ki z pewnej k-wymia'f'Owej h'iperptaszczyzny.
Dowód.
D O wód. (i) jest oczywiste.
V2(XI + ... + Xn) = E(XI + ... + Xn)2 - (EXI + ... + EXn)2 = y = 2:~=1 =
" (ii) Rozwazmy zmienna 10Sb,v.:a
• .'l ",
tiX;, Jesli EX; mi, to
on
= L[EX; - (EX;)2] +
;=1 EY = Ltimi
1.=1
+2 L (EX;Xj - EX;EXj) =
oraz
l';;;<j';;"
"
= Lv2X;+2 L cov(X;,Xj) .•
i=l l~i<j~n O ~ V2(y) =E (tti(Xi
1.=1 - mi)) 2 = ~t;t,i
t 1.1 cov(Xi,Xj).
88 Rozdzial 5. Zmienne losowe § 5.6. Parametry rozkladów 89
6. Znalezc minimum funkcji rp(t) E(X --- t)2, gdzie X jest zmienna losowa
majaca wariancje·
Qx(a) = [(~ai(Xi _ m;)) 2
1. Na niewazkim precie umieszczono masy .P·i w punktach o wspólrzednych Xi, Formacje mIota, wisielca i spadajacej gwiazdy jak widac do dzis pobudzaja wy-
i= 1,2, .... Wyznaczyc srodek ciezkosci ukladu i moment bezwladnosci obraznie spekulantów, pragnacych zostac "straszliwymi demonami rynku" - ta-
wzgledem srodka ciezkosci. Przyjac, ze I::~l.Pi= l. kie bowiem poetyczne terminy stosowali Japonczycy na terminowym rynkn ryzu
2. Udowodnic, ze jesli X ~ O to: w Edo (obecnie Tokio) w XVII wieku. Jak sie wydaje, byli oni pionierami kon-
traktów terminowych i analizy technicznej.
(4) My natomiast zajmiemy sie trywialnym w gruncie rzeczy zastosowaniem wartosci
EX = 1'00 P(X ~ t) dl,
oczekiwanej, wariancji i wspólczynnika korelacji.
00
8. Udowodnic, ze jesV.'X jest zmienna losowa przyjmujaca wartosci calkowite 17. Wykazac, ze wspóIczyntlilHcorelacji jest symetryczny, tj, p(X, Y) = p(Y, X),
nieujemne, to [X = I::::"=l.P(X ;;. n). i p(aX b, Y) = sgn a.. 'lj(X, Y), o ile a ~
-I- O, czyli jego modul nie zmienia sie Obrazasz moja
przy przekszt.alceniach liniowych. inteligencje·
9. Obliczyc, korzystajac z zadania 8, wartosc oczekiwana zmiennej losowej X MarlO Puzo,
o rozkladzie geometrycznym (przyjmujacej wartosci 1,2" .. ). ] 8. Na podstawie samodzielnie zebranych danych statystycznych rozwiazac za- "Ojciec
gadnienie regresji liniowej. chrzestny"
10. Rzucamy kostka tak dlugo, az wyrzucimy wszystkie oczka. Znalezc wa.rtosc
srednia liczby rzutów. 19. Losowe sumy i reakcja lallcuchowa. VI! chwili t, t = 2,3, ... czastka albo
11. X, Y maja jednakowy rozklad. Czy jest pra.wda, ze [ (x ~ )7) = E (x ~y) ? znika z pra,wdopodobieIlstwem q, albo przeksztalca sie w m takich samych
czastek z prawdopodobieIlstwem ]l = l - q, Jaka jest srednia liczba czastek
12. Niech X bedzie wektorem losowym n-wymiarowym, A -- macierza p x n, B w n-tym pokoleniu? "
- macierza n x n. Udowodnic, ze:
a) jesli [X istnieje, to [(AXt) = At'; (X)\ [(AXtB) = AE (X)I B;
b) jesli macierz kowariancji Q x istnieje, to Q AX = A Q x A t. § 5.7. Nierównosci zwiazane z momentami
13. Jak mozliwie najdokladniej zmierzyc dlugosci dwóch pretów za pornoca zwy-
klej miarki, jesli wolno mierzyc tylko ~wa razy? Blad pomiaru jest zmienna W tym paragraHe udowodnimy kilka znanych z analizy i ba]'(h~o pozytcc<I-
losowa o zerowej sredniej i wariancji er. Bledy poszczególnych pomiarów sa nych nierównosci zwiazanych z momentami zmiennych losowych. Pierw~7.A,<I
niezalezne, nich ma co najmniej trzech a\.ltorów: Cauchy'egq, Buniakowskiego i Schwa-
14. Wyznaczyc wspólczynnik asymetrii dla rozkladu wykladniczego, rZ8.. W dalszym ciagu bedziemy sie do niej odwolywac jako do nierównosci
Schwar7,a.
15. Wyznaczyc kurtoze dla rozkladu: a) jednostajnego, b) normalnego, e) wy-
kladniczego.
Twierdzenie 1 (Nierównosc Schwarza). Jesli EX2 < 00, Ey2 < 00,
Zagadnienie regresji liniowej. Jesli X i Y sa zmiennymi losowymi, mozna to
zastanawiac sie nad znalezieniem funkcji liniowej jednej z tych zmiennych, która
najlepiej - w jakims sensie - przybliza druga· Zadanie to ma oczywisl,e zasto- EIXYI2 :;;;; EX2Ey2 (1)
sowania, Kiedys popularna byla regulka "prawidlowa waga (mezczyzny) w kilo-
gramach to wzrost w centymetrach minus, 100" , która nie mogla byc rzec7.,jasna
spelniona dokladnie, ale jej zaleta byla prostota (modny obecnie body mass index D o wód. Mozna zalozyc, ze EX~ > O i Ey2 > O (w przeciwnym przypadku
wymaga podnoszenia wzrostu do kwadratu). Czesto na podstawie wart.osci zmien- nierównosc jest oczywista, patrz zad. l). Poniewaz \:
nej losowej X, która mozemy obserwowac, chcemy oszacowac albo prognozowac
wartosc drugiej zmiennej losowej Y. Oto mozliwe pary zmiennych losowych: liczba 21abl :;;;; 0.2 + b2 (~.'
klientów - obroty, przebieg samochodu - zuzycie paliwa, wielkosc produkcji -
- df 2 l .
- dl" 2 l
zuzycie energii, indeks gieldy w Nowym Jorku dzis -- WIG jl1tro, dla a, b E R, to kladac a = X = X/(EX )2 l b = Y = Y/(EY )2, a nastep-
W nastepnym zadaniu proponujemy rozwiazanie zagadnienia regresji liniowej, nie biorac wartosc oczekiwana, otrzymujemy 2EI_X'Y! :;;;;EX2 + E5~2 = 2,
Kryterium jakosci przyblizenia jest sredni kwadrat bledu, czyli EIXYI :;;;;1. •
16. Niech X i Y beda zmiennymi losowymi o skonczonej wariancji, 7J2X ~ O.
Wyznaczyc takie liczby a, b, zeby E (Y - aX - b/ byla minimalna. Twierdzenie 2 (Nierównosc Jensena). Niech EIXI < CX) i niech g be-
dzie taka .funkcja wypukla, ze Elg(X)1 < 00. Wtedy
Prosta o równaniu
Y = 7J2X Y) (x - [X)
cov(X, -I- [y (6) g(EX) :;;;;Eg(X), (2)
Dowód. Funkcja logx jest wklesla na (0,00), wiec dla. dowolnych dodat- (b) Jesl'i g jest parzysta i n'iemalejaca na [0,(0), to dla E >O
nich a, b, x, y, a + b == 1, mamy
log(ax + by) ? alogx + blogy = log:!:"y".
Eg(:!:) - g(e) ~
esssupg(x)
P(IXI ? e) ~ Eg(X).
g(e)
(6)
Niektóre zródla Twierdzenie 4 (Nierównosc Czebyszewa). Niech X bedzie nieujemna. dla dowolnego E > O.
przypisuja te
nierównosC zm'ienna losowa. Wtedy (lic! kazdego E > O, •
(b) Nierównosc Czebyszewa-Bienayme.
Markowowi.
P(X? e) ~ EX
e . TJ2X
P(IX-EXI ?E) ~-2E (8)
Przedstawimy tera,; kilka wariantów nierównosci Czebyszewa. (e) Wykladnicza nierównosc Czebyszewa. Jesli EePx < 00 dla pew-
nego p > 0, to dla, A lo [O, pl
Przypominamy, ze ess sup X oznacza suprernum is totne X, czy li
. EeAX
ess supX ~ inf [sup
E:P(E)=Q wEfl\E
IX(w)I]·
P(X ? E) ~ ~ (9)
dla dowolnego E.
\{ f
94 Rozdzial 5. Zmienne losowe § 5.8. Niezalezne zmienne losowe !lrl
'~n(x) ~ ~/(~) G)Xk(l- :ct-k P(X > AEX) ;;, (l _ ~)2 (EX)~
EX2 '
a w szczególnosci
I'~: Dowód. Niech mV',o) bedzie modulem ciaglosci funkcji I, ezyli -~
P(X > O) ;;, (EX)2
EX2
" dr
:iI mU, o) = sup I/(x) - l(y)l, 8> O
, ",vEIO,,]
5. Udowodnic nierównosci (7), (8) i (9).
1:r-,/I<S
lii
Hl
6. Wykazac, ze jesli X >0 i EX > O, to
'H
:!i
oraz M = sUPxE[O,I] I/(x)1 < 00, bo I
jest ograniczona .. Ustalmy 3: E [0,1].
Niech Sn bedzie zmienna losowa o rozkladzie Bernoulliego z pctrametrami l
EX:S:E (xL
l\
:~
!I~
n, x. Wtedy E/(Sn/n) = Bn(x) i z nierównosei Czebyszewa (8) marny
7. Udowodnic regule 3-0 (trzech sigm): jesli 1)2 X = 02 < 00, to
,
:t!
,
;H' p(1 Sn
n _ xl> n-i) :S: .2,.
4n" 1
II P(IX - EXI > 3a),:S: g'
Stad
:\ \1 8. Udowodnic nierównosc Minkowskiego: jesli p ;;, l, to
I
'l
t
I/(x)-Bn(x)l:S: L
{k:I~-xl~n-l }
!t(X)-/(~)I(~):J;k(1-X)"-h'-I- (EIX + Yll,))/1,:s: (EIXI1'))/1) + (EIYjl') l/P.
!t
1',1
ID -I- L ,1/(X)-f(~)IG~)xk(1_x)n-k:S:
§ 5.8. Niezalezne zmienne losowe
{k:I1';-xl>n-l} ,
'1~
'~
Przyklad 2. Nietrudno wymyslac intuicyjnie oczywiste przyklady nieza- Przyklad 4. Niech Xl, X2,· .. ,Xn beda niezaleznyrni zmiennymi losowy-
leznych zmiennych losowych. Oto dwa: mi. Znalezc rozklad Y = max(Xl,X2, ... ,Xn), Z = min(Xl,X2, ... ,Xn).
a) Rzucamy dwa razy kostka, Xi jest wynikiem i-tego rzutu, i = 1,2. Wtedy R o z w i a z a n i e. Wyznaczymy dystrybuanty:
zmienne los'owe Xl, X2 sa niezalezne.
Fy(x) = P(Y :S; x) = P(max(Xl, X2"'" Xn) :S; x) =
b) Z talii 52 kart wyciagamy jedna. Niech X bedzie jej wartoscia, a Y jej
kolorem (kolory numerujemy od l do 4). Wtedy X, Y sa niezalezne. _ == P(Xi :S; x, ... , Xn :S; x) == Fi (X)F2(X) ... Fn(x),
Fz(x) = P(Z :S; x) = 1- P(Z > :r) = l- P(Xl > x) ..... P(Xn > x) =
Dowodzenie czegokolwiek dla dowolnego ciagu zbiorów borelowskich moze n
przestraszyc poczatkujacego. Ale sprawdzanie niezaleznosci da sie znacz- = 1- ITr1 - Fi(x)].
nie uproscic, a glównym narzedziem w dowodach odpowiednich twierdzen i=l
bedzie lemat o 7['-i A-ukladach. Oto pierwsze twierdzenie z tej serii: W przypadku szczególnym, gdy Xi maja rozklady jednostajne na [0,1] (co
zapiszemy w skrócie: Xi ~ ufO, 1]), i = 1,2, ... n, mamy
Twierdzenie 3. Dla zmiennych losowych Xl, X2, ... , Xn o warto.SC'iach
w R nastepujace warunki sa równowazne:
.F'y(x) = xn dla ° :S;:I; < 1,
(i) zmienne losowe sa niezalezne, {OdIa
1 x < O,
dla x> 1.
(ii) /.L(X"x" ... ,X,,) = /.Lx, ® /.LX, ® ... ® I~X", Fz(x)= 1-(I-x)n dlaO:S;x<l,
(-iii) dla wszystkich ti,' .. , tn E R
{OdIa
1 dla x >< O,
1. -
Gdy zmienrle losowe maja taki sam typ rozkladu, to mozna podac prostsze
J<'(X" ... ,X,,)(tl, ... , tn) = FX, (tIJFXJt2)'" FxJtn). charakteryzacje niezaleznosci.
Dowód. Zaczniemy od rozkladów dyskretnych. Niech Sx; bedzie zbiorem punktów
skokowych rozkladu /.Lx,.
(i)=?(-ii). Dla dowolnych Bl"'" Bn E B(R), korzystajac z niezaleznosci
Dowód tego i definicji miary produktowej mamy Twierdzenie 5. Zmienne losowe Xl, X2"'" Xn o rozkladach dyskretnych
wynikania jest
= =
i
sa niezalezne wtedy tylko wtedy, gdy dla kazdego ciagu Xl, X2, ... ,xn, gdzie
wlasciwie
niepotrzebny, ale
/.L(X" ... ,x,,)(Bl X ... x Bn) P(Xi E Bl""
= P(Xl E Bl) .....
,Xn
P(Xn
E Bn)
E Bn) =
Xi E Sx" i
= 1,2, ... ,n,
warto zobaczyc
równowaznosc = /.Lx, (Bil/.Lx2(B2) ..... /.Lx" (Bn)
P(Xl = Xl,"" Xn = xn) = P(Xl = xtlP(X2 = X2) ... P(Xn = xn).
(i){o}( ii).
tzn. obie miary sa równe na 7['-ukladzie generujacym o--cialo B(R.n), wiec Dowód. =? Wprost z definicji niezaleznosci, wystarczy wziac Bi = {x;}.
sa równe na mocy uwagi 5.3.9. ~ Sprawdzarny, ze jest spelniony warunek (ii-i) z twierdzenia 3.
(ii)=? (i). Odwracamy
(i)=? (iii). Bierzemy Bi
rozumowanie.
= (-00, ti] dla i = 1,2 ... , n.
F(xl, ... ,X"J(tl, ... , in) = L
'Vi(ti
P(X1 = Yl,"" Xn = Yn) =
Y'iEBXi
(iii)=? (ii). Niech F bedzie dystrybuanta rozkladu l~xJ @ .. ® ~LXn' Wtedy 'i=l, ... ,'n
F(tl"'" tn) =~LXl ® I~X2 ® @ /.Lx" (( -00, tl] x ... x (-00, tn]) = =2::P(Xl = Yl)P(X2'= Y2)' .... P(Xn = Yn) =
= /.LX, (( -00, tl]) '/LX" -00, tn]) =
((
':L P(Xl = Yl) :,I: P(X2 = Y2) x ...
= Fx, (ti) ..... Fx" (tn), Yl:S;tl Y2~t2
V1ESX, viESxz
co z zalozenia jest równe F(X" ... ,X,,)(tl, ... , tn). Zatem
... x L P(Xn ~Yn) =
/.LX, @ /.Lx2 @ ... @ /.Lx" = /.L(X", .. ,X,,), Yn:.S;tn
YnESXn
Operacje na niesko'nczonych sumach sa uprawnione ze wzgledu na dodat- zastanowic, jak to sprawdzic najmniejszym kosztem (chyba nie warto obli-
niosc skladników. _ czac dystrybuant). Intuicyjny argument jest taki: jesli X = 1, to Y = O -
zatem informacja, o wartosci X daje nowa informacje o wartosci Y.
Przyklad 6. Rozj!latrzmy schemat Bernoulliego n doswiadczen. Wtedy
n = {O,l}n. Niech Xi(w) = Wi bedzie wynikiem i-tego doswiadczenia . c) Niech X7 ma rozklad N ('/7],j, o}), .7 = 1,2" .. ,n. 'Wspólrzedne Xl, X2,
Zmienne losowe Xl,X2, ... ,Xn sa niezalezne. . .. , Xn sa niezalezne wtedy i tylko w Ledy, gdy wektor (Xl, X2, ' .. ,Xn)
ma rozklad normalny z wektorem wartosci oczekiwanej (ml, m2,.·., mn)
Istotnie, niech ai E Sx, = {O, l}, i = 1,2, ... ,n, Wtedy i diagonalna macierza kowar'ia,ncji
P(Xl = aJ, ... ,Xn = Gon)= P((al,'" ,an)) = , 0"]
'\''' r- '\'''
= pL"=!
=
n
II
i=l
P(Xi
ai (l
=
- p
ai)' -
L..,i=!ai = . r
l °
2
:J
czyJiwtedy i tylko wtedy, gdy (Xl, X2"'" Xn) ma rozklad normalny i pa-
Teraz zajmiemy sie zmiennymi losowymi o rozkladzie ciaglym. rarni nieskorelowane wspólrzedne.
To wynika z twierdzenia 7, gdyz
Twierdzenie 7. Jesli Xl, X2, ' .. ,Xn sa zmiennym'i losowymi o Tozkla- Podobne
n
dach ciaglych z gestosciami
niezalezne wtedy
z gestoscia
odpowiednio gl, g2, ... , gn, to zmienne te sa
i
tylko wtedy, gdy IL(X!,X2,""X,,) jest TOzklo.dem c'iaglym II ( )= -;--;=----e
i=l
g.; 1;i
(y'27T)n<7]
1
... <711.
'
_1'\'''
L..,i=!~('·-m.)'
' .
twierdzenie: jesli
dwie
nieskorelowane
zmienne losowe
g(Xl, X2,"" Xn) = gl(X1)g2(X2) ... gn(Xn). maja rozklady
Mo:i,na znalezc przyklad dwóch nieskoreJowanych zmiennych losowych X i
dwupunktowe, to
D o wód. => Skorzystamy z twierdzenia 3 i twierdzenia Fubiniego.
Yo rozkladzie N (0,1), kt,óre nie sa niezalezne (zad. 20). Oczywiscie wtedy sa nieza.lezne.
rozkJad laczny fL(x,Y) nie moze byc normalny. _'
F(x!, ..,Xn)(t1, ... ,tn) = Fx! (t1) ... FXn (tn) = Teraz zajmiemy sie rodzinami niezaleznych zmiennych losowych.
=
jt!-00 gl(Xl)d.Tl.·. gn(3;n)dx" =
,{ta
-00 Definicja 9. Zmienne losowe (XC.)"'EA okreslone na tej samej pTZestr'zeni
pTObabilistycznej nazywamy niezaleznyrn'i, gdy dla kazdego skonczonego ci re-
t!-00 ... t"-00 gl (Xl)g2(X2)
.J .J .. ,gr.(xn)dx] ... da:n,
!l'U indeksów
niezalezne,
i,], i2, ... , 'in. E A, n E N, zmienne losowe Xi" ... , Xi" sa
II
i=l
gi(Xi) = II
i=l
1ra;,b;](Xi) = 1Ia!,b!]x ...x[an,bnJ(Xr, X2"·,, Xn)
nych losowych (Un), gdzie U" = 2X" -1 dla n = 1,2.,... , bedziemy nazywac
ciagiem Bemoulliego. Zmienne losowe Un sa niezalezne i przyjmuja z rów-
nymi prawdopodobiel1stwami wartosci 1 i-l.
i korzystamy z twierdzenia 7.
Na poczatku tego paragrafu powiedzielismy, ze zmienne losowe (X"')"'EA sa
b) Wektor losowy (X, Y) ma rozklad jednostajny na okregu o srodku (O, O) niezalezne wtedy i tylko wtedy, gdy <7-ciala (<7(XC,))"'EA sa niezalezne. De-
i promieniu 1. Zmienne'losowe X i Y nie sa niezalezne. Czytelnik zechce sie finicja 11 ponizej nadaje tej wypowiedzi scisly sens. Okazuje sie, ze patrzac
100 Rozdzial 5. Zmienne losowe § 5.8. Niezaleznezmienne losowe 101
gdzie rpi sa funkcjami borelowskimi. Okazuje sie, ze nowe zmienne losowe To twierdzenie pozwoli nam uzyskac zapowiadany juz i bardzo wazny fakt,
sa w dalszym ciagu niezalezne. ze funkcje borelowskie od niezaleznych zmiennych losowych sa dalej nieza-
leznymi zmiennymi losowymi.
Zdefiniujemy zatem niezaleznosc dla rodzin zdarzell.
Definicja i
11. Niech {2i: E f} bedzie rodzina zb'ioró'W zdar-ze·n. 2i sa nie- Twierdzenie 14. Zalózmy, ze zmienne losowe
i
zalezne 'Wtedy tylko 'wtedy, gdy dla kazdego zbioru skonczonego J: JC fi
dla wszystkich Aj E 2j, JEJ zachodzi Xl,l, Xl,2,." ,.X'1,kl,X2,1,·· .X2,k2,Xn,1,·" ,Xn,kn
dzie rodzina 7r-ukladó'W. Wtedy warunkiem dostatecznym, (-i kon'iecznym) gdz'ie rpj - funkcje borelowskie takie, ze Yj sa dobrze zdefin'io'Wane, sa nie-
Czy 3i koniecznie niezaleznosci a-cial {a(2i): i
E I} jest niezaleznosc {2( ·i E I}. zalezne.
musza byc
?f-ukladami? D o.Wó d. Na mocy definicji niezaleznosci wystarczy rozpatrzyc przypa-
dek, gdy I
jest. zbiorem skonczonym. Dla wygody przyjmijmy, ze = I D o wód. Wektory Z; = (Xi,l, ... , X;,kJ sa niezalezne, bo na mocy twier-
= {l, 2, ... , n}. Na poczatek oznaczmy przez Al klase zdarzen Bl takich, dzenia 13 a-ciala
ze
n
a(Zi) = a(a(X;,d,·· ., a(Xi,kJ), i = 1, ... ,n
Tak. Minimalny
kontrprzyklad.
P(Bl n A2 n ... n An) = P(Bl) 11 P(Aj)
j=2 sa niezalezne. Poniewaz dla dowolnego zbioru borelowskiego B E B(R)
sklada sie z trzech
zbiorów, dla wszystkich Aj E 2j, j
= 2, ... ,n. Wystarczy wykazac, ze a(21) C Al,
tworzacych dwie
rodziny (zad. 21).
wtedy bowiem rodziny a(21), 2j, j
= 2, ... , n sa niezalezne. {1"j E B} = {Zj E rpjl(B)} E a(Zj),
Otóz, jak latwo sprawdzic, Al jest A-ukladem, 21 C A z zalozenia. Poniewaz
to 1"1,1"2, ... , Y;., sa nie<lalezne. -
21 jest 7r-ukladem, z lematu 5.3.6 o 7r- i A ukladach marny a(21) C Al'
Przypuscmy teraz, ze udowodnilismy, iz równosc Dlatego na przyklad, gdy Xl, X2, ... , KlD sa niezalezne, to Xl + X2 + X3,
k n X4 - X5, X6X7XS, Xa, e)('0 sa niezalezne.
P(Bl n ... n Bk n Ak+l n ... n An) = 11P(Bj) 11 P(Aj) Niezaleznosc zmiennych losowych pomaga w obliczaniu wartosci oczekiwa-
j=l .i=k-'-l nych. Istotnie, za.chodzi
zachodzi dla pewnego k < n, o ile Bj E a(3j), = l, ... , k i Aj E 2j, j
j = k + l, ... ,n. Rozumowanie podobne do przeprowadzonego powyzej Twierdzenie 15. Niech Xl,"" Xn beda n'iezaleznymi zmiennymi loso-
pozwala stwierdzic, ze równosc ta ma miejsce dla k + l, jesli tylko k -I- 1 :;;; n. wym,i, któTc maja 'Wa'rto,~coczek'iwana. Wtedy istnieje wartosc oczekiwana
W takim razie równosc zachodzi dla k = n. _ iloczynu X1X2 ..... Xn i
Twierdzenie 13. 'Niech {Ft: t E T}, Ft C F bedzie TOdzina niezaleznych E(X1X2 ..... Xn) = EXl . EX2 ..... EXn.
a-cial i
niech zb'iór T bedzie s'uma parami 1'Ozlacznych zbiorów Ti, E I. i
Wtedy niezalezna jest rodzina a-cial
D o wód. Niech funkcja rp: Rn --> R bedzie dana wzorem
9; = a( U Ft), i E f.
tET; rp(Xl,X2, ... ,Xn) = X1X2····· Xn·
I
~ ~ ~ ~, _ ...• 1 '-n ....
Rozdzial 5. Zmienne losowe § 5.8. Niezaleznezmienne losowe 103
Wtedy Erp(Xl, ... , X,,) = E(Xl X,,) istnieje, jesli tylko Zajmiemy sie teraz rozkla:dem sumy niezaleznych zmiennych losowych. Na
poczatek, niech XI,X2 beda niezalezne, E E B(R). Wtedy z niezaleznosci
r Irp(xl, ... , x,,)IJ1.(X, ,X,,)(dxl ... d;E,,) < 00. i twierdzenia Fubiniego mamy:
.JR"
= JBl
1)2 (t
.=1 Xi) t
= ,=1 1)2 Xi.
gdzie (gl * g2)(U) = J~oogl(U -
-00 9l(U-y)g2(y)dydu=
j'OO
Y).92(y)dy
r
.JB (gl*g2)(u)du,
Pouczajace jest obliczenie splotu trzech (zad. 11) i wiecej gestosci jedno- dystrybuante Cn dana wzorem (3). Zmienna losowa Nt przyjmuje wartosci
stajnych. Wykresy ,staja sie wtedy coraz bardziej podobne (dlaczego?) do calkowite nieujemne, czyli wystarczy znalezc P'(Nt = k) dla k = 0,1,2, ....
gestosci rozkladu normalnego.
P(Nt = k) = P(Sk .;;; t, Sk+l > t) =
Innym przykladem :zastosowania splotu jest = P(Sk .;;; t) + P(Sk+1 > t) - P({Sk .;;; t} U {Sk+1 > t}) =
->..t ().,t)k
Twierdzenie 20. Niech Xl, X2, ... ,Xn beda niezaleznymi zmiennymi lo- = Ck(t) + (1 - Ck+1(t)) - 1 = e ~
sowymi o rozkladzie wykladniczym z parametrem A.
dla k ~ 1, oraz
Wtedy suma Xl + X2 + ... + Xn m.a rozklad o gestosci gn i dystr·yb·ttanC'ie P(Nt = O) = P(XI > t) = e->..t.
Cn danych wzommi
Zatem Nt ma rozklad Poissona z parametrem At. Rozklad ten otrzymamy
Jest to !'OzkJ ad
AnXn-1 jeszcze raz w rozdz. 7 jako rozklad graniczny ciagu rozkladów Beruoulliego.
Erlanga. (2)
gn(X) = (n _ 1)ie-AX1(o,oo) (X), Latwo widac, ze P(Na = O) = 1 i proces ma prawostronnie ciagle trajek-
torie. Proces Poissona jest pT'Ocesem o pr·zyr'ostach niezaleznych, czyli dla
(3) dowolnych () .;;;to < tl < ... < tn zmienne losowe
Cn(x)=l-e ->..x (. 1+,+1.
AX n _ l.)' ' x>O.
... +( (A:I;)n-l)
Ntl - Nto,Nto - Nt".·· ,Ntn - Ntn_l
Dowód twierdzenia pozostawiamy jako zadanie (zad. 7).
Badanie zjawisk losowych przebiegajacych w czasie prowadzi w natmalny sa niezalezne.
sposób do badania rodzin zmiennych losowych, indeksowanych parametrem Ponadto Nt - N. ma rozklad Poissona z para~etrem A(t - s) (dowody obu
interpretowanym jako czas. Oto przyklad. stwierdzen - patrz zad. 9.4.2) .•
9. Niech Z = L~=l TnUn, gdzie (Un) jest ciagiem Bernoulliego. Wykazac, ze Paradoks czasu oczekiwania. Zalózmy, ze odstepy czasu pomiedzy przyjaz-
Z ma rozklad jednostajny na odcinku [-l, l]. dami kolejnych autobusów sa niezalezne i maja i~en sarn rozklad wykladniczy
10. 'Vykazac, ze dla dowolnego ciagu (Mn) rozkladów prawdopodobieIlstwa ist- z pa.rametrem A, tak ze przyjazdy sa sygnalami z procesu Poissona (przyklad
21). Sredni czas oczekiwania na autobus mozna obliczac na dwa sposoby.
nieje taki ciag niezaleznych zmiennych losowych (Xn), ze Xn ~ /J'n,.
Po pierwsze, wlasnosc braku pamieci dla rozkladu wykladniczego powoduje, ze
11. Wyznaczyc rozklad sumy trzech niezaleznych zmiennych losowych o rozkla- niezaleznie od tego, ile czasu uplynelo od przyjaz,du ostatniego autobusu, sredni
dzie UfO, 1].
czas oC7,ekiwania jest stale równy 1/,\.
12. Wykazac, ze suma niezaleznych zmiennych losowych ma rozklad ciagly, jesli Po dl'1lgie, na przystanek przychodzimy w chwili 1:0 pomiedzy przyjazdami au-
jeden ze skladników ma rozklad ciagly.· tobusów. Jesli uznamy te chwile za wybrana losowo w odpowiednim przedziale,
to sredni czas oczekiwania powinien byc równy polowie sredniego odstepu, czyli
*13. 'Udowodnic, ze Z = L~=l Un/n, gdzie (Un)n jest ciagiem Bernoulliego, ma 1/2>'. Moze ta argumentacja jest podejrzana, ale kazdym razie sredni czas ocze-
rozklad ciagly (zbieznosc z prawdopodobier1stwem l tego szeregu mozna
kiwania powinien byc wyrainie krótszy niz l/A.
otrzymac z tw. 7.3.2).
Wyjasnienie kryje siQ, w fakcie, ze przedzial zawierajacy chwile to jest srednio
14. Dwustronny rozklad wykladniczy. Zmienne losowe X i Y sa niez,11(-)~ne dhlZSZY niz l/A.
i maja ten sam rozklad wykladniczy. Wyznaczyc rozklad X-Y.
15. Niech U = min(X, Y), V = max(X, Y)-rnin(X, Y), gdz.ie X, Y sa niezalezne
19. Wykazal:, i,e sredni czas, jaJci uplynal):ldprzyjazdu ostatniego autobusu jest
równy (J - e-'\',O)/A ..
i maja ten sam rozklad wykladniczy z parametrem A.
Wykazac, ze U i V sa niezalezne. Tak wiec dla d m~ych 1:0 sredni czas od przyjazdu ostatniego autobusu jest prak-
tycznie równy J / A, taki sam jest czas oczekiwania na najblizszy autobus. Prze-
Statystyki pozycyjne a proces Poissona. Jesli Xl, ... , Xn sa niezaleznymi thial 7..awiera.jacychwile to ma srednia dlugosc bliska'2/ A, my przychodzimy mniej
zmiennymi losowymi o tym samym rozkladzie, to kota statystyka P07.ycyjna nazy- wiQ,cejw jego polowie i paradoks znika.
wamy koty z kolei wyraz uporzadkowanego w sposób rosnacy ciagu (Xl, ... ,X,,); 20. Podac przyklad nieskore! 'wanych zmiennych losowych o rozkladzie N (O, l),
Clznaczamy ja symbolem ,x(k)' które nie sa niezalezne. "
W s"czegóbLOsci X(1) = min(Xl, ... , Xn), X(n) = max(XI, ... , Xn). 21. Podac .koutrprzy,klad, POk;lZUjaCY,ze tw. 5.8.1 2 nie jest prawdziwe dla do-
wolnych rodzin. zdarz.GI1.
16. Niech U = (U(l)'" .', U(n») bedzie zbiorem statystyk pozycyjnych dla roz- *22. Syrnetryc~na nierównosc Bernsteina. N.iech (U.n.) bed~ie ciagiem Ber-
kladu jednostajnego na [O, l]. Wykazac, ze U ma rozklad jednostajny na noulliego, 07,naczll1YSu. = U, + ... + u.n.. '~Iykazac, ze To symetryczny \
zbiorze.6.n = {(Xl, ... ,Xn) E Rn:o::;; Xl ::;;X2· .. ::;; X",::;; l}. przypadek
Wyznaczyc EX(k) dla k = 1,2, ... , n. nierównosci 7.4.2.
Na rynku w p( Vnr.:: > r )
Sn '":< e _,.2/2 .
Grybowie stoja Sygnaly pojawiajace sie w procesie Poissona realizuja intuicje losowego ukladu
taksówki o *23. Nierównosc Hardy'ego-Littlewoodn. Wyw~ioskowac z zadania 22, ze
numerach 27, 11 i punktów, co scislej mozna wypowiedziec tak: jesli obserwujemy proces do chwili
3. Jeden z
uczestników
t (albo do chwili pojawienia sie n-tego sygnalu), to zaobserwowane sygnaly maja
taki rozklad na odcinku [O, t] (lub [O, Sn]), jak statystyki pozycyjne dla rozkladu
Sn _::;;
lim nsup :j2nlogn
l p.n.
konferencji jednostajnego na odpowiednim odcinku.
probabilistycznej Uwaga. Równie dobrze
twierdzi, ze naj-
prawdopodobniej
17. Niech (Sn);:"=I bedzie ciagiem sygnalów w procesie Poissona. Wykazac, ze l· . f'
num, ~
Sn .... l p.ll.
wektor (Sri Sn+l, ... ~Sn/ Sn+rJ ma ten sam rozklad, co U z zad. 16. n y2nlogn >'" -
w miasteczku jest
36 taksówek. 18. Wykazac, ze w procesie Poissona t24. Podac przyklad dwóch funkcji ciaglych, róznych od stalej, okreslonych na
Dlaczego? Patrz
przedziale [O, l], które potraktowane jako zmienne losowe (prawdopodobien-
odp. do zad. 16.
P«SI, ... , Sn) E A. INt = n) = P(tU E A), A C .6.n , stwem jest miam Lebesgue'a na [0,1]) sa niezalezne. Czy takie funkcje moga
byc klasye'? Czy moga miec wahanie skor1czone?
gdzie U jest wektorem statystyk pozycyjnych z zad. 16. 25. Wylosowano niezaleznie i zgodnie z tym samym rozkladem o ciaglej dystry-
Innymi slowy, jesli wiadomo, ze na odcinku [0, t] pojawilo sie n sygnalów, buancie dwie liczby rzeczywiste; pokazano nam jedna z nich. Jesli prawidlowo
to ich wspólny rozklad jest taki, jak statystyk pozycyjnych dla rozkladu odgadniemy, czy jest ona mniejsza czy wieksza od drugiej, wygramy 106 USD.
jednostajnego na [O, t]. Co robic?
lO
f~
108 Rozdzial 5. Zmienne losowe § 5.9. Rózne rodzaje zbieznosci zmiennych losowych 109
§ 5.9. Rózne rodzaje zbieznosci zmiennych losowych (b) dla kazdego c> O limN~ooP(n:=N{IXn - XI ~ c}) = l;
Definicja 1. Ciag zmiennych losowych (Xn)~=l jest zbiezny do zmiennej (c) dla kazdego c > O liiuN_oo P(U:=N{IX;.,. - XI > c:}) = O.
losowej X:
Dowód. Równowaznosc (b) i (c) jest oczywista. (a) i (b) sa równowazne,
bowiem
(a) prawie na pewno, jesli
00 00
P({W:limXn(W)
n = X(w)}) = l, Xn !:.:.".:, X B P( U
N=l n=N
n {IXn - XI ~ e}) = l, (1)
limP(IXn
n - XI> e) = O,
Nlim
-+CXJ p(n{IXn-XI~e})=1.- .
n=N
co oznaczamy Xn ...!:..... X;
~.I?-j.'?.s~!<_.:!:. .lesl·l dla kazdego e > O mamy Z:::l P(IXn - XI > e) < 00,
Definicja
przestrzeni (c) wedlug p-tego momentu (w LP), O < P < 00, jesh EIXIP < 00, to Xn !:.:.".:, X.
LP(D,F,P) EIXnlP < 00 dla n = 1,2, ... i
znajduje sie D O wód . .Jest spelniony warunek (c) twierdzenia 3, gdyz
w dodatku C.
IimEIXri
n - XIP = O, 00 00
co oznaczamy Xn
L"
----> X.
P( U
n=.N
IXn - XI> e) ~ L
n=N
P(IXn - XI> e) --->
N~oo
O
(a) dla dowolnych a, b E R jest aX" + bYn !:.:.".:, oX + bY; 1'}\'.ie!:g~eme.6 . .ldli Xn l?, X, to Xn ...!:.....X. Gdy dodatkowo
(a) Xn !:.:.".:, X; Jak pokazuje ponizszy przyklad, inne ogólne zaleznosci miedzy zbiezno-
sciami nie maja miejsca ..
110 Rozdzial 5. Zmienne IOHOWO § 5.9. Rózne rodzaje zbieznosci zmiennych losowych 111
Przyklad 7. a) Niech (An)n bedzie ciagiem zdarzen niezaleznych takim, ~ Nie wpi·ost. Gdy (Xn)n.1tli'e jest zbiezny wedlug prawdopodobienstwa, to
ze I:n peAn) = 00, ale limn~oo peAn) = O. Wtedy Xn = lAn jest zbiezny istnieje I': > O i podciag nk l' 00 taki, ze
do X == O wedlug prawdopodobienstwa i wedlug p-tego momentu dla do-
wolnego p > O, ale nie jest zbiezny prawie na pewno. Istotnie, dla dowolnego P(IXnk - XI > 1':) > 1':. (2)
I': > O, mamy P(IXnl > 1':) ~ peAn) --> O, [IXniP = peAn) -> O. Z dru-
Z zalozenia z podciagu (Xnk)k mozna wybrac dalszy podciag (Xnkl)1 zbiez-
giej strony, na mocy lematu Borela-Cantelliego zachodzi nieskonczenie wiele
ny do X prawie na pewno, ale (Xnkl)1 spelnia (2). Sprzecznosc. _
zdarzen An, zatem prawie na pewno Xn(w) = 1 dla nieskonczenie wielu n,
czyli Xn nie jest zbiezny prawie na pewno do X == O.
Wniosek 10. Jesli Xn -~ X, .f jest funkcja ciagla na zbior'ze A TaZ
b) Niech n= (0,1], An = (O,~] oraz Xn = 2nlA". Wtedy Xn(w) = O dla p
= 1,
n takich, ze ~ < w. Zatem X" ~ O (a wiec takze Xn O). Poniewaz L P(X E A) to f(Xn) ---7.r(X).
Zajmiemy sie teraz dokladniej zbieznoscia wedlug prawdopodobienstwa. ze l(X."",) ~ f(X). Poniewaz Xn L X, to z (Xn.) mozna wybrac
-Okazuje sie, ze z ciagu zbieznego wedlug prawdopodobieJlst.wa mozna wy- podciag (Xnk/) taki, ze Xnk/ ~ X (znowu z t~ierdzenia 9), a poniewaz
brac podciag zbiezny prawie na pewno.
P(X E A) =l i f jest ciagla na A, to f(Xn,) ~~ f(x) .•
Twierdzenie 8 (Riesza). Jesl'i Xn L X, to istnieje podciag (Xn/J taki, Wynika st.ad wniosek, odpowiednik
pewno, którego dowód z defix;icji bylby dosyc zmudny.
stwierdzenia 2 dla zbieznosci prawie na
ze··X nk p.n. X .
---7
-Cantelliego zachodzi skonczona liczba zdarzen (c) jesli P(X =1= O) = 1, to l{x"",o} i,. L*". l
{IXnk - XI > 2-k},
D o wód. Oczywisty, gdy zastosujemy wniosek 10 dla (Xn, Yn) i 'funkcji
zatem !Xnk(w) - X(w)1 ~ 2-kdla k ~ k(w), prawie na pewno, czyli f(x, y) = ol: -1-y, f(:l:,;u) = xy i .1'(.7:) = l{#o}~ .•
Xnk ~X, -
Twierdzenie 12. Nastepvjace war'unki sa równowazne:
Dowód. Stosujemy nierównosc 5.7.6 do funkcji g(x) = l~~IP oraz zmien- 11. Dystrybuanta Cantora. Rzucamy moneta nieskonczenie wiele razy i jesli
nych Xn - X .• w n-tym rzucie wypadnie orzel, to wygrywamy 2 . 3-n zlotych. Niech X
oznacza laczna wygrana. Wyznaczyc dystrybuante X i pokazac, ze gestosc
Lat~o teraz zauwazyc, ze na przestrzeni zmiennych losowych (utozsamiamy nie istnieje. Jaki jest zwiazek dystrybuanty ze zbiorem Cantora? Jaka jest
zmienne losowe równe prawie na pewno) mozna wprowadzic metryke, przy wartosc oczekiwana i wariancja wygranej?
której przestrzen ta staje sie przestrzenia metryczna zupelna, zas zbieznosc 12. Udowodnic
w tej metryce jest równowazna ze zbieznoscia wedlug prawdopodobienstwa
(patrz zadania 8,9, 10). Twierdzenie 13 (Pratta). Jesli Xn, Yn, Zn, X, Y, Z sa takimi zmiennymi
losowymi, ze Xn ...!:.-., X, 1';, ...!:.-., Y i Zn ...!:.-., Z oraz Xn ,,; y", ,,; Zn p.n.
,t:i dla wszyslk·ich n, EXn -" EX, EZn -" EZ, EZ, EX sa skonczone. Wtedy
1:"
1. Wykazac, ze zbiór {w E O: limnXn(W) = X(w)} jest zdarzeniem. 13. Udowodnic, ze jesli ciag zmiennych losowych (v'X n) jest zbiezny w L2, to
ciag (Xn) jest zbiezny w LI.
2. Wykazac, ze
14. Niech Xn beda niezaleznymi zmiennymi losowymi o jednakowym rozkladzie,
Xn ~ X e} Vc > O lim P(
N·-;.co n
n,7n);N
IXn - Krn I < c) = 1. niech istnieje EXl. Udowodnic, ze ~ maXi';;n lXii ...!:.-., O.
L
n=l
P(IXn - XI > en) < 00, lim supE
C~OOtEl
(IXtll{IXd>C}) = O.
potr'wbujo
l'p.kIClI1lY·
Uwaga. Implikacja przeciwna tez jest prawdziwa: jesli zbieznosc wedlug (i) Ciag zmiennych losowych (X",)n je.~t zbiezny wedlug prawdopodobien-
stwa,
- -
prawdopo~obienstwa jest równowa~na ze zbieznoscia prawie na pewno, to
--
P jest rozkladem dyskretnym . (ii) (IXnIP)n sa jednostajnie calkowalne.
•••••••••• lllliil__ .llim 1--"· \ ....••..' ~ ..- -....... "'- ._, -. """""-
114 Rozdzial 5. Zmienne losowe § 5.10. Przeglad wazniejszych rozkladów 115
zostale pojawia sie pózniej. Za kazdym razem podajemy definicje, ozna- P(X = k) =;''TIe->-' k = 0,1,2, ... , A> O,
czenie i' krótka chaql,kterystyke, a na zakonczenie - wartosc oczekiwana
to zmienna losowa X ma rozklad Poissona Pois(A).
i wariancj e (jesli istniej a) .
JesL to rozklad graniczny dla ciagu rozkladów' Bernoulliego B(n,Pn), gdy
n -> 00, Pn -> O i npn -.; A. W zwiazku z tym pojawia sie jako rozklad
Rozklad jednopunktowy
zdarzen "rzadkich" (wypadki drogowe, pozary, ~ygrane w "Toto-Lotka").
Pa.rametr: A E (O, (Xl).
Jesli P(X = a) = 1, to zmienna losowa X ma rozklad jednopunktowy,
oznaczany /ja. Moment.y: EX = A, 1)2 X = A.
Jest to najprostszy rozklad prawdopodobienstwa, wiec trudno o nim nie
wspomniec. Fizycy n~zywaja go delta Diraca - stad oznaczenie. Rozklad geometryczny
Parametr: a E R.
Jesli
Momenty: EX = a, 1)2X = O.
P(X ,= k) = (1- p)k-lp, P E (O, l), k = 1,2, ... ,
to zmienna losowa X ma rozklad Bernoulliego (dwumianowy) B(n,p). Jest uogólnieniem rozkladu dwumianowego i opisuje rozklad wyników przy
Jest to rozklad lacznej liczby sukcesów w n doswiadczeniach Bernoulliego, n-krotnym powtórzeniu doswiadczenia o l, mozliwych rezultatach. Jesli Xi
gdy szansa sukcesu w pojedynczym doswiadczeniu wynosi p. Nieco inaczej, oznacza liczbe wyników i-tego typu w serii, to
jest to rozklad sumy Xl + ... + Xn, gdzie zmienne losowe Xi sa niezalezne
. r ni
i maja ten sam rozkl~cl dwupunktowy: P(Xi = 1) = p, P(Xi = O) = 1 - p, P(Xl = nl,··· Xk = nk) = ni'"I
n! nk
t' l
Parametry: n E N, p E [O,l].
gdzie Pi E [0,1], i = 1,2, ... h
1/1 + ... + Pk = 1, na + ... + nk = n.
Momenty: EX = np,·1)2 X = npq. Zmienna losowa Xi ma rozklad B(n,pi), cov(Xi,Xj) = -PiPj, gdy i # j.
116 Rozdzial 5. Zmienne losowe § 5.10. Przeglad wazniejszych rozkladów 117
to zmienna losowa X ma rozklad hipergeometryczny z parametrami m, n Jesli (1 jest liczba naturalna, jest to rozkl.ad sumy a niezaleznych zmiennych
i f'. Zmienna losowa X mozna interpretowac jako liczbe wyróznionych ele- losowych o rozkladllie wykladniczym z parametrem b. W zwiazku z tym
mentów w T-elementowej próbce, jesli cala m-elementowa populacja zawiera mozna sie spodziewa.c wlasnosci
n elementów' wyróznionych. 1aj,b * la2,b = 'i'al+U2,b, (l)
Parametry: m, n, T.
która zreszta ma miejsce dla dowolnych. al, a2 (por. zad. 1).
Momenty: EX = nr/m, V2 X = [nr:(m - f')(m - n)]/[m2(m - 1)].
Parametry: a, b E (O, (0) (a jest parametrem ksztaltu, b - skali).
Rozklad beta trzech sigm" : szansa wyjscia zmiennej losowej-o rozkladzie N (O, er) poza
przedzial [-3er, 3er] jest praktycznie zerowa, bowiem wynosi ole. 0,003.
Rozklad o gestosci
1
a,b> O.
!3a,b('X) =..B(a,b):r;a-l(1- X)b-I1[O.l)(X),
Rozklad Cauchy'ego
Dystrybuante rozkladu N (O, l) oznaczamy prz~z <I>(x). Pozyteczne jest
Ma gestosc oszacowanie ogona rozkladu normalnego: .
. h
f(x) = 7T((X - m)2 + h2)'
h> O. --e
l
V27f-
"---
l + < l - 'l!
_:c2j0:1;
x2
""() X <--e'
1
V27f-
~x2/2 -,
l
x
x> O. (2)
Najczesciej spotyka sie standardowa postac, gdzie rn = O i h = 1. Jesli (patrz zad. 3).
XI, ... Xn sa niezaleznymi zmiennymi losowymi o standardowym rozkladzie Parametry: m E R, er E (0,00).
Cauchy'ego, to nXI ma ten sam rozklad, co Xl + ... Xn.
Momenty: EX = m, 1)2X = er2.
Parametry; m E R, h E (0,00).
Wielowymiarowy rozklad normalny. Ogólna postac wielowymiarowego
Momenty: wartosc oczekiwana nie istnieje (zad. 5). rozkladu normalnego otrzymuje sie ze standardowej postaci przez prze-
ksztalcenie aJiniczne, analogicznie jak w przypadku jednowymiarowym.
Rozklad normalny (Gaussa) Rozpatrzmy zmienna losowa X = (XI, ... ,Xn) o gestosci
gdzie Q = (T-l )tT-I jest macierza dodatnio okreslona. Okazuje sie, ze Q ma - z dokladnoscia do parametru skali - rozklad X2 o n-l stopniach
jest macierza odwrotna do macierzy kowariancji zmiennej losowej Z, zdefi- swobody, a ponadto x i s;' sa niezalezne (tw. Fishera).
niowanej jako Cij = COV(Zi, Zj). Zeby to zobaczyc, zauwazmy najpierw, ze 3. Udowodnic oszacowanie (2) ogona rozkladu normalnego.
dla standardowej gestosci gaussowskiej g mamy:
4. Wykazac, ze jesli X i Y sa niezaleznymi zmiennymi losowymi o rozkladzie
jednostajnym na (O, l), to l
.l" (x, u) (x, v)g(x) dx = (u, v).
W takim razie
u = ,; -2 log X cos (21l'Y) v = ,; -2log X sin (21l'Y)
Rozklad X2 (n)
Rozklad zmiennej los0wej Xl + ... + X~, gdzie Xi, = 1,2, ... n sa nie- i
o tescie X2 zaleznymi zmiennymi losowymi o rozkladzie N (0,1) nazywamy rozkl:adem
slyszal chyba X2 o n stopniach swobody; oznaczamy go x2(n). Jest najbardziej znanym
kazdy. rozkladem wystepujacym w statystyce.
Gestosc rozkladu X2 (n) jest gestoscia "Yn/2,1/2'
Zadania
Sn2 = n1~L...
)Xi
k=l
-2
- x) ,
x=------
_ Xl + ... +X"
n
§ 6.2. Warunkowa wartosc oczekiwana wzgledem rozbicia przeliczalnego 123
it. Xh(1:)
. o
dx,
. iI
§ 1rc. Teraz
W tym rozdziale uogólnimy pojecie wartosci oczekiwanej. Zanim jednak fV= y·-:dy dx= -·-dx=- .•
wprowadzimy formalna definicje war-unkowej war-tosci oczekiwanej, która . 0 [j'Xo xl] 11
o xl 2
X2 4l
to definicja moze na pierwszy rzut oka wydawac sie niezrozumiala, zaj-
miemy sie zdroworozsadkowymi procedurami usredniania funkcji (czy tez Vlarto zdac sobie sprawe, ze przydlugie rozwazania prowadzace do kon-
;Imiennych losowych), postepujac podobnie jak przy definiowaniu prawdo- strukcji modelu nie naleza do teorii (z teoria mamy do czynienia dopiero
podobienstwa warunkowego. Otrzymamy cos w rodzaju "warunkowej war- wtedy, gdy skonstruujemy model). W istocie, pojawiajace sie w zadaniach
tosci oczekiwanej dla opornych". Ma ona niestety wade, odziedziczona po probabilistycznych rekwizyty: kostki, monety, odcinki, z których (nie wia-
prawdopodobienstwie warunkowym: traci sens, gdy warunek ma zerowe domo jak) wybiera sie losowo punkt, sluza tylko ubarwieniu teorii i pod-
prawdopodobienstwo. Idopiero wersja "turbo" warunkowej wartosci ocze- kresleniu jej zwiazku z zagadnieniami "z zycia". Jak wobec tego scisle sfor-
kiwanej nie ma, tej wady i pozwala na przyklad uzasadnic formalnie takie mulowac powyzszy przyklad? Stanie sie to jasrlC'pod koniec tego rozdzialu.
oto rozumowanie:
x
___
f(XIA)~.__ j'L _
f X dPA.
122
124 Rozdzial 6. vVarunkowa wartosc oczekiwana 125
§ 6.2. Warunkowa wartosc oczekiwana wzgledem rozbicia przeliczalnego
Twierdzenie 2. Niech P(A) > O i niech X bedzie zmienna losowa o skon- Wzór (3) ma wiele zastosowan. Oto przyklad (patrz takze zadania 3 i 4).
7:-;o:n-;i3";~a:;'toia- oczekiwanej. Wtedy
Przyklad 4. Obliczymy wartosc oczekiwana liczby rzutów moneta az do
(1) 'Otrzymania-n orlów pod rzad. Orzel w pojedynczym rzucie wypada z praw-
E (X I A) 1 j'A X
= P(A) dP.
dopodobienstwem O < P :S; 1.
Inaczej mOWlac, E (X I A) jest srednia wartoscia zmiennej losowej X na Niech X oznacza wymagana liczbe rzutów, niech Y; =l (odp. Y; = O), gdy
zbiorze A. w i-tym rzucie wypadl orzel (odp. reszka). Wtedy
Dowód. Komplikujemy postac X: X = min{k? n:Yk-n+1 = 1, ... , Yk = l}.
1. Niech X = 1B, B E :F Wtedy Aby skorzystac ze wzoru (3), musimy wykazac, ze EX < 00. Niech.
E (lB I A) = 1n
1B dPA = P(BIA) = p(AnB)
----
P(A)
= Z = min{k: Yk-'n+1 = 1, ... , Yk =
Innymi slowy, dzielimy serie rzutów na bloki o dlugosci n i przyjmujemy, ze
1, k =n ·1, l E N}.
Z = ni, gdy l-ty blok jest pierwszym blokiem, zlozonym z n orlów. Jasne
= ptA) 118 dP.
jest, ze X :S; Z i dalej
00 00
2. Obie strony sa liniowe, wiec równosc (1) jest prawdziwa dla skonczo-
nych kombinacji:
n
EX :S; EZ = L
1=1
nIP(Z = ni) = n I::1(1 -
1=1
pn)l-Ipn < 00.
EX = .J/'n X dP = L 1.
iEl A, X dP = L t
iEl. P(Ai) P(~ '.) .JA, X dP = E (X I F) (w) = {[(XI
E (X I Al),
A),
w E A,
w E Al.
Nalezy
zapamietac, ze
warunkowa
L
-
wartosc
= E(X lAi) P(Ai) .• Oznaczenie po lewej sugeruje, ze tak zdefiniowana zmienna losowa bedziemy oczekiwana jest
iEl
uwazac za warunkowa wartosc oczekiwana pod warunkiem o--ciala F. zmienna losowa.
11ll!1
h
126 Rozdzial 6. Warunkowa wartosc oczekiwana 127
§ 6.2. Warunkowa wartosc oczekiwan.a wz~ledem rozbicia przeliczalnego
Przyklad 5. Niech X bedzie liczba orlów otrzymana przy dwukrot,nym Przyklad 8. Rozpatrzmy schemat Bernoulliego n prób z prawdopodobien-
rzucIe moneta, A - zdarzeniem polegajacym na wypadnieciu orla w piel'w- stwem sukcesu równym p: Jaka jest srednia liczba sukcesów w pierwszej
szymrzucie. Wtedy ['(X I A) = 1}2[1·i+2·iJ =~, ['(XI A') = l· Zatem próbie, jezeli wierny, ile zaszlo sukcesów w calej serii?
R o z w i a'" a n i e. Niech Sn oznacza laczna liczbe sukcesów, zas Y lic?-be
sukcesÓw w pierwszym doswiadczeniu. Mamy obliczyc [' (Y I O'(Sn))' Otóz
[' (X IF) = {3/2,
1/2, A' .•
w E A,
U(Sn) = O'(Ao,··· ,A",),
Ponizsza definicja warunkowej wartosci oczekiwanej wzgledem O'-ciala ge-
nerowanego przez co najwyzej przeliczalna liczbe zdarzell realizuje pomysl
gdzie Ak = {S" = k}. Z definicji [' (Y I d8n)) (w) = [' (Y I Ak) (w) dla
zawarty w przykladzie 5.
w E Ak, wiQc wystarczy obliczyc E-(Y I Ak)' Niech Bk = Ak n {Y = l}.
Wtedy
n
Definicja 6. Niech = UiEJ Ai' gdz'ie zdarzen·ia. Ai o dodatnim pmwdopo-
dobienstwie stanowia Tozb'icie pTzestrzeni n, n'iech F = O'(Ai,'i E 1), niech
X bedzie zmienna losowa ma.iaca wartosc oczekiwana·
i [(Y I Ak) = P(~ I._) JAk Y dP = P(~_)/. L
wEAk
Y(w)P(w) =
1 P(Bk) pG=Dpk-lq(",-l)-(k-l)
Waru.E:ko~a war·toscia o~~kiwana X lJod war-unkiern O'-c'iala F bedz'iemy
nazywa.c zmienna losowa E (X I F) (w) równa [(X I Aj), gdy w E Aj, czyli
= PtAk) L
wEB" P(w) = P(Ak) = (nk
("-1)
~-- k
E-(X IF) (w) df= '\'LE-(X I Aj)1Aj(W). (~) - n
JEJ
l E-(X I F) dP. •
a) f(x) = -IX,:F jest u-cialem generowanym przez zbiory [O,~), [i, l].
b) f(x) = -x,:F jest u-cialem generowanym przez zbiory [O,~), [~, l].
128 Rozdzial 6. Warunkowa wartosc oczekiwana § 6.3. Definicja ogólna 129
3. Obliczyc wartosc oczekiwana liczby prób w schemacie Bernoulliego przepro- gdzie aj sa dowolnie ustalonymi liczbami, jest zmienna losowa spelniajaca
wadzanych az do momentu uzyskania kolejno: warunki (i) i (ii) z definicji 1. 1.'1I
a) sukcesu i porazki,
b) dwu sukcesów i porazki. Tu wybór liczb aj byl dowolny. A wiec przyklad 2 dobrze ilustruje fakt, ze
4. Mamy n osiedli polozonych wzdluz drogi w odleglosci l km od siebie. Osiedla mówiac o [; (X I F), myslimy o jednej konkretnej wersji (inne sa jej równe
obsluguje jedna karetka pogotowia. Kazde kolejne wezwanie z jednakowym p.n.). W dalszym ciagu, mówiac o warunkowej wartosci oczekiwanej, be-
prawdopodobienstwem pochodzi z dowolnego punktu i zostaje natychmiast dziemy identyfikowac rózne wersje; nie nalezy jednak zapominac, ze warun-
przekazane do karetki, która oczekuje na nie w osiedlu, w którym znajduje sie kowa wartosc oczekiwana jest zmienna losowa, wyznaczona z dokladnoscia
ostatni chory. Jaka jest srednia odleglosc przejezdzana przez karetke w czasie do zdarzen o zerowym prawdopodobienstwie.
jednego kursu?
5. Przecietne da!sze trwanie zycia. W rozwazaniach demograficznych z § 5.1
zdefiniowalismy przecietne dalsze trwanie zycia. Warunek stalosci przeciet-
Twierdzenie 3. Dla dowplnego (J"-ciala F C }vi calkowalnej zmiennej i
'i'Z;~'~;~rx'-';sTn;:eje wa.runkowa wa.rtosc oczekiwa.na.. Jest ona wyzna.czona.
nego dalszego trwania zycia mozna wyrazic tak: jesli zmienna losowa. X ~ O
jednozna.cznie z dokl.a.dnosC'ia do zdar-ze'n o pmwdopodobie-nstwie zero, tj.
jest czasem zycia, to dla pewnej stalej c > ()
jesli Y1, Y2 spelniaja wa7"lmki definicfi 1, to P(Yl Y2) = o. =1=
..
-" ... E (X I X > t) = c + t, t ~ O.
Wykazac, ze nieujemna zmienna losowa o ciaglej dystrybuancie spelnia ten D o wód. Najpierw udowodnimy jednoznacznosc. Zalózmy, ze Yi i Y2 spel-
warunek wtedy j. tylko wtedy, gdy ma wlasnosc braku pamieci. niaja (i) i Ui). Ten argument
Zdarzenie {Yl > Y2} E F, bo Y1, Y2 sa F mierz'alne. pojawia sie juz
chyba trzeci raz!
§ 6.3. Definicja ogólna
Ale nieco ina~zc.l
r Yi~~r
h~>~}h~>~} X~=r h~>~}~~ sfol'mnlowaIlY.
Wlasnosci warunkowej wartosci oczekiwanej wzgledem przeliczalnego roz-
bicia, podane w twierdzeniu 6.2.6, sugeruja ponizsza definicje. Stad
w E Aj,P(Aj) > O,
r gelP
JA = v(A) = JAr X dP.
[; (X I F) (w) = {:}X l Aj), w E Aj, P(Aj) = O, Dowód pierwsza metoda zostal zakonczony.
130 Rozdzial 6, Warunkowa wartosc oczekiwana 131
§ 6,3, Definicja ogólna
\1
l X dP = l Xo dP.
IV.
Otóz
Istnieuie
y
dla dowolnej zmiennej
= E (X+ I F) -E (X- I F) jest dobrze'okreslona,
losowej X E LI(0.,M,P).
F-mierzalna i cal-
" Zatem Xo jest warunkowa wartoscia oczekiwana X wzgledem F. kowalna zmienna losowa, Dla dowolnego A. E F., mamy
i'
li
II. Wlasnosci
1. Va,/3 E R
E (X I F) dla X E L2(0., M, P).
VX1,X2 E L2(0.,M,P)
l X dP = j~X+ dP - l x- dP =
!I
E (aXl + /3X21 F) = aE (XII F) + /3E(X21 F).
= j .4 E p,.r?j F) dP - j A E (X:'" F) dP = jA' y dP,
I zatem E (X I :F) = Y, bo Y spelnia warunki (i) i (li) z definicji 1, co l(o!lczy
'I Dowód. Rzut jest odwzorowaniem liniowym. Jesli zatem XI,o i X2,o dowód twierdzeJlia, :3 .•
III
t' i
sa rzutami Xl X2 na podprzestrzen Ho, to aX1,o+/3X2,o jest rzutem Najwazniejsze wlasnosci warunkowej wartosci oczekiwanej zbierzemy w po-
aXl + /3X2. Oto bezposrednie sprawdzenie: gdy Y E Ho, to
nizszym twierdzeniu (inne wlasnosci - patrz zad, 1-6):
ndr
(aXl,O + /3X2,o - (aXl -I- /3X2), Y) = J::':YieE9..zenie oO'!: Niech x." Xl, X 2, b~da zmiennymi losowymi o skonczonej
~ = a(Xl,o - Xl, Y) + /3(X2,o - X2, Y) = 0, wartosci oczekiwanej, niech'F C M bedzie danym (J-cialem. Wtedy
'I'
lf'!
I'
I.
'I
'[I
~
co konczy dowód punktu
"
l, (a) Jdli X jest; .r-mi'c7'ZG.'lM, to E (X I F) =X p.n.,
W 2. Jesli X ~ O, to E (X I F) ;;;. O p.n. (b) Jesh X ~ O, t.o E (X I F) ;;;.() p.n"
ID
tl
Dowód. {E (X I F) < O} jest zdarzeniem z F. Poniewaz (c) IE (X I F) I ~ E (lXII F) p.n.,
~!
r~: (d) E (aXl + (3X21 F) = aE (XII F) -I- (3E (x21 F) p.n. dla a,(3 E R
'f
Il!
~~
O ~ j {sexl F)<O} X dP = j {&(XI F)<O) E (X I F) dP ~ O,
(e) Jesli Xn I X, to E (Xn I F) T E (X I F) p~,n.,
~l to
(f) Jesli FI C F2 C .M, to
~!
~ jE{&(XIF)<O} = O.
;~t
.,)
(X I :F) dP E (X t :FI) = E (E (X I F2) I :FIl = E (E (X I FIli F2)
Zatem P(E (X I F) < O) = 0, czyli E (X I F) ~ O p.n. (wszystkie j'ównosci p. n.),
,:;m.
;f
"'
t~!
:~i
132 Rozdzial 6. Warunkowa wartosc oczekiwana § 6.:3. Definicja ogólna 133
(g) EX = E (E (X I F)) p.n., Wprowadzmy nastepujace oznaczenie: jesli X jest zmienna losowa calko-
walna, Y - zmienna losowa o wartosciach w Rn, to
i
(h) Jesli F o-(X) SIJ:niezalezne (czyli zmienna losowa X jest niezalezna
od o--ciala F), to E (X I F) = EX p.n., E(X I Y) 'H E(X I o-(Y)).
r EX dP
JA = EX . ElA = E (X . lA) = ,A/' X dP, E (cp(X) I F) ~ sup[anE
n.
(X I F) + ;3n] = cp(E (X I F)) p.n._
wiec z jednoznacznosci E (X I F) = EX. Twierdzenie 7. Jesli X jest zmienna losowa, [lXI < 00, Y jest zmiennrt
(i) standardowy dowód - komplikacje postaci Y - zostawiamy czytelni- losowa o wartosciach 'W Rn, to istnieje funkcja borelowska h: Rn -7 R taka,
kowi jako zadanie. _ ze
[(XI Y) = h(Y).
Przyklad 5. Owad sklada X jajeczek zgodnie z rozkladem Poissona z pa-
'~'~;r;~t-:;:~;:;;:"X~
.~ owad z jajeczka wylega sie z prawdopodobienstwem p, nie- Dowód wynika natychmiast z nastepujacego lematu:
zaleznie od innych. Znalezc srednia liczbe pot(~mków.
Rozwiazanie, Niech Y bedzie liczba potomków owada. Mozna to zada- Lemat 8. Niech Y bedzie zmienna losowa o wartosciach wRn, X -
nie rozwiazac wyliczajac rozklad Y (patrz zad. 4.1.11). My skorzystamy zmienna losowa mierzalna wzgledem o-(Y). Wówczas istnieje funkcja bo-
z warunkowej wartosci oczekiwanej. r-elowska h: Rn-7 R. taka, ze X = h(Y).
134 Rozdzia.l 6. Warunkowa wartosc oczekiwana § 6,3. Definicja ogólna 135
<.p(X) = {limn
O, <.pn(X), x E B,
'f- B, gdzie kres dolny jest brany po wszystkich funkcjach <.pborelowskich.
jest borelowska.
Twierdzenie 10. Niech L.y2 < 00. H1tedy prognoza optymalna istnieje
Ale orywiscie X(w) = limn <.pn(Y(W)) = <.p(Y(w)), w E n .• i jako <.p*(x) mozna 'Wz·iac <.p"(x) = E (Y I X = x).
Korzystajac; z twierdzenia 7, mozemy zdefiniowac warunkowa wartosc ocze- I
kiwana wzgledem {Y = y} nawet wtedy, gdy to zdarzenie ma zerowe praw- Dowód, Mozna ogi·aniczyc sie do <.ptakiego, ze E<.p2(X) < 00 (w przeciw-
dopodobienstwo. nym razie 6.'{! = (0). Niech <.p*(X) = E (Y I X). Wtedy
Definicja 9. Warunkowa wartoscia oczekiwana. zmiennej losowe.i X pod E [Y - <.p(X)]2 = E [Y - <.p + <.p*(X) - <.p(X)]2 =
* (X)
war"unkiem {Y = y}, która oznaczamy E (X I y = y), nazy'U.;amy liczbe h(y),
gdzie h .iest funkcja otrzymana w twieTdzeniu 7. = E [Y -- * (X)]2 + E [<.p
<.p * (X) - <.p(X)]2 +
+ 2E [(Y - <.p*(X))(~*(X) - <.p(X))].
Jezeli zmienna losowa Y ma rozklad dyskretny i P(Y = y) > O, to z tw.
6.2.2 wynika równosc Drugi wyraz jest nieujemny, a. trzeci jest równy zeru, poniewaz
Zadania i
§ 6.4. Prawdopodobienstwo warup.kowe - uogólnienie
1. Warunkowa wersja lematu Fatou. Jesli Xn ;:: O, to
Korzystajac z pojecia wa.runkowej wartosci oczekiwanej, uogólnimy teraz
E (IiminfXn I F) ~ IiminfE(Xnl F) p.n. pojecie prawdopodobienstwa warunkowego zdarzenia.
2. Warunkowa wersja twierdzenia o zbieznosci zmajoryzowanej . .Jesli
IXn(W)1 ~ Y(w), n = 1,2, ... , EY < 00 oraz Xn -> X p.n., to Definicja 1. Pmwdopodobiel1stwem warunkowym zdarzenia A E M pod
n E (Xn I F)
lim = E (X I F) p.n. warunkiem Y = y, któTe oznaczymy pTzeZ P(AjY = y), bedziemy nazywac
wielkosc
3. Udowodnic 6.3.4(i). [(1.4.1 Y = y) ..
4. Pokazac, ze 6.3.4(i) jest prawdzjwe pr7,y zalozeniu, ze Z jest F-mierza.lna
oraz
Poniewaz ma sens wyrazenie P(X E AIY = y), mozemy takze mówic o T"OZ-
(i) X, Y sa dodatnie, EX < 00, E (X Z) < 00 kladzie wa,(,1.mkowym zmiennej losowej X pod warunkiem Y = y. W nastep-
• lub nym przykladzie dane sa rozklady warunkowe, z których tworzy sie rozklad
(ii) X E LP, Y E La,p > 1,p-1 + q-l = 1. zmiennej losowej.
5. Wykazac, ze jesli X jest zmienna losowa cal kowalna, u-cialo g jest niezalezne
od u(u(X),F), to E(X 10'(9, F» = E (X I F). Przyklad 2. Niech Y ~ ula, 1]. Jesli Y = 3;, to rzucamy n razy moneta,
Uwaga. Biorac g = {n,0}, a wiec u-cialo nie niosace zadnej informacji, dla której prawdopodobienstwo wypadniecia orla jest równe x. Niech Sn
otrzymujemy 6.3.4(h). oznacza liczbe orlów. Znalezc P(Sn ~ k), k = 1,2, ... , n (por. z przykladem
i
6. X Y sa niezaJeznymi zmiennymi Joso';'ymi,
kazac, ze
f .- funkCja borelowska.Wy- 6.2.9).
Twierdzenie 3. Jesli (X, Y) ma rozklad ciagly z gestoscia g, to Jesli .r~oog(x, y) dx = 0, t6 g(-, y) = ° p.w. (bo .9 ;;. O) i bierzemy wer-
sje gestosci g(,r.;, y) == ° (dla kazdego x). Wtedy dla kazdego :r; mamy
P(X E BIY) = .f;; g(x, Y) dx , (1) i.p(x )g(x, y) = O. Niech
Loo g(x, Y) d:r;
L: g(x, Y(w)) dx = o,
l = .l4?(Y) [L: 9(:r;,Y)d:C] dy = L: lA(Y)~(Y) [L: g(x,Y)dX] dy =
Uwaga 4. Z tego twierdzenia wynika, ze funkcje Zatem dla kazdego B E er(Y) mamy
wp.p.
I Y) dP = L cp(Y) dP, .
ponadto cp(Y) jest er(Y)-miel'i:a.lna,wiec z jednoznacznosci warunkowej war-
mozna nazwac warunkowa gestoscia X pod warunkiem Y, bowiem
tosci oczekiwanej wynika, ze:
Prawa strona (2)
h(Y),
jOHI, pOHtl\Ci
wiec podstawiamy
Y=y.
E (i.p(.>n I y = y) = L: i.p(x)fxlY(xJy) d:c.
E (i.p(X) [ Y) = cp(1') = -00 i.p(:c)Loo
;'00 00 g(x,
g(:J.:,Y)
Y) d:J.: dx P-p.w .•
Uwaga 5. Niech NI' = {w E n: f~oog(x, Y(w)) d:r;= O} : Wtedy Przyklad 6. Jesli wektor losowy (X, Y) ma rozklad normalny, tó regresja
jest liniowa. Niech (X, Y) rv N ((p.], /l'2),2J. Wt;edy
P(Ny) = f.ly ({Y: 100
-00 g(x, y) dx = o}) = .l{y:J
r 00
-00 g(x,y) d:>:=O}
f y (y) dy = E (X I Y) = ItI +- p(X, Y)-(Y
erx
-1~2)'
ery
= J{y:Loo
r 00 g(x,y) dx=O) [100
-00 g(x, y) d.1;] dy = o.
RO:twiazanie. Znajdujemy postac fxlY i obliczamy E (X I Y) .•
Wziac dwa funty
cieleciny,
\ wstrzasnac, obrac,
Zatem prawe strony wzorów (1)-(2) w tw. 3 sa dobrze okreslone pOi:azbio- Uwaga 7. Jesli rozklad (X, Y) ma ciagla gestosc f, to dla dowolnego zaprawic i zrobic
rem Ny miary zero: tam mozemy je okreslic dowolnie, wiec kladziemy zero. :tbioru B E B(R)
eskalop.
A. Slonimski,
J. Tuwim
D o w ó d twierdzenia 3. Udowodnimy tylko wzór (2), bowiem biorac i.p = 1 B, "W oparach
otrzymamy (1). Wezmy dowolny element B z <T(Y). Jest on postaci y-l (A), lim
h->O P(X E Blz < Y < z + h) = .JrB fXly(xJz) dx = absurdu 11
r E (i.p(X) I Y) dP
JB = JY-l(A)
r i.p(X) dP 1
= o i.p(X) lA (Y) elP = co daje intuicyjna interpretacje waru~kowej gestosci X pod warunkiem Y.
,/ = l: l: i.p(X)lA(y)g(X, y) dx dy =
Przyklad 8. Przy obliczaniu.;gestosci warunkowych trzeba jednak zacho-
wac ostroznosc. Jesli wektor losowy (X, Y) ma laczny rozklad ciagly i wy-
znaczamy gestosc warunkowa pod warunkiem {X = Y}, to przedstawiajac
= l [L: i.p(x)g(X,y)dX] dyo~n l. to zdarzenie w postaci X - Y = O i X/Y = l otrzymamy rózne wyniki.
140 Rozdzial 6, vVarunkowa wartosc oczekiwana § 6,4, Prawdopodobienstwo warunkowe - uogólnienie 141
Zeby to zobaczyc, wezmy niezalezne zmienne losowe X, Y o rozkladzie Piraci drogowi jeszcze' raz. Towarzystwa ubezpieczeniowe stosuja do pro-
wykladniczym i niech Zj = X + Y, Z2 = X - Y, Z3 = X/Y, Wtedy gnozowania liczby szkód metody subtelniejsze ni~~te przedstawione w zadaniach
4,1.14-15 o nastepstwach pozornych, Zamiast dzielic klientów na ostroznych i pi-
JZlIZ2 (1':10) = .\e->-Xl{x;?<o}, ratów przyjmuje sie, ze zmienna losowa X - 'Ji.czba szkód zgloszonych przez
klienta w ciagu roku -- ma rozklad Poissona z parametrem A. Ale sam parametr
Zdarzenie {X = Y} przyblizylismy przez {O < IX - YI < h}), Ale: A jest traktowany jak zmienna losowa (bowiem zalezy od klienta)j przyjmuje sie,
ze ma rozklad gamma z parametrami a i b,
JZllz3 (xiI) = hl (x) = .\2xe->-xl {X;?<O} , 6. Wyznaczyc rozklad liczby szkód dla losowo wybranego klienta,
Zdarzenie {X = Y} przyblizylismy teraz przez Jesli klient zglosil n szkód w ubieglym roku, mozna podjac próbe oszacowania pa-
rametru A, wyznaczajac jego rozklad warunkowy' pod warunkiem X = n, Wtedy.
{I(X/Y) - 11< h} = {IX - YI < hY}, • [(A I X = n) mozna przyjac za prognoze liczby szkód w biezacym roku.
wazania prowadzace w przyklaclzie 6.1.1 do konstrukcji modelu, mozna tez U i 11;Sif nieskorelowane,
obyc sie bez konstrukcji i skorzystac ze wzoru 6,:3.4(9). Zmienna losowa U mozna interpretowac jako losowe odchylenia dla poszczegól-
nych klientów, zmienne Vi - jako losowe róznice pomiedzy kolejnymi latamii,
Zadania S.Rozwiazac zagadnienie regresji liniowej dla zmiennych losowych Xn-'-l i 5'" =
=XI+",+Xn'
9, Zalozyc dodatkowo, ze zmienne losowe U i 11;maja laczny rozklad normalny
1. Znalezc rozklad warunkowy X pod warunkiem X + y = t, jesli X i Y sa i rozwiazac zagadnienie prognozy dla Xn+l i Sn = Xl + '" + Xn'
niezaleznyrni zmiennymi losowymi o tym samym rozkladzie
a) #(0,.>-2); b) wykladniczym z parametrem Aj c) Poissonaz par. A, Uogólnienia wzoru Bayesa. Maja one liczne zastosowania, m. in, w statystyce
Obliczyc w punkcie b: jmatematyce finansowej, Oznaczmy P(.410) ~ [(lA I O) (por. def. 6,5,1),
e) P(X < tl min (X, Y) < t)j E) P(X > tl max(X, Y) ~ 2t). Stwierdzenie 9. Jesli O jest (T-c'jalem, O C F, B E Q, A EF i P(A) > O, to
g) Uogólnic wyniki a-c na przypadek, gdy parametry A i ~t obu rozkladów
J' P(AIO) dP
sa rózne_ P(BIA) = ..B ,
5. Udowodnic (najlepiej nie korzystajac z gestosci warunkowych), ze jesli (X, V) JB P(AIQ)dP JB P(AIQ)dP
ma rozklad normalny o sredniej zero, to
_______ J_B_P_(ó'l-19)dP + J~,P(AIQ)dP = JnP(AIQ)dP' •
EXY (TX l Na przyklad ten zwróci! nam uwage Wojciech N'iemiro. Patrz tez W. Niemiro, Ra·
E (X I Y) = EY2 ,y = p(X, Y) (Ty ,y p,n, chunek prawdopodobienstwa i
statystyka matematycz7!~, Szkola Nauk Scislych, Warszawa
1999, roz. 6, . "
101'1 Illw,Jzial 6. Warunkowa wartosc ocze!dwana § 6.5. Regularne rozklady warunkowe 143
lO, Niech {Al, ... ,An} bedzie rozbiciem zbioru n, niech B E M, P(B) > O, ._v..~~ga~'. Gdy F jest g~n~;owane przez prz~liczalne rozbicie {Ai: i E I},
X = E;:"1 ai lA" g: R -t R. Udowodnic, ze gdzie P(Ai) > O dla z E L; .to_ .
!.,:-,'
p(ErY)' 'I P(BIAi),
== gdy w E Ai .
. ' !:':eo g(a)P(BIX = a)J1.x(da) = E (g(X)lB)
E (g(X) I B)i = !:':eo P(BIX = a)J1.x(da) ElB Istotnie,
gdzie h: R x R -t R jest
P(X E AIY = y) =
funkcja boreJowska, a
i h(x, y)v(dy),
pry E B/X = x) = !~
Leo
h(::C,Y)J1.y(dy) ,
h(x, Y)J.ty(dy)
~:r::..~_~er~~_~~~:
wlasno,sci:
P.rawdopodobid/'stwo warunkowe P(BIF) ma nastepu.iC[C
a jesli <p: R -t R jest taka funkcja borelowska, ze EI<p(Y)1 < 00, to (i) Jest zmiennlJ: lOSOWIJ:
F-mierzalna,.
EQ(XI Q) = Ep(XZI Q)
U B"IF)
JA P( n=l dP U Bn n A) = n=l.
= P( n=] :L P(Bn n A) =
Ep (ZI Q) ,
00 00
Definicja 4. Jlegularnymrozkladem warunkowym wzgledem F nazywamy J:r:~y!<:l?:qm'!:_ Wektor losowy (X, Y) ma gestosc f(x, y). Definiujemy funk-
funkcje PF(', .):-Mx[Y:::::;To~ir-spe[;;iaJa~anasiep1aace-;~-;:~nki: cje
(i) dla E E M, P:F(E,·) jest weTsja E (1B I F), h(x, y) = J:'oo j(x,z)dz
dla fx (x) = J~cof(x, z)dz > O, '1\1,
w przeciwienstwie
{ g(y) j(x.y) dla /;dx) = O,
(ii) dla kazdego w E n PFhw) jest rozkladem pmwdopodobienstwa na
do tw. 6.4.3,
musiIny wstawic
M. gdzie g jest dowolna gestoscia, i
jakakolwiek
gestosc.
Istnienie regularnego rozkladu
ponizszemu twierdzeniu .
war~nkowego upraszcza wiele obliczen dzieki j.t(E,x) =
dl' l
.B
h(.1:,y)dy, E E B(R).
Wtedy
:!.:':Y1.er.9-ze!lJ_e~· Niech X bedz'ie zmienna losowa calkowalna, a PFe,·) Te-
gularnym rozkladem warunkowym wzgledem:F. Wtedy PYI<7(X) (E, w) = j.t(E,X(w)).
Istotnie, dla ustalonego E funkcja j.t(E, X (w)) jest o-(X)-mierzalna, zas
(l) j.th X (w)) jest dla ustalonego w miara. Trzeba jeszcze wykazac, ze faktycz-
E (X'I F) (w) = in X(w)PF(dw,w) p.n.
nie otrzymalismy wersje P(Y E EIX) dla E E 13(R), czyli ze dla A E B(R)
zachodzi równosc
Dowód. Dla X = lB, E E M, równosc wynika z definicji, dlatego rów-
nosc (l) jest prawdziwa dla funkcji schodkowych. Gdy X ;;, O, to istnieja
zmienne losowe schodkowe Xn takie, ze Xn T X. Wtedy z twierdzenia f' P(Y E EIX)(w)P(dw) = J{XEA}
f' ',: j.t(E,X(w))P(dw). (2)
J(XEA} . I
6.3.4(e) E (X I F) =; limn E (Xn I F) p ..n. Poniewaz PFe,w) jest miara dla
kazdego w, to korzy'sta.jac z (l) dla zmiennych losowych schodkowych Xn Zeby ja udowodnic, zauwazmy, ze lewa strona jest równa
otrzymuj emy
limE
n (Xn I F) = lim r Xn(w)PF(dW,w)
n lo = .~/' X(w)PF(dw,w), r
J{XEr1} I{YEB} dP = P(X E A,, Y E E),
zatem (l) zacllOdzi,.gdy X;;, o. Stad, poniewaz X = X+ - X-, otrzymu- prawa zas jest równa
jemy teze. _
Prawo wielkich liczb i centralne t.wierdzenie graniczne, udowodnione jesz- Wniosek 2. Jesli (Xn) jest ciagiem niezaleznych zmiennych losowych, to
cze w XVII i XVIII wieku, zajmuja w t.eorii prawdopodobieIlst.wa pozycje szeTeg 2:~1 Xn jest zb'iezny z prawdopodobienstwem O lub 1.
szczególna. Obecnie znane sa niezliczone warianty t.ych twierdzen, których
wspólna cecha jest asymptotyczne zachowanie sie wyrazen postaci
Xl + X2 + ... + Xn - an
Dowód. Niech Tn = cr(Xn). Wtedy (Tn) jest ciagiem (T-cial niezaleznych
i ella kazdego k
b71
1f""U'''- ,t
gdzie (Xn) jest Ói\giem niezaleznych zmiennych losowych, zas (an) i (bn) --
ciagami liczbowymi. Do badania tego rodzaju unormowanych sum zmien-
nych losowych przydaja sie z kolei kryteria zbieznosci szeregów niezaleznych {fn,=lXn Z~ieZny} {f
= n=k x" lIbiezny } E Fk,,,,
zmiennych losowych: Interesujace, ze taki szereg moze byc zbiezny wylacz-
wobec tego wystarczy skorzystac z twierdzenia 1. •
nie z prawdopodobienstwem O lub l - prawie wszedzie lub prawie nigdzie.
I od twierdzen tego typu, czyli praw zero-jedynkowych, zaczniemy.
Podobnie postepujemy w wielu innych przyphdkach, np. dowodzimy, ze dla
niezaleznych zmiennych 1()sowyd1 zdarzenia.
§ 7.2. Prawo zero-jedynkowe Kolmogorowa
{istnieje skOl'Jczona granica lim Xn},
,,~oo
Rozpatrzmy ciag a-cial Tn C :F. Jesli wyobrazimy sobie, ze /n jest a-cialem
generowanym przez zmienna losowa Xn, bedziemy mogli interpretowac Tn {lim'supXn = oo},
jako zasób wiedzy o doswiadczeniu (n, /, P) ot.rzymany w chwili n, gdy
dokonujemy kolejnych obserwacji w chwilach 1,2,3, .... Wówczas a-cialo
{·l' 1m
n-+oo' Xl+
------<0.
n .. ·+Xn'l }
= a ( Tn, /n+l"
Tn,oo df .. )
naleza do Foo (zad. l), zatem prawdopodobienstwo ich zajscia jest równe
reprezentuje cala wiedze o przyszlosci od chwili n. Definiujemy (T-cialo,
O lub 1. Ale na przyklad zdarzenie {sup Xn ( 5} nie nalezy do (T-ciala
zwane ogonowym albo resztkowym:
00 ogonowego.
=
Too df n Tn,oo.
n=l
(l) Hewitt i Savage uogólnili wynik Kolmogorowa
(patrz zad. 7).
na zdarzenia permutowalne
146
148 Rozdzial 7. Sumy niezaleznych zmiennych losowych § 7.3. Zbieznosc szeregów niezaleznych zmiennych losowych 149
Zadania
§ 7.3. Zbieznosc szeregów niezaleznych zmiennych lo-
1. Udowodnic, ze zdarzenia sowych
lim X,,},
{istnieje skonczona granica n-oc Na mocy wniosku 7.2.2 szereg niezaleznych zmiennych losowych X" I:~=l
moze byc zbiezny z prawdopodobienstwem 1 lub rozbiezny z prawdopodo-
{limsupX" = oo}, {'lim
n~oo Xl n+
+ ... Xn ,:;;a} bienstwem 1. W tym paragrafie zajmiemy sie problemem zbieznosci szeregu.
naleza do F00' Zaczniemy od nierównosci maksymalnej, gdZIe jak zwykle S" = I:~=lXk
2. Niech X bedzie zmienna losowa mierzalna wzgledem Foo zdefin.iowanego wzo- oznacza n-ta sume czesciowa.
rem (l). Pokazac, ze X = const p.n. Sformulowanie ze
3. Udowodnic, ze jesli X" sa niezaleznymi zmiennymi losowymi, to promien Twierdzenie l (Nierównosc Levy'ego-Ottavianiego) . .Jesli Xl, X2, stala 3 i dowód
zbieznosci szeregu potegowego I:;;"=1 Xkzk, z E C, jest staly p.n. ... , X" sa niezaleznym'i zmiennymi losowymi,. ·to dla kazdego c: >O pochodza od
Stanislawa
Twierdzenie Hewitta-Savage'a. Funkcje wzajemn.ie jednoznaczna 7r: N -> N, Kwapienia. Inne
P(maxIS;j > c:)':;; 3maxP(ISil > ~c:). (l) tego typu
7r = (7rl, nazwiemy permutacja skonczona, jesli 7r" = n dla wszystkich n
7r2, ... ), t~n I~n., nierównosci -
z wyjatkiem skonczonej ich liczby. patrz [KWA]
Gdy ponadto wszystkie Xi, 'rn:aja' rozklady symetryczne, to
Cos nowego: Jesli X = (X1,X2, ••. ), to 7r(X) ~ (X"I,X"2"")' Jesli A = {X E B}, gdzie
15(ROO) B E B(ROO), to 7r(A) = {7r(X) E B}. P(max ISil > c:) ,s; 2P(IS,,! > c:). (2)
t:%;n
Zdarzenie A = {X E B}, B E B(ROO) nazwiemy zdarzeniem permutowalnym,
jesli dla dowolnej permutacji skonczonej 7r'mamy 7r(A) = A.
. Przestrzef1 R00, która sie tu pojawila, jest przeliczalnym produktem R x R x
Dowód. Ustalmy s, t;? O. Dla i = 1,... ,n niech
I ,s; t + s dla j < i, IS~I > t + s}.
z metryka
Ai = {I S j
2:::00 Ix' - '(, I
';=1 ",
l
1(' ) - y"
c X, y -. + 0;=1
,\,00 lXi - Vi I . Wtedy A; sa parami rozlaczne oraz U7=1 Ai' - {maxi(n ISil > t + s}.
(R 00, d) jest przestrzenia metryczna, osrodkowa .i zupelna. Poniewaz
a) limsup{B" E B}, gdzie B" = 2:::~=1Xk, B E B(R), (z nierównosci trójkata), to z rozlacznosci Ai oraz niezaleznosci zdarzen Ai
b) limsup{B" > a,,} dla dowolnego ciagu (a,,). i {ISn - Sil':;; s} marny
5. Pokazac, ze jesli A E Foo, to A jest zdarzeniem permutowalnym (implikacja n n
w druga strone nie jest prawdziwa).
6. Udowodnic
P(ISnl > t) ;? L
'i=1
P(Ai n {ISn - Sil ,s; s}) = L
i=l
P(A;)P(IS" - Sd ,s; s) ;?
A6E= "
(A \ E) U (E \ A). Lemat 3. Niech Yl, Y2, ... beda dowolnymi a-c'ialami zawaTtym'i 'Ul a-ciele
F, 9 = aCYl, 92, ... ). Wtedy dla kazdego A E Y 'istnieje ciag (A")k=l, gdzie
;? n;.inP(IS"
I~n - Sd ,s; s)· '"
~ P(Ai) =
t=1
Ak E a(Ql, Y2, ... 9k) taki, ze limk_oo P(A [), Ak) = o.
7*. Udowodnic
= (1 - rnaxP(IS"
'iS;n
- Sd> s))P(max
'i~n
ISil > t + 8).
bedzie zdar-zeniem permv.towalnym. Wtedy P(A) = () lub P(A) = 1. Gdy ma..'\:i(n P(ISil > 1t) < ~, to biorac 1t zamiast t oraz §t zamiast s,
otrzymamy
8. Wykazac, ze funkcja g(A, B) = P(A [), B), A, B E F, jest pseudometrykJ:.
Pseudometry ka
Wykazac, ze odwzorowania: A -> JA y dP, gdzie Y E [.r(n,F, P), (A, B) -;
jest nieujemna,
-> A n B, A u B, A \ B sa ciagle w tej pseuclometryce.
PUS"I > kt) o~n l.
symetryczna i:(n
P(max ISil > t) ,s; 1 _ max'~z~n P(ISn _ Sil > ~t)
i spelnia warunek
trójkata.
I ril) 151
Rozdzial 7: Sumy niezaleznych zmiennych losovl)'ch § 7.3. Zbieznosc szeregów niezaleznych zmiennych losowych
<
~~
IL: , oraz x/el - 2x) < 3x dla x E [O, n to !im P(
rn-lOO
sup
n~k~m.
ISk - Snl > E/2)
j,:; .
i maxi~n P(ISd > ~t) .. l
.;;; lim 3 sup P([Sk - Snl > E/6) <
;;1 m-oo n~/c':::;m
i.I" 1<
1- 2 maxi~n P(/Sil
l . < 3maxP(ISil
> 3't) ,,,,n
> 3't).
Iii:; 1.08 m
i'I':' Gdy maxi~n P(ISil > ~t) ~ ~, to nierównosc (l) jest spelniona automa-
< '(n-oc
!im -E2 '"
~ Ey2l·
11 I" H l=n
tycznie.
Prawa strona tej niel'ÓWnOSCl zmierza do zera, gdy n -> 00 jako resztA,
li II'
p ..
Tli"
Teraz udowodnimy (2). Niech Ai
i= 1,2, ... , n.. Wtedy
= {ISil < t,) = 1,2, ... , i - l, ISil > i}, szeregu zbieznego. Zatem ciag Sn jest zbiezny p.n. _
illi1ii Przyklad 3. Rozwazmy szereg harmoniczny z losowym wyborem IIWI,kll
HI i\
Ai C (Ai n {IS".I > t}) U (Ai n {12Si - S'nl > i}).
plus lub minus, czyli szereg L~=l ~Un, gdzie (Un) jest ciagiem BerJlOIII-
ill:I!I: Poniewaz Si i Sn - Bi sa niezalezne i maja rozklady symetryczne, zmienne liego. Wtedy EUn = O oraz
li lii
L 2'l
losowe Bn = Si + (Bn - Si) i 2Bi - Sn = Si -. (S", - B;) maja ten sarn
\'\,Iil.
rozklad. W konsekwencji otrzymujemy L
n=l
00
V2(Un/n) =
00
n=l,n
< 00,
\'\i:: P(Ai) < P(Ain{IBnl > t} )+P(Ain{12Bi-Bnl > t}) = 2P(A;n{IS,,1 > t}),
skad
wiec szereg L~U", jest zbiezny p.n., czylijest zbiezny dla prawie kazdego
wyboru znaków (patrz tez zadania 3 i 9). _
n
P(max
7.~n IBd
~
> t) = L
.
t=l
P(Ai) < t~n ~Bil >
2P(max t, IS"I >
.
t) < Podamy teraz warunki konieczne i dostateczne
nych zmiennych losowych. Niech X(c) OZna(;ba obciecie zmiennej losowej X
zbieznosci szeregu niezalez-
Twierdzenie 2 (O dwóch szeregach). Niech (X •.J bedzie ciagiem nie. '. X(c) = {XO dla flXI
XI >
< c.
c,
zaleznych zmiennych losowych. Jesli szer'egi
Twierdzenie 4 (Kolmogorowa o trzeclA szeregach). Warunkiem ko-
00 00
~
\)
L
'11=1
EXn, L
n=l
1)2 Xn
niecznym zb'ieznosci prrrUJiena pewno szeTeg1J,niezaleznych
wych L~=l Xn .iest zb:;eznosc dla kazdego c > O szeTegów
00 00 00
zmiennych loso-
sa zbiezne, to szereg .L~=1 Xn jest zbiezny p. n. L[x,~r;), LV2X~C), :[P(IXnl > c),
n=l n=l '1=1
Dowód. Niech Yn = Xn - EXn, n = 1,2, .... Poniewaz szereg L~=l EX" a warunk'iern dostatecznym jest zbieznosc iych szer'egów p'tzy pewnym c > Q.
jest zbiezny, to szereg L~=l x.n jest zbiezny p.n. wtedy i tylko wtedy, gdy
L~l Yn jest zbiezny p.n.
D Owód. Dostatecznosc: na mocy tw. 2 szereg L~l X~c) jest zbiezny p.n.
Poniewaz EY; = V2 Xn, wiec L~=l EY; < 00. Niech Sn = L~=l Yk. Z lematu Borela-Cantelliego i warunku LP(IXn! > c) < 00 wynika, ze
Sprawdzimy warunek Cauchy'ego, korzystajac po kolei: z oszacowania Xn(w) = X~c)(w) dla n ~ n(w), zatem L~=l Xn jest zbiezny p.n.
sup ISk - Sd = sup ISk - Bn + S~ - Bd < 2 sup IBk - 8nl, Dowód koniecznosci - patrz zad. 8. _
k,l~n k,l~n k~n
Okazuje sie, ze dla szeregów niezaleznych zmiennych losowych zbieznosc
z nierównosci (l), z nierównosci Czebyszewa i niezaleznosci Yn. Ustalmy prawie na pewno jest równowazna ze zbieznoscia wedlug prawdopodobien-
E:> O. Wtedy: stwa.
152 Rozdzial 7. Sumy niezaleznych zmiennych losowych § 7.3. Zbieznosc szeregów niezaleznych zmiennych losowych 153
Twierdzenie 5 (Levy'ego). Szer-eg 2::n Xn niezaleznych zmiennych loso- 2. Wykazac, ze jesli zmienne losowe Xn maja ten sam rozklad, P(X" 7'= O) > O,
wych jest zbiezny p. n. wtedy i tylko wtedy, gdy jest zbiezny wedlug pmwdo- to szereg 2:: X" jest rozbiezny p.n.
podobienstwa. 3. Niech (Xn) maja ten sam rozklad: P(Xn = l) = P(X" = -l) = ~. Udo-
wodnic, ze jesli 2::::"=1a;; < 00, to 2::::"=1a"Xn jest zbiezny p.n. -
D o wód. Ze zbieznosci p.n. wynika zbieznosc wedlug prawdopodobie1J.stwa 4. Niech P(Xn = n) = ~ = P(Xn = -n), P(Xn = O) = l - ~. Wykazac, ze
(wniosek 5.9.5). Udowodnimy implikacje w druga strone, a mianowicie wy- 2::::'=1 Xn jest zbiezny p.n., chociaz 2::::'=1 V2Xn = 00.
kazemy, ze ze zbieznosci szeregu 2::~=1 Xn wedlug prawdopodobie1J.stwa Twierdzenie 2 mozna tez udowodnic, korzystajac z bardzo pozytecznej nierówno-
wynika, ze zdarzenie sci Kolmogorowa.
00 5. Udowodnic
A = {2:Xn nie sp~lnia warunku Cauchy'ego } Twierdzenie 6 (Nierównosc Kolmogorowa). Jesli Xl, ... , X" sa nie-
n=l zaleznymi zmiennymi 10~0'Wymi, EXi = O, EX.? < 00, i
= 1,2, ... , n. to dla
kazdego E > °
ma zerowe prawdopodobienstwo, zatem szereg 2:: X" jest zbiezny p.n. (zad.
ES2
5.9.2). Otóz . ·P(max ISki ~ E) ~ _:~.
k~n &~2
00 00 00
Ponadto, jesh istnieje takie C > O, ze P(!X;I'~ C) = l dla i = 1,2, ... , n,
P(A) = P(U
1=1n=l
n {sup IXn
k
+ Xn+1 + ... + Xn+kl > l/l}) ~ 2:
/=1
P(A1), oraz ES~ > O, to dla kazdego E > °
. (C+E)2
gdzie P(max
k~n ISki ~ e) ~ 1- ---C--S2n
G .
Al = n{SUp IXn + ... + Xn+kl > l/l}, 6. Pokazac, ze gdy zmienne losowe Xn sa wspólnie ograniczone przez C (tzn.
n k istnieje takie C > O, ze P(!Xnl ~ C) = l), EXn = O, n = 1,2.:., to ze
l = 1,2, ... Pokazemy, ze P(AI) = O, na co wystarcza, by dla dowolnego zbieznosci 2::::"=1Xn p.n. wynika, ze 2::::"=1V2Xn < 00.
(J' > O, P(AI) ~ (J'. Dla ustalonego n mamy 7. Pokazac, ze w zadaniu 6 mozna opuscic zalozenie, ze EXn = O. Doklad-
niej: pokazac, ze gdy Xn sa wspólnie ograniczone (przez C), to ze zbieznosci
P(AI) ~ P(sup
k
IX" + ... + X"+kl > ljl) = 2::::"=1X" p.n. wynika zbieznosc szeregów 2::::"=1EXn, 2::::"=1V2 Xn.
8. Udowodnic warunek konieczny zbieznosci 2::::"=1Xn p.n. z tw. 4 (o trzech
= m---+oo
lim P(supIXn+",+Xn+A:I>l/l)~
k~m
szeregach) .
9. Niech (Xn)" bedzie ciagiem niezaleznych zmiennych losowych o jednakowym
~ lim 3maxP(IXn
m-+oo k~m
+ ... + Xn+A:1 > 1/(31)), rozkladzie: P(Xn = l) = P(X" = -l) = ~. Dla jakich e E [O,l], szereg
,",00 (V
6n=1 .A" / n 0) Jest
.. zb'lezny
.? p.n .. -
gdzie w ostatniej nierównosci skorzystalismy z (1). Szereg 2::~=1 x./l. jest 10. Zmienne losowe Xn sa wspÓlnie ograniczone. Pokazac, ze jesli I::::"=l anXn
zbiezny wedlug prawdopodobienstwa, wiec dla dostatecznie duzych n i do- jest zbiezny p.n. oraz 10.,,1 ~ C, n = 1,2, ... , to 2::::"=1a.~ < 00.
11.. Udowodnic
wolnych k
P(IXn + ... + Xn+kl > 1/(31)) < (J'/3. Twierdzenie 7 (Nierównosc Hoffmanna-JSZlrgensena). Jezeli Xl, ... ,
Xn sa nieza.teznym'i zmiennymi losowym'i, 8k = Xl + ... + Xk, to dla 'Wszyst-
Zatem P(A!) ~ (J'. II kich 8,t,'r E [0,(0) jest
§ 7.4.. Prawa wielkich liczb '!'_~!~r.:Q.~eg).l2_~ (Mocne prawo wielkich licz b Bernoulliego).
Obecnie, gdy znamy nierównosc Czebyszewa, dowód tego faktu jest try-
Bn = Xl + X2 + ... + Xn·
wialny (zad. 1). Mozemy udowodnic znacznie wiecej, a. mianowicic zbieznosc
czestosci Bn/n do p prawie na pewno. W tym celu skorzystamy z lematu Definicja 4. Mówimy, ze ciag (Xn)n spelnia mocne prawo w'ielkich liczb
Borela-Cantelliego i z nastepujacej nierównosci Bemsteina: (MPVilL), jezeli - ..---- ..--...------------ ....•.
8n - [Sn ----'t O p ..n.)
:I..~i..e!:~ze~ie _~ (Nierównosc Bernsteina). Jesl·i 8n jest l'iczba s'll.kce- - n n-+OCl
p(l:n _ pI> e) ~ 2e-ne2/4. Podamy warunki, kiedy zachodzj MPWL i SPvVL. Jak wspomnielismy na
poczatku rozdzialu, oba prawa wielkich liczb sa s~czególnymi przypadkami
Dowód. Marny problemu zbieznosci ciagu ~,
Sn - an ---
p(:n > p+e) ~~LkJm(p+e)
(~)pkqn-k ~
gd7.ie (an)n jest ciagiem liczb rzec~ywisj;ych, a (b,Jn
bn
k=O
= e->.ne(pe>.q + qe->'P)'" ~ e->.nE(pe>.2q2 + qe>.2p2)n ~ :!:.~ie.r:.<=!~~!~~..~U~_~_~I:1:Niech (Xn)n bedzie ciagiem. zmiennych loso-
wych takich, ze
,;;; e->.ne . e>.2n
.. + eX
v2s
W przedostatniej. nierównosci skorzystalismy z nierównosci eX ~ x (a) lim __ n = O
n~oo n2
(dowód - patrz A.1.1). Wybieramy teraz A minimalizujace prawa strone,
lub
czyli A = ~ i otrzymujemy:
(b) Xn sa pammi nieskorelowane i mada wspólr-ie ograniczony d-rug-imo-
P (8n
--;; > p + e) ~ e-n.
,2 dla e > O. ment.
J
Teraz przejdziemy do MPWL dla niezaleznych zmiennych losowych. Za- Dowód. Niech bo = 0, So = 0, Sn = I:7=lXn' Wtedy
czniemy od dwu lematów z analizy, dowody których przytoczymy dla kom- n n n
pletnosci wywodu. Wiadomo, ze jesli ciag jest zbiezny, to ciag srednich aryt-
metycznych tez zmierza do tej samej granicy. Nastepujacy lemat uogólnia 2:= bjxj = 2:= bj(sj - Sj-1) = bnsn - boso - 2:= sj_1(bj - bj-1).
ten fakt na srednie wazone. j=l j=l j=l
1 n
n-tOO
lim b 2:= ajJ.;j = :r.
n j=1
Teraz mozemy udowodnic
1 no E
I:n=l ~ < 00, Wtedy
-~alx' 0) J' -'El <-2'
b
n, j=l l·llll ---=
rL-tOO
Sn - ESn
bn .
° p.n.
Wtedy dla n > n1 mamy
2 "
1 n 1 n
W szczególnosci, jesli I:':= 1 'D nlfn < 00, to (Xn)n spelnia MPWL.
bn J=l
2:=
' ajJ.;j - X ~ bn 2:= aj IXj - xl ~
)=1 D o wód. Poniewaz
l
~bn j=l
no
2:=ajfxj - xl +
1
bn j=no+1
n
< -E
2
+ --
2Elb 2:=n !l''.1'< E • to z lematu 7 wystarczy pokazac, ze
n j=no+1 00 .
Lemat 7 (Kroneckera). Niech (bn)n bedzie ciag'iem TOsnacym liczb do- 2:= !!:!2-=_~Xn
n=l bn
datnich rozbieznym do 00, a (xn)n C'iagiem, liczb r'zeczy'Wistych takim, ze
I:':=1 Xn jest zbiezny. Wtedy jest zbiezny p.n., co wynika z twierdzenia 7.3.2 o dwu szeregach .•
1 n
Przyklad 9. Niech (Xn)n bedzie ciagiem niezaleznych zmiennych loso-
lim -b 2:= bjXj = O.
wych o jednakowym rozkladzie, [Xl = 0, 1)2X1 < 00. Wtedy dla kazdego
n-oc n j=1
E> O marny
W szczególnosC'i dla bn = n, Xn = Yn/n zachodzi 'Wynikanie:
lim Sn Przypadek E: =
Jesli sze'f'eg
00 n~oo rpl (l ogn)"2+E
l - O p.n., obejmuje
nierównosc
2:= Yn bowiem I:':=2 " 1,ah < 00 .• Hardy'ego-
n=l n -Littlewooda 2
zad. 5.8.23.
jest zbiezny, to Gdy zmienne losowe Xn maja jednakowy rozklad, nie trzeba zakladac ist-
lim Y1
n---+oo
+ Y2.•. +n ... + Yn = O. nienia wariancji, by zachodzilo MPWL. Wystarczy istnienie wartosci ocze-
kiwanej.
ltllllclzial 7. Sumy niezaleznych zmiennych losowych § 7.4. Prawa wielkich liczb 159
lim
n-oo n
Sn = EXl p.n. co kOI1CZYdowód .•
Przypomnijmy, ze na mocy wyniku z zad. 5.6.1, jesli X jest nieujemna Uwaga 11. Zachodzi twierdzenie w pewnym sensie odwrotne: Niech (Xn)
zmienna losowa, to bedzie ciagiem niezaleznych zmiennych losowych o tym samym rozkladzie.
00 00 Jesli istnieje stala C taka, ze P(limn Xl+';;+X" = C) > O, to EIXll < co
iC=EXl·
2:: P(X ;?; n) ~ EX ~ 1+ 2:: P(X ;?; n),
n=l n=l
D o w ó d. Z prawa. 0-1 Kolmogorowa (tw. 7.2.1) wynika, ze
skad natychmiast wynika, ze :tmienna losowa X ;?; O jest calkowalna wtedy
NFllt\~,'y I<OllilW:ldllll
i tylko wtedy, gdy 2::=1 P(lxl ;?; n) < 00.
P(limn Xl + ...
n + Xn = C) = 1. 1'()~wlll~II,(:~,IUll\il1111
5.n.l.
Dowód twierdzenia 10. Niech Yn = Xnl{IX"I~n} tzn. Yr, jest obcieciem
Xn na poziomie n. Korzystajac z tego, ze Xn maja jedrJakowy rozklad i :<I
Stad
wyniku zad. 5.6.1, otrzymujemy
X" Sn - l) . S,,-l Op.n.,
00 00 00 - (n n
-;;: = --;:;: n-l ---l
n~oo.
L
n=l
P(Xn =I Yn) = L
n=l
P(IXnl > n) = 2:: P(IXll > n)
n=l
~ EIXI I < co. wobec tego szansa, ze zajdzie nieskonczenie wieJe' zdarzen {lXni> n} jest
równa zeru. Zatem z lematu Borela-Cantelliego szereg ~:=l P(IXnl > n)
jest zbiezny, stad ~:=lP(IXll > n) < co, co daje EIXII < co (znów zad.
limn Xl+';;+X" = EXI p.n. wtedy i tyllco
Zatem z lematu Borela-Cantelliego
wt;edy, gdy lim y,+.;;+y" = EXl p.n. Dalej, limnEYn = EXl pociaga za
5.6.1) i
z MPWL (tw. 10) C = [Xl' •
soba, ze linln ~ 2:j=l EYj = EXl> a zatem wystarczy pokazac, ze
Uwaga 12. Jesli EIXll = 00, to limsuPTl~oo I~I= 00.
,
"
1m----------=
l·
n
+ ... + (Yn -
(Yi - EXl)
n
EYn) O p.n., D ow ó d- patrz zad. 12.
a na mocy twierdzenia 8 wystarczy tylko dowiesc, ze Przejdzmy teraz do wniosków z MPWL.
'])2y,
o
~
n=l
00
00 00 1
= LE
k=l
(Xi1{k-l<IX11~k}) L 2~
n=k n
Definicje czestosciowa prawdopodobienstwa
dopodobienstwo
propagowal von Mises: praw-
zajscia zdarzenia A mialoby byc równe granicy czestosci
160 Rozdzial 7. Sumy niezaleznych zmiennych losowych § 7.4. Prawa wielkichliczb 161
jego wystepowania. Zasadnicza wada tego pomyslu byla nieskonczona liczba Ale gdy mozna tak dobrac gestosc g, by iloraz .f/g wahal sie mniej niz f,
prób, potrzebna do obliczenia prawdopodobienstwa. Gdybysmy jednak mo- to 8n ma mniejsza wariancje niz Zn' Istotnie, mozemy dobrac gestosc g
gli wykonac nieskonczenie wiele doswiadczen, otrzymalibysmy prawdopo-
dobienstwo zdarzenia "takie jak trzeba". ta,k b y Jaf1 j2(z)
gez) d7~ < J'la f2( z) d z, a to oznacza,
.' ze
. c (f(X,J)2
c.,. g(Xtl < Cf2(X)
c.,. l ,
zatem V2 Bn < V2 Zn'
Mocne prawo wielkich liczb mówi takze, jak nalezy interpretowac wartosc
oczekiwana· Mozna by wysunac zastrzezenie, ze równie dobra, jesli nie lepsza, jest kla-
syczna metoda Simpsona, opierajaca sie na podziale przedzialu calkowania Wazny jest takze
Wniosek 14.
Wartosc sr-ednia teoretyczna pokr-ywa sie z intnicyjna. Niech na równe czesci. To prawda - w przypadku funkcji zmieniajacych sie regu- wymiar
Xl, X2, •.• beda niezaleznymi zmiennymi losowymi o jednakowym TOzktadz'ie larnie. Jesli funkcja zmienia sie bardzo nieregularnie, próbkowanie w losowo przestrzeni: w
i skonczonej war-tosci s-redniej EX1 = m. Wtedy 'lJJar-toscsr-edn'ia intnicyjna, wybieranych punktach pozwala wychwycic wklad takich nieregularnosci do
calki.
wielu wymiarach
metody
czyli limn Xl +-,:,.+Xn, jest r-ówna m ..- war·tosci sr-edniej teor-etycznej. probabilistyczne
Metody Monte Carlo stosuje sie takze clorozwiazywania równan calkowych sa lepsze.
MPWL jest bardzo wazne z punktu widzenia zastosowan. Omówimy tu i równail rózniczkowych czastkowych.
kilka z nich: Ich stosowanie wymaga otrzymywania realizacji ciagu niezaleznych zmien-
A. Weryfikacja wyboru przestrzeni probabilistycznej opisujacej nych losowych o zadanym z góry rozkladzie. Wiele standardowych pakie-
zjawisko. Czasem trudno jest wybrac wlasciwy model dla opisu zjawiska. tów oprogramowania zawiera generatory rozkladu jednostajnego na (O, l)
Czesto kryteria "zdrowego rozsadku" zawodza i jedynym sposobem weryfi- i z nich otrzymujemy generatory innych rozkladów. A mianowicie, gdy
kacji wyboru jest badanie czestosci. Jak wiemy z MPWL, czestosc zajscia Xl,'" ,Xn sa niezaleznymi zmiennymi losowymi o rozkladzie jednostaj-
zdarzenia zmierza do jego prawdopodobienstwa. Zatem nalezy wybrac zda- nym na (O, l), a dystrybuanta F rozkladu prawdopodobienstwa jest od-
rzenie, które ma istotnie rózne prawdopodobienstwa. w postulowanych przez wracallla,to F-l(Xl), ... ,F-1(Xn) sa niezalezne i maja rozklad o dys-
nas modelach i zbadac jego czestosc. Dobrym przykladem problemu wyboru trybuancie F (patrz § 5.2). Gdy funkcja odwrotna do F nie istnieje, to
wlasciwego modelu jest paradoks kawalera de Men\ (patrz zad. 2.2.20; do w zasadzie moglibysmy brac F-l zdefiniowane w zadaniu 5.2,2, ale zwy-
weryfikacji modelu wybieramy np. zdarzenie, ze wypadly same czwórki, kle jest to kosztowne rachunkowo. Dlatego czesto szuka sie innych rnetod,
albo trzy jednakowe wyniki). na przyklad zmienna losowa o zadanym rozkladzie staramy sie przedstawic
jako funkcj e zmiennych losowych X l, X 2, ... , Xn, które latwo generowac,
B. Metoda Monte Carlo obliczania calek. Jest to przyklad zastoso- tzn. Y = H(Xl, X2,"" Xn) (patrz zad. 5.10.4) i realizacje Y otrzymujemy
wania probabilistyki do problemów deterministycznych, dosc zreszta efek- jako funkcje realizacji X. Inna metoda jest metoda obcinania (patrz zad.
towny, poniewaz metody tej po raz pierwszy uzyl Stanislaw Ulam do obli- i
16 17).
czen zwiazanych z bomba atomowa.
C. Dy-strybuanta empiryczna. Powtarzamy pewne doswiadczenie nie-
Metoda jest przydatna zwlaszcza do obliczania calek wielokrotnych. Przed- zaleznie n razy. W wyniku tego otrzymujemy ciag Xl, X2, ... , Xn niezalez-
stawimy ja na przykladzie calki J~lf(x) dx, której nie potrafimy obliczyc nych zmiennych losowych (próbke) o nieznanej dystrybuancie P. Chcemy
teoretycznie, ale wiemy, ze istnieje. odtworzyc P. W tym. celu dla kazdego x E R definiujemy
Niech Xi beda niezaleznymi zmiennymi losowymi o wartosciach w (0,1) i o
l n
gestosci g. Wtedy z MPWL
Fn(x) =-
n
Ll 'i=1
(X,;;;"'}
Sn = -nl L
i=l -(-l --,
n f(Xi)
g X'i -(-ll = 11-( .) .
n ....•oo E [f(X1)]
g X a f(x)x
g g(x) (l;x; = .lIa ..
j(x) d;r; Dla ustalonego ;:r;jest t.o czestosc zdarzenia {Xk ~ x} dla próbki Xl, X2,
... , Xn, czyli zmienna losowa. Natomiast dla ustalonej w E n funkcja
p.n. Zatem obliczajac Sn,aproksymujemy calke (na pytanie, jak duze po- Fn: R ----> [O, l] jest dystrybuanta i nazywa sie dystrybuanta empiryczna
winnismy brac n odpowiemy pózniej korzystajac z centralnego twierdzenia obliczona z próbki n-elementowej.
granicznego). W szczególnosci, gdy Xi maja rozklad jednostajny na (O, l),
to Twierdzenie 15. Dla kazdego x E R
- L.:~=lf(X;} ----> j'l f(x) dx p.n. = 1.
Zn ~ n n ....•
oo a P(Fn(x) ----> F(x))
'--- -'---
102 n,o~,Jzjal 7, Sumy niezaleznych zmiennych losowych 163
§ 7.4. prawa wielkich liczb
D ow ó d. Ustalmy :r E R. Wtedy l{xi~"'} jest ciagiem niezaleznych zmien- E. Istnienie zmiennych losowych o rozkladzie singularnym.
nych losowych o tym samym rozkladzie i o wartosci oczekiwanej
E [1{xl~"'}] = P(X1 ~ x) = F(x). Definicja 18. Zmienna lospwl1 Y ma rozlcla,d~ingulamy (osobliwy), .jesli
je) dystrybuanta .jest ciayia. 'isl;nieje tah zb'ió7' A C R,
oj ze A(A) = O, ale
Zatem z MPWL
P(Y E A) = 1.
1 n
Fn(x) = n- L){Xi~X} ----;
n--lOO
F(x). - Przyklad 19. Niech Xl, X2, ... beda niezaleznymi zmiennymi losowymi
i=l
takimi, ze P(Xn = 1) = p i= ~, P(Xn = O) = 1 - p. Wtedy Y = 2::=1 f,;>
Analogicznie otrzymujemy, ze P (limn Fn(x-) = F(x-)) = 1 dla dowol- ma rozldacl singnlarny. Istotnie, cna dowolnego ,a E [0,1], P(Y = a) = O,
nego x E R. Oba te fakty pokazuja, ze wraz ze wzrostem n dystrybuanty wiec dystrybuantajest funkcja ciagla. Poniewaz P(limn Xl+',:;+Xn = p) = 1
empiryczne coraz bardziej upodabniaja sie do dystrybuanty F. Wykaza- oraz p i= ~, to Y przyjmuje wartosci z dopelnienia zbioru liczb normalnych
lismy zbieznosc dla kazdego punktu x z osobna, ale faktycznie zbieznosc przy podstawie 2, a wiec ze zbioru o zerowej mi.erze Lebesgue'a. _
jest jednostajna (to podstawowe twierdzenie statystyki matematycznej --
twierdzenie Cliwellki-Cantelliego).
p, Zastosowanie w analizie matematyczn~J'
D. Zastosowanie do teorii liczb. Pewne twierdzenia tej I'.eorii mozna
dowodzic metodami rachunku prawdopodobienstwa. Oto przyklad. Przyklad 20. Znalezc granice
\N rozwinieciu 00 En
liczby normalnej
a= Ldn' O ~ En ~ d-I, Rozw. Niech Xl, X2> ••• beda niezaleznymi zmieimymi losowymi o rozkla-
wRzySI,kic cyfr)' 1'1.=1 dzje jednosta.jnym na (0,1). Wtedy
wy"I.Qpnjf1
jorJ1l"lwwo c~Qsto. spelniajace war-unek:
XJ+ ... +:r,1'I. .1, ,_C ~~~
l.lm
n
#{i:Ei=k,i=I,2,
n
... ,n} =-,d1 k E {O, 1, ... ,d - I}. j'l
• o
... lJ
. o XJ3 + ... + a:,·,,:; (~Xl
,
... X1
ch", -- '- (X3 + ... + X'
X3)n
Z MPWL,
Twierdzenie 17 (Borela) . Prawie wszystkie (w sensie rniaTY LebesglLe '0.) 1"3 ~::l
6. Twierdzenie Bernsteina. Jesli V2 X" ~ C < 00, n = 1,2, ... oraz wspól- generowanie zmiennej losowej X, gdy umiemy generowac zmienna losowa Y,
czynnik korelacji g(Xi, Xj) --+ O, gdy li - jl --+ 00, to (Xn)" spelnia SPWL. jest m.ozliwe przy uzyciu nastepujacego schematu (metody obcinania):
7. Twierdzenie Chinczyna. Udowodnic, ze jesli (X,,)n jest ciagiem zmien- a) Generujemy Y i niezalezna od niej zmienna losowa U o rozkladzie jedno-
nych losowych parami niezaleznych o jednakowym rozkladzie i skonczonej stajnym na (O, l).
wartosci oczekiwanej, to dla (X,,)n zachodzi SPWL. b) Gdy U ~ f(Y)jCg(Y), to przyjmujemy X = Y, w przeciwnym przypadku
wracamy do kroku l.
8. Znalezc przyklad pokazujacy, ze warunek w twierdzeniu 7 (Kolmogorowa)
nie jest warunkiem koniecznym. 17. Czy metode z poprzedniego zadania mozna zastosowac do zntiennej losowej
X o gestosci f(~;) = 20x(1 - x)31(o,1)(X)? Jest to gestosc rozkladu beta
9. Niech X"' n = 1,2, ... beda nie zaleznymi zmiennymi losowymi, P(X", =
z parametrami 2, 4.
= 1) = P(X" = -l) = Pn, P(Xn = O) = 1-2pn. Znalezc warunek konieczny
i dostateczny, by ciag (X,,)n spelnial MPWL. 18. Zalózmy, ze mamy bardzo dluga liste elementów. Niech n bedzie dlugoscia
tej listy, a m(i) bedzie liczba mówiaca, ile razy element z i-tego miejsca po-
10. Niech Xn, n= 1,2, ... beda niezaleznymi zmiennymi losowymi, dla których
jawia sie na liscie. Dana jest funkcja f przyporzadkowujaca elementom listy
l pewne wartosci. Niech Xl, X2, ..• beda niezaleznymi zmiennymi losowymi
P(Xn = n + 1) = P(Xn = -(n + l») = 2(n + l) log'(n + l)' o rozkladzie równomiernym na zbiorze {l, 2, ... , n}. Pokazac, ze
l k
P(Xn = O) = l - (n + 1) log (n + l)
Udowodnic, ze (X,,) spelnia SPWL, a nie spelnia MPWL.
lim !::
k~cok '" 6
1.=1
f(Xi)
m(X) t
= w. p.n.,
11. Rozwazmy bladzenie losowe niesymetryczne. Udowodnic, ze dla p > ~ jest gdzie liczba 'Ul jest suma wartosci dla (wszystkich) róznych elementów z tej
P(limBn = (0) = l, a dla p < ~ jest P(lim Bn = -00) = 1. - listy (gdy f(x) = l dla kazdego x, bedzie to liczba róznych elementów listy).
Ten wzór pozwala znalezc przyblizenie liczby 'Ul bez przegladania wszystkich
12. Wykazac, ze jesj:i (Xn)n jest ciagiem niezaleznych zmiennych losowych o elementów listy.
jednakowym rozkladzie, EX; < 00, EXt = 00, to P(limn ~ = (0) = 1.
19. Niech Xl, Y1, X2, Y2, ..• beda niezaleznymi zmiennymi losowymi o rozkladzie
13. Dany jest ciag (Xn)n niezaleznych zmiennych losowych o tynt samym roz-
jednostajnym na (O, 1). Niech f: [O, l] --+ [O, l]:bedzie funkcja mierzalna, Zi
kladzie, EXl = O, EXt = c. Wykazac elementarnie, czyli nie korzysta-
jac z tw. Kolmo!sorowa, a korzystajac z nierównosci Czebyszewa i lematu
= lU(X;l>Y<l' Udowoqnic, ze .
Borela-Cantelliego, ze ciag (Xn)n spelnia MPWL. n l'
*14. Twierdzenie Marcinkiewicza. Zalózmy, ze Xl, X2, ... sa niezalezne i jed- Hm ~
n-oc 2:
n i=l Zi = Jor f(x) dx p.n.
nakowo rozlozone. Udowodnic, ze jesli EIXIIP < (X) dla pewnego p E (0,2),
to P(limn(Bn - nu)/n1/p = O) =1, gdzie
20. Niech (X,,) bedzie ciagiem niezaleznych zmiennych losowych, i P(Xn = 1)
dla p E (O, l), = P(Xn = O) = ~, n = 1,2, .... Udowodnic, ze zmienna losowa
u = {~X1 dla p E [1,2). co
Y = '"
L- Yn
dnI
15. Niech f: [O, l] --+ R bedzie funkcja ciagla. Obliczyc granice: n=l
a ) llInn~co
. l [.1
vn. rl
o ... Jo V Xl2 + ... + X"2"d.~l ... d"Xn,
gdzie d E N, et> 2, ma rozklad singularny.
b) l·lffin---o.(X) Jorl [.lf("·i+
o ...+xn)d
n ::r:l ... d Xn; *21. Udowodnic
c) limn~co JOl .JOl f( V'X1X2 ... Xn) d~;1 ... dXn.
Twierdzenie 21 (Etemadiego). Jesli X"' n = 1,2, ... sa zmiennymi lo-
W nastepnym zadaniu jest mowa o generatorach liczb losowych. Obecnie ta- sowymi parami niezaleznymi o jednakowym rozkladzie, EIX11 < 00, to
kie generatory dostepne sa w wielu kalkulatorach prawie wszystkich pakietach i l·lm-Bnn
oprogramowania. Generowanie liczb losowych o zadanym rozkladzie moze byc =(.,C'x l p.n.
kosztowne numerycznie, stad zadanie.
*22. Podac przyklad ciagu niezaleznych zmiennych losowych o tym samym roz-
16. Niech zmienna losowa X (odpowiednio Y) ma rozklad ciagly z gestoscia
f (odp. g) i niech istnieje stala C ;" l taka, ze f ~ Cg. Udowodnic, ze
kladzie, dla którego ciag srednich Sn/n L
O, ale nie ma zbieznosci p.n.
I
Jon Rozdzial 7. Sumy niezaleznych zmiennych losowych
--
§ 7.5. Twierdzenie Poissona
~
167
§ 7.5. Twierdzenie Poissona n-krotnym produktem rozkbdu np. Xl, mozna zalozyc bez straty ogólnosci,
ze zmienne losowe Xl, .. ' , Xn sa okreslone na 'przestrzeni probabilistycz-
.Jesli liczba doswiadczell n w schemacie Bernoulliego jest duza, obliczanie nej (D, F, P), gdzie D = [O, l Jn, F jest u-cialem podzbiorów borelowskich
prawdopodobienstwa danej liczby sukcesów staje sie klopo'tliwe. Klasyczne [O, l]n, wreszcie P jest n-wymiarowa miara Lebesgue'a . .Jesli okreslimy
,
twierdzenie Poissona l dostarcza prostego przyblizenia, które ma rozsadna
dokladnosc w przypadku, gdy prawdopodobiellstwo sukcesu p jest male, dl,a Wk <1- p,
a iloczyn np - umiarkowany. Xk(W) = Xk(wJ,'" ,wn) = {~ dla Wk ;. l - p,
Twierdzenie 1 (Poissona). Jesli n --+ 00, Pn -> O; npn -> A > 0, to Lo zmienne losowe Xk beda niezalezne. Dalej, niech
(n)
k Pnk( 1- Pn) n-k --->
n~DO -_e-A
k!
Ak X;;(w) = {Ok dla Wk E [ak-.1, ak),
Dowód. Oznaczmy A" = np.,.,. 'Wtedy An -> A, a lewa strona powyzszego gdZIe . ak = "k
L.nn=O 7r"". Wtedy S,~= Xi + ... + X~ ma rozklad Poissona
wzoru da sie zapisac w postaci 'l, parametrem np.
'VII takim razie
n-l ..... n-le T . npn 1_ :::2: 1_ :::2: --> ~e-A
n n1 1'1 ( k! )k ( n
\) n( \)n -k n~DO k!
\k
Wynika stad oczywiscie twierdzenie Poissona (wystarczy wziac E = {k}), Przyklad 3. Prawdopodobienstwo p trafienia "szóstki" w Toto-Lotku jest
a nawet wiecej: zbieznosc zachodzi, gdy npn -> 00, ale np:, -> O. Widac tez, równe 1/ C;) = 1/13983816 :::::7· 10-8 Ilu "szóstek" mozna sie spodziewa.c
ze uzasadniona jest zdroworozsadkowa regula mówiaca, kiedy przyblizenie w kazdym tygodniu, jesli grajacy wypelniaja kupony calkowicie losowo i nie-
jest dobre: n ma. byc duze, p - male, np - srednie. zaleznie od siebie, a kuponów jest2 n = l07?
D o w ó d twierdzenia 2. Poniewaz prawdopodobiellstwa wszelkich zdarzen 2Nie wiemy, ile kuponów wypelnia sie co tydzien w P61sce, ale mozna to bez trudu
oszacowac na podstawie statystyki glównych wygranych. Wiemy natomiast, ze gdy w
zdefiniowanych za pomoca zmiennych losowych Xk sa jednoznacznie wy- wegierskiej wersji totalizatora moz,na bylo wygrac 975 mir;, forintów (ok. 4,25 mln USD),
znaczone przez rozklad wektora losowego (Xl,'" Xn), który jest z kolei poniewaz przez ostatnie 21 tygOclllIn.ikt nie trafil glównej wygranej, Wegrzy kupili 10 mln
lSimeon D. Poisson, Recherches sur lo,probabilite des jugements en ""atiere criminelle
kuponów, czyli srednio jeden rlU jednego mieszkanca. I
znów nikt nie wygral. Zwrócmy
uwage, ze srednia wygrana przypadajaca na jeden kupon wyniosla 42,5 centa (Gazeta
et en matiere civile, precedee des regles genemles du calcul des probabilites, 1837. Wyborcza, 18/19 wrzesnia 1999),
168 Rozdzial 7. Sumy niezaleznych zmiennych losowych § 7.6. Twierdzenie de Moivre'a-Laplace'a 169
Zgodnie z tw. l nalezy sie spodziewac, ze liczba "szóstek" ma rozklad § 7.6. Twierdzenie de Moivre'a-Laplace'a
zblizony do rozkladu Poissonaz parametrem ,A = np ~ 0,7151. Wtedy
szanse pojawienia sie 0, l i 2 "szóstek" wynosza odpowiednio ok. 0,4891, Na rysunku ponizej widzimy reprezentacje graficzna dwóch rozkladów Ber-
0,3498 i 0,1251. Z twierdzenia 2 wynika, ze blad przyblizenia nie przekracza noulliego: po lewej dla n = 10, P = 0,5, po prawej dla n = 12, P = 0,2.
,A2/n :::;;0,5· 10-7 .Wyglada na to, ze dokladnosc jest az za duza. _
0.3
Zadania
Zobaczmy teraz, jak wygladaja oba rozklady odpowiednio unormowane.
1. Grajacy w Toto-Lotka wcale nie wypelniaja kuponów losowo. Malo kto na "Odpowiednio" oznacza tyle, ze. srednia ma byc równa zeru, a wariancja
przyklad odwazy sie skresli{; po kolei l, 2, :3, 4, 5 i 6. Zjawisko to badal równa l, czyli zamiast liczb>y sukcesów Sn rozpatrujemy teraz
m.in. Steinhaus4. Wymyslic i przedyskutowac test losowosci, nie wymagajacy
szczególowego badania kuponów.
Sn - np
S~ = ..;npq
2. Tekst broszury zawiera n = 100000 z.naków.W trakcie pisania (na kompute-
Liczba bledów rze) kazdy znak moze zostac blednie wprowadzony z prawdopodobiel'lstwem
w ksiazce po 0,0001. Z kolei redaktor znajduje ka,zdy z bledów z prawdopoclobiellstwern
kolejnych 0,9, po czym tekst wraca do autora, który znajduje kazdy z po:wstalych
korektach tworzy
malejacy bledów z prawdopodobienstwem 0,5. Jaka jest szansa, ze po obu korektach
i nieskonczony broszura bedzie zawierala nie wiecej niz 3 bledy?
ciag liczb
naturalnych.
3. Dwóch korektorów przeczytalo ksiazke. Pierwszy znalazl 91 bledów, drlIgi
53, przy czym bledów zauwazonych przez obu bylo 39. Nastepnie korektorzy
zostali zwolnieni z pracy. Dlaczego?
4. Ile srednio rodzynków powinno zawierac ciastko, 'l..cbyz prawdopodobiCJ1.-
stwem 0,99 dane ciastko zawieralo przynajmniej jeden rodzynek?
5. W Warszawie na Ursynowie ginie srednio 7 samochodów tygodniowo . .Jaka
Faktycznie jest to jest szansa, ze jutro bedzie "dzien bez kradziezy", przy zalozeniu stalej in-
20-40 tensywnosci dzialania zlodziei? -3 -2 -1 o 2 3 -2 -1 o 2 3
samochodów
miesiecznie
3L. von Bortkiewicz, Das Gesetz der kleinen Zahlen. Wladyslaw Bortkiewicz by! Na kolejnym rysunku dokonano zgodnej z powyzszym zmiany skali na osi x
(Pasmo, maj
2000).
profesorem uniwersytetu w Berlinie. Jego prace mialy znaczny wplyw na rozwój tcorii
prawdopodobienstwa w Rosji. W [MAJ-2] wystepuje jako statystyk polski, w Wielkiej
i takiej zmiany skali na osi 'U, by nie zmienily sie pola slupków. Lewy i prawy
Encyklopedii Powszechnej - jako niemiecki pochodzenia polskip.go.Stad warianty pi- rysunek upodobn.ily sie do siebie, a. wykres gestosci rozkladu N (O, l) suge-
sowni imienia. ruje, ze rozklady zmiennych losowych S~ sa podobne do rozkladu normal-
4pOr. H. Steinhaus, Kalejdoskop matematyczny, wyd. IV, WSiP, Warszawa 1989, Oraz nego.
B. Gleichgewicht, J. Kucharczyk i H. Steinhaus, Uwagi o grach losowych, Zastos. MaI;.V
(1960), ss, 21-33. W tej ostatniej pracy autorzy zbadali preferencje graczy przy skrp.slaniu Udowodnimy dwa twierdzenia de Moivre'a-Laplace'a, które scisle wyrazaja
liczb we wroclawskiej "Liczyrzepce" (material zawieral kilkadziesiat tysiecy kuponów). te intuicje. Przypadek symetryczny (p = 1/2) zostal udowodniony w pracy
I) H.Lw.d~.i<1.1 7. 811my uiezaleznych ;\llIiUllnydl IOHllWych § 7.6. Twierdzenie de Moivre'a-Laplace'a 171
l
do Moi vl'c'a&, JJiesymetryczny zas ~ w opublikowanym trilY lata pózniej Zauwazmy, ze k = np+8 •..
. , n- k = nq - 8•.., ...L
np = 1 +xkqh, n-k
nq = 1- xkph.
rloelatJw. Z dokladniejszej analizy rysunków wynika, ze B(k, n,p) ~ h'{J(Xk), gdzie
Przypadek ogólny twierdzenia udowodnil ponownie Laplace6, który nie mial
zwyczaju powolywac sie na poprzedników, dlatego tez wyniki de Moivre'a l _t2/2
Przypadek niesymetryczny zostal udowodniony w dodatku nr 2 do Miscellanea (1733). czyli eRrCn,k) = (1 + xkqh)-]/~o. -xkph)-1/2.
De Moivre byl pionierem na polu geomet.rii analitycznej; otrzymal w 1707 roku wZÓr
Oszacujemy teraz blad przyhlizenia z nierównosci,A.1.3:
(cosx +i sinx)n = cosnx + isinnx. 1 .. 1 _
Zajmowal sie statystykami smiertelnosci, zagadnieniem renty dozywotniej, czyli, jakby- R1(n, k) = --[log(1
2 + xkqh) +log(l- xkph)] = "'-Xk(q
2 - p)h+ U1(n, k),
smy dzis powiedzieli, matematyka ubezpieczeniowa i finansowa. Od niego pochodzi po-
jecie funkcji tworzacej. Jednak ten wybitny matematyk, posiadajacy wplywowych przy- gdzie IUl(n,k)l::;; ~(q2+p2)X~h2::;; tlxklh,jesli hlxklmax(p,q)::;; 1/2.
jaciól, nie otrzymal nigdy platnego stanowiska i do konca zycia utrzymywal sie z lekcji Ostatecznie
matematyki oraz konsultacji; zmarl w nedzy. Przewidzial date wlasnej smierci, zauwa-
zywszy, ze kazdej nocy spi o 15 minut dluzej, zatem umrze w dniu, w którym bedzie spal 3
24 godziny.
(4)
IRl(n, k)1 :::;; 4lxklh.
172 Rozdzial 7. Sumy niezaleznych zmiennych losowych § 7.6. Twierdzenie de Moivl'e'a-Laplace'a 173
II. Zbadamy logal:ytm wyrazenia II, które najpierw zapiszemy w postaci Tabela 2. Przyblizenie de Moivre'a-Laplace'a dla n = 12 i P = 1/5.
1 k 0,003321889
0,000000197
0,206158430
0,068719477
0,000519045
0,000057672
0,015502148
0,053150220
0,132875551
0,283467842
0,000004325
0,000000004
0,236223201 0,062323704
0,167657830
0,001129670
0,000003308
0,009557650
0,0'18034772
0,14:3405341
0,267916449
0,000079315
B(k,n,p) blad-0,002192219
0,000000082
0,000000000
0,000000001
blad-18,68%
-84,72%
-94,26%
-38,35%
-9,62%
-98,11%
-99,39%
-99,74%
-0,006395772
-0,005115448
-0,015551392
0,254319625
-0,005944498
-0,000000195
wzgledny
0,018096424
0,010529791-9,31%
-0,000439730
-5,49%
7,66%
7,92%
bezwzgledny
-0,000054364
-0,000004243
-0,000000004
-0,038500600
-6~,99%
hcp(Xk)
(1 + xkqh)np(1+xkQh)
896327 O
10
4512
11 l
-:-(1 - xkph)nq(l-xkPh)'
gdzie
1 3
IR2(n, k)1 ~ -hlXkl , (7)
3 Podamy jeszcze wyniki dla n= 20 i p = 1/2, które mozna porównac z danymi
z tabeli 1.
jesli tylko hlxkl ma.x(p, q) ~ 1/2.
III. Wyrazenie III jest po prostu równe eR3(n,k). Mamy
Tabela 3. Przyblizenie de Moivre'a-Laplace'a dla n = 20 i p = 1/2.
k 0,000181
0,000001
0,000019
0,073929
0,160179
0,014786
0,004621
0,120134
0,001087
0,036964
0,1761970,000296
0,001329
0,000008
0,000054
0,036021
0,004875
0,072537
0,161'134
0,014645
0,119593 749,34%
183,93%
-2,55%
-1,88%
-0,95%
-0,45%
63,60%
22,20%
0,1784121,26%0,78%
0,002215
0,000254
0,001255
-0,001392
-0,000141
-0,000541
blad0,0001l5
0,000241
0,000007
bezwzgledny
B(k,n,p)blad
hcp(Xk) 5,~0%
wzgledny
0,000035
-0,000944
10 l
4325 fi897 O
- (l12k + l)
12(n _ k) < R3(n, k) < 1
12n'
Stad
l l 1 1
--12n (1 + xkqh)- (l + xkph)- < R3(n, k) l
<:--2n .
Jesli hlxkl max(p, q) ~ 1/2, to
to
gdzie
W zwiazkii z integralnym twierdzeniem de Moivre'a-Laplace'a nalezy sie spodzie-
wac, ze regula trzech sigm sformulowana w § 5.10 dla rozkladu normalnego ma
ID(n,a,b)l~
[5
max -4!Xklh+-3!Xkl 1 3 lIry
h]+-+-h-. miejsce równiez dla schematu Bernoulliego. Oto jedna z wersji tej regull:
kE{a.b} 3n 8
W szczególnosci, jesli n -t 00 i a, b zmieniaja sie tak, ze hx~ -t O i hxg --> O, P(Sn E (n'p - 3..;nprj, np + 3..;nprj») ;:: 0,997,
to D(n, a, b) ---t
n-+oo
O i wtedy jesli np - 3,;npq > O i np + 3JfiPij < n.
(10) Warunlci na n dadza sie 7,apisac krótko w postaci n > 9 rna:x(q/p, p/q). Dla przy-
P(a ~ Bn ~ b) ~ <p(Xb+~) - <p(xa_~)' padku symetrycznego oznacza to, ze n ;:: 10. Gdy n = 10, prawdopodobienstwo po
P(a ~ Bn ~ b) ~ <P(Xb) - <p(Xa)· (11) lewej stronie wzoru wynosi 1022/1024, czyli 0]<0100,99805, wiec regula rzeczywi-
scie <iY.ialajuz dla nieduzych n. Liczba. 0,997 po prawej stronie zostala wybrana
Ostatnie przyblizenie jest mniej dokladne, ale jest prostsze i cbyba czesciej zapewne dlatego, ze ~1>(3)- <1>( -3) = 0,9973 ... , co w stosunku do "idealnego"
stosowane. ro7.kladu normalnego daje pewien za,pas.
St.ad jednak jeszcze daleko do dowodu (cytowani a.utorzy nie podaja go). Znane
Dowód. Porównamy htp(Xk) z calka
twierdzenia daja 7.byt mala dokladnosc, gdy n jest male. Czytelnik moze spró-
bowac swych sil, dowodzac regule trzech sigm z prawdopodobiellstwem po pra-
wej mniejszym niz 0,997, korzystajac ze scislych wyników tego typu: nierównosci
lXk+~h
xk-;ih
l tp(i;) dt = <P(Xk+~) - <P(Xk_~)'
Dernot,eina (t;w. 7.4.2), a takze jej wzmocnienia9:
Z twierdzenia o wartosci sredniej wynika, ze
Twierdzenie 4 (NierównoSc Bernsteina). Jesli Xl, ... , Xn sa niezaleznymi
<P(Xk+~) - <P(Xk_~) = htp((k),
zmiennymi losowymi o tym samym rozkladzie, IXil;( K, [Xi = O, [Xl = 0-2,
i= 1,2, ... n, S'", = Xl + ... + X"' to
przy czym (k E (Xk - %, Xk + %), czyli
1.2 Kt.
htp(Xk) = e~(d-x~) [<p(xk+1)2 - <P(Xk __~)],
_
P(ISnl > t;o-.fii) ::;;2 exp ( - 2' (1 + 3o-.fii )-1) .
a poniewaz la - xtl = I(k - Xkl·l(k + xkl ~ ~h(2IXkl + ~h) = hlxkl + ih2, Na zakonczelJie podamy bez dowodu latwe do zapal~ietania, oszacowanie doklad-
nosci przyblizenia w twierdzeni.u de Moivre'a-LapIlce'a:
htp(Xk) = erk[!P(Xk+~) - !P(Xk_~)], Jest to wniosek z
gdzie hl ~
~hlxkl +t~h2.
sup p
Sn - -n.J
l::;; t -
.
<I)(1.) :::; L-+ ?. . (12) tw. 10.1.2
t E R. I ( ..•. ,
-!!fPti ) I . fi!Pq
2 2
2. Wydzial Matematyki pragnalby przyjac nie wiecej niz 120 kandydatów. Zda-
jacych jest 250, a szansa zaliczenia testu wynosi 0,4. J,lkie jest prawdopodo-
bienstwo, ze Wydzial bedzie mial klopot z nadmiarem kandydatów?
3. Zadanie o konkurencji. Na campusie uniwersyteckim sa dwie restauracje,
po 120 miejsc kazda. Wiadomo, ze codziennie 200 osób bedzie chcialo zjesc
obiad, a wyboru restauracji dokonuja losowo - powiedzmy, rzucajac syme- Rozdzial 8
tryczna moneta. Jaka jest szansa, ze w którejs restaura,cji zabraknie miejsc?
Ile miejsc nalezy przygotowac w kazdej restauracji, by powyzsze prawdopo-
dobienstwo bylo mniejsze od 0,001?
4. Bolek rzucil100 razy moneta i otrzymal 77 orlów. Adas chce powtórzyc ten
wyczyn (tj. otrzymac 77 lub wiecej orlów) i zamierza rzucac moneta az do
Zbieznosc rozkladóvy
skutku. Ile srednio serii po 100 rzutów potrzeba, aby sie doczekac 77 lub
wiecej orlów?
5. Wyznaczyc przyblizenia prawdopodobienstw otrzymania w n rzutach syme-
tryczna moneta co najmniej 60% orlów dla n = 10, 100 i 1000. § 8.1. Przyklady i definicja
6. Na Wydziale Matematyki jest 320 uzytkowników poczty elektronicznej i kaz-
dy korzysta z niej srednio przez 9 minut w ciagu doby. Ile powinno byc pola- Ze zbieznoscia rozkladów mielismy juz do czynienia, ale nie wiedzielismy
czen telefonicznych, zeby szansa dodzwonienia sie do komputera pocztowego o tym. W twierdzeniach Poissana (tw. 7.5.1) i de Moivre'a-Laplace'a (tw. Ja wiedzialem, ale
wynosila co najmniej 0,95? Podac przyblizenie wynikajace a) z twierdzenia 7.6.2) wystepuja ciagi rozkladów Bernoulliego (w tw. 7.6.2 odpowiednio nie informowalem.
Poissonaj b) z twierdzenia de Moivre'a-Laplace'a. przeskalowane), które staja sie coraz bardziej podobne do rozkladu granicz- JJ
7. Na Wydziale Matematyki jest n = 200 uzytkowników poczty elektronicznej nego: Poissona lub normalnego. Ponadto widac; ze ma miejsce punktowa
i dwa polaczenia telefoniczne z komputerem pocztowym. Szans" dodzwo- zbieznosc odpowiednich dystrybuant. Przeanalizujemy teraz kilka przylda-
nienia sie do komputera pocztowego wynosi 0,75. Ile minut w ciagu doby dów i zobaczymy, czego mozna oczekiwac od zbieznosci dystrybuant.
srednio uzytkownik korzysta z polaczenia? Podac przyblizenie wyn.ikajace a)
z twierdzenia Poissona; b) z twierdzeni" de Moivre'a--Lapla,ce'". Przyklad 1. R.ozpatrzmy ciag rozkladów jedll,opunktowych (Da,,), gdzie
an, -; a. Niech F'n bedzie dystrybuanta Da". Latwo sprawdzic, ze dla t a =1=
8. Na podstawie losowej próby szacujemy procent chorych na rzadka chorobe
Gulgenstierny-Gjellerupa. 'Wiadomo na pewno, ze liczba chorych nie przekra- marny limn~oo F~, (t) = F(t), gdzie F jest dystrybuanta rozkladu Da. Jednak
cza 0,5% populacji, a blad ma byc mniejszy od 0,001 z pr"wdopodobienstwem dla t = a moga byc Idopoty - jak widac z rysunku.
0;95. Ile osób musi liczyc próba?
1"'-
9. Na podstawie losowej próby szacujemy procent doroslych osób, które umieja
czytac i pisac. Wiadomo n" pewno, ze jest to ponad 90% (doroslej) populacji,
a blad ma byc mniejszy od 0,01 z prawdopodobien.stwem 0,9. Ue osób milsi
liczyc próba?
10. Prawdopodobiellstwo urodzenia chlopca wynosi 0,517. J "ki e jest prawdopo-
dobienstwo, ze wsród n = 10000 noworodków liczba chlopców nie przewyzszy
-~----~~"- a an
------'!'-----lI>
a
liczby dziewczat'?
Gdy an 1a okazuje sie, ze Fn(a) == O =1= 1 = F(a). _
Itr
Rozdzial 8. Zbieznosc rozkladów § 8.1. Przyklady i definicja 179
Mozna sobie z tym poradzic na przyklad tak (por. tez zad. 7): zauwazmy,
ze dla dostatecznie duzych m suma I:~m Ip",k - Pkl moze byc dowolJ:lie
mala. Vi/ynika to z nierównosci Czebyszewa i stad, ze wartosci oczekiwane
rozwazanych rozkladów sa wspólnie ograniczone. Jesli oznaczymy przez X"
zmienna losowa o rozkladzie Bernoulliego z parametrami (n,Pn), a przez
X - zmienna losowa o rozkladzie Poissona z parametrem A, to poniewaz
11.])" ......., A, dla, pewnego K jest npn ::;;K, i mamy:
Gdy n .......,
00, ciag (Fn) jest zbiezny punktowo do dystrybuanty rozkladu
jednostajnego na [0,1]. Zachodzi jeszcze jedno interesujace zjawisko: ella P.(X n op
'- ,)/EX,,_npn/K
171, ~
11~
-
m.
~
m
dowolnej funkcji f ciaglej i ograniczonej
EX A
P(X ;:;:m) ::;; -m = -.
111
•{OO-00
fclJ.tn= L-:-f
n-l
k=O n l (k)-n -->
n->ex, 11
o
f(x)d:r;.
W takim razie dla. ustalonego E: > O istnieje takie m, ze dla kazdego n:
Ic=m.
IPn,k - pici::;; L00
h=m.
IPn,1c1 + L
00
Ic=m.
K+A
Iphl ::;;--
l m
< c:
.r f dJ.t, gdzie
Mozna sprawdzic, ze i w poprzednich przykladach J f df.Ln ......., Natomiast dla dostatecznie duzych n mamy I:Z'=I!Pn,1c - Pkl < c:, z czego
f.Ljest w rozsadnym sensie rozkladem granicznym, a f - ciagla ograni- i WYllilca, ze prawa strona wzoru (l) jest dla dostatecznie duzych n mniejsza
niz 2c: .•
czona. Z przykladu l widac, ze warunek ciaglosci f jest istotny. Ograni-
czonosc gwarantuje natomiast istnienie odpowiednich calek. W nastepnym
przykladzie, odwolujacym sie do twierdzenia Poissona, sprawdzenie zbiez- W daJs:tym ciagu tego rozdzialu (E, (J) bedzie :oznaczac przestrzell me-
nosci calek nie bedzie juz takie proste. tryczna, osrodkowa i :tupel.na. Bedziemy miec do czynienia, z rniarami na
(E, B(E)). Tylko wyniki dotyczace dystrybuant z natury rzeczy beda for~
Przyklad 4 (Rozklady Bernoulliego i Poissona). Niech (f.Ln) bedzie mulowane dla E = R lub E = n:".
ciagiem rozkladów Bernoulliego o parametrach (n, Pn), przy czym npn .......,
A. Warto zwr6ci6 uwage na wlasno~c rodziny rozklar1ów (f.Ln), która pojawila
W swietle twierdzenia.Poissona (tw. 7.5.1) mozna sie spodziewac, ze rozkla- sie w poprzednim przyklad:>,: :. Zostalo tam udowodnione, ze dla kazdego
dem granicznym bedzie rozklad Poissona z parametrem A. Istotnie, niech E > O istnieje taki przedzial, ,,\raniczony I, ze I.tn (I) > l - c: dla kazdego n.
Pn,k oznacza prawdopodobienstwo otrzymania k sukcesów w n-tym schema- Intuicyjnie rzecz biorac, dzi~j :tej wlasnosci nie ma szans na ucieczke miar
cie Bernoulliego, i niech Pic = ~~e->-' Oznaczajac przez Fn i F odpowiednie do nieskoilczonosci. Stad defi;licja:
dystrybuanty, mamy I i Konkurencyjny
Fn(t) =
"
L
O~k~t
Pn,k -->
71.-+00 L
O~k~t
Pic = F(t).
Definicja
nazywamy
5. Rodzine (f.LtltET TOzkladÓw prawdopodobienstwa na (E, B(E))
jedr'na, jesli dla kazdego c: > O istnieje tab zbiÓr zwarty K, ze
termin to ciasna.
Ale po angielsku
mamy tight.
li: f df.Ln - l: f df.L1 ::;; ~ If(k)IIPn,k - Pkl ::;; M ~ IPn,k - pici· (l)
zbiór zwarty przedzialem domknietym i ograniczoliym.
Istotnie, wezmy dowolne E > O.' Wtedy dla kazdego a E A mamy: Zadania
M
P(IX",1 > n) = P(IX",18 > n8) :( E (IX",
n 18) :(5n <E
1. Wykazac, ze jesli X, Xl, X2, ... sa zmiennymi losowymi o wartosciach w prze-
strzeni metrycznej (E, 12) i Xn ~ X, to Xn -.E... X.
dla dostatecznie duzych n. _ 2. Podac przyklad ciagu zmiennych losowych okreslonych na tej samej prze-
strzeni D, zbieznego wedlug rozkladu, który nie jest zbiezny wedlug prawdo-
Podane przyklady mialy umotywowac nastepujaca definicje: podobienstwa.
3. Wykazac, ze jesli X, X l, )(2, ... sa zmiennymiJosowymi o wartosciach w prze-
Definicja 7. Niech (P.n);;:'=l bedzie ciagiem rozkladów prawdopodob'ie'nstwa strzeni metrycznej (E,'O) i Xn -.E... X, gdzie P(X = c) = 1, c E E, to
na (E, B(E)). Pow'iemy, ze jest on slabo zbiezny do rozklad'u p. (co bedziemy Xn~C.
oznaczac P.n ~ /l-) 'o jesli dla kazdej fl1nkcji ciaglej i ogmniczonej f: E -l R 4. Udowodnic, ze jesli Xn'·.E...., X, (t, b E R, to aXn + b -.E... a X + b.
mamy
5. Podac przyklad ci'tgu dystrybuant, który je~t punktowo zbiezny, ale odpo-
lim JEr
n-+oo f dp.n = JEr t dp.. wiednie gestosci nie sa zbiezne.
6. Niech fJ-, fJ-J, jJ.2, .. beda miarami skupionymi na zbiorze liczb calkowitych
Nalezy jeszcze wyjasnic, skad sie wzielo slowo "slaba" okreslajace zbiez- nieujemnych. Wykaza(;, ze
nosc. Jest to konwencja zaczerpnieta z analIZY funkcjonalnej. Funkcja f
jJ·n ~ jJ. <=> \fkENu{Q} J.Ln({k}) -. J.L({k}).
wyznacza funkcjonal ciagly na przestrzeni miar. W definicji zada sie, by
ciag wartosci funkcjonalu byl - dla kazdego funkcjonalu - zbiezny. Tego 7. Twierdzenie Scheffe'go. Niech bedzie miara a-skonczona, fJ- in, i - funk-
rodzaju zbieznosc nazywa sie slaba, zeby odróznic ja od mocnej zbieznosci, cjami n,ieujernnymi i takimi, ze miary vn(A) = JA in dJ.L, v(A) = JA i sadfJ-
Tak naprawde, wyznaczonej przez norme. miarami probabilistycznymi. Niech in ~ f wzgledem miary J.L. Udowodnic,
jest to zbieznosc Natomiast w odniesieniu do zmiennych losowych bedziemy mówic o zbiez- ze
"slaba nosci wedl'ug rozklad'u:
z gwiazdka"
Definicja 8. Jesli X,X1,X2, ... sa zmiennymi losowymi, a p., ILI, P.2, ... 8. Niech fJ-, jJ'n
sup
A Iv(A) - vn(A)1
i, in
O.
odpowiednio. Jesli
ich rozkladami, to powiemy, ze ciag (Xn) jest zbiezny 'Wedlll,g 'tOzkl(Ld1Ldo J" -. J
p.n. wzgledem miary Lebesgue'a, to fJ-n -.E... J.L.
X, jesli /l-n ~ p.. Piszemy wtedy Xn ~ X. 9. U ogólnienie zad, 6. Niech /"1, fJ-2, beda miarami probabilistycznymi
jJo, o ••
-.E...
dla t :( 0,
dla ° < t :( 1, (2) Jak zmieni sie odpowiedz, gdy rozpatrzymy rozklady jednostajne na sferach
tp(t) = {l~- t dla t > 1. • jednostkowych wRn?
I!-!') Rozdzial 8. Zbieznosc rozkladów § 8.2. Charakteryzacje slabej zbieznosci rozkladów 183
Poniewaz liczba <5> .o. moze byc dowolna, dowód zostal zakonczony.
Twierdzenie 2. Jesli f-L iv sa T'Ozk/ada.mi prawdopodobienstwa na prze-
(iv )=}( i). Niech f bedzie ciagla i ograniczona. Zalózmy na. razie, ze .f ~ O.
strzeni (E, B(E)) i dla k'a'ide'j
II funkcji ciagle.i i ograniczonej I
"Vtedy, przepisujac wzór ze stw. 5.6.11 w postaci calek, otrzymujemy
( J df-L
JE = JE( f dIJ,
Niech (/-Ln) bedzie ciagiem stalym, o wszystkich wyrazach równych /-L.Z za- Zadania
lozenia jest on slabo zbiezny do 1/, i z warunku (iii) twierdzenia l otrzy-
mujemy /-L(F) = lim sUPn Iln(F) ~ I/(F). Symetria daje nierównosc prze- 1. Pokazac, ze nie jest prawdziwe stwierdzenie: jesli f.l" ~ f.l, to dla kazdego
ciwna· _ B E B(R) mamy f.l,,(B) -> f.l(B).
Jesli h jest odwzorowaniem ciaglym z E w przestrzen metryczna El, to 6. Udowodnic, ze jesli Xn ~ X, Y" ~ a, to XnY" ~ a X.
z Xn -E... X wynika natychmiast h(X,,) -E... h(X). Mozna to stwierdzenie 7. Udowodnic, ze jesLi XnYn ~ X, Yn ~ O, j jest funkcja rózniczkowalm,
znacznie oslabic. Niech Dh bedzie zbiorem punktów nieciaglosci funkcji h. w zerze, to X,,(f(Y,,) - j(O» ~ 1'(O)X.
*8. Niech X, Xl, X2, ... beda zmiennymi losowymi o «!artosciach w przestrzeni
Twierdzenie 4. Jesli odwzorowanie h: E -> El jest m'ierzaLne, Xn -E... X, metrycznej (E, O) i niech Xn ~ X. Udowodnic, ze gdy h, hl, 11.2, •. ;E -> F
sa odwzorowaniami mierzalnymi (F - przestrzen metryczna), a zbiór A jest
/-LX(Dh) = Oto h(X,,) -E... h(X).
taki, ze P(X E A) = l, wreszcie dla e E A mamy hn(en) -> h(e) gdy
D '
o(e", e) -> O, to hn(X,,) ----;. h(X).
D o wód. Udowodnimy, ze zachodzi warunek (i'ii) twierdzenia 1. Niech P 9. Owad i mrówki. Owad sklada jaja zgodnie z rozkladem Poissona z parame-
bedzie zbiorem domknietym. Wtedy , trem (l. W nocy mrówki kradna mu jaja: szansa, ze dane jajo zostanie ukra-
dzione, wynosi q. Nastepnego dnia historia sie powtarza (liczba zlozonych jaj
limsuPI.J.h(x,,)(F)
n = limsup/-Lx"
n (h-l(F» ~ lirnsup/-Lx"
n
(h-:t(F)) ~ m;, ten sam rozklad, co poprzedniego dnia i jest niezalezna od przeszlosci),
itd. Jaki jest rozklad graniczny liczby jaj ocalonych przed mrówkami?
~ /-Lx (ii-l (F)),
to
§ 8.3. Zbieznosc rozkladów, a zbieznosc dystrybuant
bo Xn -E... X. A poniewaz h--:t(F) C ho-lep) U Dh, p'X(Dh) O,
Po scalkowaniu wzgledem miary f.Lni wzieciu granicy dolnej pierwsza i druga D O wód. Jesli x jest punktem .
ciaglosci F, Xl, x" E D i
';1,
Xl < X < x", to
Mozna uzyc nierównosc daja
I:
F,,(X') < Fn(x) < F(X!'),
warunku 8.2.1,(v),
ale jak ktos nie
doczyt.a\... F(t - c:) ;;;; JE df.L = lirr~inf L:
JE d,t <lin-;..inf Fn(t).
zat.em
Po wykorzystaniu w analogiczny sposób ostatnich dwóch nierównosci otrzy- liminfFn(:r');;;; liminfFn(x) ~ limsupFn,(:c) ~ limsupFn(x"),
mujemy nastepujacy lancuszek:
czyli "
F'(x');;;; liminfF,,(x) ~ limsuPF;n(X) ~ F(X").
F(t - c:) ;;;;li~,inf -00
;'00 JE dP'n ;;;;limninf Fn(t) ;;;;
Jesli tera.z Xl, x" -t a:, to otrzymamy limFn(x) = F(a;). _
;;;;li~nsupFn(t,);;;; ]imsup gEdP'n;;;; F(t:+c:),
n n .-00
/'00 Lemat 3. J(azdy C'iag dysi.,.ybll.ant zawiera. podciag slabo zbiezny do dyst.,.y-
b1wnty ulomnej. 'l.• "•
Zeby zakonczyc dowód, Vlrystarczy wziac c: -t O. II 'J
Przypuscmy teraz, ~a ma miejsce slaba zbieznosc dystrybuant. Wyprowa- D o wód. Wystarczy wykazac zbieznosc na zbiorze gestym i przedluzyc F
dzimy stad warunek (iv) z tw. 8.2.1. w naturalny sposób do fUJl1(cljiprawostronnie ciaglej.
Niech G bedzie dowolnym zbiorem otwartym w R. \/iTtedy G = U:;O=l h, Niech 'Wl, 'W2, ... bQdzie ciagiem zawierajacym "Wszystkie liczby wymierne.
gdzie h sa rozlacznymi przedzialami otwartymi (byc moze nieograniczo- Poniewaz (F,,(-W1)) jest ciagiem ograniczonym, lrnozna z niego wybrac pod-
nymi). Niech h = (ak: bk). Zawsze mozna Vlrybrac takie punkty ciaglosci ciag zbiezny o wyrazach nu, n12,· ... Z tego podciagu wybieramy taki pod-
("~,,IJ;,IC (e'k,bk) dystrybuanty granicznej a~,b~ E (ak,bk), a~ < b~, zeby dla ustalonego ciag O wyrazach 71.21, n22,"" zeby (Fn2k(W2)) byl zbiezny, itd. Z otrzymanej
0>0
tablicy wskazników wybieramy przekatna i otrzymujemy ciag funkcji (F"kk)
'1.1.!tll· pll 11i< I,nw zbiezny w ka~dym punkcie wymiernym do funkcji Po: Q -t IL.
1I111d'll51oAc:i
P(b~) - F(a~) = ,"((a~, b~]) ~ f.L(h) - c' Tk. (l)
flllll<eji Teraz wyst,lrczy zc\efin.iowac
Illtlllot.onicznoj
Wtedy
00
j<,,,1. ]J1·?'ulicznlI1Y. F(t) = inf{Fo(w):w > t},
lin-;..inff.Ln(G) ~ 2.)F(b~) - F(a~)] ~ ~t(G) - c.
k=l
zeby otn>;ymac zada.na funkcje graniczna· _
Pierwsza nierównosc otrzymujemy, rozpatrujac najpierw sume skoilczona
L;;=dFn(b~) - Fn(a~)] i przechodzac z m do nieskOllczonosci po wzieciu Lemat 4. Kazdy.jedrny ciag mzkladów prawdopodobienstwa na (R, B(R.))
granicy dolnej wzgledem n. Druga nierównosc otrzymuje sie, dodajac stro- zuw-iem podc'iag slabo zb'iezny.
nami nierównosci (1) dla k = 1,2, .... Zeby zakonczyc dowód, wystarczy
wziac c: -t O i skorzysta.c z tw. 8.2.1. _
D o wód. Niech (Fn) bedzie ciagiem dystrybuan~. Wybieramy podciag Fnk
Bedziemy teraz zmierzac w kierunku twierdzenia Prochorowa: jedrnosc ro- slabo zbiezny do pewnej dystrybllantyulomnej'P (lemat 3).
dziny rozkladów jest równowazna z tym, :te z kazdego ciagu da sie wybrac Na mocy jedrnosci dla kazdego c > O istnieje takie M, ze -M i M sa
podciag slabo zbiezny. Innymi slowy, jedrnosc jest równowazna z warun- punktami ciaglosci F, oraz
kowa zwartoscia.
Fnk(M) - Fnk(-M) ~ 1.- c,
Lemat 2. Niech (Fn) bedzie ciagiem dystryb1wnt, a D - zbio.,.em gestym w
a stad, biorac k -> 00, otrzymujemy
R. Jesli Fn(t) -t F(t) dla wszystkich t E D, to Fn(t) -t F(t) we wszystkich
punktach ciaglosci F. F(M) - F(-M) ~ 1- €,
Funkcja graniczna F nie musi byc dystrybuanta, jest natomiast dyst.,.ybu- zatem F jest dystrybuanta pewnego rozkladu pr~wdopodobienstwa f.L. -
Masa moze uciec anta ulomna, ma bowiem wszystkie wlasnosci dystrybuanty oprócz jednej:
do limt_oo F(t) - limt __ ~ F(t) = p;;;; 1, i byc moze p < 1. Mozemy teraz udowodnic
nieskonczonosci.
188 Rozdzial 8. Zbieznosc rozkladów
§ 8.3. Zbieznosc rozkladów, a zbieznosc dystrybuaI?t 189
Twierdzenie 5 (ptochorowa). Rodz'ina rozkladów pra'Wdopodob'ie'nstwa 8. Niech rozklad zmiennej losowej X bedzie okresJony przez wszystkie momenty
A = {Pa: IX E I} na (R, B(R)) jest jedrna 'Wtedy 'i tylko wtedy, gdy z kazdego i niech Xn, n = 1,2, ... maja wszystkie momenty, [X~ --+ [Xr dla r =
ciagu elementów tej r'odziny da sie wybrac podC'iag slabo zbiezny do pewnego = 1,2, .... Udowodnic, ze Xn -E..... X.
rozkladu prawdopodobienstwa.
9. Udowodnic, ze jesli X" .lL X i sUPn [IXnlp+g < 00, p > O, c > O, to
[lXI" < 00 i limn [IXni" = [lXI" oraz lim" [X;;' = EXPo
D O wód. Koniecznosc zostala udowodniona w lemacie 4. Dostatecznosc:
*10. Udowodnic odpowiedniki twierdzenia l oraz lematów 2, 3 i 4 dla rozkladów
przypuscmy, ze rodzina rozkladów nie jest jedrna. Wtedy istnieje takie
prawdopodobienstwa w (Rk, B(Rk)).
c > 0, ze dla kazdego zbioru zwartego K istnieje taka miara p E A, ze
*11. Udowodnic twierdzenie Prochorowa
p(K) < l - c. Przyjmujac za K kolejno przedzialy [-,n, n] otrzymujemy
ciag miar pn E A, n = 1,2, ... , dla których Pn([-n, n]) < l - c. Otóz ciag a) wRn,
(Pn) nie moze zawierac podciagu zbieznego do pewnego rozkladu prawdo- b) wR=,
podobienstwa. c) w dowolnej przestrzeni metrycznej, osrodkowej i zupelnej.
Przypuscmy bowiem, ze Pnk ~ p. Wybierzmy taki zbiór zwarty K, zeby 12. Niech (Xn) bedzie ciagiem niezaleznych zmiennych losowych o rozkladzie
p(K) > l-c. Jesli Ko jest o-otoczka zbioru K, to dla dostatecznie duzych
U[O, l], Yn = n . min(X1, ... , Xn). Czy istnieje taka zmienna losowa Y, ze
Yn _.~ y?
n mamy Ko C [-n, n], i na mocy otwartosci zbioru Ko i warunku ('iv) tw.
8.2.1 otrzymujemy
Lemat o malzenstwach i miara Haara. Twierdzenie o istnieniu miary Ba-
ara na grupie zwart.ej mozna otrzymac z tw. Prochorowa i kombinatorycznego
l - 10< p(Ko) < liminf J.!nk (Ko) < lim inf f1nk ([-nk, nk]) < 1 - c.
lematu Balia o systemach reprezentantów1 (inaczej: o malzenstwach). Kolejne
Sprzecznosc konczy dowód .• kroki dowodu wynikaja z zadan:
*12. Niech Al, ... An beda podzbiorami zbioru skonczonego X. Wykazac,' ze war
Zadania runkiem koniecznym i dostatecznym na to, by z kazdego zbioru Ai mozna
bylo wybrac reprezentanta ai tak, by ai i= aj dla i= j jest:i
1. Niech Xn -E..... X, IiJn,nan = a, a - punkt ciaglosci dystrybuanty Px, Udo-
wodnic, ze limn PXn (an) = F(a). VJC{l, ... ,n}
#(U'Ai)
tEJ ~ #J.
2. Twierdzenie Diniego. Wykazac, ze jesli ciag dystrybuant (Fn) jest zbiezny
punktowo do dystrybuanty ciaglej F, to zbieznosc jest jednostajna. Podzbiór Kg przestrzeni metrycznej (E,p) nazywamye-s18cla, gdy dla kazdego
3. Metryka Levy'ego. Okreslamy odleglosc d miedzy dystrybuantami F i G x E E istnieje takie u E Ko, ze p(x,u) :::; c. Sko'\1czona c-siec nazywamy mini-
w nastepujacy sposób: malna, gdy nie istnieje c-siec o mniejszej liczbie elementów.
Warto wykonac
rysunek d(F, G) = inf{e: V"ER G(x - c) - c:::; F(x) :::;G(:r; + c) + c}. 13. Niech {Xl,' .. , Xn} i {Yt, , .. , 'Yn} beda minim!~lnymi c-sieciami w przestrzeni
ilustrujacy te metrycznej (E, p). Wykazac, ze istnieje taka permutacja 7l': {l, ... , n} -+
definicje Wykazac, ze Fn ~ F wtedy i tylko wtedy, gdy d(1;'n, P) --+ O. --+ {l, ... , n}, ze p( Xj, 'Y,,(j)) :::; 210 dla kazdego j :::; n.
Wykazac, ze d jest faktycznie odlegloscia i ze zbiór miar probabilistycznych
14. Niech E bedzie przestrzenia metryczna zwar~a, a Kn = {:r;in), ... xi::;,} -
na (R, B(R)) z metryka d jest przestrzenia metryczna, osrodkowa i zupelna.
minimalna -'--siecia w E. Niech Pn bedzie rozkladem równomiernym na K"
*4. Okreslic odleglosc miedzy rozkladami na (E, B(E)), uogólniajac pomysl z za-
(tj. p,,({xjn)'}) = l/m,,). Wykazac, ze ciag (Pn) zawiera podciag (PncJ slabo
dania 3 i udowodnic odpowiedniki sformulowanych t.am twierdzen.
zbiezny clo pewnego rozkladu prawdopodobienstwa /1 na (E,B(E)).
* 5. Twierdzenie Skorochoda. Wykazac, ze jesli /1,/11, /.12, ... sa rozldadarni 15. Twierdzenie o istnieniu miary Haara. Niech G bedzie grupa izome-
prawdopodobie1'1stwa na (R,B(R)) i /-1" ~~ /1, to istnieja zmienne losowe trii przestr~eni metrycznej zwartej E. Wyka~ac, ze miara /1 otrzymana w gA = {gx:x E A}.
X, Xl, X2, ... o rozkladach odp. /1, /-ll, /-12, ... okreslone na przedziale (0,1) poprzednim zadaniu jest niezmiennicza ze wzgledu na G, czyli /1g = p dla
i takie, ze Xn(W) -+ X(w) dla kazdego w E (O, l).
kazdego g E G, gdzie /1g(A) ~ /1(g-'l A) dla A E B(E).
6. Wykazac, ze jesli Xn -E..... X, to [lXI ~ liminfn [IXni. W .5k .. J. E fd p.g = J'1mk_= mnk
-1 ",mnk
uj~l .f( gXj nk)' '.
7. Udowodnic, ze jesli Xn ~, X i X" sa jednostajnie calkowalne, to X ma
wartosc oczekiwana i limn [Xn = EX. IWitold Lipski, Wiktor Marek, Analiza kombinatoryczna, PWN, Warszawa 1986,
s. 192.
§ 9.1. Definicja i przyklady 1!l1
R + it
§ 9.1. Definicja il przyklady ,.
l"
v
Z punktu widzenia analityka funkcja charakterystyczna jest w zasadzie 'I;.'.',i
transformata Fouriera,miary. Dla probabilisty liczy sie fakt, ze pewne wla-
snosci rozkladów i rel~cje miedzy rozkladami tlumacza sie prosto na jezyk -R R
funkcji charakterystycznych, a wygodniej jest operowac zwyklymi funk-
cjami niz miarami, " Poniewaz calkowana funkcja jest analityczna, calka po brzegu prostokata
Funkcje charakterystyczne posluza nam do dowodu centralnego twierdzenia jest równa zeru (patrz tw, D.2.4). Calki po pionowych bokach zmierzaja do
granicznego (rozdzial 10), Glównym wynikiem tego rozdzialu jest twierdze- zera, gdy R -> 00. ViTobec tego
nie 'Lóvy'ego-Cramera ,,0 ciaglosci": punktowa zbieznosc funkcji charakte~
rys tycznych do funkcji ciaglej w zerze pociaga za soba zbieznosc odpowied- e-~ d::r; = e-2 dx =.j2;.
nich rozkladów do rozkladu, którego funkcja charakterystyczna jest funkcja /00-(Xl (,._;<)2 •100"2
--00
graniczna.
Z teorii funkcji analitycznych bedziemy korzystac jeszcze kilka razy. Doda-
Definicja 1. Punkc.ia charakterystyczna zmiennej losowe.i X: n -> R na- tek D zawiera niezbedne wiadomosci i opis technilci liczenia calek metoda
zywamy funkcje rpx: R -> C, dana wzorem residuów. Mozna jednak w tym przypadku (i w innych) obejsc sie bez funk-
cji analitycznych (patrz zad, 7) .•
rpx(t) = E:eitX, t E R. (1)
Oto podstawowe wlasnosci funkcji charakterystycznych:
Pojawila sie tu - wczesniej formalnie nie zdefiniowana .- wartosc oczeki-
wana zmiennej losowej o wartosciach zespolonych. Podstawowe (i oczywiste)
Twierdzenie 3. Niech rpx bedzie funkcjq chamkt'erystycznq zmienne.i 10-
jej wlasnosci podajemy w zadaniu 1. W szczególnosci, poniewaz leitXI = 1,
sowe,i X, Wtedy
zmienna losowa po prawej stronie (1) jest zawsze calkowalna, wobec tego
funkcja charakterystyczna jest dobrze okreslona dla kazdej zmiennej loso-
wej. (i) rpx(O) = 1.
Oczywiscie mamy
(ii) Irpx(t)1 ~ 1.
EeitX = i: eits fJ·x(ds),
gdzie fJ.x jest rdzkladem zmiennej losowej X. Wobec tego równie dobrze
(iii) 'Px(t) = rpx(-t).
190
\-
192 Rozdzial 9. Funkcje charakterystyczne § 9.1. Definicja i przyklady 193
Dowód. (i) rpx(O) = Eeo = 1; Twierdzenie 7. Jesli EIXln < 00, n E N, to n-ta pochodna funkcji cha-
(ii) jrpx(t)1 = IEeit:"I :( EletXI = 1; rakterystycznej rpr;) istnieje i jest jednostajnie ciagla, a ponadto
(iii) rpx(t) = EeitX = Ee-itX = rpx(-t).
(iv) Irpx(t + h) - <Px(t)1 = IE (eihX - 1) eitXI :( Ele'ihX - 11 = ó(h), gdzie
rpc;\O) = inExn
na mocy twierdzenia Lebesgue'a o zbieznosci zmajoryzowanej 8(h) -> O dla
h -> O, a to oznacza jednostajna ciaglosc .• D o wód. Pokazemy, ze
Powiemy, ze zmienna. losowa jest symetryczna, gdy X i-X maja ten sam
rozklad. Sam rozklad nazwiemy wtedy symetrycznym. Rozklad /1- jest sy-
metryczny wtedy i tylko wtedy, gdy /1-(A) = /1-( -A) dla A E B(R).
rpr;)(t) = L: ('is)neits f.lx(ds),
Istnieje wiele kryteriów na to, by dana funkcja byla funkcja charaktery- .= hlim -00 (iS)k ei(t+h)-j:
__ O )'00 h _ eits /1-x(ds)
styczna. Przytoczymy tu jedno z nich.
Definicja 5. Funkcje rp: R -> C nazywamy doda,tn'io okr'eslona wtedy tyl- i = 'I,~O
lim 1,00 eihs. - - 1/1-x(ds)
-00 (is)ke,ts_h",-,
.
ko wtedy, gdy dla kazdego naturalnego n, dla kazdego ciagu tl, ... tn liczb
rzeczywistych i
zespolonych Z1,· .. Zn mamy = 100
-00 (is)ke,ts
" ~~:1-,.;;--
eihs - 1 /1-x(ds)
L rp(tk - tZ)ZkZl ~
k,Z";;n
O.
= L: ('is)kHeilS f.Lx(df)
Dowód dostatecznosci odlozymy na koniec rozdzialu (par. 9.3) .• Zeby sformulowac krótko wniosek z twierdzenia 7, wprowadzimy nastepu- Jak zauwazyl
Littlewood,
jace oznaczenia: o( x) bedzie oznaczac dowolna funkcje zmiennej x, dla któ-
sinx = O(x), ale
Zajmiemy sie teraz kwestia istnienia pochodnych funkcji charakterystycz- rej limx~o(o(x)/x) = O; z kolei O(x) bedzie oznaczac taka funkcje, dla niekoniecznie
nych, co umozliwi nastepnie operowanie wzorem Taylora. której ulamek O(x)/x jest ograniczony w pewnym otoczeniu zera. (J:) = SillX.
• I \)~ Rozdzial 9. Funkcje charakterystyczne § 9.1. Definicja i przyklady 195
Wniosek 8. Jesli EIXln < 00, to Bez klopotu cia sie natomiast zobaczyc, ze funkcja charakterystyczna wy-
znacza jednoznacznie rozklad. Nietrudno to zrozumiec intuicyjnie: jesli dla
n ('t)k kazdego t E R
'Px(t) = LEXk. ~ + o(t").
k=O k.
'P1,(i) = 100
-00 eHx p,(d:r) = ./'00
-00 eitx I/(d:c) = 'PI/(t),
D O wód. Wystarczy przedstawic reszte w rozwinieciu Ta.ylora funkcji 'P x
w otoczeniu zera jako to ella wielomianów trygonometrycznyeh postaci w(x) = :Z:=-m cnein",
mamy
['PCn\tet)
x _ <pl:»~
x (0)(ni + x
<pC") (O)tn
ni , L: w(x) It(dx) = L: w(x) v(dx).
Ten wzór nie jest D ow ó d. Jesli teza nie zachodzi, to zgodnie z tV'{.8.2.2 dla pewnej funkcji
opatrzony tyt;ulem
'PaX+b(t) = eitb'Px(at). (2)
Twierdzenie, ciaglej i ograniczonej .f m~~Y" l.r~oo fdp, - J:"oo f dvl > 6 > O. Z drugiej
Wil~C nA, pewno Jest to bezposredni wniosek z definicji funkcji charakterystycznej. strony, dla kazdego K > 1 istnieje funkcja ff( o nastepujacych wlasnosciach
"ostu,nie (patrz rysunek): .'
Po drugie - i jest ~o kluczowa wlasnosc funkcji charakteryst.ycznych -
zigllOl'own.ny.
zachodzi: .
'Px+y(t) = <px(t)<py(t).
-K
Dowód. <px+y(t) = Eeit(x+y) = EeitXeitY = EeitXEeitY = 'Px(t)<py(t).
Przedostatnia równosc wynika stad, ze dla niezaleznych zmiennych loso-
wych U = eitX i V = e'itY mamy EUV = EUEV (por. zad. lb) .•
L f(:c) = fId:J;) dla x E [-f( + 1,K -1].
Nie nalezy jednak sadzic, ze jesli funkcja charakterystyczna sumy zmien-
2 . .fK (- K) = h«K) = O .
nych losowych jest równa iloczynowi ich funkcji charakterystycznych, (;0
zmienne losowe sa niezalezne. Odpowiedni przyklad zawiera zad. 8. Zeby 3. N a przed ziaJ ach [- K, ---~<. + 1.] i [I( - 1.,K] funkcj a f J{ jest liniowa.
otrzymac kryterium niezaleznosci, trzeba uzyc wielowymiarowych funkcji
4. !i< jest okresowa, o okresie 2K.
charakterystycznych, o których bedzie mowa dalej.
Jest jasne, ze slaba zbieznosc rozkladów pociaga za soba zbieznosc punk- Jasne jest, ze przy }( 00 mamy zbieznosc punktowa /J( do f, a poniewaz
--->
towa odpowiednich funkcji charakterystycznych: czesc rzeczywista i urojona SUPXERIh«x)1 ~ M= sUP"'ER If(x)i, z twierdzenia Lebesgue'a o zbiezno-
funkcji ft(x) = et", sa przeciez dla kazdego t ciagle i ograniczone. Odwró- sci zmajoryzowanej dla dostatecznie duzych K
cenie tego twierdzenia - twierdzenie Levy'ego--Cramera o ciaglosci - jest
takze prawdziwe, ale dowód zajmie nam reszte tego rozdzialu.
1)'00
-00 !K _00!K dv
dp, - )'00 I > 2'
6
196 Rozdzial 9. Funkcje charakterystyczne § 9.1. Definicja i przyklady 197
Ostatnia nierównosc nie moze jednak zachodzic, bo istnieje wielomian try- Zwrócmy uwage, ze wszystkie podane tu funkcje sa okresowe, a ponadto dla kaz-
gonometryczny 'W, dla którego dej z nich istnieje takie s i'
0, ze I'P( s)1 = 1. Nie jest to przypadek. Rozklady:
geometryczny, Bernoulliego i Poissona sa rozkladami ar'ytmetycznymi, czyli skon-
II: -I: centrowanymi na zbiorze punktów postaci kh, gdzie k jest calkowite. Rozklad
fj
]00
-00 'W d/k = ,/'00
-00 'W dv. • (-i'i) 'P ma okres s;
EZ~ 1 ZdP,
(-i'i)
(iii)
1'P(s)1
i rozklad
1'P(t)1
= l i 1'P(t)1 < l
J.!.
dla wszystkich t E (O, s). Wtedy Icpl ma okres s,
jest skupiony na zbiorze punktów postaci b + 2'Irk/ s, k E Z.
= l dla wszystkich t E R. Wtedy cp(t) = eitb i J.!. jest skupiony
gdy Z jest calkowalne, tzn. gdy J~ IZI dP < 00. Udowodnic, ze gdy Z = w punkcie b.
= X + iY, gdzie X, Y sa zmiennymi losowymi o wartosciach rzeczywistych,
to EZ istnieje wtedy i tylko wtedy, gdy EX i EY istnieja; w takim przypadku F\mkcje charakterystyozne rozkladów ciaglych. Interesujace, ze gestosc
EZ = EX +iEY. i funkcja charakterystyczna zmiennej losowej o rozkladzie N (O, l) róznia sie tylko
b) W dowodzie twierdzenia 9 przeslizIlelismy sie gladko nad faktem, ze czynnikiem stalym. Jest jeszcze druga podobna Dara, gdzie gestosc i funkcja cha-
zmienne losowe U i V maja wartosci zespolone. Wypelni{: Inke i wykazac, rakterystyczna róznia sie parametrem skali .•.
ze EUV = EUE1/.
Tabela 2.F'unkcje charakterystyczne rozkladów ciaglych.
2. Zmienne losowe X, Y, U, V sa niezalezne i maja rozklad N (O, l). Obliczyc
., ll 1
la:I;~ ..
funkcje charakterystyczne zmiennych losowych:
a) XY; b) X2; c) X/Y; Gamma
d) l(X2 - Dwustronny + --
y2); e) XY wykladniczy
Cauchy'ego
Trójkatny
Jednostajny U( UV,
2e
;.~
f(a)X cosh x e. -...".-
v'2'rr
Wykladniczy
-0., a) N (O, l)Jednostajny
Cosinus U(O, a) ,\ > °
[0,00)
z par.
7T
hiperboliczny
- at
~
7r
,\-it -~
l-cosax
Rozklad Funkcja
(l -
-iti
~
l ~eleia.t_l
cosh gjnat
7r't/2
charakterystyczna
e-t"/2
~(l
)l[-a,al(l;) ~
-
1 -lxi
a-l
,\_1_e-x-/2
Gestosc
21-cosat
fa·l[_.a,al(x)
(l _ ~)-a
-bxl
//.1,
·110,a!(J;)
'\e-Ax1[o,00)(;J;
J.;;J )l[_a,a](J;))
Normalny,
3. Obliczyc funkcje charakterystyczna rozkladu x2(n).
8. Gestosc rozkladu wektora losowego (X, Y) dana jest wzorem Dowóci. Mamy
_ (1 - '1'(8)) =- (1 - =
g(x, y) = { ~(1 + xy(x2 - y2)) w p.p.
dla lxi < l, Iyl < l, 1
71 fU-'u
rls
l !OO !U
'U, . --00' -11,
etSX)
.
dSIL(dx)
Jest· t,o czesciowe od~ócenie twierdzenia 4. Mozna udowodnic, ze istnienie po- Istnienie takiego u wynika z ciaglosci funkcji !P w zerze; w dostatecznie
c1loclnej rzedu 2k w zerze pociaga za soba istnienie moment.u rzedu 2k. Dla po- malym otoc7,eniu zera wsz.ystkie wartosci funk,cji podcalkowej beda bliskie
chochlych rzedu nieparzystego juz tak nie jest (por. zad. 14). zeru, a zatem i ich sreu.n}<t:;
14.
Wykazac, ze rozklad o gestosci f(x) = (1+",2) l~g(e+x2) nie ma wartosci oczc-
Tera? dla dost.atecznie duzych n z zalozenia i z twierdzenia Lebesgue'a o
kiwanej, ale jego ~unkcja charakterystyczna jest rózniczkowalna w zerze. zbieznosci zmajoryzowanej mamy ,.
15. Niech X przyjmuj~ wartosci calkowite. Udowodni{:, ze
- (l-ipn(s))ds::;;E:,
1 fU-u
'lL .
k E Z.
27r l'" e-ikt<px(t;)
P(X = k) = ~ . -" d.t,
wobec tego ella dostatecznie duzych n na mocy lematu l
16. Twierdzenie Riemanna-Lebesgue'a. Udowodnic, ze gdy X jest zmiclJna
losowa o rozkladzie ciaglym, to 'I'x(l,) -> O, gdy Iti -> 00. 1J,,.,([-2/u, 2/'/),] ~ 1 - e,
(1)
fL([-2/u, 2/u)) ~ 1- -; _)1 - ip(s))
11'11. ds. D o wód. Sklada sie z nastepujacych kroków;
200 Rozdzial 9. Funkcje charakterystyczne § 9.2. Twierdzenie Levy'ego-Cramera o ciaglosci 201
1. Funkcja 'P jest ciagla w zerze, !odzina rozkladów (IJ-n) jest zatem sformulowan umówmy sie, ze rozklad jednopunktowy zaliczamy do normalnych
jedrna (tw. 9.2.2) i zawiera podciag (IJ-n,,) slabo zbiezny do pewnego (co do rozszerzenia definicji patrz § 9.4).
rozkladu IJ- (tw. 8.3.5). Jest to kandydat na rozklad graniczny.
2. ·Teraz 'Pnk -; 'PfJ. - funkcji charakterystycznej rozkladu j.L; ale z za-
Lemat 4. Jesli dla pewnego a > jest EeaX2 ° < 00, to funkcja charakterystyczna
zmiennej losowej X, r.p x, jest calkowita.
lozenia 'PfJ. = 'P.
Jesli ponadto r.px(z) f. O dla wszystkich z E e, to X ma rozklad normalny.
3. Pozostaje wykazac, ze caly ciag j.Ln -"..!." p. W tym celu wybierzmy
dowolny podciag (j.Lnk)' Jak poprzednio, z jedrnosci wynika istnie- D o wód. Z nierównosci
nie podciagu zbieznego (Pnk,). Ale ciag funkcji charakterystycznych
('Pnk,) jest zbiezny do 'P = 'PfJ.' a poniewaz funkcja charakterystyczna
Iz:r:1:::; a2x2 + a-"lzI2, z E C, a, x E R,
wyznacza jednoznacznie rozklad (tw. 9.l.IO), rozkladem granicznym wynika, ze EeizX jest dobrze okreslona dla wszystkich z E Z. Ponadto
tego podciagu jest j.L. Na mocy twierdzenia 8.2.5 caly ciag jest sla.bo
zbiezny do /;,.• lr.px(z)1 :::; e,,-2IzI2 j(a),
co oznacza, ze r.px jest funkcja calkowita rzedu:::; 2; jesli nie ma zer, musi byc
Zadania postaci e-·"z2 /2+.'&z, gdzie a;'j; E C. Ale r.px jest funkcja charakterystyczna, wiec
na mocy tw. 9.1.7 ir.p~(O) ,= EX, -r.p~(0) = D"X, zatem b E R i a ~ 0, a to
1. Udowodnic, ze jesli Xn maja rozklad Poissona z parametrem An, An -, A > 0, O7,:nacza,ze·X ma rozklad normalny. -
to Xn ~ X, gdzie X ma rozklad Poissona z parametrem ,\.
2. Udowodnic, ze jesli X" -.!?-> X, an -.., a, b" -, b, to anX" + b" ~ a X + b. Z tego lematu wynika, ze zmienna losowa o rozkladzie normalnym nie daje sie
rozlozyc na sume niezaleznych skladników inaczej, niz w trywiainy sposób.
3. Wykazac, ze jesli X" ~ Xo, 1';, ~ Yo,X", Y;, sa niezalezne, n = 0,1,2, ... ,
to X" + y" ~ Xo + Yo. Czy zalozenie o niezaleznosci jest istotne? *8. Twierdzenie Cramera. Wykazac, ze jesli zmienna losowa X o rozkladzie
4. P(Xn = kin) = 1/n2, k = 1,2, ... ,n2. Udowodnic, ze nie istnieje zmienna normalnym jest suma dwóch niezaleznych zrniennych losowych Y i Z, to obie
t,e zmienne maja rozklady normalne.
losowa X taka, ze Xn ~ X.
9. Udowodnic, ze funkcja
. r.p(x) = ~l+eX' nie jest funkcja charakterystyczna·
Problem Haara. Wiadomo, ze X = 2:::::'=1. U,,/2n, gdzie (U"),, jest ciagiem
Bernoulliego (patrz 5.8.10 i zad. 5.8.9), ma rozklad jednostajny. Natomiast pelne Druga charakteryzacja rozkladu normalnego. Podamy bez dowodu2 naste-
rozwiazanie ponizszego zadania dosc dlugo nie bylo znane.
pujace
t5. Zbadac, dla jakich a E (O, l) zmienna losowa X", = 2":::::'=] ClnU" ma rozklad
ciagly. Twierdzenie 5. Niech zmienne losowe X, Y beda niezalezne i niech
6. Rzucamy moneta, dla której prawdopodobienstwo wypadniecia orla jest rów-
ne p. Niech X bedzie liczba rzutów potrzebnych do uzyskania n ortów. Zna-
u= aX + bY,
lezc rozklad graniczny zmiennych losowyeh 2Xp, gdy p -t O. V = cX +dY.
*7. Korzystajac z tego, ze
Jesli U 'i V sa niezalezne, to wszystkie cztwNj zmienne maja rozklad normalny,
sin t chyba ze przeksztalcenie definiujace U 'i V jest trywialne, tj. albo U = oX, V =
(II cos 22~-1 ) (g cos 2;" ) ,
= dY, albo U = bY, V = eX.
udowodnic, ze splot dwu rozkladów singularnych moze byc roz]dadcm eia- Twierdzenie to stanowi punkt wyjscia do definicji zmiennej losowej gaussowskiej
glym. tam, gdzie nie da sie zdefiniowac gestosci wzgledem naturalnej miary, na przyklad
Charakteryzacja rozkladu normalnego. Ponizszy lemat wymaga zaawan- w przestrzeniach Banacha o wymiarze nieskonczonym albo na grupach. Jesli X
sowanej teorii funkcji analitycznych l . Przypomnijmy, ze funkcja calkowita nazy- jest zmienna losowa, a X l, X2 .- jej niezaleznymi kopiami, to X jest gaussowska
wamy funkcje analityczna okreslona na calej plaszczyznie zespolonej. Dla prostoty wtedy i tylko wtedy, gdy Xl + X2 i Xl - X2 sa niezalezne. Zeby taka definicja
miala sens, wystarczy samo dodawanie!
lNiezbedne informacje, w tym twierdzenie Hadarnarda o faktoryzacji, mozna znalezc
np. w: F. Leja, TeoTia funkcji analitycznych, Warszawa 1957. 2[FEL], t. n, tw. XV.8.2.
§ 9.3. Twierdzenie Bochnera i wzory na odwrócenie 203
:'11'1 Rozdzial 9. Punkcje charakterystyczne
Rozklady stabilne. Z podstawowych wlasnosci funkcji charakterystycznych wy- Jesli bn = O dla. kazdego n, to rozklad nazywamy, scisle stabilnym. Jesli rozklad
nika, ze jesli X, Xl, X2, ••• sa zmiennymi losowymi o tym samym rozkladzie stabilny jest symetryczny, to jest scisle stabilny, ale nie na odwrót (por. trzeci
Cauchy'ego (z funkcja charakterystyczna e-I!!), to z przyt.oczonych tu przykladów).
Okazuje sie, ze dla danego rozkladu stabilnego stale an sa postaci n1/"', gdzie
Xl + X2 + ... + Xn ~ nX, (2)
exE (0,2]. Wtedy rozklad nazywamy a-stabilnym.
czyli rozklad sumy rózni sie od rozkladu pojedynczego skladnika tylko parame- Po co badac rozklady stabilne? One i tylko one moga sie pojawiac jako rozklady
trem skali. Innym znanym rozkladem o tej wlasnosci jest N (O, 1). Wtedy graniczne uuormowanych sum niezaleznych zmiennych losowych o tym samym
Xl + X2 + ... + Xn ~ nl/2 X.
rozkladzie, czyli wyrazeil postaci
(3)
Xl + ... + X" - b" ,l
W rozdziale 13, poswieconym procesowi Wienera, mozna znalezc jeszcze inny
(l.n
przyklad: dodatnia zmienna losowa odystrybuancie 2(1- <I>(l/JX)) dla x O, ;;O
gdzie <I>jest dystrybuanta rozkladu N (0,1). We wzorach (2) i (3) pojawia sie takimi sumami mielismy juz do czynienia w pra~ach wielkich liczb, gdzie jed-
wtedy czynnik n2. nak rozklad gralJiczny jest ·tr.ywialny. Z nietrywialnym rozkladem granicznym
Sa to przyklady rozkladÓw stabilnych. R.zut oka na flJnkcje charakterystyczne bedziemy mieli do czynienia wkrót;ce.
rozkladu Cauchy'ego i !:ozkladu N (O, 1) moze podsunac p0111ysl,ze gdyby dalo 'Teori,>rozkladów stabilnych z,qstala zapoczatkowana przez Paula Levy'ego (1924)
sie udowodnic, ze e-Iti'" jest funkcja charakterystyczna (powiedzmy, dla ex O), ;;O
j istol;lJie rozwinieta. prze~ Alekpaudra ChinczYnil i W. Doeblina3 (1939).
mielibysmy cala klase symetrycznych rozkladów stabilnych, przy ezym we wzor>lC
(3) pojawilaby sie stala n 1/<>. Rozklady graniczne unormowanych sum, Z.a:: pomoca funkcji charaktery-
stycznych mozna otrzymac prosty dowód jednej Zl wersji pra.wa wielkich liczb
Az tak dobrze nie jest. Oto zadanie na ten temat.
i centralnego twierdzeni<'l granicznego (w calej ogólnosci udowodnimy je w na-
10. Udowodnic, ze <p(t)= e-Iti'" nie jest funkeja charakterystyczna dla o: > 2. stepnym rOl':dziale). I
Nietrudno wykazac, ze <p(t) = e-Iti'" jest funkcja charakterystyezna dla O < CI ~ 1: 15. Prawo wielkich liczb Chinczyna. Udowodnic
I
11. Udowodnic, ze kazda funkcja parzysta, przedzialami liniowa, wypukla. n<'l
<p
Twierdzenie 7. Niech X, Xl, X 2, ...beda ni.ezaleznymi zmiennymi loso-
[0,(0) i taka, ze <p.(0) = 1 jest funkcja charakterystyczna. wymi o tym. sam.ym 'rozkla.dzie i niech EX = O. Wtedy
12. Kryterium Pólya. Udowodnic, ze kazda flmkcja <p parzysta, wypukla na
[0,(0) i taka, ze' <p(0) = 1 jest funkcja charakterystyc>lna. Wykazac, ze'
w szczególnosci <p(t) = e-Iti'" jest funkcja charakterystyczna dla ° < a: ~ 1..
_X_l_+_' '_'_+_)(_'_"
n
-i ;.
13. Podac przyklad dwu róznych funkcji charakterystycznych, równych ni1 pew-
nym przedziale. 16. Centralne twierdzenie :graniczne. Udowochlic
Twierdzenie 8. Niech'X,Xl,X2, ... beda n·iezQ,leznym.i zmiennymi loso-
Nieco trudniej udowodnic, ze <p(t) = e-\tl'" jest funkcja charakterystyczna dla. wymi o tym samym rozk/adzie., n'iech EX =O i V2X = 1. Wtedy
wszystkich a E (0,2). Ponizej przedstawiamy argument wziety z rozwaza.n astro-
nomicznych, ale zredukowany do sytuacji jednowymiarowej. Zalózroy, ze llogól-
Xl + ... + X" -E... N (O,1).
niona sila grawitacji jest odwrotnie proporcjonalna do oclleglosci w potedze fJ, fii '
fJ> O.
17. Korzystajac z twierdzenia 6 udowodnic twierdzenie de Moivre'a-Laplace'a.
14. Na odcinek [-n,n] rzucono losowo (zgodnie z rozkladem jednostajnym) n
gwiazd o jednostkowych masach. Wyznaczyc funkcje charakterystyczna gra-
nicznego rozkladu sily grawitacji w punkcie O. Dlajakich (J rozklad graniczny
istnieje? § 9.3. Twierdzenie Bochnera i wzory na odwrócenie
Podamy teraz ogólna definicje rozkladu stabilnego. Widzielismy juz, ze z funkcji charakterystycznej mozna odczytac momenty
rozklac1u, wiec latwo uwierzyc, ze daloby sie odczytac dystrybuante (i ge-
Definicja 6. Nieeh X, Xl, X2, •.• beda niezaleznymi zmiennymi losowym.i o tym
stosc, jesli istnieje). Do tego celu sluza wzory na odwrócenie. Za ich pomoca
samym rozkladzie f.1-. Rozklad f.1- nazywamy stabilnym, gdy dla kazdego n istnieja
i
stale an > O bn, dla ktÓr-ych
clokollCZYlJIYdowód twierdzenia Bochnera (9.1.6).
Xl + X2 + ... + X" ~ H"x + bn. 3Mll.t,Plllf't.yk belp;ijski, zgina! mlodo w czasie II Wojny Swiatowej.
204 Rozdzial 9. Funkcje charakterystyczne § 9.3. Twierdzenie Bochnera i wzory na odwrócenie 205
l: l:
powiesci Otrzymujemy natychmiast znany juz wniosek: funkcja charakterystyczna
Ludluma.
(l) wyznacza jednoznacznie rozklad.
e-ist<.p(s) v(ds) = ?/J(x - t) f.L(dx).
Twierdzenie 3 (O odwrotnym przeksztalceniu Fouriera). Rozklad
D o w ó d, Wystarczy scalkowac obie strony oczywistej równosci
prawdopodobienstwa f.L, któTY ma calkowalna funkcje charakterystyczna <.p,
= -27rl ,100
-00
f,
e-tSx<.p(s)
.
dana wzorem
ds. (7)
wzgledem miary v i zamienic kolejnosc calkowania po prawej stronie. _
Wyznaczymy teraz dystrybuante za pomoca funkcji charakterystycznej. D O wód. Poniewaz funkcje podcalkowe we wzorze (6) sa wspólnie ograni-
czone (co do modulu) przez calkowalna funkcje l<.pl, mozna wejsc z granica
Twierdzenie 2. Jesli t jest punktem ciaglosci dystrybuanty F o funkcji
pod znak calki. Widac wtedy, ze f jest gestosCia rozkladu prawdopodobien-
charakterystycznej <.p,to
stwa /1. Ciaglosc i ogranic%onosc funkcji f sa oczywiste (por. tw. 9.1.3) .•
F(t)
.
= lim
a--+oo lt-co [l- 211"'_00100e-'s . t <.p(s)e-S 2/2
a
2
cls
]
clt.
W niosek 4.
i tyLko wtedy,
Nie1!jemna fu.nkcja charakterystyczna
gdy gestosc f jest ogmniczona.
<.pjest calkowalna wtedy
co po uwzglednieniu
l: e~ist<.p(sha(s)
zaleznosci
ds
(2) daje
= l: ?/Ja (x - t) p,(dx),
(3)
Funkcja podcalkowa po lewej stronie jest nieujemna, i gdyby 'P nie byla
calkowalna, lewa strona zmierzalaby do nieskonczonosci przy a -4 00 .•
-00 e-1St<.p(S);'ll
100. (S)
; ds ="fi; 100
-00 11 (a(::!; - t») f.L(clx) ,
(4) wCl,Lna wtedy i
tyLko wtedy, gdy f2 jest calkowalna. W tym przypadku
czyli
)'00
-'00 f2(y) dy = l
27r Loo
(OO 1<.p(tW elt.
(8)
-
27r,l 100.
-"O
e-,st<.p(s)e-S /2a ds
2 , 2
= 100
-00
11/aC]; - f;) f.L(cl::r:). (5)
D o w ó d. Zauwazmy, ze 1<.p12 jest funkcja cha,rakterystyczna symetryzacji
Po prawej stronie rozpoznajemy gestosc splotu f.L * Il/a, zatem lewa strona rozkladu p" tj. rozkladu f.L* p" gdzie jL(A) ~ f.L(--A) dla A E B(R). Gestoscia
takze jest gestoscia tego rozkladu. Oznaczmy jego dystrybuante przez 1"< •. tego rozkladu jest splot h = f * j, gdzie j(x) = fi-x):
Oczywiscie przy a -+ 00 marny f.L* 11/a ~
dystrybuanty F jest
f.L, zatem w punktach ciaglosci
h(x) = l: f(y - x)f(y) dy.
(9)
Jesli funkcja 1<.p12 jest calkowalna, to h jest na; mocy tw. 3 ciagla i ograni-
F(t) = !im Fa(t)'
a_~ = a-oo
lim j't-00 [2.100
2w -00 e-ist<.p(S)e-s2/2a2 dS] dt. (6)
czona, zas wzór (7) po podstawieniu x = ° daje (8).
"Oli Rozdzial 9. Funkcje charakterystyczne § 9.3. Twierdzenie Bochnera i wzory na odwrócenie 207
Na odwrót, jesli f2 jest calkowalna, tÓ z nierównosci Schwarza zastosowanej Wzór na odwrócenie (7) zastosowany do prawej strony (12) dla pary funkcji
do (9) wynika, ze h jest ograniczona. Wtedy na mocy wniosku 4 funkcja ga, lf;a daje
1'P12jest calkowalna. _
rystycznymi, i
to 12 g,2 sa ca.lkowalne wtedy i
tylko wtedy, gdy sa calkowalne Jesli podstawimy w (13) v, = O i wezmiemy a -+ O, otrzymamy
1'P12 i 11/;12. W takim przypadku mamy
-00,../,,(3;)
l'oc' dx = 'Pn(O) =ll,
'. I"
l '••
(10)
.f[00"
-00 lf(y)g(y) dy 1
= 27f 100
-00 'P (t)1/; (t) cl/;. zat.em fn jest gestoscia· '~ "
Jesli a -+ O, lewa. strona (13) zmierza (na mocy tv!. Lebesgue'a o zbieznosci
D o wód. Wystarczy fastosowac twierdzenie 5 do gestosci (f + g) /2 .• unajoryz.owanej) do funlcji. charakterystycznej rozkladu prawdopodobien-
\
st.wa o gestosci fn' Prawa strona jest wartoscia, oczekiwana 'P1l. wzgledem
Mozemy teraz podac dowód dostatecznosci w twierdzeniu Boclmera (tw. rozkladu prawdopoc1obiellstwa o gestosci ga(t ..:. u). Poniewaz rozkladem
9.1.6). granicznym jest óu, wprost z definicji slabej zbieznosci wynika, ze prawa
strona zmiern do 'Pa (u). Zatem 'Pn jest funkcja' charakterystyczna odpo-
D o wód. Z ciaglosci 'Pwynika istnienie, a z dodatniej okreslonosci - nic- wiadajaca in.
ujemnosc ponizszych calek:
Udowodnimy teraz jedrnosc ciagu rozkladów o gestosciach fn. Z tozsamosci
Plancherela (10) mamy
=-
fn(x)
27fn l laln e-'x(u-v)'P(u
o . o
- v) dvdu ~ O.
/00
-D.O g",(x)fn(x) dx; 1 .1-00
= 27J' [00 'Pn~.t)1/Ja(t) dt,
Zamieniajac zmienne na u, t = u - v, otrzymujemy
czyli
(11)
fn(x) = ~jn
27J' -n e-itx(l_11)'P(t;)dt.
. n
["(1-
.f -(( a.
j:rl)fn(X)d.X = ;), jn
-n (Sin(at!~)2(1_lli)'P(t)dt.
_7J' at/2 n (14)
Pokazemy, ze fn jest gestoscia rozkladu prawdopodobiellstwa pewnej zmien- Poniewaz
nej losowej (oznaczmy ja Xn) o funkcji charakterystycznej
-
l 1'00
'Ij!,,(t) dt = -1
27r . -00 a l
= (.1- -;;:- (tw. 3 o odwrotnym pr:óCksztalceniu Pouriera dla x = O), to dla ustalonego
'Pn(t) Iti) 'P(t)l[-n,nJ(t).
h> O z postaci 1p,,(t) mamy 2: Jitl>h 'Ij!,,(t) dt -+ O, gdy a -+ 00 (z twier-
W tym celu wykorzystamy funkcje dzenia Lebesgue'a) i ~tl~h i;
'I/Ja(t,) dt -, 1. Zatem gdy a -+ 00, to prawa
strona (14) zmierza do 1 (jednostajnie wzgledem, n). Stad dla dowolnego
,,> O,
ga(x) 1 ( 1- -;;
= -; lxi) l[_a,a](x),
nych 1/;a(t) = (Sin~;;c') f (tabela 2, § 9.1). dla dostatecznie duzych K. Wobec tego (Xn)n jest rodzina jedrna, mozna
zatem wybrac podciag Xnk zbiezny do pewnej zmiennej losowej X, dlatego
Pomnozymy teraz obie strony równosci (11) przez 1/Ja(x)eitLx i po scalkowa-
niu wzgledem x otrzymamy
lim'Pxn,
k k
(t) = hm 1 - -n
n (Iti) 'P(t)l[-n 1
. (t) = 'P(t)
n,]
1: In (x)1/;" (x)eiux dx = 2~ 1: [1: e-i(t-tL)X1/;" (X)dX] 'Pn(t) dt. (12) jest funkcja charakterystyczna. _
209
208 Rozdzial 9. Funkcje charakterystyczne § 9.4. \Vielowyrniarowe funkcje charakterystyczne
gdzie b E Rn, zas A:Rn --+ Rn jest odwzorowaniem liniowym. Wykorzy- lo.sowymi o wartosciach w Rk, to Xn .E.. X wtedy i tylko wtedy, gdy
stamy ten wzór w ponizszym przykladzie . (t, Xn) .E.. (t, X) dla kazdego t E Rk
r_ r_ r_ .•.... - r •••••••• ··- r ••••• ·· 1' ••••• r •••••• r•••••• · r_ ,.•...•.•... I •••••• f ••••••. ' r___. r •••••••• ·-·'-· r_ <- ,-
'J 10 Rozdzial 9. Funkcje charakterystyczne
D o wód. Koniecznosc jest oczywista, bo funkcje cos (t, .), sin (t, -) sa ciagle
i ograniczone.
Dostatecznosc. Gdy (t, Xn) ~ (t, X), to z definicji slabej zbieznosci
Eei(t,Xn) -+ Eei(t,X),
czyli dla kazdego t mamy 'PXn(t) -> 'Px(t), zatem z tw. Levy'ego-Cramera
Rozdzial 10
Xn~X,.
d Centralne twierdzenie
Zadania
.
1. Twierdzenie Kaca. Wykazac, ze jesli X, Y sa ograniczonymi zmiennymi granIczne
losowymi spelniajacymi warunek E: (Xkyl) = E:XkE:yl dla k,l calkowitych \ I" • ~,\~"
nieujemnych, to X i Y sa niezalezne.
Uwaga. W swietle tw. 2 jest oczywiste, ze zmienne losowe X i Y sa nieza-
lezne wtedy i tylko wtedy, gdy E: (cp(X)1jJ(Y)) = E:cp(X)E:,jJ(Y) dla wszystkich § 10.1. Wprowadzenie
funkcji ciaglych i ograniczonych cp, 1jJ (wynik ten daje sie oczywiscie otrzymac
i
bez funkcji charakterystycznych). Twierdzenie Kaca pozwala na zawezenie
rozpatrywanej klasy funkcji. Jesli Y = lA, kryterium niezaleznosci jest jesz- W zadaniu 9.2.16 udowodnilismy najprostsza wetsje centralnego twierdze-
cze prostsze: wystarczy, by E: (cp(X)lA) = E:cp(X) . P(A). Wykorzystamy to nia granicznego dla niezaleznych zmiennych losowych o tym samym rozkla-
w dowodzie tw. Dynkina-Hunta (13.4.1). dzie. Teraz udowodnimy znacznie ogólniejsze twierdzenie tego typu. Mówi
ono mniej wiecej tyle, ze suma duzej liczby niezaleznych skladników o skon-
Pozytki z funkcji charakterystycznych doskonale ilustruje nastepne zadanie, za- czonej wariancji, gdzie zaden skladnik nie dominuje, ma w przyblizeniu
wierajace stosunkowo prosty dowód niezaleznosci przyrostów procesu Poissona. rozklad normalny.
*2. Udowodnic, korzystajac z twierdzenia 2, ze proces Poissona (patrz przyklad Tlumaczyloby to ws\\echobecnosc ro\\kladu normalnego w 'zadaniach "z zy- Nieujemna
5.8.21) jest procesem o przyrostach niezaleznych i ze Nt .- Ns ma rozklad znllenna losowa
cia". Moz,na rozsadnie argu'mentowac, ze wzrost, waga, iloraz inteligencji
nie moze lniec
Poissona z parametrem A(t - s). i inne mierzalne cechy osobnicze, zalezne od wielu czynników genetycznych rozkladu
Wsk. Udowodnic i srodowiskowych, powinny miec; rozklad \\blizony do normalnegol. Argu- normalnego.
menty takie sa jednak czesto naduzywane2.
Lemat 4. Niech h: R+ --> C bedzie funkcja mierzalna, Ihl :::; l, i
taka, ze h -- l W dalszym ciagu bedziemy rozpatrywac tablice zmiennych losowych po-
ma nosnik ograniczony. Wówczas y = I1;;'=l h(Sk) jest zmienna losowa dobr-ze sta.ci (Xn,k,,), gdzie K:n -t 00, n = 1,2, .... Zalozymy, ze zmienne losowe
okr'eslona, calkowalna i w kazdym wierszu, czyli Xn.1, Xn,2, ... , Xn,k". sa niezalezne. Taka tablice
E:Y = e>' Jooo (1.(,,)-]) du nazwiemy schema.tem seTii. Dla, wygody przyjmiemy kn =
n. Wszystkie
t.wierdzenia i rozumowania z t.ego ro\\dzialu pozostaja, w mocy dla ogólniej-
Wiemy, ze Nt = Er'=llIO,tj(Sk). Niech dla B E B(R) szych schemat.ów serii po oczywistych modyfikacjach.
00 Znanajuz wersje centralnego twierdzenia granicznego mozna sformulowac w
N(B) D lB(Sk)
dl'"
=
k=l
= #{k ~ 1: Sk E B}.
jezyku schematów serii. Jesli (Xn) jest ciagiem niezaleznych zmiennych loso-
wych o tym samym rozkladzie i wariancji cr2, definiujemy Xn,k = Xk/cr,jii
dla k ~ n. Mamy wtedy EXn,k = O, L~=l V2 Xn,k = l, a ponadto wszystkie
Wykazac
I . I oznacza tu
l Albo do logarytmicznie-normalnego. Zmienna losowa X ma taki rozklad, gdy log X
ma rozklad normalny. Czasami bowiem wplyw niezaleznych czynników na dana ceche
miare Lebesgue'a. Stwierdzenie 5. Jesli Bl' B2, ... , Bn E B(R+) sa rozlacznymi zbiommi ogm-
niczonymi, takimi, ze IBjl > O, to N(Bl), ... ,N(Bn) sa niezalezne zmienne i moze
2
n1iec charakter lnultiplil<at~,...wnYl nie addytywny.
Jak zauwazyl Stanislaw J{ wapiell, w zastosowaniach st.atystycznych zarówno sred-
losowe N(Bi) maja rozklad Pois(AIBil). i
nica jablka, jak jego waga miewaja rozklad normalny. Co"móglby odpowiedziec na to
statyst.yk? .
211
212 § 10.2. Twierdzenie Linde!x'lga-Levy'ego 213
Rozdzial 'lO. Centralne twierdzenie graniczne
zmienne losowe w wierszu maja ten sam rozklad (a wiec zaden skladnik nie Przyklad 3. Niech (Un) bedzie ciagiem BernouJJiego. Wtedy z symetrii wynika,
ze
dominuje; por. zad. 2). Wtedy rozkladem granicznym dla sum elementów P(Un = ±l) ,
wierszy jest rozklad normalny. = 1/2.
Postulat, by zaden skladnik nie dominowal, bedzie wyrazony za pomoca 2P(~Uk < o) + P(~Uk.= o) = 1,
nastepujacego warunku: zatem
- -
prawic. Dla schematu Bernoulliego prawa strona (1) jest równa C (p2 + (/) 1v'nP<i,
LXn,k ~ N(O,l).
z czego wynika tw. 7.6.12. Prosty przyklad (oparty na podobnym ciagu zmiennych k=l
losowych) pokazuje, ze C ;;:.1/ V27f i rzad oszacowania 1/,;n nie da sie polepszyc .
a zatem na mocy nierównosci (2) Przyklad 2, Niech wszygtki~' zmienne losowe X;",k w schemacie serii maja
rozklady N (O, (J~.,k ) . ,,- ,. ze pierwsza
ZalóiITty, zmjenna losowa w wierszu ma
rozklad N (O,~) (pozostale moga miec np. równe wariancje, byleby suma
l'Pz" (t) - e-t2/21 = Itr
k=l 'Pn,k(t) fr
- k=l e-er~'kt2/~1 < wariancji w wierszu wynosila l). Wtedy warunek Lindeberga nie jest spel-
n
\iV.vnw: litX'·~IJ..
..
< L
k=l
l'Pn,kU) - e-er~kt2/2/ =
nicmy, ale CTG zach.odzi, bo Zn ~ N (O, l) .•
L
< k=l IE (eitX"'k -1- itXn,k + ~t2X~,k)' L11-
+ k=1 ~t2CJ;',k _ e-er~",i2/21 =
schemat serii i L:~=l X",k ..E..,N (0, l), a ponadto
° dla n ......•
k=l'
L
~ E It3 X~,kll{IX".kl";r}
6 "" Itl3
<>::
L CJ",k --.!!.E.6
61 k=l•~ 2 1'.
definiuje funkcje Rn(t), gdzie R,,(t) -~
Z nierównosci A.1.4(b) wynika, ze:
00.
. 2
Do oszacowania drugiej sumy posluzymy sie nierównoscia A.1.4(b) zasto-
sowana do E: (eitX",k - l - itXn,k). Cala druga suma nie przekracza wtedy 11- <p",k(t)1= If (ei'X".k -1- itXn,k) I :;:;~[X~,k' (4)
n.
Na mocy zalozenia maxb(" EX;'.,h -,0, co gwarantuje istnienie logarytmów w (3).
t2)-:-'E:X2k1{IX
4.:-.1 n, n,k />,.} <t2Ln(r). Oszacowanie na. R,,(t) dla dostil.tecznie duzych n wynika z równosci log z =
k=1 (z - l) + log(l + z - l) - (.: - l), z A.1.2, A.1.4(b) i (4):
216 Rozdzial 10: Centralne twierdzenie graniczne § 10.2. Twierdzenie Lindeberga-Levy'ego 217
IRn(t)1 :'S :L
k=l
I'Pn,k(t) - 112 :'S T:; l'Pn,dt) - 11· :L
k=l
l'Pn,dt) - 11 :'S
p(IXl+.~.+Xn -EXll ~c:) :'Sn.
2 n 2
Zwykle bierzemy c: i n bliskie O. Oto rozumowanie, prowadzace do znalezienia no·
:'S ~2 . max
k~-n !'Pn,k(t) - 11· '"
~ EX;',k = ~2 .m~x
k~n l'Pn,k(t) - -->
11 n-'oo o. Poniewaz
k=l
Ustalmy teraz c > O. Lewa strona (3) zmierza do ~t2, zatem i czesc rzeczywista
prawej strony ma te sama granice. Oznacza to, ze
p (I Xd ',;!' + Xn_ EXll < c:) = w( c:) _w(~ c::) = 2W(C::) -l,
to chcemy, by 2(1 - w(c:yn/a)) :'S (~, czyli w(evn/a) ~ 1- (n/2). Znajdujemy
~t2 :L
n
- k=l 1!xIC< (1- cos tx) ,un,k(dx) = :L
n
k=l 1 Ixl>< (l -. cos t:t) ,un,k(rlX) + Re Rn(t),
takie ;3, ze <1>(;3) = l - (0'./2). Z monotonicznosci W mamy cyn/a ~ (3, a stad
n ~ ;32a2/c:2
gdzie /-,n,k jest rozkladem zmiennej losowej Xn,k.
Gdy nie znamy 0'2, to chcac skorzystac z tego wzoru powinnismy znac ograniczenie
Funkcja podcalkowa po prawej stronie nie przekracza 2 < po lewej zas
2:c2 / e2, a2 :'S K. W szczególnosci, gdy zmienne losowe Xi licza, czy zaszlo zdarzenie A
ex2/2. Korzystajac z tego i dzielac obie strony przez ~t2, otrzymujemy w i-tym doswiadczeniu (czyli Xi = l, gdy zaszlo zdarzenie A, Xi = O, gdy nie
zaszlo), to EXi = P(A) i '02 Xi = P(A)(l - P(A)) :'S 1/4, zatem
. ~r
1- .L.
k=l JI.
IxlCE
X2 ~!n,k(dx):'S 4
't:"2t2 + T2IRn(/;)I.
2
n ~;32 /4c:2 .•
Prawa strona moze byc dowolnie mala, jesli wziac dostatecznie duze ·t i dobrac Zadania
dostatecznie duze n. Za,tem i lewa strona zmierza do zera, co daje warunek Lin-
deberga .•
1. Józio zalozyl sie z Olkiem, ze w 100 rzutach kostka uzyska w sumie nie mniej
niz 400 oczek i w tym celu.rozpoczal cwiczenia. Ile serii po 100 rzutów musi
Z zad. 8.3.2 wiemy, ze gdy Fn ~ F i P jest ciagla, to dystrybuanty F" sa
srednio wykonac, zeby doczekac sie takiego wy::,iku?
zbiezne jednostajnie do F. Stad wynika oczywisty, ale bardzo pozyteczny
2. Na poczcie pojawia sie 100 klientów dziennie, kazdy z nich dokonuje wplaty
wniosek, z którego korzysta sie stale w typowych zadaniach:
(lub wyplaty) Xi, = 1,2, ... ,100, gdzie Xi sa niezaleznymi zmiennymi
,i
7. Ile partii gry w kosci musial rozegrac kawaler de M.ere, zeby zorientowac sie
w róznicy szans zajscia zdarzen opisanych w zadaniu 2.2.18, miec rozsadna i b) Zn-logn ..!!.....AI(O,l).
pewnosc, ze wynik jest statystycznie znaczacy, czyli ze ewentualna róznica (log 71,)1/2
czestosci nie jest dzielem przypadku? Tego wdzaju problem jest typowy ula 16. Zmienne losowe X; sa niezalezne i maja ten sarn rozklad; P(Xi = a) =
statystyki; nalezy wymyslic i przedyskutowac test statystyczny.
= P(Xi = l/a) = 1/2, przy czym a > 1. Zbadac'zbieznosc wedlug rozkladu
8. Zmienne losowe Xl, X2, ... , sa niezalezne i P(Xk = k) = P(Xk = -le) = ~. ciagu zmiennych losowych Z'n = (Xl' .... X.,,)J;vn.
Niech B~ = I:~=ITJ2 Xk. Zbadac zbieznosc wedlug l"Ozkladu ciagu 17. Wielowymiarowe CTG. Niech X,X1,X2, ... beda niezaleznymi wekto-
XI + ... + x." rami losowymi o tym saruym rozkladzie, przy czym EX = O i wspólrzedne
Sn wektora X maja skonczone wariancje. Znalezc rozklad graniczny dla ciagu
wektorów losowych
9. Zmienne losowe XI, X2, ... , sa niezalezne i maja rozklady U( -ak, ak). Niech
Zn = Xl + ... + Xn
s;' = I:~=ITJ2 Xk. Zbadac zbieznosc wedlug rozkladu c.iagn
XI+ ... +X" 18. Wzór Stirlinga. Niech Bn = XI + ... Xn, gdzie zmienne losowe Xn sa
Sn nieza.lezne i ma.ja rozklad Poissona z parametrem 1. Udowodnic, ze
jesli a) ciag (ak) jestI ograniczony i Bn -.. 00; b) jesli I: a~ < 00. e-n71,n+]/2
Zbadac zbieznosc wedlug rozkladu ciagu (Bn/ .jii.), gdzie s.••.= Xj + ... +Xn. Uv) n! ~ ,Jz:;;:e-"71,"'+:I/2.
Co mozna powiedziec o wariancjach zmiem1yc:h losowych S,,/.jii.?
11. Zmienna losowa X>. ma rozklad Poissona z parametrem A. Zbadac zbieznosc; Przypominamy, ze X- = -min(X,O) oznacza czesc ujemna zmiennej loso-
wedlug rozkladu zmiennych losowych (X>. - A)/V); dla A -.. 00. wej.
*12. Udowodnic, ze 19. Niech X bedzie zmienna losowa spelniajaca nastepujace warunki:
" k
r -n '"
,,~~e D
',=J
~k! - 2'
- ~ (i) EX2 < 00;
(ii) Jesli Y i Z sa niezaleznymi kopiami ,X, to X ~ Y:jf.
13. Zmienna losowa Xn ma rozklad x2(n). Wykazac, ze
Vlykazac, ze X ma rozklad .Al (0,0-2).
X" - n D
20. Udowodnic, ze jesli zmienne losowe Xn, n = 1,2, ... sa niezalezne o jednako-
,j2ri -t.Af (0,1).
wym rozkladzie, EXn = O, SX~ = 0-2, jest funkcja rózniczkowalna w zerze, i
14. Zmienne losowe Xl, X2, ... sa niezalezne, maja ten sam rozklad i EXl = O, to ',' . ';
TJ2 Xl = 1. Wykazac, ze Y71,(f(Y,,)
r::: - i(O)) ->.AI
D (' O,o-! f (O)) 2) ,
o
w chwili l znamy tylko wartosc zmiennej losowej 6.
ska rozwijajace sie Vi czasie, dlatego tez wzbogacimy matematyczny model
doswiadczenia losowego, czyli przestrzelI probabilistyczna (O, F, P) o nie-
malejaca rodzine (T-cial Ft C F Kazde takie (T-dalo Ft bedziemy interpre-
towac jako rodzine izdarzen, o których wiadomo, czy zaszly, czy nie, jesli
obserwowac doswiadczenie do chwili t. .(/+~ QD
Przyklad 1. Jacek iPlacek rzucaja moneta. Jesli wypadnie orzel, Jacek
wygrywa od Placka zlotówke, w przeciwnym razie zlotówke wygrywa Pla-
cek. Gra toczy sie tak dlugo, jak dlugo obaj gracze maja pieniadze. Jacek
\~.,
~' \JD
postanawia wycofac sie z gry, gdy po raz pierwszy jego wygrana wyniesie 7 F2 jest generowane przez rozbicie O na zbiory E11(Cl) n ~21(C2)' gdzie
zl. Notuje wobec tego swoje kolejne wygrane. Sa one zmiennymi losowymi Ci = ±1. .
6, 6, E3·· .. Laczna wygrana to Xn = Z=:'=1 Ei, n = 1,2, .... Prllyj mij my, Mamy tu Fo C :FI C ... C Fn C Fn+1 C ... C F. Teraz mozemy odpowie-
ze Xo = O. dziec na pytanie, czym sie róznia zmienne losowe '17 i (T7. Otóz dla kazdego
Chwila wycofania sie Jacka z gry jest takze zmienna losowa, która mozemy n zdarzenie {T7 :;:; n} nalezy do (T-ciala Fn, poniewaz
zdefiniowac tak:
'17 = inf{n: Xn = 7}. h :;:;
n} = 1.6= 7} U {6 + 6 = 7} U ... U {6 + ... + ~n = 7},
Jacek moze sie nie doczekac chwili, gdy wygra 7 zl. Jesli nawet zalozymy, ze a kazdy ze skladników sumy po prawej stronie jest elementem Fn·
uzupelnia zapas gotówki pozyczkami od rodziców, to nie jest wykluczone,
Natomiast {er? :;:; n} rf- Fn, bo zdarzenie to zalezy od zmiennych losowych
ze Placek chytrze podsuwa mu niesymetryczna monete. Tak czy owak, na o numerach przekraczajacych n (patrz zad. 9).
ogól istnieje dodatnie prawdopodobienstwo, ze '17 jest nieskOllczona. Tego
Powyzszy przyklad stanowi uzasadnienie dla wprowadzenia nastepujacych
rodzaju niewlasciwe zmienne losowe, o zbiorze wartosci NU{oo}, bedziemy
definicji.
w dalszym ciagu rozpatrywac dosyc czesto. Nasza zmienna losowa '17 ma
interesujaca i intuicyjnie oczywista wlasnosc: w kazdej chwili wiadomo, czy
moment '17 juz nastapil, czy nie. Definicja 2; Filtracja nazywamy niemalejaca TOdzine (T-cial (Ft)tET, gdzie
Ft C F dla t E T.
Gdyby Jacek interesowal sie ostatnim takim momentem, w którym jego -----------------
wygrana wyniesie 7 zl, zdefiniowanym jako (T7 = sup{n: Xn = 7}, to nigdy lPieTwszy wyjatek to martyngaly z czasem odwróconym, gdzie T = -N, drugi ~
nie wiedzialby, czy taki moment juz nastapil, czy nie. _ ma.rtyngal potrzebny do dowodu tw. Radona-Nikodyma, gdzie zbiór T jest tylko cze-
sciowo uporzadkowany.
220
.,
§ 11.1. Momenty stopu 223
~22 Rozdzial 11. Martyngaly
W szczególnosci rodzina zmiennych losowych (Xt)tET jest adaptowana do 7B(W) = inf{t E T: Xt(w) E B},
Definicja 4. Momentem stopu wzgledem filtmcji (Ft) tET nazywamy zmien- Dowód pozostawiamy Czytelnikowi (zad. 4.a; kwestia dalszych wizyt - 4b).
na losowa 7: n -; T U {+oo}, spelniajaca 'war"lJ,nek Mozemy rozpatrywac klase zdarzell, o ktÓ1'ych w]adom~, czy zaszly, czy nie,
jesli obscl'wowa.c doswiadczenie do (losowej) chwili 7. Bedzie to u-cialo Fn
{7(t}EFt
~clefiniowane jak nastepuje:
dla wszystkich t E T.
Definicja 7. Jesli 7 jest m.ornentem stopu wzgledem filtracji (:Ft) tET' to F.,.
Moment stopu nazywa sie czasami momentem Markowa lub momentem
i
.jest klasa takich zbiorów A, ze A E :F dla kazdego t mamy An{7 ( t} E Ft.
zatrzymania (ang. stopping time).
Interesujace, ze zaleznosc )"t. C Fs dla t ( s pozostaje w mocy, jesli t i s
Podsumujmy: jesli chcemy rozpatrywac zjawiska probabilistyczne rozwija- zastapimy przez mom:enty stopu 71 ( 72. '
jacesie w czasie, to oprócz przestrzeni probabilistycznej (0., F, P) uzy-
teczna bedzie filtracja (Ft) tET i rodzina zmiennych losowych (Xt) tET - Twierdzenie 8. Jezeli 7, 71, 72 sa momentami stopu wzgledem filtracji
zazwyczaj adaptowana do tej filtracji. Dosyc czesto przyjmuje sie Ft = (:Ftl t;E 7' , 1;0
= u{X.,: s ( t}, co aptomatycznie gwarantuje ostatni warunek. Wtedy :Ft
jest rodzina zdarzen, zaleznych tylko od zmiennych losowych X" dla 8 ( i. (i) F, .jest u-cia.lem.
Zajmiemy sie teraz wlasnosciami momentów stopu.
(ii) ]e§li 7 == t, to j:, = :h
Lemat 5. Zmiennalo.sowa 7:0. -; TU{+oo} jest momentem stopu wzgle- (iii) A E F.,. 'WtedY'i tylko wtedy, gdy A E F i {7 = t}nA E Ft dla Icazdego
dem filtracji
t E T.
(Ft) tET wtedy i tylko wtedy, gdy {7 = t} E Ft dla kazdego t E T. '
(iv) Jesli 7) (72, to :F" C F"'2'
D owó d. {7 ( t} = U"S;;t,SET{ 7 = s}, skad wynika dostatecznosc warunku. Dowód pozosta.wiamy Czytelnikowi (za.dania 6·-8).
Koniecznosc wynika natychmiast stad, ze
I jeszcze jedno twierdzenie, dotyczace mierzalnosci.
{7=t}={7(t}\ U {7(S} .• Twierdzenie 9. Jdli 7 jest momentem. stopu 'Wzgledem filtracji (Ft)tET'
s't}s:rft
zas (Xt) - c'ia9'iem adaptowanym do (Ft), to: .
df . df
(ii) Zmienna losowa X.,. jest F.,.-rnierzCLlna na z?iorze {7 < oo}.
71 fi 72 = mm( 71, 72), 71 V 72 = max( 71,72)
D o wód. (i) Trzeba wykazac, ze dla kazdego s mamy {T ( s} E F,. Otóz
sa momentami stopu (patrz zad. 3). dla kazdego t E T
Pierwsza wizyta Bardzo czesto bedziemy mieli do czynienia z chwila pierwszej (drugiej, itd.)
nie po~'inll~ t:wac wizyty w zbiorze borelowskim (por. 77 z przykladu 1). {7 ( t} n {7 ( s} = {7 ( t fi s} E FtAs C Ft,
dlUzeJ mz 48
godzin.
j'
224 Rozdziall1. Martyngaly § 11.1. Momenty stopu 225
wiec na mocy definicji :FT jest {T ~ s} E :FT' co konczy dowód. Wreszcie calkowalnosc zmiennej losowej ST wynika z nierównosci
(ii) {XT < s} n {r < oo} n {T ~ t} = Uu~t({Xu < s} n {T = 71}) E :Ft .•
[ISTI ~ [T[IX11,
Dalej bedziemy czesto korzystac z nastepujacego spostrzezenia: jesli (Xn)
jest ciagiem niezaleznych zmiennych losowych, a T jest momentem stopu która otrzymamy, powtarzajac rozumowanie dla zmiennych losowych lXii
wzgledem naturalnej filtracji (:Fn), gdzie :Fn = o-(Xl' ... ,Xn), to zmienne zamiast Xi· •
losowe Xn i l{T>n-l} (informujaca, czy T nastapil po chwili n - l) sa
niezalezne, bowiem {T > n - l} E ;:,.-1'
Uogólnianie prostych i oczywistych stwierdzeil na momenty stopu prowadzi Zadania
do ciekawych wyników. Jeden z nich, z elementarnym dowodem, zamiesz-
czamy ponizej. Nieco pózniej zostanie on udowodniony za pomoca teorii .'l. T jest momenterq stopu. Czy stad wynika, ze momentem stopu jest a) T + l;
martyngalów. b) T - l? c) T2? Rozwiazac zadanie przy zalozeniu, ze l) T = N, 2) T = N.
Niech 5n = Xl + ... +Xn; zalózmy, ze zmienne losowe Xi, i = 1,2, ... maja 2. Udowodnic, ze T == s jest momentem stopu wzgledem dowolnej filtracji.
ten sam rozklad. Wtedy oczywiscie
i
3. Niech Tl T2 beda momentami stopu. Udowodnic, ze Tt 1\ T2 oraz Tl V T2 sa
[5n = n· [XI, momentami stopu.
(1)
4. Niech T bedzie momentem stopu wzgledem filtracji (Ft)tET i niech (Xt)
jesli tylko [Xl istnieje.
bedzie ciagiem zmiennych losowych adaptowanym do tej filtracji.
Nic nie stoi na przeszkodzie, by rozpatrywac sumy losowej liczby skladni- a) Udowodnic, ze chwila pierwszej wizyty (Xt) w zbiorze B E B(R) po chwili
ków: jesli N jest zmienna losowa, to T jest momentem stopu.
df b) Zdefiniowac moment h-tej wizyty (Xn) w zbiorze B i udowodnic, ze jest
SN(W) = SN(w)(W), on momentem stopu.
Niech teraz T bedzie momentem stopu wzgledem naturalnej filtracji (';F,.). 5. Niech (Xi) bedzie ciagiem niezaleznych zmiennych losowych o rozkladzie
Zastepujac po lewej stronie wzoru (l) liczbe n przez T, a po prawej - przez UfO, l]. Niech T = inf{n: Xl + ... + Xn ;, l}. Wyznaczyc eT.
[T, otrzymujemy
6. Udowodnic, ze a) Fr jest O'-cialem; b) jesli T == t, to FT = Ft.
Twierdzenie 10 (Tozsamosc Walda). Jesli Xl, X2, ... sq niezaleznymi .7. a) Wykazac, ze fi E FT wtedy i tylko wtedy, gdy A E F i dla kazdego t E T
zmiennymi losowymi o tym samym rozkladz'ie, [IX11 < 00, zas T jes!; mamy {T = t} n A E F/.
momentem stopu wzgledem filtmcji (:Fn)~=l' gdzie :Fn = 0-(X1, ... ,Xn), b) Niech T i O' beda momentami stopt!. Wykazac, ze kazde ze zdarzen:
i[T < 00, to:
J [ST=[T'[Xl, {T < a}, {T> a}, {T ~ o-}, {T;' u}, {T = O'},
Zwrócmy uwage na zalozenie o niezaleznosci - w wyjsciowym stwierdzeniu najezy jednoczesnie do FT i FO'.
(l) niepotrzebne. '
8. Udowodnic, ze jesli Tl ~ T" to Fr, C FT2·
D o wód. Przyjmujac Sa = O, otrzymujemy
9. Opisac Fr, jesli zmienne losowe Xi, ·i = 1,2, sa niezalezne, P(Xi = l) =
00 00
= P(Xi = -l) = 1/2, Fi = u(Xl, ... Xi), T == inf{n ~ 2: Xl + ... +Xn = l}.
[ST = I>
j=l
[l{T~j}(Sj - 5j-l)] = LS
j=l
[l{T>j_q.Xj] 10. Podac przyklad na to, ze o-(T) # Fr·
00 11. Zmienna losowa 0'7 zprzykladll l nie jest oczywiscie momentem stopn,
= L
j=l
P(T ~ j) . [Xl = [T' [Xl' poniewaz przyjmuje wa,l'tosc -co. Wykazac:, ze nie spelnia( ona warunku
{U7 ~,t} E Ft· .
inf0 = +00,
sup0 =-00
12. Jesli (Xn) jest ciagiem Bernoulliego, zas T = inf{n: Bn = l}, to eT = co.
W pierwszym wierszu skorzystalismy ze spostrzezenia po tw. g o niezalez·
nosci zmiennych losowych l{T>j-l} i Xj. Równosc L;':l P(T ~ j) = [T 13. Rzucamy kostka tak dlugo, az otrzymamy wszystkie oczka. Znalezc wartosc
zostala udowodni9na w zad. 5.6.8. srednia sumy wyrzuconych oczek ..
226 Rozdzial 11. Martyngaly § 11.2. Martyngaly, nadmartyngaly, podmartyngaly 227
§ 11.2. Martyngaly,
, nadmartyngaly, podmartyngaly a. zastepujac równosci odpowiednimi nierównosoiami, otrzymujemy warunki
równowazne (b) i (c). Warto tez pamietac, ze jesli T = N, to np. zamiast
Przypomnijmy sobie gre Jacka i Placka z poczatku tego rozdzialu. Jesli a) wystarczy sprawdzic, 7,e' -
moneta jest sym.etry~zna, i po pewnym czasie Jacek wygral 10 zl, to sred-
nia wartosc lacznej wygranej po nastepnej partii wyniesie równiez 10 zl, E(X"+J 1:1',,) = Xn, n= 1,2, ...
,', l" l~
zatem sredni przyro§t wygranej bedzie równy zeru. Jesli moneta jest ni esy-
metryczna, sredni przyrost wygranej bedzie dodatni lub ujemny. lub
kim funduszem powierniczym i wygrywa lub przegrywa na skutek fluktuacji co rno7.e znacznie tJproscic rachunki.
kursów papier'ów wartosciowych. W obu sytuacjach mozna sobie postawic
pytanie, czy odpowiednia strategia pozwoli przechytrzyc rynek. I w obu Przyklad 2. Jesli (X,,, F,,). jest martyngalem (podmartyngalem), a T mo-
przypadkach narzedzi do analizy dostarcza teoria martynga.lów.
mentem stopu wzgledem (.T-.,JnEN, to ciag zatrzymany:
Zakladamy, ze mamy ustalona przestrzen probabilistyczna (~, F,?), filtra-
cje (Ft)tET i adaptowany do niej ciag zmiennych losowych (Xt)tET (moga
XT = (X"I\T1 F,,)
(a) martyngalem, jasli dla s ~ t, s, t E T gdzie oba. skla.dniki po prawej stronie sa mierzalne wzgledem F".
Dh.Ltego zmienna losowa Xnl\r jest calkowalna i
E(XtIFs) = Xs,
X("+i)l\r - X"l\r = l{r>nj(X"+l - X,,),
'(b) nadmartyngalem, jesli dla s ~ t, s, t E T
WleC
E(XtIFs) ~ Xs,
[; (X('H-l)1\T - X"I\T I :Fil.) = l{r>n}[ (X"+1 - X" l F,,) = O (~O),
(c) podmartyngalem, .jesli (-Xi,Ft)tET jest nadmartyngalem. gdzie nierównosc w nawiasie odnosi sie do nadmartyngalu. _
warunkowej
wartosci
oczekiwanej!
228 Rozdzial 11. Martyngaly 229
§ 11.2. Martyngaly, nadmartyngaly, podmartyngaly
Warto zauwazyc, ze martyngal zatrzymany (Xni\r) jest przykladem trans- ((Xa,.Fa), (Xb, :FbY)
formaty martyngalowej: ciag prognozowalny (Vn) jest zdefiniowany wzorem jest tez nadmartyngalem. Jesli zamiast a i b wstawimy (ograniczone!) mo-
Vn = 1{r>n-l}, n =: 1,2, ... ; patrz przyklad 2. menty stopu, otrzymamy niezwykle uzyteczne
~:H)
Rozd'zial 11. Martyngaly § 11.2. Martyngaly, nadmartyngaly, podmartyngaly 231
Twierdzenie 8 (Dooba). Niech ciag (Xn,Fn):'=o bedzie nadmartynga- Uwaga 11. Twierdzenie pozostaje prawdziwe dla podmartyngalów, jesli
lem (martyngalem) i
niech 71 :(; 72 beda dwoma ograniczonymi momentami znak ,,=" w tezie zamienimy na ,,:?".
stopu. Wtedy ciag (Xr" Fr.) :=1 jest nadmartyngalem (martyngalem) .
Wniosek 12. Jesli istnieje stlLla K taka, ze P(71 :(; K) = P(72 :(; K) = l,
D o wód. Zalózmy, z~ 71 :(; 72 :(; N. Nalezy udowodnic, ze dla A E FrJ to sa speln'lone zalozenia twie'f'dzenia. Jezeli ponadto P( 71 ,:; 72) = l, to
mamy
EXI = [;Xr1 = [;Xr2 = EX,.,.
=l
!
JB Xr21\(m+1) dP - JB Xr21\m dP ! = !
JBn{r2>m) (Xm+1 -- Xm) dP :(; O.
Wniosek 14. Biorac 71
m1Jjemy E:Xr2 = [Xl.
'l 72 spelniajace zalozenia twierdzenia otrzy-
Równosc bierze sie stad, ze dla 72 :(; m obie zmienne losowe pokrywaja D o Vi ó d twierdzenia 9 (Dooba) , Wystarczy wykazac, ze dla kazdego zda-
sie, a jesli 72 > m, to pierwsza z nich przybiera wartosc Xm+1, druga zas rzenia. A E Fr,
wa.rtoSc Xm. Nierównosc wynika z definicji nadmartyngalu, Zatem udowod-
nilismy (1).
= =
E (Xr2 I Fr,) Xr, p.n.,
1Bn{r2~n} Xn elP
j'Bn{r2=n} Xn elP + ,l'Bn{r2>n.} Xn elP =
czyli ciag (Xr" Fr,), (Xr2,Fr2) jest martyngalem.
r
JBn{T2)n} XT2 dP = m~oo
limsup r
[ JBn{m)T2)n} I
Xn dP - JBn{T2>m} Xm dP]
E (IXkI1(T>k}) ,,;; E (t n=l IXn - Xn-111{T>k}) ,,;; E (Y1{T>k}) ---+
k~oo
O.
i niech T bedzie momentem stop'u, ET < 00. TJl. =inf{n:Bn E {-a, b}}.
Wtedy EIXTI < 00 i EXT = EXl (EXT;;? [Xl)' Ten moment stopu jest juz skonczony p.n., dlatego ze z prawdopodobien-
stwem l pojawi sie kiedys np. kolejno a + b w'ygranych pierwszego gracza.
D o wód. PrzyjmUmy, ze Xo = O. Wtedy
A. Prawdopodobienstwa ruiny dla obu graczy. Szukanymi prawdo-
00
podobienstwami sa Pl = P(BTR = -a) i P2 = P(BTR = b). W przypadku
XT = L(.Xn - Xn-l)I{T)n}, symetrycznym (p = q =~) ciag (Bn,0'(6'''''~n));.;o=1 jest martyngalem
n=l i E3n = O dla n = 1,2, ..... Na podstawie twierdzenia Dooba mozna podej-
zatem rzewac, ze EBTR := O, wobec tego
00
IXT! ,,;; y= L
n=l
IXn - Xn-1[I{T)n},
-ap1 P2 =
{ Pl + +
bp21, =O
zbadac
)zna sie
'l, tw. 9.
Zalozenie (2) twierdzenia g jest spelnione,
_ - 1iIIiiIiI. -- _~I'
skad Pl
••••
=
_1111
b/z, P2 = a/z.
Jednak TR nie jest ograniczonym momentem stopu i nie mozna bezposrednio C. Kapital nieskOllczony: sredni czas oczekiwania na ruine. Przy-
skorzystac z tw. 8. Ale ESrRl\n =O dla kazdego n (TR!\ n jest juz ograni- puscmy teraz, ze gracz z kapitalem a gra przeciwko nieskonczenie bogatemu
przeciwnikowi i wygrywa jJojeciyncza partie z prawdopodobieitstwem p < ~.
czonym momentem stopu), a ponadto ISrRI\" I ..;; ma.x(o., b) i SrJ1l\n ~.:::. Sra
przy n -t 00. Istotnie, dla kazdego k E N mamy Vhedy 6 -1- ... -I-~rl = -a, gdzie T1 jest momentem ruiny pierwszego gracza.
Z tozsamosci Walda mielibysmy (jesli tylko ET] < 00)
E BrR = O, co konczy dowód dla przypadku symetrycznego. (7.4.2). OznaczaJac Uj = (fi + 1)/2, marny: ,
I.\~ . Wlasciwie
W przypadku niesymetrycznym martyngalem jest ciag P(Tj > n) ..;;p(eJ -1- ... -I- ~n > -o.)f= korzystamy tu
l' l ' z jednos~ronncgo
osza.cowalliu
= P(U] + ... + Un > "2(-0.,+11,)) = w dowodzie
((2)S",
p a(6, ... '~n))OO.n=J
l l nierównosci
= P(U1 -I- ... + Un > -"2a"+ n(p -I- "2 - p)). Bernsteina.
I ~'l
236 Rozdzial 11. Martyngaly § 11.3. Twierdzenie o zbieznosci nadmartyngalów 237
3. Udowodnic nastepujaca wersje tozsamosci Walda: jesli Xl, X2, .•• sa nieza- § 11.3. Twierdzenie o zbieznosci nadmartyngalów '~
leznymi zmiennymi losowymi o tym samym rozkladzie, Exf < 00, ET < 00,
to
Twierdzenie 1. Jezeli ciag (Xn, .Fn)~=Q jest nadinartyngalem, a ponadto
E (8r - TEXd2 = ETV2Xl. SUPn EX,-': < 00, to ciag (Xn) jest zbiezny prawie na pewno do zmiennej
loso'wej calkowalnej.
Wsk. Zalozenie, ze EXn = Onie zmniejsza ogólnosci. Wtedy ciag (8;; -nEXfJ
jest martyngalem.
Dowód twierdzenia opiera sie na technice liczenia "przejsc w góre" ciagu
4. Udowodnic, ze w symetrycznym zagadnieniu ruiny sredni czas oczekiwania liczbowego (xn) przez przedzial [a, b]. Zdefiniujemy mianowicie
na ruine któregos z graczy wynosi ab.
TO = inf{n: Xn < a}
5. Niech ~i, i = 1,2, ... beda niezaleznymi zmiennymi losowymi, P(~i = l) = p, T1 = inf{n:n > TQ,Xn >.b}
P(~i = -l) = =
1 - p. Niech Fn = 0'(~1, .. ~n) i Zn
q = (~/,+ ..+E" Cj"
"
Wykazac, ze ciag (Zn, Fn) jest martyngalem.
T2k inf{n:n > T2k-1,Xn < a} ~'"
6. Martyngal (Xn, Fn);;"=o jest calkowalny z kwadratem, tj. [X.,; < 00, n (t,t)·- "
= O,l, .... Niech T2k+l inf{n:n > T2k,Xn > b}
Przyrosty Dn = Xn - Xn-l, n= 1,2, ...
martyngalowe sa
czyms posrednim Wykazac, ze zmienne losowe Dn (czyli przyrosty martyngalowe) sa parami
miedzy nieskorelowane.
zmiennymi
losowymi
7. Wykazac, ze przy odpowiednich zalozeniach co do calkowalnosci, funkcja wy-
niezaleznymi
a nieskorelowa- pukla martyngalu (Xn, Fn) jest podmartyngalernj jesli funkcja jest wypukla
nymi. i niemalejaca, to przeksztalca podmartyngal (Xn, F,,) w podmartyngal.
J~~Ciag (Xn) jest martynga.lem. Zbadac (zakladajac w razie potrzeby odpo-
wiednie warunki calkowalnosci), czy sa pod- lub nadmartyngalarni ciagi: ~
a) (lXnn", p.~ 1; b) (Xn II a)n; c) (X" Va)". o 2 3 4 5
9. Jedna z mozliwych strategii gracza jest zmiana rodzaju gry. W przypadku
gry sprawiedliwej nie powinno sie ani zyskac, ani stracic. Przypuscmy, ze Jak widac z rysunku, T2k+1 jest momentem (k + l)-szego przejscia w góre
dwóch przyjaciól rozpoczelo inwestowanie na gieldzie w tym samym czasie ciagu (:l;n) przez przedzial [a, b]. U~ bedzie oznaczac laczna liczbe przejsc
i pewnego dnia okazalo sie, ze ich portfele maja te sama wartosc. Co sadzic w góre ciagu (:rn), czyli
(~.i.: er
o propozycji "zamienmy sie portfelami"?
jesli T1 < 00,
Jesli na gieldzie panuje uPokój (albo marazm, jak wola pisac analitycy), do-
bry model sytuacji stanowia dwa rnartyngaly: (X"' F,,) (Y", F,,), oraz taki i Ub" gJ O
{SUP{k;;:' 1: T2k-1 < oo} jesli T1 = 00.
moment stopu T, ze Xr = y.,. na zbiorze {T < oo}. Niech Jak sie okazuje, skotlczona liczba przejsc w góre jest (prawie) równowazna
zbieznosci ciagu:
n _
dla n > T,
Z :I.! {XY"n dla n (T.
Lemat 2. Ciag liczbowy (Xn)~=o jest zbiezny (byc moze do granicy nie-
Wykazac, ze wtedy (Z"' F,,) jest martyngalem. skonczonej), i
tj. lim sup Xn = lim inf ::r:n 'Wtedy tylko wtedy, gdy U~ < 00
dla 'Wszystkich par liczb 'Wymiernych a, b takich, ze a < b.
10. Udowodnic, ze jesli (X"' Fn) jest martyngalem i zmienne losowe Xn sa jed-
i' _ -
nostajnie calkowalne, to spelnione sa zalozenia tw. 9.
D o wód. Koniecznosc. Gdyby dla pewnej pary liczb wymiernych a < b
11. Niech (X")"ET, gdzie T = {O,l, ... , m} lub T = N, bedzie skonczonym lub bylo U~ = 00, to istnialyby takie dwa podciagi (Xkn) i (Xln)' ze Xkn < a,
nieskonczonym ciagiem zmiennych losowych, adaptowanym do filtracji (F,,). Xl" > b/- dla n = O, l, 2, .... Wtedy jednak ciag (xn) nie bylby zbiezny.
Wykazac, ze jesli EIXrl < 00 oraz EXr = O dla dowolnego momentu stopu T
"
Dostatecznosc. Jesli ciag (xn)~=o nie jest zbiezny, to dla pewnych a, b wy-
przyjmujacego dwie wartosci w zbiorze T, to (Xn, F")nET jest martyngalem.
miernych mamy liminfn~oo Xn < a < b < limsuPn~oo Xn; wtedy zas
:!:IH § 11.3. Twierdzenie o zbieznosci nadmartyngalów 239
Rozdzial 11. Martyngaly
isLni0ja dWl\ podciagi (Xkn) i (Xln) takie, ze Xkn < a i Xln > b dla n Z twierdzenia Dooba "\\'ynika,
. ze EXr, 21.: ;;;. EXr, 21.:+1 , wiec biorac wartosci
= O, 1,2, ... , skad U~= 00. _ oczekiwane obu stron, otrzymujemy
Jesli (Xn) jest (skonczonym lub nieskonczonym) ciagiem zmiennych lo- O;;;. (b - 1.l.)EU~[m]- E(Xm ~ ar,
sowych, to okreslone powyzej wielkosci Tk i u~ sa zmiennymi losowymi, co konezy dowód lematu. -
przyjmujacymi byc moze wartosc 00.
D ow ó d twierdzenia o zbieznosci nadmartyngalów. Nie~h U~[m] oznacza
Ponadto, jesli (Xn) jest ciagiem adaptowanym do (Fn) , to
tami stopu ze wzgledu na (Fn) (patrz zad. 11.1.4).
Tk sa momen-
liezbe przejsc w góre ciagu skoIlczonego Xl," . , Xm. Wt.edy U~ [m]
dla m --> 00. Z udowodnionego poprzednio lematu wynika, ze
U~ i
Lemat. 3. Niech (Xn,Fn):=l bedzie nadrnar-tyngalem. Wtedy dla a < b EUI>[. ] ~ _l_E(X
a1n'''''/I_a m _ a )- __ -b-al_E (IXm\ - 0.1-
2 Xm + a) ~
""
mamy
Xr~k+l - Xr~k = Xr2k+1 - )(r2k > b-a. eiag (Xn) ::"=0 jest zbiezny (byc moze do granicy nieskoIlczonej) z praw-
dopodobienstwem 1. Pozost.aje udowodnic skonczonosc granicy: poniewaz
IXnl = x,t + X~ = X" + 2X,-::, a (Xn, F,,)::"=o jest nadmartyngalem, to
2°(k + l)-sze przejscie w góre nie zakonczylo sie calkowicie przed ehwila m,
czyli dokladniej - T2k < m, T2kH > m. Wtedy EIX"I =EX,,+2EX,-;:- < EXo+2supEX':;. (1)
n
Xr, 2k+l -Xr' 2k. =Xm-Xr' 211: ;;;'-(Xm-a)-, Ale (z lematu Fatou)
poniewaz E(lim inf IX"l)
n-+oo
< lim inf EIXnl,
tt.-l-OO
o ~ --x-, 1n. 7' - I
x ~ -X-, X-X 2k _ {OXm - Xr2k dla T2k
T~k =
< m, wobee tego lirnn-~oo X" musi byc prawie wszedzie skonczona i calkowalna. -
czyli Xm - Xr~k jest albo zerem, albo liczba wieksza od Xm - a; w kazdym Uwaga 4. Kazdy nadmartyngal nieujemny jest zbiezny.
przypadku jest nie mniejsza niz - (X m - a) - .
Uwaga 5. Dla nadmartyngalu warunek sUPn EX;; < 00 jest równowazny
3°(k+ l)-sze przejscie w góre nie rozpoczelo sie przed chwila m, tj. T2k > m
warunkowi sUPnE!Xnl < 00, co wynika z (1).
i tym bardziej T2kH > m. Wtedy po prostu
Uwaga 6. Jesli (X,,) jest podmartyngalem, to poniewaz (-Xn) jest nad-
Xr' 2k+l - Xr' 2k = Xm - Xm = O. martyngalem, warunkiem dostatecznym zbieznosci jest
Dodajemy teraz stronami otrzymane nierównosci (k = O, l, 2, ... ,m; zwróc- supEX;; < 00,
n
my uwage, ze liczba przejsc w góre jest mniejsza niz m): ,",
na co z kolei wystarcza, by
m
stipEIXnl < 00 .
2:(
k=l
Xr~k+l 2_ Xr~k) ;;;. (b - a)U~[m] - (Xm - a) -. . T"
I-
240 R.ozdzial 11. Martyngaly § 11.3. Twierdzenie o zbieznosci nadmartyngalów 241
Przyklad 7 (Model pólya). Urna zawiera bo bialych i Co czarnych kul Twierdzenie 8 (Nierównosc Hardy'ego-Littlewooda). Jezeli (Un)"
(bo, Co ;;::l). Losujemy kule z urny, zwracamy ja i dokladamy m kul tego sa- jest c'iagiem Bemoulliego, to
mego koloru. Niech bn, Cn oznaczaja liczbe kul bialych i czarnych po n-tym
losowaniu. Definiujemy Xn = cn/(bn + cn) - jest to ulamek kul czarnych IU1 + ... + Un\ ~ 1 p.n.
n-oo
lim sup ,j2n log n
w urnie po n-tym losowaniu - i F" = o-(Xo, ... Xn), n = 0,1,2, ....
Okazuje sie, ze (Xn, Fn);;"=o jest martyngalem. Zeby to sprawdzic, zdefi- D o wód. Istotnie, niech Xn = Ul + ... + Un, :Tn = IJ(U1, ... , UrJ Wtedy
niujemy zmienne losowe Yn: niech Yo = l, a dla n > O niech Yn = 1, jesli l 2
Cn+ -b--
n+m + Cn+ b,,+m, E (Yn+1! Yo"." Y,.,) = yn
r,;:;,e'if. "" C° s:::
3. Wykazac, ze ciag (Zn) Z dowodu nierównosci Hardy'ego-Littlewooda jest k = 1,2, ... ,n. Wtedy Ak E Fk dla k :;;;;n i A = Al. U ... U An. Teraz
nadmartyngalem.
-N zawiera. Bedziemy zatem rozpatrywac martyngaly ze z~iorern indeksów -N lub -N. Po-
ostatni element, niewaz kazdy martyngal (Xn,J"")"e_N jest postaci X ",·X+ ",lXI
a to jest róznica! rP(maxX;
1.~n ;;. T):;;;; f. X" elP:;;;; EX;
JA :;;;;EIXnl .•
Xn = E (Xo I F,,) ,
Uwaga 2. Jesli XI,'" Xn jest rnartyngalem, funkcja f: R -+ R jest wy-
zmienne losowe X" musza byc jednostajnie calkowalne (zostanie Loudowodnione
pukla, zas zmienne losowe f(X,,) sa calkowalne, to z nierównosci Jensena
w lemacie 11.5.1). Mozna zatem spodziewac sie, ze odpowiedniki znanych twier-
dzen beda mocniejsze. wynika, ze ciag f(X]), ... , f(Xn) jest podmartyngalem, wiec spelnia nie-
równosc maksymalna. W szczególnosci: gdy fet)' = Iti otrzymujemy
4. Ciag (X"' J"n)ne-N jest nadmartyngalern i lim,, __ oo EX" < 00. Vlykazl:Lc,
ze (Xn)"E_N jest rodzina zmiennych losowych jednostajnie calkowil)nych.
l
P(ma.,xIXkl ;;. r) :;;;;-EIXnl,
k~n r.
5. Udowodnic
Twierdzenie 9. Jezeli (X"., J"n)ne_N jest nadmartynga,lem i a jesli f(t) = t2, zas Xk = '{!i' + ... + Uk, k = 1,2, ... n, gdzie Ui sa
niezaleznymi zrn.iennymi losb"ivymi o sredniej zero i skonczonej wariancji, to
Iim
n-;-oo
EX" < 00, Lrz;ymujemy nierównosc Kolmogorowa:
, .
i
to ciag (X-n)nEN jest zbiezny p.n. w LI do pewnej zmiennej losowej X.
Jesli ponadto (Xn,F.')ne_N jest mar-tyngalem, to ~n r
tEU;.
J •••
Zadania
x =E (xo I Q J"_") .
4. Nierównosc Dooba. Wykazac, ze jesli (Xk)~=l jest martyngalem, p > 1, D owód. Z jednostajnej calkowalnosci wynika, ze SUPn E IXn I < 00, i dla-
to tego podmartyngal jest zbiezny p.n. do zmiennej losowej X; jeszcze raz ko-
rzystajac z jednostajnej calkowalnosci, otrzymujemy zbieznosc w LI (zad.
E sup
k';;" IXk!P ~ (-p-)
p - l p EIX"IP 5.9.18).
Pozostaje udowodnic (i·i).Niech A E Fm. Z uwagi po definicji podmartyn-
galu wynika, ze ciag (fAX'n dP) jest niemalejacy dla n ;) m. Ponadto na
§ 11.5. Zbieznosc martyngalów w V mocy (i)
Lemat 1. Jesli X jest calkowalna zmienna losowa na (n, F, P), a (Fa)aEA
rodzina O'-cial" zaw(L'rtych w F, to rodzina (E (X I Fa) )aEA jest jednostajnie
calkowalna. '
I r X" dP -
JAJA r X dPi ~ jA IXn - XI d~ ~ EIX" - XI --->
n-->CX) O.
! ! \
O, to E (X I Fm) ) Xm,
\
co kOl1cZYdowód (ii).
. {1[(XIF~)I>r}
IE (X I Fa) I dP ,;;;
.. {1[(XIF,,)I>z}
E (lXII Fa) dP = W przypadku martyngalu nalezy udowodnione twierdzenie zastosowac do
(Xn) i do (-Xn) .•
=!. {![(XI F,,)l>"} !XldP,
Mozna udowodnic, ze X jest jedyna zmienna losowa mierzalna wzgledem
0'(F1,:F2,"') dla której Xn = E (X I Fn) (zad. 1).
poniewaz {lE (X I Fu) I > r} E Fa. Jesli ustalimy c > 0, to istnieje 5 > O
o takiej wlasnosci, ze J~ lXI dP < c, o ile P(A.) < o. Aby zakonczyc dowód, Kwestia zbieznosci martyngalów w LP dla p > 1 zajmiemy sie w zadaniach.
wystarczy dobrac tak duze r', by P(IE (X I Fa) I > 'I') < O. Ale
Twierdzenie 3 (O ciaglosci warunkowej wartosci oczekiwanej).
,,;:EIXI Niech X bedzie calkowalna zmienna loso'wa na (n, F, P), a (Fn) - c'iagiem
P(IE (X I Fa) I > r) ,;;; ElE (Xr I FQ) I '" -
T l O'-c'ial zawartych 'UJ F.
a to juz wystarczy .•
(i) Jdli ciag (Fn) jest niemalcjacy i Fa = 0'(.1'1, .1'2, ... ), to
Twierdzenie 2. Niech (Xn, Fn) bedzie jednostajnie calko'walnym podrn.ar-- E(X I Fn) -; E (X I Fa)
tyngalem (odp. mar-tyngalem). Wtedy istn'ieje taka calkowalna zmienna 10-
sowa X, ze pmwie na pewno i w L l.
(i) Xn -; X p.n. i w L1; (ii) Jesli C'iag (Fn) jest n:ier-osnacy i Fa = n::::l Fn, to
i .ro-Jllkrzalllej zmiennej losowej Xo. Ponadto, poniewaz rozwazany ciag Niech F = n~=l a(Sn, Sn+l>' .. ). Wt.edy z t.wierdzenia 3(ii) ot.rzymujemy
rozszerzony o Xo jest martyngalem, zachodzi równosc
Twierdzenie 4 (Prawo 0-1 Kolmogorowa). Jezeli (Xi) jest ciagiem n. w) = . j+1 dla wEXj [(n) (n»)
,Xj+l
Xr (df 1 l,,<nl
niezaleznych zmiennych losowych i A E Foo, to P(A) = O lub P(A) = 1.
x;~\ _ x(n)
J (n) xj f(z) dz
"
Dlatego P(A) moze przyjmowac tylko Wal'tosci O lub 1. II Twierdzenie 6. Niech (X",F")neN bedz'ie martyngalem i niech p> 1. Na.ste-
p'ujace wa.r'unki sa. "ównowazne:
Kolejnym wnioskiem z twierdzenia 3 jest prawo wielkich liczb Kolmogorowa (i) sUPneN
(tw. 7.4.9) E:IX."IP < 00,
('ii) ciag (IXnIP)~=o .iest jednost(~jnie Cellkawalny,
Twierdzenie 5 (MPWL Kolmogorowa). Jesli (Xn) .jest ciagiem nie- (oiii) ciag (X")"eN jest zbiezny w LP,
zaleznych zmiennych losowych o tym samym rozkladz'iei wartosci oczeki-
wanej m, a Sn = 2:~=iXk, to
(iv) istnieje taka zmienna losowa Y E LP(n, F, P), ze X~ = E: (Y I :Fn), n
== 0,1,2, .... J
S
--2:. -+ 'tn
n Jesli te warunki sa spelnione, to ciag (Xn)nEN jest zbiezny p.n. do zmiennej
losowej X E LP, takiej, ze X~ 'J;} B (X I Fn) dla n = 'O, l, 2, ... , przy czym X jest
prawie na pewno i w LI. jedyna zmienna losowa mierzal7'L,a wzgledem (]"(Fo, FI"" .), dla której ta równosc
zachodzi. > •
§ 11.6. Twi~rdzenie Radona-Nikodyma Lemat 5. Jesli ciag uogólniony (Ut)tET spelnia war-unek Cauchy'ego, to
jest zbiezny, a ponadto istnieje r-osnacy ciag indeksów (tn)nEN, dla którego
Udowodnimy teraz, korzystajac z twierdzenia o zbieznosci nadmartynga-
lów, klasyczne twierdzenie o rozkladzie miary na czesc absolutnie ciagla nlim Utn
........•
00
= limt Ut.
i singularna (osobliwa) wzgledem innej miary.
Twierdzenie 1 (Raclona-Nikodyma-Lebesgue'a). Niech /J, 1/ beda, i D o w ó d. Podstawiajac w warunku Cauchy'ego c: = l/n, otrzymujemy
miarami Sk01iczonymi na (D, F). Istnieje wtedy taka funkcja mier-zalna 1
g: D -; R+ i
taki zbiór' S E F, ze ~!(S) = O dla kazdego A E F i \In E N ::It~E T \lt E T t~L';;; t,=;- (!( Ut;', utl < ~'
1/(A) = 1/(A n S) + l g
l('
I, III,
251
250 Rozdzial 11. Martyngaly § 11.6. Twierdzenie Radona-Nikodyma
r /1
Innymi slowy, Xt jest gestoscia miary v, obcietej do O"-ciala Ft, wzgledem P a stad ,-,.t"
Na zakOl'tczenie zauwazmy, ze dla kazdego ciagu rosnacego (t"),,EN ciag Niech S = {X = c}. Podstawiajac A =S do (3), otrzymujemy
(XtJ jest, na mocy twierdzenia 11.3.1 o zbieznosci nadmartyngalów, zbiez-
ny p.n._
0= r (c:
./8 - X) dv = ./sr X dfL".; = CfL(S),
Dowód twierdzenia Radona-Nikodyma. Niech c = M(O)+v(D). Gdy c = O, skad p.(S) = O. Podobnie.~ (3) wynika, ze v({X > c}) = M({X > c}) = O.
twierdzenie jest trywialne. Gdy c > O, definiujemy
Niech teraz
l
P=-(p.+v). f(w) = {~/(e - X(w))
dla w E S',
dla w E S.
c
Podstawiajac f do (4), otrzymujemy
Jest oczywiste, ze miara. 1/ jest absolutnie ciagla wzgledem P. Jesli skon-
struujemy martyngal (Xt, Ft) taki, jak w przykladzie 6, to dzieki temu, ze
IXtl ~ c p,n. stwierdzimy - na mocy tw. Lebesgue'a - ze dla kazdego
rosnacego ciagu (t,,)nEN ciag (Xtn) jest zbiezny nie tylko prawie na pewno,
I/(A n S') = 1 Ans' f· (c - X) dv ~" 1
Ans' fX dfL =
ale i w L1(0,F,P) Z lematów 4 i 5 wynika, ze ciag uogólniony (Xt)I.ET = j'AnS' -X· dfL = j'A ,;g dfL,
c -X
jest zbiezny w LI (D, F, P) do zmiennej losowej X, czyli
gdzie
Vc> O ::lto E T Vt;;. to (2) dla w E S',
~ lXI - XI dP < c. g(w) = {;(w)/(c - X(w)) dla w E S.
Ostatecznie dla dowolnego A E F mamy
Nietrudno sie domyslic, ze X jest gestoscia miary v wzgledem P, a proste
rachunki pokazuja, ze gestosc 1/ wzgledem p, powinna byc równa X/(c - X)
tam, gdzie X < c. Zbiór {X = c} bedzie zbiorem S wystepujacym w (l).
Sprawdzimy teraz formalnie, ze X jest gestoscia miary 1/ wzgledem P.
v(A) = I/(A n S) + v(A n SI) = v(A n S) + i g dp"
Ustalmy zatem A E F i c> O. Niech to bedzie rozbiciem D, którego istnienie czyli (l).
gwarantuje warunek (2). Rozpatrzmy teraz rozbicie t, generowane przez to Pozostala do wykazania jednoznacznosc. Prz'ypuscmy, ze powyzsza zalez-
i zbiór A (jest to "wspólne zageszczenie" rozbic to i {A, A'} ). Poniewaz nosc zachodzi takze dla zbioru SI i funkcji gl' Wtedy dla kazdego A E F
to ~ t, mamy JfllXt - XI dP < c, i tym bardziej
A = S otrzymujemy
+ 1.9A d/L
Ale J4. Xt dP = 1/(.A.) (bowiem A E Ft; por. przyklad 6). Wobec dowolnosci fL(S) = M(SI) = O. Podobnie 1/(SI) = 1/(SlnS), wiec 1/(S\Sl) = 1/(SI \S) =
c wnioskujemy, ze dla kazdego A E F = O. '
~ . ~_I'H " \
'!
1/(A) = .A X dP
11
= -C A
X dp, +-11
C A
X dz/,
Skoro dla kazdego A E,J.f.jest 1/(A
zatem.9 = .91 M-p.n. II
n S) = 1/(A n SI), to JA.9 dp, = JA.91 dfL,
252 Rozdzial 11. Martyngaly § 11.7. Miary produktowe i za$tosowania w statystyce 253
Wniosek 7, Jesli skonczona miara v jest absol11tnie ciagla wzgledem Sk011- )(n, n = 1,2, ..
czonej miary j..L, to istnieje mierzalna funkcja g, dla któTej
gdy w n-tym rzucie wypadl orzel,
Xn= {~ gdy w n-tym rzucie wypadla reszka.
v(A) = 19dj.L,
Ponadto zdefiniujemy dwie funkcje pomocnicze:
przy czym g ): O p. n. i g jest wyznaczona jednoznacznie z dokladnoscia do
zbior'ów zerowej miary j.L. 0(1) = T, 0(0) = 1- r'; 71"(1) = p, 71"(0) = 1 - p.
Zadania
E -- =-·p+--·(1-p)=1,
/ ( 71"(Xn)
Q(X,,) ) P
T 1-
l-p T
1. Wykazac, ze monotoniczna funkcja f: R -t R jest rózniczkowalna wszedzie
z wyjatkiem zbioru o zerowej mierze Lebesgue'a. i wystarczy zastosowac wynik z przykladu 11.2.5.
Poniewaz Zn ): O, n = 1,2, ... , z twierdzenia 11.3.1 o zbieznosci nadmar-
tyngalów wynika, ze ciag (Zn) jest zbiezny P-p.n., a co wiecej, granica jest
§ 11.7. Miary produktowe i zastosowania w statystyce
równa zeru, jako ze
Q(Xn+1)
Kazdy wie, ze nie da sie dlugo utrzymac w tajemnicy asymetrii monety czy
tez kosci do gry. Wystarczy bowiem wykonac dostatecznie dluga serie do-
Zn+l = Zn . 71"(Xn+I)'
swiadczen, i jesli na przyklad pojawi sie podejrzanie duzo (albo podejrzanie wiec
malo) orlów, hipoteza o symetrii monety nie da sie utrzymac. l· Z l' Z l' Q(Xn+1)
Tego rodzaju problemy sa typowe dla statystyki. Statystyk formuluje pewna n
llTISUP n+l = lmsup
n n' lmsup
n 1f (V
"/).,n+l\'
hipoteze dotyczaca modelu doswiadczenia losowego, a nastepnie stara sie ale drugi czynIlik po prawej stronie jest rózny ód 1 (bo T =1= p), wobec tego
ja zweryfikowac doswiadczalnie. W opisanej powyzej sytuacji hipoteze mo- lim sUPn Zn = O P-p.n.
zemy sformulowac naatepujaco: "rozklad liczby orlów w n doswiadczeniach Jesli orzel wypada z prawdopodo bienstwem r, to mamy do czynienia z roz-
jest rozkladem Bernoulliego z parametrami n, 1/2". W wyniku ebpery- kladem Q, ciag (Z,:;-l, :Fn) jest martyngalem zbieznym do zera Q-p.n., zatem
mentu byc moze uda sie odrzucic te hipoteze - jesli na przyklad w serii
(Zn) zmierza wtedy clo nies'konczonosci.
1000 rzutów wypadnie 900 lub wiecej orlów. Przy 510 orlach chyba kazdy
Widzimy, ze martyngal (Zn, :Fn) moze sluzyc do podjecia decyzji o wyborze
zawahalby sie przed odrzuceniem hipotezy. Niezaleznie jednak od posia-
danej wiedzy statystycznej czujemy intuicyjnie, ze im wieksze jest n, tym miedzy 't i p. Im dluzszy jest cZaS obserwacji, tym bardziej staje sie jasne,
czy ciag zmierul. do zera, czy do nieskonczonosci. Calkowitej pewnosci jed-
pewniejsze sa wyniki. Uznajemy tez, ze podejmowanie decyzji na podstawie
Ilak nigdy miec nie mozna. _
odchylenia liczby orlów od idealnej sredniej (500) jest rozsadne, natorniast
rozwazanie np. parzystosci liczby reszek jest pozbawione sensu.
Rozumowanie przedstawione w przykladzie 1 az sie prosi o uogólnienie.
Postaramy sie uzasadnic teoretycznie oba te stwierdzenia. Zaczniemy od
Zamiast dwóch rozkladówdwupunktowych nalezaloby rozpatrywac dwa
prostego przykladu, \v którym sa dwie równouprawnione hipotezy.
dowolne rozlclady prawdop'oclobienstwa j.L i lJ, byle jeden byl absolutnie
ciagly wzgledem drugiego (tak wlasnie jest w przykladzie). Ciag (Zn) bylby
Przyklad 1. Nalezy zdecydowac, czy szansa otrzymania orla przy rzucie
wtedy -- tak, jak w przykladzie ~ ciagiem gestosci miary produktowej
moneta wynosi p czy T (p r, p, r E [0,1]). Definiujemy
=1= zmienne losowe
j.L (9 ... (9 j.L wzgledem v (9 ... (9 v.
255
q,) Ilozdzial 11. Martyngaly § 11.7. Miary produktowe i zastosowania w statystyce
Udowod nimy teraz I:wierdzenie Kakutaniego o absolutnej ciaglosci miar Zeby udowodnic (ii), wystarq:zy lekkie uogólnienie tej uwagi. Otóz dla do-
wolnego ciagu zbiorów Bl\ ... , Bn E .1' marny"
!
produktowych, co pozwoli na uogólnienie przykladu 1.
!
zmienna losowa Xn niech bedzie rzutem na n-ta wspólrzedna. Okreslamy k=l k=l' lh,
teraz u-ciala.1'n = u(X!, ... , Xn) oraz.1'oo = u(Xl, ... ,). Na tym ostatnim
u-ciele okreslone sa prawdopodobienstwa produktowe: . B1X ... xB"xn"x.,. 91(X1)· ... · gn(Xn) dP =
p = Pl 0 P2 0 . r
} Bl X, .. xB71 XnOX .. 11 indP.
Q = Ql 0 Q2 0 .
Z lematu o 7[- i A-ukladach v.rynika natychmiast równosc
Twierdzenie 2 (Kakutaniego). Niech dla kazdego n mia,m Qn /Jedz'ie
absolutnie ciagla wzgledem Pn, niech gn bedzie odp01jJiednia gestoscia n'iech i Q(B) = L indP
In = gl(X1) ' .. , 'g,,(Xn). dla wszysl.kich B E .1'n·
Wtedy
ZaJózmy teraz, ze T jesl. momentem stopu (P + Q)-p.w. sk011czonym. Jesli
n E .1'n to .
00 00
(n, Foo,
(in
(i) (In, .1'n) jest martyngalem
(iii) Q jest albo absolutnie ciagla, albo singularrl,a wzgledem P. Jesli P(lZostaje udow6dnic (-i'ii). Z nierównosci Schwarza wynika, ze
00
II1
n=1 no ..;g;. dPn > o, o ~ r
lno ..;g;. dPn ~
fi 1 ..;g;. dPn = o,
n=l no
Zalózmy najpierw, ze powyzszy iloczyn jest dodatni. Wystarczy udowodnic,
ze ciag (.jJ;,) jest zbiezny w L2 (n, Foo, P). Wtedy, jak latwo pokazac (por.
to limn ...••oo In = O P-pmwie na pewno, i limn ...••oo in = 00 Q-pmwie zad. 5.9.13), ciag Un) jest zbiezny w Ll (fi, .1'00' P) do pewnej zmiennej
i
losowej 00' Daje to (bez stosowania jakiegokolwiek twierdzenia Lebesgue'a)
na pewno.
równosc .:
Dowód. (i) jest oczywiste: wystarczy zauwazyc, ze In jest iloczynem nie- Q(B) = j~/oodP . ,
zaleznych zmiennych losowych o wartosci oczekiwanej równej 1, bowiem
.\ \
.' .. \' ,
dla wszystkich B E U~=1 .1',:, wiec na mocy lematu o 7[- i A-ukladach -
dla wszystkich B E .1'00' Natomiast zbieznosc prawie wszedzie ciagu (In)
Egn(J(n) = .Ino
r gn dPn = Q,,(no) = 1. do 100 wynika na przyklad z twierdzenia o zbieznpsci nadmartyngalów .
256 Rozdzial 11. Martyngaly § 11.7. Miary produktowe i za:itosowania w statystyce 257
Pozostaje zatem udowodnic zbieznosc w L2 ciagu (..;r;;J W tym celu spraw- D O wód. Wystarczy tu pokazac, ze I1:'=1 IDo. V§ dPa = O, gdzie g jest
dzimy warunek Ca\lchy'ego. Z niezaleznosci zmiennych losowych Xn i stad, gestoscia Qo wzgledem Po, na co wystarcza, by IDo V§ dPa < 1. Otóz gdyby
ze J in dP = 1, otrzymujemy ostatnia calka byla równa 1, to w nierównosci Schwarza dla funkcji 1 i V§
zachodzilaby równosc, co oznaczaloby g = const p.w. wzgledem Po, co jest
równowazne równosci rozkladów Po i Qo. li
.! (V in+k - ·Jf;Y dP = 2- 2.! V in+kin dP :=
Wobec zalozenia o zbieznosci iloczynu (do granicy dodatniej!), dla dosta- Kazdej metodzie decydowania odpowiada tzw. zbiór kTytyczny A E F: je-
tecznie duzych n i wszystkich k E N wystepujacy powyzej fragment ilo- sli Wo E A, wybieramy P, w przeciwnym razie wybieramy Q. W praktyce
czynu jest dowolnie bliski 1, zatem warunek Cauchy'ego jest spelniony. bledne decyzje powinny kosztowac, przyjmiemy wiec, ze wybranie Q za-
Konczy to dowód pierwszej czesci (iii), miast P wiaze sie ze strata IQ, zas wybranie P zamiast Q - ze strata lp.
W celu udowodnienia drugiej czesci (i'ii) zalózmy, ze Z,llozymy jeszcze, ze dany jest pewien rozklad a prioTi, mianowicie szansa
00 natrafienia na rozklad P jest równa p, na Q - równa q = 1 - p. Zalozenie
II r
n=1 Jnu ..;g;: dPn = O.
Mozemy teraz obliczyc srednie
i Q. Wynosza one odpowiednio
straty, gdy faktycznym rozkladem jest P o istnieniu
rozkladu (L p'''io,''i
nie zawsze jest
Wynika stad od razu, ze dla n-t 00
IQP(A) + O . P(A') = IQP(A), O . P(A) + lpQ(A') = IpQ(A').
realistyczne
grhie In jest opisana w twierdzeniu Kakutaniego (tw. 2) gestoscia rozkladu (obligacja) i instrumentem dajacym byc moze wiekszy zysk, ale z ryzykiem
Q ® ... ® Q wzgledem P ® ... ® P = p®n. Poniewaz (In, Fn) jest martyn- (akcja). Ceny obligacji sa deterministyczne, mian9wicie cena jednej obligacji
galem na przestrzeni (ll, Foo, Poo), to ciag (min(a, bln), Fn) jest nadmar- Bt wynosi:
tyngalem. Wobec tego Tn+1 ,,;; Tn, n = 1,2 ... , a poniewaz limn->oo In = O Bo=l, .Bt=(l+r)t,
Poo-p.n., to Tn O. l t=1,2, ... T,
gdzie r jest stala stopa pro,C;vntowa, mówiaca q ile wzrosla wartosc obli-
Udowodnilismy formalnie fakt intuicyjnie oczywisty: zwiekszajac liczbe do-
gacji pomiedzy momentami transakcji. Natomia.st ceny jednej akcji St sa
swiadczen, zmniejsz(1my ryzyko. _
zmiennymi losowymi. Cetla '"akcji w momencie zero jest znana liczba Sa·
Nasza wiedza wynika z ohsurwacji cen, zatem informacje tworza rosnacy
Zadania ciag O'-cial Ft = O'(So, Sl, .... S,.). Handel akcjami i obligacjami polega
m, okresleniu w czasie (t, t 1), na podstawie wiedzy dostepnej do mo-
-1-
1. Iloraz wiarogodnosci. Niech (X,,) bedzie ciagiem zmiennych losowych, mentu t, portfela t.zn. lic7.by akcji 1>t+1 i liczby obligacji 1]IH1, które chcemy
o którym wiadomo, ze wektor (X l, ... , X,,) ma dla kazdego n E N gestosc posiadac w momencie t + l. Sklad portfela na moment t + 1 jest para
pn, albo dla kazdego n E N ma gest.oSc Gon.. Statystycy definiuja ilora~ wia- zmiennych losowych <]')t+1' \l'lt+1' zaleznych od wiedzy do momentu t, a wiec
rogodnosci wzorem: Ft-mierzalnych. W momencie t + 1 znamy nowe ceny: nasza wiedza posze-
rzyla. sie. Korz.ystajac z tego, w czasie (t + 1, t + 2) tworzymy nowy portfel
An(X1, ... ,Xn) = Gn(XJ, ,X",) na moment t + 2. Dlatego zawsze zakladamy, ze 'procesy tworzace portfel
Pn(X1, )Xn)'
sa procesami prognozowalnymi (por. przyklad 11.2.6).
przy zalozeniu (dla wygody), ze fakt.yczna gest.oSc p" jest. ciagla i JJn.(~;) > (J
Gdy portfel w momencie O zawiera a akcji i ;3 obligacji, to jego wartosc
dla kazdego x E Rn.
wynosi Vo = aSa + ;3Bo. W momencie t wartosc portfela Vi wynosi
Zwrócmy uwage, ze nie zakladamy niezaleznosci zmiennych losowych X".
Wykazac, ze ('>-n, a(Al, ... An)) jest martyngalem zbieznym p.n. Vi = <p/St + \f!tBt·
2. Archeolog ma podzielic znalezione na cmentarzysku czaszki na. meskie lco- i Zakladamy, zc inwestor zmienia swój portfel bez konsumpcji, bez doplywu
biece. Wiadomo, ze obwód czaszki meskiej ma z dobra dokladnoscia rozklad
normalny o sredniej 57 cm i odchyleniu standardowym 4 cm; dla czas~ek kapitalu z zewnal',rz, a takze nie ponosi zadnych kosztów transakcji. Dlat.ego
kobiecych wartosci te wynosza odpowiednio 54 cm i 3 cm. majac w momencie L kapil'.al \lt = (f)/ St + \lI t Bt. moze go wydac i utworzyc
Jak klasyfikowac czaszki przy zalozeniu,.ze koszty blednych decyzji obydwu nowy portfel <Pt-H, WtH, kupujac akcje po cenach St i obligacje po cenach
rodzajów sa jednakowe, a czaszki obu plci znajdowane sa jednakowo czesto? Bt. Zat.em
Jakie jest. prawdopodobienstwo blednej decyzji? '1\SI. + WtBt = <Pt-j-lSt + WH1Bt· (1)
3. W woreczku jest. 5 monet symetrycznych i
5 t.akich, ze orzel wypada z praw- St.ad zmiana kapitalu (zysk) w momencie t + 1 jest równy
dopodobienstwem p = 1/4. Rzucamy n = 100 razy losowo wybrana moneta
i na podst.awie wyniku doswiadczenia decydujemy, czy moneta jest syme- ViH -Vi = <PtH(St+l - S,.) + wtH(Bt+1 - Bt)· (2)
t.ryczna. Koszt.y blednych decyzji obydwu rodzajów sa jednakowe. Podac re-
gule decy~yjna minimalizujaca ryzyko. \Vyplata (europejska) nazywamy dowoba zmienna losowa postaci X =
= h(ST)dla pewnej funkcji h (X interpretujemy jako sume pieniedzy otrzy-
mana w momencie T). Sama funkcja h charakteli,Yzuje produkt finansowy
§ 11.8. Zastosowania w matematyce finansowej oferowany na rynku. Na przyklad dla opcji kupna o cenie wykonania K
marny
W tym paragrafie podamy rozwiazanie problemu wyceny produktu finan- h(O = (t - K)+,
sowego oferowanego na rynku. Szczególnym przypadkiem takiego produktu
jest opcja (europejska) zakupu akcji, czyli umowa, w której druga strona czyli wyplata jest równa
zobowiazuje sie sprzedac w chwili t = T akcje po cenie wykonania K. Po-
wstaje pytanie: ile warto zaplacic za opcje w chwili O?
h(ST) = (Sy - K)+ .I
Rozwazmy najprostszy model rynku finansowego, na którym handluje sie Istotnie, poniewaz mamy prawo do zakupu akcji po cenie K, to jesli cena
w chwilach O,1, ... , Tti\.1strumentem dajacym staly zysk bez zadnego ryzyka rynkowa akcji jest wyzsza, realizujemy opcje i zarabiamy ST - J{. Jesli akcje
260 Rozdzial 11. Martyngaly § 11.8. Zastosowania w matematyce finansowej 261
sa tansze, czyli ST ( K, nie ma sensu realizowac opcji i wtedy wyplata jest Skorzystalismy tu z niezaleznosci zmiennych losowych Ui oraz zad. 6.3.6.
równa zeru. Stad
Ile taka wyplata powinna kosztowac w momencie 07 Aby zdefiniowac po-
prawnie cene wyplaty X, wprowadza sie pojecie portfela replikujacego. Port- .MUl, ... , Ut-l, l) - f t-l (Ul, ... , Ut-l) _
fel replikuje wyplate X, gdy kapital VT, który on generuje w momencie T 2(1-p) -
jest równy X (tzn. 'Iw X(w) = VT(w) ). Wartosc portfela replikujacego MUL, ... , Ut-l, -l) - Jt-1(Ul, ... , Ut-l)
w momencie O nazywamy cena wyplaty X, gdyz majac taki kapital poczat- -2p
kowy i stosujac portfel replikujacy marny w momencie T kapital VT= X.
a zatem At = CYi - Yi- Il / (Zt - Zt-1), co daje teze· Jedynosc jest oczywi-
Zbudujemy model bardziej szczególowy (Cox-Ross-Rubinstein). Niech \1 = sta. _
{g,d}T, P = J-t0T, gdzie J-t(g) = p = 1 - J-t(d). Zalózmy, ze stopa zwrotu
z akcji Rt = (St - St-Il/St-l jest zmienna losowa przyjmujaca dwie war- Z tego lematu wynika
tosci, a mianowicie dla w = (Wl, ... ,WT) marny Rt(w) = b, gdy Wt = g,
Rt(w) = a, gdy Wt = d, gdzie -1
< a < r < b. To zalozenie jest naturalne, Twierdzenie 2. Portfel z kapitalem poczatkowym Vo replikujacy wyplate
bo jesli r < a, to warto kupowac tylko akcje, a w pr'zypadku b < r tylko ob- X 'istnieje wtedy i tylko wtedy, gdy
ligacje. Krótko mówiac, ceny akcji zaleza od wyników rzutów (niekoniecznie
symetryczna) moneta.
Do znalezienia ceny wyplaty X wykorzystamy twierdzenie o reprezenta- Vo = E ((1 :rY)'
cji martyngalu, które w tym szczególnym przypadku bedzie mialo prosta
gdzie P jest T'Ozkladem zadanym przez J-t(g) == (r - a)/(b - a).
postac (i dowód). Niech
Wtedy istnieje dokladnie jeden portfel replikujacy wyplate X, zatem cena
wyplaty X momencie O wynosi Vo.
11)
Uk(w) = {l -1 dla Wk
Wk =
= g,d,
gt = rr(U1, ... , Ud, D o wód. =} Niech Wt bedzie zdyskontowanym procesem wartosci portfela,
t . tj. Wt = Vt/ Bt· Korzystajac z (2), a nastepnie z (1), otrzymujemy
Zt = I:(Uk - 2p + 1).
= il'>t+1Rt+1St + \]it+1rBt + (ril'>t+1St - ril'>t+1St) =
k=l Vt+1 - Vt
Lemat 1. Gdy (Yi, gt) jest mar·tyngalem, to istnieje dokladnie .jeden p'roces 1
prognozowalny A taki, ze RH-1 - T = :.?Y - o.)(Zt+1 - Zt),
t
(tu wykorzystalismy postar. to definiujac
Yt = Yo + I:
k=l
Ak(Zk - Zk-l)'
f.t(g»,
pft(Ul,"" Ut-b 1) + (1 - p) f t (Ul , ... , Ut-b -1) = f t-l (Ul , ... , Ut-l). Vo = Wo = EWT = E ( BT
VT ) ,
2(i'
Rozdzial 11. Martyngaly
263
264
Rozdzial 12. Lallcuchy Markowa § 12.1. Definicja i przyklady 265
00 i OOR. Prawdopodobienstwa przejscia pomiedzy stanami umieszczono Intuicyjnie jest to oczywiste, bo Xn = Xn-l +'un, zas Xn-l i Un sa nieza-
przy strzalkach. Po dojsciu do stan6w OOR i ORO pozostajemy w nich. lezne. Formalnie, gdy P(Xn-l = Sn-l, ... ,X1 = 8l,XO = 80) > 0, to jak
Odpowiedzi na postawione pytania mozna znalezc w zadaniach 14-16. II latwo widac
=
SO)
Bn-l),
= Q,.:'."
O 3,'!, .,.,'..
•.•.
: l 0~2
, ' ,5 I~
" ",.52
"<?~ ..",,: ..:j"
~04 U/t /,'\","".'
.-'•.,
··~t"'/!~
~, ..0:7/
,0,7
jesli tylko P(Xn-l = Sn-I,· .. ,X1 = Sl,XO = BO) > O.
0,3 :!)h\,~3 )
"7~~il.).,
dl;
Widzimy, ze po pewnym c,z'lsie uklad praktycznie zapomina o stanie po-
Dane z tabeli przedstawiamy na wykresach ponizej.
czatkowym, bowiem rozkfr~S1.'~lniennej losowej X.n zmierza do tak zwanego
rozkladu stacjonarnego (zajmiemy sie tym zjawiskiem pózniej, w § 12.5).
--5J Rozklad stacjonarny jest r~prezentowany przez wektor 7r == (7r1, ... ,7rn),
;--Sz dla ktÓrego 7r P == 7r, czyli odpowiednio unormowany wektor wlasny macie-
rzy P. W naszym przypadku jest to wektor (0,3379,0,3793,0,2828).
-,l- 53
To, ze (Xn) jest lancuchem Markowa, wynika na przyklad z zadania 1. •
\
wynosi 1, czyli dla kazdego iES Twierdzenie 8. Dla kazdego 1'Ozkladu pmwdopodobienstwa Q na S i ma-
cierzy przejscia P na S istnieje na pewnej pTZestrzeni probabilistycznej
I)ij
JES
= 1. cuch Markowa o rozkladzie'poczatkowym Q macierzy przejscia P. i
lan-
jesli tylko P(Xn-1 = Sn-l, ... I Xl = S], Xo = So) > O. Podstawowe wlasnosci jednorodnego lailcucha Markowa zawiera
Rozklady skoilczenie wymiarowe lancucha Markowa, czyli rozklady wekto-
rów (Xk" ... , Xk,,) spelniaja zaleznosc (zad. 20):
Twierdzenie 10. Gdy (Xn);:"=o .jest jednorodnym lancuchem Markowa, to
zachodza nastep1tjace zaleznosc'i, przy zalozeniu, ze w punktach (a), (b), (c)
wll'l"unk'i w pmwdopodob'ie'nstwach 'Warunkowych maja dodatnie pTawdopo-
P(Xo = So,··· ,Xn = sn) = P(Xo = sO)Psos1 •..•. PSn-1"n' (2)
dobienstwa:
sa wiec wyznaczone
przejscia.
jednoznacznie przez rozklad poczatkowy i macierz
(a) (lla dowolnych m, n E N i dowolnych sa, SI, ... , sn E S
Najczesciej spotykany sposób definiowania lancuchów Markowa jest Ilspra- P(X1 = Sl,X2 = S2,··· ,Xn = snlXo = sa) =
wiedliwiony przez P(Xm+1 = SI,·'" Xn+~' = snlXm = SO);
li
!O
'IW . Rozdzial 12. Lancuchy Markowa § 12.1. Definicja i przyklady 271
(d) jesli A E O'(Xn, Xn+l, ... ), to 1'(AIXo, Xl, ... , Xn) = 1'(AIX,,). '2: Pm:i(n.)Pi,n = '2: Pmj(11,)Pim = Pij(n + 1),
{m.:s",ES+} {rrr:smES)
D o wód. Punkt (a) jest oczywisty, gdyz z twierdzenia o mnozeniu i z deH- c;/,ego ualezalo dowiesc.
nicji jednorodnego lancucha Markowa Innym sposobem zctpisu zwiazku 1'(I)P(k) = 1'(k+l), wynikajacego stad, ze
1'(n) = jm sa r'ównania Chaprnana-Kolmogorowa dla prawdopodobienstw
1'(Xl = SI>." ,Xn = snlXo = so) = przejscia:
= PSDS1PSlS2'" PS~_lSn = 1'(Xm+l = SI,·'" Xm+n = sn.IXm = sa)·
Vk,l E N VSi,Sj E S Pij(k + l) = '2:Pim(k)Pmj(l),
"m,
Punkty (b) i (c) dowodzi sie podobnie.
(d) Rodzina zbiorów A spelniajacych ten warunek jest A-ukladem. R.o- Podsumujmy praktyczne wnioski z podanych twierdzen i definicji: po pierw-
dzina L zbiorów {Xkl E. Bl,' .. , Xkm E Bm}, n < kI < k2 < ... < km, sze, macierz przejscia P jednoznacznie okresla prawdopodobienstwa przejsc
m = 1,2, ... , Bi C S, jest 7r-ukladem zawartym w A, wiec z lematu o 7r- w dowolnej liczbie kroków. Tak na przyklad:
i A-ukladach 0'(12) = O'(Xn, Xn.+I>" .) C A. To, ze L C A wynika z poniz-
szej zaleznosci, zachodzacej dla dowolnego m: P(X4 = Sj, X7 = Sk, XI3 = Sz\X2 = S'I) = Pi.i(2)pjk(3)Pkl(6).
..
Po drugie, oznaczajac Pi(n) = P(X.", = S·i.), Si E S, n = 0,1, ... , otrzymu-
(3) jemy z (4.):
[;(;I] 1{Xn+1EB,} I Xo,··· ,xn.) = [; (g 1{Xn+1EB,J I x,,) ,
p'l(n) = '2: P(Xn = s;!Xo = Sk)1'(XO = Sk) = '2:pki(n)pk(O). (5)
która dowodzimy indukcyjnie. _ k i k
Macierz przejscia P lancucha Markowa sklada sie z prawdopodobiellstw Zatem znajac rozklad poczatkowy, dany przez wektor (PO(O),pl(O), ... )
przejsc w jednym kroku. Zajmiemy sie teraz mozliwosciami przejsc w wiek- imacierz przejscia P mozemy wyliczy(~ rozklad X,,:
szej liczbie kroków. Juz z przykladu l widac, ze prawdopodobieilstwa przej-
scia w n krokach tworza macierz (pO(n),PI(n), ... ) = (pO(O),PI(O), ... )1'n.
pn. o~n 1'(11,) = (Pij(11,))i,jES Przyklad 11. Lallcuch Markowa o dwu stanach, S = {O, l}, ma macierz
przejscia '
Udowodnimy, ze Pij(n) jest faktycznie prawdopodobieilstwem przejscia ze
stanu Si do Sj w n krokaCh, czyli ze J:p~, .(~~~ ~~~).
'>,
, ~'
VI E N Pij(11,) = 1'(XI+n. = sjlXI = Si), (4) Gdy Poo oj 1 lub Pll oj 1, l~t~o udowodnic indukcyjnie (zad. 10), ze
= i) >
o ile 1'(Xl O.
Istotnie, dla 11,= 1 wzór (4) jest po prostu definicja macierzy przejscia. Wy-
1'(11,)= 2 - POG- l Pll (l-Pll
1 - Pll l-poo)+
l - POG '.
konamy teraz przejscie indukcyjne: zalózmy, ze (4) zachodzi dla pewnego
n; wykazemy jego prawdziwosc dla n + 1. Niech zatem l bedzie takie, ze + (poo + Pll
2-POO-Pll - 1)" ( 1 - Poo-(l
-(l-pll)' l-Pll- poo)) .
r
272 Rozdzial 12. Lancuchy Markowa § 12.1. Definicja i przyklady 273
Ten prosty larlcuch Markowa opisuje wiele sytuacji, np. kolejne wyniki rzu- 6. Niech X" bedzie bladzeniem przypa.dkowym na prostej z przykI. 4, Xo = O.
tów moneta; system telekomunikacyjny przekazujacy tylko cyfry O i l, przy Pokazac, ze ciagi (y.,) i (Z,,), .zdefiniowane wzorami
czym na kazdym etapie prawdopodobienstwo, ze cyfra nie bedzie zmieniona a) y" = IX"I, ,,'
. wynosi p .• b) Zn = U" - Xn, gdzie U" = maxk~"Xk,
sa lancuchami Markowa; znalezc ich macierze przejscia ..
Lancuchy Markowa zostaly wprowadzone do teorii prawclopoclobiet\.stwa przez 7. Niech X i Z bedc~lancuchami Markowa o wartosciach calkowitoliczbowych.
matematyka rosyjskiego, Andrieja Andriejewicza Markowa (1856-1922). Markow Czy X + Z musi byc lancuchem Markowa?
bral czynny udzial w rosyjskim ruchu liberalnym. W 1913 roku, gdy uroczyscie 8. Seminarium probabilistyczne jest organizowane przez matematyków z To-
obchodzono w Petersburgu 300-lecie panowania Romanowów, Markow zorganizo- runia, Warszawy i Wroclawia. Na zakonczenie kazdego spotkania losuje sie
wal konkurencyjne obchody 200-lecia odkrycia prawa wielkich liczb przez Berno- z równymi prawdopodobienstwami miejsce nas,tepnego sposród dwóch pozo-
ulliego. stalych osrodków. Czy taka procedura jest sprawiedliwa, zwazyw'szy. ze or-
W tymze 1913 roku Markow przeanalizowal ciag 20000 liter poematll Puszkina ganizcl.cja seminarium wiaze sie z kosztami dla gospodarzy? Jakiego rodzaju
"Eugeniusz Oniegin" , by dowiesc, ze jest on dobrym przyblizeniem lancucha Mar- twierdzenie o lancuchach Markowa rozstrzygneloby te kwestie?
kowa. Dzielac stany na samogloski i spólgloski otrzymal nastepujaca macierz A na razie: podac macierz przejscia odpowiedniego lal'Lcucha Markowa, obli- Patrz np. § 12.5.
przejscia: czyc prawclopodobiel'lstwa znalezienia sie w poszczególnych stanach w chwili
i
n ich granice przy n ---+ 00. Zbadac szybkosc zbieznosci.
Samogloska
0,3:37
0,872
0,663
0,128 9. Niech (X..,) bedzie jednorodnym la.1'lcuchem Markowa na przestrzeni proba-
spólgloska
ska
gloska bilistycznej (O,F,P) i
niech no E N,s E 8 beda takie, ze P(X"o =- s) > O.
Wt.edy na przestrzeni probabilistycznej (D, F, Ps), gdzie Ps jest prawdo-
podobiei1stwem na F zadanym wzorem P,(B) =- P(BIX"o =- s), proces
Y,,(w) ~ X"o+n(W) jest lancuchem Markowa z ta sama macierza przejscia co
Rozkladem stacjonarnym (czyli odpowiednio unormowanym wektorem wlasnym
X" i takim, ze P.(Yo =- sol = 8s(so) ..
tej macierzy) jest (0,432; 0,568), co oznacza, ze w tekscie "Eugeniusza Oniegina"
10. Wyl«'\zac indukcyjnie prawdziwosc wzoru na postac P(n) z przykladu 11.
powinno byc 43,2% samoglosek i 56,8% spólglosek. I rzeczywiscie tak jest1.
11. Czastka porusza sie wzdluz osi OX ze stala predkoscia +v lub -v. VVchwi-
lach 1,2, ... kierunek ruchu pozostaje bez zmian z prawdopodobienstwem p,
a z praw. q = l - p zmienia sie na przeciwny. Zmienna X" opisuje kierunek
Zadania ruchu w momencie n. Znalezc P(Xn =- +vlXo = -v), P(Xo = +vIX" = +v)
oraz l'Ozklad X"' gdy wiemy, ze P(Xo = v) = r.
1. Niech (U,,) bedzie ciagiem niezaleznych zmiennych losowych, 'Pn: 8 x R'-f 8, 12. k kul bialych i k kll] czarnych umieszczono w dwu pudelkach, po k kul
n = 0,1,2, ... beda funkcjami borelowskimi (8 jesl; zbiorem przeliczalnym w l«tzdym. Stan ukladu jest opisany przez podanie liczby kul bialych w
z metryka dyskretna). Niech Xo bedzie zmienna losowa o wartosciach w 8 pierwszym pudelku. Przejscie pomiedzy stanami odbywa sie w nastepujacy
niezalezna od ciagu (U,,) i niech sposób: z obu pudelek losujemy po jednej kuli (niezaleznie od siebie), po czym
zarn.ieni'1.mydla kul pudelka. ZnaleZC:macierz przejscia dla takiego littlcucha
X"+l = 'Pn(X", U,,), n= O, 1,2, ....
Markowa (jest to model dyfuzji Bernoulliego-Laplace'a przeplywu plynów
pom.iedzy dworna 7.biornikami).
Wykazac, ze (X,,) jest lal'lcuchem Markowa.
13. Niech X, Y beda n.iezaleznymi lancuchami Markowa, oba z macierza przejscia
2. Udowodnic twierdzenie 8, korzystajac z zadania 1. P. Udowodnic, ze Z = (X, Y) jest lancuchem Markowa z macierza przejscia
3. Niech (U,,) bedzie ciagiem niezaleznych zmiennych losowych o t.ym samym P'ij,H = p';.hPjk·
rozkladzie, P(U" = l) = P(Un = -l) = ~. Czy a) X." = u." . Un+l, b) Czas oczekiwania na wystapienie wzorca. Jak sie okazuje, czas oczekiwania
y" = Un+~n+1 sa lancuchami Markowa? na wystapienie ciagu orlów i reszek (przyklad l) zalezy od tego, czy przesuniety
wzorzec pokrywa sie sam ze soba. Dokladniej, jesli A jest l-elementowym, a B
4. Pokazac przyklad lancucha Markowa Xo, Xl, ... i dowolnej funkcji boreJow-
- m-elementowym ciagiem orlów i reszek, A (k) oznacza ciag pierwszych k wy-
skiej f, takich ze f(Xo), f(XJ), ... nie jest lancuchem Markowa.
razów, zas A(k) - ciag ostatnich k wyrazów ciagu A, dla k = 1,2, ... , min(l, m)
5. Udowodnic zaleznosc (3) z dowodu tw. 10d. definiujemy .
jesli A(k) =:B(k),
l Fakty z zycia Markowa podajemy za [SNE). 8k(A, BY=
.' { 2k
O w przeciwnym razie,
'1'1·1 11.o'ld'Ii It.1 12. LmkucllY M/l.r!wwa
§ 12.2. Klasyfikacja sl,anów ~7b
'"l)) ~.
()I'I\Z
min(l,rn.) Bedziemy mówili, ze stan Sk 'jest osiqgalny ze stanu Sj, gdy p.ik(n) > O
A:B= L
k=l
8k(A,B).
dla pewnego n (oznaczenie: Sj ---- Sk)' Stany Sk i Sj nazywamy wzajemnie
komunikujqcymi sie, gdy si ---- Sk iSk ---- Sj (co oznaczamy Sj f---l Sk).
iii
j,'li
Sposób obliczania A : B naj.1epiej przedstawic na przykladzie: Stan Sk nazywamy stanem nieistotnym, gdy istnieje stan Sj taki, ze stan Sj 'l"
jest osiagalny ze stanu Sk, a stan oSk nie jest osiaga'lny ze stanu Sj'
A= 0000 l!
B=
OOOR
OOOR
8
4
-o lj,
.P
j.
OOOR
U 2
Ge/t)
A:B- OOOR--- 14 II!
I
ii
*14. Wy&'tzac, ze sredni czas oczekiwania na pojawienie sie wzorca A jest równy
A:A.
*15. Wykazac, ze jesli gracz wybral wzorzec A, a jego przeciwnik wzorzec B, to
es)
jego szanse wygranej sa równe
A:A-A:B Na rysunku stan SI jest nieistotny, stany S2 i S3 kOI~lbnikuja sie wzajemnie.
B:B-B:A'
Przyklad 1. W bladzeniu przypadkowym po prostej (przyklad 12.1.4)
Jest to wzór C~mwaya:' i hladzeniu z barierami elastycznymi (przyklad 12.1.9) wszystkie stany
*16. Vlykazac, ze jesli jeden z graczy wybral wzorzec ala2 ... (Lm., \'0 drugi zmaksy- sa wzajemnie komunikujace Sie. W bladzeniu z barierami pochlaniajacymi
malizuje szanse swojej wygranej, gdy wybierze lepszy z wzorców bal ... 0."'-1, stany 1,2, ... , a. - 1 sa nieistotne. _ 'I~
*17. Przeniesc cala teorie ~1Jylozonaw zadaniach 14-16 na przypadek niesyme- Zbiór stanów e bedziemy nazywali za.mknietym., jezeli zaden stan spoza e II~
tryczny. Pewnych wskazówek co do postaci wzorów dostarczaja zad. 6.2.3 nie da sie osiagnac wychodzac z dowolnego stanu w C.. Pojedynczy stan
i przyklad 6.2.4.
Sk tworzacy zbiór zamkniety (tUl. Pklc = 1) bedziemy nazywaii stanem
Funkcje harmoniczne. Jesli (X,,) jest lancuchem Marlwwa o przestrzeni sta- puchla.nia.)acym (na przyklad w bladzeniu z barierami pochlaniajacymi -
nów S i macierzy przejscia (pij), to funkcja harmoniczna nazywamy taka funkcje bariery, czyli sta.ny O i a sa sta.nami pochlaniajacyini). Pochlaniajace sa
f: S --> R, ze istnieje stala A, dla której zachodzi równosc takze stany OOR. i OR.O w przykladzie 12.1.1.
Lal1eUch Markowa nazywamy niep'/"zy'Wiedlnym, gdy wszyst.kie stany wza-
>..J(i) = LPijf(j).
JEB jemnie komunikuja sie.
18. Wykazac, ze jesli f jest funkcja harmoniczna na lancuchu Markowa (X,,) Uwaga 2. Rozpatrzmy zamkniety zbiór stanów e S. Niech % = Pij c
o skonczonej przestrzeni stanów, to ciag ()."f(X,,), a(X1, ... , X,,)) jest mar-
clla S'i, Sj E e (w macierzy P skreslamy wiers7,e i kolumny odpowiadajace
tyngalem.
starlOm nie nalezacym do zbioru e). Wtedy macierZ! Q jest stochastyczna,
19. Rozwiazac zagadnienie ruiny gracza konstruujac odpowiedni hU1cuch Mar- bo dla dowolnego 8; E E
i
kowa funkcje harmoniczna.
20. We wzorach (1) i (5) kr,yje sie - co prawda nieszkodliwe - oszustwo. Podac
poprawne dowody tyc~.zalezJlosci, a nastepnie udowodnic zaleznosc (4).
l= L
sJ.•ES
Pik = L
sJ,EC
Pik,
./
Dowód. Wezmy r,n takie1 ze Pij(r) > O, pjk(n) > O. Wtedy z równania 2. Mówimy, ze (X,,) jest lancuchem'Markowa jednorodnym w czasie i w prze-
Chapmana-Kolmogorowa strzeni, gdy S == Z oraz Pi,k+i == P(X"+1 == k + ilX" == i)- == Pk. Udowodnic,
ze (X,,) jest lancuchem Markowa jednorodnym w czasie i ..~ przestrzeni wtedy
pidn + r) = LPil(r)Plk(n) ~ Pij (r)pjk(n) > O. _ i tylko wtedy, gdy X" == Uo + ... + U"' gdzie (Ui)~l jest ciagiem niezaleznych
l zmiennych losowych o jednakowym rozkladzie i wartosciach calkowil;oliczbo-
wych, zas Uo ~ Xo.
Dlatego relacja +---4, która jest symetryczna, jest takze przechodnia. 3. Udowodnic, ze larlcuch Markowa jest nieprzywiedlny wtedy i tylko wtedy,
gdy zbiór stanów S nie ma wlasciwych podzbiorów zamknietych.
4. Niech S == {l, 2, 3, 4}. Przeprowadzic klasyfikacje stanów lancucha Markowa
Wniosek 4. Jesli Si +---4 Sj, Sj +---4 Sk, to Si +---4 Sk.
:I 1 l
j 1
It t
:'1
Przyklad
l
5. Lancuch Markowa na przestrzeni
nastepujaca macierz przejscia
l 2
O O
stanów 5 = {l, 2, ... 5} ma
a)
O
O
l4 1
1
o 1D(ac~erZ6
l
1
O
'I l,I
i
l
Il p~zejS~i)a
'
O
b)
( O
O
O
l
O
O
O
';i
O
l1.l.)
';i ,c)
(l.!
4
';i
O
:I
';i D
2 2 O O
I
S-
O
O
3
4
2
l
!
101
2
O , b) O
3 "3
O
O
O
!
l l
4'
O
O
4
O
~ , c)
~
Ó
±
O
O
t
O
"l 2l
1
§ 12.3. Stany chwilowe i powracajace
a) (11 O O
~
O
O
O
O
OJ (l
O
O O ~ O
~
~O)
O
(10
l
O
O
2
O
2
O Od tej chwili stan s j lal1cucha Markowa bedziemy dla skrócenia notacji
okreslac tylko liczba j.
Przy badaniu ewolucji lancucha Markowa w czasie chcemy. wiedziec, do
.. ~J których stanów lancuch wraca nieskonczenie wiele razy, a które po pewnym
czasie opuszcza bezpowrotnie.
(@~.
W~.
01) <~?
'.' ~,
°2 vl
'W,,~,,;in
t.V Niech Pkj bedzie prawdopodobienstwem,
dotrze kiedykolwiek do stanu j. Wt;edy
Pkj = P(
00
U {Xn =
ze lancuch wychodzac
j}IXo = kl·
ze stanu k
n=1
b) {l, 2}, {3, 5}, {3, 4, 5} i 5 sa zamknietymi zbiorami stanów, 4 jest stanem to
00
nieistotnymi gdy ograniczymy sie do CI
nieprzywiedlny lancuch Markowa,
= {l,2} lub C2 = {3,5} mamy
Fkj = L
n=l
fkj(n).
1. Niech Xi beda wynikami kolejnych rzutów kostka i niech Z" bedzie ostatnia
i Poo = l, gdy poo =l lub Pll'< 1.
cyfra liczby Xl Xn. Jakie sa stany pochlaniajace lancucha Markowa Gdy poo < 1 i Pll < 1 to po analogicznych rachunkach otrzymujemy, ze
Zn? PlO = POI = Fu = Poo = 1. •
278
Rozdzial 12. Lancuchy Markowa § 12.3. Stany chwilowe i powracajace 279
Ze wzoru na prawdopodobienstwo calkowite latwo wynika (zad. 1), ze praw- co daje teze twierdzenia. Przejdziemy teraz do dowodu równosci (2).
dopodobienstwa Pkj(n) i /kj(n) sa zwiazane równoscia
Ustalmy nI < 71,2< ... < nk. V/tedy
fi. n-l
Pkj(n) = L
7n=1.
Ikj(m)pjj(n - m) = L
m.=O
,fk.j(n - m)pjj(m) (1) P(X"I
k
= .i,l = 1, ... ,k,Xn
.' H\
'
oj: j dla n oj: 71,/,71,
,
~ nklXo = i) =
dla dowolnych stanów'j, k i dowolnego n ~ 1, gdzie Pkj(O) = Ókj. I1[P(X"f_d-1 oj: .1, ... , Xr,,-1 oj: j, Xnl = .iIXnl_l = j) x
1.=2
powracajacy i chwilowy. = (L
ml=1
Iij(mIl) II( L
Ij~(ml))
/=2 m!=1 .
= FijFL-l .•
D o wód. Oczywiscie {Nj = oo} = lim sUPn {Xn =.n. Gdy Ak jest zdarze- b) Stan nieistotny k jest sta.nem chwilowym na mocy (5), gdyz dla stanu.1
niem polegajacym na tym, ze Xn = .1 dla co najmniej k róznych momentów takiego, ze k -->.1 i -,(.7 --> k) jest P(Nk < oolXo = k) ~ Pkj(n) > O (patrz
takze zad. 9).
czasu n, czyli Ak = {Xn! = j dla pewnych nI < 71,2 < ... < nd, to
Ak-l-1 C Ak i n;;o=1 Ak = lim sup" {Xn = .i}. Zatem z twierdzenia o ciaglo-
sci: Podamy teraz drugie twierdzenie charakteryzujace stany chwilowe i powra-
cajace za pomoca macierzy przejscia P. Niech
lim P(AkIXo
k-+oo
= i) = P(limsup{Xn
n = j}IXo = i) = P(Nj = oolXo = i). 00 00
P(Nj = oolXo = .1) = O q Fj.i < 1, (5) (b) chwilowy wtedy i tylko wtedy, gdy Pj < 00.
280 Rozdzial 12. Lan.cuchy Markowa § 12.3. Stany chwilowe i powracajace 281
Gdy j jest stanem powracajacym, to nie moze byc Pi < 00, bo wtedy
z punktu b) twierdzenia wynikaloby, ze stan j jest ch"';ilowy. Zalózmy, ze
~[--(4
vnVif pq
)n]k _ .
- nk/2 JTk/2 (4pg)
1
nk
,
Pj = 00. Gdyby bylo Pjj < 1, to lewa strona (6) bylaby nieograniczona, poo(2n + 1) = O.
a prawa ograniczona - sprzecznosc. Zatem Fjj = 1, czyli .j jest stanem
powracajacym. _ Zatem dla k = 2ip = ~ mamy
Stwierdzenie 6. Jezeh j jest stanem chvJilo'Wym, to dla. kazdego stan7.L';, 00 1 00 1
I:~=lPij(n) < 00, zatem lim.n~ooPij(n) = O. L,poo(n) = - JT
L,'- n = 00,
n=l n=l
Dowód. Dla i=j teza wynika z twierdzenia Sb. Gdy i =I j, to z (1) czyli zero jest stanem powracajacym.
wynika, ze
Dla k =2 ip =I ~ zero jest stanem chwilowym. Dla k ~ 3 mamy
00 00 n
1
LPij(n) = L L !ij(rn)pjj(n - m) = poo(2n)::;; Cknk/2
11,=1 n=11n=1 .,
00 00 00 00
= L L, !ij(m)pjj(n
rn=l n='m
- m) = L, /ij(m)
rn=;].
L,pjj(l)
l=l
=
i kazdy stan jest chwilowy. Zatem wychodzac t zera lancuch moze z dodat-
nim prawdopodobienstwem nigdy tam nie wró~ic .•
= FijPj < 00,
Wydaje sie, ze nie ma powodu, by w powyzszym przykladzie stan zero byl
gdyz j jest stanem chwilowym. _ stanem wyróznionym. I tak rzeczywiscie jest.
2/)2 Rozdzial12. La11cuchy Markowa § 12.3. Stany chwilowe i powracajace 283
Twierdzenie 8. W nieprzywiedlnym lancuchu Markowa wszystkie stany Twierdzenie 11. PTzes!;rzen stanów S lanc'ucha Markowa mozna .iedno-
sa tego samego typu: jezeli jeden jest powraca.iacy (odp. chw-ilowy) to wszyst- znacznie przedstawic w postaci sumy:
kie sa powracajace (odp. chwilowe).
S = T U SI U S2 U .. :,
Uwaga 9. Twierdzenie to mówi, ze wszystkie stany sa tego samego ro-
dzaJu, wiec mozemy ,mówic o lancuchu Markowa okreslonego rodzaju, np. gdzie T jest zbior'em stanów chwilowych, a Si ,'UtniepTzywiedlnymi zamknie-
powracajacym. tym'i zbioTami stanÓw powmcli.iacych.
D o w ó d twierdzeni~ 8. Wezmy dwa dowolne stany: j, k. Wtedy istnieja D o w ó d. Dla stanu powracajacego j
.i, E S \ 1', niech Sj = {k: k <-+ j}. Sj
liczby naturalne N, M > O takie, ze a = Pk.i(N) > 0, (3 = P.ik(M) > O. Dla jest zamknietym zbiorem stanów wzajemnie komunikujacych sie. Sk = Sj
n E N mamy • dla k E Si oraz Sk n Si = 0 dla k rt (Si U T). Zatem S \ T rozbija sie na
rozlaczne klasy, które mozemy ponumerowac: SI, S2, ....•
pjj(N + M + n) = LPji(M)pii(n)pij(N) ~ Pjk (M)Pkk(n)pl'.i (N) =
lIi
Z twierdzenia wynika, ze gdy Xo = k i k E Sn, to lal'icuch Markowa nigdy
= afJpkk(n). nie opusci Bn i mozemy wziac Sn jako cala przestrzen stanów, a jesli k E T,
to lar1cueh pozostaje w T caly czas lub trafia do jakiejs klasy Sm, gdzie juz
Analogicznie, pkIc(N + M + n) ~ ajJpjj(n). Stad, dla n > M + N, pozosta.je.
1
(7)
a(3pjj(N + M + n) ~ Pkk(n) ~ a{3pjj(n - M - N),
Zadania
zatem asymptotyczne wlasnosci ciagów Pkk (n) i Pjj (n) sa identyczne: na
przyklad L~=IPjj(n) = 00 wtedy i tylko wtedy, gdy L~=1Pkk(n) = 00 .• 1. Udowodnic równosc (l), czyli:
Z tego twierdzenia i z przykladu 7 przed nim wynika, ze dla symetrycznego
bladze'nia przypadkowego na prostej i na plaszczyznie wszystkie stany sa '1"1 n-l
powracajace, natomiast dla bladzenia w R\
k ~ 3, wszystkie stany sa Pkj(n) = L !kj(m)p:ij(n - m) = LJ'kj(n - m)pj.i(m)
ehwilowe. Stad, jak zauwazyl W. Feller, zdanie "wszystkie drogi prowad7.a H/,::.::l 1n=O
1-
284 Rozdzial 12. Lancuchy Markowa 285
§ 12.4. Lancuchy okresowe
6. Niech lancuch Markowa z przestrzenia stanów S = {o. l, 2, ... } ma macierz Definicja 3. NiepTzywiedlny lancuch MaTko,lila naZY1uamy okTesowym, gdy
przejscia postaci: POl = Po, poo = l -'- po, P:n.n+l = Pn, pnO = l - p·rt·
jego stany sa okresowe z okresem d > 1. W pTZeC'iwnym pTZypadku lancuch
Kiedy ten lancuch jest powracajacy, a kiedy chwilowy? nazywamy n'ieokresowym.
7. Udowodnic, ze lancuch Markowa o skonczonej liczbie stanów nie moze skla-
dac sie z samych stanów chwilowych. Czy jest to prawda dla lancuchów Opiszemy teraz przestrzen stanów takiego lancucha.
Markowa z przestrzenia stanów 5' = {l, 2, ... }?
j
8. Udowodnic, ze dla 'skonczonego lancucha Markowa jest stanem chwilowym Twierdzenie 4 (O rozkladzie na podklasy cYkliczne). ZbióT stanów
j
wtedy i tylko wtedy, gdy jest stanem nieistotnym. Czy jest to prawda ella S okTesowego lancucha MaTkowa o okTesie d z macieTza przej§cia P mozna
lancuchów o przestrzeni stanów nieskonczonej? pTZedstawic jako sume 'rOzlacznych zbiorów Si, ... Sd takich, ze
9. Udowodnic, ze jesli lancuch Markowa jest powracajacy, to Fi:i = l ella kaz-
dych stanów i, j. ; (i) jesli Pij> O, i, E Sn" to jE Sm+l (przyjm'ujemy, ze Sd+1 = Si),
10. Niech (X;:) i (X~) beda symetrycznymi hladzeniami przypadkowymi na pro-
stej, startujacymi odpowiednio z punktu a E Z i b E Z. Jaka jest szansa, ze
. 'l'~ na
(ii) Jes Sm za d.o.my macwrz
.' ., .' Pij
przeJscza (m) = Pij (l)"( , ·t,J E S n, t O
te dwa hladzenia'3potkaja sie w pewnej chwili w jakims punkcie? otrzymamy n:iep'rz'fjl1JiedlnynieokTesowv}anc'uch Ma.Tkowa.
Definicja 1. Okresem stan'u j nazywamy liczbe (i) zachodzi, gdyz Pij > O i Pli(kd + m) > O dla pewnego k, pociaga
Plj(kd + m + l) > O, zatem jE Sm+l.
oU) = NWD{n:pjj(n) > Ol.
Aby udowoclni(~ (-in, wykazemy, ze (pgn)) ..
'l,JESm jest macierza przejscia.
Jest to najwiekszy wspólny dzielnik zbior'IJ,tak-ich n, ze powrót do stan'l! j Dla dowolnego i, E Sm mamy
moze nastapic po n krokach.
Stan j nazywamy okTesowym, gdy oU) > l i nieokTesowyrn, gdy oU) = 1. L p~T) = L Pij(d) = L Pij (d) + L
jES'm jESm jESm jES\Srn
Pij(d) = LPij(d)
jES
= l,
Oczywiscie pjj(n) =.0 dla n nie bedacych wielokrotnosciami oU).
poniewaz Pij (ci) = O dla.J ej Sm (z punktu (i) wynika, ze w jednym kroku
Twierdzenie 2. W n'iepTzywiedlnyrn lanc'uchlL Ma'rkowa wszystk'ie stany przechodzimy z Sk do SI:+l, k = 1,2, ... , d - l, a z Sd do Sl, zatem w ci
maja ten sa.m ok'res. krokach przechodzimy z Sm do Sm)' •
I J
Ii
II
§ 12.5. Rozklady stacjonarne i twierdzenia ergodyczne 287
286 Rozdzial 12. Lancuchy Markowa
2. Udowodnic, ze jesli dla macierzy przejscia nieprzywiedlnego lmicucha Mar- Przyklad 3. Model Ehrenfestów. k czasteczek rozmieszczono losowo
kowa istnieje takie j, ze PJJ' > O, to lancuch nie jest okresowy. w dwu naczyniach (1 i II). W chwili n losowo wybrana czasteczke przenosi
3. Czy jesli wszystkie elementy na przekatnej macierzy przejscia nieprzywiedl- ~ie z nac~ynia, w którym byla, do drugiego. Jesli w pewnej chwili w naczyniu
nego lancucha Markowa sa równe zeru, to lancuch jest okresowy? I jest m> ° czasteczek (uklad jest w stanie m), to w chwili nastepnej uklad
znajdzie sie w stanie m-l lub m+1, zaleznie od tego czy czasteczka przeszla
z naczynia I do I I, c?,y odwrotnie. ZnaleM: rozklad stacjonarny.
§ 12.5. Rozklady stacjonarne i twierdzenia ergodyczne Rozwiazanie. S = {O, 1, ... , k},pl,I-1 = t,Pl,lH = kkl. Pozostale ele-
menty macierzy przejscia sa zerami. Rozkla.d stacjonarny 'Ir spelnia równa-
Okazuje sie, ze dla wielu lailcuchów Markowa (X,,) wplyw r07..lcladu poczat- nie'lr = 'Irp, tzn.
kowego na prawdopodobieilstwo znalezienia sie ukladu w ustalonym stanie 7l'1
maleje wraz ze wzrostem n. Taka sytuacje widzielismy w § 12.1 (przyklad 'Ira = k'
5). Z kolei zad. 12.1.8 sugeruje, ze ma miejsce szybka zbieznosc rozkladów 2
(Xn) do tak zwanego rozkladu stacjonarnego. 'lrl = 'Ira + k'lr2,
Zajmiemy sie teraz tym zjawiskiem. Zaczniemy od rozkladów stacjonar-
nych.
7r1 = ( 1 - l-l) T 7rl-l + 1+1
T7r1+1,
Definicja 1. Mówimy, ze 1'ozklad prawdopodobie'nstwa (7Lj).iES .jest 1'Ozkla-
dem stacjonamym dla lancucha Ma1'kowa o macieTzy prze.iscia P, gdy 7fk = k'
7fk-l
a) l ,b) (1° G)
(1.l 1.) i' . Zajmiemy sie teraz asymptotyka ciagu (Pij (n)) n' Zaczniemy od lematu.
Ad. a) 7r = 7rP tzn. Lemat 4. J(;sli (Xn) .iest nir1pTzyw'iedlnym, n:ieo/;nsowym la.ncuchem Mar-
kowa, 1;0 dla kazdej paTY sf;Q',ió'W'i,j ma.my Pij (n) \> O dla dostatecznie du-
1 1
27r1 + 37r2 = 7rl, zych n .. ;) .1"
l 2
-7rl
2
-I- -7r2
3
= 7r2 D o w ó d. j jest ~tanem nie~i~'esowym, czyli o(j)= 1, wiec istnieja liczby
naturalne Tl.r,Tl.2,'" ,n,. takie, ze pj.i(Tl.m) > O,m.= 1, ... ,7' oraz
7l'1+ 7l'2= 1.
NWD(nl,'" ,n,.) = 1.
Stad 7rl = ~,7r2 = ~.
Tu nie jest Ad. b) Dla kazdego wektora 7r = (7l'1,7l'2) mamy 7r = 7l'P, wiec istnieje Istnieje takie no, ze jesli n ;::: no, to n = alnl"+ a2n2 + ... arnr, gdzie
prawda, ze
nieskonczenie wiele rozkladów stacjonarnych. Kazdy jest wyznaczony przez
ai - ca.lkowite, ai ;::: 0, i
= 1,2, ... r. Istotnie, najwiekszym wspólnym
p.ii(n) -+ 1rj. dzielnikiem zbioru C = {n:pjj(n) > O} jest 1, wiec istnieja nr, ... , nr E N
7rl E [0,1] (wtedy 7r2 = 1 - 7rr) .•
oraz 11,"" lr E Z takie, ;;,e 2:~=llin.i = 1. Niech no = nI 2:~=1 Iii Ini.
Wtedy n ;:::no ma przedst.awienie postaci n = no -I- knl + m, gdzie k ;::: 0,
Gdy 7r jest r.ozkladem stacjonarnym, to 7l'P2 = (7rP)P = 7l'P = 7r i przez m < nI. Stad
indukcje 7rpn = 7l'. Zatem, gdy Xo ma rozklad 7r, to jak wiemy X." ma.
rozklad 7l'p'" = 'Ir, czyli ciag (Xn) jest ciagiem zmiennych losowych o tym n = knl + 2)nl11;l + mli)ni,
samym rozkladzie. Stad wlasnie nazwa "stacjonarny". i=l
I'
289
288 Rozdzial 12. Lancuchy Markowa § 12.5. R.ozklady stacjonarne i twierdzenia ergodyczne
czyli n = aJnl + ... + arnr, gdzie al ~ O, 1= 1,2, ... r. Wtedy dla n ~ no (i'i) Wykazemy, ze jesli 1[ = (1[j) jest rozkladem stacjonarnym, to dla do-
r wolnych stanów i,j: lim,,~=Pij(n) = 1[j.
pjj(n) ~ II
m=l
pjj(amnm) ~ II
m=l
[pjj(nm)]"m > O.
Rozpatrzmy lancuch Markowa (Xn, Yn), na przestrzeni stanów 5 x 5, z ma-
cierza przejscia P zadana wzorem: Pij,kl = Pik' Pjl· Taki lancuch istnieje
(tw. 12.1.8), bo P jest macierza stochastyczna, co wynika z tego, ze p jest
Poniewaz Pij(t) > O dla pewnego t, to Pij(t + n) ~ Pij(t)Pij(n) > O dla . macierza stochastyczna (patrz tez zad. 12.1.13).
n ~ no. -
Poniewaz Pij (n) > O dla dostatecznie duzych n (lemat 4), to Pij,kl(n) > O
dla dostatecznie duzych n (korzystamy tu z nieokresowosci), wiec (Xn, Yn)
Twierdzenie 5. Niech (X,,) bedzie nieprzywiedlnym, nieokr'esowym lan-
cuchem Markowa, dla ktor'ego istnieje rozklad stacjona:my 1[. Wtedy jest nieprzywiedlnym lancu.chem Markowa. Jak latwo zauwazyc, jest on
nieokresowy i 1[ij = 1[i '1[j je.st rozkladem stacjonarnym, wiec (Xn, Yn) jest
(i) (Xn) jest lancttchem powracajacym, lancuchem powracajacyi~l (1)1\nkt (i) dowodu).
Niech T = inf{n: X" = Y" = l}. Poniewaz z uwagi 12.3.4 i zadania 12.3.9
(ii) limn~=Pij(n) = 1[j > O dla wszystkich stanow i,j,
wynika, ze P(Nll = oolXo == i, Yo = j) = dla powolnych stanów l,j, i, to l
(iii) rozklad stacjonarny jest jedyny i 1[ j = -j-;., gdzie J.1.jjest sTedn'im cz().- P (T < 00 I X o = 'L Yo = j) = 1. Dla m :( n zachoi:!zi (korzystamy z wlasnosci
sem powrotu la'ncucha do stanu j. 12.1.8c, b)
Uwaga 6. a) W przykladzie 2b istnialo nieskoIlczenie wiele rozkladów sta- P((X", Y,,) = (k, h), T = mlXo = i, Yo = j) =
cjonarnych, bo lancuch nie byl nieprzywiedlny (zobacz tez zad. 2). -= P((Xu, Y,,) =I- (l, l), 'u < m, (Xm, Ym) = (l, 1)IXo = i, Yo = j) .
b) Twierdzenie pozwala latwo znajdowac srednie czasy I)OWrotu l"i, znacznie ·P((Xn-m, Y,,-m) = (k, h)jXo = l, Yo = l) =
latwiej niz korzystajac z samej definicji. = P(T = rnlXo = i, Yo = j)Plk(n - m)Plh(n - m).
c) Dla lancucha Markowa spelniajacego zalozenia twierdzenia
Sumujac po wszystkich mozliwych stanach h (odpowiednio k) otrzymujemy
l
P(X" = k) = L
'iES
p(Xo = i)Pij(n) --; ~,
n-,oo J.1.}
P(Xn = k, T = m,IXo = i, Y() =.j) = P(T = mlXo = i, Yo = j)Plk(n - m)
niezaleznie od rozkladu poczatkowego Xo. Niefo:rmalnie oznacza to, ze lan- P(Yn = h, T = mlXo = 'i, Yo = j) = P(T = m'rXo = i, Yo = j)Plh(n - m)
cuch zapomina, skad wystartowa.l. Biorac k =h dostajemy:
d) Rozklad 1[ jest czesto nazywany rozkladem granicznym.
P(Xn = k, T = mlXo = 'i, Yo = j) = P(Y" =: k, T = mlXo = i, Yo = j)
e) Jesli lancuch Markowa ma SkoIlczenie wiele stanów, to dla zachodzenia
tezy twierdzenia wystarczy zalozyc, ze la.ilcuch jest nieprzywiedlny i nie- Sumujac po m :( n mamy
okresowy (patrz tw. 9). Wtedy dowodzimy istnienia rozkladu stacjonarnego.
P(Xn = k, T :( nlXo = i, Yo = j) = P(Y" = h, T :( nlXo = 'i, Yo = j).
Dowód twierdzenia 5. Jak wiemy, gdy 1[ jest rozkladem stacjonarnym, to
dla kazdego j Stad
= hlXo = i, Yo = j)
1[j = L
iES
1[iPij(n). (1) P(Xn
:( P(Xn = k, T :( nlXo
:(
= 'i, Y() = j) + P( T > nlXo = i, Yo = j) =
= P(Yn = k, T :( nlXo = i, Yo = j) + P( T > nlXo = i, Yo = .j) :(
(i) Najpierw wyKazemy, ze lancuch jest powracajacy. Gdyby byl chwilowy,
:( P(Yn = klXo = i, Yo = j) + P(T > nlXo = i, Yo = j).
to limn~ooPij(n) = O, i z (1) oraz z twierdzenia Weierstrassa o zbiezno-
sci szeregów2 wynika, ze 1[j = O dla kazdego sprzecznosc, poniewaz j- Zamieniajac rolami X i Y marny
I::j 1[j =I- o. Zatem lancuch jest powracajacy.
P(Y" = hlXo = i, Yo = j) :(
2Twierdzenie to jest dyskretna wersja twierdzenia Lebesgue'a o zbieznosci zmajory-
Dn anm = '\"
0n Cn < co, m, n E N, to limm '\"
zowanej: jesli lanml ~ c" i '\" Un limm anm· :( P(Xn = hlXo = i, Yo = j) + P(T > nlXo = i, Yo = j).
'mo Rozdzial 12. Lancuchy Markowa 291
§ 12.5. Rozklady stacjonarn~ i twierdzenia ergodyczne
aLem
Niekiedy twierdzenie 5 jest nazywane twierdzeniem ergodycznym, a lancuch
Markowa, dla którego istnieja granice IirnnJ);j(n) = 'Trj > O - lancuchem
Ipik(n) - pjk(n)1 = ergodycznym. Mozna pokazac, ze jesli laI\cuch Markowa jest nieprzywie-
= IF(Xn = klXo = i, Yo = j) - P(Yn = klXo = i, Yo = j)1 .;::; dhlY, powracajacy, a wartosci oczekiwane czasów powrotu sa skonczone, to
.;::;P(T > n[Xo = i, Yo = .i). istnieje rozklad stacjonarny (zad. 10) .
Poniewaz P(T < oolXo = i, Yo =.j) = l, to limn Ipik(n) -pjk(n)1 = O. Stad, Przyklad 7 (Sztuczka karciana). Potasuj talie kart i odkrywaj karty
z (1) i z twierdzenia Weierstrassa (patrz ostatni przypis): po jednej. Kazda figura liczy sie za 10, as za 1, pozostale standardowo. Po-
pros partnera, zeby wybral jedna z dziesieciu pierwszych kaI"t, Jesli ma ona
'Trk - pjk(n) = '2: 'Tri (Pik (n,) - pjk(n)) .-->
T/.-tOO 0, WaItosc n, to parl;ner opuszcza (n - l) kolejnych kart i przechodzi do karty
iES n-tej z kolei, itd. W korlcu trzeba bedzie przejsc do karty, która powinna
byc m, kart dalej, ale nic bedzie juz tylu kart. Partner zapamietuje ostatnia
co daje (ii) : limn~ooPjk(n) = 7rk. obejrzana karte, a ty ja odgadujesz z duzym prawdopodobienstwem. Jak to
(-i'ii) Jedynosc rozkladu stacjonarnego wynika z (-i'i), bo gdy 'TrI jest innym zrobic, gdy nie znamy karty, od której zaczal paI"tner?
rozkladem stacjonarnym, to 7r:i = limnpjj(n) = 'Trj. Wykazemy teraz, ze PowtarzanlY te sama procedure za.czynajac od jakiejs ustalonej przez nas
dla kazdego i
jest 'Tri > O oraz 'Tri J.! i = 1. Stad wynika; ze fi,,: = ~ < 00, wiec karty. Mamy dwa niezalezne laJ\cuchy MaI"kowa o ,tej samej macierzy przej-
i jest stanem powracajacym, a ze lancuch jest nieprzywiedlny, to wszystkie scia i o róznych punktaeh startu. Jak wynika z dowodu twierdzenia ergo-
stany sa takie. dycznego, gdyby talia miala nieskollczenie wiele kart kazdej wartosci, to
Zalózmy, ze 'Trj = O dla pewnego.1. Wtedy O = 'Tr.i= 2:i 'TriPi.i(n) ~ 'TriPij(n) latkuchy Markowa "skleilyby sie" z prawdopodobiel\stwem l i dalej zacho-
dla kazdego i
oraz n. Poniewaz lancuch jest nieprzywiedlny, to dla kazdego wywalyby sie tak samo. Zatem jest duza szansa, ze karty z tych lancuchów
i istnieje n = n(i) takie, ze Pij(n) > 0, a wiec 'Tri = O dla kazdego i- Markowa spotkaja sie, nim talia sie skonczy .•
sprzecznosc.
Z twierdzenia ergodycznego mozna otrzymac informacje o sredniej czestosci
Zatem 'Tri > O dla kazdego i. Niech zmienna losowa Xo ma rozklad 'Tr. Wtedy
pr~ebywania lailcl1cha Markowa w zbiorze.
00 00
'Trj/-ij = 'Trj '2: P(Tjj > nlXo = .i) = '2: P(T.ij ~ nlXo = .i)P(Xo = j) = Wniosek 8. Niech (Xn) !idzie lG:l1.c'/1.chem ergodycznym, A C 8, niech i
. n=l n=l l/n (A) oznacza .4Tedni czas pT;;ebyw~Lnia la-ricucha Ma'rkowa w zbior'ze A do
00
momentu ni ~i.
= 2:. P(Tjj ~ n, Xo = j).
n=l
,
I/A(n) = lA(XO)
n+1 + lA(Xn)
+". (2)
Oznaczmy Cn = P(X", #- j, O .;::;m .;::;n) dla n = 0,1,2, .... Poniewaz .i jest: , I
stanem powracajacym, limn~oo Cn = O. Z kolei, poniewaz dla n ~ 2 Wt;edy , .
[: h\\A}1
(lilII Xo = i) --->
n-+oo '2: 'Tr.i·
P(Tjj ~ n, Xo = .1)'= _
,.'
jEA
,t
1" I
00 = -. 2:. 2:.p;j(m) =
n + 1m= o JE"A .
'Trj/-ij = P(Tjj ~ 1, Xo = j) + '2:(Cn-2 - Cn-l) =
n=2 1 n
= P(XO = j) + P(XO #- j) - lim Cn
n~oo = 1. • =~ -
L..Jn+1 '"
~ Pij (m) ---> '"
~ 'Trj,
jEA m=O jU!.
292 Rozdzial 12. Lancuchy Markowa § 12.5. Rozklady stacjonarne i twierdzenia ergodyczne 293
l' mj(n). ,
lanwcha Markowa jest skonczona, to dla kazdego i istn'ieja gmnice
iv..j -mj , Ja w monoton.lczny, zmierza o zera. - 1mn~oo
widzimy, ze Kj ) mjno) ) c > O, zatem wszystkie Kj sa dodatnie, oraz dla
n = kno + m, m < no mamy
lim Pij (n)
n~oo = Kj > O.
Ponadto istnieja stale c > O, "( E (0,1) takie, ze Ipij(n) - Kjl ~ MJn) - mjn) ~ (M;m) - myn))(1 - E)k ~ (1 - E)k =
1
= [(1 - E)no]kno ~ C"/n,
Ipij(n) - Kjl ~ C. "(n
1
D o wód. Wiemy, ze
'\'
~ Kj = n-too
lim 2:=pij(n).= 1.
JES JES
\Ii,j 3N(i,j) \In) N(i,.il Pij(n) >.0
Gdy J.L jest rozkladem stacjonarnym, to
(lemat 4). Przestrzen stanów jest skonczona, wiec istnieje takie no, ze
Pij (no) > O dla kazdej pary i,j. Niech E = mini,j Pij(nO)' Oczywiscie E> O. /Lj = lim '\' J.LiPij(n) = '\' lim Pij (n)
J.Lin--tco = '\' PiKj = Kj,
r~--o.oo~ ~ .L...t
Oznaczmy iES iES iES
mj(n) -mmpij
_.
, ()n,
Mjn) = mp-XTl;j(n). a wiec mamy jedynosc. -
Poniewaz p'ij(n + 1) = L,lPilPlj(n), to
Wlasnosc Markowa (tw. 12.1.8d) mozna latwo uogólnic na
mJ'(n+1) = mm
. 2:= PUPlj
't
(n )" ? mm
. 2:= Pil mm
't
. PIJ ()n l
= my'(n) , P( {(Xn, Xn+1, ... ) E A}IFn) = P( {(Xn, Xn+1"") E A}IXn),
l l
Dowód. Jak wiemy, gdy f(x) = P({(Xo,Xl, ... ) E A}IXo = x), prawa Korzystajac z MPWL otrzymujemy dla stanów powracajacych nastepujaca
strona jest równa f(XT). Niech B E JT. Wtedy, korzystajac z wlasnosci zaleznosc:
warunkowej wartosci oczekiwanej, wlasnosci Markowa i tego, ze n
otrzymujemy
Zastosujemy ja do zbadania czestosci przebywania lar1.cucha powracajacego
w stanie .7. Niech (J j oznac~a. moment pierwszego dojscia do stanu j, tj.
f P({(XT,XT+l,
JB ... )EA}!Fr)dP= f.. 1A((XnxT+l,
Ja ... ))dP= (Jj = inf{n ~ l:Xn =.i}.
00
I=
= n=O l _ Bn{T-n} P( {(Xn' ... ) E A}IFn)dP =
Wtedy
N,,(j)
-n-,
-->
n ~ 00
~l{rj<oo}
I.Lj
Pi -p.n.
= I=
n=OJBn{T=n} P({(Xn, ... ) E A}iXn)dP = omz
Gn(i,} ') --> 1
-71-,- n-l>oo f.Lj
=I=
n=O JfBn{ r=n} Px,.((XO,Xl, ... )EA)dP=
gdzie przyjmujemy 1/00 = ():
= L Px,((Xo, Xl,"') E A)dP..
Dowód. Niech i = :j. Z definicji Nn(j) i "(n mamy ')'N,,(j) :( n < "(N"Ci)+1'
i ogólnie ')'m = inf{n> "(m-l:Xn = 'i} beda kolejnymi powrotami do analogicznie biorac larlcuch Markowa (XO'j+m), m ~ O na przestrzeni pro-
stanu i. "Wtedy Tn = "(n - "(n-l sa odstepami CZaSUpomied~y kolejnymi babilistyczneJ'
.' O' = {D"' J' < oo} p = Jn{D"'J, < oo} i P'(A) = p(An{O'j<oo}).
P({O'j<=})
powrotami.
Druga czesc twierdzenia wynika z twierdzenia Lebesgue'a o zbieznosci zma-
'Twierdzenie 11. Gdy i jest stanem powracajacym, to (Tn)~=l }est C'la-
joryzowanej. -
giem niezaleznych zmiennych losowych o tym samym Tozkladzie. Korzystajac z twierdzenia 11 mozemy uogólnic wniosek 8:
, l
D o w ó d, "(l jest momentem stopu, wiec z mocnej wlasnosci Markowa 'Twierdzenie 13. Niech (Xn) bedzie nieprzywiedlnym
nieokresowym lan-
c'uchem Markowa dla któr'ego istn'ieje mzklad stacjonarny 7r. Wtedy l/n (A)
P((X"n+1,X,n+2",,) E AIF')'l) = PJ(Xl,"') E A),
_ sTedni czas przebywani;;: i~nc'U,cha MaTkowa w zbiorze A zdefiniowany
bo X')'l = i,
Zatem ciag (X')'l+I,X')'l+2, ... ) ma taki sam rozklad, jak WZOTem (2) spelnia zaleznosc:
(Xl, i jest niezalezny od J')'l' wiec niezalezny od 1'1' Stad 1'2 ma
X2, .. ,)
ten sam rozklad co 1'1 i jest niezalezny od 1'1, Dowód konczymy stosuj ac lim lJn(A)
n~oo = L....
'" Ki p.n.
iEA
indukcje matematyczna. _
297
296 . R.ozdzial 12. Lancuchy Markowa § 12.5. R.ozklady stacjonarne i twierdzenia ergodycine
D owó d. Poniewaz ]<1 = .2:iEA l{i}, wiec wystarczy udowodnic twierdzenie Zatem na mocy tw. 5 lancuch jest powracajacy i
dla A = {i} dla dowolnego i E S. Dla dowolnego n niech k = k(n) bedzie
takie, ze p.,'
(7',,)()n= . ()nd ----+
Ph 1
-=- = ,-d = dnj.
T1 + ... + Tk ~ n < T1 + ... + Tk+1' JJ n~oo p,j p,j
Zajmiemy sie teraz badaniem granicy limn Pij (n) dla okresowego lar'1cucha Zatem
Markowa.
pij(nd + m) = L P(Tj
k=O
= kd + mlXo = i)p;j((n - kld) =
00
Przyklad 14. Niech P = (~ ~). Jest to lancuch okresowy o okresie
2 i limn~oopoo(2n) = 1, limn~oopoo(2n + 1) = (l. Granica nie istnieje,
natomiast istnieja granice podciagów i nie jest to przypadek .•
=
k=O
L P(Tj = kd + mlXo = i)pjj((n - k)d)l{o,l, ..,n}(k).
O
~
:5
i
~)
5"1 .
Tj = dYj, gdzie Tj = min{n: Xn =.J},
p,j 3. Udowodnic, ze jesli 7r jest rozkladem stacjon.arnym oraz j nie jest stanem
[ij = E(Yj I Yo = j) = E ('2 I Xo = j) d powracajacym dodatnim (patrz def. 17), to = o. 'i)
298 § 12.6. Dojscie do ustalonego zbioru stanów 299
Rozdzial 12. Lancuchy Markowa
4. Dla lancucha Mark.owa (Xn.) niech Sp oznacza zbiór stanów powracajacych *11. W nieprzywiedlnym lal;cl~chu Markowa stan powracajacy j jest zerowy wte-
dodatnich. Gdy Sp i= 0, niech Sp = UiEI Si, gdzie Si - klasa stanów wza- dy i tylko wtedy, gdy lim"._oo pi,i(n) = O clla dowolnego stanu i.
i
jemnie komunikujaGYch sie, Si n Si = 0 dla i= j. Poka.zac, ze kazda miara VVslc. W dowodzie koniecznosci zastosowac chwyt z dowodu twierdzenia 5.
stacjonarna dla (X,,) jest postaci 2:::iO ai.11"i, gdz.ie a.i ~ O, 2:::'iO ai = 1, 12. Udowodnic, ze dla symetrycznego bladzenia przypadkowego na prostej i na
11"; jest miara stacjonal'na dla lancucha o macierzy przejscia p(i) = (Pjk), plaszczyznie wszystkie stany sa zerowe.
j,k E Si rozszerzonej na S przez przyjecie 11"i(S)= O dla s E S \ Si.
13. Niech lalicuch Markowa z prz.estrzenia stanów S = {O, 1, 2, ... } ma macierz
5. Niech S = {1, ... , m}, a P bedzie macierza podwójnie stochastyczna, tj.
przejscia postaci: POn = C· "1,,, IX > 1, n = 1,2, ... , C-l = 2:::::"=1nI",
macierza stochastyczna taka, ze 2:::::1 Pij = 1, j = 1, ... , m.. Udowodnic, =
i
ze rozklad 11"i == ;e., = 1, ... , m jest rozkladem stacjonarnym dla lallcucha
Pn,n-l
D1EL
jakich
1.
a laJlcuch sklada sie ze stanów powracajacych zerowych?
Markowa z ta macierza przejscia.
6. Niech S = {a, ... , k - 1}, a macierz P jest taka, ze jej wiersze sa cyldicz-
nymi perrnutacjami wiersza pierwszego, tj. PIJ = Pj > O, Pij = P(.i-i) (mod I,)
(ten lancuch opisuje bladzenie przypadkowe po okregu dyskretnym). Znalezc § 12.6. Dojscie do ustalonego zbioru stanów
granice lim,,_oo P(X" = -i).
7. Niech (Xn) bedzie laflcuchem okresowym o okresie d z rozkladem stacjonar- Teraz zajmiemy sie prawdopodobienstwami dojscia do ustalonego zbioru
i
nym 11". Jezeli E SI, jE S(l+m)(mod d), to lirn"._=lhj(nd + m) = Fijd11"j. stanÓw i srednim czasem dojscia do tego zbioru.
(zwrócmy uwage, ze TiJ = 00, gdy do takiej wizyty nigdy nie dojclzie). a mp('i) bedzie srednim czasem dojscia tego lancucha do zbioru F, tzn.: .
Definicja 16. Srednim czasem powrotu do stanu k nazwiemy wielkosc 'fTI'F(i) = E (inf{n ~ O: Xn E F} I Xo = i) ..
J1.k = ETkk = L
n=l
nfkk(n).
Wtedy zachodzi
stacjonarny
dodatni.
wtedy i"~lko wtedy, gdy lancuch Markowa jest powracajacy A = {3n>o: Xn E F} = {KjI1EI'F} U-U {Xl
71.=2
rf- F,' ... ,Xn-l rf:. F, X" E F}
300 Rozdzial 12. Lancuchy Markowa § 12.6. Dojscie do ustalonego zbioru stanów 301
Korzystajac z tego .rozbicia, wzoru na prawdopodobienstwo calkowite i z jego kapital bedzie wynosil 4 zl. A wiec chcemy obliczyc p{ 4}(l). Korzysta-
wlasnosci 12.1.8a, mamy jac z twierdzenia l i oznaczajac P{ 4} (i) = J;, ,yypisujemy uklad równosci:
. 1
PF(-i) = L P(AIXl = j, Xo = i)P(X1 = j!Xo = i) = h="2[fo+hJ
jES .
Przyklad 3. Jan i Piotr rzucaja moneta. Gdy wypadnie orzel, to Jan wy-
moze tak byc, ale nie musi.
Stwierdzenie 4. Macierz
p=
(;::-,
R Q. ~)O ..
I)II w ód. I~t,otllic, z twierdzenia l powyzej 2. Pchla porusza sie pomiedzy psem, kotem, czlowiekiem i podloga. Niezalez-
nie od tego, gdzie jest teraz, wybiera nastepne rpiejsce pobytu z równymi
k
prawdopodobierrstwami. Swoja wedrówke zaczyna od podlogi. Na psie i ko-
aij == P{j} (i + m) = Pi+m,j + L
l=m+l
Pi+m,IP{j} (l) = cie moze sie pozywic, na czlowieku ginie, a na podlodze gloduje.
Jaka jest. srednia. liczba p"siJków pchly przed smiercia?
m-k
= Pi+m,j i+ L1=1
Pi+m,l+malj, a.
Jakie jest. prawclopodobienst.wo, ze pchla zginie na czczo?
Udowodnic, ze jesli lancuch.Markowa rmljeden stan pochlaniajacy, a wszyst-
kie pozost.aJe komuniknja sie i nie tworza zbioru zamknietego, to sa one sta-
czyli A = R + QA. Poniewaz nami chwilowymi.
- Q)
czyli det(I i
o. Zatem macierz I - Q jest
i O dla dosta.tecznie duzych n,
odwracalna i z równosci
A - QA = E. mamy A =(1 - Q)-1E.._
A- ( l.)
-I
Nie bedziemy rozwijac tego argumentu. Czytelnika zainteresowanego fizyczna 3. Dla wszystkich t, lt ~ O
Do czastki o strona zagadnienia odsylamy do Delty, 12/1997, gdzie znajdzie iycjorys Mariana
l
srednicy !lm Smoluchowskiego i omówienie jego prac, a takze cytowanych l:u pra.c Einst.eina. Wt+LL - Wu. ~N(O,/;).
moze sie dopchac Z kolei w numerach 4 i 5/1983 zamieszczono artykul Bogdana Cichoclciego po-
ok. 108 czasteczek swiecony historii odkrycia i wyjasnienia zjawiska ruchów Browna .. 4. Tm:iektoTie pTOcesu sa c'iagle.
wody. Zderzenia
z nimi nastepuja Na przelomie XIX i XX wieku kinetyczna teoria materii znajdowala sie w odwro-
co 10-20 S. cie, a wielkie sukcesy odnosila t.ermodynamika. William Ostwald napisal nawet Uwaga 2. Z warunków 1-3 wynika natychmiast postac funkcfi ko'Wa.Tiancji
podrecznik chemii, w którym ani razu nie uzyl slowa "atOm". Wydawalo sie, ze procesu:
po wyeliminowaniu z nauki niewidzialnych fluidów w rodzaju cieplika i flogistonu
przyszla kolej na atomy. 'Jednak ruchy Browna byly wyraznie sprzeczne z ter- KU, s) gJ cov(Wt, Ws) = min(t, I s).
modynamika, wedlug której powinny zaniknac po osiagnieciu przez uklad stanu Istotnie, jesli t ~ s, to
równowagi. Ale i wyjasnienia na podstawie teorii kinetycznej byly poddawane
(slusznej) krytyce. cov(Wt, Ws) = E [Ws + (Wt - Ws)Ws] = EW} + E(Wt - Ws)Ws =
lBrown byl pierwszym, który badal systematycznie to zjawisko. Pózniej okazalo sie, = s = rnin(t, s).
ze obserwowaloje wielu uczonych, w tym Leeuwenhoek w roku 1650.
2 A. Einstein, Annalen der Pbysik, 17 (549), 1905, O ruchu czastek zawiesiny, post1do- Nietrudno tez zobaczyc (zad. 1), ze rozklady skonczenie wymiaTowe procesu
wan-ym przez molek'ularno-kinetyczna teorie ciepla oraz ibid. 19 (391), 1906, p.rzyczynek
Wienera, czyli rozklady wektorów losowych (Wt1" .. , lIVt", ), sa normalne.
do teorii ruchów Browna. M. Smoluchowski, Zarys teorii kinetycznej 'ruchów Browna
i roztworów metnych, Rozprawy Wydz. Mat.-Przyr. AU, ser. A (257), 1906. 3S. Chandrasekhar, Rev. Mod. Phys. 15, 1 (1943).
304
I lirm Rozdzial 13, Proces Wienera § 13.1, Definicja i konstrukcja 307
Odwrotnie, jesli proces Wt, t ~ O, ma skonczenie wymiarowe rozklady nor- Istotnie, wystarczy w tym celu przedstawic zmienna losowa V\;'t - liVs (która
malne, to funkcja kowariancji K(t, s) = min(t, s), wyznacza jednoznacznie ma ten sam rozklad, co WI.-s) w postaci sumy p:zyrostów:
rozklady skonczenie wymiarowe procesu. Jesli wiadomo ponadto, ze T''\1o = O
i ze proces ma ciagle trajektorie, to jest procesem Wienera, Hlk2- •• - Hl., I,V(I";.1)2-" - H1A:2-n, ... , lil1t - Hl12-·n,
Zazwyczaj dowodzi si~ istnienia dostatecznie reg,1!larnej mody.fikac.ii s/;ocha- Jesli wykazemy, ze m(6., T) -,1 O dla 6. ..., O z pruwdojJodobicllstwem l, be-
stycznej wyjsciowego p\,ocesu Xt, czyli procesu Xt, spelniajacego warunek: dzie to mmaczac:, ze prawie wszystkie tn\jektorie. rozpatrywane w punktach
dwójkowo-wym iernydl, sa jednostajnie ciagle.
P(Xt =1=Xt) = O dla t E T.
Twierdzenie 4. Z p,"o.wdopodo/Jie'n.sl:wem 1 m(6., T) -; O dla 6. -+ O.
Istnienie procesu Hlt" t ~ O spelniajacego w,J,runki 1--3 definicji 1 wynik-
Sprawdzajac nie z tw. C.4.2, jesli tylko udowodnimy, ze rozklady skOl1czenie wymiarowe
D o w ód, Niech 6. == 2-'11 (dla prost.oty). Jesli rn( Ll, T) > c, t.o dla pewnego
zgodnosc rodziny sa zgodne (patrz def. w § C.4). Ale z zad,wia l wynika, i,e rozklad wek- k < 2"1'
rozkladów tora (Hlt" , .. , Wtn) jest normalny, o zerowej sredniej i macierzy kowarian-
badarn~' w istocie sup IVV1 - Wk61 > ~c,
njesprzecznosc
cji (min(ti, tj)h;;;i,j~n, co natychmiast daje zgodnosc: rodziny rozkladów 1Elk6,(k+l)6JnB -
definicji procesll skonczenie wymiarowych procesu Wt.
c:?'yli
ZH P<,WlOCa
l'ov,kl>l,d6w
W szczególnosci, istnieje proces Wt, t E [0,1], spelniajacy warunki 1-3. Wy-
fJkol'lCzcnie kazemy, ze istnieje jego modyfikacja stochastyczna Et, t E [O, l], o ciaglych {'m(6., T) , c} C { max sup IWt - W/,.61 > ~c} C
W'yIIIIIII'owydl, trajektoriach. W tym celu skorzystamy z kilku lematów. Pierwszy z nich ,'<2"'[' IElk6,(k+J")6JnB •
jest bezposrednim ~nioskiem z dowodu nierównosci Levy'ego-Ol'.tavianiego· (2"-1)7'
(7.3.1) i z samej nierównosci: C U {'/.E[k6,(k+J)6JnB
k=O
sup IHlt - TiV1:6 i > ~c}.
Lemat 3.
losowymi,
Niech XI, ... Xn beda niezaleznymi, symeiriJcznym:i
niech Sk = Xl + ... + Xk. Wtedy dla r > O:
zmiennyrni
Stad i ~,(3) ..
P',
lm
(A
1.:>:
l') > f..) r'
""
4.' 'y"
~
l'
.. "
P(T';
'\ 6 ".
,.....2'~) .
P(maxSk > r) o:::; 2P(S" > r)j (l)
k~n Poniewaz 1..'116 ma, ten sam rozklad, co \/XVY,\, to ostatecznie
P(max ISki> r) o:::; 4P(Sn > r). (2) ')11-2 2 P(WI > t) ~
k~" E I">
W dalszym ciagu B bedzie oznaczac zbiór liczb dwójkowo-wymiernych przy n -; 00, co kOllCZYdowód .•
(czyli postaci k2-m, k E Z, m E N), zas Bn - jego podzbiór, zlozony
z ulamków o mianownikach nie przekraczajacych 2n. Z twierdzenia 4 wynika teraz: i,e dla kazdego n 'E N istnieje taki zbiór
Z lematu 3 latwo wynika, ze ne.n C n, ze P(ne,n) = l i dla kazdego w E ne,'1 t.rajektoria Wt(w), -t E
E Bn[O, n] jest jednostajnie ciagla. Niech n" = n:'."=l ne,n. Wtedy P(ne) =
P( sup IW" - Wsi> r) = lim P( sup IW" - Wsi> r) o:::; = l i trajektoria liFt (w), t E B, w E l1e przedluza sie do funkcji ciaglej na
"EBn[s,tJ n~oo uEB"n[s:tJ przedziale [0,(0), definiujemy mianowicie "
o:::; 4P(Wt-s > r). (3)
t rf. B,l", E ne,
t u.., _ ~·eB s \
4Pierwszy sciSly dow6d poda! Wiener (1926). E (', ,) :!.! {1.ilIl.,~t
H'ti'..o-') H' IW) w p,p.
308 Rozdzial 13. Proces Wienera § 1:3.1. Definicja i konstrukcja 309
Okazuje sie teraz, ze dla t E B mamy po prostu Bt(w) = Wt(w) dla wszyst- Z tej nierównosci wynika, ze ogony rozkladu zmiennej losowej ~ zmierzaja
kich w E D. Jesli t ej B, to do zera na tyle szybko, ze [EP < 00 dla wszys!;kich p > O. Zeby to zoba-
czyc, zauwazmy najpierw, ze zmienne losowe ~rt = ~ /I. n takze spelniaja
P(Et = Wt) = PqiE} Ws = Wt) = 1, powyzsza nierównosc (jesli n ( 3'u, to P(~n > 371,) = O; w przeciwnym razie
"EB podstawienie ~n nie powoduje zadnych zmian).
bowiem po pierwsze wyjsciowy proces W jest stochasiyczn'ie c'iagly, co ozna- Mamy teraz dla kazdego r > O:
Nie ma tu nic
O rozkladzie 3'. [Xl = O, [X? = 1. ( per, > r)[~~ + p 12r up-ldu = P(ry > r)[~~ + (2r)p,
normalnym!
3". Je/;li t· (5, taXI - Xs ~ Xt--s· poniewaz clla u > 21' wyrazenie w nawiasie kwadratowym jest nie wieksze
od zera.
Dowód. I. Najpierw udowodnimy, ze z warunków 1, 2 i 4 wynika, ze dla Wybierajac tak duze r', by 3-P - P(ry >1') > O otrzymujemy oszacowanie
kazdego p ;? l i dla kazdego t > O jest [suPs,,;t IXslP < co.
Ustalmy t > O i nEN i oznaczmy (2r')P _.
[~~ ( 3-P - P(ry > r)'
Dk = Xktl2" .~ X(k-l)t/2n, Sk = Dl + ... + Dk = XktI2'"
a poniewaz ~n i E, to [~P < co, co konczy dowód kroku 1.
Zmienne losowe Dk, ,Q < k ( 2n sa niezalezne i z nierównosci Hoffmanua- II. Udowodnimy, ze z 1, 2 VI wynika, ze dla kazdego t > O zmienna losowa
-J0rgensena (zad. 7.3.11) wynika, ze Xt ma rozklad N (O, t).
Zauwazmy, ze funkcja m(t)== [Xt jest ciagla (poniewaz [suPs,:::t IXsl < co)
P( max
O<k";2"
ISki> 3u) (P( max
O<k,,;zn
IDkl > u) + i spelnia warunek met + s) = met) + mes), t, s';? O. Zatem r;;(t) = et, ale
+ P( O<k~2'~
max ISki> 'U)P( max IS2" - Ski> 1.• /2). poniewaz z zalozenia m(l) = O, to c:= O, wiec EXt = O,t ;? O.
O<k'2n
Podobnie, niech 'u(t) = 7)2Xt. Poniewaz Xt - X., ~ Xt-s dla O <t < s i
Gdy n -, co, to X .• = Xt + (Xs - Xtl, marny 'u(s) = v(t) + v(s - t). Funkcja v jest ponadto
ciagla, wiec musi byc liniowa i v(-t) := et, a poniewaz EX? := 1, to c := 1,
max
O<k";2n
ISki i ~= df
sup
O<s";t
IXsl, max
O<k~21'l
IS2n - Ski jry
df
= sup IXt - X.l,
zatem 7)2 Xt := i, t ;? O.
O<s:E;'t
Oznaczmy ~k,n = Xtkln - Xt(k-l)ln, k:= 1,2; ... n. Wtedy
podczas gdy na mocy jednostajnej ciaglosci trajektorii (por. tw. 4) n n
Wobec tego a ponadto zmienne losowe ~k,n' k:= 1,2, ... n sa niezalezne. Aby wykazac,
ze zmienue losowe Xt maja rozklad normaluy, skorzystamy z CTG i spraw-
P(~ > 371,) (O + P(~ > u)P(T/ > u/2).
Rozdzial 13. Proces Wienera § ]3.2. Wlasnosci trajektorii 311
d~ill1.1',czy spclniony jest warunek Lindeberga. Mamy 6, Niech V;(n), t E [0,1] bedzie procesem WieneTa okreslonym na przestrzeni
probabilistycznej (n",.:7'"", Pn.), n = 1,2, .... Na przestrzeni produktowej n =
= nI x n2 x ... , F = FI @ F2 @ ... , p = Pl @ P2 @ ... definiujemy proces
I:: E (E~,1l1{I~k,nl><}) ~ E (I:: EL,)l{maxk<;n Iknl><) ~ Wt(w), gdzie I; E [0,(0), w == (Wl,W2, ... ), wzorem
k=l
n ( k=l
n ) Mozna tez
n dla I E [0,1], wykorzystac
- /. ""-+1)
~ E(z=an)2 P(max IEk,nl > e) -> O. Wt(W) - { Wn,(W)
v(l)(WJ) + 'r,~n (W"+l) dla t E [n, n + 1]. uwage 2.
k~n
k=l
Wykazac, ze proces W jest procesem Wienera. na przedziale lO,oo). "
Poniewaz zmienne losowe Ek,n sa niezalezne i EEk,n = O dla k ~ n, n E N, 7. Inny sposób przedluzenia procesu Wienera na [0,00). Wykazac, ze
na mocy kroku I: jf,sli WL, t E [0,1] jest procesem Wienera, to
l -:!
lim -=0.
Wt.
t~oo t
Zadania
9. Wykazac, ze dla dowolnych dodatnich a i b
1. Udowodnic, ze rozklady skonczenie wymiarowe procesu '0lienera sa nor- P( {--o.l, < liliI. < lA; dla dostatecznie duzych t}) =1
malne.
2. Podac przyklad procesu o funkcji kowariancji K(t, s) = rnin(l, 5) i nie beda- Proces Wienera jako martyngaL .Jes.1izdefiniujemy ftltracje (Ft.lt;"o zalezno-
cego st.ochas!".ycznamodyfikacja procesu vVienera. scia FI = a(W.,: s ~ t), t,o otrzymamy martyngal z czasem ciaglym (Wt, :FI.).
3. Proces Ul. == WIo - tliV[, t E [0,1], gdzie W jest procesem \Vienera, nazywamy 10. Wykazac;, ze martynga.lami sa procesy a) W/.; b) wf - t,
Trwstem. BTOwrw. 'AT )'znaczyc jego funkcje kowariallcji.
11. Udowodnic, ze zbiór {SUP"<;I. Ws ~ e} jest zdarz,enJem (mimo ze na pierwszy
4. Wykazac, ze proces XI, t. ~ ° jest procesem Wienera wtedy i tylko wtedy, gdy rzut. oka jest. nieprzeliczf1lna suma zclc\rzeJl),
ma ciagle trajektorie, rozklady skonczenie wymiarowe nonnalne o sredniej
zero, i funkcje kowariancji min(l, s), t, s ~ O.
Istnieje jeszcze jedna, martyngalowa cha.rakteryzacja. procesu Wienera, pocho-
5, Niech IiV bedzie procesem Wienera, \Vykazac, ze procesy otrzymane za po- dzaca od P. Levy'ego: jesli proces X/., t ~ ° jest martyngalem o ciaglych trajek-
moca nastepujacych transformacji sa procesami Wienera:
toria.ch, a pOf1i1dtoxl - t jest martyngalem, to XI. jest. procesem Wienel'a,
a) Z/. = -liVI.;
b) Xi. = C-1/2VVr.1., c;) O;
§ 13.2. Wlasnosci trajektorii
c) y t == {tHl1/t
O dla t > O, .
dlat==O'
d) llf. == WT+t - WT dla T> o: Choc t.rajektorie procesu Wienera sa ciagle, typowa trajektoria jest bardzo
nieregularna, Udowodnimy, ze prawie wszystkie trajektorie sa nigdzie nie- Funkcja. ciagl~1
e) Et . = { 2WT
WI - Wt. ella tt, ~> T.
dla T,
rózniczkowalne, Nie jest wiec dziwne, ze pl'C\wie wszystkie trajektorie maja o ograniczonej
Uwaga. Jak zwykle, po zastapieniu T przez moment. Markowa T w dwóch wahanie niesk011c:ZOne. Z kolei waria.cja kwadratowa jest prawie na pewno pochodnej lub
ostat.nich punkt.ach mozna sie spodziewac': ciekawych t.wierdzen. Jedno z nich ogl'aniczonynl
niezerowa i - przy odpowiednich zalozeniach co do ciagu podzialów od- wahaniu ma
jm;!".udowodnione w § 13.4.. Drugie polecamy jako zadanie.
cinka. -- deterministyczna i rówrla. dlugosci odcinka, 11(1którym ja mierzymy zerowa wariacje
(zad. 1-3) .. kwadratowa.
Aby skonst.ruowac: pmces \Vienera dla t E lO,oc,) mozna ta.kze "sklejac" przeli-
cZil.lniewieI" uiezaleznych kopii procesów Wiellel'a okreslonych dla t E [0,1]. Oto Dzieki viynikowi zad. 13.1.5 brJ,oanie rózniczkowaln~sc.i trajektorii na [0,(0)
(.)r-} powiednie 7..aclanie.
mozna sprowadzic do: badania rózniczkowalnosci na' [O, l).
312 Rozdzial 13. Proces Wienera § 13.3. Zasada odbicia 313
Twierdzenie 1. Prawie wszystkie trajektorie pToces'u Wienera (WtltE[O,l] t2. Wykazac, ze warunek )'~~1 liPnil < 00 w poprzednim zadaniu da sie zasta-
sa funkcjami nigdzie nier·ózniczkowalnymi. pic slabszym:
l~l
u U n~m
n .o<i~n+l
U n
TTt;;?;l i<j=S;i+3
{lVVj/n - W(j-l)/nl ~ 7l/n}.
to
Am,l = n U
n;?::'m O<i~n+l
n
i<j~'i+:3
{IWi/n - W(j-l)/nl ~ 711n} D o w ó d. Nierównosc
ma zerowe prawdopodobienstwo. Istotnie, P(sup Ws > 't) ~ 2P(Wt > T); T): O. (2)
s~l
Ostatnia nierównosc wynika z elementarnego oszacowania P([W11 < 't) ~ Zadana nierównosc natychmiast wynika z le~atu 2. Zwrócmy uwage, ze
___ 2
'" 72'(;T .• w dowodzie wykorzystuje sie w istotny sposób ciaglosc trajektorii: jesli
w chwili k2--n proces przekroczy.! poziom T, to w chwili (k - 1)2-n byl juz
blisko tego poziomu.
Zadania
1. Niech Pn = {t~n),lin), ... , t~:l,}, n ::= 1,2 ... bedzie ciagiem podzialów od-
Lemat 2. Niech T ): O. Dla kazdego t > O i kazdego 8 > O istnieje takie
71,(8), ze dla n > n(8)
cinka [0., bJ, takich ze IIPnll-> O, gdzie Pn ~ SllPk It~n) -t(~ll (jest to srednica
podzialu). Wykazac, ze
p(wt,n ~ '1') ~ 2P(Wt ): T,+ 8) - 8.
rrtn
Bn = '\"" IW (n)
~ tk;
- W tk_1
(n) 12 ----+
'n"""'CO
b - a
D O wód lematu. Ustalmy dowolne 8 > O. Niech
k=l
W L2; jesli ponadto L::'=lIIPnll < 00, to Bn -; b - a p.n. T = inf{s E Bn n [O,t]: Ws): r}.
:11.1 Itc)7,dziaJJ3. Proces Wienera § 13.4. Mocna wiasl10sc Ma.rkowa 315
,JuAIi I k'2", Lo Wk2 " ~ T, a jesli dodatkowo zalozymy, ze m(2-") < b, jest p'f'Ocesem Wienem niezaleznym od Fr, czyli a-ciala a (T'Vr t ~ O) i Fr
1.0 Wk2-" < + 6. Dlatego mamy
1" sa niezalezne.
[2"t)
,P(Wt ~ r + b) ~ 2: P(Wt
k=O
- Wk2-" + Wk2-n ~ '( + b, m(2-n) < biT = kTn) x D o w ó d. 1. Zalózmy najpierw, ze T ma przeliczalny zbiór wartosci S. Wy-
kazemy, ze dla kaz,c!ego t ) O funkcja FVt jest zmienna losowa. Istotnie, dla.
XP(T = kT") + P(m(2-n) ~ b) ~ kazdego a E R.:
[2"tJ
~2: P(Wt - Wk2-n ~ OIT = k2-n)P(T = kTn) + {Ti\!t ~ a.} = U {W'-f-t - Wt ~ a.,T = s},
k=O sES
+ P(m(Tn) ~ ó) ~
gdzie po prawej stronie mamy przeliczalna sume ,zdarzen.
~ ~p(tvt·n ~ r) + P(m(2-n) ~ ó). Sprawdzimy niezaleznosc a(Wt:t ) O) i Fr. Niech B E B(Rn), A E Fr·
Wtedy
W ostatniej nierównosci skorzystalismy z niezaleznosci zdarzerl {T = k2-n}
i {li\!t - Wk2-" ) O}. Teza wynika teraz z tw. 13.1.4. Dowód lematu i tym P({(Hft~, ... , Hlt~,.) E B} n A) =
samym dowód twierdzenia 1 zostal zakonczony. _
~.= 2:P({(Wt~,.·., H~(~,)E B} n A n {T ~ s}) =
.ES ..' ..
Zadania
J' .
= 2:P( {(Wt1-f-s - ~1~,.;,
.. , Wtn-f-s - Ws) E B} )P(A n {T = s}) =
~'lES h. ,/ .
1. Wyznaczyc gestosc ziniennej losowej 1,Vt = maXa,;;",;;t liF". = P({(T,Vi}l"" WtJ E B})P(A).
2. Znalezc rozklad zmi~nnej losowej Ta = inf{t ;;;:O: Wt = a.}.
3. Udowodnic, ze dla dowolnego t >O Skorzystalismy kolejno z tego, ze A n {T = S} E F.., ze na zbiorze {T = S}
(Wt,,···,Wt,.).
§ 13.4. Mocna wlasnosc Markowa
Biorac A = [2 widzimy, ze proces TiVo ma te same rozklady skonczenie wy-
miarowe, co H1. W takim razie w ostatnim wierszu proces Ti\! mozna zastapic
Jesli zdefiniujemy a-ciala Ft ~ a(W.: s ~ t), przyjmiemy definicje mo-
mentu stopu T taka, jak w przypadku czasu dyskretnego, tj. sprowadza- przez WO, z czego wynika niezaleznosc a-cial 9tl, ....t" ~ a(Wt~,· .. , Wt~.)
jaca sie do warunku {T ~ t} E Ft, i zdefiniujemy a-cialo od Fr. Ze by zakonczyc dowód tego przypadku, wystarczy zauwazyc, ze ro-
dzina U 9tl, ....t.", gdzie sumowanie odbywa sie po, wszystkich skoilczonych
Fr = {B E F:Bn{T ~ t} E Ft,t) O}, podzbiorach [O, (0), jest 7i-ukladem, wobec tego na mocy lematu 5.8.12
o niezaleznych 7i-ukladach niezaleznosc przenosi sie na a (Ti\!t: t ~ O). Za-
to bedziemy mogli sformulowac mocna wlasnosc Markowa dla procesu Wie-
tem proces H1° jest lliezalezny od Fr; jp.st on procesem Wienera, bowiem
nera. Intuicyjnie oznacza ona, ze po dojsciu do momentu stopu T proces
ma ciagle trajekt.orie i, jak udowodnilismy przed chwila, te same rozklady
\iVienera zapomina o przeszlosci i start.uje od nowa.
skoI1czenie wymiarowe, co H' (.,mcl. 13.1.4).
Twierdzenie 1 (Dynkina-Hunta). Jesli T jest momentem stopu wzgle-
II. Teraz zakladamy, ze mOlllent stopu T jest dow~lny. Jesli zdefiniujemy
dem filtracji Ft = a(Ws: s ~ t); peT < O('J) = 1, to proces
__ [2"TL~
wt ~ Hfr-f-t - H!r, t) O, in - 2n
316 Rozdzial 13. Proces Wienera 317
§ 13.4. Mocna wlasnosc Markowa
to Tn sa momentami stopu i Tn l
T. Oznaczmy vv}nl = vVTn+t - WTn• Tozsamosci Walda dla procesu Wienera. Z tozsamosci Walda (tw. 11.1.10,
Wtedy na mocy wyniku kroku I dla kazdej funkcji ciaglej i ograniczonej zad. 11.2.3) mozna wyprowadzic analogiczne twierdzenia dla procesu Wienera W:
<p: Rn --'> R i A E :FT C :FTn mamy: jesli T jest momentem stopu wzgledem naturalnej filtracji, E T < (X)', to
EWT = O, (2)
= [<p (Wt(,n), (1)
[(<p(Wt<;), ... , Wtl)lA) ... , Wtl)P(A). EW; = ET. (3)
Ale Tn l
T, wiec z ciag-losci trajektorii wynika, ze Wt(n)(w) --'> WtO(w) dla 5. Udowodnic tozsamosci Walda (2) i (3).
wszystkich w poza zbiorem o zerowym prawdopodobieilstwie. Dlatego (1)
Funkcje Haara, W nastepnym paragrafie bedzie mowa o konstrukcji procesu
pozostaje w mocy dla procesu vVO. Zatem (por. uwaga po zad. 9.4.1) proces Wienera za pomoca ukladów ortonormalnych w L2[0, l]. Ponizej zamieszczamy
WO jest niezalezny od :FT• Ponadto ma ciagle trajektorie, zerowa srednia,
w formie zadan podstawowe fakty o pewnym szcz~gólnym ukladzie ortonormal-
normalne rozklady skonczenie wymiarowe i funkcje kowariancji K(t, s) = uym - funkcjach Haara.
= min(t, s), wiec jest procesem Wienera, co konczy dowód twierdzenia. _ Niech (n, F, P) bedzie' przestrzenia probabilistyczna. Rozpatrzmy filtracje (Fn),
gdzie Fn = O'(Ar', ... , A~+l)' gdzie {A~, ... , A~+d jest rozbiciem przestrzeni n
Uwaga 2. W teorii procesów z wielu wzgledów praeuje sie z prawostronnie na n + l zbiorów O dodatniej mierze.
ciaglymi rodzinami q--cial (spelniajacymi warunek n.>t:Fs = :Fd. Taka Z tej definicji wynika, ze Fo = {0, n}, i ze (n + 1)-s'ze rozbicie powstaje z n-tego
rodzine tworza u-ciala :Ft+ ~ ns>t :Fs· Definicje poprzedzajace twierdzenie przez podzial jednego ze zbiorów na dwie czesci, tj. istnieje taki wskaznik kn, ze
1 i sarno twierdzenie mozna sformulowac dla tej rodziny; dowód twierdzenia A[~,,, = A~+l U A~'+] (tu i dalej "nowe" zbiory numerujemy liczbami l i 2).
przebiega bez zmian. ' Mozemy teraz zdefiniowac funkcje Haara hn, n = O, l, 2, ... , wyznaczone przez
ciag rozbic o opisanych powyzej wlasnosciach. Niech ho == 1,.a dla n ~ 1:
dla w E Ai',
Zadania dla w E A2',
hn, =-c { ~n
an dla w g A~ U A~,
1. Wykazac, ze zmienna losowa Ta = inf {S ~ O: W, ~ a}, a > O,ma rozklad
1/2-stabilny, tj. jesli T~i) sa niezaleznymi kopiarni Ta, ella kazdego n E N przy czym liczby a", i bn sa dobrane tak, by Ehn = O, Eh~ = 1.
Funkcje .!'[aara sa zatem wyznaczone jednoznacznie z dokladnoscia do zmiany
T~]) + ' .. + T~n) ~ n2T". znaku.
Transformata Laplace'a a funkcja charakterystyczna. Transformata La- Przyklad 3. Funkcje Haara. na (0,1]. Sa one WYZnaczoneprzez ciag rozbic:
place'a zmiennej losowej X nazywamy funkcje L: R+ --+ R, zdefiniowana zalez-
noscia {0, (O,l]},
Lx(s) = [e-Sx, s ~ O. {(O, n (l, l]},
Jest ona dobrze okreslona, jesli X ~ O, ale czasem ma sens i bez tego zalozenia. {(rq],(l,~],( ,l]),
Jesli na przyklad X ~ N (O, 1), to Lx (A) = e'" /2 Podstawienie A = it daje {(O, (l,n n( ,~],
(~, l]},
natychmiast funkcje charakterystyczna zmiennej losowej X (przynajmniej w tym
przypadku; nie bedziemy formulowac ogólnych twierdzen). Taki sposób oblicza-
nia funkcji charakterystycznych kryje w sobie pewne pulapki, o czym mozna sie Ten wlasnie ciag pojawi sie w konstrukcji procesu Wienera. Ciag funkcji Haara
przekonac z nastepnego zadania. w tym przypadku dzieli sie w naturalny sposób na bloki, zlozone kolejno z l,
2, ... , 2k, ... funkcji, wobec tego rozsadnie jest przyjac nastepujaca definicje
2. Wyznaczyc a) transformate Laplace'a, b) funkcje charakterystyczna zmien- inumera.cje:
nej losowej Ta.
haU) = l, t E [O, l],
3. Rozpatrzmy dwuwymiarowy proces (U" v,), t ~ O, gdzie wspólrzedne sa nie-
zaleznymi procesami Wienera. Wyznaczyc gestosc rozkladu zmiennej losowej
V"'o, gdzie Ta jest chwila pierwszego dojscia procesu U do poziomu a. hn,k(t) = -2 n;-l dla k2-n ~ t < (k + 1)2-n,
{ O2 n;-' (k _ 1)2-n ~ t < kTn,
dlap.p.
w
4. Wyprowadzic zasade odbicia (tw. 13.3.1) z twierdzenia Dynkina-Hunta.
n ~ l, k < 2n, k nieparzyste
:IIH Rozdzial 13. Proces Wienera § 13.5. Konstrukcja procesu Wienera za pomoca ukladów ortonormalnych 319
Oczywiscie J~Ih~,k = l i J: hn,k = O, a ponadto z zewnatrz obszaru wierzdlOlkiem pewnego trójkata), to rozwiazanie zagadnienia
Diricbleta istnieje. Jest nim funkcja
o ile k '" l lub n '" m, co oznacza, ze ciag funkcji Haara tworzy uklad ort.onor- gdzie W = (W(I), W(2)) jest procesem Wienera opisanym wyzej, zas T chwila
mainy. Jest to na dodatek uklad ortonorrnalny zupelny, jesli bowiem .I;: .f h" .1, == O pierwszego kontaktu proc:e~],lJ; + WI. z brzegiem aG (jest to moment stoP]'I).
Okazuje siej, ;i,efunkcja '/I jest ha.rmoniczlla, skad juz wynika, ze spelnia (5).
dla wszystkich dopuszczalnych wskazników k, n, to J;,h f = O dla wszysj,kich 11., li
dwójkowo-wymiernych, skad wynika, ze / = O prawie wsze,bie. Za. cbwile udo-
wodnimy, ze wlasnosci te ma kazdy ciag funkcji flama. _ *11. Viiykazac, ze z,c1efiuiowanaw (6) fnnkcja. '11. jest harmoniczna. wG.
Zwrócmy uwa.ge, ze funkcja '/I zawsze spelnia (5). Nie zawsze natomiast. jest ciagla
6. Niech (h,,) bedzie ciagiem funkcji Haara, odpowiadajac:,'m Iilt.nl.cji (.Fu.). Wy-
kazac, ze ua brzef.iu DC. \7ITiaze sie (.0 z kryterium regnlarnosci, majacym w ist.ocie charakter
probabilistyczny.
a) hn jest F,,-mierzalna dla n = 1,2, ..
,I
I b) E (h" + 11 :F,,) = D.
Od tej chwili przyjmiemy, ze g = er(:Fo,:F] , ... ).
§ 13.5. Konstrukcja procesu Wienera za pomoca ukla-
dów ortonormalnych
7. Wyl<iizac, ze (h",) jest; ukladem ortollormalnym zupelnym w [,2(\2, Q, P).
Wynik zadania 6 da sie uogólnic. Istnieje wiele. konstrukcji procesu Wienera na, przedziale [0,1], z którymi
warto sie zapozna.c, zeby zobaczyc, jak dzialaja pewne twierdzenia o zbiez-
8. Wykazac, ze fUI1ljcje Haara tworza b(LZe Scha-urle-m w D', p ) .1.,czyJi dla nosci miar i pewne twierdzenia z a.nalizy funkcjonalnej.
kazdej funkcji.f G LP(\2,Q,P) istnieje ciag (ai) Laki, ze
Na proces \iVienera, czyli na rodzine zmiennych losowych (Hlt)tE[O.1j, mozna
patrzec jak na zmienlla lo:,?,Owao wartosciach. w C'[O, 1] (przestrzeni funkcji
f = 2:a,hi' ciaglych na odcinln1 [0,1] z norma sup). Rozklad prawdopodobiel1stwa tej
i=O
zmiennej losowej to miara \~Tjenera.
I I '/ ~(.
przy czym powyzszy szereg jest zbiezny w UJ(\2, g, P) i prawie wszedzie. Wspomnimy tu o konstrujccji za. pomoca lamanych losowych. Niech ~i beda
Martyngaly a funkcje harmoniczne. Jesli funkcja f: H.2 ~ R jest harmo- niezaleznymi zmiennymi losowymi o roz.lcladzi~ N (O, 1). Definiujemy
niczna (patrz uw. D.2.7), W(I) i W(2) sa niezaleznymi procesami 'Wienera. oraz . 1
:Ft = u(WP), W~2): S ~ t), to (f(WP), WP)),:Ftl jest l1larLyngalem.
B,,(t) = 6 + ... +'Ti~[,,!.](w) + (nt - [nt)) yn
r.::~lntJ+1(w)
9. Niech f bedzie funkcja harmoniczna, X - wehorem losowym o standardo-
wym rozkladzie ndrmalnym w R2. Wyk"lzac, ze dla t E [0,1]. Niech P" bedzie rozkladem B", traktowanej jako zmienna
losowa o wartosciach w C'[O, 1]; mozna pokazac, ze P" ~:!...P, gdzie P jest
[/(1.1 + eX) = f(tL).
rozkladem prawdopodobieilstwa na przest.rzeni funkcji ciaglych na odcinku
10. Wykazac, ze proces wF) w?) , t ) O jest martyngalem. [0,1], zadajacym proces \~Tienera.
Przeprowadzim:\; teraz kOD8trukcje procesu Wienera na odcinku [0,1] za
Metody Monte Carlo a zagadnienie Dirichleta. Niech G C R2 bedzie pomoca ukladów ort.onormalnych. Pochodzi ona od Ho i Nisio, zas (wcze-
otwarty i spójny; niech g: BG -. R. Rozwiazanie zagadnienia Dirichleta w obsza-
sniejszy) pomysl uzycia funkcji Haara - od Zbigniewa Ciesielskiego.
rze G polega na znalezieniu takiej funkcji ciaglej u: G -. R, zeby
Niech (ip");',"=1 bedzie dowolnym ukladem ortonormalnym zupelnym w prze-
u(x) = g(x), x E aG, (4) strzeni L2[0,1], a b")';',"=1 -- ciagiem niezale'znych zmiennych losowych
-+-.
02U
OX2
02U
&y2
=0.
, .
x E G. (5)
o rozkladzie N(O, 1). Wt.edy formalny szereg
00
M'etodarni probabilistycznymi mozna wykazac, ze jesli funkcja g jest. ciagla i ogra-
niczona, a brzeg obszaru G jest regularny (co oznacza, ze mozna go dotknac
2: r"CPn
,,=1
320 Rozdzial 13. Proces Wienera § 13.5. Konstrukcja procesu Wienera za pomoca ukladów ortonormalnych 321
pozornie nie ma wielkiego sensu: nie jest zbiezny w L2 [O, l], wiec nie defi- co daje zbieznosc jednostajna szeregu.
niuje tam miary gaussowskiej. Definiuje jedynie obiekt zwany miara cylin- Pozostaje do wykazania, ze rozklady sko11czenie' wymiarowe procesu yVt sa
dryczna. Jej obraz przy przeksztalceniu liniowym moze juz byc prawdziwa normalne. W tym celu zauwazmy, ze rozklad wektora losowego
miara. Nie bedziemy wykladac ogólnej teorii, a udowodnimy tylko, ze szereg
Wt = L00
n=1
"In lt ipn(s)ds
O
( ~~("./O
00 (tl ipn(U)du'~ln./o
00 t2 ipn(U)dU''''!~ln 00 ltmipn('u)du )
O
jest zbiezny prawie na pewno w przestrzeni G[O, l], i ze otrzymany proces jest normalny, o sredniej zero, jako granica w sensie slabej zbieznosci przy
Wt ma skonczenie wymiarowe rozklady normalne oraz funkcje kowarian- k -> 00 ciagu rozkla.dów normalnych o sredniej zero, odpowiadajacych wek-
cji EWt Ws = min( t, s). To ostatnie latwo wykazac dla dowolnego ukladu torom
ortonormalnego:
· Szereg L: an "in
jest zbiezny p.n.
wtedy i tylko EWtWs = E (2.::: In lt
t
<pn('U)du) (2.::: In
s
l <P"(U)d'U) ( ?;'n)o
k (, ip,,(u)dV"~I".Io
k t2 <Pn(U)dU'''''~ln)ok . tm<Pn(u)dv,)
l:wtedy, gdy
a; < 00;
wtedy jest on tez = 2.::: l <Pn(u)du·l <P"(u) d'll, = Zadania
zbiezny wedlug
l l
p-tych momentów
= Ll ( )0 l[o,tJ(u)<p,,(-u)du Ja( l[o,sJ(u)<p,,(u)du = W konstrukcji procesu Wie nera za pomoca ukladu' Haara moglismy wykazac
zbieznos{: szeregu losowego w przestrzeni G[0,1] dzieki temu, ze funkcje Haara
nale:f',ace do jednego "bloku" maja rozlaczne nosniki .. Jesli zastapimy uklad Ha-
= 11[O,t](lL)1[0,S](u)du = min(t, s). ara przez dowolny uklad ortollormalny zupelny w L2[0, 1], dowód zbieznosci od-
powiedniego szeregu bedzie znacznie trudniejszy. Ponizej przedstawiamy metode
Natomiast zbieznosc prawie na pewno w G[O, 1] dowodzi sie dosc prosto dla dowodu pochodzaca od Kwapienia5.
ukladu Haara (co do.innych ukladów ortonorrnalnych, patrz zadania 1-3).
Przestrzen C\[O, lJ, Tak bedziemy oznaczac przestrzen funkcji ciaglych f na
Poniewaz funkcja Schaudera H",k (t) = .J~hn,k(S )ds przyjmuje wartosci nie- odcinku [0,1], spelniajacych warunek I-Ióldera z wykladnikiem A i takich, ze
zerowe tylko na przedziale ((k - 1)2-n, (k + 1)2-n) (i ma tam maksimum f(O) = O. Norma w tej przestrzeni dana jest wzorem
równe 2- ~), a przedzia.ly takie sa rozlaczne dla ustalonego n i nieparzy-
dr. If(8) - f(t)1 -'
stych k < 2n, marny, oznaczaj ac przez e" (t) sume wyrazów bloku zawiera-
1IIlIA= suP{-I----IA-:
s - t s,t E [O, l], s =f- t}.
jacego n-ta serie funkcji Haara
Przestrzen G A [O, l] z tak okreslolla norma jest przestrzenia Banacha.
n,k n,k = 2-""'"' max h".xJ Operator R.iemanna-Liouville'a. Jest to operato,r calkowy, dany wzorem
tE[O,l]
sup le71(t) I = tE[O,l]
sup I
k
k<2n
2.:::
Uiepl\n,ygt.e
I H l -n+l k
k<2'f'l,
ni~ptwzystc
:s; 2n-1p(hl > eyl2log2n) :s; 2"e-02tog2n = 2"(1-02) Lemat 1. Je.4li 1 < p < 00, ° < A < l, a = l/p + A, to Ra jest opemtor-em
Jesli e > l, to L: 2"(1-02) < 00, wiec na mocy lematu Borela-Cantelliego c'iaglym z UfO, lJ 'Ul GA[O, 1].
2:: R1en/'n,
n=l
l
R,
L2[0, l] ----t C",[0,1]
§ A.I. Pozyteczne nierównosci
Rb id r Ha
C[O,l] ----t U[O, l]
1. c:" ~ x + e,,2, x E R.
Na mocy wyniku zadania l operator Ra jest ciagly z LP[O, 1.] w C",[O, 1). Poniewai
IIRbflloo ( Ilrb11211f112, to operator Rb jest ciagly z L2[0, 1] w C[O, l] C L/'[O, l];
DowÓd. Udowodnimy rÓwnowazna nierównosc: ex2-x + xe-x ~ 1. Jesli
ma jednak znacznie mocniejsza wlasnosc. x > O, to z (najbardziej chyba pozytecznej) nierównosci eX ~ 1+ x wynika,
ze
2. Wykazac, ze szereg
ex2-X + :te-X ~ 1+ x2 - X + x(l - x) =l (l)
2:: Rben/'n l
7'l.=1 Jesli :c ( O, Lo lewa strona (1) jest malejaca i przyjmuje w zerze wartosc 1,
jest zbiezny wedlug p-tych momentów w LP[O, 1]. bowiem jej pochodna
Z faktoryzacji opera.tora' 'Rl oraz zadan l i 2 wynika teraz zbieznosc wedlug [(1 - :e) + (2:e -- l)e,,2]e-X
p-tych momentów w C"'[O, l] szeregu I:~=l R1en/'n, który definiuje proces Wie-
nera. Konstrukcja zostala zakOllczona. jest. ujemna, co z kolei wynika z nierównosci
Nietrudno jednak udowo'dnic zbieznosc prawie na peWl10 powyzszego szeregu. ,.2
> --1 - J;
x < O.•
Wynika ona z ogólnego twi'erdzenia o szeregach niezaleznych zmiennych losowych. C"
""
>- l
1- 2x'
3. Niech I: Xi bed.zie azeregiem niezaleznych symetrycznych zmiennych loso-
wych o wartosciach w przestrzeni Banacha. Uogólnic nierównosc Levy'ego-
i
-Ottavianiego (7.2.1) za jej pomoca wykazac, ze zbieznosc szeregu wedlug 2. Ilog(l + z) - zl (lzI2, o ile z E C, Izl (~.
prawdopodobienstwa implikuje zbieznosc prawie na pewno.
D o wód. Istotnie, mamy
Ilog(l + z) - zl = I '2
Z2 (
1- '32z + 5-
2z2 + ... ) I
(2)
(z I 2[ (12+"f:3+2.25
l l.) + ... (z 1 12
. •
323
324 Dodatek A. Kilka faktów z analizy § A.2. Funkcje gamma i beta 325
D o wód. Prawa nierównosc otrzymuje sie logarytmujac obie strony nierów- § A.2.Funkcje gamma,i beta
nosci eX ~ l + x; co do lewej, funkcja (l + :.I;) log(l + x) - x jest malejaca
na (-1,0] i rosnaca na [0,00), a dla x = O przyjmuje wartosc O .• Funkcja gamma jest zdefiniowana wzorem
2
3·1(1+z)log(1+z) - (z+ T)I:::; ~lzI3, o ile z E C,lzl:::;~· (1)
f(a) = 1= ta-1e-tdt, a > O.
D o wód. Wystarczy skorzystac z rozwiniecia w szereg Taylora i szacowac Calkowanie przez czesci prowadzi do wzoru rekurencyjnego
ta sama technika, co w nierównosci (2):
f(a) = (a - l)r(a - l), li > l, (2)
(l + z) log(l + z) =z + 1.2
Z2
- N
z3
+ 3.4
Z4
- ... •
a poniewaz f(1) = l, dla nEN
f(n)
mamy
= (n - l)!
4. Ponizsze trzy nierównosci Funkcja garrllna pojawia sie w naturalny sposób przy obliczaniu momentów
rozkladu normalnego. Jesli 'Y ~ N (O, l), to
(a) let - 11 :::; Iti, t E R;
Eh'IP = ----
') 100
'127f-" o
IWe-t2/2dt
.
= ~-
fi
')p/2 j'=
o
Isl(p-1)/2e-Sds =
(b) leit - l - iti :::; Itt, t E R;
= V1r
2lJ~f(P+l). 2
(c) leit-l-it+el:::;~, t.ER;
Podstawiajac p = O otrzymujemy pr;z;y okazji wartosc f(1/2) = fi.
sa szczególnymi przypadkarili nastepujacego oszacowania: Funkcje beta definiuje sie za pomoca calki:
nosc:
Okazuje sie, ze
e't - '"
I', L..- - k! =
Ij·t(,
e's - L..-
'" - k! ds
I"
,(
X
--, l__
], lt
l(o,CXl)(t - x)l(o,oo)
= r(a)r(/;)·e
'-I
O (t - X)
(x)d:1: =
a-l b-l
x, dx =
,(ltl
k=O
n (it)k'j ' O k=O (iS)k)
n-l = r(a)f(b) ta+b--2e-t j.t (l _
O! ~/t)a-1(x/t)b-1dx =
" o e is _ L
n-l
k=O' ki I dt" ,(
(is)k lt o Itln+!
~n.I ds -_ ( n l.
+ , )1' =
= B(a,
l
f(a)f(b) ta+b-lct
bl..ta+b-le-t
lofI (l _'u)a-lub-ldu =
Przyklad 1. Do funkcji beta sprowadzaja sie dobrze znane skadinad calki Udowodnimy, ze
o
n! = V27rnnn e-n+ffi, O < Bn < 1. (1)
In = sin n xdx = cosn .xdx.
I, 171'/2
O j.7r/2
O
Istnieje wiele dowodówl i alternatywnych postaci tego wzoru (por. zad.
Wiadomo, ze In = (n - l)/n . In-2, n;;:: 2, dlatego 10.2.18, a Lakz,e: [FEL], t. 1, s 56, [GKP], s, 531). Podamy dowód oparty
na. wzorze Wallisa.2 (por. [FICR], t. II, s. 319). ,
In
-;nn-.
(m-'i)!!
"2 dla m = 2k,
(4)
2k + 1.
=;=
{(m-l)!!
m!! 71'
dla m = Lemat 1. Dla kCtzrlego n E N zachodza nier'Ównosci
171'/2
o
sin n xdx = 11'o sn(1- S2)-1/2ds = _111
2 o
s(n-l)/2(1 _ S)-1/2ds =
D o wód. Z rozwiniecia
= ~B(n+l l) = ~. f(!l}!)r(!)
2 2' 2 2 f(~)
l-x
Jog -.
]+ - x 31 2 + -x
= 2x ( +;-x 3.51 4 + ... + "+1 x 2k + ... ),
'2-k 1
i korzystajac ze wzoru rekurencyjnego (2) .•
otrzymujemy, podstawiajac x = 1/(211.+1) i uwzgledniajac, ze ~ = l+~:
Przyklad 2. Obliczymy teraz za pomoca funkcji beta objetosc zbiorn
Sn,p = {(Xl, ... ,Xn) E Rn: !XI!P + ... + IXniP::;; l}, O < P < 00. log ( 1 + ~) = -2'17-, ;~d 1+ -3(-271-. ~-- '1r + -5(-21-1
~-l )-4+ .. .J.
Dla p = 1 jest to n-wymiarowy odpowiednik osmioscianu, dla p = 2 - knla Poniewaz
n-wymiarowa. Jesli p ;;:: 1, zbiór Sn,p jest kula jednostkowa w przestrzeni
unormowanej l~.
---~ ] + 5(2n 1
+ 1)4 + ... ::;;3l[ (2n 'l+ 1)2 + (2n +
1 1)4 + ... ] ::;;
Oznaczmy szukana objetosc przez V;"p. Mamy wtedy (prawie) oczywisty 1
zwiazek rekurencyjny:
l l
::;;-( n + 1)'
1211.
otrzymujemy
Vn,p = Vn-l,p' l-l
r (1 - tP)(n-l)/pdt = V;,-1,1' . 2 lor (1 - tp)(n-l)/Pdt.
Podstawienie
Ostatecznie
tP = s pokazllje, ze ostatnia calka jest równa * B( n+;-l , ~). 1< (n + ~) log (1 + ~) < 1 + ,n 1 ., ,
\.n
Tf. 'rl _- vn-loJ)
TT 2B(n+p-I l) z czego natychmiast wynika (2) .•
"p
• - , - •
>Y p p
lPierwszy w: James Stirling, Methodus diffe'"entialis, Londyn 1730.
Poniewaz VI,p = 2, wynika stad, ze 2 John Wallis, Arithmetica infi.nitorum, Oxford 1656. Metoda Wallisa odwoluje sie do
calek (wedlug wspólczesnej terminologii, bowiem wtedy mówiono o kwadraturach krzy-
2nrn(*) wych), które sprowadzaja sie do funkcji beta. Cytowana ksiazka w 75 lat pózniej wywarla
duzy wplyw na Eulera w jego badaniach nad funkcjami beta i gamma. Oryginalny dowód
Vn,p = pnf(7)' Wallisa mozna znalezc w [HIS], t. n.
328 Dodatek A. Kilka faktów z analizy § A.3. Wzór Stirlinga 329
Lemat 2. Istn'ieje taka stala a, ze Mozemy teraz wyznaczyc stala a z lematu 2. Zastosujemy lemat 2 do wy-
razenia
n! =a nn+1/2e-n+~, O < en < 1. (3) (2n)!! [(2n)!!j2 22n(n!)2
an _1 e1/12n 7r
_ = .
l11u
1 n,
a2. _ . e(1en-en)/Ln
' ?
= _0.2
1 < --
o.n+1
< e 12nt."f1.+1) == .
e1/L(n-H)
') .
2 n~oo 2n +1 2 4
Wobec tego ciag (o.n) jest malejacy i ogra,niczony z dolu przez O, zatem Oznacza to, ze a =)2;. Dowód wzoru Stirlinga zostal tym samym zakon-
jest zbiezny do granicy a. Z drugiej stroilY ciag o wyrazach «ne-1/12n jest czony.
rosnacy i zbiezny do tej samej granicy. Poniewaz dla kazdego n
o.ne-1/12n' < a < o.n, Wzór Stirlinga jest zadziwiajaco dokladny, a co wiecej, istnieja wersje jesz-
istnieje takie Bn E (0,1), ze cze dokladniejsze, na przyklad ([GKP], s. 531).:
1 (2n)!! 1 7r
2n(2n + 1) [ (2n - l)!! ]2 < 217. . 2'
zatem maja wspólna granice równa 7r /2 .•
§ B.L Definicja i podstawowe wlasnosci 331
a ogólnie II.
Dodatek B 00 '1
( )
g;' (s) =~ L D~
~
J::::..n...
7·
n)!PjS
j-n '-.
I~'
I
udowodnilismy zatem
I ''
W tym dodatku przyblizymy pojecie funkcji tworzacej. Nie pojawilo sie ono Twierdzenie 2. Ro;ddad pmiJJCZopodob'ienstwa zrntenne,j losowej o warto-
w zasadniczej czesci ksiazki, bowiem wprowadzilismy pojecie ogólniejsze - sciach calkowitych nie'l1jemnych. jest jednoznacznie wyznaczony pTzez funk-
funkcje charakterystyczna. Tym niemniej funkcje tworzace sa wygodnym c.ie twor·zaca·
narzedziem przy badaniu zmiennych losowych o wartosciach calkowitych
nieujemnych i warto poznac ich podstawowe wlasnosci. Powrócmy do wzoru (2). Jesli EX < 00, to szereg definiujacy pierwsza
pochodna jest zbiezny dla s = 1. Na mocy twierdzenia Abela mamy wtedy
Funkcje tworzace pierwszy badal de Moivre. Euler uzywal ich intensywnie 00
do badania problemów z teorii liczb.
!im g';;(s)
,.,.-tl- = ".iPj
~ = EX.
j=l
§ B.l. Definicja i podstawowe wlasnosci Jesli EX = 00, to szereg ~.iPj jest rozbiezny, ale i lims....,l- g';; (8) = 00. Tu
i w dalszym ciagu przyjmiemy dla funkcji tworzacych umowe, ze
Definicja 1. Funkc,ja tworzaca ciagu. liczbowego (P.i)~o nazywamy lu.nkc.ie g';; (1) = lim g';;(8),
s--+:J --
00
dopuszczajac wartosc 00. Otrzymamy wtedy po prostu
g(s) = I>jsj, s E (-0.,0.), (l)
j=O
EX = g'x (l). (3)
,jesli tylko powyzszy szereg potegowy ,jest zbiezny w niepustym pTzedziale Podobnie
(-0.,0.).
EX(X - l) = lk(1.). (4)
Gdy X jest zmiellila losowa o wartosciach calkowitych nieujemnych i o
Wprowadzimy teraz funkcje tworzaca dla ogonów rozkladu, czyli dla ciagu
rozkladzie P(X = .n = Pj,j = O, l, ... to funkcje tworzaca ciagu (P.i)~O
nazywamy funkcja tworzaca zmiennej losowej X i oznaczamy gx. Z definicji o wyrazach qj ~ P(X > j), dana wzorem
wynika natychmiast, ze gx(s) = Esx. Oczywiscie funkcja tworzaca zalezy Q(s) = iJo + qlS + q2s2 + ...
tylko od rozkladu prawdopodobienstwa zmiennej losowej.
'ii'iTspólczynniki w tym szeregu sa ograniczone przez 1, zatem jest on zbiezny
Fuilkcja tworzaca gx jest dobrze okreslona co najmniej dla Isl ,,;; l, bowiem
co najmniej na przedziale (-l, l).
z oszacowania.
00 00
Zgodnie z zad. 5.6.8 i umowa dotyczaca wartosci Q(l) mamy
I>jlslj,,;; I>j
j=O j=O
= l EX = iJo + iJI + iJ2 + ... = Q(l).
wynika wtedy bezwzgledna zbieznosc szeregu (1). Powyzsze fakty podsumowuje
330 1}
r
332 Dodatek B. Funkcje tworzace § B.2. Funkcja tworzaca sumy niezaleznych skladników 333
Twierdzenie 3. Dla 8 E (-1,1) zachodz'i WZÓT Dowód. Poniewaz Xl,X21 ... ,Xn sa niezaleznymi zmiennymi losowymi,
to zmienne losowe Sx" i
= 1,2, ... , n sa niezalezne i
Q(s) = 1-l-s
gx(s) (5) n
Ponadto
gXl+X2+"'+X,,(s) = [SX,+X2+ ..+x" = I1
i=l
[sx, .•
EX = Q(l) = g~'((1), (6) Przyklad 2. Kazda z n niezaleznych zmiennych losowych Xl, X2" .. , Xn
moze przyjac z jednakowym prawdopodobienstwem jedna z wartosci 1, 2,
EX(X -1) = 2Q'(1) = g~(J). (7)
... , m. Obliczyc prawdopodobiellsl:wo, ze suma Xl + X2 + ... + Xn bedzie
Z twierdzenia o wartosci
(l -
sredniej
8)Q(S)
Q(s)
= 1-
= g'x(t),
gx(s).
gx(s) = j=O
~p(qsF = 1- qs'
=m-n[~(-l/(~) (k-nr:l; 1)].
Stad g'x (1) = q/p = [X i 1)2 X = q/p2 •
b) Szukane prawdopodobieilstwo jest równe wspólczynnikowi przy Sk funk-
cji tworzacej ogonów
§ B.2. Funkcja tworzaca sumy niezaleznych skladników 1
Q(s) = - 9Xl+X2+"'+X,,(s)
1- s.' '
Wykorzystamy teraz zaleznosc gx(s) = [sx. Wynika z niej
i obliczajac jak wyzej otrzymujemy
Twierdzenie 1. Jesli Xl, X2, ... , Xn sa niezaleznym'i zmiennym'i losowy-
+ X2 + ... + Xn ma.
mi o funkcjach tworzacych gl, g2, ... , gn, to suma Xl
funkcje tworzaca TI7=1 gi· 1- m -n [~( _1)1 (~) e -nmi) ] .•
~
I,
:1:1-1 Dodatek B. Funkcje tworzace § B.2. Funkcja tworzaca sumy niezaleznych skla.dników 335
W tym przykladzie obliczylismy w szczególnosci prawdopodobienstwa zda- D o wód. Obliczymy h stosujac tw. l i odpowiednia wersje wzoru na praw-
rzell (ypu "uzyskanie sumy 444 oczekprzy stukrotnym rzucie kostka". Inne dopodobienstwo calkowite
metody bylyby tu niezwykle pracochlonne. ,00 00
E(s8NIN=k)=E(sSkIN=k),=EsS, •
( l '
91(8)92(1/s) = (~Pksk) (~bIS-I).
Gdy zalozymy dodatkowo, ("z,€,EXl < 00, EN <~~, to z (3) i tw. 5 otrzy-
Obliczmy wyraz z sk. Dla k ~ O ma on postac mamy:
00 00
EBN ==i.T'tg(l))· g'(1) = EN" EX1.
1 = limP(A~)
'fi,
= 1 -limP(An).
n
Teoria miary i calki, (-ii) => (i). Jesli (AJ jest rodzina wstepujaca, to zbiory Bn = A \An tworza
rodzine zstepujaca, nn Bn = 0, zatem
przestrzenie LP 0= limP(Bn) = P(A) -limP(An).
n n
i
P(D) = 1 spelniony jest jeden z r-ównowaznych wa7"(!7I.ków: Bnk E A takie, ze lin C Uk Bnk, I:k P(Bnd < P*(An)+E:/2n Wobec tego
u.n An C Un,k Bnk i
(i) jesli (An) jest wstep1!jaCa T"Odzina z/rioTó"Wnalezi/:cych do A i jesl'i
U:l Ai = A E A, to limn->oo P(An) = P(A),
r(UAn) ~ L:P(Bnk) < L:P*(An) +E:,
(ii) Jes~ (An) jest zstepujaca rodzina zb'ioró'W nalezacych do A i jesh n nIk n
336
:1:H~ Dodatek C. Teoria miary i calki, przestrzenie LP § C.l. Twierdzenie o przedlm"u:{iu miary 339
II. Zbiór A nazywamy P*-mierzalnym gdy dla. kazdego E C O spelniony Dla n = 1 równosc (3) jest oczywista, dalej dowodzimy indukcyjnie. Zakla-
jest warunek Caratheodory'ego: damy, ze (3) ma miejsce dla n i sprawdzamy ja dla n + 1.
P*(A n E) + P*(A' n E) = P*(E). P*(Cn+1 n E) = P*(Cn n Cn+1 n E) + P*(C;, n Cn+1 n E) =
Z subaddytywnosci wynika, ze ten warunek jest równowazny warunkowi = P*(Cl1 n E) + P*(An+1 n E) =
n . \
P*(A n E) + P*(A' n E) ~ P*(E). (1) = 2:
k=l
P*(Ak n E) + P*(A"t1 n E).
Klase zbiorów P*-mierzalnych oznaczymy przez M. Najpierw pokazemy,
ze M jest cialem i P* jest na nim skonczenie addytywna. Jasne, ze O E M Stad
i jesli A E M to A' E M. Wezmy A, B E M. Wówczas ella dowolnego E:
P*(E) = P*(E n Cn) + P*(E n c;,) =
n
P*(E) = P*(13 n E) + P*(B' n E) = (2)
= P*(A n B n E) + P*(A' n B n E) +
= 2: P*(Ak n E) + P*(.~ n C~) ~
k=] ,
+P*(AnB'nE)+P*(A'nB'nE) ~ n
.' (
~ P* (A f') 13 n E) + ~ 2:p*(AknE)+p*(EnA').
+ P*((A' n B n E) u (A n B' n E) u (A' n B' n E)) = k=:l, .I' l l
P*(A U B) = P*(A n (A U B)) + P*(A' n (A U B)) = P"(A) + P*(B), czyli udowodnilismy (1).
skad przez indukcje otrzymujemy skonczona addytywnosc. III. Pokazemy, ze A C M i P* = P na A. Zatem P* jest rozszerzeniem P
P*jest przeliczalni e addytywna na elementach M, bo gdy zbiory A" E M, na er(A). Jednoznacznosc rozszerzenia wynika z lematu o 1[- i A,-ukladach.
n = 1,2, ... i sa parami rozlaczne, to ze skonczonej a.ddytywnosci rnono- i Wezmy A E A i dowolny zbiór E C n. Dla dowolnego ustalonego 6 > O
tonicznosci P* otrzymujemy wezmy zbiory 131;E A takie, ze E C Uk Bk' :S~=1 P(Bk) ~ P*(E) + 6.
k k 00 Wtedy EnA C Uk(13knA) i EnA' C Uk(BknA') oraz BknA, BknA' E A,
i
wiec z definicji P* z przeliczalnej addytywnosci ,p na A (co wynika z (i)
2:P*(An)
11.=1 = U
p*( n=l An) ~ p*( U
n=l An)' lub ('ii), patrz dowód tw. 1.1.7 o ciaglosci) marny,
P*(Cn n E) = 2: P*(Ak
k=1
n E). (3)
czyli P*(A) ~ P(A), co daje P* =P na A. •
341
340 Dodatek C. Teoria miary i calki, przestrzenie LP § C.2. Calka wzgledem miary probabilistycznej
§ C.~. Calka wzgledem miary probabilistycznej Twierdzenie 3. (a) Jesli O ,::; X ~ Y, to In X dP ,::; In y dP.
(b) Jesli X ): O, c jest stala to J~cX dP = c In XdP.
Definicja calki. Niech (D, F, P) bedzie przestrzenia probabilistyczna· Be-
dziemy zakladac, ze wszystkie funkcje sa F-mierzalne, czyli sa zmiennymi (c) Jdli x): o, A, B E F, A C B to 1.4 XdP'::; IE XdP,
losowymi.
(d) Jesli X ): O, A E F, 1.4 XdP = O, to X = O p.n. na A.
gdzie Xl, ... , Xn sa róznymi waTtosciami przyjmowanymi przez X, za,ii Fk zatem P(An) = O. Poniewaz {w E A: X(w) > O} = U~=l An, to p(Af= O.•
{w: X (w) = xd E:F. Wtedy calke defini'ujemy wzorem:
Lemat 4. Jesli X ): O, to istnieje taki ciag funkcj'i p'rostych (Zn), ze
--
k )(X)
1'5'lT + nl[n l oo)(X),
r XdP
.fn = sup .fnr ZdP,
Oczywiscie Z jest mierzalna i jest funkcja prosta. Dla w E D, gdy n> X(w),
gdzie s'up'remum jest ,brane po wszystkich f1mkcjach pTostych Z ,::;X. to O ,::; Z.,,(w) - X(w) ,::; o,. Zatem gdy X jest ograniczona, to ciag Zn
zmierza do X jednostajnie. -
Wyrazenie In XdP nazywamy calka funkcji X wzgledem P. Gdy X jest
funkcja prosta, to supremum prawej strony (3) jest osiagane przez X, wiec Udowodnimy teraz twierdzenie o monotonicznym przechodzeniu do granicy
(3) daje te sama definicje calki, co (2). pod znakiem calki, zwane tez twierdzeniem o zbieznosci monotonicznej.
Jedno z dwóch
Nalezy zwrócic uwage, ze In X dP E [0,00]. Poniewaz dopuszczamy nie- Twierdzenie 5 (Lebesgue'a-Beppo Leviego). Jdli (Xn) jest niema- najczesciej
skonczone wartosci calek, przyjmiemy tez umowe, ze 00 . O = O . 00 = O.
Calke z X po zbiorze A definiujemy wzorem:
lejacym c'iag'iem n'ie'uje'm.nych funkc,ji mieTzalnych, czyli O'::; Xn(w) X(w) l uzywanych
twierdzen teorii
gdy n ---> 00, to cal ki.
r XdP
.fn = .fnr X+dP r X-dP,
- .fn
1 (2 XdP,::; n-oc
lim 1 [2 Xn~P.
o ile choc jedna z calek In x+ dP, In x- dP jest skonczona. Wezmy funkcje prosta Z taka, ze O ,::; Z ,::; X i niech K < 00 bedzie
Mówimy, ze X jest calkowalna, gdy In IXldP < 00. stala ograniczajaca Z (taka stala istnieje, bo Z jest funkcja prosta)· Dla
dowolnego n i E > O mamy wtedy: '
•••
:\<1" Dodnl.ek C. Teoria miary i calki, przestrzenie LP § C.2. Calka wzgledem miary probabilistycznej 343
O ~ Z" + v;., T X + y.
. lnr XdP lim r X"dP .•
~ n->oo./n
Korzysta.jac z twierdzenia o zbieznosci monotonic;z:nej mozemy teraz przejsc
Do dowodu nastepnegoj .' twierdzenia potrzebny bedzie z poz,oru dziwny do gra.nicy w równosci (4) prawdziwej dla Zn i Vn, otrzymujac w efekcie (4)
dla dowolnych X, Y ~ O. 111
i
Twierdzenie XnJ to
I'" 'l'
funkcja ·zbioru.
iM X dP
Iw :X,r1P = n=JJnl
~r
i
f XndP "
D o wód. Niech X = I:7=1 Xi IBi' A = Al U ... U A.'II gdzie Ai. sa rozlaczne. D o wód. Niech Ym = Xl + ... + Xrn. Z zasady indukcji zastosowanej do
Wtedy (4) mamy
kk"
n k n
Poniewaz Ym T X to korzystajac z twierdzenia o zbieznosci monotonicznej
= I:I:xiP(BinAj) = I://(Aj).- przechodzimy w (5) z rn do granicy j otrzymujemy teze. _
j=li=l j=l
Twierdzenie 7, Jesli X, Y ~ O, to
Twierdzenie 9 (Lemat Fatou), Jesli X" : n -l [0,00], to
(4) llimn-oo
.In inf X"dP ~ lim inf lnr XndP.
71.-00
r (X
./n + Y)dP = .lo./n
r XdP + r YdP.
Wlasnosci calki dla dowolnej funkcji X. Udowodnimy drugie z najcze- Twierdzenie 11 (Lebesgue'a o zbieznosci zmajoryzowanej). Jezeli
sciej uzywanych twierdzen z teorii calki, umozliwiajace przejscia graniczne dla pewnej f1Lnkcj-i calkowalnej Y zachodza nierównosci IXnl ( y, n E N,
pod znakiem calki··- twierdzenie Lebesgue'a o zbieznosci zmajoryzowanej to wszystkie funkcje Xn sa calkowalne, a jesli ponadto Xn ~ X, to X jest
(zdominowanej, ograniczonej). calkowalna i
D O wód. (a) Dla X, Y ;;: O teza jest trescia twierdzenia 7. W ogólnym .lor 2YciP (liminf
n-rOO lnr (2Y -IX" - Xl)ciP =
przypadku korzystajac z twierdzenia 3(a) otrzymujemy calkowalnosc sumy
X+Y: r 2Y dP
= }n + liminf(
n-roo ,r IXn - XldP)
- lo. =
i 'Iif::
I)la 7,bioni G E M zdefiniujemy jego przekroje: wl-przekrój (iv) Dowodzimy analogicznie jak ('iii).
, I"
GW1 =
df
{W2:(Wl,W2) E G},
(v) Gdy X = lAxB: g<.l7.ie A E FI: E E F2 to X(Wl:W2) = lA(wdlB(W2) i iW
;
!:[
I"
j'r
Zaczniemy od lematu o mierzalnosci: zatem calka J~1.,XW1 (w2)P:iC~wi),jest FI-mierzalna. Stad, gdy X jest funk-
cja prosta, to calka jest FI-mierzalna: a z twierdzenia o zbieznosci mono-
tonicznej i z tego, ze kazda .funkcja nieujemna jest granica funkcji prostych
Lemat 1. Jesli zbiór' G nalezy do M, to
wynika teza. _ l'
(i) dla kazdego Wl E nI .'lego wl-przekró,j CW] .jest F2-m·ie'/'zalny.
Twierdzenie 2 (O istnieniu miary produktowej). Pnnkcja P, zdefi-
(ii) dla kazdego W2 E n2 .'lego W2 -przekrój CW2jest FI -m.ieTzalny. niowana rw (l-ciele M wzor'em .
jest FI -mierzalny.
Mia.n~ P nazywamy produktem miar Pl i P2. Czesto oznaczamy ja symbo-
( v) jesli ponadto X ~ O) to calka lem Pl ® P2·
r
Jn, XW2(Wl)P1(dwl)
P(U n G(n») l I(U n c<n»Wl
= Jn1r [ JOz (w2)P2(dW2)] Pl (dWl) =
jest FI -mierzalna (odpowiednio F2 -mierzalna).
rN~";; I
II"
348 Dodatek C. Teoria miary i calki, przestrzenie LP § C.3. Miara produktowa i twierdzenie rubiniego 349
Zatem pierwsza czesc (4) zachodzi clla C E Fl ® F2, czy li zachodzi dla
Twierdzenie 3 (Fubiniego). Niech X bedzie funkcja F10F2-mierza.lna· funkcji prostych, a z twierdzenia o zbieznosci mOll0tonicznej otrzymujemy
ja dla X nieujemnych. Druga czesc (4) otrzymujemy w taki sam sposób.
(a) Jesli X ;;::O, to (b) Stosujemy punkt (a) do lXI·
(c) Z zalozenia
1[t
= n, lo.z X(Wl,W2)P2(dw2)]
. Pl (dWl) =
a l,alcze
(b) Jesli
.l/'n, [ .lo."
/' X+(Wl,W2)P2(dw2)] Pl (dWl) =
L, [Lz IX (Wl, W2) IP2(dW2)] Pl (dWl) < 00
= iO,!
/' X03 X+(Wl,W2)Pl ®P2(dwl,dw2) < 00.
lub
Zatem z wlasnosci calki Jo.2 X+(Wl,W2)P2(dw2).< 00 Pl -p.n. Analogicz-
Lo [L, IX(Wl,W2)IH(dwl)]P2(clw2) < 00, nie otrzymujemy taka wlasnosc dla X-, i dlatego
to X jest calkowalna wzgledem Pl ® P2.
PI({Wl: /'
JIl2 IX(wl,w2)IP2(dw2) <. oo}) = 1.
(c) Jesl·i X jest calko'walna 'wzgledem Pl ® P21 czyl-i.
Wobec I;ego poza zbiorem N zerowej miary Pl zachodzi równosc:
j'o.,xo.2 IX(Wl,W2)1 Pl ® P2(dwI,dw2) < 00, .1'2 X(Wl,W2)P2(dW2) = /~2X+(Wl1W2)P2(dw2) - .~z X-(Wl,W2)P2(dw2)'
Pl({'~1:1IX(Wl,W2)IP2(dW2)
n2 < oo}) = l, (5)
j.n, [.l/' X ( Wl, W2) P2 ( dW2 ) ] Pl (dWl)
0.2 =
P2({W2:1IX(WI,W2)IPl(dwl)
0.1 < oo}) = l,
= Jrl1 l
/' [ .J~i2 X+(Wl,W2)P2(dw2)]PI(dwl) +
Dowód. Z lematu l wynika, ze calki we wzorach (4) i (5) sa mierzalne. = j'nlXn2 X+(Wl,W2) Pl ® P2.(dWI,dw2) +
(a) Z definicji miary produktowej
- Jn,xnz
f X-(Wl,W2)Pl o P2(dwl,dW2)=
Pl ®P2(C) = n, 1 [11C(w"Wz)P2(dW2)]Pl(dWl),
0.2 = Jn,
/' xn2 X(WI, W2) Pl ® P2(dwl, dW2),
:350 Dodatek C. Teoria miary i calki, przestrzenie LP § C.4. Twierdzenie Kolmogorowa o rozkladach zgodnych :351
P(C(A)) ~ PL(A).
r X0.2X(Wl,W2)PI0P2(dwl,dw2)
Jo., = '/0.,
r [ ./0.2
r X(WI,W2)P2(dw2)]PI(dwl),
I. Najpierw wykazemy, ze definicja jest poprawna, czyli ze P(C(A)) nie
co kOl1czy dowód (4) .•
zalezy od sposobu przedstawienia. cylindra. Istotnie, jesli C(AL) = C(AL,),
Uogólnienie powyzszych rozwazan na przypadek produktu n miar jest oczy- gd~ie AL E B(RL), AL, E B,(11.L,), to biorac L'i tak.ie, ze L C L2, LI C L2
wiste. Odnotujmy jeszcze, ze prawd~iwe jest twierdzenie o istnieniu przeli- znajdujemy AL2 E B(RL2) tf,lkie, ze AL x RLz\L = ALz = AL, X RL2\Ll.
czalnego produktu mitr probabilistycznych, z którego jednak w tej ksiazce Wtedy korzystajac z war~lil{q5w zgodnosci ll1am~'
nie korzystamy.
PL" (AL,) =-; PLz(AL X RL2\L) = h(AL)
to
a wiec P(Dn) ~ P(Bn) - 5> O. Zatem Dn fe- 0. zas przestrzen zmiennych losowych, których p-ta norma jest skonczona,
bedziemy oznaczac przez ]] (!1, F, P).
Dla kazdego n wezmy element x(n) E Dn.. Gdy n ~ k, to x(n) E Dk (bo
Mozna udowodnic, ze gdy p ---+ oc, to liXlip -, ess sup lXI, dlatego definiuje ess supx =
ciag Dn jest zstepujacy). Dlatego (x~~), ... , x~~») E Kk dla n ~ k. Dla = inf{ t: Fx (t) =
sie l}.
kazdegok ciag (x~~), x~~), ... ) jest ciagiem elementów z Kk. Stosujac metode df
przekatniowa (korzystamy ze zwartosci zbiorów Kk) mozna znalezc podciag liXlico = ess sup lXI,
ni taki, ze granica limi xtil istnieje dla kazdego k i jest równa Xtk' Wtedy i odpowiednio do tego LOO(!1,F,P).
(xtil, ... , x~~il) ---+ (Xt""" Xtk) E Kk, a to oznacza, ze dla kazdego k Funkcja 11·111' ma nastepujace wlasnosci:
W twierdzeniach o zmiennych losowych czesto narzuca sie wa.runek istnie- Dowód. Zaczniemy od przypadku 1';;; P < oc.·Niech (Xn) bedzie ciagiem
nia wartosci oczekiwanej, drugiego czy tez (rzadziej) czwartego momentu. Callchy'ego w LP(!1, F, P). Wybierzmy z niego ta.ki podciag (Xnk), ze
Definiuje sie takze zbieznosc wedlug p-tego momentu. Wszystko to w na-
turalny sposób prowadzi do przestrzeni zmiennych losowych calkowa.lnych IIXnk+1 -Xnkllp:;;; 2-k, k'r 1,2, ...
w p-tej potedze. Warto znac ogólne wlasnosci takich przestrzeni.
Niech
Wszystkie rozpatrywane ponizej zmienne losowe beda okreslone na ustalo- k
Wtedy IIYkllp < 1 dla ,k = 1,2, .... Z lematu Fatou wynika, ze IIYllp ::::;1, Potrzebny nam bedzie fragment teorii przestrzeni Hilberta nad cialem liczb
a w szczególnosci Y < 00 p.n., skad wynika zbieznosc bezwzgledna p.n. rzeczywistych, zawierajacy twierdzenie o rzucie ortogonalnym, nierównosc
szeregu Bessela i równosc Parsevala. Ta ostatnia w kontekscie zespolonych prze-
00
strzeni Hilberta wystepuj f' i.,:llko raz w rozdziale o funkcjach charaktery-
Xn, + L(Xnk+1 - Xnk)
stycznych i jest zreszta udpwodniona bez odwolywCLnia sie do pojecia prze-
k=l
strzeni Hilberta ..
do zmiennej losowej X; zbieznosc sum czesciowych tego szeregu oznacza,
Iloczyn skalarny. Iloczynem skalarnym nazywamy funkcje, która kazdej
ze Xnk ----> X p.n.
parze elementów x, y przestrzeni liniowej pr<:ypisuje liczbe rzeczywista fI
Pozostaje do wykazania, ze Xn ~ X. Wybierzmy > O. Wtedy istnieje E: (x, y), przy czym spclnione sa nastepujace Wa1'11~lki:
takie N, ze dla m, n> 'N jest IIXn - Xmllv < E:. Stosujac lemat Fatou przy
ustalonym m otrzymujemy (i) (.7:, y) = (y,1:) dla ~;,Y E H,
Szczególna pozycje wsród przestrzeni L1' (n, :F, P) zajmuje L2 (n, :F, P), bo- lix -I- yW -I- II;c - yl12 = 211~;112 -I- 211yW·
wiem norma jest w niej zadana przez iloczyn skalarny, zdefiniowany dla
X, y E L2(n,:F, P) wzorem Mozna udowodnic, ze jesli norma spelnia ten warunek, to jest zadana przez
iloczyn skalarny. I
Dopelnienie ortogonalne. Elementy x, y przestrzeni Hilberta H nazy-
(X, Y) ~ [XY = ./0r XYdP. warny ortogonalnymi (prostopadlymi), gdy (x, y) = O. Piszemy wtedy x1-y.
Wtedy Niech xl. ~ {y E H: y1-x}. Innymi slowy, 1;1. jest przeciwobrazem zera przy
IIXI12 = lex, X). odwzorowaniu liniowym i ciaglym y H (x: y), dlatego jest podprzestrzenia,
liniowa domknieta.
Przestrzen L2 (n,:F, P) jest zatem przestrzenia liniowa unitarna (czyli wy-
posazona w iloczyn skalarny) i zupelna. Takie przestrzenie nazywamy prze- Teraz dla dowolnej podprzestrzeni liniowej M C II mozemy zdefiniowac jej
strzeniami Hilberta. Dobrze znane przyklady przestrzeni Hilberta to prze- dopelnienie ortogonalne jako .
strzenie euklidesowe (R.n, (-, .)); ich bezposrednim
przestrzen ciagów (an) sumowalnych
uogólnieniem jest Z2 -
z kwadratem, gdzie (a, b) ~ L aibi. MJ· ~n xl..
xEM
MnM.L={O}.
C.G. Przestrzenie Hilberta 357
356 Dodatek C. Teoria miary i calki, przestrzenie U' §
Jest t0 oczywiscie domknieta podprzestrzen H, skladajaca sie z elementów (ii) Dla kazdego x E H jest x = Px + Qx.
ortogonalnych do kazdego x E NI.
OdwzoTOwania te maja ponadto nastepujace 'Wla,snosci:
Przypomnijmy, ze podzbiór C przestrzeni liniowej nazywamy wypuklym,
jesli wraz z punktami :Ii, y E C do C naleza wszystkie punkty postaci
(iii) Dla x E NI mamy Px = x, Qx = O;
tx + (l - t)y, t E (O, l). dla x E: M1. mamy Px = 0, Qx = X,
z domknietosci C - 'Vo E C. Jest to zadany element o minimalnej normie, zatem dla kazdego t E R
jako ze IIYnll-> II'Voll·•
t2 - 2t (Q:.r:,y) ~ O,
Uklady ortonormalne. Ukladem ortonormalnym w przestrzeni Hilberta
H nazywamy zbiór wektorów (es) sEJ, który spelnia nastepujacy warunek: skad wynika natychmiast (po podstawieniu t= (Qx, y)), ze (Qx, y) = O.
Udowodnilismy zatem, ze Q dziala z H w MJ'j tym samym dowód (i) zostal
zakoilczony.
(es, et) = {l O = t,t.
dla s f-
Wykazemy teraz, ze P, Q jest jedyna para od';"'zorowan spelniajacych Ci)
Kazdy uklad ortonormalny jest liniowo niezalezny, co wynika z prostej i (ii). Niech x = Xo +Xl, gdzie XQ E M, Xl E M..!.. Wtedy XQ -Px E M, ale
uwagi: jesli x = I::~l Ciesi, to IIxl12 = I:~~l
cZ· Wsród ukladów ort 0- XQ - Px = QJ; - Xl E !vI..!.. Poniewaz M n M..!.' = {O}, musi byc XQ = Px,
normalnych szczególna role odgrywaja uklady ortonormalne zupelne, czyli Xl = Qx.
takie, ze jesli (:1;, es) = O dla kazdego s E I, to x = O. Sa one odpowiednikiem 'len sarn pomysl daje dowód liniowosci P i Q. Piszac (ii) dla x, Y E II i dla
bazy w przestrzeni skonczenie wymiarowej (patrz uwaga 8). aJ; + by otrzymujemy
Dalej, (i'ii) wynika z (i); warunek (iv) posluzyl do zdefiniowania P; (11) ('i) (es)sEJ .jest ukladem. orl:ono7malnym zupelnym,
wynika z (i), bowiem (Px, Qx) = O.
('ii) Zb'ió7' S = [es: s E I]jesl; gesty w H,
Wreszcie z (v) wynika, ze liPxii ~ llxll. IIQxl1 ~ lixii, zatem np.
('i'ii) Dla, ka,zdego x E 1-1 ma:lny LsEJ (x, es)2 = IlxW·
IIPx - Pyli = IIP(x - y)ll ~ lix - vii,
('iv) Dla x, y E Ii ma,my LSEJ (x, es) (y, es) = (3;, y).
operatory P i Q sa wiec ciagle. _
Twierdzenie 6 (Nierównosc Bessela). Jesli (es)sEl :iest 'u,kladem orto- Uwaga 8. Z tego twierdzenia wynika, ze jesli (en) jest przeliczalnym ukla-
normalnym w H, to dem ortonormalnym zupelnym - na przyklad rozwazanym w rozdz. 13
Bessela czy ukladem Haara w L210, 1] - to kazdy wektor ~ przedsta.wia sie w postaci:
Bessla, .z.= (x, es)2 ~ IIxW· (5)
00
Sztencela czy sEJ
Sztencla, x = .z.= (x, ei) ei·
Knastera czy Zwrócmy uwage, ze zbiór wskazników moze byc nieprzeliczalny, 11.=1
w zwiazku
Knastra,
z tym sume nieujemnych skladników po lewej stronie wzoru (5) nalezy
Nasera czy ... Krótko mówiac, ta.ki uklad ortonorma.lny zupelny jest baza Schaudera w H.
interpretowac jako kres górny sum po skOl\czonych podzbiorach I. Innymi
slowy, jest to calka wzgledem miary liczacej na J. Takie rozumienie sumy
Miara liczaca to pozwala rozpa.trywaC sumy skladników o dowolnych znakach.
taka, ze Oznaczmy przez [A] powloke liniowa, zbioru A, czyli czesc wspólna wszyst-
!kCAl = #A.
kich podprzestrzeni liniowych, zawierajacyc:h A. Nietrudno zoba.czyc, ze [A] I'
jest zbiorem skonczonych kombinacji liniowych elementów z A.
it it
Funkcje analityczne i metoda Iloraz róznicowy zalezy zatem od kierunku, z jakiego zmierzamy do zera. ~
residuów Nietrudno
czyli
otrzymac warunek konieczny i dostateczny rózniczkowalnosci,
360
:111" Funkcje analityczne i metoda residuów § D.l. Funkcje holomorficz!1e 363
NnHl.lJJlllC t:wicnhcuie zawiera ogólna metode otrzymywania funkcji rozwijalnych Bedziemy calkowac funkcje zespolone po krzywych kawalkami gladkich.
w szcregi potegowe. W jego sformulowaniu wystepuja calki wzgledem miar o war- Krzywa kawal kam i gladka (klasy CI), dalej zwana krótko krzywa, nazwiemy
tosciach zespolonych. Teoria calki wzgledem takich miar rózni sie niewiele od zwy- odw7.,orowanie
klej teorii miary (patrz [RUD-l], rozdz. 6). Nalezy jedynie wiedziec, ze na mocy ')': [a, b] --l C,
samej definicji kazda miara !J. o wartosciach zespolonych na (n, F) ma skonczona
wariacje, czyli ciagle i przedzialami klasy CI, co oznacza, ze istnieja takie liczby al <
sup I:
1!J.(Ai)1 < 00, < IJ.2 < ... < 0.", nalc7.ace do [a., bj, ze I' ma cia;gla pochodna na przedzia-
lach (aj-l,lJ.j) i pochodne jednostronne w punktach aj_l,aj, gdzie j =
gdzie kres górny bierze sie po wszystkich przeliczalnych rozbiciach przestrzeni n
na zbiory z F. Okazuje sie, ze wariacja miary !J., zdefiniowana wzorem = 1,2, ... , n, 0.0 = a, a", = b.
Oznaczmy przez /* obraz odcinka
I!J.I(E) = sup I: I!J.(A n E)I, E E F, potoc,mym on wlasnie jest nazywany
[a., b] przy odwzorowaniu / (w jezyku
krll,ywa). 2\cJefiniujemy calke z funkcji
jest miara skonczona. Z twierdzenia R.adona-·Nilcodyma wynika wtedy, ze p. ciaglej f: ," -> C: a:
= hdP, gdzie h jest pewna (ograniczona) funkcja mierzalna o wartosciach zespo-
lonych, a P - zwykla miara probabilistyczna, równa 1!J.I/II-LI(n).
j.J J(z) dz ~ j'b
.Ja j(r(t)h'~tl) ,j dt
Twierdzenie 2. Niech bedzie miara o wartoscio.ch zespolonych na pT'ze-
J.L
str'zeni mierzalnej (n, F), <p: n ~ C -.- funkcja rnierzo.lnq, G - otwa·,.tym Definiujemy dlugosc krzywej "[:
podzbiorem C, przy czym G n <p(n) = 0. Wtedy funkc.ia
L(/)
i :M j'l' h'(t)1 dt.
; ~I ~(z) = inr \0(0dO
_ z'
J.L( z E G,
Wynika stad od razu, ze
rozw~ia sie w szeregi P?tegowe w G.
(l)
Dowód. Niech D(a,r). C G. Wtedy dla kazdego z E D(a,''') i (E n I ./ ,.. .f:(z) dzl ~ Sl~?
1 I.fl . L(r).
'I \O~-a
z - a
(r) I ~ --Iz -r al < l, Jesli h: [a', b'] -> [a, b] jest odwzorowaniom klasy ej i 11.(0.') '= a, h(b') = b,
to / o h jest krzywa, dla której
i dlatego szereg geometryczny
Intuicyjnie, indeks liczy tle razy punkt ~f(t) obrócil sie wokól z, gdy t zmienilo sie czyli
od a do b, jesli obroty zgodne z kierunkiem ruchu wska.zówek zegara uwazamy za <p'(t)(-y(t) - z) - ~/(t)'P(t) = O.
dodatnie3.
Inaczej mówiac, ['P / (')' - z)]' = O na [a, b] \ S, gdzie S jest zbiorem skonczo-
Zeby to zobaczyc, przypuscmy, ze z = O i" [0,271"] --+ C, O fi! 'y*. Wtedy nym. r'unkcja 'P/ (')' - z) jest ciagla, wiec jest stala na [a, b].
Ale 'P(a) = 1, czyli
j' "I d(
( = )'2n.
o "('(t)
"((t) dt.
'P( a) 1 'P( t)
"((a) - z ')'(0,) - z ~f(t) - z'
Niech A(s) = foS "I~~~t·
Oczywiscie A'(s) = ~i.:;·Z drugiej strony, "(t)
. eiacgz. = b(t)le'iarg("I(t), gdzie arga oznacza argument, zatem czyli (n(t) = 1'(1) -z t E [a , b]. Teraz
y "r.(o.)-z'
log"((t) = log h(t)1 +i arg(-y(t))
a po zrózniczkowaniu
'P(b) = ~f(b)
"(a)
-
_
z
z = 1,
I'(t)
bowiem ')'(0.) = ')'(b), jako ze krzywa jest zamknieta.
"(t) = [log h(t)l]' + i[arg(-y(t))]'.
Z tw. 2 wynika teraz, ze Ind"l E H (G). Poniewaz obraz ciagly zbioru spój-
W takim razie przyrost argumentu od O do s otrzymamy calkujac obie strony nego jest spójny, a Ind"l przyjmuje wartosci cq,lkowite, musi byc staly na
ostatniej równosci w granicach od O do s: skladowych G. Na dodatek 1Ind-t (z) I < 1 dla dostatecznie duzych 14 Dla-
= [log b(s)I-1Qg tego Ind,(z) = O na skladowej nieograniczonej. -
A(s)
••.. v
b(O)1] +i [arg(-y(s))
j '- v----'
- arg(I(O))!
II
.
-
30statnio pojecie indeksu krzywej wzgledem punktu znalazlo zastosowanie w grafice
trójkata.
komputerowej, bowiem jego wlasnosci wymienione w twierdzeniu pozwalaja odróznic ob-
-
szar polozony wewnatrz krzywej zamknietej (czyli skladowe ograniczone) od zewnetrza. r fez) dz
)a6 = O ~.
,) II IV II d, 'l'wll'l'd1,(\lIiojoHL ("\(;zywi~r.:icprawdziwe ella trójkata zdegenerowa- 3. p E lnt 6. Wystarczy zastosowac wynik poprzedniego punktu do trój-
JI('/',(), I )n!(\j bQclziemy ,zatem za.kladac, ze trójkat nie jest zdegenerowany. katów wyznaczonych przez {a,b,p}, {b,c,p} i {c,a,p}._
.1.ozwazymy nastepujace przypadki: { ~.;i
Twierdzenie 4 (Cauchy,'ego dla zbioru wypuklego). Niech G bedzie
Oznaczmy I
= Ia6 fez) dz. Wtedy jest suma calek po powyzszych I D o w 6 d. USI',almy Q, E G i zdefiniujmy
czterech trójkatach, 'Wybieramy ten trójkat, na którym modul calki
jest najwiQkszy - musi on byc nie mniejszy niz I H W ten sposób
mozemy otrzymac. rekurencyjnie zbiór trójkatów 6 :J 61 :J 62", f 1(0 d(,
,,(~)= .Ira,z)
o nastepujacych wlasnosciach:
z E G. F jest dobrze okresluna, bo zbiór G jest wypukly, i jest funkcja
pierwotna dla f.
(i) n:16i = zo, Z twierdzenia Caur.:hy'ego dla trójkata wynika, ze
(ii) III ,,;;4nlJ~6:,f(z) dzl,
(iii) Obwód trójkata 6.." wynosi 2-71 L, gdzie L jest obwodem 6. .
F(z) - F(zo) = .Ilzo,z]
r f(O d(,
Poniewaz j jest rózniczkowalna w zo, dla ustalonego e > ° istnieje czyli
r > ° takie ze dla z E D(zo, ro):
F(z) z -- Zo
F(zo) _ f(zo) = _1_ f
z - Zo ./[zo.z] [J(() - f(zo)] d(,
If(z) - f(zo) --'-f'(zo)(z - zo)1 ,,;; elZ - zol·
i z ciaglosCi .f w Za wynika, ze clla ustalonego e > O istni(~je eJ > O, ze
Niech 6.71 bedzie trójkatem zawartym w D(zo, T). V,7tedy z wniosku 2 I.f(O - f(zu)1 < e, o ile I( - zul < (J. Dlalego dla dostatecznie malych
wynika, ze Iz - zol prawa strona nie przekracza e. Zatem F' = f i z twierdzenia 1
otrzymujemy teze. _
l
. 8611, j(z) dz = .86n l [fez) - f(za) - f'(Zo)(z - za)) dz. Twierdzenie 5 (Wzór calkowy Cauchy'ego w zbiorze wypuklym) .
Z oszacowal'i (ii), D.1(1) i nierównosci Iz - zol,,;; 2-nL dla z E
Niech, bedzie krzywa za.mknieta 'W otwar-tym i wYP71.klym zbioTze G C C,
6.." f E H(G). Wtedy ,
wynika, ze
Uwaga 6. Niech i{t) = a-\- reit, t E [0,27f] (jest to dodatnio zorientowany D (a, r) C G. Niech f (z) = L:=o Cn(z - a) n. Sa teraz dwie mozliwosci: albo
okrag o srodku a i promieniu 1'). Jesli D(a,r) C G, to dla 1 E H(G): wszystkie Cn = O i wtedy a lezy we wnetrzu A, albo jeden ze wspólczynników
o numerze 1,2 ... jest rózny od zera. Niech pierwszym tal<im wspólczynni-
kiem bedzie Cm· Definiujemy funkcje
I(z) l
= ~7f~ j "I -;---,
I(()
~ - d(
z z E D(a,r).
dla z 'f. a,
Stad i z tw. D.1.2 wynika, ze 1 rozwija sie w szeregi potegowe w G, jest za- g(z) = { ~: - al-m f(z), dla z = a.
tem rózniczkowalna nieskonczenie wiele razy. Wystarczy wziac D = [0,27f],
oczywiscie zachodzi wtedy (1). Poniewaz g(z) = Cm -\- Cm+l(Z - a) -\- ... ,
'P =" df-L(t) = Ib(t)),'(t) dt. Wspólczynniki szeregu zaleza tylko od a.
funkcja g jest holomorficzna na G. Poniewaz g(a) #- O, to a jest na mocy
(1) i ciaglosci g izolowanym punktem zerowym funkcji f.
Uwaga 7. Piszac powyzsza calke w postaci
Jesli a E A, musi zatem zachodzic pierwsza mozliwosc - a jest punktem we-
wnetrznym A, zatem zbiór A jest otwarty. Jedqoczesnie jest on domkniety,
I(a) = -.
1 1271-
27f~ o I(a 1'e
it'
-\- 1'eit)
'ire't dt
.
= --
1 .127f
27f ()
1(a -\-r'e,t) dt
.
(1) wiec ze spójnosci zbioru G wnioskujemy, ze A"" 0 lub A = G. To ostatnie
jest niemozliwe z zalozenia, wobec tego A = 0, wszystkie zera sa izolowane
otrzymujemy wlasnosc wartosci sredniej: wartosc funkcji holomorHcznej f i jest ich przeliczalnie wiele. _
w srodku okregu zawartego w G jest równa sredniej z jej wartosci na okregu.
,JoAli 1'.11.('110<1,,,i 1)J""'ypn<lok (b), 11l6willJY, ie f ma w punkcie a li'ieg'U.n r:!.edu Twierdzenie 5. Punkcja f ma 'w pwdr.cie a ti'i.Cf/n'll.1·Zerl'll. 11/, ~ I w/,{ulU
i tylko wtedy, gdy zaleznosc
Nn, pr,-yldf,d
f,,"keja U'/(·-1) am..
Jest<.:~~~<.:if1glówlJa
1'.
IRtotme osobhw:y.~~=I Ck(Z - al-k. Jesli ndlOdzi (c) mówimy, ze punkt
l'naoso IWY z = ._
pUbnl~{tiSl.otn]ie Do dowodu twierdzenia 3 potrzebne bedzie j(z) = fI(z)
(z - a)m
Twierdzenie 4 (Riemanna) . Jesli f E H (G \ {a}) i f jest ograniczona jest spelniona w pewnym sa,,siellztwie Dl (a, r), przy czym fI jest holomor-
w DI(a,r) dla pewnegd r
'J)
> O, to ma usuwalna, osobliwosc w a. ficzna w D(a,T) i fI(a) =I O.'
Dowód. Niech Dowód. =} Wynika to natychmiast z (2), bowiem istnieje taka funkcja
I,'
g E H(D(a,T)) (ella pewnego T > O), ze
dla z f/. a,
h(i). = { O(z - a)2 j(z) dla z = 0" m
Poniewaz f(z) = :s~=o Cn+2(Z - a)n, z E Dl (a, T), wystarczy rozszerzyc: f a stad h(z) = :S~=O r1,,(z - a)n dla z E D(a, r) i h(a) ':" do = Cm =I O.
kladac J(a) = C2· - {:= Wystarczy rozwinac h w szereg potegowy wokól punktu a. _
W zastosowaniach probabilistycznych (do obliczania funkcji charaktery-
D o w ó d twierdzenia 3 o klasyfikacji: Jesli (c) nie zachodzi, to istnieja w E stycznych) jest 99,9% szans na to, ze badana funl}cja j jest ilorazem funk-
E C, r > O i a > O takie, ze Ij(z) - wl > a na D'(a,T). Niech cji holomol'ficznych. Wtedy zera mianownika sa biegunami lub punktami
p07.ornie osobliwymi funkcji .f. \iVykluczone sa natomiast punkty istotnie
g(z) = rl,l Z E D'(a, T). (3) osobliwe.
Teraz g E H(DI(a, r)), a ponadto Ig[ < l/a. W takim razie osobliwosc jest Twierdzenie 6. JeSI'j.f = g/h, gdzie funkcje.9 'i. h SCJ: holomoTficzne w pew-
usuwalna i g E H(D(a, r)) . .Jesli g(a) to J jest ograniczona w pewnym nym kole D(a, '1') 'i h(z) =I O 'w D'(a, ''1'), z'o,s a jest m-krotnym zerem licznika
otoczeniu D(a, s), wiec za.chodzi (a).
=I O,
i n-lc1'otnYTn zerem m,i,anownika, to
Jesli g ma. zero rzedu m w punkcie a, to z lematu l o zerach wynika., ze Jesli gra) t" o, 1.0
(a) p'unkt a .jest (n - 'ITI.)-krotnym biegunem J, o ile m< n, mówimy, ze g ma
O-krotne zero w a.
g(z) = (z - a)'mgdz), gl E H(D(a,r)), (1)) lJUnkt a ,jest, pozoTn'ie osobliwy, o ile m~ n.
=
i 91 nie ma zer w DI(a,r). Niech h l/gl' Wtedy znów h E H(D(a,r')) i
Dowód. Jesli g(z) = (z - a)mg1(z), h(z) = (z - a)nhl(z), gdzie gl i hl sa
j(z) - w = (z - a)-mh(z) holomorficzne w D( a, r), 91 (a) =I O, hl (a) =I O, to ,
ale h(z) = :S~=O bn(z - a)n, bo f- O, z E D(a, T), czyli f(-)- h(z)
. ,'" - (z - a)n-rn'
00
j(z) - w = L
,,=0
b,,(z - a)"-m. gdzie
twierdzenia. _
h
E H(D(a,r')), 11(0.) =I O, i wystarczy skorzystac z poprzedniego
ma bieguny jednokrotne w punktach i, -i. Funkcja Twierdzenie 3. Jesli a jest bieg'unem jednokrotnym funkcji f, to
"Residuum" znaczy po lacinie "pozostalosc". Z wniosku D.2.2 tw. D.2.4 i Uwaga 4. Mozna wykazac, ze jesli a jest biegunem rzedu k, to
wynika, ze po scalkowaniu funkcji po dodatnio zorientowanym okregu obie-
gajacym biegun "pozostaloscia" jest wspólczynnik Cl z czesci glównej. A.do-
kladniej, mamy: Res(f;a) = _1_ !im f(k-l)(z).
(k - l)! z~a
Twierdzenie 2 (O residuach). Niech G bedzie wYP1/,kly otwarty, niech i Obliczanie calek za pomoca residuów zilustrujemy za pomoca funkcji z przy-
f E H (G \ {al, ... a,,} ) / gdzie ai sa 'róznymi p'Unktami z G, w których f ma khl.clu D.3.7. '.
bieguny.
Niech "Y bedzie krzywa zamknieta, "Y' C G, i niech "Y' n {a l, ... a,,} = 0. Przyklad 5 (F. ch. rozkladu Cauchy'ego). Najpierw obliczymy calke
Wtedy
t>O
(p(t)-
, _ 7r~ ./'00 '2'
-00 eilz+ clz
z l
27ri l j'1f(z)dz ~ Ln Res(fj
k=l ak) . Ind,(ak)'
(l)
W tym celu obliczymy calke po krzywej zl~zonej z przedzialu [-R, R] i
"Y,
pólokregu Re'i .•, s E [0,71'], 'Latwo stwierdzic, zel dla ustalonego t > calka °
Dowód. Funkcja f - (QI + ... +Qk), gdzie Qk jest czescia glówn"l bieguna z funkcji fez) = eitz /(1 + z2) po pólokregu jest równa
w ak, ma w punktach al,'" ak osobliwosci usuwalne. Wobec tego na mocy
tw. Cauchy'ego D.2.4
1+ 8e-tRsiIl.<;
Ja{7f e'il:Rcos R2e2i .• iReisds,
.
i ostatnia calka pokrywa sie - na mocy wniosku D.2.2 i tw. D.1.:3 - z prawa Funkcja pbdcalkowa f ma w gól'nej pólplaszczyznie jedno residuum w
strona wzoru (l). _ punkcie ij Res(f; i) = e-t /2'i, skad 'P(t) = e-t, t > 0, a korzystajac z syme-
Twierdzenie to pozw"la obliczac calki, które w inny sposób bardzo trudno trii rozkladu otrzymujemy ostatecznie:
byloby uzyskac. Praktyczne metody obliczania residuów zawiera nastepne
twierdzenie. 'P(t) = e-Iti. _
374 Funkcje analityczne i metoda residuów
100 ---dz
+ e-Z
-00 eZ eitz '
t>O zastosowania teoretyczne: do dowodu centralnego twierdzenia granicznego
-(tw. 12) i do oszacowania szybkosci zbieznosci w mocnym prawie wielkich
liczb (§ E.2).
jest równa sumie residuów funkcji f w górnej pólplaszczyznie, pomnozonej
przez 21ri. ,Jesli X jest zmienna losowa, a /-I.x jej rozldadem pra:wdopodobiellStwa, to
definiujemy funkc,je tWOTZaCamomenty zmiennej losowej X (rozkladu /-Lx)
Funkcja podcalkowa .f ma bieguny rzedu 1 w punktach ak = (21.;+ 1Hi, jako
k E Z (jest to zbiór rozwiazalI równania e2z = -l). Marny teraz
ResU; ak) =
eitak
eak _ e-a" =
e-7I't(k+l/2)
e(k+I/2)7I'i _ e-(k-l-l/2)7I'i
Mx(t) = EetX = l: etS/-Lx(ds).
Funkcja tworzaca momenty jest okreslona dla tych t, dla których
(l)
istnieje
powyzsza wartosc oczekiwana (czyli calka po prawej stronie).
(_l)k
=2ie -7I't(k+1/2)
. Jesli X przyjmuje wartosci calkowite nieujemne, funkcja Mx jest zwiazana
z opisana w dodatku B funkcja tworzaca 9x w nastepujacy sposób:
Obliczamy sume residuów w górnej pólplaszczyznie pomnozona przez 21ri:
Jak kto woli,
9X(S) = Esx = E [(e1ogs)X] = Mx(logs), SE(O,l]. Mx(t) = 9x(e')
2 . ~I:> (J' )_ -t7l'/2 ~( -7I't)k _ 7re-t7l'/2 _ 7r Funkcja tworzaca momenty jest okreslona na przedziale zawierajacym zero,
7rt k=O
~ :"es ,ak - 7re ~ -e
k=O - -1-+--e--7I'-t
- -co-s-'h-(t-;7r-j-2-r
który poza tym moze byc dowolny, jak pokazuja przyklady 2 i 5.
Ostatecznie otrzymujemy funkcje charakterystyczna Jesli przedzial ten zawiera otoczenie zera o dodatniej dlugosci, to funkcja
!lIx wyznacza momenty zmiennej losowej X. Dokladniej, mamy
l •
<pet) = cosh(t7rj2)' Twierdzenie 1. Jesli Junkc,ja twor·zqca momenty Mx(t) zmiennej losowe,j
X ,jest okreslona dla. t E (-to, to), to > O, to
! 375
I
376 Dodatek E. Funkcja tworzaca momenty (transformata Laplace'a) § E.I. Definicja i przyklady. 377
(i) Istnieja wszystkie momenty zmiennej losowej X, czyli EIXIX: < 00 dla Przyklad 5. Oto funkcje tworzace momenty dla kilku rozkladów.
k=1,2, .... 1. Rozklad N (0,1):
C<) tX:EXX:
(i'i) Mx(t) I:
= x:=o -kl-' Iti < to·
lV!x(t) = .j'C<)
-ex) V ;-211' etx-x2/2 = et212, t E (-00,00),
( Ut '1' (k)(O)
.... ) 1VJx -(u'\.
- cyk , -.L, 2 , ....
k -' a stad otrzymujemy hurtem parzyste momenty, bowiem
D owód. (i) Z nierównosci eltl ~ et +e-t wynika, ze EetlXI < 00 dla t < to·
Oczywiste oszacowanie: . e(2/2 = .L...,
'\' 2-
C<) k! '(
~22)k = '\'
.L..., 1 . 3 .... , n'j2k:
C<) " - 11t,2k
X:=O X:=O
n ki Ik
'\'~,;:: o < t < to, (2) wobec tego Ex2k = 1 ·3· .... (2k - 1) = (2k - l)!!,
.L..., ki '" e tlXI ,
k=O
2. Rozklad wykladniczy:
gwarantuje teraz istnienie wszystkich momentów .
.00 ~ 00 ~
(i'i) Dzieki oszacowaniu (2) mozna zastosowac twierdzenie Lebesgue'a o t < /\.
zbieznosci monotonicznej: Mx(t) = .lo/ etx /\e->'·'/; dx = ~ _ t = k=O I: ~X:'
(iii) Wystarczy obliczyc pochodne szeregu potegowego po prawej stronie Za pomoca gestosci postaci cl[1,(0)X-2, c1[1,(0)X-2e-ax oraz wykladniczych
(4) .• i normalnych mozna skonstruowac przyklady funkcji tworzacych okreslo-
nych w dowolnym przedziale (lewo-/prawostronnie domknietym/otwartym)
Przyklad 2. Zmienna losowa o gestosci Ce-13'I'/2 ma wszystkie momenty, zawierajacym zero. II
ale jej funkcja tworzaca momenty jest okreslona tyllw w zerze. II
Przy wykonywaniu dzialali na zmiennych IO[iowych funkcje tworzace mo-
Uwaga 3. Czasami w literaturze mozna sie spotkac z nieco innym nazew-
menty zachowuja sie analogicznie do funkcji charakterystycznych. Zachodzi
nictwem, mianowicie.funkcje tworzaca momenty nazywa sie (dwustronna) równosc
transformata Laplace'a. lVIy nazwalismy transformata Laplace'a (por. zad.
1.:3.4.2) funkcje MaX+b(t) = ebt Mx(at), ,a, b E R.
Prawdziwe jest takze podstawowe
L(A) = Ee-'\X, gdzie X ~ O, A ~ O. II
Uwaga 4. Twierdzenie Kaca (zad. 9.4.1), zawierajace kryterium niezalez- Twierdzenie 6 (O mnozeniu). Jesli zmienne losowe X Y sa nieza- i
nosci ograniczonych 'zmiennych losowych, da sie nieco wzmocnic, a miano- lezne, a ich funkcje tworzace momenty lVlx My sa okreslone w pewnym i
wicie: jesli zmienne losowe X i Y maja funkcje tworzace momenty okreslone otoczeniu um (-to, to), to > 0, to w tym samym otoczeniu zera istnieje
w pewnym otoczeniu zera, oraz EXkyl = EXkEyl dla k, l E N, to X i Y funkcja tworzaca momenty sumy, lVlx+y, oraj;
sa niezalezne. Dowód wymaga oczywistej adaptacji argumentu podanego
w rozwiazaniu za.dania. _ Mx+y(t) = Mx (t)1vIy (t), t E (-to, to), to> O.
II 11",1,1( iii, II: 11'11111(1'.111 I.W(II'~ll(,1I 'lIlOlllon'LY (tnLIJsformata Laplace'a) § KI. Definicja i przyklady 379
D owód. Na mocy tw.:l obie zmienne losowe maja te same momenty. Wy- .f'( x.) = .---··e-
1 1 (101;:C)-/21
" (x).
~:r; (Q,oo)
kazemy, ze ich funkcje charakterystyczne sa równe. h'
,lJ,l
t, h E R.
,o i'DO.f(:c) sin(27r log x) dx =
:r;I' O, k = 0,1,2, ... ,
leitx (e;''''''-
L-.t
~
k=O' (ihX)k)
ki I
~ ----
+ I)!'
Ihxl"+1
(n gdyz podstawienie log x'bo "r':.9 ~I-k przeksztalca t{calke do postaci
która jest równa zeru, jako ze funkcja podcalkowa jest nieparzysta.W takim
I'Px (t + h) L-.t
- ~ ki
k=O (ih)k E (XkeitX) '" (n
I,;:: + I)! EIXI",+1 "" t h ER
111.1"+1 ra.zie funkcje f(:r;) oraz .f (.1; )[1+sin(27r log x)] sa para róznych gestosci o tych
samych momentach.
gdzie prawa strona zmierza do zera zgodnie z (3). Ze wzoru na pochodne
funkcji charakterystycznej (tw. g.1. 7) otrzymujemy: Twierdzenie 10. Niech X, Xl, X2,.·· bedzie ciagiem zmiennych losowych,
IctÓl'ych funlcde two'rutce m.omenty, Mx MXk' k = 1,2, ... sa; okreslone i
no. przedzia.le (-to, to), 1.0 > O ..
'Px(t + h) = ~L-.t (ih)k
ki'Px (k) (t), Ihl < to·
k=O Jesli Mx,,(t)·-----;
11.--00
Mx(I.) dla t E (-to,to), 1.0 Xn ~ X.
Te sama równosc spelnia 'PY·
D o wód. Jedrnosc ciagu rozkladów zmiennych losowych X", mozna otrzy-
Niech teraz t = O. Wtedy 'P~)(O) = ikcXk = 'ikEYIo = 'P~~)(O) dla k mac z wykladniczej nierównosci Czebyszewa 5.7.6(c) i ze zbieznosci ciagu
= 0,1,2 ... , zatem obie funkcje charakterystyczne pokrywaja sie na prze- funkcji tworzacych momenty:
dziale (-to, to)·
Powtarzajac to rozumowanie z punktami startowymi t = ±to/2 otrzymu-
P(lX",l > a) ~ C (etIXnl) e-at -;;:-;; Mx(t)e-at, Iti < to.
jemy równosc 'PX = 'PY na przedziale (-~to, ~to), etc. -- a wiec wszedzie.
Stad X i Y musza miec ten sam rozklad. _ DalszcJrozumowanie przebiega tak, jak w dowodzie twierdzenia Levy'ego-
-Cramem o ciaglosci - po wyborze podciagu zbieznego wedlug rozkladu
Uwaga 8. W powyzszym dowodzie nie odwolywalismy sie do teorii funkcji dowodzimy, korzystajac z poprzedniego twierdzenia o jednoznacznosci, ze
analitycznych. Mozna jednak po prostu zauwazyc, ze funkcje rozkladem granicznym jest !J.x i ze caly ciag jest slabo zbiezny do tego
rozkladu prawdopodobienstwa. II
Mx(z) = cezx, My(z) = cezY,
sa holomorficzne w pasie -to < Re z < to i sa równe na odcinku (-to, to), Uwaga 11. Przy zalozeniach tw. 10 nietrudno otrzymac zbieznosc mo-
mentów:
czyli na mocy tw. D.3.2 - wszedzie, co daje równosc funkcji charaktery-
stycznych, bowiem Mx(it) = 'Px(t), t E R. EX~ --->
11-00
cXk, k = O, l, 2, ....
II'
,f'
:1
"
il:
380
i!' Dodatek E, Funkcja tworzaca momenty (transforrnata Laplace'a) § E,2. Transformata er:,,, / m. Szybkosc zbieznosci w MPWL 381
il!
,I,
Istotnie, wynika to z kryterium z zad. 8.3.9, bowiem dla kazdego k = i otrzymamy nierównosci maksymalne, dajace oszacowanie szybkosci zbiez-
I'
II',
= 1,2, ... : nosci w prawie wielkich,liczb.
ki ki . Zalózmy, ze zmienna losowa X spelnia warunek Gmmem: istnieje takie
l,
'l!i
sup
n EIXnlk <: k
a sup
n Eealxnl <: a sup[Mxn
n (a) -i + iVIx" (-a)], lal < to, A > O, ze EeA1xl < co. Wtedy oczywiscie jej funkcja tworzaca momenty,
Mx, jest okreslona co najmniej na przedziale [-A, AJ.
11 a wyrazenie w nawiasie kwadratowym po prawej stronie jest ograniczone, Warunek Cramera jest równowazny z tym, ze ogon rozkladu zmiennej loso-
li poniewaz zawiera wyrazy ciagu zbieznego. wej X maleje wykladniczo: P(IXI > t) <: e-at dla pewnego a > O i wszyst-
'II
Odwrotnie, w zad. 8.3.8 udowodnilismy, ze jesli rozklad X jest okreslony kich t > O. Jest on spelniony przez wszystkie ograniczone zmienne losowe,
Iii
przez swoje momenty i zachodzi zbieznosc momentów, to Xn ~ X. Dla- a takze przez zmienne losowe o rozkladach: geometrycznym, wykladniczym,
tego tez mówi sie o dowodzie CTG metoda momentów. Poissona i normalnym.
Niech teraz
Udowodnimy teraz najprostsza wersje centralnego twierdzenia granicznego: A = {t E R: Mx(t) < co}.
:1i
Twierdzenie 12. Niech X, Xl, X2, ... beda Triezaleznymi zmiennymi loso- Zbiór A zawiera otoczenie zera" Definiujemy funkcje
ii wym'i o tym samym 'rOzkladz'ie, EX = O, V2 X = 1, ,i niech Nfx(t) bedz'ie
"
li okreslona na przedziale 1= (-to, to) o dodatn'iej dl'u,gosci, Wtedy
'if}(t) = log Mx(t), t E A, (1)
il
Punkcja jp jest wypukla (i scisle wypukla, jesli X nie jest z prawdopodo-
Xl -I- ... + Xn .!?-. N (O, l) . bieilstwem'l stala), Istotnie, dla O <: a < 1 otrzymujemy z nierównosci
II .jTi
il Hi:ildera z wykladnikami p = l/a i q = 1/(1- a):
II
D o w ód, o Wystarczy udowodnic zbieznosc funkcji tworzacych momenty do
funkcji et-/2 co najmniej na przedziale I, Ze wzoru (4) otrzymujemy 'i/J(at + (1- a)s) = 10gE (eatX ,e(1-a)sx) ,
I
t2 <: log
( EeatX'(l/a) )a ( Ee(1-a)sX.(l/(l-a»
, =
) l-a
I Mx(t) = 1+ -i + o(t2),
= a' log EeLX -I- (1- a), log Eesx = a'i/J(t) + (1- a)'lfJ(s) ,
Z twierdzenia o rrmozeniu wynika, ze funkcja tworzaca momenty po lewej
~ stronie jest okreslona co najmniej na przedziale (-;ntn, ,.jTitn), oraz: Mamy '1/)(0) = O, 'Ipl (O) = EX = m,j/l' (t) ~ Q, jako ze funkcja 'i/J jest wypukla
i dwukrotnie rózniczkowalna.
M .:!l..:t.+Xn (t) = [l + ~ Przedluzymy 7P na caly zbiór liczb rzeczywistych, kladac jp(t) = co dla
f ..,In 2 -I- o (.2)]"
2n n t:..- -----;
'n-OO eL2/2
t '1- 1\..
I l Jestesmy teraz gotowi do zdefiniowaniatmnsJormaty Gmmera:
Zbieznosc ma miejsce faktycznie dla kazdego t ER..
,:1,.1
,
i Powyzszy dowód stosuje sie w szczególnosci do ograniczonych zmiennych
Definicja 1. Trans}'armata Gmmem 'rOzkladu!-tx zmiennej losowej X na-
Przypornina to co losowych. Mozna otrzymac z niego dowód twierdzenia Lindeberga-Levy'ego
prawda wyscigi 10.2.1 metoda ucinania (której zastosowanie widzielismy w dowodzie moc- zywam.y funkcje
\
I w workach,
nego prawa wielkich liczb). H(a) = sup[at - 'Ip(t)],
tER
i
li:
;, zbieznosci w mocnym prawie wielkich liczb Punkcja H jest wypukla. Istotnie, niech A + = l, t, s
!-t ~ O. Wtedy
t
~
Oszacowanie odchyle1'l od sredniej w nierównosci Bernsteina (7,4.2) zawdzie- H(/\a -I- !-tb) = sup[(Aa -I- !-tb)t - A'lfJ(t) - f.t'lfJ(t)] <:
czamy temu, ze funkcja tworzaca momenty liczby sukcesów Sn w schemacie tER
Bernoulliego istnieje w przedziale o dodatniej dlugosci. Rozwiniemy te idee <: Asup[at - 'lfJ(t)] + !-tsup[bt -- 'lfJ(t)] = AH(a) -I- !-tH(b).
tER tER
,lilii 1111.1'11111; I'i, 11'llIlhl'.I11. I,Wtll~,l~(:I\ JlIOll1ClIILy (transformata Laplace'a) § E.2. Transformata Crarnera. Szybkosc zbieznosci w MPWL 383
1'1111/1111,(1 1/ jllHI. UhJiljelll1lH., bowiem 1,b(0) = O, i wreszcie H(a) = ° wtedy Ponadto E Zk = l, k = 1,2, ....
I I.ylk() wt,ecly, gdy a = 1,b1(0) = m. Z nierównosci maksymalnej HAl otrzymujemy, przy spelnieniu (2),
lsl.ol.nie, 1,b(0) = O, z wypuklosci wynika, ze prosta o równaniu y = ax
przecina wykres funkcji w zerze i jeszcze jednym punkcie. D la a # m zawsze
istnieje takie x, ze ax > 1,b(X) , ajesli a = 1,b1(0) , to prosta y = a:r; jest styczna P ( k~n
sUP, Sk k >a ) :( P (sup
k~n eMh-k log M()') ). en(),a-Iog M()'»). :(
do wykresu 1,b w punkcie O, wiec lezy cala pod wykresem 1,b H(rn) = O. i :( e-n(),o-logM(),»
Ustalmy n ;-;, 1. Niech'T = inf{k ;-;, n: Skik> a} (zwrócmy uwage, ze Przyklad 3. Jesli X,X1,X2,· .. jest ciagiem Bernoulliego, to JvIx(t) =
T = 00, gdy zawsze Skik < a). Mamy = cos11t i nietrudno obliczyc, ze funkeja at-log cosh t przyjmuje maksimum
dla t = ar tgha = ~ log i:::~,o ile lal < l, a jesli 10.1;-;, l, jej kresem górnym
jest 00, W takim razie
P sup -=- > a
k
( k-;'n Sk ) = P: (~ > a,T < 00) = P(e),S' > e),or, T < 00) =
= P( e),S' -T log M()') > e),aT-T log M()') , T < 00) :( H(a) = { 00
~[(1 -I- a) log(l -I- a) -I- (l - a) log(l. - a)] dla lal < l
wp.p.
< P(e),ST-TIOgM(),) > en,(),a-logM(),)),T < 00):(
:( P(supe),Sk-klogM(),) > en(),a-logM(),)),T < 00). Rozwijajac logarytm w szereg potegowy widzimy, ze H(a) ;-;,~a2 Wobec
k~n tego
mamy
I
§ F.l. Rozklad Dooba nadmar1,yngalów 385
gdz'ie (Mn);:<'=o jest martyngalem, (A,,);:<'=o - niemalejacym procesem. p'ro- Uwaga 4. Proces (An);;"=o jest niem alej acy, wiec ma granice w szerszym
gnozowalnym, Ao = O. sensie, czyli istnieje Ac"" = lim,,_oo A",. Jest to na ogól niewlasciwa zmienna
losowa, bowiem moze przyjmowac wartosc 00 .•
Dowód. Najpierw zdefiniujemy proces (A",). Niech Ao =O i ella n;;;' l: Proces (An)~=() nazywamy kompensatorem procesu (Un);:<'=o, gdyz kom-
",-1 pensuje on (U",);:<'=o do rrlartyngall.l.
An = I:[Uk - [; (Uk-l·ll Fk)]' Rozklad Dooba odgrywa szczególna role przy badaniu martynga.lów (Xn)
k=l
calkowalnych z· kwadratem (takich, ze EX;;. < 00, n = O, l, 2, ... ). Wtedy
Oczywiscie zmienna losowa A", jest .Tn_1-mierzalna. Proces (A,,) jest nie- ciag (X;;) jest podmartyngalem i na mocy wniosku 2 ma rozklad Dooba:
malejacy, bowiem wyrazy sumy po prawej stronie sa nieujemne, jako ze X;; = !VIn + An. Niemalejacy proces A oznaczamy przez (X) i nazywamy
(Un) jest nadmartyngalem. potocznie nawiasem skosnym martyngalu X. Wiele wlasnosci martyngalu
Teraz nie mamy juz wyboru - NIo = Uo i Mn = Un + f t". Jest oczywiste, (Xn) da sie zbadac za pomoca nawiasu skosnego (X), co zobaczymy na
ze zmienna losowa .M", jest .Tn-mierzalna, ponadto kilku przykladach.
Zaczniemy od najprostszych:
NInH - NIn = .un+1 - Un + AnH - An = Un+1 - E (UnHI .Tn) ,
384
§ F.l. Rozklad Dooba nadmartyngalów 387
(b) (Xn) jest ogmn'iczony w L2 (czyli sUPn X~ < 00) wtedy i tylko wtedy, Twierdzenie 7. Niech (Xn) bedzie nieujemnYrT). podrnar·tyngalem, Xo = O,
gdy E(X)oo < 00. 1: niech Xn = Mn + An bedzie jego mzkladem Dooba. Wtedy
Dowód. (a) wynika i tw. 11.5.6, bowiem {Aoo < oo} C· {(Xn) zbiezny p.n.} C {supX" < oo}.
n
\ I~• f ,I
EIX"IP = EM" + EA" = EMo + EAn, "Zbiezny p.n." oznacza dolda.dniej "zbiezny p.n. do granicy SkOllczonej".
'1
Talea umowe przyjmujemy tez dalej.
i dalej:
supEjXn!P
n
= EMo + supEA"
n
(EMo + EAoo < 00. D o wód. Prawa inkluzja jest. oczywista, dow<j>dzimylewa. Niech a > O
i Ta = inf{ n;;;' 1: An+l > a}. Jest. to moment stopu (który moze przyjmowac
(b). Koniecznosc: wynika z (a) dla p = 2. Dostatecznosc: wartosc 00, bowiem inf0 = 00), co wynika z prognozowalnosci A.
co kortczy dowód .•
E ((!lXk)21 Fk-l) = (Xh - (X)k-l,
Wiadomo (tw. 7.3.2), ze zbieznosc szeregu ~;l V2~j pociaga za. soba
Proces (Xn +1)2 jest takze nieujemnym podma.rtyngalem i (X +l)n = (X)"
(por. (2)). Dlatego
zbieznosc p.n. szeregu ~;l ~j. Jesli ponadto I~il.;:;;
C p.n. dla = 1,2, ... , i
to zachodzi równiez wynikanie odwrotne. {(X)oo < oo} C {(X~) ~l:li~znyp.n.} n {((Xn + 1)2) zbiezny p.n.} =
Ostatnia uwage mozna uogólnic (patrz tw. 8). Przedtem udowodnimy = {(Xn) z~i~~ny p.n.}.
,i!(
r
Dodatek F. Teoria optymalnego stopowania § F.2. Zagadnienie optymalnego stopowania 389
388
(b). Zdefiniujemy mOlTlentstopu IC = inf{n: IXnl > c}. Wtedy Podsumowujac: Za, Zl, Z2, ... , ZT jest ciagiemikolejnych wyplat VI pewnej
grze, w chwilach O, l, 2,... T. Zakladamy, ze ciag (Zt)t(;T jest ada:ptowany
E (X~i\l'c - (X)ni\I'J = O. do pewnej filtracji (Fdt(;T, przy czym Fa = {0, \1}. Ponadto zakladamy,
ze Zt ;;:, O dla t = O, 1,2, ... ,T ..
Poniewaz
Sprecyzujemy jeszcze cel gracza: chce on wycofac sie z gry w takiej chwili,
IX~c I ,,;; IX'~:"ll + IX~c- X~:"ll ,,;;C + K,
by jego srednia wyplata byla jak najwieksza. Stad nastepujaca definicja.
to
E(X)ni\l'c = EX~i\l'c ,,;; (c+ K)2 (3) Definicja 1. Moment stop'u /.I nazywamy optymalnym dla ciagu (Zt)t(;T,
Gdyby teraz P((X)oo = oo,suPn IXnl < (0) > O, to istnialaby taka stala gdy
c> O, ze P(,c = 00, (X)oo = (0) > O, a to stoi w sprzecznosci z (3) .• EZ,/ = sup EZT,
TE8
Wniosek 9. Jesli Xn = 6 + ... + ~n, ~n ;;:, O, EEn < 00 dla n = 1,2, ... , gdzie e jest zbiorem momentów stoP?! o wo:rtosr,:iach w zbior'ze {O, l, ... ,T}.
a ponadto cigg (~n) jest adaptowany do .filtracj'i (F,,), to
Naszym celem jest podanie regul pozwalajacych znajdowac momenty opty-
malne. Wprowadzimy pomocniczy proces - obwiednie Snella (Ud ciagu
(Ztlt.';;T, zdefiniowana w nastepujacy sposób:
{~E(~n I Fn-l) < 00 } C {(Xn) zbiezny p.n.}.
Ut = miL"X(Zt, E (UtHI Ft)), . t,,;; T-I,
D o wód. Wystarczy zastosowac tw. 7 do nieujernnego podmartyngalu (Xn) UT = ZT·
i zauwaZYl;,ze (patrz dowód tw. 1):
n-l Z definicji widac, ze Zt ,;;; Ut dla O ,;;; t ,;;;T, czyli (Ut) dominuje (Zt).
An = 2: E (~k+ll h).
k=O
• Stwierdzenie 2. Obwiednia Snella (Ut) jest nadmartyngalem. Jest to naj-
mnie.iszy narlrna'rtyngal dom,inu,iacy wyj§ciowy ciag (Zt), czyli gdy (Xt) jest
Uwaga 10. Wniosek 9 jest warunkowa wersja pierwszej czesci lemal;u Bo- nadmartyngalcmi Xt ;;:, Zt dla O ,,;; t ,;;; T, to Tówn'iez Xt ;;:, Ut dla
rela-Cantelliego. Zeby to zobaczyc, wystarczy wziac en = lB" / gdzie (Bn) O,,;; t,,;; T.
jest ciagiem zdarzen.
Dowód. Oczywiscie Ut ;;:, Zt, O ,;;; t ,,;;T. Sprawdzimy, ze (Ut) jest nad-
martyngalem. Istotnie, marny
§ F .2. Zagadnienie optymalnego stopowania
UH = maXCZt-l, [; (Ut 1Ft-l)) ;; E (Ut 1Ft-l).
Przedstawimy zagadnienie optymalnego stopowania w najprostszej sytu-
acji. W pewnej grze' w kolejnych chwili:ch t = O, l, 2, ... , T wyplaca sie Pozostaje wykazac, ze (Ut) jest najmniejszym nadmartyngalem dominuja-
kwote Zt, która jest nieujemna wielkoscia losowa. Gracz moze w kazdej cym (Ztl. Niech zatem (Id bedzie innym nadnlartyngalem o tej wlasnosci.
chwili t wycofac sie z gry, inkasujac kwote Zt, moze tez odrzucic te propo- Wtedy f.r ;;:, ZT = UT, a gdy It ;;:, Ut, to
zycje i czekac na leps~y kasek. Decyzje podejmuje na podstawie dotychcza-
sowego przebiegu gry. It-l ;;:,E (It 1Ft-l) ;;:,[; (Ut 1Ft-l),
Jaka strategie powinien przyjac gracz, by zoptymalizowac swoja wyplate? wobec tego
Jesli przez (Ft) oznaczymy O'-ciato zdarzerl, które mozemy zaobserwowac 1t-l ;;:, max(Zt'-l' E (Ut 1Ft-l)) = Ut-l,
do chwili t, to ciag (Ft)t(;T jest filtracja, a proces (Zdt(;T jest adaptowany
do tej filtracji. Strategia, czyli moment wycofania sie z gry, jest zmienna gdzie równosc wynika z definicji Ut-l'
losowa T, przy czym {T = t} E FI> bowiem zdarzenie to powinno zalezec Indukcja wsteczna pokazuje teraz, ze dla kazdego t E {I, ... T} zachodzi
tylko od obserwacji procesu (Zt) do chwili t. Krótko mówiac, T powinna byc nierównosc It ;;:, Ut, wiec (Ut) jest najmniejszym nadmartyngalem dominu-
momentem stopu wzgledem filtracji (Ft); odwrotnie, kazdy taki moment jacym (Zt)· • '
stopu jest dajaca sie zrealizowac strategia·
:JDO Dodatek F. Teoria optymalnego stopowania § F.2. Zagadnienie optymalnego stopowania 391
Twierdzenie 3. lIo = min{t ~ O: Ut = Zd jest optymalnym momentem czyli [Uli = [ZII, co daje Zv = UJ' (z dominacji wiemy juz, ze Zv ~ Uli)'
stopu, czyli Udowodnilismy O) ..
Uo = [Zf/O = sup
TE8
[Z-,.. Zeby udowodnic (ii), skorzystamy z tego, ze (UnU~,T jest nadmartyngalem.
Mamy kolejno
Dowód. Zdarzenie {I/o ~.i} = {lIo ~ j -l}' E f:j-l, oraz U"M ';;N (UIIAT I Ft;) =[ (Uli I Fil , (l)
Uf/o
t - U 1.1\>'0 = Uo + '"D l{II(J;;'j) (UVO
.i -- [1"0)
:j-J
co raz.em z (l) daje Uli 1\ =' I. t (U" I Ft), wiec ciag (UlIl\t)t~T jest martynga-
.i=l lem, co konczy dowód (i·i) .
~ Z (-i'i) i (-i) mamy kolejno Uo = [Uli = [Z';. Dla dowolnego momentu
jest martyngalem. Poniewaz moment stopu 1/0 ~ T, wiec stopu T E e ciag (U~),.. jest nadmartyngalem, wiec
Stad
it = Wt = E. (WT I :Ftl = E. (~ \ Ft) = E (:1' \ Ft) .
'-'
C' (V1".-1
. I "n-2
'fe -1',,-
) _) .. .l\.1+ ... +.I'-n-2
(V V) k - (Xl. + ... + X,,-2) =y,,_2· Wracamy teraz do kwestii vryceny opcji amerykanskich. W chwili T jej
wartoscia jest Uf' = z,r. W chwili T - l wystawca opcji musi miec tyle, by
VV takim razie Un-2 = 1"n-2· zabezpieczyc wyplate ZT-l w momencie T - l lub ZT w momencie T. Ta
ostatnia wyplata jest w chwili T - l warta
Mozna podejrzewac, ze ciag (Vi) jest martyngalem i w konsekwencji Ui = 1"i
i
dla = O, ... , n. Istotnie,
BT-1E FT-l ) .
(ZTBT \
E (1"1+11 :FI) = E. (Ii; - (Xl ~.·~·l· + Xl+l \ FI) = Tyle tTzeba miec, by zabezpieczyc wyplate ZT w chwili T. Dlatego cena
opcji amerykarlskiej w chwili T - l jest równa
~~ (Xl'±":"':-' +
Xl). _ 1. Yl =
n - (l + l) n- (I + l) .
UT--l = max (ZT-l, BT-IE (~:. \ FT-l))'
= Yl (I + 1)
( n _n-l - n- l).+ l)
(I = yt. Cene opcji dla t= 1,2, ... , T definiujemy indukcyjnie wzorem
Twierdzenie 1. Cena opcji amerykanskiej w chwili ° .jest r'óuma bo skladniki sumy po prawej stronie sa nieujemne, i przynajmniej jeden
z nich jest dodatni.
Uo = Uo = TE8
supEZ;,
Stwierdzenie 2. Niech (Ct,) bedzie pmcesem waTtosci opcji ameTykanskiej
a ponadto Uo = E Z"' gdzie v = min {t: Ur. = Zd. op'isaTl,e.ipr'zez ciag ado,ptowany (Zd t~T, a (Ct) -, opcji eU1'Opejskiej, zdefi-
niowanej przez zmiennq losowa h = ZT" ]Viedy Ct ); Ct·
Jak wystawca opcji powinien zabezpieczyc wyplate? Poniewaz U· Pona.dto, jdli Ct ); Zt dla. kazdego t E {O, 1, ... ,T}, to Ct = Ct dla kazdego
jest nadmartyngalem, to ma. rozklad Dooba Ut = NIi - At.· Istnieje
taki
tE {O,l, ... ,T}.
portfel <I>, ze VT' = VT'(<I» = BT'M'l' (tw. 11.8.2). Z kolei ciag o wyrazach
Ult = 1~/Bt jest martyngalem, wiec
, Uwaga 3. Nierównosci Ct ); Ct naJezalo sie spodziewac, bowiem opcje
Wi = E (WT 1Ft,) = E (MT 1Ft) = MI.· amerykal'1skie daja posiadaczowi wiecej praw niz europejskie.
B. Z punktu widzen'ia wystawcy opcji: wystawca korzysta z portfela <I>, a jesli VlTinnych przypadkach (np. opcji sprzedazy, opcji kupna na aktywa przy-
nabywca opcji zrealizuje ja w momencie T innym niz optymalny, to U; > Z; noszace dywidendy) równosc nie zachodzi.
°
lub AT > (jesli AT = 0, to (U;l\t) jest martyngalem; jesli ponadto U; =
Z;, to T jest momentem optymalnym). Zatem w innym, nieoptymalnym
momencie T wystawca opcji ma dodatni zysk
Wobec tego
Odpowiedzi i wskazówki
3;: :Z'::>(U + Wij;: 1.
i=l
To jest jednak niemozliwe: zbiory U +Wi sa rozlaczne na mocy wyniku zada-
1. Opis doswiadczenia losowego nia 11 i maja jednakowe miary, bowiem miara jest przesuwalna. Sprzecz-
J.1
11. Rozw. Istotnie, jesli x E U + u i x E U + w, to x = Ul + 1/.= 'U2 + w, gdzie 3. Odp. ~ (jak otrzymac ten wynik bez obliczen?).
ul,112 E U. Ale Ul = 'U2 + (w - U) oznacza, ze Ul ~ 'U2, co stoi w sprzecznosci
z definicja zbioru U. 4. Odp. l.
12. Rozw. Niech x E [O, l]. Rozpatrzmy klase abstrakcji [x]. Wtedy Un[x] = {xo}, 5. Rozw. Poniewaz jest wszystko jedno, w którym kwadracie znajdzie sie srodek
gdzie Xo E [O, l]. Oznacza to, ze Xo - x jest liczba wymierna Wj z przedzialu monety, przyjmiemy, ze !1 = [O, a] X [O, aj i P(A) = ~. Reszte wyjasnia
[-1,1], czyli x E U + Wj. rysunek.
(
396
:l\IH Odpowiedzi i wskazówki do rozdzialu 2 399
P(A) =
]~1:
L
<j~n
Pi.i (P12 + PI:J + ... + ]Jln) +
a
+ (P2:J + P24 + '" + P2~,) + ... + Pn-l,n.
Zdarzenie Ai = Ui
Ai,i polega na tym, ze i-ty bok przecina prosta. Jesli
jego dlugosc oznaczymy przez li (li < l, ponie.waz srednica wielokata jest
mniejsza od l), t.o z poprzedniego zadania manlY P(Ai) = 2li/7r. Z drugiej
strony P(Ai.) = I:;~l Pij, gdzie przyjmujemy Pii = O. Poniewaz Pij = Pji, to
"'" ' 2
Szukane prawdopodobienstwo
:2
lt2 2
wynosi ~2d)
} ') (A) -- l L':"
- ..
p,.J -
- -l L" -2li -.
--
-
l Ln --
l,. - S.
6. Odp. a) (a:;,') ; b) ca ::r ). 2
i=l .1=1
I.:" 2
t.=l
7f 7f'7f
i=l
7. Rozw. W bardziej abstrakcyjnym sformulowaniu zamiast. podlogi wystepuje
nieskonczona plaszczyzna i zbiór równoleglych prostych, przy czym odleglosc Jak widac, prawdopodobieJ'lstwo zalezy wylacznie od obwodu S wielokata,
miedzy sasiednimi prostymi wynosi a. Zeby wiedziec, czy igla przetnie któ- a nie od liczby boków fi icJJ,dlugosci. Dlatego wynik przenosi sie na wypukle
rakolwiek prosta, t{'z~ba znac odleglosc d srodka igly od najblizszej prostej krzywe zamkniete: kazda taka krzywa jest granica wielokatów wypuklych.
l
u dolu (O :( d < a) kat a, jaki tworzy prosta z igla (O :( a < 7f, poniewaz 10. Odp. 1/3.
nie rozrózniamy konCów igly). Przyjmiemy w takim razie S1 = [0,7f) X [0,0.) *11. Rozw. Niech l bedzie ustalonym podprzedzialem o dlugosci e. Wtedy
i
P(A) = Ai:).
P(1 nie zawiera zadnego punktu):( ,
:( P(I nie zawiera n pierwszych punktów) :( (1- er -> O,
gdy n -> 00. Dalej nalezy rozwazyc wszystkie przedzialy o koncach wymier-
nych.
1/2 --j
O
/'
........••..... ~ -' ~-
re
2. Klasyczna definicja prawdopodobienstwa
2.2. Typowe
1. Odp. 221
bledy
czenie wszystkich cyfr tej liczby przy uzyciu np. wzoru Stirlinga (dodatek A)
Igla nie przecina prostej wtedy i tylko wtedy, gdy spelniony jest uklad nie- i kalkulatora z wyswietlaczem ID-cyfrowym.
równosci
2. Odp. a) 2·5· 8!/10! = 1/9; b) 8· 3! ·7!/101.
-- t~
{d d + a>
s~na
S111 < O.
a. 3. Odp. m (~)/m· W 2a widac t.eraz,
ze rachunki byly
Odpowiedni podzbiór S1 zost.al na rysunku pomalowany na szaro; jest to 4. Odp. b.
niepotrzebne.
zdarzenie przeciwne do podanego w zadaniu. R.ysunek odpowiada sytuacji, 5. Odp. Lat.wo obliczyc prawdopodobienstwo P, ze beda same czerwone kart.y:
gdy l :( a. Wtedy latwo obliczyc pole obszaru, który nie zostal pomalowany p = C66) / (~2). Szukane prawdopodobienstwo to 1,-- 2p.
na szaro:
S =2 - sin ada = 2l. 6. Odp. 41:J/(~;).
1"l2
o
7. Odp. a) p = C53) (~3) C33W1:J) / (~~); b) 24p; c) 12 . (:;W}) 2 C2:J)/ CD;
Zatem szukane prawdopodobienstwo wynosi ~.
d) 4 . C4:J):J(\:J) / (~~).
*9. Rozw. Zalózmy, ze wielokat przecina jedna z prostych. \~Ttedy prosta prze-
cinaja dokladnie dwa' boki, co wynika z wypuklosci i z faktu, ze srednica 8. Odp. 9~~?!.
wielokata nie przekracza L Oznaczymy przez Aij zdarzenie, polegajace na 9. Odp. Tyle, ile konfiguracji n nierozróznialnych kul w 6 komórkach.
400 Odpowiedzi i wskazówki do rozdzialu 3 401
10. Odp. Tyle, ile wszystkich podzialów a) 8; b) 4 paczków pomiedzy 4 osoby. Obiekty makroskopowe w naturze sa rozróznialne. Kostki zachowuja sie tak,
jakby byly pomalowane na rózne kolory.
11.
Odp. (n+~-l).
12. Odp. a) (~~); b) G~).
21. Odp. 1- (1- 3i5 r', gdzie n - liczba osób. Prawdopodobienstwo to przekracza
13. ~ dla n) 253.
Odp. Zdrowy rozsadek wskazuje, ze próbka 100 ryb, zawierajaca 8 ryb ozna-
22. Oc/p. Szanse co najmniej jednej koincydencji, czyli l - Po, mozna wyznaczyc
kowanych, jest miniatura calej populacji. Zatem ryb jest mniej wiecej n =
ze wzoru wl.aczen i wylaczen. Dalej, obliczanie Pk mozna sprowadzic do obli-
= 200· l~O = 2500. Mozna udowodnic, ze dla takiego n szansa otrzymania
8 oznakowanych ryb w próbce 100 ryb jest najwieksza. czania Po· Ostatecznie Pk = h [1-1 + tr - ... ± ("~k)!] i limn_oo Pl; = he-l.
4' ola! 23. Odp. a) 4· Ci) en; b) niech Pl oznacza szanse otrzymania 6 pików, a pz-
14.
Odp. a) .(131)
(g,':' . b) Nalezy obliczyc prawdopodobienstwa, ze ustalony
. gracz 6 pików i 6 trefli. Wtedy szukane prawdopodobienstwo jest rÓWIle4Pl - 6pz
nie ma pików, ze ustaleni dwaj (trzej) gracze nie maja pików, a nastepnie na mocy wzoru wlaczen i wylaczen.
skorzystac ze wzoru wlaczen i wylaczen. c) Patrz b. 24. Oc/p. Wszystkich rozmieszczen jest (~) . 6!; wolny pokój dwuosobowy mozna
15. Odp. Wszystkich zdarzen elementarnych jest C;l), a oto liczba zdarzerl sprzy- otrzymac na 7· 6! sposobów, a trzyosobowy na 6! sposobów.
jajacych dla poszczególnych konfiguracji: para - 6· (~) (D· 4'; dwie pary- 25. Odp. (1+x)" = L~=o (z)xk, zatem po zrózniczlwwaIliu mamyn(l+x)n-1 =
m@z.16;straight-2(45-4); trójka- 6· C)· m ·42; full- 6· m ·5· (~). = L~=l k (Z) Xk-1 Jesli n > 1, to wzór ma sens dla x = -l i jest to zadana
kareta - 6·20 = 120, kolor - 4·4 = 16, poker - 4·2 = 8. tozsamosc.
16. Odp. (~4)/ (~9). Zeby otrzymac ten wynik, wyobrazmy sobie, ze kule z wylo- 26. Odp. Zastanowic sie, ile komisji z przewodniczacym (i ew. zastepca) mozna
sowanymi liczbami pomalowano na czarno, a reszta kul jest biala. Ustawiamy wybrac sposród n osób. W (l) otrzymujemy n2"-" w (2) n(n - 1)2"-z.
w rzad 43 biale kule i wybieramy 6 z 44 luk (42 pomiedzy nimi, dwie przed
27. Oc/p. C:). Tyle samo jest podzialów zbioru n kul bialych i n kul czerwonych
i za), w których umieszczamy czarne kule..
na dwie równe czesci ..
17. Odp. Zbiór n-elementowy mozna rozbic na k zbiorów, których liczba elemen-
tów wynosi Tl, TZ, .•. , Tk, na
n! 3. Prawdopodobieiistwo warunkowe
TI!rZ!'" Tk!
3.1. Definicja i przyklady
sposobów (patrz przyklad 11). Konfiguracje wymieniona w zadaniu mozna.
2. Odp. 1/2.
otrzymac na
---.---
lO!
2!6!111! 312!1!1!
7! 3. Odp. Trzeba pokazac, ze
sposobów. Stosujemy tu wzór z przykladu 11 dwukrotnie: po raz pierwszy, P(AID) > P(A), P(BID) > P(B), P(A n BID) < P(A n B).
dzielac pietra mi. cztery kategorie ze wzgledu na liczbe pasazerów, i po raz
drugi - dzielac pasazerów pomiedzy pietra. Wszystkich zdarzeil elementar- Przykladem ta.kiej sytuacji .moze byc doswiadczenie polegajace na wycia-
nych jest oczywiscie 107. gnieciu jednej karty z talii 52 kart. Niech zdarzenie A polega na wyciagnieciu
pika lub kiera, zdarzenie B - trefla lub kiera, nal;omiast zdarzeniu D sprzyja
Konfiguracje pod}~nego typu mozna bez trudu wypisac (jest ich 15).
wyciagniecie ,).:;a,lub króla kier, lub trefla nie bedacego asem, lub pika nie
18. Oc/p. W pierwszym przypadku prawdopodobienstwo wynosi 1 - (l - i)4 ;:::, bedacego asem.
;:::,.0,5177, w drugim -- 1 - (l - :k )2<1 ;:::, 0,4914. Obie liczby sa wyrazami
5. Oc/p. Niech p oznacza prawdopodobieilstwo nadania chlopcu drugiego imienia
znanego ciagu, przyblizajacego liczbe 1-e-~. Warto sie zastanowic, dlaczego
Pranek. Wtedy szukane prawdopodobienstwo wynosi ~. Zauwazmy, ze dla
de Mere mógl uwazac oba prawdopodobienstwa za równe.
p:=, l otrzymujemy 1/3, czyli odpowiedz z przyldadu :l.
19. Odp. Prawdopodobienstwo w pierwszym przypadku jest równe l -~. ;:::, 6. Odp. a ~ 1/2.
;:::,0,665, w drugim - 1- 512
[GIT + 12 . 5.11
GIT] ;:::, 0,619, w trzecim
_ - l - [518
(;TS' + 7. Oclp. a) 3/11, b) 5/13, c) 3/7
+ 18 . 6TIf
517 +(18)
z ij1lf];:::'
510 0,5838.
20 . Oc/p.Gdyby kostki zachowywaly sie jak obiekty nierozróznialne, oba praw- 8
.
Odp
..
P(AIB)
...
- (~)(;")
- (.~2H~8)'
P(AIC) -
-
(~W;)
('52)-('5°)'
P(AID) -
-
men
c-:;r)'
dopodobienstwa bylyby równe 6/56. Dla kostek rozróznialnych
Wystarczy im 9. Oclp. ('~o)/ ("1,,1).
teoretyczna
mozliwosc
P(
"II") = 216
27 > 216
25 = P(''')
,,12. 10. Odp. a) (;) (~~)/ (~;), b) (~;) / (~;).
pomalowania? "
-----. .......• .....-:: -- .. ~ ••• •••• •••
III' Odpowiedzi i wskazówki do rozdzialu 4 403
I I, I ),111 II,) C~:)/ ((~;) - C~)) = G~)/ (~;); b) (~~) / ((iD - G~)); n. Odp. Wydaje sie to byc sprzeczne z intuicja, gdyz na mocy wzoru na praw-
Hi hl1lllllt, .lt~tjl,
e) G~)/W~) - (~8)). dopodobieJlstwo calkowite P(AIB) jest srednia z P(AIB n C) i P(AIB n C'),
l,ntl NI\.Ill:
W,j~111d1!ll\
a P(AIB') jest srednia z P(A.IB' n C) i P(AIB' n C'). Ale odpowiednie wagi
lIcznikIl Il1l100Y
IV
ilosc ukll1d6~ b~z 12. Odp. 1- 3[(~;)/(~~)
- G;)GD/G~)G~)]· moga byc rózne i w rezultacie (1) i (2) moga zachodzic jednoczesnie. Gdy
asa) w 13. zdarzenia B i C sa niezalezne, to para.doks nie moze zajsc.
Rozw. Zle konstruuje model, wybierajac zdarzenia elementarne. Nie bierze
mianowniku
pod uwage wariantów odpowiedzi straznika. Straznik mówi, ze zostaje B
12. Odp. Mozna to udowodnic indukcyjnie, lub wykorzystujac symetrie zauwa-
wykluczamy
z prawdopodobienstwem 1, gdy zostaja A i B, a z prawdopodobioilstwem zyc, i,e prawdopodobieJlstwo wyciagniecia za. n-tym razem kuli czarnej, gdy
uklady a) z asem
pik; b) z dwoma 1/2, gdy zostaja B i C. Analogicznie, straznilc mówi, ze zostaje C z praw- nie znamy wyników poprzednich losowa!'l, jest równe prawdopodobiellstwu
czarnymi asanli; dopodobienstwem 1, gdy zostaja A i C, a z prawdopodobieilstwem 1/2, gdy wyciagniecia za pierwszym razem kuli czarnej!'
c) z czterema zostaja B i C. Stad prawdopodobienstwo warunkowe, ze wyjdzie A, gdy zna 13. (-';!d)(-;;"!~)
asami. odpowiedz straznika, jest równe = (-(c~b)ld)
2. Odp. 0,76. 15a. Odp. 1/8. Jest to szczególny przypadek poprzedniego zadania.
3. Odp. 7/15.
16. Odp. 1/2,.-1
_ . 1+(1-21lr1-l
4. Odp.3/5. 17. Odp. (1 - p) 1+(1-2p)"
5. Odp. 2k/(3n - kl. 18. Odp. Psychologowie (D. Kahneman, A. Tversky) stwierdzili, ze typowa od-
powiedz oscyluje w poblizu 80%; faktycznie szansa wynosi ok. 41%.
6. Wsk. Patrz przyklad 8. Odp. 1/2.
19. Odp. Okolo polowy respondentów twierdzi, ze 95%. Mniej niz jedna piata
7. Odp. Po wylosowaniu kuli bialej nalezy losowac z tej samej urny, po wyloso- udzielila prawidIowej odpowiedzi: 2%.
waniu czarnej - z drugiej urny.
8. Odp. 4/15. 4. Niezaleznosc zdarzen
9. Odp. Lepiej posluchac Pawla: prawdopodobienstwo,
wiedz jest równe 5/8.
ze poda dobra odpo-
4.1. Definicja i przyklady
10. Odp. 2/3. 3. Odp. a), b) nie.
4. Odp. lOp(l _ p)9.
l Obszerna dyskusje dylematu wieznia mozna znalezc w: Jerzy Lukaszewicz, Problem
SerbeZlani, czyli O warunkowym prawdopodobienstwie ulaskawienia skazanca, \>Viadorno- 5. Odp. a) pn, b) (1- p)n, c) np(1- p)"-l.
sci Matematyczne, XXIX.2 (1992), ss. 179-187. 6. Odp. 4/7, 2/7, 1/7
404 Odpowiedzi i wskazówki do rozdzialu 5 405
7. Odp. Lepszy - slabszy - lepszy. Rozsadnie byloby podzielic stawke proporcjonalnie do prawdopodobienstw
wygranej, czyli w stosUl~lm T : l - T, bowiem wtedy, jak pisano juz w XVII
8. Odp. 7~3;~!(~rm3m4 "" 0,0027. wieku, "nadzieja moralna" , równa wysokosci ~,tawki pomnozonej przez szanse
9. Odp. Niech q = 1;- p. a) q2[q -\- q2 -l],
b) (1- p2)p(1 _ p3). jej wygrania, jest dla obu graczy równa. Analiza takich zagadnien doprowa-
10. Wsk. Dowód niewprost. Gdyby istniala taka dyskretna przestrzel} probabili- dzila do pojecia wartosci oczekiwanej (patrz rozdz. 5).
styczna, to dla kazdej w E llmielibysmy P(w) = O. 8 . Od' p. 151'+1
l dl a p --' q l -, -1=-;IT
1 dl a p --I-
r q, g d'zle z -- l=g,
l..•pz --r=-z- l-p'
11. Od p. -!!-e
(pA)' -pA l l -- ° ) l )'"
9. Odp_ 5/11.
12. Odp_ a.
13. Odp. Jest to efekt losowania. Pojawienie sie wypadku nie ma wplywu na 4.3. Lemat Borela-Cantelliego
prawdopodobienstwo, ale jest wskazówka, ze wybrana losowo osoba ma wiek-
sza sklorinosc do wypadków. 1. Odp_ O, chyba ze P(Ai) = ° dla i= 1,2,. _. -- wtedy 1.
14. Odp. 0,0165. *2. Odp. Szk?:c TOzw·iazo.n:ia. Niech Bk = Ui, <i,< ...<i" (Ai1 n ... n Ak)' Wtedy
n:=1 Bk = limsupA,,; Bk jest zstepujacym,ciagiem zdarzen, wiec
4.2. Schemat Bernoulliego
So -\- elSl -\-e2S2 = (l -\- etJn 3. Odp. Jesli p < ~, to P(A,,) < a gdy p ;:, ~, to P(A,,) ;:, l - e-n-
2"pn,
i korzystamy z lemat.u J3orela- Cantelliego.
So -\- e2S1 -\- el82 = (l -\-e2)'"
4. Odp. 0= 1- P(U::"=1,4n) = lim,,_.oo rr=1 (1 - Pi), a stad :Z::::l Pi = 00, i
Stad mozna wyznaczyc korzystamy z lematu Borela-Cantelliego.
5. Zmienne losowe
80 = ~(n)3k
~ = 1('"
'3 2 -/-2 cos 3'"1'/.'1[') .
5.1. Definicja; .rozklad zmiennej losowej
Podobnie,
[';fI l. Raz'W. Oto przyklad. Niech B C R bedzie zbiorem niemierzalnym. Niech
=-2-\-2'cos-. X,,(w) = l{al (w) dla a E B = A. Wtedy sUPaEB X", = lB·
I::
k=O (n)
4k 41 [ " !l;12 Li
'f!?1']
2. Rozw. Niech X ma rozklad jednostajny na (O, l). Wystarczy wziac cp(x) =
Juz w przedszkolu
wiedza, ze a-cialo
Jesli n -> 00, szansa otrzymania liczby sukcesów podzielnej przez k zmierza = lA(:u), gdzie A jest mierzalny w sensie Lebesgue'a, ale nie jest zbiorem borelowskie jest
borelowskim.
do lik, co widac z powyzszych wzorów ella k = 3,4. W ogólnym przypadku mniejsze od klasy
zbiorów
tez tak bedzie, jednak wyprowadzenie odpowiednich wzorów nie jest latwe. 3. Odp. '* Rzut
?1'i:Rn R, zdefiniowany zaleznoscia ?1'i(Xl,... xn) = Xi, jest
---->
mierzalnych
funkcja borelowska. w sensie
6 . Od p. (2m.- l ...•k·
m k) 22n~
~ Wystarczy zauwazy":, ie <:biory postaci El x ... x Bn, gdzie Bi E B(R), Lebesgue'a.
7. Odp. Gdyby kontynuowano gre, szansa wygranej gracza A wynioslaby
generuja B(Rn) ..
4. Odp. a) o-(X) = {{2,4,6},{1,3,5},0,O}.
r= I:: k-l P "-1(1 -p )k-a p.
a+b-l
k=a ( a-l ) b) o-(X) - klasa pierscieni o srodku w punkcie a.
lUli Odpowiuu\\i i wskazówki do rozdzialu 5 407
tl, (id/l I'(X 1.:) = ;U(l p)k I, k = 1,2, .... Poniewaz Y = X-l, to 17. Odp. Przy losowaniu z rocznika statystycznego (ale juz nie z tablic mate-
I'(\' = k) "" 1'(1- p)k, k = 0,1,2, ..... matyczno-fizycznych) najczestsza pierwsza cyfra znaczaca jest 1. (ok. 30%
6. Odp. P(Xn > t) = ~n - Ajn)lntj n-ex:> --. e-At, gdzie t:) O, ). > O. Stad natych- próbki). Teoretycznie szansa pojawienia sie k jako pierwszej cyfry znaczacej
wynosi 10glO(k-I- 1) - IOglOk. Oto szkic wyjasnienia: niech zmienna losowa
miast wyznaczamy dystrybuante graniczna. Jest to dystrybuanta mzkladu
X reprezent.uje liczbe z rocznika. Pierwsza cyfra znaczaca bedzie k, gdy dhL
wykladniczego, któiego gestoscia jest
pewnego calkowitego n
f(t) = ).e-A1l\o,oo)(t), ). > O.
k· 10" :::;X < (k -I-1) . 10",
7. Razw. Niech AT,. = {x:j.L({:r}) :) ~}. Wtedy #AT,:::; n i U:7'=1 A" jest zbiorem
czyli
punktów skokowych.
10gIOk + n:::; loglO X < 10glO(k -I-1) -I-n,
8. Odp. Rozklad ma nieciagla dystrybuant;e, zat.em nie moze byc ciagly. Jed-
j.L
zbioru przeliczalnego. rózni sie niewiele od gestosci rozkladu jednostajnego (podobne zjawisko wy-
11. Rozw. Skorzystac z twierdzenia Fubiniego. stepuje w ruletGe: liczba obrotów kola zredukowana modulo 2'Tr powinna miec
12, Rozw. Niech bedzie miara Lebesgue'a skoncentrowana na przekatnej kwa-
j.L
rozklad jednostajny).
dratu jednostkowego'.
13. Razw. Niech E: E [O, l]. Z tabeli widac, ze rozklad laczny zalezy od E:, a roz- 5.2. Wlasnosci dystrybuanty rozkladu na R
klady brzegowe nie.
1. Raz'W. Nalezy rH1Jpwrw sprawdzic, ze definicja. jJ jest poprawna. Istotnie,
-
--32-Jl'll O]lE:~-I-E:
X=- t-=--
~ E: ~-'-- O :;
lcazdy niepllsty zbiór z A przedsta.wia sie jednoznacznie w postaci sumy nie-
Y=l 3 8l' :2 i-E:
pustych przedzialów pólotwartych o rozlacznych domknieciach. Zeby to zo-
Y=O baczyc, rozpatrzmy niepusty zbiór A, który ma dwa rózne przedstawienia:
A = U(ai,bi] = U(cj,dj],
-i=1 j==l
miary i przedluzyc na u-cialo generowane przez skonczone sumy odcinków, 8. Odp. Oto dystrybuanty:
czyli u-cialo zbiorów borelowskich, musimy wykazac, ze jesli (An) jest zste-
pujacym ciagiem zbiorów z A i n:1 Ai
to ,urAn) -----> = 0,
n_oo O. Idea dowodu
dla t < l,
jest prosta: ustalamy dodatnia liczbe ó i do kazdego An dobieramy taki zbiór F (t) = (1/2).,fi dla ° ~ t < 1,
dla l ~ t < 2,
dla l~
t < 2,
zwarty Kn, zeby Kn C An, An \ Kn C Bn, gdzie ,u(Bn) < óTn. Mozli-
y
{O
t/2
l dla t ) 2,
dlat<O,
Fz(t) = { ~/2 dla t)
2.
3. Rozw. ~(( -00, x» = J.L ( U::'=I (-00, X - ~] ) = Jirnn .z;;.(" - ;\} Skorzystalismy z tw. Lebcsgue'a-Leviego o zbieznosci monotonicznej i z pod-
4. Odp. 0,3; 0,9; 0,85. stawowego twierdzenia rachunku calkowego (patrz np. [RUD-2], tw. 6.16; ta
wersja pokazuje zreszta, ze zamiast ciaglosci g wystarczy calkowalnosc w sen-
6. Roz11J. Wystarczy wyznaczyc clystrybuante. sie Rjemanna na przeclr.ialach ograniczonych).
dla t ~ -5, b) Z jest przeliczalny, %ntem R. \ Z = U:-oo (ai, bi), przy czym przedzialy
f
2. Wsk. Zamiast podstawowego twierdzenia rachunku calkowego uzyc tw. 8.21
z [RUD-l]: jesli F jest rózniczkowalna wszedzie na [a, b] i F' jest calkowalna,
F(x) =
n=l
2~' l(_oo,"J(r,,) = L
{n:7'.rt::;;X}
2" to F(x) - F(a.) =
Calkowalnosc
J:
F' Ct)dt dla x E [a, b].
F' w naszej sytuacji wynika natychmia..~t z lematu 1.
:IIi I Odpowiedzi i wskazówki do rozdzialu 5 411
dla t> O,
:S; LE [(k -\- l)l{)",;;x<k+l}]
',=0
g~(t) = {ó~e-(IOgt)2/2 dla t:S; O. 00 j •
~
= I:U~+'·l~P(I;:S; X <k -\- 1) =
b) Fy(t) = 2<I>(v't) - 1, t ~ O, gy(t) = '~e-t/2 ),=0
. {O1/2 dlatE["I,2).
= L
n=l
P(:c ~ n) -\- l. II
5.5. Gestosc a odwzorowania gladkie
3. Wsk. Skorzystac ze stwiol'cl1.enia 11 i zauwazyc, ze P(Xr > t) = P(X > t'/r).
1. Rozw. Np. X ma rozklad jednostajny na (O, l), cp(x) = 1(~,,)(3;). 4. Wsk. Uogólnic metode rozwiaza.nia poprzedniega zadania.
2. Rozw. Calka jest fllnlq::ja ciagla jako funkcja górnej granicy calkowania. 5. Rozw. Na rysunku widac standardowy sposób, stosowany przez hydrologów.
1 VVrzeczywistosci z tabeli odczytujemy cos w rodzaju ogona rozkladu, wobec
3. Rozw. gry) = ae-". 'l? ·l(o.oo)(Y)· tego stosujemy odpowiednik wzoru ze stw. 11 i calkujemy funkcje przedsta-
4. Wsk. Nalezy powtórzyc rozumowanie z dowodu stwierdzenia l na kazdym h wiona na rysunku.
z osobna.
6
\ i'
l
5. Rozw. Skorzystac z wielowymiarowej wersji twierdzenia o calkowaniu przez f'..-
podstawienie. ) 1"-
.'\~ "" i\.
6. Odp. a) JY(Yl,Y2)
~ ~~
)
)
5 )
\r\.
"-""
~ exp [- f6 (5yr -\- 5y~ + 6Y1Y2) b) gestosc jest taka
sama, jak wyjsciowa. 4
tmin = ------"-------=====.
'])2Xl - p(Xo, XrlJ152XO'])2 Xl
'])2Xl + '])2X2 - 2p(Xo, Xr)V'])2XO'])2 Xl EX = LkP(X = k) = LLP(X = k) =
k=O k=l n=l
do papierów wartosciowych oznacza to, ze portfel zLozony z papierów obu = LLP(X = k) = LP(X;?: n).
rodzajów w proporcji 6 : 1 ma ryzyko nizsze, niz kazdy z papierów. Jego n=lk=n n=l
stopa zwrotu bedzie równa EXtmin ~ 0,0271. Widac, ze taki portfel jest
lepszy niz papier opisywany przez zmienna losowa Xo, ma bowiem wyzsza 9. Odp. EX = l/p.
stope zwrotu i nizsze ryzyko. Nie da sie go natomiast porównac z papierem 10. Rozw. Jesli X jest liczba rzutów, to X = Xl +X2+ ... +X6, gdzie Xl = 1, zas
opisywanym przez Xl, dopóki nie zdecydujemy, jak duze ryzyko oplaca sie Xi, i = 2, ... 6 jest czasem oczekiwania na i-ty wynik rózny od pierwszych
poniesc w zamian za wyzsza stope zwrotu. (i - 1) wyników i ma rozklad geometryczny z parametrem (7 - i)/6. EX =
Pouczajace jest wykonanie wykresu ryzyko/zysk dla rozmaitych wspólczyn- = 14,7.
ników korelacji. 11. Odp. Nie. Oto pr?,yklad: fl = {a, b, c}, zdarzenia elementarne sa jednakowo
prawdopodobne, X(a) = 2, X(b) = l, X(c) = O; Y(a) = 0, Y(b) = 2,
Y(c) = 1. Wtedy E (x~y) = ~, E (x:y) = ~.
12. Rozw. a) "rozpisujemy" wzory po wspólrzednych i korzystamy z definicji
wartosci oczekiwanej wektora,
~B
b) wynika z definicji macierzy kowariancji i punktu a).
~ ~/////
V ~7/
...• ,
13. Rozw. Nalezy zmierzyc sume dlugosci pretów, skladajac je razem, a potem-
róznice, ukladajac je obok siebie. Wynikami pomiarów beda zmienne losowe
Stopa zwrotu
(zysk) z~ / // 8=x+y+U, D=x-y+V,
1\111,111
(.\ !,,,) )::':1 ., Jt'HI, dl!,glulII podw6jnym niezaleznych zmiennych losowych, Aby obliczyc to prawdopodobienstwo, musielismy skorzystac z rozkladu lacz-
pJ'1,Y.l1l1l0J1.('yeli wo,rl.osci m i O z prawdopodobienstwami p i q. Poniewaz nego (X, Y).
IIJlIiunne losowe ciagu (Xk"))~J. nie zaleza od Zn-J., mamy 4. Rozw. Si = {Ad - n-uklad. Si niezalezne, wiec z twierdzenia 12 wynika, ze
er(Si) = a(A;), 'i E I sa niezalezne.
5. Rozw. Wezmy 10 C I, 10 -- skoiJ.czony, i dowolne Ai. E Si dla E 10. Ai sa i
EZn = ~Xt)_, = l;E'
oc ( l{Zn_l=k} k)
{;xi") postaci A; = Bt, n ... n BL,;. Z niezaleznosci er-cial F, otrzymujemy
= "'\"W kP(Zn-J.
~ = k)EXJ.••(n) = p(n A;)= p(n nB~) = I1I1'P(B;) = I1 P(Ai).
Ic=l
iEJo 1E" lo j iEJo
EX = E(XIA) + E(XIA') ::;; [EX2 . P(A)]~ + AEX. P(X E A, (X, Y) E E) = Lm"'." lB(~;,y)lA~Rk(X,Y)/-l(x,y)(dx,dy) =
drugi czynnik po prawej stronie otrzymujemy zadana nierównosc. Gdyby ten n. Odp. Gestosc jest dana wzorem
czynnik byl równy zeru, to i lewa strona bylaby zerowa i nierównosc bylaby
automatycznie spelniona . dla O::;; x ~ l,
dla l < x ::;; 2,
.q(x).. __
_ :- (2-x)' ( x_l)'
5.8. Niezalezne zmienne losowe (3-",)" 2 -2~ dla 2 < x ~ 3,
-0-
{ O 2 - dla x ~ [0,3].
2. Rozw. Powtórzyc rozumowanie z twierdzenia 7.
3. Rozw. a) Jest to zmienna losowa min (X, Y) o rozkladzie wykladniczym z pa- 12. Wsk. Zdefiniowac splot gestosci z dowolna miara:
rametrem oc + /-l; patrz przykl. 5.S.4.
b) Mamy
(g * J.1.)(t) = r
dr JR g(t - x)J.1.(d:c).
P(X < Y) = /-l(x.y)({(x,y) x < y}) = J 1 o<x<v 91 (x)g2(y)dxdy = *13. Rozw. Z = X + Y, gdzie X =
i Y sa niezalezne ..
L:'=l. U2n /2" ma rozklad jednost.ajny, a X
15. Wsk. U ma rozklad wykladniczy z par. 2A, V = IX - YI, wiec ma rozklad 20. Wsk. Niech X ~ N (0,1). Zdefiniujmy
wykladniczy z par. A (korzystamy z zad. 14). Wykazac, calkujac gestosc
(X, Y) po odpowiednim obszarze, ze F(u,v)(s, t) = Fu(t)Fv(s), (X, Y) = (X, -X)l{x!!'[-a,aJ} + (X,X)lp.:E[-a,aJ}.
16. Wsk, Jesli A E Rn, i O' jest: permutacja zbioru {l, 2, ... , n}, zdefiniujmy
Dla duzych a kowariancja zmiennych losowych X i Y jest dodatnia, dla
arA) = {(Xl, .. ',xn) E R": (XO'(l)"" ,XO'(n» E A} oraz fi' = UO'EBa(A),
malych a jest ujemna, wiec dla pewnego a jest zerem.
gdzie sumowanie odbywa sie po zbiorze wszystkich permutasii B. Jasne jest,
ze dla A C 6.n zbiory arA) sa (prawie) rozlaczne, zatem A(A) = n!A(A). 21. Odp. Niech zdarzenia A, E, G beda parami niezalezne, ale nie wzajemnie
Zatem P((U(I),"" U(n» E A) = P«(Ul, ... , Un) E .4) = n!A(A), A C 6.n. niezalezne. Kontrprzyklad tworza rodziny {A,B} i {G},
Nie jest trudno wyznaczyc dystrybuanty statystyk pozycyjnych i obliczyc, ze *22. Raz'W. Niech A > O. Wtedy funkcja e.\x jest rosnaca i mamy
EX(k) = k/(n + l).
Numery trzech taksówek w Grybowie zostaly wybrane losowo ze zbioru
1,2 ... , n. Doswiadczenie to przypomina losowy i niezalezny wybór trzech = P( e >'8". > e .h';:;;):>::-...;:e-.\r';:;;E :e.\8,. =
punktów z odcinka [O, l]. Srednio podziela go one na cztery równe cze-
p( JTi
S" » 'l' == e -Ar';:;;(," L-e)AU,\"
1 Xl
Z <Xl
X2 <<X2
Z <<X2
Xl
X2 Xl
X2-
Z+ - Dalej,
36542
EX =~ D 3' = D;l:
1-=1
~2EUi=~
2' ,t=l
2,.
.'
Jesli wszystkie trzy zmienne losowe maja ten sam rozklad, szansa wygranej
wynosi 2/3 .• ; gdzie fh jest niezalezna od X. Stad otrzymtij'emy nie tylko EX = ~, ale
i V2 X = ~, bowiem V2 X = ~V2Ul + ~'D2 X. ,.
1.1
5.9. R.ózne rodzaje zbieznosci zmiennych losowych 12. Roz11!. Gdy teza nic zachodzi, to istnieje a oj; EY i podciag (nk) taki, ze
P(IX - YI > s) :,;;P(IXn - XI> s/2) + P(IY - X"I > s/2) '---7 O. bo E (,IX" + Ix) 2 :,;; f( < 00.
14. Rozw. 'Wystarczy pokazac, ze ella dowolnego s >.0
Wobec tego P(!X - YI > O) = O.
9. Wsk. Skorzystac z twierdzenia 8. lim P(max
n i~n
lXii ~ en) = O.
11. Rozw. Jesli w pierwszym rzucie wypadl orzel, laczna. wygrana wyniesie co
Faktycznie,
najmniej 2/3, jesli wypadnie reszka - co najwyzej 1/3. Wobec tego dystrybu-
anta Fx przyjmuje na przedziale (1/3,2/3) wartosc 1/2. Rozpatrujac drugi,
trzeci i dalsze rzuty widzimy, ze dystrybuanta jest stala na wszystkich prze-
dzialach wylaczonych podczas konstrukcji zbioru Cantora. Poniewaz laczna z(n IX;! ~ en) :,;;
P(max Li=l
P(IXij :,;; en) = .nP(IX11 ~ en) :,;;
<p(t) = '"
D')i'~ 16. Rozw. Niech f> O. Wezmy C takie, by dla z ~ C zachodzilo
1.=1 ...,
poniewaz <p(X) ma rozklad jednostajny na [0,1]. E (jXtI1{1xtl>CJ) :,;; sM-lE (G(Xtl-lIXtl>C})) :,;; s.
do rozdzialu 6 421
420 Odpowiedzi i wskazówki
17. Rozw. => (ii) wynika z nierównosci 4. Wsk. Wykazac, ze jesli wektor losowy (Z1, Z2) ma standardowy rozklad nor-
malny w R 2, to promien R = fif
-I- z1 ma ten sam rozklad, co y' - 2 log X
[(IX,!lA) :( CP(A) -I- E (IXtI1{!x,I>C}) . (por. zad. 1 i 2), zas kat e, jaki tworzy wektor (Z1, Z2) z osia DX ma rozklad
jednostajny na przedziale [0,2r.] i jest niezalezny od promienia.
Z tej nierównosci, piorac A = ni C dostatecznie duze otrzymujemy (·i). Wynika stad, ze wektory losowe (R, e) i (..,;=2log X, 2r.Y) maja ten sam
<;= Wezmy dowolne c > O. Dobierzmy ii z punktu (ii). Z nierównosci Czeby- rozklad: jest on wyznaczony jednoznacznie przez rozklady wspólrzednych,
szewa i z (i) dla t E J P(!X,[ > C) :( C-l sup, [IX,I :( 1) dla dostatecznie bowiem na mocy niezaleznosci jest ich produktem.
duzych C, zatem (ii) daje [(IXt!l(IX<l>C}) :( c dla t E J. W konsekwencji: i
zmienne losowe h(.R, e) h( ';~--2-I-o-g-X~,21T Y) maja ten sam
rozklad, zalezny juz tylko od h. Biorac h(r-, <p) = (r- cos <p, r sin <p) widzimy, ze
18. Wsk. => (i) oczywiste z nierównosci Czebyszewa; (ii) sa spelnione warunki
(Z1, Z2) = (R cos O, Rsin fJ) i (U, V) maja ten sam rozklad, i jest to standar-
zadania 17, korzystamy z tego, ze [(lAIX" - XIP) :( [(IX" - XfP).
dowy rozklad normalny w R2•
<;= Skorzystac z zadania 16 i oszacowania
5. Roz'W. Udowodnimy to dla standardowej wersji rozkladu Cauchy'ego, o ge-
= -,----t'"
I (a1)r(a2)
bal+a2
+"2-2e-b'
.j.tIJ
(1 - J;/t)"] -] (:U/tt2-1dx' = b)
. -.(; dla I;) E [O, -l),
Markowa
a. Odp. a) ~ -I- 1~'" b) ~ -I- -;x -I- 1~P· W rozdziale o laJlcuchach
= '1"'+"2B()
) al,0'2 tQ.l+a2-1e-IJt = 6",-I-M
-__(),L+a2-1e-u't, udowodnimy ogólne twierdzenie na ten temat (zad. 12.1.14-17).
r(a1)r(a2) r(01 -I- 02)
4. Odp. "31(1+~).
2. Rozw. Niech C bedzie macierza ortonormalna o wszystkich elementach pierw- 5. Wsk_ Zauwazyc, ze (stw .. 5.6.11)
szego wiersza równych l/Vii. Oznaczmy X = (Xl, ... X,,), Y = CX. Wtedy
YI = Viii, zas [(XI X> t) = Oi} "J (X1{x>,}) =
Przedostatnia równosc wynika stad, ze przeksztalcenie ortonormalne zacho- =t-l- ~1,,1 (= P(X>s)ds
.lt .
wuje dlugosc wektora.
Oznaczajac P(X > s) = 1'(8) otrzymujemy równanie
Widac teraz, ze x i s; sa niezalezne jako funkcje od niezaleznych zmiennych
losowych, a ponadto ns; ma rozklad X~-l·
3. Wsk. Zrózniczkowac wszystkie trzy wyrazenia . /00 u(s)ds = cu(t), c> O,u(O) = 1.
• 0 ~
Odpowiedzi j wskazówki do rozdzialu 6 423
I ,l!wa ~tr(Jl1ajest rMuiczkowalna, jako calka z funkcji ciaglej, mozemy zatem mianowicie prod uh dwóch egzemplarzy tego samego rozkladu - poniewaz X
zrózniczkowac obie strony, otrzymujac dobrze znane równanie j Y sa niezalezne i maja ten sam rozklad. Jak widac, zalozenie o niezaleznosci
pelni tu kluczowa role.
-u(t) = cu: (t), u(O) = l, Tnne, byc moze bardziej naturalne rozwiazanie polega na przetransportowa-
którego rozwiazaniem jest funkcja. u.(t) = e-et, gdzje c > o. niu zadania do R2. Wtedy ualezy udowodnic równosc
l
6.4. Prawdopodobiei!stwo warunkowe - uogólnienie
v(H) = E (X IO'(F, E)) dP, p.(H) = r E (X I F) dP, 1. Odp. a).N (i/2, 0'2/2), b)U[O, t], c) B(t, 1/2) d).a t E N U {O};
.III
d) l_c-AL.
"1=e-2>.l l' e) e-A1'_e-2.\1..
l_(!-:lrr \
sa równe.
7. Odp. E (XI Y) = Y + 3. v1
2. Odp. fXIY(yll) ,= ~Yl(0.1)(Y)' t: (y I X = ~) = 10 '2 h2dy = ~.
8. Wsk. '02 X = E (t: [X - E (X I F) + [(X I F) - Exf I F)
3. Odp. P(A) = E (P(AIX)) = -1 + 2 log 2, gdzie X jest wspólrzedna pierw-
9. Rozw. Symetria i fakt, ze t: (X I X + Y) musi byc funkcja zmiennej losowej szego zlamania.
X + Y sugeruja, ze E(X I X + Y) = ~(X + Y). Wystarczy teraz sprawdzic,
ze dla kazdego A E u(X + Y) 4. Odp. a) E (U I 'I) = f, E (V I U) = l~U, b) cosJ;~:::~lsU
5. Wsk. (X, Y) jest obrazem liniowym (U, V) ~ N (O, I). Obliczyc E (U l aU + bV).
j.A Xd; = .lA
r ~(X + Y)dP, 6. Odp. Ujemny rozklad dwumianowy z parametrami a, b/(b + 1).
czyli 7. Odp. E (Al X = n) = (a + n)/(b + 1); rozkladem warunkowym jest rozklad
gamma z parametrami a + n, b + 1.
1 XdP=
Zbiór A musi byc postaci {X + Y E B} dla pewnego B E B(R), zatem
1 YdP. 8. Odp. Prognoza dla X,.,+l jest zmienna losowa
8n nu2 v2
powyzsza równosc mozna przepisac w postaci
--;:;: n'U2 + v2 + rn nu2 + v2 .
E (X . l{x+YEB}) = t: (y. lp,+YEB}) . Widac tu wplyw sredniej dla calej populacji klieptów, czyli m, oraz sredniej
Równosc wynika stad, ze t:<p(X, Y) zalezy tylko od lacznego rozkladu pary wartosci roszczen dla obserwowanego klienta, cz~li S,,/n.
(X, Y). W naszym przypadku pary (X, Y) i (Y, X) maja ten sam rozklad- 9. vVsk. Odpowiedz powinna byc ta sama, co w zad. 8, z uwagi na przyklad 6.
10. Rozw. Ze wzoru Bayesa i z tego, ze p.x jest rozkladem dyskretnym mamy: bowiem {w} E B. Poniewaz dla B E B mamy ~
E (g(X) I B)= t
i=l g(Oi)PB(Ai)
~ P-p.n. Stad,
12. Rozw. Trzeba pokazac, ze dla dowolnego A E C;; mamy gdy w E A, to Pa (w, {(v}) ~ 1"a(w,A) =~, a gdy w E A', to
,; l
r
.JA XZdP = j'A EQ (X I C;;) Ep (Z I CJ) dP.
Pa(w, {w}) ~ Pa(w,A) = 2'
Ale Sprzecznosc z (2).
Nastepnie pokazac, ze PXI:F(B,w) ~ .J~F(dx,w), gdzie calke rozumiemy P(A" n 11"",(,1,,)) = P(A,,)1"(11",,(An)).
jako ca.lke Lebesgue'<\-Stieltjesa, spelnia warunki twierdzenia.
*2. Rozw. Niech \1= [O, l], B = B([O, l]), ,X- miara Lebesgue'a. Niech A C [0,11
Przechodzac z n do .nieskonczonosci otrzymujemy 1"(A) p2 (A) (korzy-
bedzie zbiorem niemierzalnym ta.kim, ze stamy z zad. 8).
'x'(A) = inf{'x(E):B:JA}=l
SEa
i 'x.(A) = sup{A(E):BcA}
BEa
=0.
7.3. Zbieznosc szeregów niezaleznych zmiennych losowych
Istnienie takiego zbioru wymaga oczywiscie osobnego dowodu. l. Odp. a) zbiezny p.n., b) rozbiezny p.n.
Niech F = O"(B, A). Nietrudno zobaczyc, ze F jest rodzina zbiorów postaci
(Bl n A) u (B2 nAl), gdzie Bl, B2 E B, Bl C A, B2 C Al ZdeHnil.ljemy teraz
2. Odp. Istnieje takie e > 0, ze P(!X11 > e) > O, a wtedy I: 1"(IX,,1 > e) = 00.
p na F wzorem 4. Wsk. Skorzystac z lematu Borela-Cantelliego.
5. Niech A. = {maxl"!',,n lXI + ... + Xkl ;?: .,.}. Zdarzenie to mozna podzielic
P((E] n A) u (B2 n A.I)) = ~('x(BI.) + ,X(E2)) na kawalki, zaleznie od tego, dla jakiego wskaznika k po raz pierwszy ma
ella E], B2 E B. Oczywiscie P(E) = ,\(E) dla E E B i miejsce nierównosc lXI + ... + Xkl ;::::r). Wprowadzmy w tym celu zmienna
l losowa (niewlasciwa, bo przekroczenia wartosci r mozemy sie nie doczekac):
P(.4.) == p((n n A) u (0 n A')) = 2' r = inf{k: IX\ + ... + Xkl i r, 1~ k ~ n}.
Wykazemy nie wprost, ze nie istnieje regularny rozklad warunkowy Pa(-,')
na n x F wzgledem B. Zalózmy, ze Pa(-,') istnieje. Dla E E B zachodzi Jednak na zbiorze A zmienna losowa r przyjrr!uje wartosci 1,2, ... , n. Mamy
teraz, oznaczajac
P(BIB) = lB, wiec
Pa (w, {w}) = l{w}(w) = l, (2) Sk = Xl + ... + Xk,. Rk = Xk+l + ... t Xk, Ak = A n {r = k},
1;'11 Odpowiedzi i wskazówki do rozdzialu 7 427
llastepujace oszacowanie: 7. Wsk. Wykorzystac zasade symetryzacji: rozwazyc ciag niezaleznych zmien-
nych losowych (y;,.) takich, ze ciagi (Xn)n i (Yr,)n sa niezalezne oraz Xn ~ Yn,
E (S~lAk) = E ((Sk + Rk)21A',) = (3)
n = J., 2, .... Wtedy 2::'=1 y;, tez jest zbiezny p.n., a wiec 2::::'=1(Xn - Yn) jest
= E (ShA,J + E (RhAk) + 2E (SkRklA,J ) zbiezny p.ll., E (Xn - Yn) = O i P(IXn-}~,1 ~ 2c) = l, n = J., 2, .... Z zadania
) E ( SklAk ) r 2 . P(Ak), 6 wynika, ze 2::::'~1 '02 (X,., - y;,) < 00, zatem 2::::'=1 '02 Xn < 00. Z twierdze-
2 )
nia 2 wynika, ze L:::'=I (Xn - EXn) jest zbiezny p.n., a wiec L:::'=I EXn < 00.
gdzie przedostatnia nierównosc wynika stad, ze E (R~ lA,,) ) O, zas zmienne 8. Szkic T'Ozwiaza:n·ia. Ze zbieznosci L:::'=l Xn wynika, ze Xn -, O p.n., wiec
losowe SklAk i
Rk sa niezalezne, jako ze pierwsza z nich zalezy tylko od Z P(IXnl > e) < 00 dla kazdego c > O, zatem Xn(W) = X;~(w) dla n) n(w)
Xl ... ,Xk, druga - od Xk-H, ... , Xk. W takim razie (korzystamy dwa razy z lematu Borcla·CanteJliego). Stad wynika, ze ZX~
jest. zbiezny p.n. i korzystamy z ~mdanja 7.
E (SklAk . Rk) = E (SklAk)' ERk = O.
9. Odp.(JE(~,l].
Wystarczy teraz dodac stronami nierównosci (3) dla k = J., 2, . _. , n, zeby
otrzymac teze: ID. Raz'W. Wynika to na.tychmiast z twierdzenia o trzech szeregach.
Druga czesc twierdzenia dowodzimy biorac A jak wyzej i Niech Ak = {r = kj, BI., = {maXk<j<,;n ISj - Slo!> r}, C = {maxj<';n IXj! ~
~ s}, Dk = Ak n Bk n C, k = J., ... ,n. Wtedy rnamy
Ak = {ISil ~ e,i = 1,2, ... ,k ·-1, ISki> c}.
Wtedy I E = {m.§\xIShl
k:::::;n,
'> s + t + r} n Q.c U Dk.
k=1
E (S~lA) ) ES~ - e2 P(A') = ES~ - e2 + e2P(A). (4)
Poniewaz ISki:>:; ISk-d + IXkl ~ c + C na A.k, to lstotnil~, na Ak n C zachodza nierównosci ISki> t, ISk-II ~ t,IXkl < s, a
wiec ISki ~ t + s, a dla. w E E n Ak, marny dla pewnego l = l(w):
ES2 _ .2
nierównosc chyba
najlepiej P(A)) (e+C)2n+E~a -e2
) 1- (c ESa
-I- C)2
A poniewaz maxk<';n P(Bh) ~ P({m~tXh,j ISj - Ski> r}) to
sprawdzic
bruta1nie mnozac 6. Szkic dowodu. Z zaloz'ania dla kazdego c > O istnieje takie N, ze
'lna krzyzll. 1 P(max
ks;,n ISki> 8 + t + r) :>:;
k~n IXkl
P(max > s) + P( U
k=l
Dk) ~
P(max
i)O ISN+i - SNI > c) < ?•... (6)
~ P(max
k~n
IXkl > s) +
Z drugiej strony, z tw. 6
(c + C)2 + P({maxlS'j -'Ski> r}) L.-
"" P(Ak),
k,]
k=1.
max ISN+i - SNI
P( l~t::::;:n > c) ) J. - 0t=N,l EX;
"N+n,
Zatem gdyby szereg Z:::'=1. EX'; byl rozbiezny, otrzymalibysmy sprzecznosc co daje pierwsza nierównosc tezy, bo {maxk<,;n ISI.I > t} = U~=l Ak. Druga
z (6). wynika z tego, ze {ISj - .5\1 > r} C {ISn - Ski> r/2} U {ISn - Sjl > r/2} .•
428 Odpowiedzi i wskazówki do rozdzialu 7 429
7.4. Prawa wielkich liczb *14. ROZ1U. Mozna zalozyc dla l ':s; p < 2, ze EXl ~" O. Trzeba udowodnic, ze
3. Rozw.""'oo
L....-n=l n
Xn-p J'est zbiezny p.n. l bo E (Xn-P)
n = O J L--n
"'" n
V2(EIc.l!.) = i:::l
6. Rozw. Ve > O OjN 1",(Xi, Xj)1 < c, o ile li - jl > N. Dla n dostatecznie Zatem na mocy lematu Borela-Cantelliego i lematu Kroneckera wystarczy
duzych V2Sn :s; Kn + 2Cn2c:, gdzie K jest stala zalezna tylko od N i C. udowodnic, ze szereg Ln n - l/py;, jest zbiezny p.n. Dla p < 1 korzystajac
z twierdzenia Fubiniego marny:
7. Rozw. Korzystamy z zadania 5.6.1 i definiujemy Yn jak w dowodzie MPWL.
Pokazujemy, ze limn VOCY1 :2q+ V".l = O i korzystamy z twierdzenia 'L
8. Rozw. Niech Xn beda takie, ze
2
P ("Yn = n'l) = P (Xn = -n 'I) = -2
n1 ' 1- P(X" = O) = 1- o'
n-
. f -8"
l·lrnm'
n-oo n ~:? l'HnlTl oc) -S;;
'I'
n ......•. n = cc' l
(X :1 {X,(c} ) p.n. :s; C ./0/00 C2/PE (X;1{!X;!<:;t1/p}) clt:s; G\EIXIIP < 00.
oraz
15. Wsk. Patrz przyklad 18.
lim
c-oo E [Xll(Xl<:;c}] = 00, Odp. a) A, b) f(~), c) f(~).
wiec P(lim" ~ = 00) = 1. 16. ROZ1U. Oznaczmy K = P(U :s; f(Y)/Cg(Y)).
13, Roz1JJ. Oznaczmy V2X1 = a2 Wtedy E (L~l Xi)4 = 6(;)a" -/-nc :;:;;an2 P(X :s; t) = P(Y :s; tiU :s; f(Y)/C'g(Y)) =
i
dla wszystkich n pewnej stalej a. Z nierównosci Markowa (5.7.6) .!::'oo P(Y :s; t, U :s; f(y)/Cg(Y)IY = y)g(y) dy
P(U :s; f(Y)/Cg(Y))
p (I -:;;:
Sn I >c: ) :s; an2
(cn)4'
,f,'-00 jJJLL
Cg(y)
g(y) dy __
f·t.
. -_00 f(y) dy
_
-. K - KC'
i poniewaz szereg :L (;.~~.. jest zbiezny, na mocy lematu Borela--Cantelliego
z prawdopodobienstwem 1 zachodzi tylko SkoIlczenie wiele zdarzen w nawia- Biorac t -.00, otrzymuj:cmy K = t;, a zatem'p(X :s; t) = foo f(y) dy.
sie, co oznacza, ze ~ L:~l Xi --->n-oo O. 17. Odp. Tak, wezmy np. g(x) = l(O,l)(X), wtedy:p = ;:;.
do rozdzialu 7 431
. lilii OJl'owlou~i i wskazówki
l T •• ,'hien) kl(,,) .. Bn. Bn T P(S~ ~ u) = P(S',~ ~ a, S,·, E [-b, bl) + P(B~ ~ a, B~. tj. [-b, bl).
a
-EX1 n
(lImmf -k l ( n) . kZ(,,)+l
--- "n -
(hmmf "n -
(hmsnp (a:EX1
Nalezy teraz wybrac tak duze b, by drugi skladnik po prawej stronie byl
i biorac a ~ l otrzymujemy teze. dostatecznie maly i skorzystac z tw. de Moivre'a-Laplace'a.
*22. Wsk. Patrz zad. 9.1.14.
2. Odp. Okolo 1·-· <:li (2,582) = 0,005.
3. Odp. Szansa, ze zabraknie miejsc: 2[1 - !f>(2,83)]~ 0,0023. Zeby zredukowac
7.5. Twierdzenie Poissona
t.o prawdopodobienstwo do 0,001, nalezaloby przygotowac po 124 miejsca.
1. Odp. Mozna badac proporcje liczby "szóstek" do "piatek", "czwórek", etc. 4. Odp. Jesli p jest szansa pokonania Bolka w pojedynczej serii, srednia liczba
Jesli na przykla.d gracze unikaja skreslania liczb na brzegu kwadratu, be- serii wynosi l/p. Przyblizenie de Moivre'a-Laplace'a daje p ~ l - iI>(5,4)(
dziemy mieli do czynienia z wyborem 6 liczb z 22 i proporcje szans otrzyma- 4.10-8, na mocy oszacowania (2) z § 5.10. Ale oszacowanie (12) z § 7.6 nie jest
nia obu rodzajów wygranych beda inne niz przy wyborze 6 z 49. Oczywiscie zbyt dobre: pokazuje tylko, ze blad przyblizenia nie przekracza 0,1. Mozna
gracze nie zachowuja sie az tak prosto, ale podany test dziala. zatem podejrzewac, ze przyblizenie l/p na tej podstawie bedzje obarczone
2. Rozw. Zgodnie ze wzorem P(A n B n G) = P(GIA n B)P(B[A)P(A) szansa, duzym bledem. Z kolei nierównosc Bernsteina 7.4.2 daje p ( 0,162. Pozosta-
ze ustalony znak bedzie bledny wynosi wiamy Czytelnikowi zastosowanie nierównosci Bernsteina 7.6.4.
0,001 ·0,1 . 0,5 = 5 . 10-5 = p. 5. Odp. Tw. de Moivre'a-Laplace'a daje dla n = 10 ok. 1 - iI>(0,63) = 0,264;
dla n = 100: ok. 1 - iI>(2) = 0,023; dla n = 1000: ok. l - !f>(6,32), co jest
wobec tego liczba bledów ma rozklad zblizony do rozkladu Poissona z para- praktycznie zerem.
metrem A = np = 5. Szukane prawdopodobiellstwo wynosi
6. Rozw. a) Szansa, ze dany uzytkownik w danej chwili chce skorzystac z poczty
3 k wynosi p = 9/1440 = 1/160 Liczba takich uzytkowników jest zmienna losowa
L
k=O
~! e-A = 0,26503 ± 0,00025, X o rozkladzie (z grubsza) Poissona z parametrem A = np = 320/160 = 2.
Nalezy teraz wyznaczyc (metoda prób i bledów), najrrmiejsze takie k, zeby
gdzie oszacowanie bledu wynika z twierdzenia 2. P(X < k) ~ 0,95. Jest to k = 5 ..
432 Odpowiedzi i wskazówki do rozdzialu 8 433
b) Ma byc P(S" < k) ~ 0,95, gdzie Sn ma rozklad Bernoulliego z par. Przyblizenie de Moivre'a-Laplace'a daje wartosc praktycznie równa zeru.
n= 320, P = 1/160. Poniewaz <I>(1,65) = 0,95, powinno byc Oczywiscie nie wiemy na razie nic o bledzie p'rzyblizenia, ale zastosowanie
jednego ze znanych oszacowal1 (nierównosc Bernsteina, tw. Berry-Esseena)
k-np
--- ~ 1,65, prowadzi do wniosku, ze szukane prawdopodobienstwo jest male.
.jnpq
'vV wielu zadaniach przyjmuje sie, ze prawdopodobienstwo urodzenia chlopca
skad k ~ 4,33 i nalezy przyjac k = 5. wynosi 1/2 i nie popelnia sie wielkiego bledu, jesli tylko liczba "prób" jest
niewielka. Ale nie tu. Gdyby szansa urodzenia chlopca byla równa dokladnie
7. Rozw. a) Jesli X oznacza liczbe dzwoniacych w danej chwili, to ma byc
1/2, prawdopodobierlstwo, ze urodzi sie nie wiecej chlopców niz dziewczat·
P(X ~ 2) = ~. Zakladamy, ze X ma (w przyblizeniu) rozklad Pois(/\),
byloby bliskie 1/2, a nie zeru. Jak widac, czasem dokladne okreslelliepraw-
zatem
,,\2 3 dopodobienstwa zdarzenia jest istotne.
1 +,,\+ 2 = 4e'\
Rozwiazanie najszybciej znajduje sie metoda prób i bledów: >. "" 1,7273. 8. Zbieznosc rozkladów
Zatem kazdy kor:zysta z polaczenia srednio przez 1440p = 1440(>./n) = 12,44
minuty dziennie. 8.1. Przyklady i definicja
b) Poniewaz <I>(0,68) = 0,75, podobnie jak w rozwiazaniu poprzedn.iego za-
1. Roz·w. Dowód nie wprost: gdyby dla pewnej funkcji f ciaglej i ograniczonej
dania mamy
na E istnial taki podciag nk, ze infk IEf(XnJ - EI(X)I > 0, to poniewaz
k - np = ° 68
.;npq " Xn •. .!..., X, mozna by bylo wybrac z niego podciag nk" taki ze Xnc, ~ X
(patrz tw. 5.9.8). Stosujac twierdzenie Lebesgue'a o zbieznosci zmajoryzowa-
przy czym k = 2; ~ozwiazujac równanie kwadratowe otrzymujemy p = 0,0062
nej otrzymujemy sprzecznosc.
i P = 0,01604; ten ostatni pierwiastek daje sredni czas korzystania z pola-
czenia ok. 23 minuty na dobe. Dokladnosc jest pr.obiematyczna. 2. Wsk. Wykorzystac fakt, ze istnieja rózne zmienne losowe o tym samym roz-
kladzie.
8. Odp. Przy standardowych oznaczeniach ze schematu Berno(llliego: wiemy,
ze p ~ 0,005, naszym oszacowaniem ulamka chorych bedzie 8,;/n, powinno :3. Roz'W. Jesli zdefiniujemy funkcje f(x) = Q(x, c) A l, to
zatem byc
E [Q(.:(", c) f\ l] --: E [Q(c, c) A l] = 0,
p (I~n_ pl ~ 0,001) ~ 0,95.
Po przeksztalceniach otrzymujemy stad, jesli O < <
ó' l, co nie zmniejsza ogólnosci, mamy:
p (I Snvnpq
- np I 0,001 J"7:)
pq
- ~ 0,9u." _ P(
- .. Q (v.)
j\.n, C /\ ]. ~
./ C ) ~
/' ~Jo(X",e)!\ l] _ ~ °l
. C n-·'oo
Poniewaz <I>(1,96) = 0,975 (wtedy bowiem <I>(1,96) -<[>( -1,96) = 0,95), li<.:zba
n powinna spelniac warunek czyli X,,~. X.
d. r fi
(IJl(IIVll'll~1 j w~kaz6wki do rozdzialu 8 435
N 1111 II II••
/'
. 11 !I •.I ,1/1
.I
• (J
/ •.. Wt.udy
z t.}'1.Lobesgue'a.
g;! ....• O J.L-p.J1.,0:(
Ponadto
g;; :( f, f jest calkowalna, wiec
In g;; dJ.L- In g;; dJ.L= In g".dJ.L= O.
3. Wsk. Z zadania 8.1.4 ~" +c L X + c, Y;, - c L O i teza wynika z zad. 2.
laLego
4. Wsk. Mozna np. skorzystac z tego, ze istnieja rózne zmienne losowe o tym
samym rozkla.dzie.
r
Jn IgnldJ.L= r g~ dJ.L+ Jn
Jn r g;: dJ.L= 2 .In
r g~ dJ.L....•O. 5. Roz7JJ. P(IX".Y,,1 > e) ~ P(IX,,1 > A) + P(IY"I > c/A) dla. dowolnego A.
8. Wsk. Zastosowac tw. Scheffe'go dla miary Lebesgue'a . 6. Roz'Ul. X"Y" = X,,(Y~' ~·a.) + aX".
9. Wsk. a) Zastosowac tw. Scheffe'go do miary liczacej J.L lub przeformulowac 7. Wsk. Niech g(x) = f(:c •') ;I.- f(O)
':/1
- f I (O ) ~;. WteQY
argument z zadanif18; b) dla punktu Xo wziac takie jego ot.oczenie o promie-
niu e, w którym nie ma innych punktów zbioru S i rozpatrzyc calki z fi.mkcji X".(.f(Y,,) - .f(0)) = .f'(O)X"Y" + X"g(Y,,).
f(x) = <pc ~e(x, xo)), gdzie <p jest zdefiniowana wzorem 8.1(2).
10. Wsk. <= spelnione sa zalozenia przykladu 6, => nie wprost. *8. Wsk. Udowodnic, ze sreJniony jost warurlOk (-iv) twierdzenia 1. Niech G
bedzic zbiorcrn otwart.yrrl w P. Wtedy
11. Roz'Ul. a) Wezmy óowolne u > O. Niech .f(x) = <p(7J. -. lxI), gdzie funkcja <p
jest zdefiniowana wzorem 8.1(2). Wl;edy
h-~..(G) n A c Int(U n
h~n:'
h;;-1(G)).
lirnsupP(IX".I. > u) :( limEf(Xn) = E/(X) :( P(IXI > 1! -]) .••.•• O,
171
4. Wsk. Jesli f.L i Iv sa rozkladami prawdopodobienstwa na (E, B(E)), to defi- Relacja mniej.szosci "tlumaczy" sie nastqpujaco: jesli u (Ul",,'Uk),V =
l~
1'.1.1'.'.' niujemy (Vl, ... 'Uk), to "U < lJ oznacza; ze 'lii < Vi,..i = 1,2, ... k.
t~
d(p, v) = inf{E: 'v' FCE,F domkniety I-l(1") :( v(1"") -I- E, v(1") :( p(J<~) -I- E}. *11. Wsk. Przestrzen metryczna, osrodkowa i zupelna da sie zanurzyc homeomor-
ficznie w R =.
I
li'}
!~
Ustalmy E
l~n(F) :S IL(F,,)
Jesli z kolei pn ~
przy ustalonym E
> O.
-I-
Jesli
f.
>
d(f.Ln,
Wystarczy
f.L)
p i P jest domkniety,
Odla dostatecznie
--7 O, to
teraz
to limsup
duzych n
dla dostatecznie
wziac granice górna
/"n(P)
duzych
obu stron
n mamy
i
:( 1~(1"), zatem
E ~ O. 12. Rozw. Dla t ;?: O
1"y" (t)
mamy:
I
;?: p(1",,) - E, skad
zatem ciag (y,,) jest zbiezny wedlug rozkladu do zmiennej losowej o rozkla-
1.1,(1") :( f.L(1",,) :( I-LnU"c) -I- E.
dzie wykladniczym,
Przeliczalny zbiór gesty w metryce d mozna otrzymac, wybierajac przeli-
i@:
czalny zbiór gesty S C E i rozpatrujac takie rniary probabilistyczne I·' o no-
~jn!i
snikach skonczonych, zawartych w S, ze 1"({a}) E Q dla a E 8. 9. Funkcje charakterystyczne
~:(ri
przypomniec
sobie, ze
i X(w) - E < X < X(w). Wtedy 1"(~I;) < w i ze zbieznosci Fn(x) do F(:c) cos tX i
cos tY oraz sin tX i sin tY otrzymujemy
II w ~ F(x) **
wynika, ze dla dosta.tecznie duzych n mamy P,,(:c) < w, a stad X(w) - E <
X(w) ~ x, < x < X,,(w). Zatem liminf Xn(w) ;?: X(w). EUV=
Niech w < Wf, E > O. Wybieramy < "t < X(w')-I-
.W.i
II
i I 6.
przedziale
W8k. Zastosowac
(O, l).
lemat Fatou i wynik z poprzedniego zadania.
tu z faktu, ze Eeu" =
Ef(X,t) dla nieza.leznych
h" dla. li < ~, i z tego, ze E (f(X,
X i Y; patrz za~l. 6.3.6).
Y) I Y = t) =
7. W8k. Skorzyst,"c z twierdzenia. Skorochocla (zad. 5) i zad. o. b) ::;'~2ii:' Pojawia sie oczywiscie problem, ktÓry pierwiastek z liczby zespo-
1'1
li 8. Roz'W. P(iX" I > E) :( E-2 SUPn EX~, zatem ciag (X,,) jest jedrny i dowolny jonej wybrac. Wiern'y, ze funkcja charakt-erystyczna jest ciagla przyjmuje i
podciag zawiera podciag (X"k!) slabo zbiezny, powiedzmy do Y. Wtedy (zad. w zerze wartosc 1.. ,Obie te wlasnosci zostana zachowane, gdy wybierzemy
li
[.,
7) EX~", dazy do EY", r = 1,2, ... , bo dla kazdego 'f' X;; sa jednostajnie pierwiastek o dodatniej czesci rzeczywistej (pOl'. zad. 13.4.2). Formalne uza-
--7 [.X'·, wiec EX" = [y" i z zalozenia
t; sadnienie takiego wyboru uzyskamy, gdy uogólnimy wzór wykorzystany w a)
" calkowalne (zad. 5.9.16). Ale [X~k
1,1
X~Y. I na zespolone wartosci A. VV tym celu wys,tarczy udowodnil~, ze
II ,
9. Rozw. IX"IP sa jednostajnie cal kowalne (por, 'lad. 5.9.16), IX lXI",
L
.-E.. ..,
;III
./i,
-uz' 1. ~
II
jl
X;: XP
10. Wsk. Oto ogólna. wskazówka:
(2)\ tw. 8.2.4) i skorzystac
na.lezy nasladowac dowody dla przypadku
z zadania 7.
rze-
1= o e " dx= ~.
czywistego, odpowiednio interpretujac oznaczenia .. Zamiast przedzialów na-
~ [ lezy rozwazac ich k-wymiarowe odpowiedniki, tj. zbiory postaci jesli Re u> O ilU oznacza taka liczbe ze,gpolona w, ze 'li? =ui R.e w > O.
~~\·.I
Niech l' = R2e2is.
(al, bl] x ... x (ak, bk].
, l
~ffl !
II
.~.r.lli
1IIIIIIIIiiili
nilllllll'lp(~,11 wHlm:t6wki do rozdzialu 9 439
~\-
R
3. Odp. <Pl' (t) = (1_12;.()' ; ..,"
.I
Parametryzacje f'3 i 1'2: 5. Rozw. ('i)=:- (iii). Z (i) wynika, ze ./"::'00(1. - coss~I;)~i(dx) = O, a poniewaz
1. .-cos sx ~ O, mia.ra l' musi b,l'c skoncent.rowana tam, gdzie l - cos sx = O,
'13: [0,11.] -) ['3, '13 (t) = (11. _t)ei', 'Y~(t) = _ei"; czyli sx = 27rk, gdzie k jest calkowite. To daje ('i·ii).
(ii'i)=} (-ii). Jesli zachodzi (i'i'i), to <p(I,)= :[Pn~2'd"il', czyli ma okres s.
'12: [O, s] -> 1'2, '12 (t) = 11.eit,'Y;(t) = i11.eiL;
(ii)=} (i). n·ywiiJlne.
Wtedy.
to
J' I' e-z 2 dz = O = JI',
r e-z 2 dz+ J'1'2 e-z , dz+ Jf'"
r e-z 2 dz. Jesli FI -> 00, 6. Wsk. Jesli 1<p(s)1 = l, to dla pewnego b mamy <p(t) = eiib i mozna zastosowac
t.wim·dzenie z zadania 5 do funkcji charakterystycznej ep(t)e-m.
lI',
f' e-z' dz -> 100
o e-X' dx; 7. Wsk. do a) SposÓb I. Rózniczkujac pod znakiem calki i calkujac przez czesci
otrzymujemy <p'(t) = -tep(t); poniewaz ep(O) = l, t.o !ogep(t) = _~t2
SposÓb .fI. Wyka:tac (indukcyjnie lub za pomoca funkcji gamma), ze moment.
=- =- . e _t2e~;:l e is dl: =
11'3
e _z2 dz
.lR.
o
e _(R_t)2e2i.Q. e is dt
lR.
o
rZQdu 2n rozkladu
nastepnie
IV (O, l) jest
skorzyst11.c z tego, ze Eei'x
równy (2n - l)!! = l . 3 .....
= :[~=o E(i~;~()n.
(2n - l), a
2 2 " l 2 2
= -y'U e-ut dt _.- _Y'U e-ui dtj do b) e"""-," , .
lR.
o R-oo )'00
o
Oclp.
Stad, oznaczajac przez Y1, '\'2 (odp, Xl, X2) niezalezne kopie zmiennej loso- to
wej y (odp, X) otrzymujemy lim l<p(h) - 11
h-O h- "= O,
Yl + Y2 ~ Xl - X2'
wiec <p' (O) = O,
Rozklad Xt- X2 jest skupiony na zbiorze {-l, O, l}, skad wynika, ze rozklad
15. Roz11i, <px(t) = :L'EZ eilsp(X = s), Mnozymy obie strony przez e-ikt/2n:
Y; musi byc skupiony na zbiorze {,-~, n, Niech a == P(Y; = ~), = l: 2, i i calkujemy na przedziale [-n:,r.-J- Teza wynika z faktu, ze (e-'kth jest ukla-
Wtedy
dem ortonormalnym na przedziale [-rr, n:] z miara A/2n:, gdzie A oznacza
') miare Lebesgue'a,
prY! + Y2 = l) = a2 = P(X1 - X2 = 1) = §'
,2 ' 2
16. Roz'W, Niech f bedzie gestoscia rozkladu X, Dla c > O istnieje funkcja
P(Yl + Y2= -l) = (1- o,) = P(X1 .- X2 = -l) = 9" ' schodkowa h = :L~=lak1(akhl taka, ze }::'oo If(x) - h(:r:)!dx < E, Wtedy
l<px(t) - )'::'00 h(:r:)e"Xdxl < c, a poniewaz
Stad a2 = (1- a)2, czyli a =~, a jednoczesnie 0.2 =~, Otrzymana sprzecz-
nosc dowodzi, ze zmienna losowa Y o postulowanych wlasnosciach :nie ist-
13.
nieje,
Odp, ZalÓzmy, ze istnieje pochodna. <p(2) (O), Ma.my I ,j"X>
-oc h(x)e' "I "dx = 8
I ~ L~k eitbe -il eitak I ~ t
2 8n ak -; O,
, ..
~ 2 luD.
h--·Omi ,;'00 --I,-2-I1,x(d:t:) = -<p
l
, -00 l - cos hx, (2)
(O), <PX"-I-}~,, (1.) ~ 'px." (t)<py" (1.) -; <pxo (t) <PYi)(-t) = <pxo+Yo (t),
2W: On the mendom ser-ies ±).i (an Erdos problem,), Anna!s ofMath., 142 (1995), ss.
h '"~ 2C __ 1 --100 ~
log(2/h) 2/1. X2 --- --~-
log(2jh)· 611-625. Prostszy dowód: Y. Peres, B, S., Absolute cont-in'u-ity oj Bernoulli convolut'ions,
a s-imple prooj, Math. Res, Letters 3 (1996), ss. 231-239. Uogólnienie w: Duke Math. J.
A poniewaz 102 (2000), ss. 193-251. Artykul przegladowy: Y. Peres, W. Schlag, B. S., Sixty years oj
Bernoull-i con'llolutio71.s,})-actals and Stocl1astics n, Progress in Probability 46, ss. 39-65,
l
y.le r dx x
log ~=:: O,
Birkhiillser, 2000.
II _ lr-:r::--rnr.
( 11111"\\"1,01'1,\ I w/lilll/,IIwld
do rozdzialu 9 443
Ild 0I,,~,
"liWII'" 1'.\'111 ~1I1\1I11 dl/\l'I\ldur.Yl.acja zbioru S tych a, dla których 14. Odp. Niech <poznacza funkcje chm'akterystyczna sily g,Tawitacji pochodzacej
dllll'/l.kLurytiLycwEi, Xc< zmierza do zera w nieskOllczonosci
11111111'.1/\ (w swietle od pojedynczej gwiazdy. Wtedy
1,11', WCJllflJIJ1a-Lebesgue'a (zad. 9.1.16) jest to warunek konieczny na cia-
glosc rozkladu). Mianowicie, a E S wtedy i tylko wtedy, gdy l/a' jesL liczba . _ ,i"'/lrl13+1 _ .L.. _~ ," ~ '_
algebraiczna calkowita, której sprzezone (oprócz niej samej) maja modul
<pU) - Ee - . j'"_n ('cos Ir'lfHl + t sm Ir'II3+1 ) ch-
2n.
mniejszy od jednosci.
=- cos h,-f;! dr' =l +- (cos t-;.-i3 - l)dr' =
6, Rozw. X = 1"1 + 1'2 +'" + 1"n, gdzie Yi sa niezaleznyrrli zmieunymi losowymi 1 fn
n,o 1 fn
n.o
o rozkladzie geometrycznym. Stad
= .1 + n-/3
1 ./.'00
n-13 cos 1+1/19
I.u - i1. 1 du..
;'~ I
<P2Xp(t) = <px
, 1- (.)
(2pt) = (pe2Pil. l-peT" 2t) n -, (1 -. 2it)-n, Podstawiajac v = Iti U ota'zymujerny
{'
gdy p .....•O, a wiec 2Xp zmierza do zmiennej losowej o rozkladzie gamma.
'p(L) = l + --.a: . ,...
n,:, j"=
IW/fi Itln-~ v ,
cos'v-l ." dv =
*7. Wsk. Niech (Un) bjedzie ciagiem Bernolllliego. Gdy X = 2:::::"=1 !.:~g;w, to
,HJ" (
*8. Rozw. Dla pewnegd :a > O mamy Eea(Y+Z)2 < 00, wiec z twierdzenia Fu- _- .1+ ~'II/19J1(l=
ntJ
~ o v'+J./13 dv
:os'V -,2 __j'l<ln-P
o ~sv -l
1)1+1/13 dv
).
biniego wynika, ze dla pewnego e E R jest Ee,,(Y+c)2 < 00, zatem funkcja. Pierwsza calka. jest ~bje~na, gdy 1//3 > O (co gwarantuje zbieznosc w nie-
charakterystyczna zmiennej losowej Y + c na mocy lematu 9.2.4 jest calko- skoilczonosci) i gdy J./(3 < 2 (istotnie, w otoczeniu zera cosv - 1= 0(v2),
wita. To samo odnosi sie do Y, wiec i
do Z, Poniewaz <Py<pz = <px, funkcje musi wiec byc 2 - (1 + 1/(3) > -1, czyli 1//3 <,2).
charakterystyczne zmiennych losowych Y i Z nie maja zer, a zatem obie te Z powyzszego wynika, ze gdy O < 1./ /3 < 2, druga calka zmierza do zera, gdy
zmienne losowe maja rozklady normalne.
n --t ,00. N"I
lec] C(f.l)
I' = (j.Jo
l r= "Hl II' d.v. Wt ;ecJ y
<0""-]
9. Rozw., Mamy
2 1+ e-x2 _.x2
l
=e <pet) = 1+ n
C(/3)IW/,(J n
+ o (L) l O < ~ < 2.
1+ eX2 . 2
Przypuscmy, ze <p jest; funkcja charakterystyczna. Drugi ezynnik iloczym\ po Osta.t.ecznie, funkcja cba.ralcterystyczna <pn sily grawitacji pochodzacej od n
lewej jest takze f. ch., a to oznacza, ze f. ch. rozkladu normalnego rozklada siQ gwiazd da siQ zapisac jako "
na iloczyn niegaussowskich funkcji charakterystycznych, co jest niemozliwe
na mocy zad. 8.
<Pn(t) = [l + ?(~)ltl'/13
n + o(L)]n n ----t00
n.......,.
e-C(i3lltIIIP.
10. Wsk. <p" (O) = O. Jaka jest wariancja odpowiedniej zmiennej losowej?
VlTystarczy teraz zmienic p~.rametr skali i skorzystac z twierdzenia Levy'ego,
11. Wsk. Z tabeli 2, § 9.1, wiadomo, ze funkcja <p" (t) = a-l (l-lxi/a)
l[_c",,,) (~r), by zoba,czyc, ze e"It.I" jest funkcja charakterystyczna dla O < a < 2.
gdzie a > O, jest funkcja charakterystyczna i spelnia. warunki zadania (jej
wykres ma ksztalt trójkata). Wykazac, ze kazda funkcja spelniajaca warunki
15, Odp, Poniewaz <px(t) = 1 + oU),
zadania jest postaci
Pl <pal (t) + .,. + Pn'Pa" (t),
9.3. Twierdzenie Bochnera i wzory na odwrócenie to stosujac lemat 4 do funkcji hj(lt) = eis j la; (u), otrzymujemy
l
-- e
j.a-a -ics (
'P s (.05 =
100 -----f./,e)) ex . hl. . h2 . . hn - l = (h, - l) + ... + (hn - l),
2a ).1 -00 sin(a(x-
a(x -- e) (l )
II
n
1 i gdy a --t 00, zmierza do zera dla :r: f- c. Zeby zakOlJczy(: dowód, wystarczy
zastosowac twierdz'enie Lebesgue'a o zbieznosci zmajoryzowanej . EeislN(Bll+it,N(B,)+ .. is"N(Bn» =~ e.\IBjl(e'''.; -1)
.1=1
2 .. Razw. Na mocy zadania 1 szukana granica jest atom w zerze sy,rnctryzacji
i twierdzenie 2 daje tezQ. II
rozkladu 11 (jest to o fi. = fi. * jj, gdzie ii(A) = f.t( -A), A E B(R)). Wystarczy
teraz zauwazyc, ze jesli f.t ma atomy c" C2, ... , to o f.' ma w zerze ato.m o masie Dowód lemal:114. Poniewaz SI; -+ co p.n. (pai,rzzad. 7.3.2), toh(Sk) = 1 dla
Lk c%. W szczególnosci, dla rozkladu bezatomowego szukana granic" jest wszysl:kich k od pewnego miejsca, wiec Y jest dobrze okreslone oraz IYI :::; 1.
równa zeru.
Wystarczy udowodnic, ze
3. Razw. Patrz zad. 2.
'1'4. Wsk:. Mozna skorzystac z doclatniej okreslonosci funkcji min (x, y) (por. z r.
kowariancji procesu Wienera, rozdz. 13). lim E [fr
"=1 h(SdlJ = e.\ Ir,0(h(U)-1)dU.
Otóz
9.4. 'Wielowymiarowe funkcje charakterystyczne
1. Razw. Zmienne losowe X, Y sa ograniczone, wiec z nierównosci .1\ .. 1.'1 wynika,
. 'Px (I)
ze .; = k!'" cXk
L,k=O f.it.t.
\.~oo ( to sarno zac lJ.OCI'Zl c[l a. 'j')
... P OJllewaz
... ,. Ir" 'C""'1(
G_'. = [ [!]h(Sk)]
= [(xkyl), k,l E N, mamy:
Wszystkie szeregi
sa bezwzglednie
-1
-
R.'~;
h('"
...ul ....•
)I'I(~'
~l ·'-'2
..1- 'P.).
....
·J·I(X·
L r···
_L
..I~71 /\
+". ).\ne-A(Xl+'''+Xn)dx
l· ..
dx-
n-
zbiezne, wiec
'P(_X,Y) ,"" L..- L..- =
sumy podwójne • (t 0) = " (eitXe'i'Y) = "C (~ k=O
k!""
(it)k yk
l!
. ~1=0 ii-.:.Ly/)
.
= I
= JO~Ul~l.l.2 "~Un h(Uj)h(1t2)'
. h(un)A ne-·\un dl'l ... d'ltn
maja sens i mozna
zmieniac kolejnosc
surnowania.
W istocie
L..-
= [(~ k,I=O kil!
~it)k('is)IXkYI)
. L..-
= k,I=O
~ kil! ""
Sit)k(~~L.C(Xkyl)
.
= _')!.1.'.
=, -t,n X" ;'00
o .i''''"
o ... j''''''
o h(-IL1)h(U2)· ... · h(ttn-J)dUl ... dUn_lh(l'n)e-.\Undun =
korzystamy z
wersji tw.
Fubiniego.
00
~ ~_~EXkEyl
L..-
k,I=O
kil!
('I)k(')l
= L..-
~
k=O
00 ('t)kcvk
..3::._,,_",_'
k! ~ ..3:~_
L..- l!
00
1=0
(' )'Cj,l
= = (n ~nl)1 .t'" (1" h(s);ls r-l h('U)e-A"dt, = In.
= 'Px (t}py (s), Najpierw skorzystalismy z tego, ze X'i sa niezalez.ne o rozkladzie wykladni-
czym, pózniej zamienilismy zmienne na
zatem X iY sa niezalezne. Mozliwe jest uogólnienie tego twierdzeni", por.
tw. Kl.l, uw. E.lA i
dowód tw. E.1.7. 'Ul = :El, tt2 = 1;1 + X2, ... , ·Un. = XI + ... + Xn
*2. Razw. Poniewaz Nt - N. = N((s,t]), to ze stwierdzenia 5 wynika nieza-
(jakobian tego przeksztalc:enia jest równy 1). Aby otrzymac trzecia rów-
leznosc przyrostów procesu Poissona i to, ze Nt - N •. ma rozkla.d Poissona
nosc wystarczy zauwazyc, ze funkcja podcalkowa. jest symetryczna wzgledem
z parametrem '\(t - s). zmiennych 'Uj, lt2, ... , ·/1n.
D o w ó d stwierdzenia 5. Poniewaz
Gdy A. = .f~oo(h(u) -1)du, to dla. u ) Uo mamy
100
o (hj(u) -l)du = 1 Ej (eiSj -l)du = IBjl(ei8j -1),
luo h(s)ds = .lo(" ((h(s) - 1) + l)ds = 'u + 1" o (h(s) - l)ds = u + A.
do rozdzialu 10 447
III Odpowiedzi i wskazówki
6. Odp. Mozna wyliczyc, jaka jest w obu przypadkach szansa uzyskania jeszcze
Niuch CJ ~
. .f~'O+A sn-1e->,sds i Cz = Jo"o ()"-1
Ja" h(s)ds h(u)e->'''d1L. Po- lepszego (czyli bardziej oddalonego od teoretycznej sredniej) wyniku. Dla
niewaz Jasia jest to ok. 1- \1>(8,]9), ella Stasia ok. 'l - 91(3). Wieksze zdolnosci
telekinetyczne ma Jas ..
100(u + A)"'-le->'''du
UD = 100
uo+A Sn-le->.(s-A)ds = 7. Odp. Pra:wdopoclobiefJstwa otrzymania obu ukladów kosci wyn.osza Pl =
= 0,51.77 i P2 = 0,491.4.. Naturalny pomysl pol'ega na wykonaniu n razy obu
doswiadczell. Podejrzcl,nie duza róznica czestosci wystepowania obu ukladów
= e>'A [100s"'-le->"cls - Cl]' jest argumentem za. tym, ze Pl t= Pz, a.1ejesli na.wet Pl = pz, to duza. róznica
to czestosci moze pojawic; sie przypadkiem. ,Jak wybierac krytyczna wartosc dla
róznicy cZQsLosci?Mozna zauwazyc, ze jesli Pl = pz =]J, to (Sn - T",)/2ynpq
ma dla duzych n rozklad bliski N (O, l) (8" i T" oznacza liczby sukcesów
In= An
(n-l)! [ Cz-e >'A])'A
CI +e An
(71.-l)!./o {CO s n-l e_>..' ds= A"C:!
(71._l)!+e >'A. w obu seriach doswiadczen). Wobec tego z prawdopodobienstwem 0,99 (ta
liczba zostala wybrana zupelnie dowolnie; w podrQcznikach statystyki po-
Ostatnia równosc wynika z tego, ze (n-l)! = r(n) = Jooc,s,.,-le-sds. Zatem jawiaja sie w takiej sytu a.cji zwycz.ajowo wartosci 0,9, 0,95 i 0,99) liczba
ISn - Tnl nic przekroczy tn. = 5,16· .,ji'ijXj. Jesli te ostatnia liczbe uznamy za
lim
n-oo
In = e>' Jo"" (h(n)-l.)cl"U
• krytyczna, to w sytuacji, gdy IJJ = pz szansa popelnienia bledu wyniesie ok.
0,01. Mozna teraz przypomniec sobie zadanie o noworodkach (7.6.10), gdzie
zresztf! jlf'<wvdopodobieÓstwourodzenia chlopca bylo bliskie Pl, by zauwazyc,
10. Centralne twierdzenie graniczne ze np. dla n = 10000 szansa otrzymania róznicy czestosci przekraczajacej
wartosc krytyczna jest praktycznie równa 1. 'Wystarczy zatem 10000 partii,
10.1. Wprowadzenie
co dla nalogowego hazardzisty nie jest problemem.
2. Wsk. Wykazac, ze suma w warunku Lindeberga jest równa. [(X21{!XI>.,.,m») 8. Wsk. Wykazac, ze spelniony jest warunek Lapunowa.
i skorzystac z twierdzenia Lebesgue'a o zbieznosci zmajoryzowanej.
9. Od)!. a) war. L. jest spelniony; h) war. L. nie jest spelniony, poniewaz ciag
3. Wsk. Jesli lXI> E:, to IXló > E:ó, i (s,,) jest ograniczony (por. zad. 10.1.4). Jesli ialozymy, ze 2:: a~ = l, to
rozkhl,dem granic?,nym jest rozklad sumy szeregu 2:: akUk, gdzie zmienne
[(IXlz1{I.Ji"I>e}) ~ ~[(IXI2+Ó1{lxl>e}) ~ ?EIXlz-1-b losowe lh Si! niezalezne i I'fJaja ten sam rozklad jednostajny na [..-l, l}. Nie
jest. to rozklad normalny, ho jego funkcja charal(t.erystyczna ma zera.
4. Rozw. IX",I ~ K, sit -+ 00, wi.ec dla kazdego k, \Xk -.. EXhl < TS" dla. n
10. Odp. Niech U", = 7'1 + ... + '1'", gdzie (Ti) jest ciagiem Bernoulliego. Z le-
dostatecznie duzych.
matu BoreJa-Cantelliego wynika, ze ciagi (Un/ vn) i
(8,,/ vn) z prawdo-
podobienstwem l sa od pewnego miejsca (losowego!) identyczne. Dlatego
10.2. Twierdzenie Lindeberga-Levy'ego S,,/vn ~ N (O, l). Co ciekawe, V2(8n/vn) -> 2.
1. Odp. Szansa uzyskania takiego wyniku w pojedynczej serii wynosi ok. l - 11. Wsk. Rozkladem granicznym jest N (O, l). Vit)'starczy zbadac funkcje cha-
iJ!(2,93):::;0,0017, a sredni czas oczekiwania jest równy odwrotnosci tej liczby. rakterystyczna· ,." .'
Jesli
..;VZ X =
100, co
2. Odp. Jesli a oznacza zawartosc kasy rano, to powinno byc *12. Wsk. Skorzystac z wyniku zadania n. Rozwiazanie czysto analityczne ist-
mozna powiedziec iJ!(-a/uvn) ~ 0,01, nieje, ale rachunki sa trud~1e.
o srednim .f 13. Wsk. Zadanie jest latwe. Mozna sie zastanawiac, który sposób jest szybszy:
dziennym obrocie, czyli iJ!(a/uvn) ~ 0,99, gdzie u = 100, n = 100. Okazuje sie, ze a :::;2330.
czyli [lXI? skorzystanie z CTC, czy obliczenie funkcji char8ktel'ystycznej.
Jest to z grubsza 2% sredniego dziennego obrotu. Vi przypadku 100 urzedów
14. vVsk. Un = X l +.;,,+x"
pocztowych wystarczy wziac n = 10000. 'Wtedy a wzrosnie tylko dziesiecio- n. V2+'
Al'" "'+ .•...•.
,-2'
n Pierwszy czynnik zmierza wedlug 1'01.-
krotnie. kladu do}v (0,1), drugi -" wedlug prawdopodobienstwa do 1. Iloczyn (por.
zad. 8.2.6) zmierza wedlu g rozkladu do N (O, l), Podobnie mgZ1rta. postapic
3. Odp. iJ!(1,67)- iJ!(-1,67) = 2iJ!(1,67)-l:::; 0,9.
w przypadku V".
4. Odp. Dla a < ° granica
jest równa 1. Gdy a ~ O, granica jest równa l dla
*15. Wsk. Skorzystac z twierdzenia l.
Q Q = ~,O dla Q > ~.
< ~, 2(1- iJ!(a/u)) dla
5. Odp. Dla l grosza zagrozenie jest powazne: szansa wynosi l-iJ!(0,496) :::;0,31. a) Pokazac, ze zmienne losowe X",k - liczba inwersji elementu k, k =
Dla 3 groszy spada do ok 7%. = l, ... , n, sa niezalezne i maja rozklady P(X".k = j) = lik, j = 0, ... , k-1.
448 Odpowiedzi i wskazówki do rozdzialu 11 449
b) Jesli X".dw) = l, gdy k-ty element przedstawienia cyklicznego permu- 6. Razw. a) Niech.4 E Fr. Wtedy A' n {T (t} = {T:( t} \ (An {T ~ t}) E Ft,
tacji w' kOllCZY cykl, X",dw) = O w p.p., to X",l"'" X",,, sa niezalezne zatem A' E Fr. Z kolei jesli Ai E Fr dla = 1,2, ... , to mamy i
o rozkladzie P(X",{ = l) = ••-%+1'
16. Wsk. Zbadac log Z". Odp. Granica
17. Wsk. Niech Q becJzje macierza
jest eY, gdzie Y ~ /Ii (O, log2 a).
kowariancji wektora losowego X, zas U -
(Q Ai) n {T (t} = Q(Ai n {T:( t}) E h
wektorem losowym o rozkladzie /Ii (O, Q). Wystarczy z<\uwazyc, i,e zatem U:1 Ai E Fr.
b) Jesli T == t, warunek z clefinicji Fr przybiera postac:
'P Z" (t) = Eei(t,Xl+"'+Xn/..rn) -> e-~e(t,X)o = e-~(Qt,t)
- ,
A E Fr <=} Vs E T A n {t ~ s} E Fs,
zatem rozkladem granicznym jest rozklad wektora losowego U. W zasadzie
tak samo rozumuje sie, stosujac metode Crarnóra-Wolda z tw. 9.4.3. jednak zbiór {t ~ s} jest albo pusty, albo równy [2, dlatego warunek po
prawej stronie jest rw\wnowazny temu, ze A E Ft.
18. Wsk. W (ii) skorzystac z zadania 11, a w (i'ii) z zad. 8.3.9.
19. Razw. V2' EX = EY + EZ, a stad EX = V2EX, <:atern EX = O. lterujac
7. Rozw. a) R.ozumowanie jest identyczne jak w dowodzie lematu 5;
2" {T>
= O'}
O'}
E Fu
n {T = t} = Us<,{o- = s} n {T = t} E F,.
gdzie X" i = 1,2, ... sa niezaleznymi kopiami X. Z centralnego twierdzenia 8. Rozw. Niech A E Frl' Wtedy An {T2 :( t} = (An {Tl :( t}) n {T2 (t}E Ft.
granicznego wynika, ze prawa st;rona zmierza wedlug rozldadu do /Ii (0,0'2), .
9. Razw. Na rysunku polcazano 3 generatory o--ciala Fr (które wobec tego ma
zatem X ~ /Ii (0,0'2). 2'3 elementów) ..
11. Martyngaly
11.1. Momenty stopu
natychmiast z punktu a.
B = {~l = l, .. ,E,7 = 1,E,8 = -l,E,g = '-l,~lO = -l} E FlQ.
5. Rozw. P(T > n) = P(X1 + ... + X" < l) = rh, skad ET = e. Druga równosc
wyraza fakt, ze objetosc n-wymiarowego sympleksu, rozpietego na wektorach Wtedy
jednostkowych, jest równa rh· A = {0-7 ( lO} nB E FlO.
r
",1,11" :\.1111111 ".1',\ 1IIllJJ1IHLy, bowiem zawiera podzbiór Pozostaje wiec do udowodnienja nierównosc (8); która sprowadza sie do nie-
równosci
{Et = ... = 6 = l, -l = (s = (9 = ... }. E (S~l(.,.>,,}) (E (S;l{,>n))'
Ale jedynym niepustym podzbiorem zbioru B, nalezacym do FlO jest on sam, Do zachodzenia tej ostatniej wystarczy, by
zatem {0-7 ( la} ::)B. St.oi to w sprzecznosci z faktem, ze zbiór
IBnll!',.>n} ::;; [. (IS,II Fn) l{,>n}, (9)
{6 = 1, ... ;6 = 1,(s = -1,(9 = -1,60 = -1,(11 = 1,(12 = 1,(13 = l},
bowiem na zbiorze {T > n} zachodza wtedy nierównosci
bedacy podzbiorem B, nie jest podzbiorem zbioru {0-7 ( lO}.
12. Rozw. P(T < 00) = l, wiec P(S, = l) = 1.i ES, = 1.. Gdyby ET < 00, 1;0 S~ ( lE (IS,II Fn)J2 (E (s; 1 Fn) ;
z tozsamosci Walda wynikaloby, ze l = E:S.,.= EX1ET.= O, sprzecznosc.
druga z nich jest nierÓwnoscia Jensena (j.3.B. VV konsekwencji
13. Rozw. Niech X" bedzie wynikiem n-tego rzutu, a o- liczba rzutów. Wtedy o-
jest momentem stopu i z tozsamosci Walda otrzymujemy ES" = EX1Eo- = E (S;,1.(on)) (E [E: (8; I Fn) l{.,.>n}] = E (S;l{,>n}).
3,5· 14,7 = 51,45.
Pozostaje wiec dowÓd (9). Ustalmy A E Fn i m, > n. Wtedy n ( T f\ m na
zbiorze {T > n}. Skorzystamy takze z tego, ze ciag (lSnl) jest podmartynga-
11.2. Martyngaly, nadmartyngaly, podmartyngaly lem (por. zad. 7 i 8). Mamy .
1. Rozw. Calkowalnosc wynika z równosci EIZn+1Znl = EIZn+1IEIZnl; dalej,
. E:(X,,+l - X" 1
E (lZn+1 -
Fn)
Znll
=;;
F,,)
E:(Z"+lZn 1
ze spelnione
= E (lXn+1
Fn) =
- EXJ.!
ZnE: (Zn+ll
sa zalozenia
I Fn)
Fn)
= EIXn+J
= Z"EZn+l
- EX11 (
= O.
= O,
j'An('>n) IS,ddP ( .j';ln{ .,.>n} IS,/\mldP
::;:,'i
tAn{n.;::7'>1'l.}
!
" An{r>m}
IS.,./\mldP.
na mocy tw.
Lebesgue'a, drugi zmierza do zera"
( 2EIX11 < 00. Zeby to zobaczyc, skorzystamy z.oszacowania w stylu nierównosci Czeby-
Wtedy z tw. 15 otrzymujemy EZ, = 0, czyli tozsamosc Walda. szewa. JesLi B = {!8.,./\",., I > CI.}, to na. n jest ~S;/\m > 18.,./\",1, dlatego
szacujac osobno calki po zbiorach A n {T > ''I'I1} n B i A n {T > m} n n'
!
3. Rozw. Z tw. Dooba wynika, ze
otrzYlnujemy
ES;/\n=E(Tf\n)EX~, n=1,2, ...
:; [SrAm.
1S''''Mnld1 ( --- + a) ::l
(T > m).
VlTszczególnosci , An{T>""} a2 1
,
supES;/\n < 00. (7) Ustalmy c> O. Z (7) wynika., ze licznik pierwszego, skladnika jest ograniczony
przez stala. Wystarczy teraz wybrac dostatecznie duze a, wtedy dla duzych
m prawa strona bedzie mniejsza niz c. Konczy to dowód wzoru (9) i calego
Jesli teraz udowodniII}Y, ze twierdzenia.
ES;/\n (ES;, (8) Dowód wzoru (8) moze wydawac sie malo intuir;yjny. Naturalny dowÓd tej
wersji tozsamosci ViTalda mÓZJ1a otrzymac z nierównosci Dooba (zad. 11.4.4).
to z lematu Fatou otrzymamy
4. ROZ1U. \iVykorzystac tozsamosc Walda z poprzedniego zadania.
liminf
n E (T I>~)'
',' EX; = liminf
n
ES;/\n (ES; = 5. Rozw. Zastosowac wynik z przykladu 5. J
7. Rozw. Niech <p bedzie taka funkcja wypukla, ze zmienne losowe <p(Xn) sa 11.3. Twierdzenie o zbie'i,nosci nadmartyngalów
calkowalne. Zalózmy najpierw, ze (Xn, Fn) jest martyngalem. Wtedy z nie- 1. Rozw. Calkowalnosc je~t oczywista, a poniewaz
równosci Jensena (6.3.6)
Zn+l = Zn ' eaun+t -la2 7 Zn . Vn+l1
E (<p(Xn-f-l) I Fn) ~ <p(E (Xn+11 Fn)) = <p(Xn).
wystarczy wykazac, ze EVn+1 ~ l, co sprowadza sie do nierównosci
Jesli (Xn, :Fn) jest podmartyngalem, a <p jest dodatkowo malejaca, równosc
w powyzszym wzorze mozna zamienic na nierównosc. e<L+e-a ~ la2
2 " e
8. Odp. a) podmartyngal; b) nadmartyngal; c) podmartyngal.
która latwo udowodnic rozwijajac funkcje wykladnicza w szereg Taylora.
9. Rozw, Poniewaz Zn = Xnl{r>,,} + Y"l{r~"}' widac, ze zmienna losowa Zn
jest F,,-mierzalna,'a ponadto E[Z"I ~ EIX"I + EIYnl, jestwiec calkowalna. Dla a 1= O mamy O < EVn =q < l, stad EZ" = q" ----->
n---oo
O, tj. Zn ~ O.
Dalej, Ciag (Zn) jest zbiezny p.n. jako nieujemny nadmartyngal. Jesli a = O, to
Zn == l, n = 1,2, .... Dla a 1= O jest limsup Vn 1= l lubliminfVn 1= l,
E (Zn+11 Fn) = l{r>n}E (Xn+l I F,,) + l{r~n}E (Y,.'+I I F,,) +
dlatego tez lim Zn = O, bowiem np. lim sup Zn+l = lim Zn lim sup Vn+1.
+ E ((y",+J - Xn+I)l{r=n-l·l} I Fn) = Zn, 2. Rozw. Niech Z" = Xl +. ,+Xn i F" = a(Xl"" ,X,,). Wtedy (Z",Fn):'=1
jest martyngalem, ponadto
poniewaz ostatni skladnik sumy jest równy zeru, jako ze Xr = Yr.
10. Rozw. Niech T bedzie jednym z momentów stopu Ti. Ustalmy E: > O do- i
bierzmy 5 z warunków równowaznych jednostajnej calkowalnosci (zad. 5.9.17, EIZnl ~ EIZnl2 +1=l + L
.k=1
EX;.
warunek (-ii)). Poniewaz T jest p.n. ograniczony, to dla dostatecznie du-
zych n mamy P(T > n) <: 5, wobec tego dla dostatecznie duzych n jest Wobec tego sUPn EIZ."I < 00 i twiel'dzenie wynika z twiel'dzenia o zbieznosci
E (IX"ll{r>,,}) < c, co konczy dowód wal'llnku (3). rriartyngalów.
3. Rozw. Wybierzmy A E F". Poniewaz Yn" jest nadmartyngalem, mamy
Zeby udowodnic (2), okreslmy X~ ~ 2:~=lIXil. Wtcdy IXrl ::;; X~. Ponie-
i
waz X~I\" X~ p.n., wystarczy wykazac, ze wartosci oczekiwane EX~l\n sa
ograniczone, a nastepnie skorzystac z tw. Lebesgue'a. I l'zeczywiscie, z jed-
nostajnej calkowalnosci ciagu (X,,) wynika, ze sUPn EIX,,1 < 00. Mamy teraz
j.A '/'00
--co
Y,~+ldc,dP =
j'co
-co j' A
Y'~+ldPda ::;;
100
-00 1 A
Y';:dPda =
= Y,,"'dadP.
/. )'00
·A -00
EX;l\n = J{r=l}
r' IXlldP + ... + J{T'~"}
r IXnldP ~
Funkcja podcalkowa jest nieujemna, dzieki czemu moglismy skorzystac z tw.
Fubiniego.
~ J{r(n}
r IXnldP ~ supEIXnl.
n 4. Roz'W. Oznaczmy Jim,,~_oo EXn = a < 00 (rosnacy ciag (EX")"E_N jest
zbiezny uo granicy, byc moze nieskonczonej). Mozna zakladac, ze Xn ~ O
Skorzystalismy z tego, ze (IXn!) jest podrnartyngalern, wiec dla A E Fk dla n E --N, co wynika z równosci
i k ~ n mamy .f~ IXk!dP ~ JA IX"ldI-'. Warunek (3) zostal udowodniony.
11. Roz'UJ. Biorac T = n otrzymujemy calkowalnosc x.,.. Niech .s < t, A E F •. X" = E (Xo I Fn) + (X" - E (Xo I Fn)).
Zdefiniujmy Istotnie, ciag (E (Xo I F,,)) jest jednostajnie calkowalnY'i wystarczy udowod-
UA - nic jednostajna calkowalnosc drugiego.
- { T
7.1. dla w rj.E A,
A.
Dzieki nieujemnosci zmiennych losowych X", wystarczy przy sprawdzaniu
!
UA jest momentem stopu dla u ~ .s. Ponadto dla 7., ;:: S mamy jednostajnej calkowalnosci z def. 5.9.13 rozpatrywac calki po zbiorach postaci
{X" > T} (zamiast {1X.,,1 > T}). Z definicji nadmartyngalu mamy dla n ~ k,
. A X"dP 1
= n X"AdP -1 n-A XTdP = - Jn-A
/' XTdP.
n,k E-N
1 -1
!
W ostatniej równosci skorzystalismy z zalozenia EX, = O dla dowolnego = EXn r =
{Xn>,.),X"dP {X,,~r} ,XndP ~ EXn - J{Xn~r} XkdP
momentu stopu przyjmujacego dwie wartosci. Zatem biorac najpierw 'U = t,
potem u = .s marny E (X,lA) = - JI1\A XTdP = E (X.lA). A E Fs bylo
dowolne, wiec E (X, I F.) = X~ . = E.~n
. . - EXk +. {Xn>r} ,XkdP. (10)
- 1-
""'\\'I"oI~1 I \\"III,,,,.ill'lIl do rozdzialu 11 455
EUZ ::;; -b -a
1 E (Xo - ar . co po uporzadkowaniu daje pierwsza nierównosc.
2. liVsk. Skorzysta,c z tw. l i zad. ].
Stad otrzymujemy zbieznosc p.n. ciagu (X-n)nEN do granicy X, byc moze
nieskonczonej. Ale z zalozenia i z lematu udowodnionego w zad. 4. wynika 3. Razw. Dowód analogiczny do dowodu tw. l i zadan 1,2.
.jednostajna calkowalnosc powyzszego ciagu, zatem 4. RozUJ. Niech Z. = SllPk"n IXI;I i q = ~. Gdy EJX"IP < 00, to z nierównosci
Jensena EIXkj1' < 00 dla k ::;; n i wtedy O < [y t
< 00. Korzystajac z zadania
EIXI ::;; lim inf EIX-nl::;; sup EIXnl < 00. 5.6.3, tw. 1, a na zakonczenie z nierównosci Hóldera otrzymujemy
t
11.-00 nE-N
Zbieznosc w Ll wynika z jednostajnej calkowalnosci i zbieznosci p.n. (zad. EY~' = p .lo{'co tp-1 P(Yn ~ I.)rlt::;; pICO
o tp-21'{Y" :;'t.} IX"ldPdt =
5.9.18).
Pozostaje do udowodnienia "nowa" czesc twierdzenia. Niech (Xn,Fn)nE_N = P .Inr IX"I Jo(" tp-2dirlP = qE ((IXnl1/':-I) ::;;q(EIXnIP)l/P(Ey:)I/a.
bedzie martyngalem. Poniewaz
Stad teza.
:--; Xk = E (Xo I h), k E --N,
11.5. Zbieznosc martyngalów w LP
to po wzieciu warunkowej wartosci oczekiwanej wzgledem n::,,=o F-n' i sko-
rzystaniu z zawierania Fk :J n::,,=o F-n otrzymujemy 1. RozUJ. Gdy Y jest inna zmienna losowa mierzalna wzgledem U(Fl,F2"")
dla której Xn = E (Y I }ff,h t(1).dla dowolnego A E Fn, n E N mamy
Klasa zbiorów dla których JA y dP = J~X dP jest A-ukladem, a poniewaz sie udowodnic, ze 1.: = O prawie wszedzie (zwrócmy uwage, ze rosnie tylko f.
równo.';c zachodzi i=lla zbiorów z klasy Un Fn, która jest 7r-ukladem, wiec na zbiorze 8 o zerowej mierze Lebesgue'a), zas f~(t) = g(t) p.w.
z lematu o 7r- i ,\-ukladach X = Y p.n. Uwaga. :Funkcje g: [a, b] -t R nazywamy absolutnie ciq,gla na przedziale
[a, b], gdy dla kazdego c > O istnieje ó > o nastepujacej wlasnosci: jesli
2. Rozw. Gdy Fn = a([x;n), x;~\),j = l, ... , k" - l) to (Xn, F"),, jest martyn-
O
I::':, (bi - ai) < Ó, to I::':, Ig(ai) - g(bi)1 < c, o ile przedzialy lai, bil sa
galem takim, ze EIXnl ::::; J~'f(z)dz < 00. Teraz skorzystac z twierdzenia 2 rozlaczne i zawieraja sie w [a, b].
i zadania l (Xn = E (J I F,,)) i z tego, ze E (J I a(Un Fn)) = f.
3. Rozw. (i)=>(ii) Z nierównosci Dooba (zad. 11.4.4) marny Esup" IXnlP < 00. 11.7. Miary produktowe i zastosowania w statystyce
Wobec tego ciag zmiennych losowych (IX"IP)n jest jednostajnie calkowalny
na mocy wyniku zad. 5.9.15. 1. Roz'W. Gestoscia warunkowa zmiennej losowej X"+1 przy danych X" ... X"
(ii)=> (ii'i) Z nierównosci H61dera i jednostajnej calkowalnosci ciagu (lX"IP)" jest Pn+1/Pn, zatem
mamy:
supEIX,,1 ::::;sup (EIX"n'/p < oc,
E (A"+l 1 X, = X" ... X" = xn) =
dlatego martyngal (X,,) jest zbiezny p.n., wiec tym bardziej wedlug praw- .j.ex>,
-co An+lXl,·.·,Xn,y
( Pn ( Xl, .. · l Xn
)P"+~(Xl"'" X", ) y) d y=
dopodobienstwa, co w polaczeniu 'z jednostajna calkowalnoscia (patrz zad.
5.9.18) daje (iii).
.lex>
-------Y=
-00 a,,+I(Xl""'X"'Y)d
Pn(Xll ... ,Xn)
(iii)=> (iv) Poniewaz E (Xn+m I F,,) = X" dla m, n E N, wystarczy wziac
rn -t 00 i skorzystac z ciaglosci warunkowej wartosci oczekiwanej jako ope- qn(Xl,'" ,Xn)
ratora z LP w LP, co jest oczywistym wnioskiem z nierównosci Jcnsena' dla Pn(Xll .n~. ,::r:n) ,
<pet) = IW. zatem E (A"+ll Xl,.'" X,,) = A". Teraz
(iv)=>(i) Korzystajac jeszcze raz z nierównosci Jensena otrzymujemy
t: (A"+11 A" ... , An) = E (E (A~+l I X" ... , Xn) I Al, ... , An) =
EIX"IP = ElE (Y I J-'".,,) IP ::::;E (t: (lYIP I F,,)) = EIYIP < 00,
= E (A" I A" ... , X,,) = A",
czyli (i).
poniewaz a(Al, ... , X,,) C a(X" ... , Xn).
Zalózmy teraz, ze spelnione sa warunld (i)-(iv). Udowodnilismy, ze wtedy
Udowodnilismy zatem, ze (Xn,a(Al, ... ,A,,)) jest martyngalem; jako mar-
ciag (Xn) jest zbiezny p.n. i w LP do zmiennej losowej X E LI', przy czym
tyngal nieujemny jest on zbiezny p.ll., przy czym
X" = E (X I Fn), n = 1,2, .... Zeby zobac:zyc, ze .x jest jedyna zmienna
losowa mierzalna wzgledem a(Fo, F" ... ), dla której ta równosc zachodzi,
wystarczy skorzystac z zad. 1. E C!~~An) ::::;"I~r.~E'\n = l.
4. Rozw. (i'i)=>(ii'i): jest: to tw. 2(i). 2. Roz'/ll. Jest to zagadnienie dyskryminacji z przykladu 4, przy czym ze wzgledu
(i'ii)=>(iv): To samo rozumowanie, co w zad. 3. na symetrie 'zalozen a = b. Dlatego regula decyzyjna jest prosta: czaszka
(oi'u )=>('ii): jest to lemat 1. o obwodzie l jest kwalifikowana jako meska, jesli fel) ;:. g(l), gdzie f,g sa odp.
Pozostala czesc twierdzenia to jeszcze raz tw. 2 i wynik zad. 1. gestosciami rozkladów N (57,42) i N (54,32). R.achunki sprowadzaja sie do
rozwiazania nierównosci kwadratowej i okazuje sie, ze warunek f(l) ;:. g(l)
jest równowazny z l rf: (44,52; 55,76). Interesujace, ze czaszka o obwodzie 44
11.6. Twierdzenie Radona..-Nikodyrna cm zostanie uznana za meska. Prawdopodobienstwo uznania czaszki meskiej
za kobieca wynosi 0,377, kobiecej za meska '- 0,280. Wobec tego szansa
1. Wsk. Bez zmniejszenia ogólnosci mozna zakladac, ze f jest okreslona na
przedziale [O, l], 1(0) = O, fel) = 1. W takim razie f l'Ozsz,erza sie do dystry- popelnienia bledu jest r?wna 0,3285 ..
buanty pewnego rozkladu prawdopodobienstwa J.l, skupionego na [0,1] (zad. 3. Rozw. Znów mamy do c:zynienia z zagadnieniem dyskryminacji. Niech n =
5.2.1 lub 2). Zgodnie z tw. 11.6.1 istnieje taki zbiór S C [0,1] o zerowej mierze = {O, R}". Na przestrzeni n dane sa dwa rozklady prawdopodobienstwa:
Lebesgue'a oraz calkowalna flmkcja borelowska g: [O, l] --+ R, ze p odpowiada monecie symetrycznej i przypisuje kazdemu punktowi miare
2-", Q - monecie niesymetryczneji jesli ciag w = (Wl"'" w,,) zawiera k
orlów i n- k reszek, t'o Q({w}) = pka"-k. Regule dec:yzyjna otrzymamy
fet) = /1([0, t]) =~ /1([0, t] n 8) + ,[ g(s)ds = f.(t) + fc(t), O::::; t ::::;1. l'O'zwiazujac równanie ~~ ): l, czyli
W ten sposób uzyskalismy rozklad funkcji f na czesc osobliwa f. i absolutnie k n-k
Bkad 2. Wsk. Przyjac, ze (Un) jest ciagiem niezaleznych zmiennych losowych o roz-
pkqn-k '"
>- 2-n , kla.dzie U(O, l). Przy odpowiednim wyborze funkcji cpn otrzymamy wyst.ar-
czajaco uniwersalna "maszynk~ do losowania", nalezy mianowicie zdefiniowac
i dalej
k log P + (n - k) log q ~ -n log2.
CPn(Sk,~).= SI, jesli tE [~kLn,l)kl"),
Poniewaz p = 3/4, otrzymujemy ostatecznie l·· "
lod +1~g2 .. gdzie odcinki [akl." , bkLn) ~;9~inny byc dla ustalonych n i k rozlaczne miec i
odpowiednie dlugosci, wyznaczone przez prawdoj}odobiellstwa przejscia.
,i
k ~ n log3 "'"36,9]. ,
\., ..
Mozna tez nasladowac dowód t.wierdzenia o ist.nieniu przestrzeni probabili-
Regula jest zdroworozsadkowa: mniej niz 37 orlów swiadczy o asymetrii mo-
stycznej dla nieskollczoneg'o ciagu prób Bernoulliego (przyklad 4.2.2) i po-
nety. Byc moze teraz lepiej widac, dlaczego regula odwolujaca sie np. do
dzielic pr:r.edzia.l [O, l] na przelicz<llnie wiele rozlacznych przedzialów o dlu-
parzystosci liczby orlów jest nonsensowna.
gosciach Pi = P(Xo = i), 'i =1,2, ... , a nast.epnie podzielic i-ty przedzial na
[; ((ST - K)+ 1 Ft+1) ~ [; ((ST - K)+ I F,) , 7. Odp. Nie, np. wystarczy wziac X i Z z poprzedniego zadania.
a na zbiorze {RH1 = a.} zachodzi nierównosc przeciwna. 8. Raz'W. Macierz przejscia:
l
Niech W, = 1+ Rt. Wtedy W, sa niezalezne i SI. = 11~=1Wl. Za.t.em korzy- '2
O
stajac z zadania 6.3.6 mamy
(1 1
'2 D·
Jesli P,,,, qn i T" oznaczaja prawdopodobienstwa znalezienia sie w pierwszym,
[; ((ST - K)+ I :Ft) = [; ((x fI
L=t+1 \!Tll) - K) + 1,,=51,' drugim i trzecim wierzcholku. w chwili n, t.o
Jednak z podobnych powodów (niezaleznosc Un od Xn, Xn-1, ... ) mamy 9. Wsk. Obliczyc bezposrednio lub skorzystac z twierdzenia 81.1.
równiez
11- Od p. 12 - 1(
2 P _ q )n. , r(1+(p~.
'+(2"-1)(p-,,)'" P(X n -- l) -- 12 + l(
2 P - q )"(2r- -l) .
P(Xn+1 = sn+1lXn '= Sn, Xn-1 = Sn-1,··· Xo = sol = P(CPn(Sn, Un) =
= Sn+l), 12. Odp. Pii = 2i(~:;i), Pi,i+l = (kki) 2 dla i ~n - l', pi,i-1 =~ dla i ~l oraz
co konczy dowód. Pij =O dla pozost.alych j.
'''11
Formalizacje
Przypuscmy,
pozostawimy Czytelnikowi.
ze w kasynie rzuca sie moneta az do chwili otrzymania wwrca Pkj(n) I:
':"
1n=l
P(Xf~ = jlT = m,Xo = k)P(T = rn!Xo = k) =
D RO R. Przed kazdym rzutem jeden z graczy stawia. :I zl na to, ze wzorzec po-
n n-l
jawi sie w najblizszych czterech rzutach. Jesli w najblizszym rzucie pojawi sie
orzel, gracz wygrywa 2 zl i stawia je na reszke w drugim rzucie, itd., az do = I: ikj(m)pjj(n - rn) = I: Aj(n - m)pjj(m).
pierwszej przegranej lub otrzymania wzorca - wtedy gracz zatrzymuje wy- m=l m=O I
grana. Poniewaz gracze rozgrywaja gre sprawiedliwa, w kazdej chwili sredni 2. Ddp. Otrzymujemy takie same wyniki, jak dla bladzenia opisanego w przy-
zysk kasyna jest zerowy. Srednio wplaty graczy wynosza ETorwR, natomiast kladzie 7.
suma wyplat po zakonczeniu gry wynosi 16+4=20 (wygraja gracze pierwszy
3. Wsk_ Wykazac, ze funkcje tworzace (dodatek B) ciagów (pjj(n))~=I: Pj(z)
i trzeci). Stad EToROR = 20.
~:=IPjj(n)z" i ciagu (Jjj(n))~=I: Fjj(z) spelniaja zaleznosc
·Za: L. J. Guibas, A. M. Odlyzko, String Over-la.ps, Pa.ttem Ma.tching, a.nd Non-
-transitive Games, Journal of Combinatorial Theory, ser. A, vol. 30 (1981), ss. 183-208.
SZa: S.-Y. R. Li, A Ma.Ttinga.le Approa.ch to the Study oj Occurrence oj Sequence Fjj ( z ) = 1+Pj(z)p 'z( )
Pa.ttems in Repea.ted Experiments, Annals of Probability, 8 (1980), ss. 1171-1176. ---l
i wziac z -- 1.
l'If,I,I""f~,~ iII 1I1\7Jt'"tl"I/~,',/JMli"It1'11I", 1\11111,1,,111' 1"'IJI>"IJIIIi,y, H (IUHlJ), ~~. 11'(1. II'((J. i wziac z -~ 1.
4. Rozw. Z dowodu stwierdzenia 6 wynika, ze 2::'=1 Pij (n) = Fij Pi, a z zalozen 12.5. Rozklady stacjonarne i twierdzenia ergodyczne
Fij > O, Pj = 00.
1. Odp. T6.
5. i
Wsk. Wykazac, ze jesli i- j, to funkcje tworzace Fij(z) ciagu (Pij(n»;?,"=l
i Fij(z) ciagu (fij(n»;?,"=l spelniaja 2. Odp. 7r = (X( -A, !l, 0, O) + (1 - a)(O, O,~, ~), (X.E [0,1].
Pij (z) = Fij(z)(Pj(z) + 1). 3. Roz'W. Jesli j - stan chwilowy, to ~ 2::=lP;j(m) o. (stw. 12.3.6) -=
6. Rozw. Jesli .1 jest stanem powracajacym zerowym, to jak wierny z tw. 12,
I.
II
00 00
Fjj = ~.
'"" fij (k):= (1 - Po) + '""
~ Po ... Pk-1 (1 - Pk) = 1 -- m-oo
!im Pk. ~ tE (l{j}(Xl) I Xo = i)
k=l k=l k=O 1=1
Zatem Fjj = 1 wtedy i tylko wtedy, gdy n;:=l Pk = O. dazy do zera, czy!i ~ .~~"=l Pij (m) -+n O. Jesli 7r jest rozkladem stacjonar-
nyrn, to dla kazdego>7i .
7. Rozw. Gdy S = {1,2, ... ,k}, to 2:;=lPij(n) = 1, wiec istnieje takie j, ze
Pij (n) J' O, czyli.i jest stanem powracajacym .. 7rj = L7riPij(n~.
"l;;
Gdy S = {l, 2, .. .'}, to prawdopodobienstwa Pi,i-j-l = 1 okreslaja laJlcuch
Markowa o samych stanach chwilowych.
8. Rozw. {oc (patrz uwaga 12.3.4b)
=} Niewprost. Niech stan j komunikuje sie ze stanami kl, k2, ..• , kI i tworzy
z nimi lancuch nieprzywiedlny. Z zadania 7 wynika, ze jeden ze stanÓw jest
Stad
Z
7rj = n
~ t
m=l
7ri' ~n
::;:L
n>m.
P(Xm = i, Xm+~ i- j, ... , Xn-1 i-,j, Xn = jlXo = .i) = 6. Roz'W. Kolumny macierzy "umuja sie do jeclnosci, wiec 7ri = jest rozkladem t
stacjonarnym. Zatem z twierdzenia ergodycznego Iirnn~DOP(X" = i) = -);.
= LPji(rn)fij(n - m) = pji(m)Fij. 7. Roz'W. Ten fakt zastal udowodniony w twierdzeniu 12.5.15.
n>m
8. Raz'w. Wielkosci loo(n) obliczylismy w przyklad7Jie 12.3.1. Korzystajac z tego
Poniewaz istnieje takie m, ze pji(m) > O to Fij = 1. mamy
10. Rozw. (X;:,X,~.) jest symetrycznym bladzeniem przypadkowym po Z2, za-
tem jest powracajacym lancuchem Markowa, wiec dotrze do kazdego punktu /1-0 =L nfoo(T1,) = 3,
(c, c), c E Z z prawdopodobienstwem 1. n=l
3
12.4. Lancuchy okresowe /1-1 = 2'
1. Odp. a) tak, b) nie, 0(2) = 1. A wiec oba stany sa niezerowe.
2. Rozw. Istnieje stan i
oraz n, m takie, ze Pij (n) > O, pji(m) > O, z czego *9. Roz11l. Pokazemy, ze jesli i
jest stanem dodatnial i .j --; .1, to .1 jest stanem
wynika, ze pjj(n+m) > O. Takze pjj(n+m+ 1) > O. Liczby n+m, n+m+ 1 dodatnim. Istnieja rnl,m2 ta.kie, ze Pi.j(m1) > Gl, pji(m2) > O. Wtedy dla
sa wzglednie pierwsze, wiec j jest stanem nieokresowym, zatem z nieprzy- c = Pij (ml)pji(m2) > O mamy PJ.j(ml + m2 + n) ): CPii(n). Zatem
wiedInosci caly lancuch jest taki.
l.
3. Rozw. Nie, na przyklad:
n1 LnJJJJ.. (rnl + rTI2 +'rTI ) -_ Gmdm,+n(j,j)t
- -----
Gn'1+m,(j,j) -;::.
'-
"m· = l
~ O
G" (i, i) Gm] +m2 (j, .1)
(O ± ~
.10 O
~)
): C--n- - --'--n-'--- .
464 Odpowiedzi i wskazówki do rozdzialu 1:3 465
= L·
"""
kEB
l"lm -----
n_co Gn('i,. nk)pkj = L
!'EB
J.Lk
-1Pkj = L
kES
71'kPkj· Lancuch jest nieprzywiedlny, wiec wszystkie stany sa tego samego typu.
Gdy S jest zbiorem nieskonczonym, to biorac zbiór skonczony F C S ml:lmy 12,6, Lal1cuchy pochlaniajace
'\" -1 '"./ 1 ( przec h O'd zimy
.' . ó wno,. sCI. ~jE
z n --t 00 W Dler '\" On(-i 'il "'.,
./ 'J)
~kEF l.Lk F' -,,-'-'
l. Rozw. Skorzystac z twierdzenia 1. m2(1) = 17/6.
a stad LkEs J.Lk1 = C-l :>; 1. Postepujac podobnie jak w dowodzie (12)
2, Rozw. Dobrac odpowiedni lallcuch Markowa i skorzystac z twierdzenia 1
otrzymujemy dla j E S: LkEI" J.!7;lpkj :>; J.Lj\ a stad (oczywiscie mozna to zadanie rozwiazac nie korzystajac z teorii lancuchów
Markowa). Srednia liczba posilków pchly przed smiercia jest równa 4. Praw-
"" J.Lk
L... -l Pkj '"./-lJ.Lj . (13)
dopodobienstwo, ze pchla 'zginie na czczo jest równe 1/3.
kES
3. Roz1/!. Niech 1 bedzie stanem pochlani<\jacym. Gdy A.i jest zdarzeniem po-
Sumujemy po j: LjES J.Lkl :>; ~kEF' J.L;;l, wiec w (13) zachodzi równosc. legajacym na tym, ze lallcllch nie wraca do stanu i, 2, to i~
Zatem 71"i = cf;.i l dla E 5' definiuje rozklad stac:jonarny. iMusimy jeszcze P(AiIXo = i) ~ P(3n:X" = 11Xo = i) ~ Pil(ni) > O,
pokazac, ze c = 1. Jesli, jest rozkladem stacjonarnym, to , = ,Cn/n, gdzie
Gn jest macierza Gn = (G,,(i,j))i.jES i jak wiemy Cn;,i,j) --+ I~' a zatem
gdzie ni = rnin{n:Pil(n) > O}.
,j= -L,
1', czyli c musi byc równe 1.
13, Proces Wienera
*11. Rozw. <= Stan powracajacy moze byc dodatni lub zerowy. Gdyby byl dodi:ltni,
to wszystkie stany bylyby dodatnie i Jirn,,_oo P:i.1 (n) = 71') > O, sprzecznosc. 13,1. Definicja i konstrukcja
=? Bez stratyogólnosci moz~la zalozyc, ze (Xn) jest nieprzywiedlnym nieolae-
sowym lancuchem Markowa. Niech .7 bedzie stanem powracajacym zerowym. 1. RozU!. Niech O < t1 < t2 < ... < in. Wektor U = (Wit, W'2"'.' W'n) jest
Wtedy Z" = (Xn, Yn) jest nieprzywiedlnym i nieokresowym tancuchem Mar- obrazem wektora V = (\tV", W'2-\tV", ... IV,,, -W',,_l) przy przeksztalceniu
kowa, Gdy (j,j) jest stanem chwilowym, to liniowym 'T: Rn -, R", gdzie
I'olllownz deLT = 1, zgodnie z zad. 5.5.5 gu(x) = gv(y-lx)·1 dety-ll, tj. 3. Rozw. Niech V bedzie wahaniem tra.jektorii procesu Wienera na [a, b]. Jest
to nieujemna niewl<lSciwa zmienna losowa (dopuszczamy wartosci nieskon-
1 e -~~ '\'''
Di,;:::::.l (x;-x;_tl2/(t;.-I.;_,).
czone); oznaczmy A = {w E O: V(w) < oo} i przypuscmy, ze P(A) > O.
gv (Xl, ... , Xn) = n-=rr=:-l-...;-':t=i=-=t=i-=l
-( v'21r~2=7r=-) ·Wt.edy marny
2. Wsk. Rozwazyc proces Poissona.
3. Odp. K(t, s) = min(t, s) - ts. (k:k2-"
L Ela.I,])
IWh2-n(W) - H'(h_l)2- •• (w)12 ~
pokazac, ze Wt+u - Wu ~ N (O, t), t, u ~ O. 2. Ws/;;. Dla a > O skorzysLac z zasady odbicia:.
7. Wsk. Skorzystac z wyp.iku zad. 3. P(ra::;; t) = 2P(H/, > a) = 2P(VtVVl > a) = 2(1- iJi(a./Vt)), t ~ O.
8. Wsk. Wynika to natychmiast z zad. 5c.
R.ózniczkujac prawa strone otrzymujemy gest.oSc:
9. Wsk. Wynika to natychmiast z zadania 8 .
. a -0/2 '_0." /21
11. Rozw. Kres górny ciaglej trajektorii na odcinku [O, t] jest równy jej kresowi g,,(lJ7 ~t e 1[0.00)(1.).
górnemu na zbiorze przeliczalnym [O,t] n E, zatem
W' ogólnym przypa.dku wySr.MCZYzastapic a'prze,; [al.
f
dowód.
2. Odp. Gestosc Ta jest równa (zad. 13.3.2)
fP(ISn - (b - 0.)1> e) ~ E(Z2 --~:. (b - a) liPnil.
n=l . n=1
kladniczej. Poniewaz Ta. ~ a2Tl' ograniczymy sie do tej ostatniej zmiennej losowej.
468 Odpowiedzi i wskazówki do rozdzialu 13 469
a) .W celu obliczenia trans format y Laplace'a skorzystamy z interesujacego W takim razie nalezy przeprowadzic bezposrednie rachunki;
spostrzezenia ([FICH], t. II, raz. XIII, s. 524);
P(Vr• :::;s) = j'=
o .
P(1/t :::;s) y~C3/2e-a2/2'dt
2K =
4. Roz71J. Niech l' = inf{s ;:::O; W. ;:::ro}, r ;::: O, 'T/ = (t - 1') V O. Wtedy
.fi.)'00
o
e -u2d u =
poniewaz {W" ;::: T} C {r :::;t} oraz
;::: r'),
= e-g;.
P(1' :::; t, !tVt:::; r) = P(1' :::; t, Wt ;::: T).
b) Podstawienie s = 'i't powoduje klopot w wyborem jednego z dwóch pier- Ostatnia równosc wynika stad, ze \tV, = WT ;- Bry = T + Bry, gdzie B jest
wiastków z liczby zespolonej. Wobec tego obliczymy czesc rzeczywista i uro- procesem Wienora niezaleznym od Fr ..
jona funkcji charakterystycznej. Skorzystamy z nastepujacych tozsamosci; 5. Wsk. Niech 1'n = ([2nT] + 1)/2n. Wtedy ze znanej juz tozsamosci Walda
zastosowanej do martyngalu (Wj/2" li- wynika, ze EWrn = O. Ale
x2 2 2 V 2
1=
1T .
~ [I'"
~--.....---
." (v - t)(a-l)adt ]1/'1 ·Ilfllc"
' + = [I'hl" ·1 l ( l;1y~,n(S)
N ) 1'/2 ds.
(15)
+,
[1"I(V-t)"-l
o __(V.-t)"-ll'ldt
] 1/'1
,·IIJII[.1"
skalarny w L2[O, l] funkcji en(i;) oraz
II
h. (t) = l[o,sl
l
r(b) (
s _ t)b-l
.
VI' ostatnim wierszu skorzystalismy z nierównosci H61dera.
Vl10bectego z równosci Parsevala otrzymujemy
Oszacujemy teraz wyrazenia i Mamy I II.
1= [ (a _ l
l)' q + l ]1/'1 Iv - u![(a-l)q+ll·1/q -- C a.q· IV - U lA ,
Ly~,n(S)
00
"=1
1 Ja
= IIh.(t)IIPlo,ll ~. r~(b) t (s - t) 2(b-l) dt = l 2b l-1 s .2b-l ,
r2(b)
i dalej:
poniewaz [(a - l)q + l] . l/q = a - l + l/q =a+ l/p = A, a w szc~egóilJosci
(a - l)q +l > O.
11= [l"o l(d+s)"-1-su-11"ds ] l/q ~ poniewaz h> 1/2. Dzieki ternu mozna zastosowac tw. Lebesgue'a o zbieznosci
zmajoryzowanej i otrzymac zbieznosc do zera calek w (15), co konczy dowód.
3. Wsk. Przy odpowiedniej interpretacji oznaczen (/·1 oznacza norme) dowody
~ [.)0/,00 1(1 + Z)"-l - z,,-lladz ] l/q . dA. przenosza sie bez zmian na przypadek wektorowy.
Wykazemy zbieznosc ostatniej calki. W otoczeniu zera funkcja pod calkowa
jest rzedu z(a-1)q, gdzie.\(a -1)q > -1. W nieskonczonosci funkcja podcaJ-
kowa szacuje sie z twierdzenia o wartosci sredniej:
Dla duzych z prawa strona jest rzedu Izl(a-2)q, gdzie (a - 2)q < -l, skad
wynika zbieznosc calki.
Wykazalismy zatem, ze
co kO'llczydow6d.
Skorowidz 473
472
I<UJIIiJiullcje, 24 lancuch Markowa. moment stopu (zatrzyrna.nia, Mar- Nisio, M., 319
powtórzeniami, 26
Z powracajacy, 282 kowa), 222, 293 norma, 353
kOlnpensator, 385 Lukaszewicz, Jerzy, 402 optymalny, 389 p-ta, 352
Kordos, Marek, 78, 484 momenty w przestrzeni Hilberta, 355
Kos, Bohdan, 29 Macierz wyznaczajace rozklad, 379 l
kowariancja, 86 kowariancji, 87 zbieznosc, 189, 379 Obwiednia Snella, 389, 393
z próby, 90 podwójnie stochastyczna, 298 m.ost Browna, 310 odchylenie standardowe, 85
kryterium Pólya, 202 przejscia, 267, 271 Odlyzko, A. M., 460
krzywa, 363 stochastyczna, 268 Nadciag, 263 ogon rozkladu, 406
Peano,417 Maj straw, Leonid Jefimowicz, 484 na.dmartyngal, 226 opcja,
regresji liniowej, 90 Marcinkiewicz, Józef (1910-1940),164 nadzieja a.merykal'iska, 392
zamknieta, 363 Marek, Wiktor, 189 matema.tyczna, 79 europejska, 258, 395
Kucharczyk, J., 168 Markiewicz, Wojciech, 79 moralna, 405 operator Riernanna-Liouville'a, 321
kurtoza, 85 martyngal, 226 nastepstwa pozorne, ~8, ~.9, 1~J ()sobliwo~c usuwalna, 369
kwantyle, 487 prawostronnie domkniety, 227, nawias skosny rnartyngalll, 385 Ostwald, Wilhelm (1853-1932), 304
Kwapien, Stanislaw, 149, 211, 321, 244 Neurnann, John' von (190:i-1957), 18 Owczarow, L. A., 175
484 z czasem ciaglym, 311 Niemiro, Wojciech, l.4:l
z czasem odwróconym, 242 nieprzywiedlna klasa stanów, 303 Paradoks
Laplace, Pierre Simon de (1749-1827), zatrzymany, 227 nierównosc Bertranda, 19
. 21, 39, 170, 375 Mere, kawaler de (wl. Antoine Gom- Bernsteina, 175 czasu oczekiwania, 107
h\plasjan, 361 bauel), 31, 218 dla schematu BernouJliego, 154 d'Alemberta, 22
Lcja, Prnncisllck (1885··1979), 200, 360 metody Monte Carlo, 160, 216, 319 symetryczna, 107 kawalera de Mere, 31
lur\ll1l; metryka Levy'ego, 188 Bessela, 355, 358 losowych liczb naturalnych, 16
nnrol~\, Cn,lIl,olliep;o, 51, 55 miara, 336 Cauchy' ego- B uniakowskj"go-Schwa- Simpsona, 41
"'lLI,UII, HO, :313 a-skonczona, 181, 336 rza, 91 Pascal, Blaise (1623-1663), 24, 53
136
WClI'H.!ILwl\l'IIlIkowa, cylindryczna, 320, 321 Czebyszewa Pal;ashnik, Oren, 484
lirdl", o mo,licnstwach, 189 Haara, 189 uogólniona, 93 Pepys, Samuel (1633-1703), 31
T< rOllcc[<orll.,
156 Lebesgue'a, 61, 336 wykladnicza, 93 Peres, y., 441
i
o ?T- A-ukladach, 71, 183, 250, liczaca, 336, 358 Czebyszewa--Bienayme, 93 permutacje, 23
255, 270 produkto~'a, 254, 345 Dooba, 24'1, 451, 456 skonczone, 148
o ?T-i A-ukladach, 96 przesuwalna, 1.5 Holdera, 92 z pQwtórzeniami, 27
Toeplitza, 156 zewnetrzna, 337 Hardy'ego-Littlewooda" 107,241. Petty, William (1623-1687),67
Levy, Paul (1886-1971), 203 mierzalnosc Hoffmanna-J~rgensenll., 153,308 pierwiastek glówny, 468
Li, S.- y. R., 460 w sensie Caratheodory'ego, 337 Jensena, 91 Pietsch, Albrecht, 321
liczby' Mises, Richard von (1883--1953), 159 dl~, warunkowej wf1rtosci ocze- Platon (429-348 p.n.e.), 29
Bernoulliego, 329 model kiwanej, 133 podklasy. cykliczne, 303
losowe, 121, 164 Coxa-Rossa-Rubinsteina, 260, Kolrnogorowa, 153 podmartyngal, 226
normalne, 162 393 Levy'ego-Ottavianiego, 149 nierównosc maksymalna, 242
Lindeberg, J. W., 213 dyfuzji, 273 maksymalna dla podma,rtynga- Poisson, Sirneon D. (1781-1840),166
Lipski, Witold, 189 Ehrenfestów, 287 lów, 242 polcer, 27
Pólya, 41, 240 Markowa, 93 .. - portfel, 58, 89, 259
Lancuch Markowa, 264 modul ciaglosci, 94, 307 Minkowskiego, 353 ,:' --;:'1 efektywny, 412
chwilowy, 284 modyfikacja stochastyczna procesu, Schwarza, 355 repJj-kujacy, 260, 261
ergodyczny, 291 306 Younga, 92 powloka'
jednorodny w czasie, 268 Moivre, Abraham de (1667-1754), niezaleznosc lini9wa, 358
i przestrzeni, 277 170, 330 ?T-ukladów, 100 wypukla, 18
nieprzywiedlny, 275 moment, 85, 375 a-cial, 46. 95 prawdopodobienstwo, 8, 10
okreso,,')', 284 absolutny, 85 zdarzen,43 i
a Priori a posteriori, 40
pochlaniajacy, 301 centralny, 85 zmiennych losowych, 95 asymptotyczne, 17
476 Skorowidz Skorowidz 477
zmienne losowe
zera funkcji holomorficznej, 368 nieskorelowane, 87, 102
zgodna rodzina miar, 350
zstepujaca rodzina
zjawiska masowe, 7
zmienna losowa, ,58 zbiorów, 336
zdarzen,' 12
n-wymiarowa, 59
niewiasciwa, 220 Zubrzycki, Stefan, 485
o wartosciach w przestrzeni pol-
skiej, 64
zysk, 89 Wykaz wazniejszych oznaczen
Zak, Tomasz, 175
symetryczna, 192
= ~-=2)'"'' (a - k +1)
(~) k!
•••
483
(n, F, P) - przestrzen probabilistyczna, n jest zbiorem, F - o--cialem jesgo X(k) - k-ta statystyka pozycyjna ciagu (Xl, ... X,,).
podzbiorów, P - prawdopodobieiistwem, Podobnie, jesli jest dowolna I-L
miara, mamy przestrzen mierzalna: (X, M, I-L) . Oa - rozklad jednopunkj~(~wyJkupiony w punkcie a (delta Diraca).
B(E) - o--cialo borelowskich podzbiorów przestrzeni metrycznej E. Najczesciej B(n, p) - rozklad BernouUlego z parametrami n, p.
E=R".
Pois(A) - rozklad Poissona z parametrem A,
F, 9, M - typowe oznaczenia o--cial.
Ula, b] - rozklad jednostajny na odcinku [a, b].
A(A) (wyjatkowo lAI) - miara Lebesgue'a zbioru A. N (a, b) - jednowymiarowy rozkla.d normalny o sredniej a i wa.riancji b
lAI - objetosc zbioru A.
N (m, B) - wielowymiarowy rozklad normalny o wektorze wartosci sredniej m
u, V, W, X, Y, Z, E, 1') - typowe oznaczenia zmiennych losowych. i macierzy kowariancji B.
I-L, 1/ - typowe oznaczenia miar i rozkladów prawdopodobienstwa. W .-- dystrybuanta rozkladu N (O,l).
I-L@ 1/ - produkt miar. Rózne rodzaje zbieznosci:
1-L0", pOT produkt n (a nawet 7', gdzie 7' jest zbiorem indeksów) egzemplarzy
-
miary p. x" -~ X -.- ciag zmiennych losowych (X,,) jest zbiezny do X wedlug prawdo-
podobienstwa.
I-L * 1/, f * g - splot miar i funkcji.
X" ~ X .-. prawic Ila pewno.
II-LI - pelna wariacja miary (ze znakiem) I-L.
V'
X ~ I-L -. zmienna losowa X ma rozklad I-L
X" --, X - wedlug p-tych momentów (w LP).
E (X I Y = y) - warunkowa wartosc oczekiwana zmiennej losowej X pod warun- Res(f; a) -- residuum funkcji f w punkcie a.
kiem Y = y. Jesli 'Y jest krzywa, czyli odp,'w:ednim odwzorowaniem z [a, b] w C, to 'Y' jest
P(AIF) - prawdopodobienstwo warunkowe zdarzenia A pod warunkiem a-ciala obrazem odcinka la, b] przy tY~l' odwzorowaniu .. '
:F.
Ind-y(a) - indeks krzywej 'Y wzgledem punktu a.
(Al Y = y) - prawdopodobienstwo warunkowe zdarzenia A. pod warunkiem :"~
)/ = y.
1'," "lJl(lIl,wu,}' ,'(w,klad warunkowy pod warunkiem F.
1\11 "lIl',ldn,r',,:v m~ldl\d wf1.runkowy X pod warunkiem F.
Tablice rozkladu normalnego 485
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 ,93032 ,93064 ,93096 ,93126 ,93155 ,93184 ,93211 ,93238 ,93264 ,93289
3,2 ,9331:3 ,93336 ,93~)59 ,93381 ,93402 ,93423 ,93443 ,93462 ,93481 ,93499
3,3 ,93517 ,93533 ,93550 ,93566 ,93581 ,93596 ,93610 ,93624 ,93638 ,93650
Tablice rozkladu normalnego 3,4 ,93663 ,93675 ,93687 ,93698 ,93709 ,93720 ,93730 ,93740 ,93749 ,93758
:3,5 0,9.3767 0,93776 0,93784 0,93792 0,93800 0,9.3807 0,93815 0,93821 0,93828 0,93835
3,6 ,93841 ,93847 ,93853 ,93858 ,93864 ,93869 ,93874 ,93879 ,93883 ,93888
3,7 ,93892 ,93896 ,94004 ,9,1042 ,94080 ,94116 ,94150 ,9"184 ,94216 ,94247
Tablica l. Dystrybuanta rozkladu N (O, l) 3,8 ,9,1276 ,9"305 ,9-1333 ,94359 ,94385 ,94409 ,94433 ,94456 ,94478 ,9'1499
3,9 ,94519 ,94538 ,94557 ,9,1575 ,94592 ,94609 ,94625 ,94640 ,94655 ,94669
Ze wzgledu na
zaleznosc ~He 4,0 0,94683 0,94696 0,94709 0,94721 0,94733 0,94744 '0,94755 0,94765 0,94775 0,94784
<I>(-t) = 1- <I>(t) iI>(t) = j.t-co l
.J27r _,,2/2 do; 4,1 ,94793 ,94802 ,94810 ,94819 ,94826 ,94834 ,94841 ,9'1848 ,94854 ,94860
wystarcza 4.2 ,94866 ,94872 ,9'1878 ,94883 .,94888 ,94893 ,94898 ,95022 ,95065 ,95106
wartosci dla t > O. 4,3 ,951'15 ,95183 ,95219 ,95254 ,95287 ,95319 ,95349 ,95378 ,95406 ,95433
t ,90320
,89973
,89796
,90658
,90490
,90988
,88298
,7580<1
,76115
,81859
,72907
,74857
,77035
,77637
,8:3891
,75490
,75175
,65542
0,00 ,62552
,64803
,55962
,57142
,644.:31
,6517:3
,68082
,67724
,60257
0,Q2
0,01
0,05
,95637
,97257
,97381
,97670
,99158
,98713
,99202
,99534
,99825
,99856
,99851
,99621
,99846
,99861
,9964:3
,99632
,920n
,8849:1
,91924
,88877
,88686
,91621
,91466
,89617
,89435
,89065
,90147
,90824
,91308
,91149
,917H
,8643:3
,86864
,86650
,88100
,87900
,87698
,87493
,81594
,72575
,78814
,76424
,77337
,77935
,82121
,83646
,83398
,73237
,79103
,81057
,76730
,78524
,78230
,831'17
,82894
,82639
,82381
,745:37
,73891
,80785
,80511
,80234
,79673
,81:327
,61791
,53983
,57926
,54380
,55172
,56749
,62172
,6368:)
,673M
,68439
,66640
,66276
,65910
,58317
,60642
,54776
,55567
,56356
,57535
,62930
,64058
,68793
,59871
,5948:)
,58706
,61409
,61.026
,67003
0,08
0,04
0,03
0,07
0,06
,92220
,93056
,92922
,92785
,92647
,92507
,92364
,94520
,95543
,97128
,94738
,94630
,95352
,95254
,95728
,96246
,96164
,96485
,96995
,97193
,97615
,97558
,95154
,95053
,94845
,95449
,96080
,95994
,95818
,96:127
,96856
,96712
,966:58
,97062
,97:320
,97500
,97441
0,97725
,98928
,98610
,98214
,98956
,99134
,98679
,98645
,98870
,98840
,98300
,98257
,98537
,99111
,99061
,99036
,98983
,98809
,98778
,98745
,98899
,98500
,98461
,98422
,98:582
,98574
,99180 0,97778
,9922'1
,9934:)
,99324
,99305
,99286
,99266
,99813
,99744
,99819
,99760
,99752
,99801
,99664
,99728
,99720
,99547
,99841
,99836
,99831
,99788
,99781
,99774
,99807
,99711
,99702
,99683
,99736
,99609
,99598
,99585
,99560
,89251
,87286
,87076
0,84134
,74215
,73565
,79955
,79389
,63307
,59095
,93189
,94950
,95907
,96784
,99086
,99010
,98341
,99215
,99361
,99767
,99693
,99674
,99573
0,99379 .
0,84375
0,50399
0,93448
0,99396 0,97831 0,93(;99
0,84614
0,50798
0,93574
0,99;413 0,97882
0,84849
0,51197 0,97932
0,85083
0,691460,694970,698470,701940,705400,70884
0,50000
0,93319
,96407
,96562
,96926
,99653
,99795 0,99446 0,97982
0,85:n4
0,51595 0,93943
0,99430 0,93822 0,99461 0,98030
0,85543
0,71226
0,51994 0,91062 0,98077
0,52392 0,94179
0,99477 0,85769
0,52790
0,9f)492 0,98124
0,8599:3
0,71566 0,9'!295
0,99506 0,98169
0,86214
0,71904 0,94408
0,5,3188 0,72240
0,53586
0,99520 4,4 ,95458 ,95483 ,95506 ,95528 ,95550 ,95570 ,95590 ,95609 ,95626 ,95644
~c.~
2,6
0,6
0,1
2,1
1,6
1,1
4,5 0,9.\660 0,95(176 0,95691 0,95705 0,95718 0,957320,95744 0,95756 0,95767 0,95778
46 95789 9"798 95808 95817 95826 95834 95842 95849 95856 95863
4:7 :95870 :95876 :95882 :95888 :95893 :95898 :96031 :96078 :96122 :96165
4,8 ,96206 ,96244 ,96281 ,96:n6 ,96~)50 ,96382 ,96412 ,96441 ,96469 ,96495
4,9 ,96520 ,96544, ,96567 ,96588 ,96609 ,96628 ,96647 ,96665 ,96682 ,96698
Uwaga. 0,9312:3 = 0,999123,0,9.1321 = 0,9999321, etc.
'up = ,p--l(p)
~- 0,002
,18402
,23269
0,007
,19167
,18657
,33450
,12314
,10547
,10295
,05517
,05266
,11556
,11304
,11052
,10799
,06019
,05768
,11809
,06773
,36381
,36113
,35579
,35312
0,12566
,15097
,17637
,22755
,20189
0,009
0,001
,15858
,19934
,22497
,22240
,23012
,20957
,20701
,20445
0,008
0,006
0,005
0,004
0,003
,16366
,16112
,19678
,19422
,18912
,23527
,21727
,21470
,21214
,16874
,16620
,219830,00251
,279:32
,33185
,30548
,32921
,31074
,30811
,32656
,3J.864
,31600
,100'1:3
,02507
,05015
,07527
,12061
,04764
,04513
,03008
,02758
,08030
,07778
,08533
,04012
,03761
,03510
,03259
,06522
,06271
,08281
,09036
,08784
,04263
,09288
,35846
,38262
,36649
,37993
,35045 .,25076
,07024
,34779
0,12819
,15350
,17892
,17383
,15604
,18147
,24043'
,23785
,17129
0,13072
,24559
,28193
,32128
,32392
,07276
,09791
,09540 l
,24300,13324
,24817
,28454'\28715 0,13577 0,13830
,28976 0,01253 0,14084
,29238 0,01504 0,14337
,29499 0,27151 0,14590
,29761 0,02005 0,14843
,30023 0,02256
,30285
fi
0,60 0,00000
0,253:350,255940,25853
,31337
,:l3716'
,36917
0,000 ,33981
,342470,00501
,3718G 0,00752 0,26~)71
0,26112
,37723
,37454
,3451:~ 0,01003 0,26631 0,26891 0,01755 0,27411 0,27671
0,57
0,52
0,58
0,63
0,53
0,54
0,64
0,59 ". 0,61
0,51
0,56
0,62
0,55 0,50
'IR/I
.... "I;lllilllllllll
481\ ) )
!Il.",~
~1~lmlllllll
iJ]O:Ooo, 0,001 0,002 0,003 0,004 0,005 0,006 ,0,007 0,008 0,009 ,'.
0,650,385320,388020,39073-0,39343 0,39614 0,39886 0,40157 0,40429 0,40701 0,40974
0,66 ,41246 ,41519 ,41793 ,42066 ,42341 ,42615 ,42889 ,43164 ,43440 ,43715
0,67 ,43991 ,44268 ,44544 ,44821 ,45099 ,45376 ,45654 ,45933 ,'16211 ,46490
0,68 ,46770 ,47050 ,47330 ,47610 ,47891 ,48173 ,48454 ,487:l6 ,49019 ,49302
0,69 ,49585 ,49869 ,50153 ,50437 ,50722 ,51007 ,51293 ,51579 ,51866 ,52153 Nota bibliograficzna
0,70 0,524400,527280,530160,53305
,58284
,55338
,57691
,65262
,67135
,66821
,66508
,66196
,64334
,61281
,58581
,61584
,64027
,64952
,64643
,55631
,57987
,57395
,57100
,56805
,56511
,58879
,60979
,60678
,60376
,60076
,59776
,59477
,61887
,63719
,63412
,63106
,56217
,62191
,62801
,65884
,55924
,62496
,59178
,65573 0,53594 0,53884 0,54] 740,544640,54755 0,55046
0,71
0,85 1,03613 1,04073 1,04505 1,04939 1,05375 1,05812 1,06252 1,06694 1,07138 1,07584
[FICH] Grigorij Micbajlowicz Picht.enholz, Ra,chunek rózniczkowy i calkowy,
t. I-III, wyd. IV, PWN, Warszawa 1966
0,86 ,08032 ,08482 .08935 ,09390 ,09847 ,10306 ,10768 ,11232 ,11699 ,12168
0,87 ,12639 ,13113 ,13590 ,14069 ,14550 ,15035 ,15522 ,16012 ,16505 ,17000 [GKP] Ronald L. Graham, DOllald E. Knuth, aren Patashnik, Matematyka
0,88 ,17499 ,18000 ,18's04 ,19012 ,19522 ,20036 ,20553 ,21073 ,21596 ,22123, konkretna, Wydawnictwo Naukowe PWN, Warszawa 1996
0,89 ,22653 ,23187 ,23724 ,24264 ,24809 ,25357 ,25908 ,26464 ,27024 ,27588
[GRS] Geoffrey H..Grirnmett, Davict R.. Stirzaker, Probability and Random Pro-
0,901,281551,287271,293031,298841,304691,31058 1,31652 1,32251 1,32854 1,33462 ces.ses, wyd. II, Oxford University Press, Oxford-New York-Toronto
0,91 ,34075 ,34694 ,35317 ,35946 ,36581 ,37220 ,37866 ,38517 ,39175 ,39838 1992
0,92 ,40507 ,41183 ,41865 ,42554 ,43250 ,43953 ,44663 ,45380 ,46106 ,46838
[HIS] H-istoT'ia ma.tematyki pod red. A. P. Juszkiewieza, PWN, Warszawa,
0,93 ,47579 ,48328 ,49085 ,49852 ,50626 ,51410 ,52203 ,53007 ,53820 ,54643
1975
0,94 ,55477 ,56322 ,57179 ,58047 ,58927 ,59819 ,60725 ,61644 ,62576 ,63524,.
[HJ] Ji1lrgcn Hofhnann-Ji1lrgensen, Probability with a l/iew toward Statistics,
0,951,644851,654631,664561,67466 1,684941,695401,706041,716881,72793 1,73920 t. I-II, Chapman and Ho.lI, London-·New York 1994
0,96 ,75069 ,76241 ,77438 ,78661 ,79912 ,81191 ,82501 ,83843 ,85218 ,86629
0,97 ,88079 ,89570 ,91103,92684 ,94314 ,95996 ,97737 ,99539 2,01409 2,03352 [KOR] Marek Kordos, WyklaJ:<i.zhistorii matematyki, Wyd. Szkolne i Pedago-
0,982,05375 2,07485 2,09693 2,12007 2,14441 2,17009 2,19728 2,22621 ,25713 ,29036 giczne, Warszawa 1994
0,99 ,32634 ,36561 ,40892 ,45727 ,51213 ,57583 ,65209 ,74777 ,8781'5 3,09024
[KWA] Stanislaw Kwapien, \lVojbor A. Vv'oyczynski, .Random Series and Sto-
chast'ic Integrais: Single a~d Mu.ltiple, Birkhiiu:Ser, Boston-Basel-Berlin
1992
[MAJ-l] Leonid Jefimowicz Majstrow, Teorija wierojatnostiej, lstoriczeskij oczerk,
Nauka, Moskwa 1967 (przeklad angielski: Próbability Theory: A Histo-
rical Sketch)
[MAJ-2] -, Razwitije poniatija wierojatnosti, Nauka, Moskwa 1980
[RUD-l] Walter Rudin, Real and Qomplex Analysis, McGraw-Hill, London, New
York, Toronto 1970 (przeklad polski wydanja II: Analiza rzeczywista
i
zespolona, PWN, Warszawa 1986)
487
488 Nota bibliograficzna
3 Prawdopodobienstwo warunkowe 33
i
§ 3,1. Definicja przyklady .. 33
§ 3.2. Wzór na prawdopodobienstwo calkowite i wzór Bayesa 37
5 Zmienne losowe . 58
§ 5.1. Definicja; rozklad zmiennej losowej 58
§ 5.2. Wlasnosci dystrybuanty rozkladu na R 67
69
§ 5.3. Wlasnosci clystrybuanty rozklaclu na Rn
73
§ 5A. Dystrybuanta a gestosc ....
75
§ 5.5. Gestosc a odwzorowania gladkie .
77
§ 5.6. Parametry rozkl~dów .
91
§ 5.7. Nierównosci zwi,azane z momentami.
95
§ 5.8. Niezalezne zmicnfle losowe ..
§ 5.9. RÓzne rodzaje zbieznosci zmiennych lo.sowych 108
§ 5.10. Przeglad wazniejszych rozkladów 114
,111I11",llllllllilllll
.1 (j, I, vvpl'nwlld~,lJllltl ..... , . , ... , , , • , • l , , , ••• , I , , • I~:.!
§ 6.2. Warunkowa wartosc oczekiwana wzgledem rozbicia przeliczalnego 123
489
IJdinicja ogólna
!j ().:.l. . 128 § 13.3. Zasada odbicia 313
§ 6.4. Prawdopodobienstwo warunkowe - uogólnienie 137 § 13.4. Mocna wlasnosc Markowa 314
§ 6.5. Regularne rozklady warunkowe .... 142 § 13.5. Konstrukcja procesu Wienera za pomoca uldadów ortonormalnych 319
211
D Funkcje analityczne i metoda i'esiduów 360
10 Centralne twierdzenie graniczne ..
211 § D.l. Funkcje holomorfi.czne . 360
§ 10.1. Wprowadzenie . 365
§ 10.2. Twierdzenie Lindeberga-Levy'ego 213 § D.2. Twierdzenie Cauchy'ego w zbiorze wypukl);m
§D.3. Zera bieguny. i 368
§ D.4. Residua : . 372
11 Martyngaly . 220
§ 11.1. Momenty stopu . 220
E Funkcja tworzaca momenty (transformata Laplaee'a) 375
- § 11.2. Martyngaly, nadmartyngaly, podmart,yngaly . 226
§E.l. Definicja i·przyklad\'· . 375
§ 11.3. Twierdzenie o zbieznosci nadmartyngalów 237
§ E.2. Transformata CrallJ'..ra. Oszacowanie szybkosci zbieznosci w moc-
§ 11.4. Nierównosci martyngalowe . 242
nym prawie wielkich liczb .. 380
§ 11.5. Zbieznosc martyngalów w LV . 244
§ 11.6. Twierdzenie Radona-Nikodyma . 248 384
F Teoria optymalnego stopowania
§ 11.7. Miary produktowe i zastosowania w statystyce. 252
§ F.l. R.ozklad Dooba nadmartyngaJów 384
§ 11.8. Zastosowania w matematyce finansowej. 258 § F.2. Zagadnienie optymalnego stopowania. 388