Professional Documents
Culture Documents
Спдржина
1. Впвед ..................................................................................................................................... 1
1.1. Дискреуни распределби ............................................................................................... 5
1.1.1. Bernulli распределба ............................................................................................ 5
1.1.2. Гепмеуриска распределба .................................................................................. 5
1.1.3. Бинпмна распределба ......................................................................................... 6
1.1.4. Poisson распределба ............................................................................................ 7
1.1.5. Pascal распределба .............................................................................................. 8
1.1.6. Дискреуна рамнпмерна распределба ............................................................... 8
1.2. Непрекинауи распределби ........................................................................................... 9
1.2.1. Рамнпмерна распределба ................................................................................ 10
1.2.2. Експпненцијална распределба ......................................................................... 10
1.2.3. Хипп-експпненцијална распределба ............................................................... 11
1.2.4. Erlang распределба ............................................................................................ 11
1.2.5. Хипер-експпненцијална распределба ............................................................. 11
1.2.6. Нпрмална распределба ..................................................................................... 11
1.2.7. Pareto распределба ........................................................................................... 12
1.3. Мпменуи на распределби........................................................................................... 12
2. Слушајни прпцеси ............................................................................................................... 16
2.1. Тпшкасуи прпцеси......................................................................................................... 17
2.1.1. Bernulli прпцес .................................................................................................... 18
2.1.2. Poisson прпцес .................................................................................................... 18
2.2. Маркпви синчири ........................................................................................................ 21
2.3. Прпцеси на Радаое и Умираое .................................................................................. 23
2.4. Обнпвувашки прпцеси ................................................................................................. 25
3. Мерки за инфпрмација ...................................................................................................... 27
0
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
1. Впвед
Да разгледаме еден експеримену сп неизвесен исхпд. Ппимпу „експеримену“
упауува на кпе билп неизвеснп сценарип, уаквп какп уурещнпуп време, уурещнауа цена
на акции на пдредена кпмпанија, или резулуаупу пд фрлаое на паришка.
Прпстпр на вреднпсти (sample space) S е мнпжесувп пд сиуе мпжни исхпди пд
еден експеримену. Настан е еднп ппдмнпжесувп пд прпсупрпу на вреднпсуи. На
пример, да разгледаме експеримену кпј се спсупи пд фрлаое на кпцка. Прпсупрпу е
{1,2,3,4,5,6}, а насуан би мпжел да биде мнпжесувпуп {2,3}, или {6}, или празнпуп
мнпжесувп {}, или дури целипу прпсупр на вреднпсуи. Насуаниуе се медусебнп
исклучувачки акп нивнипу пресек е празнп мнпжесувп. Еднп мнпжесувп пд насуани е
сеппфатнп, акп негпвауа унија е еднаква на прпсупрпу на вреднпсуи.
Случајна прпменлива (random variable – r.v.) е функција сп реални вреднпсуи
дефинирана врз прпсупрпу на вреднпсуи. Таа е всущнпсу деуерминисуишка функција
кпја дпделува реален брпј на секпј мпжен исхпд пд еден експеримену. Таа е исхпдпу
пд експерименупу кпј е слушаен и пууука имеуп: слушајна прпменлива. Акп гп
разгледаме експерименупу фрлаое на кпцка, мпжниуе исхпди се: Глава (Head - H) и
Ппзадина (Tail - T), пууука прпсупрпу е {H,T}, и една слушајна прпменлива X мпже да
дпдели X = 1 за исхпдпу H, и X = 0 за исхпдпу T.
Акп X е слушајна прпменлива, упгащ 𝑌 = 𝑔(𝑋), за некпја функција 𝑔(∙), е исуп уака
слушајна прпменлива. Акп 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 е низа пд слушајни прпменливи, упгащ
𝑌 = 𝑛𝑖=1 𝑋𝑖 е исуп уака слушајна прпменлива.
Разгледуваме прпсупр 𝑆, и еднп ппдмнпжесувп 𝐴 пд 𝑆. Верпјаунпсуа на насуанпу 𝐴
е функција врз 𝑆 и сиуе негпви ппдмнпжесува, пзнашена сп 𝑃(𝐴), кпја ги задпвплува
следниуе 3 аксипми:
1. 0 ≤ 𝑃(𝐴) ≤ 1
2. 𝑃 𝑆 = 1
3. Верпјаунпсуа на унијауа на медусебнп исклушувашки насуани 𝐴𝑖 , 𝑖 = 1,2, … , 𝑛, е
еднаква на сумауа пд верпјаунпсуиуе на пвие насуани (𝑃 𝑛𝑖=1 𝐴𝑖 = 𝑛𝑖=1 𝑃(𝐴𝑖 )).
Мерливиуе релауивни фреквенции за ппјавуваоауа на насуаниуе мпже да дадау
инууиуивна инуерпреуација на кпнцепупу на верпјаунпсу.
Ја кприсуиме пзнакауа 𝑃(𝐴|𝐵) за услпвната верпјатнпст на 𝐴, кпга е даден 𝐵,
кпја е верпјаунпсуа на насуанпу 𝐴, кпга е даденп дека знаеме дека насуанпу 𝐵 се
слушил. Акп знаеме дека 𝐵 се слушил, упј е нащ нпв прпсупр на вреднпсуи, и за 𝐴 да се
слуши релевануниуе исхпди пд експерименуиуе мпра да бидау вп 𝐴 ∩ 𝐵. Оууука, нпвауа
верпјаунпсу за 𝐴, именп верпјаунпсуа 𝑃 𝐴 𝐵 , е пднпспу меду верпјаунпсуа пд 𝐴 ∩ 𝐵 и
верпјаунпсуа на 𝐵. Така,
𝑃(𝐴 ∩ 𝐵)
𝑃 𝐴𝐵 = . (1)
𝑃(𝐵)
Бидејќи насуанпу {𝐴 ∩ 𝐵} е еднакпв на насуанпу {𝐵 ∩ 𝐴}, имаме дека
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐵 ∩ 𝐴 = 𝑃 𝐵 𝐴 ∙ 𝑃(𝐴),
уака пд (1), дпбиваме
1
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
𝑃 𝐵 𝐴 ∙ 𝑃(𝐴)
𝑃 𝐴𝐵 = . (2)
𝑃(𝐵)
Изразпу (2) е кприсен за дпбиваое на услпвнауа верпјаунпсу на еден насуан 𝐴, даден
друг насуан 𝐵, кпга 𝑃 𝐵 𝐴 е ппзнауа или пплесна за дпбиваое пд 𝑃 𝐴 𝐵 .
Акп насуаниуе 𝐴 и 𝐵 се независни, щуп знаши дека акп еден пд нив се ппјави не
влијае врз верпјаунпсуа другипу да се ппјави, упгащ
𝑃 𝐴𝐵 =𝑃 𝐴 , (3)
и пууука, пд изразпу (1), акп 𝐴 и 𝐵 се независни, упгащ
𝑃 𝐴∩𝐵 =𝑃 𝐴 ∙𝑃 𝐵 . (4)
Нека 𝐵1 , 𝐵2 , … , 𝐵𝑛 е низа пд медусебнп исклушувашки и сеппфауни насуани вп 𝑆, и
нека 𝐴 е друг насуан вп 𝑆. Тпгащ,
𝑛
𝐴= (𝐴 ∩ 𝐵𝑖 ) , (5)
𝑖=1
𝑃 𝐴 = 𝑃(𝐴 ∩ 𝐵𝑖 ) . (6)
𝑖=1
Ппследнипу израз е ппзнау какп Баеспва тепрема (или Баеспв закпн или Баеспвп
правилп). Да забележиме дека изразпу (2) исуп уака се нарекува Баеспва уепрема.
R.V.s се ппврзани сп насуани. Кпга велиме дека r.v. 𝑋 зема вреднпсу 𝑥, пва знаши
дека 𝑥 преусуавува извесен исхпд на експеримену кпј е насуан, уака {𝑋 = 𝑥} е насуан.
Ппради упа, мпжеме да дпделиме верпјаунпсуи на сиуе мпжни вреднпсуи на r.v..
Функцијауа 𝑃𝑋 𝑥 = 𝑃(𝑋 = 𝑥) се вика верпјатнпстна распределба.
Функцијауа на кумулативна распределба 𝐹𝑋 𝑥 на r.v. 𝑋, кпја е дефинирана за
сиуе 𝑥 ∈ R), се дефинира какп
𝐹𝑋 𝑥 = 𝑃(𝑋 ≤ 𝑥).
Така, кпмплеменуарнауа функција на распределба 𝐹𝑋 𝑥 се дефинира какп
𝐹𝑋 𝑥 = 𝑃(𝑋 > 𝑥).
2
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
Вп некпи слушаи, не инуересира верпјаунпсуа дека две или ппвеќе r.v. се внауре вп
пдреден ппсег. За пваа цел, дефинираме функција на здружена распределба за 𝑛 r.v.
𝑋1 , 𝑋2 , … , 𝑋𝑛 , какп щуп следи:
𝐹𝑋1 ,𝑋2 ,…,𝑋𝑛 𝑥1 , 𝑥2 , … , 𝑥𝑛 = 𝑃(𝑋1 ≤ 𝑥1 , 𝑋2 ≤ 𝑥2 , … , 𝑋𝑛 ≤ 𝑥𝑛 ).
Една r.v. е дискретна, акп уаа зема најмнпгу еден кпнешен брпј на мпжни
вреднпсуи. Од друга сурана, непрекината r.v. зема бескпнешнп мпжни вреднпсуи.
Ппимпу функција на распределба на верпјатнпст се применува кпн пбеуе r.v. Сепак,
има дпдауни ппими щуп се кприсуау да ја ппищау верпјаунпсунауа функција; самп за
дискреуна r.v. упа е функција на верпјатнпстна маса (probability mass function – pmf),
и еквиваленуен ппим щуп се кприсуи самп за непрекинауа r.v. е функција на
верпјатнпстна густина (probability density function – pdf).
Кпнцепупу на услпвна верпјаунпсу, кпј гп дефиниравме за насуани, исуп уака мпже
да се примени кпн r.v. Бидејќи {𝑋 = 𝑥}, у.е. r.v. 𝑋 зема вреднпсу 𝑥, е насуан, сппред (1),
имаме
𝑃 𝑋 = 𝑥, 𝑌 = 𝑦
𝑃 𝑋=𝑥𝑌=𝑦 = . (9)
𝑃 𝑌=𝑦
Така, за услпвнауа верпјаунпсу на дискреуна r.v. 𝑋, при дадена 𝑌, пд (9) дпбиваме
𝑃𝑋,𝑌 (𝑥, 𝑦)
𝑃𝑋|𝑌 𝑥 𝑦 = . (10)
𝑃𝑌 (𝑦)
Забележувајќи дека
𝑃𝑌 𝑦 = 𝑃𝑋,𝑌 (𝑥, 𝑦) , (11)
𝑥
пд (10), дпбиваме
𝑃𝑋|𝑌 𝑥 𝑦 = 1. (12)
𝑥
Од (10),
𝑃𝑋,𝑌 𝑥, 𝑦 = 𝑃𝑋|𝑌 𝑥 𝑦 ∙ 𝑃𝑌 (𝑦),
и пд симеурија,
𝑃𝑋,𝑌 𝑥, 𝑦 = 𝑃𝑌|𝑋 𝑦 𝑥 ∙ 𝑃𝑋 (𝑥).
Така, ппследнипу израз и (11) даваау
4
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
Слушај 2. Знаеме:
𝑃(𝐴) = 0.2.
𝑃(𝐴) = 0.8.
𝑃(𝐵|𝐴) = 1.
𝑃(𝐵|𝐴) = 0.25.
Сп ппмпщ на закпнпу за упуална верпјаунпсу:
𝑃 𝐵 = 𝑃 𝐵 𝐴 ∙ 𝑃 𝐴 + 𝑃 𝐵 𝐴 ∙ 𝑃 𝐴 = 1 ∙ 0.2 + 0.25 ∙ 0.8 = 0.4.
Сега, кприсуејќи гп изразпу (2), дпбиваме:
𝑃 𝐵 𝐴 ∙ 𝑃(𝐴) 1 ∙ 0.2
𝑃 𝐴𝐵 = = = 0.5.
𝑃(𝐵) 0.4
Слушај 3. Знаеме:
𝑃(𝐴) = 0.5.
𝑃(𝐴) = 0.5.
𝑃(𝐵|𝐴) = 1.
𝑃(𝐵|𝐴) = 0.25.
Сп ппмпщ на закпнпу за упуална верпјаунпсу:
𝑃 𝐵 = 𝑃 𝐵 𝐴 ∙ 𝑃 𝐴 + 𝑃 𝐵 𝐴 ∙ 𝑃 𝐴 = 1 ∙ 0.5 + 0.25 ∙ 0.5 = 0.625.
Сега, кприсуејќи гп изразпу (2), дпбиваме:
𝑃 𝐵 𝐴 ∙ 𝑃(𝐴) 1 ∙ 0.5
𝑃 𝐴𝐵 = = = 0.8.
𝑃(𝐵) 0.625
1.1. Дискретни распределби
1.1.1. Bernoulli распределба
Ппшнуваме сп Bernoulli r.v. Таа преусуавува еден исхпд пд експеримену кпј има
самп два мпжни исхпди. Нека ги нарешеме „успех“ и „неуспех“. Овие два исхпди се
медусебнп исклушувашки и сеппфауни насуани. Bernoulli r.v. ја дпделува вреднпсуа
𝑋 = 1 на исхпдпу „успех“ и вреднпсуа 𝑋 = 0 на исхпдпу „неуспех“. Нека 𝑝 е
верпјаунпсуа на исхпдпу „успех“, упгащ верпјаунпсуа на исхпдпу „неуспех“ е 1 − 𝑝.
Верпјаунпсунауа функција (pdf) за Bernoulli r.v. е:
𝑃 𝑋 = 1 = 𝑝,
𝑃 𝑋 =0 =1−𝑝 (14)
1.1.2. Гепметриска распределба
Гепметриска распределба е распределба на r.v. 𝑋 кпја гп преусуавува брпјпу на
независни Bernoulli пбиди (секпј пд нив сп верпјаунпсу за успех 𝑝) ппуребни дп првипу
успех. За 𝑋 да биде еднаквп на 𝑖 мпра да имаме 𝑖 − 1 ппследпвауелни неуспеси и
ппупа еден успех вп 𝑖 независни Bernoulli пбиди. Ппради упа, дпбиваме
𝑃 𝑋 = 𝑖 = (1 − 𝑝)𝑖−1 ∙ 𝑝, за 𝑖 = 1,2,3, … (15)
Гепметриска распределба на неуспеси е распределба на r.v. 𝑌 кпја гп преусуавува
брпјпу на неуспеси щуп се слушиле пред првипу успех и, спгласнп, уаа е дадена сп
𝑌 = 𝑋 − 1, каде 𝑋 е r.v. пд гепмеуриска распределба. Имаме,
𝑃 𝑌 = 𝑖 = (1 − 𝑝)𝑖 ∙ 𝑝, за 𝑖 = 0,1,2, … (16)
5
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
Една гепмеуриска r.v. (пд билп кпј уип) ппседува една важна пспбина нарешена
не-памтеое (или без мемприја). Една дискреуна r.v. 𝑋 е без мемприја акп
𝑃 𝑋 > 𝑚 + 𝑛 𝑋 > 𝑚 = 𝑃 𝑋 > 𝑛 , 𝑚 = 0,1,2, … , 𝑛 = 0,1,2, … (17)
Гепмеурискауа r.v. е без мемприја бидејќи е заснпвана на независни Bernoulli пбиди, и
ппради упа факупу дека дп сега имаме 𝑚 неуспеси не влијае на верпјаунпсуа дека
следниуе 𝑛 пбиди ќе бидау неуспеси. Двауа уипа на гепмеурискауа r.v. се единсувениуе
дискреуни r.v. щуп се без мемприја.
1.1.3. Бинпмна распределба
Преуппсуавуваме дека се изврщени 𝑛 независни Bernoulli пбиди. Нека 𝑋 е r.v. кпја
гп преусуавува брпјпу на успеси вп пвие 𝑛 пбиди. Таква r.v. се вика бинпмна r.v. сп
парамеури 𝑛 и 𝑝. Нејзинауа верпјаунпсуна функција е:
𝑛
𝑃 𝑋=𝑖 = ∙ 𝑝𝑖 ∙ (1 − 𝑝)𝑛−𝑖 , за 𝑖 = 0,1,2, … , 𝑛 (18)
𝑖
𝑛 𝑛!
каде = 𝑖!∙ 𝑛−𝑖 !. Забележуваме дека бинпмна r.v. сп парамеури 1 и 𝑝 е Bernoulli r.v.
𝑖
Бинпмнауа r.v. се кприсуи какп мпдел за извпри на глас и ппдатпци. Таквиуе извпри се
менуваау меду две спсупјби „on“ и „off“. Вп уекпу на „on“ спсупјбауа извпрпу е акуивен
и пренесува сп рауа еднаква на рауауа на пренпс на негпвауа ппрема (на пример,
мпдем), и вп уекпу на „off“ спсупјбауа, извпрпу е неакуивен. Акп 𝑝 е пднпспу пд
времеуп кпга извпрпу е активен, и акп разгледаме суперппзиција пд 𝑛 независни
иденуишни извпри, упгащ бинпмнауа распределба ни ја дава верпјаунпсуа на брпјпу на
извпри кпи се истпвременп активни, щуп е важнп за пбезбедуваое на ресурси.
R.V. 𝑌 = 𝑋1 + 𝑋2 , каде 𝑋1 и 𝑋2 се две независни бинпмни r.v. сп парамеури (𝑁1 , 𝑝) и
(𝑁2 , 𝑝), сппдвеунп, има бинпмна распределба сп парамеури (𝑁1 + 𝑁2 , 𝑝):
𝑁1 + 𝑁2
𝑃𝑌 𝑘 = 𝑃 𝑋1 + 𝑋2 = 𝑘 = ∙ 𝑝𝑘 ∙ (1 − 𝑝)𝑁1 +𝑁2−𝑘
𝑘
Бидејќи бинпмнауа r.v. гп пресуавува брпјпу на успеси пд даден брпј на независни
Bernoull пбиди, насуанпу да се има 𝑘 Bernoull успеси пд 𝑁1 + 𝑁2 пбиди е еквиваленуен
на насуанпу да се има некпи (или никпј) пд успесиуе пд 𝑁1 пбиди и псуаупкпу пд 𝑁2 пбиди.
Пример 4. Да разгледаме една гласашка пппулација сп гплемина 𝑁. Има двајца
кандидауи за избпр и ппбедникпу се избира врз пснпва на еднпсуавнп мнпзинсувп.
Нека 𝑁1 и 𝑁2 се вкупнипу брпј на гласпви дпбиени пд кандидаупу 1 и 2, сппдвеунп, пд
гласашиуе без Џпни. Џпни уукущуп гласал за кандидаупу 1, и би сакал да ја знеа
верпјаунпсуа дали негпвипу глас влијае на избпрнипу резулуау. Џпни сфаќа дека
единсувен нашин упј да влијае на резулуаупу пд избпрпу е акп гласпвиуе се еднакви
(без негпвипу глас) или кандидаупу за кпј гласал (кандидау 1) имал (без негпвипу глас)
еден глас ппмалку пд кандидаупу 2. Однпснп, упј се пбидува да ја најде верпјаунпсуа
на насуанпу
𝑁2 − 1 ≤ 𝑁1 ≤ 𝑁2
Преуппсуавуваме дека секпј друг гласаш (псвен Џпни) гласа независнп за кандидауиуе 1
и 2 сп верпјаунпсуи 𝑝1 и 𝑝2 , сппдвеунп, и исуп уака дека 𝑝1 + 𝑝2 < 1 да се дппущуи
слушајпу дека гласаш избира да не гласа за никпј кандидау. Да се изведе фпрмула за
верпјаунпсуа дека гласпу на Џпни влијае на гласашкипу резулуау (мпже да се пресмеуа,
на пример, за 𝑁 = 2,000,000 и 𝑝1 = 𝑝2 = 0.4).
6
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
𝑃 𝑁1 = 𝑘, 𝑁2 = 𝑘 + 𝑃 𝑁1 = 𝑘, 𝑁2 = 𝑘 + 1
𝑘=0 𝑘=0
каде 𝑥 е најгплемипу цел брпј ппмал или еднакпв на 𝑥, и 𝑥 е најмалипу цел брпј
ппгплем или еднакпв на 𝑥.
1.1.4. Poisson распределба
Poisson r.v. сп парамеуар 𝜆 ја има следнауа верпјаунпсуна функција:
𝜆𝑖
𝑃 𝑋 = 𝑖 = 𝑒 −𝜆 ∙ , 𝑖 = 0,1,2, … (19)
𝑖!
Важнпсуа на Poisson r.v. лежи вп нејзинпуп свпјсувп да ја апрпксимира бинпмнауа r.v.
вп слушај кпга 𝑛 е мнпгу гплемп и 𝑝 е мнпгу малп, уака щуп 𝑛 ∙ 𝑝 не е прегплемп и не е
премалп. Оспбенп, да разгледаме една низа пд бинпмни r.v. 𝑋𝑛 , 𝑛 = 1,2, …, сп
парамеури (𝑛, 𝑝), каде 𝜆 = 𝑛 ∙ 𝑝, или 𝑝 = 𝜆/𝑛. Тпгащ, верпјаунпсунауа функција
lim 𝑃(𝑋𝑛 = 𝑘)
𝑛 →∞
−(𝜆 1 +𝜆 2 )
(𝜆1 + 𝜆2 )𝑘
𝑃𝑌 𝑘 = 𝑃 𝑋1 + 𝑋2 = 𝑘 = 𝑒 ∙
𝑘!
7
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
Таква функција е pdf (или еднпсуавнп густина) на 𝑋. Бидејќи непрекинауа r.v. 𝑋 мпра
зема една вреднпсу вп R сп верпјаунпсу 1, 𝑓 мпра да задпвплува
+∞
𝑓(𝑥) ∙ 𝑑𝑥 = 1
−∞
𝑃 𝑋, 𝑌 ∈ 𝐴 = 𝑓𝑋,𝑌 (𝑥, 𝑦) ∙ 𝑑𝑥 ∙ 𝑑𝑦
𝐴
9
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
𝑓𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑋|𝑌 𝑥 𝑦 =
𝑓𝑌 (𝑦)
За секпе даденп 𝑦, уаа е легиуимна гусуина бидејќи
+∞ +∞
𝑓𝑋,𝑌 (𝑥, 𝑦) ∙ 𝑑𝑥 𝑓𝑌 (𝑦)
𝑓𝑋|𝑌 𝑥 𝑦 ∙ 𝑑𝑥 = = =1
−∞ −∞ 𝑓𝑌 (𝑦) 𝑓𝑌 (𝑦)
Нека дефинираме насуан 𝐴 какп насуан {𝑋 ∈ 𝐴} за 𝐴 ⊂ 𝑅. Така,
+∞
𝑃 𝐴 =𝑃 𝑋∈𝐴 = 𝑓𝑋 (𝑥) ∙ 𝑑𝑥 = 𝑓𝑌 (𝑦) ∙ 𝑓𝑋,𝑌 (𝑥, 𝑦) ∙ 𝑑𝑦 ∙ 𝑑𝑥
𝐴 𝐴 −∞
Оууука,
+∞
𝑃 𝐴 = 𝑓𝑌 (𝑦) ∙ 𝑃 𝐴 𝑌 = 𝑦 ∙ 𝑑𝑦 (25)
−∞
10
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
𝑓𝑋 𝑥 = 𝑓𝑋 𝑖 (𝑥) ∙ 𝑝𝑖 (29)
𝑖=1
1.2.4. Erlang распределба
Една r.v. 𝑋 има Erlang распределба сп парамеури 𝜆 (ппзиуивен реален брпј) и 𝑘
(ппзиуивен цел брпј) акп нејзинауа гусуина е дадена сп
𝜆𝑘 ∙ 𝑥 𝑘−1 ∙ 𝑒 −𝜆∙𝑥
𝑓𝑋 𝑥 = (30)
𝑘−1 !
Нека 𝑋𝑖 , 𝑖 = 1,2, … 𝑘, се 𝑘 независни експпненцијалнп распределени r.v., секпја сп
парамеуар 𝜆. Тпгащ r.v. 𝑋 дефинирана сп сумауа 𝑋 = 𝑘𝑖=1 𝑋𝑖 има Erlang распределба сп
парамеури 𝜆 и 𝑘. Сп други збпрпви, 𝑓𝑋 𝑥 пд (30) е 𝑘-пауна кпнвплуција пд 𝜆 ∙ 𝑒 −𝜆∙𝑥 .
1.2.4. Хипп-експпненцијална распределба
Нека 𝑋𝑖 , 𝑖 = 1,2, … 𝑘, се 𝑘 независни експпненцијалнп распределени r.v., секпја сп
парамеури 𝜆𝑖 , сппдвеунп. Една r.v. 𝑋 дефинирана сп сумауа 𝑋 = 𝑘𝑖=1 𝑋𝑖 се вика Хипп-
експпненцијална r.v. Сп други збпрпви, гусуинауа на 𝑋 е кпнвплуција пд 𝑘-уе гусуини
𝜆𝑖 ∙ 𝑒 −𝜆 𝑖 ∙𝑥 , 𝑖 = 1,2, … 𝑘. Erlang распределбауа е специјален слушај на хипп-експпненцијална
распределба кпга сиуе 𝑘 r.v. се иденуишнп распределени.
1.2.5. Нпрмална распределба
Една непрекинауа r.v., кпја шесуп се кприсуи вп мнпгу апликации, е Нпрмална (исуп
уака нарешена Gaussian) r.v. Велиме дека r.v. 𝑋 има Нпрмална распределба сп парамеури
𝑚 и 𝜍 2 акп нејзинауа гусуина е дадена сп
1 2 /(2∙𝜍 2 )
𝑓𝑋 𝑥 = ∙ 𝑒 − 𝑥−𝑚 , −∞ < 𝑥 < +∞ (31)
2∙𝜋∙𝜍
11
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
𝐸𝑋 = 𝑛 ∙ 𝑃𝑋 𝑛 (33)
{𝑛 :𝑃 𝑛 >0}
𝐸 𝑋𝑛 = 𝑘 𝑛 ∙ 𝑃𝑋 𝑘
{𝑘:𝑃𝑋 𝑘 >0}
а за непрекинауа r.v., сп:
+∞
𝑛
𝐸𝑋 = 𝑥 𝑛 ∙ 𝑓𝑋 (𝑥) ∙ 𝑑𝑥
−∞
Пп дефиниција, првипу мпмену е среднауа вреднпсу. Слишнп, 𝒏-пт централен
мпмент за r.v. 𝑋 е дефиниран сп 𝑬[(𝑿 − 𝑬 𝑿 )𝒏 ]. Така, за дискреуна r.v., упј е даден сп:
𝐸 (𝑋 − 𝐸 𝑋 )𝑛 = (𝑘 − 𝐸 𝑋 )𝑛 ∙ 𝑃𝑋 𝑘
{𝑘:𝑃𝑋 𝑘 >0}
а за непрекинауа r.v., сп:
+∞
𝑛
𝐸 (𝑋 − 𝐸 𝑋 ) = (𝑥 − 𝐸 𝑋 )𝑛 ∙ 𝑓𝑋 (𝑥) ∙ 𝑑𝑥
−∞
Од (35), се дпбива
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 2𝑋𝐸 𝑋 + 𝐸 𝑋 2
= 𝐸 𝑋 2 − 𝐸 2𝑋𝐸 𝑋 + 𝐸 𝐸 𝑋 2
= 𝐸 𝑋 2 − 2𝐸 𝑋 𝐸 𝑋 + 𝐸 𝑋 2
= 𝐸 𝑋2 − 𝐸 𝑋 2
Така,
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸 𝑋 2
За 𝑛 r.v. имаме
𝑛 𝑛
𝐸 𝑋𝑖 = 𝐸[𝑋𝑖 ]
𝑖=1 𝑖=1
Пример 7. Вп една Roulette игра, играшиуе ги суаваау нивниуе пблпзи, и еднп уппше се
спущуа на една пд 38 нумерирани дупки вп еднп свруувашкп уркалп сп исуа верпјаунпсу
пд 1/38. Вп сиуе пращаоа за Roulette, преуппсуавуваме дека брпјпу на кпј уппшеуп се
спущуа е независен пд брпевиуе на кпи се спущуа вп билп кпи други преухпдни или
идни игри (сврууваоа на уркалп). Еден играш има разлишни пблпжувашки ппции за
избпр. Билп кпја пд пвие ппции мпже да се преусуави сп еднп мнпжесувп пд 𝑛
нумерирани дупки. Акп играшпу суави 𝐵 дплари и акп уппшеуп се спущуи на билп кпј пд
брпевиуе вп избранпуп мнпжесувп, исплауауа щуп му се дава на играшпу е дадена сп
1 36
𝑃𝑎𝑦𝑜𝑢𝑡 = ∙ 36 − 𝑛 ∙ 𝐵 = −1 ∙𝐵
𝑛 𝑛
Акп уппшеуп не се спущуи на билп кпј пд избраниуе брпеви играшпу гп губи пблпгпу пд
𝐵 дплари. На пример, акп 𝐵 = 1 и 𝑛 = 18, играшпу дпбива исплауа пд 1 дплар. Еден
Roulette има 18 црвени дупки и 18 црни дупки, и има две дпдауни зелени дупки за
нула и двпјна-нула. Еден нашин за пблпжуваое на избранп мнпжесувп пд 18 брпеви е
пблпжуваое на црвенп (на сиуе 18 црвенп пбпени дупки). Да се најде среднипу (у.е.
пшекуванипу) дпбиу за играшпу кпј влпжува 𝐵 = 1 вп една игра за релевануен ппсег пд
𝑛 вреднпсуи.
Одгпвпр. За слушајпу 𝐵 = 1 и 𝑛 = 18, играшпу дпбива 1 дплар сп верпјаунпсу 18/38, и
губи 1 дплар сп верпјаунпсу 20/38. Нека слушајнауа прпменлива 𝑋 гп преусуавува
дпбиупу вп една игра. Ппради упа, среднипу дпбиу е даден сп
18 20
𝐸𝑋 = 1 ∙ + −1 ∙ = −0.053.
38 38
Да се ппвупри пваа пресмеука за разлишни 𝑛 вреднпсуи.
15
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
2. Случајни прпцеси
За разбираое на пднесуваоауа на разлишни прирпдни и вещуашки прпцеси, уие
шесуп се мпделираау какп кплекции пд r.v. каде суауисуишкиуе каракуерисуики и
зависнпсуи на уакви r.v. се присппспбени кпн пние на реалниуе прпцеси. Ппради упа,
исуражуваоеуп вп пплеуп на слушајни прпцеси има 3 аспекуи:
1. Теприја: мауемауишки исуражуваоа на мпдели за супхасуишки прпцеси кпи
имаау за цел ппдпбрп разбираое на нивниуе пспбини.
2. Мереоа: изврщени на реален прпцес за да се иденуификуваау негпвиуе
суауисуишки каракуерисуики.
3. Мпделираое: присппспбуваое на измерениуе суауисуишки каракуерисуики на
реалнипу прпцес сп пние на еден мпдел и развиваое на нпви мпдели за
слушајни прпцеси щуп дпбрп пдгпвараау (у.е. се слпжуваау) на реалнипу прпцес.
За еднп даденп ппдреденп мнпжествп 𝑇, случаен прпцес {𝑿𝒕 , 𝒕 ∈ 𝑻} е ппдредена
кплекција пд r.v. Тие мпже или не мпже да бидау иденуишнп распределени. Вп мнпгу
примени, индекспу 𝑡 се кприсуи да мпделира време. Сппред упа, r.v. 𝑋𝑡 за даденп 𝑡
мпже да гп преусуавува, на пример, брпјпу на уелефпнски ппвици кпи присуигнале вп
една ценурала за време 𝑡.
Акп ппдреденпуп мнпжесувп 𝑇 е пребрпивп, слушајнипу прпцес се вика дискретнп-
временски прпцес, или временска серија. Вп спрпуивнп, слушајнипу прпцес се вика
непрекинатп-временски прпцес.
Разгледувајќи гп преухпднипу пример, каде брпјпу на уелефпнски ппвици щуп
присуинуваау вп една ценурала за време 𝑡 се мпделира какп еден непрекинауп-
временски прпцес {𝑋𝑡 , 𝑡 ∈ 𝑇}, мпжеме алуернауивнп да кприсуиме дискреунп-
временски прпцес да ја мпделираме исуауа рабпуа. Ова мпже да се направи сп
дефинираое на дискреунп-временскипу прпцес {𝑋𝑛 , 𝑛 = 1,2,3, … }, каде 𝑋𝑛 е r.v. щуп гп
преусуавува, на пример, брпјпу на ппвици щуп присуигнуваау вп 𝑛-уа минууа.
Еден слушаен прпцес {𝑋𝑡 , 𝑡 ∈ 𝑇} се нарекува дискретнп прпстпрен слушаен прпцес
акп r.v. 𝑋𝑡 се дискреуни, а се нарекува непрекинатп прпстпрен слушаен прпцес акп
уие се непрекинауи. Ппради упа, имаме 4 уиппви на слушајни прпцеси:
1. Дискреунп-временски дискреунп-прпсупрен (Discrete-Time Discrete-Space)
2. Дискреунп-временски непрекинауп-прпсупрен (Discrete-Time Continuous-Space)
3. Непрекинауп-временски дискреунп-прпсупрен (Continuous-Time Discrete-Space)
4. Непрекинауп-временски непрекинауп-прпсупрен (Continuous-Time Continuous-Space)
Еден дискреунп-временски слушаен прпцес {𝑋𝑛 , 𝑛 = 1,2,3, … } е стрпгп стаципнарен,
акп за билп кпе ппдмнпжесувп пд {𝑋𝑛 }, на пр. {𝑋𝑛 1 , 𝑋𝑛 2 , … , 𝑋𝑛(𝑘) }, за билп кпј цел
брпј 𝑚 здруженауа верпјаунпсуна функција 𝑃(𝑋𝑛 1 +𝑚 , 𝑋𝑛 2 +𝑚 , … , 𝑋𝑛 𝑘 +𝑚 ) е независна
пд 𝑚. Вп пвпј слушај, верпјаунпсунауа сурукуура на прпцеспу не се менува сп времеуп.
Акп вреднпсуа на 𝑘 е пгранишена сп некпја вреднпсу 𝑘 ∗, велиме дека прпцеспу е
стаципнарен пд ред 𝑘 ∗ .
Еквиваленуна дефиниција за сурпга суаципнарнпсу се применува за непрекинауп-
временски слушаен прпцес. Еден уакпв прпцес 𝑋𝑡 е стрпгп стаципнарен, акп негпвиуе
суауисуишки пспбини не се менуваау сп ппмесууваое на ппшеупкпу. Именп, прпцеспу 𝑋𝑡
е суауисуишки исуипу какп прпцеспу 𝑋𝑡−𝑑 за билп кпја вреднпсу на 𝑑.
16
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
Еден важен слушаен прпцес е Gaussian прпцес, дефиниран какп прпцес кпј ја има
пспбинауа дека здруженауа верпјаунпсуна функција (гусуина) придружена на билп кпе
мнпжесувп пд времиоа е multivariate Gaussian. Негпвауа важнпсу лежи вп негпвауа
пспбина да биде упшен мпдел за суперппзиција на мнпгу независни прпцеси. Ова гп
прави Gaussian прпцес еден кприсен мпдел за мнпгу мулуиплексиранипу сппбраќај, кпј
дпада кај кпмууауприуе или рууериуе длабпкп вп една главна уелекпмуникациска мрежа.
За среќа, Gaussian прпцес не е самп кприсен, ууку упј исуп уака е еднпсуавен и
ппкпрен за анализа. За една multivariate Gaussian распределба, сиуе здружени
мпменуи на Gaussian слушајни прпменливи целпснп се пдредени сп здружениуе
мпменуи пд прв и вупр ред на прпменливиуе. Ппради упа, акп пвие мпменуи не се
менуваау сп времеуп, самиуе Gaussian слушајни прпменливи се суаципнарни. Ова
имплицира дека за еден Gaussian прпцес, суаципнарнпсу пд ред два (исуп уака
нарешена слаба стаципнарнпст) имплицира сурпга суаципнарнпсу.
За една временска серија {𝑋𝑛 , 𝑛 = 1,2,3, … }, слаба суаципнарнпсу имплицира дека,
за сиуе 𝑛, 𝐸(𝑋𝑛 ) е кпнсуануа, пзнашена сп 𝐸(𝑋), независнп пд 𝑛. Именп, 𝐸 𝑋 = 𝐸(𝑋𝑛 ),
за секпе 𝑛.
2.1. Тпчкасти прпцеси
Специјална класа на слушајни прпцеси се тпчкасти прпцеси, кпи исуп уака
ппседуваау две пспбини: ппдреденпст (orderliness) и без мемприја (memorylessness).
Два прпцеси щуп припадаау на пваа специјална класа се: еден е дискреунп-временски,
нарешен Bernoulli прпцес, и друг е непрекинауп-временски, нарешен Poisson прпцес.
Тпшкасу прпцес е една низа пд насуани, кпи ги нарекуваме дпадаоа щуп се
ппјавуваау слушајнп вп временски упшки 𝑡𝑖 (𝑖 = 1,2, … ). Ги нарекуваме насуаниуе
дпадаоа вп кпнуексу сп шекашкиуе сисуеми, каде упшкасу прпцес уипишнп пдгпвара на
упшкиуе на дпадаоа, у.е. 𝑡𝑖 е времеуп на 𝑖-уп дпадаое кпе се приклушува на редицауа.
Тпшкасу прпцес мпже да се дефинира сп негпвипу брпечки прпцес {𝑁 𝑡 , 𝑡 ≥ 0},
каде 𝑁 𝑡 е брпјпу на дпадаоа ппјавени внауре вп [0, 𝑡). Еден брпешки прпцес ги има
следниуе пспбини:
1. 𝑁 𝑡 ≥ 0.
2. 𝑁 𝑡 е цел брпј.
3. Акп 𝑠 > 𝑡, упгащ 𝑁(𝑠) ≥ 𝑁(𝑡) и 𝑁 𝑠 − 𝑁(𝑡) е брпјпу на ппјавуваоа вп (𝑡, 𝑠].
Да забележиме дека 𝑁(𝑡) не е независен прпцес. Друг нашин да се дефинира
упшкасу прпцес е сп слушајнипу прпцес на времиоауа на меду-дпадаоа: Δ𝑖 = 𝑡𝑖+1 − 𝑡𝑖 .
Една важна пспбина на еден брпешки прпцес е у.н. ппдреднпст, кпја знаши дека
верпјаунпсуа дека две или ппвеќе дпадаоа се слушуваау наеднащ е занемарлива. За еден
непрекинауп-временски брпешки прпцес да биде ппдреден, упј уреба да испплнува:
lim 𝑃(𝑁 𝑡 + Δ𝑡 − 𝑁 𝑡 > 1|𝑁 𝑡 + Δ𝑡 − 𝑁 𝑡 ≥ 1) = 0.
𝑡→0
Друга мнпгу важна пспбина е без мемприја. Еден слушаен прпцес е без мемприја
акп вп билп кпја временска упшка, иднипу развпј на прпцеспу е суауисуишки независен
пд негпвпуп минауп.
17
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
18
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
други пакеуи. Вп пвпј слушај, прпцеспу 𝑋𝐴 (𝑡), 𝑡 ≥ 0, следи Poisson прпцес сп парамеуар
𝑝 ∙ 𝜆, и прпцеспу 𝑋𝐵 (𝑡), 𝑡 ≥ 0, следи Poisson прпцес сп парамеуар (1 − 𝑝) ∙ 𝜆.
Забележуваме дека 𝑋(𝑡), 𝑋𝐴 (𝑡) и 𝑋𝐵 (𝑡) гп преусуавуваау брпјпу на ппјавуваоа вп уекпу
на временскипу инуервал [0, 𝑡) за секпј пд пвие прпцеси. Преуппсуавуваме дека
прпследуваоеуп се прави инсуанунп при дпадаое вп Switch X, уака 𝑋 𝑡 = 𝑋𝐴 𝑡 + 𝑋𝐵 (𝑡).
Слушајпу на разделуваое на Poisson прпцес вп два Poisson прпцеси сп слушаен избпр
на секпе ппјавуваое мпже да се генерализира вп разделуваое на Poisson прпцес вп 𝑁
прпцеси на слишен нашин. Опщуп, акп разгледаме разделуваое на Poisson прпцес сп
рауа 𝜆 вп 𝑁 упшкасуи прпцеси, каде секпе ппјавуваое на пригиналнипу прпцес
ппсуанува ппјавуваое на еден пд 𝑁-уе упшкасуи прпцеси, именп, на 𝑖-пу прпцес сп
верпјаунпсу 𝑝𝑛 ≥ 0, 𝑛 = 1,2, … , 𝑁, каде 𝑁𝑛=1 𝑝𝑖 = 1, упгащ секпј пд пвие 𝑁 прпцеси е
еден Poisson прпцес, каде рауауа на 𝑛-пу прпцес, 𝑛 = 1,2, … , 𝑁, е еднаква на 𝑝𝑛 ∙ 𝜆.
Забележуваме дека разделуваоеуп на еден Poisson прпцес на мнпгу Poisson прпцеси,
или разделуваое на еден Bernoulli прпцес на Bernoulli прпцеси, бара слушаен избпр за
секпе ппјавуваое. Акп на пример, разделуваоеуп не е слушајнп, ууку регуларнп, првипу
пакеу щуп дпада на Switch X се прпследува дп A, вуприпу дп B, уреуипу дп A, шеувруипу
дп B, иун. Вп пвпј слушај, пакеунипу ппупк пд X дп A (X-A прпцеспу) нема да следи
Poisson прпцес. Тпј ќе следи еден слушаен прпцес, кпј е упшкасу прпцес каде времиоауа
на меду-дпадаоа се Erlang распределени сп парамеури 𝜆 и 2.
Свпјсувауа на Poisson прпцеспу, именп, независнпсу и временска-хпмпгенпсу,
пвпзмпжуваау упј слушајнп да прегледува други непрекинауп-временски слушајни
прпцеси на нашин каде примерпкпу щуп упј гп пбезбедува ни дава дпвплнп
инфпрмација за временски-усреднуваоа. Сп други збпрпви, негпвиуе прегледуваоа
не се присурасуни. Примери на временски-усреднуваоа се делпу пд времеуп еден
прпцес 𝑋(𝑡) да е вп спсупјба 𝑛, у.е. делпу пд времеуп вп шиј уек 𝑋 𝑡 = 𝑛, или вкупнауа
средна вреднпсу на прпцеспу дефинирана сп
𝑇
𝑜
𝑋(𝑡) ∙ 𝑑𝑡
𝐸𝑋 𝑡 =
𝑇
за еден прпизвплнп гплем инуервал 𝑇. Овие свпјсува дека еднп ппјавуваое мпже да се
слуши вп билп кпе време сп еднаква верпјаунпсу, без пглед на времиоауа на минауиуе
ппјавуваоа, дпведува дп изразпу прпцес сп шиста щанса (pure chance process) за
Poisson прпцеспу.
Ппкрај Poisson прпцеспу, има други прпцеси, у.н. мешачки прпцеси кпи исуп уака гп
имаау свпјсувпуп на прегледуваоа без присураснпсу. Ппсебнп, се кприсуи упшкасу
прпцес каде времиоауа на меду-дпадаое се независнп Gamma (генерализација на
Erlang слушајна прпменлива) распределени за мереое на загуба на пакеуи и дпцнеое
преку Инуернеу. Такпв упшкасу прпцес е еден мещашки прпцес, и уака мпже „да види
временски-усреднуваоа“ без присураснпсу.
Слушајнипу прпцес нарешен Markov modulated Poisson process (MMPP) е упшкасу
прпцес кпј се пднесува какп Poisson прпцес сп парамеуар 𝜆𝑖 за еден временски перипд
кпј е експпненцијалнп распределен сп парамеуар 𝛿𝑖 . Ппупа упј се придвижува вп
спсупјба (режим) 𝑗, каде се пднесува какп Poisson прпцес сп парамеуар 𝜆𝑗 за еден
временски перипд кпј е експпненцијалнп распределен сп парамеуар 𝛿𝑗 . Парамеуриуе
се нарешени параметри за траеое на режими (mode duration parameters). Опщуп,
20
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
21
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
𝜆0 𝜆𝑛−1 𝜆𝑛 𝜆𝑀−1
𝜇1 𝜇𝑛 𝜇𝑛 +1 𝜇𝑀
23
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
𝑝𝑛 = 1. (37)
𝑛=0
24
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
25
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
26
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
3. Мерки за инфпрмација
Кпга се пбидуваме да ја разрещиме инфпрмациската спдржина на еден насуан,
наидуваме на уещкпуија ппврзана сп субјекуивнпсуа на инфпрмацијауа кпја ефекуивнп
ни се дпнесува кпга се слушува насуанпу.
За да се разрещи пвпј прпблем, Shannon ја следел идејауа за дефинираое на
инфпрмациска спдржина (𝐸) на еден насуан 𝐸 какп функција кпја зависи единсувенп
пд верпјаунпсуа 𝑃{𝐸}. Тпј ги дпдал следниуе аксипми:
(𝐸) мпра да е ппадашка функција пд 𝑃{𝐸}: щуп ппвеќе еден насуан е верпјауен,
уплку ппмалку инфпрмација ни нпси негпвпуп ппјавуваое.
𝐸 = 0 акп 𝑃 𝐸 = 1, бидејќи акп сме сигурни (нема спмнеж) дека 𝐸 ќе се
слуши, не дпбиваме инфпрмација пд негпвипу исхпд.
𝐸 ∩ 𝐹 = 𝐸 + (𝐹) акп 𝐸 и 𝐹 се независни.
Единсувенауа функција кпја ги испплнува гпрниуе аксипми е лпгариуамскауа функција:
1
𝐸 = log = − log 𝑃{𝐸}
𝑃{𝐸}
Бидејќи 𝐸 преусуавува една мерка, уаа е изразена вп разлишни единици спгласнп
сп избранауа пснпва за лпгариуам.
Исхпдпу (или не) на 𝐸 вклушува еден експеримену. Пред (сппдвеунп, ппсле) пвпј
експеримену, ќе мислиме за 𝑖(𝐸) какп неизвеснпст (сппдвеунп, самп-инфпрмација)
придружена на негпвипу исхпд.
Пример 1. Нека разгледаме щпил пд 32 каруи, секпја пд кпи се влеше слушајнп. Да се
пресмеуа кплишинауа на неизвеснпсу на насуанпу 𝐸 = {Извлешенауа каруа е крал срце}.
Одгпвпр. Бидејќи секпја каруа има исуа верпјаунпсу да биде избрана, имаме
𝑃 𝐸 = 1/32,
и дпбиваме
𝐸 = log 2 32 = log 2 25 = 5 bits.
Бидејќи 𝐸 е цел брпј, леснп мпже да гп инуерпреуираме резулуаупу: 5 bits се
ппуребни за да се специфицира една каруа меду 32 каруи. ∎
Бидејќи неизвеснпсуа на еден насуан 𝐸 зависи пд верпјаунпсуа на 𝐸, исуп уака мпже
да ја дефинираме неизвеснпста на 𝑬, знаејќи дека друг настан 𝑭 се случил сп
кприсуеое на услпвнауа верпјаунпсу 𝑃{𝐸/𝐹}:
𝐸/𝐹 = − log 𝑃{𝐸/𝐹},
со
𝑃{𝐸 ∩ 𝐹}
𝑃{𝐸/𝐹} = .
𝑃{𝐹}
27
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
Одгпвпр. Имаме,
𝑖 𝐸; 𝐹 = 𝐸 − (𝐸/𝐹),
каде
16 15 16 16 47 16
𝑃 𝐸 = ∙ +2∙ ∙ = и 𝑃(𝐸/𝐹) = .
32 31 32 31 62 31
Така,
62 31
𝑖 𝐸; 𝐹 = log 2 − log 2 = −0.55 bit.
47 16
Вп пвпј слушај, знаејќи дека 𝐹 се слушил, гп прави 𝐸 ппмалку верпјауен, и заемнауа
инфпрмација е негативна. ∎
Ентрппијата 𝑯(𝑿) на една дискреуна r.v. 𝑋 щуп зема вреднпсуи {𝑥1 , 𝑥2 , … , 𝑥𝑀 } сп
верпјаунпсу 𝑝𝑛 = 𝑃{𝑋 = 𝑥𝑛 }, 𝑛 = 0,1, … , 𝑀, е неизвеснпсуа пд сиуе исхпди 𝑋 = 𝑥1 ,
𝑋 = 𝑥2 , … , {𝑋 = 𝑥𝑀 }:
𝑀 𝑀
𝐻 𝑋 = 𝑖𝑛 ∙ 𝑝𝑛 = − 𝑝𝑛 ∙ log 𝑝𝑛 .
𝑛=1 𝑛=1
каде
𝑁
Од уука, имаме:
𝑁 𝑀
30
Случајни процеси и теорија на информации ЕУРМ, Скопје, 2018/19
31