Rachunek prawdopodobieństwa 6. Zmienna losowa, dystrybuanta
Transkrypt
Rachunek prawdopodobieństwa 6. Zmienna losowa, dystrybuanta
Rachunek prawdopodobieństwa 6. Zmienna losowa, dystrybuanta Definicja 6.1 Niech (Ω, F, P ) będzie przestrzenią probabilistyczną. Zmienną losową ξ nazywamy funkcję niemalejącą ξ: Ω → R spełniającą warunek ^ {ω ∈ Ω: ξ(ω) ∈ B} ∈ F B∈B(R) gdzie B(R) oznacza rodzine zbiorów borelwskich na prostej. Inaczej: dla każdego B ∈ B(R) zachodzi ξ −1 (B) ∈ F Przykład 6.1 Rozpatrzmy wynik pojedynczego rzutu monetą. Niech Ω = {O, R}, F = 2Ω . P (O) = P (R) = 12 . Określmy funkcje ξ następująco ( ξ(ω) = 1, ω = O 0, ω = R Niech B będzie dowolnym zbiorem borelowskim. Wówczas 0, 1 ∈ /B {R}, 0 ∈ B, 1 ∈ /B {ω ∈ Ω: ξ(ω) ∈ B} = {O}, 0 ∈ / B, 1 ∈ B Ω, 0, 1 ∈ B Ø, Stwierdzamy, że {ω ∈ Ω: ξ(ω) ∈ B} ∈ F . Zatem funkcja ξ jest zmienną losową. Przykład 6.2 Niech Ω = h0, 1i, F = B(h0, 1i) oraz P = l|h0,1i , gdzie l|h0,1i oznacza miarę Lebesque’a na odcinku h0, 1i. Określmy funkcję ξ(ω) = ω. Pokażemy, że ξ jest zmienną losową. Niech B będzie zbiorem borelowskim odcinka h0, 1i. Wtedy: {ω ∈ Ω: ξ(ω) ∈ B} = {ω ∈ Ω: ω ∈ B} = B ∩ h0, 1i ∈ F gdyż przekrój zbioru borelowskiego B ⊂ h0, 1i ze zbiorem borelowskim h0, 1i jest zbiorem borelowskim odcinka h0, 1i. Zatem pokazaliśmy, że ξ jest zmienną losową. Definicja 6.2 Niech (Ω, F, P ) będzie przestrzenią probabilistyczną. Dystrybuantą zmiennej losowej ξ nazywamy funkcję Fξ : R → h0, 1i określoną wzorem Fξ (x) = P ({ω ∈ Ω: ξ(ω) < x}) Uwaga 6.1 Jeśli x ∈ R, to {ω ∈ Ω: ξ(ω) < x} = {ω ∈ Ω: ξ(ω) = (−∞, x)} ∈ F Przykład 6.3 Rozpatrzmy doświadczenie z przykładu (6.1) i zmienną losową ξ tam określoną. Niech B = (−∞, x). Wówczas: Ø, x ∈ (−∞, 0i 0, 1 ∈ /B Ø, / B = {R}, x ∈ (0, 1i {ω ∈ Ω: ξ(ω) = (−∞, x)} = {R}, 0 ∈ B, 1 ∈ Ω, 0, 1 ∈ B Ω, x ∈ (1, ∞) Zatem P (Ø), x ¬ 0 0, x¬0 0<x¬1 Fξ (x) = P ({ω ∈ Ω: ξ(ω) < x}) = P (R), x ∈ (0, 1i = P (Ω), x ∈ (1, ∞) 1, x > 1 1 , 2 Wykresem dystrybuanty Fξ jest funkcja schodkowa o punktach nieciągłości w 0 i 1. Przykład 6.4 Rozpatrzmy teraz przestrzeń probabilistyczną z przykładu (6.2) i określoną tam zmienną losową ξ. Mamy stamtąd: {ω ∈ Ω: ξ(ω) ∈ B} = B ∩ h0, 1i. Niech B = (−∞, x). Wówczas: Ø, x¬0 {ω ∈ Ω: ξ(ω) ∈ (−∞, x)} = (−∞, x) ∩ h0, 1i = h0, x), 0 < x ¬ 1 h0, 1i, x > 1 A zatem 0, x¬0 Fξ (x) = P ({ω ∈ Ω: ξ(ω) ∈ (−∞, x)}) = x, 0 < x ¬ 1 1, x > 1 Uwaga 6.2 Przyjmijmy następujące oznaczenie: P (ξ = x) = P ({ω ∈ Ω: ξ(ω) ∈ (−∞, x)}) Twierdzenie 6.1 Dystrybuanta Fξ zmiennej losowej ξ jest funkcją niemalejącą, to znaczy jeśli x1 ¬ x2 , to Fξ (x1 ) ¬ Fξ (x2 ) Dowód: Załóżmy, że x1 ¬ x2 . Wówczas mamy (−∞, x1 ) ⊆ (−∞, x2 ), skąd otrzymujemy, że {ω ∈ Ω: ξ(ω) ∈ (−∞, x1 )} ⊆ {ω ∈ Ω: ξ(ω) ∈ (−∞, x2 )} i ostatecznie Fξ (x1 ) = P (ξ = x1 ) ¬ P (ξ = x2 ) = Fξ (x2 ) Twierdzenie 6.2 Dystrybuanta Fξ zmiennej losowej ξ jest funkcją lewostronnie ciągłą, to znaczy lim Fξ (x) = Fξ (a) x→a− Dowód: Weźmy dowolny ciąg xn 6= a zbieżny do a i niech xn rośnie do a. Pokażemy, że Fξ (xn ) → Fξ (a). Utwórzmy zbiory An = {ω ∈ Ω: ξ(ω) < xn } oraz niech A = {ω ∈ Ω: ξ(ω) < a}. Ponieważ xn < xn+1 , to An ⊂ An+1 . Ponadto ^ An ⊂ A ⇒ n ∞ [ An ⊂ A n=1 Dla pokazania zawierania w drugą stronę weźmy dowolne ω ∈ A. Wtedy _ ^ p ξ(ω) < xn < a ⇒ ω ∈ An ⇒ A ⊂ n>p ∞ [ An n=1 A zatem A= ∞ [ An ⇒ n=1 Fξ (a) = P (A) = n→∞ lim P (An ) = n→∞ lim Fξ (xn ) Twierdzenie 6.3 Dla dystrybuanty Fξ zmiennej losowej ξ zachodzą następujące równości lim Fξ (x) = 0 x→−∞ lim Fξ (x) = 1 x→∞ Twierdzenie 6.4 Dla dystrybuanty Fξ zmiennej losowej ξ i dla dowolnych a, b ∈ R takich, że a < b zachodzi równość P ({ω ∈ Ω: a ¬ ξ(ω) < b}) = Fξ (b) − Fξ (a) Dowód: Zauważmy, że {ω ∈ Ω: a ¬ ξ(ω) < b} = {ω ∈ Ω: ξ(ω) < b} − {ω ∈ Ω: ξ(ω) < a} i po obłożeniu prawdopodobieństwej dostajemy tezę twierdzenia. Twierdzenie 6.5 Dla dystrybuanty Fξ zmiennej losowej ξ zachodzi równość P ({ω ∈ Ω: ξ(ω) ¬ x}) = lim+ Fξ (y) y→x Twierdzenie 6.6 Dla dystrybuanty Fξ zmiennej losowej ξ zachodzi równość P ({ω ∈ Ω: ξ(ω) = x}) = lim+ Fξ (y) − Fξ (x) y→x Uwaga 6.3 Na zachodzie Europy często przyjmowana jest odmienna definicja dystrybuanty. Mianowicie ostra nierówność jest zastępowana słabą nierówności. W konsekwencji udowodnione wyżej własności dystrybuanty przyjmują nieco inną postać. Twierdzenie 6.7 Jeśli funkcja F : R → R spełnia warunki twierdzeń (6.1), (6.2), (6.3), tzn. F jest funkcją niemalejącą, lewostronnie ciągłą oraz lim F (x) = 0 lim F (x) = 1 x→∞ x→−∞ to istnieje przestrzeń probabilistyczna (Ω, F, P ) oraz zmienna losowa ξ w tej przestrzeni taka, że: F (x) = P ({ω ∈ Ω: ξ(ω) < x}) 7. Typy dystrybuant I. Dystrybuanta dyskretna (skokowa) Dystrybuanta dyskretna jest związana ze zmienną losową dyskretną, tzn. przyjmującą skończoną lub przeliczalną ilość wartości (np. rzut kostką). Jeśli zmienna losowa ξ przyjmuje wartości x1 , x2 , . . ., to pi = P ({ω ∈ Ω: ξ(ω) = xi }) [ X {ω ∈ Ω: ξ(ω) = xi } = Ω i∈I i∈I Wówczas dystrybuanta dyskretna Fξ ma postać Fξ (x) = X pi gdzie I(x) = {i ∈ I: xi < x} i∈I(x) Dystrybuanta Fξ ma skoki w punktach xi , i ∈ I. Ponadto jeśli x1 < x2 < . . . < xi−1 < xi oraz x < xi , to Fξ (x) = i−1 X k=1 pi Fξ (xi ) = i−1 X k=1 pi Fξ (xi + ε) = i X k=1 pi pi = 1 II. Dystrybuanta absolutnie ciągła Definicja 7.1 Dystrybuantę Fξ nazywamy absolutnie ciągłą, jeśli istnieje funkcja f : R → R, taka, że f (x) 0 dla x ∈ R oraz Z x f (t)dt Fξ (x) = −∞ Funkcję f nazywamy gęstością dystrybuanty. Ponieważ Fξ (x) → 1, gdy x → ∞, to lim Fξ (x) = lim x→∞ Z x→∞ x f (t)dt = −∞ Z ∞ f (t)dt = 1 −∞ Ponadto prawie wszędzie (względem miary Lebesque’a) dFξ (x) = f (x) dx Przykład 7.1 Niech Ω = h0, 1i, F = B(h0, 1i), P = l|h0,1i oraz ξ(ω) = ω. Wówczas dystrybuanta Fξ ma postać 0, x¬0 Fξ (x) = x, 0 < x ¬ 1 1, x > 1 ⇒ 0, x ¬ 0 dFξ (x) = 1, 0 < x ¬ 1 dx 0, x > 1 Gęstość f (x) wyraża się wzorem ( f (x) = 1, x ∈ (0, 1i 0, x ∈ / (0, 1i III. Dystrybuanta osobliwa Definicja 7.2 Dystrybuantę Fξ nazywamy osobliwą, jeśli jest absolutnie ciągła, ale zbiór jej punktów wzrostu jest miary Lebesque’a zero. Punkt x nazywamy punktem wzrostu dystrybuanty Fξ , jeśli dla każdego ε > 0 mamy Fξ (x + ε) − Fξ (x − ε) > 0 IV. Dystrybuanta mieszana Dystrybuantę Fξ nazywamy mieszaną, jeśli jest ona postaci Fξ (x) = a1 Fs (x) + a2 Fc (x) + a3 Fo (x) (∗) gdzie Fs jest dystrybuantą skokową, Fc – absolutnie ciągłą, Fo – osobliwą, liczby a1 , a2 , a3 0 oraz a1 + a2 + a3 = 1. Twierdzenie Lebesque’a o rozkładzie dystrybuanty mówi, że każdą dystrybuantę da się przedstawić w postaci (∗). 8. Rozkłady Definicja 8.1 Rozkładem zmiennej losowej ξ: Ω → R nazywamy miarę µξ określoną na B(R): µξ (B) = P ({ω ∈ Ω: ξ(ω) ∈ B}), B ∈ B(R) Zauważmy przede wszystkim, że µξ 0 oraz µξ (B) = P (ξ −1 (B)). Ponadto µξ ∞ [ ∞ [ ! ξ −1 Bn = P n=1 =P ∞ [ !! Bn = n=1 ∞ X ! −1 ξ (Bn ) = n=1 −1 P (ξ (Bn )) = n=1 ∞ X µξ (Bn ) n=1 Zatem (R, B(R), µξ ) jest przestrzenią probabilistyczną. Niech B = (−∞, x). Wówczas µξ ((−∞, x)) = P ({ω ∈ Ω: ξ(ω) ∈ (−∞, x)}) = P ({ω ∈ Ω: ξ(ω) < x}) = Fξ (x) Wobec tego: µξ (ha, bi) = Fξ (b) − Fξ (a). Uwaga 8.1 Dla dalszych rozważań przyjmijmy oznaczenie funkcji charakterystycznej χ zbioru A ( χA (x) = 1, x ∈ A 0, x ∈ /A Definicja 8.2 Rozkład µξ nazywamy dyskretnym, jeśli istnieje taki zbiór S ⊂ R skończony lub przeliczalny, że µξ (S) = 1 µξ (R − s) = 0 S = {xi : i ∈ I} ⇒ µξ (B) = pi = µξ ({xi }) X pi · χB (xi ) i∈I dla dowolnego B ∈ B(R). Uwaga 8.2 Miarą skupioną w punkcie x (δx ) nazywamy miarę określoną wzorem ( δx (A) = 1, x ∈ A 0, x ∈ /A Zauważmy, że µξ = X pi δx(i) i∈I Przykład 8.1 Rozpatrzmy doświadczenie polegające na rzucie monetą. Dla zmiennej losowej ξ danej wzorem ( 1, ω = O ξ(ω) = 0, ω = R jej rozkład ma postać: µξ = 21 δ0 + 12 δ1 Definicja 8.3 Rozkład µξ nazywamy absolutnie ciągłym, jeśli miara probabilistyczna µξ jest absolutnie ciągła względem miary Lebesque’a, tzn. ⇒ l(B) = 0 µξ (B) = 0 Wówczas istnieje (z ogólnej teorii miar absolutnie ciągłych) funkcja f : R → R nieujemna taka, że dla dowolnego B ∈ B(R) zachodzi równość Z µξ (B) = f (x)dx B Funkcję f nazywamy gęstością. Zauważmy, że µξ (ha, bi) = Fξ (b) − Fξ (a). Jeśli µξ jest rozkładem absolutnie ciągłym, to Z b µξ (ha, bi) = f (x)dx a Ponadto jeśli a → −∞, to dostajemy, że Fξ (b) = µξ ((−∞, b)) = Z b f (x)dx −∞ Zauważmy jeszcze, że µξ (R) = 1 Z ⇒ f (x)dx = 1 R Przykład 8.2 Niech Ω = h0, 1i, F = B(h0, 1i), P = l|h0,1i . Określmy zmienną losową wzorem ξ(ω) = ω i jako gęstość przyjmijmy funkcję ( f (x) = 1, x ∈ h0, 1i 0, x ∈ / h0, 1i Wtedy µξ (B) = Z B f (x)dx = Z dx = l(B ∩ h0, 1i) B∩h0,1i Definicja 8.4 Rozkład µξ nazywamy osobliwym jeśli istnieje zbiór borelowski B ∈ B(R) taki, że l(B) = 0 oraz µξ (B) = 1. Wówczas µξ jest rozkładem zmiennej losowej ξ takiej, że P ({ω ∈ Ω: ξ(ω) ∈ B}) = 1 dla pewnego B ∈ B(R) o mierze Lebesque’a zero. Przykład 8.3 Niech C oznacza zbiór Cantora. Przyjmijmy, że dla każdego ω ∈ Ω zmienna losowa ξ: Ω → R ma wartości w zbiorze C. Wtedy µξ (C) = 1 oraz oczywiście l(C) = 0. 9. Typy rozkładów I. Rozkład jednopunktowy Rozkład dyskretny związany ze zmienną losową ξ taką, że istnieje x0 ∈ R dla którego P (ξ = x0 ) = 1. Wtedy µξ = δx(0) . Dystrybuanta Fξ ma postać ( 0, x ¬ x0 1, x > x0 Fξ (x) = A więc dystrybuanta Fξ ma tylko jeden skok w punkcie x0 . II. Rozkład dwupunktowy Rozkład dyskretny związany ze zmienną losową ξ przyjmującą tylko dwie wartości x1 i x2 z prawdopodobieństwami odpowiednio p1 i p2 . Mamy wówczas P (ξ = xi ) = pi dla i = 1, 2. (p1 + p2 = 1). Załóżmy, że x1 < x2 . Wtedy µξ = p1 δx(1) + p2 δx(2) . Dystrybuanta Fξ ma postać 0, x ¬ x1 Fξ (x) = p1 , x1 < x ¬ x2 1, x > x2 III. Rozkład zerojedynkowy Jest to szczególny przypadek rozkładu dwupunktowego, gdzie x1 = 0 oraz x2 = 1. Wartości 0 i 1 są przyjmowane z prawdopodobieństwami: P (ξ = 0) = 1 − p P (ξ = 1) = p Ponadto µξ = (1 − p)δ0 + pδ1 IV. Rozkład dwumianowy (Bernoulliego) Rozważmy n prób Bernoulliego. Niech p oznacza sukces w pojedyńczej próbie, a 1 − p niech oznacza porażkę. Niech k oznacza ilość sukcesów w n próbach. Zatem k = 0, 1, . . . , n. Niech zmienna losowa ξ oznacza ilość sukcesów w k próbach. Zatem ! n k pk := P (ξ = k) = p (1 − p)n−k k Rozkład jest dany wzorem: µξ = n X n X pk = 1 k=0 pk δk k=0 Ponadto n X k=0 pk = n X k=0 ! n k p (1 − p)n−k = (p − (1 − p))n = 1 k Przyjmijmy oznaczenie: pk := Pn (k). V. Rozkład geometryczny Rozważmy ciąg prób Bernoulliego. Niech p oznacza sukces w pojedyńczej próbie, a 1 − p niech oznacza porażkę. Niech zmienna losowa ξ oznacza ilość doświadczeń do pierwszego sukcesu. Zatem pk := P (ξ = k) = (1 − p)k p k = 0, 1, . . . , n, . . . Oczywiście µξ = ∞ X ∞ X pk δk k=0 pk = p k=0 ∞ X (1 − p)k = p · k=0 1 =1 1 − (1 − p) VI. Rozkład hipergeometryczny Rozważmy urnę z N kulami, wśród których jest M kul białych L = N − M kul czarnych. Wybieramy n kul bez zwracania. Niech k oznacza ilość kul białych wśród n wylosowanych. Zatem k = 0, 1, . . . , min(n, M ). Niech zmienna losowa ξ oznacza ilość wylosowanych kul białych. Wówczas M k pk := P (ξ = k) = L n−k N n Przyjmijmy oznaczenie: pk = PM,N (k, n). Lemat 9.1 Jeśli N → ∞ oraz M → ∞ w taki sposób, że PM,N (k, n) → Pn (k) = nk pk (1 − p)n−k . Dowód: PM,N (k, n) = M N → p, gdzie p ∈ h0, 1i, to n! M !L!(N − n)! · = k!(n − k)! (M − k)!(L − (n − k))!N ! ! n M (M − 1) . . . (M − k + 1)L(L − 1) . . . (L − (n − k) + 1) = = k N (N − 1) . . . (N − n + 1) Zauważmy, że w ostatnim ułamku zarówno w liczniku jak i w mianowniku mamy po N czynników, podzielmy więc licznik i mianownik przez N n = n k ! M M N N − 1 N ... M N 1 k+1 L L − N1 . . . N N N − N1 . . . 1 − n+1 N − L N − (n−k)+1 N = W liczniku mamy wyrazy postaci: M − Nj , gdzie j = 0, . . . , k − 1 (wszystkie one N zmierzają do p) oraz wyrazy postaci: NL − Ni , gdzie i = 0, . . . , n − k + 1. Zauważmy jednak, że L i N −M i M i − = − = 1− − → 1−p N N N N N N Z kolei w mianowniku mamy wyrazy postaci: 1 − Nr , gdzie r = 0, . . . , n − 1. Zatem wszystkie one zmierzają do 1. Wobec powyższego cały mianownik zmierza do nk pk (1 − p)n−k = Pn (k) VII. Rozkład Poissona Zmienna losowa ξ ma rozkład Poissona z parametrem λ > 0, jeżeli przyjmuje wartości całkowite i nieujemne oraz λk P (ξ = k) = e−λ · k! Lemat 9.2 Niech ξn będzie zmienną losową oznaczającą liczbę sukcesów w n próbach Bernoulliego z prawdopodobieństwem sukcesu pn ! n k P (ξn = k) = p (1 − pn )n−k , k n Jeśli pn jest postaci λ n k = 0, 1, . . . , n n = 1, 2, . . . dla pewnego λ > 0, to lim Pn (k) = e−λ · n→∞ λk k! Dowód: ! n k n Pn (k) = pn (1 − pn )n−k = k k ! λ n !k λk n(n − 1) . . . (n − k + 1) λ · 1− = k k! n n λ 1− n !n−k !n−k n! λk λ = 1− k k!(n − k)! n n λk λ = 1− k! n !n 1− 1 n !n−k ... 1 − 1− λ n = k−1 n k Zauważmy, że przy n → ∞ mamy λ 1− n !n λ 1− n → e−λ !k →1 1− t → 1, n t = 0, . . . , k − 1 Wobec czego dostajemy tezę lematu. VIII. Rozkład jednostajny (prostokątny) Rozkład absolutnie ciągły o gęstości ( f (x) = 1 , 2h 0, a−h¬x¬a+h x∈ / ha − h, a + hi a ∈ R, h > 0 Wykres funkcji f (x) składa się z trzech części, przy czym w przedziałach (−∞, a−h) oraz (a + h, ∞) są to półproste o równaniu x = 0. Zatem całka z funkcji f (x) jest 1 polem prostokąta o bokach 2h oraz 2h , oczywiście równym 1. Gdy h = 1 2 oraz a = 12 , to gęstość f (x) ma postać ( f (x) = 1, 0 ¬ x ¬ 1 0, x ∈ / h0, 1i Otrzymujemy w ten sposób rozkład jednostajny na odcinku h0, 1i. Ogólnie dla rozkładu jednostajnego na dowolnym odcinku ha, bi gęstość f (x) wyraża się wzorem ( f (x) = 1 b−a 0 , x ∈ ha, bi ,x ∈ / ha, bi IX. Rozkład normalny Rozkład ten jest związany ze zmienną losową ξ absolutnie ciągłą o gęstości f (x) = √ 1 · e−κ 2πσ gdzie κ = (x − m)2 2σ 2 oraz m ∈ R, σ > 0 Fakt, że zmienna losowa ξ ma rozkład normalny o parametrach m i σ 2 oznaczamy symbolicznie: ξ ∼ N (m, σ 2 ). Dystrybuanta Fξ zmiennej losowej ξ wyraża się wzorem Fξ (x) = Z x √ −∞ 1 · e−κ dt, 2πσ κ= (t − m)2 2σ 2 Szczególnym przypadkiem rozkładu normalnego jest rozkład normalny o parametrach m = 0 oraz σ = 1. Gęstość f (x) i dystrybuanta F mają wówczas postać 1 2 f (x) = √ · e−x /2 2π F (x) = Z x −∞ 1 2 √ · e−t /2 dt 2π Powyższy rozkład jest nazywany standardowym rozkładem normalnym. Jego znaczenie jest o tyle istotne, iż został on stablicowany. Istnieje więc możliwość przejścia z dowolnego rozkładu normalnego do rozkładu standardowego i odczytania wyniku z tablic. Niech ξ ∼ N (m, σ 2 ). Wtedy Fξ (x) = √ 1 Z (x−m)/σ −s2 /2 x−m 1 Z x −κ √ e dt = e ds = F , σ 2πσ −∞ 2π −∞ (t − m)2 κ= 2σ 2 X. Rozkład Cauchy’ego Rozkład związany ze zmienną losową ξ absolutnie ciągłą o gęstości f (x) = 1 λ · 2 π λ + (x − η)2 η ∈ R, λ > 0 Dla λ = 1 i η = 0 otrzymujemy rozkład standardowy Cauchy’ego o gęstości f (x) = 1 1 · π 1 + x2 XI. Rozkład wykładniczy Rozkład związany ze zmienną losową ξ absolutnie ciągłą o gęstości ( f (x) = λe−λx , x 0 0 ,x < 0 λ>0 Powyższe 11 rozkładów stanowi najczęściej spotykane rozkłady zmiennej losowej. Niech (Ω, F, P ) będzie przestrzenią probabilistyczną i niech ξ: Ω → R będzie zmienną losową. Niech ponadto ϕ: R → R będzie funkcją borelowską, tzn. ϕ−1 (B) ∈ B(R) dla każdego B ∈ B(R). Określmy funkcję η: Ω → R wzorem: η(ω) = ϕ(ξ(ω)). Niech B ∈ B(R). Wówczas ze względu na ϕ−1 (B) ∈ B(R) {ω ∈ Ω: η(ω) ∈ B} = {ω ∈ Ω: ϕ(ξ(ω)) ∈ B} = {ω ∈ Ω: ξ(ω) ∈ ϕ−1 (B)} ∈ F Zatem η jest funkcją mierzalną i jest zmienną losową. Postawmy sobie następujący problem. Niech dana będzie zmienna losowa ξ. Spróbujmy znaleźć rozkład zmiennej losowej η Najpierw zauważmy, że dystrybuanta Fη wyraża się wzorem Fη (x) = P ({ω ∈ Ω: η(ω) < x}) = P ({ω ∈ Ω: ϕ(ξ(ω)) ∈ (−∞, x)}) = = P ({ω ∈ Ω: ξ(ω) ∈ ϕ−1 ((−∞, x))}) Rozpatrzymy najpierw przypadek, że ξ jest zmienną losową dyskretną, tzn. ξ przyjmuje wartości x1 , . . . , xn , . . . z prawdopodobieństwami odpowiednio p1 , . . . , pn , . . .. Ponadto pi = P (ξ = xi ). Ponieważ Ω jest zbiorem co najwyżej przeliczalnym, to ξ przyjmuje co najwyżej przeliczalną ilość wartości, co w konsekwencji prowadzi do wniosku, iż zmienna losowa η jest również zmienną losową dyskretną. Załóżmy zatem, że η przyjmuje wartości y1 , . . . , yn , . . .. Należy wyznaczyć jeszcze prawdopodobieństwa z jakimi η przyjmuje te wartości P ({ω ∈ Ω: η(ω) = yi }) = P ({ω ∈ Ω: ϕ(ξ(ω)) = yi }) = ! = P ({ω ∈ Ω: ξ(ω) = xn , ϕ(xn ) = yi )}) = P [ {ω ∈ Ω: ξ(ω) = xn } = n∈J X P ({ω ∈ Ω: ξ(ω) = xn } = n∈J X pn =: qi n∈J gdzie sumowania rozciągają sie po zbiorze J = {n: ϕ(xn ) = yi }. Ostatecznie qi = P (η = yi ) = X pn n∈J Przykład 9.1 Rozważmy zmienną losową przyjmującą dwie wartości 1 i –1 z prawdopodobieństwami P (ξ = 1) = P (ξ = −1) = 21 . Określmy funkcję ϕ(t) = t2 . Wobec tego η(ω) = ξ 2 (ω) = 1, a więc P (η = 1) = 1. Rozpatrzmy teraz sytuacje, kiedy zmienna losowa ξ jest absolutnie ciągła. W tym przypadku zmienna losowa η może być zarówno absolutnie ciągła jak i dyskretna. Przykład 9.2 Niech zmienna losowa ξ ma rozkład jednostajny na h0, 1i i gęstość ( f (x) = 1, x ∈ h0, 1i 0, x ∈ / h0, 1i Określmy funkcję ϕ wzorem ( ϕ(x) = 1, x ∈ h 21 , 1i 0, x ∈ / h 12 , 1i ( ⇒ η(ω) = ϕ(ξ(ω)) = 1, ξ(ω) ∈ h 12 , 1i 0, ξ(ω) ∈ / h 12 , 1i Obliczmy prawdopodobieństwa P (η = 1), P (η = 0) P (η = 1) = P (η ∈ P (η = 0) = P (η ∈ / h 12 , 1i) h 21 , 1i) = = 1 Z 1 2 Z f (x)dx = dx = 1 2 Z dx = h0, 1/2i R−h1/2, 1i 1 2 Zatem zmienna losowa η ma rozkład dyskretny. Przykład 9.3 Niech zmienna losowa ξ ma rozkład jednostajny na h0, 1i i gęstość jak w poprzednim przykładzie. Określmy funkcje ϕ(t) = t2 oraz η(ω) = ξ 2 (ω). Wówczas dystrybuanta zmiennej losowej η wyraża się wzorem ( Fη (x) = P (η < x) = P (ξ 2 < x) = ,x ¬ 0 √ 0 √ P (− x < ξ < x) , x > 0 √ √ √ √ Ponadto P (− x < ξ < x) = Fξ ( x) − Fξ (− x). Załóżmy, że x > 0. Wówczas korzystając ze wzoru na dystrybuantę zmiennej losowej o rozkładzie jednostajnym mamy: ( √ √ x ,0 < x ¬ 1 Fξ ( x) = 1 ,x > 1 √ Oczywiście Fξ (− x) = 0. Wobec tego w ogólnym przypadku √0 x Fη (x) = 1 ,x ¬ 0 ,0 < x ¬ 1 ,x > 1 ( ⇒ fη (x) = 1 √ 2 x 0 , x ∈ (0, 1i ,x ∈ / (0, 1i Twierdzenie 9.1 Niech ξ będzie zmienną losową absolutnie ciągłą o gęstości f (x). Niech ponadto P ({ω ∈ Ω: ξ(ω) ∈ (a, b)}) = 1 (czyli ξ(Ω) ⊂ (a, b)). Niech ϕ: (a, b) → R będzie funkcją klasy C 1 oraz ϕ0 (x) 6= 0 dla x ∈ (a, b). Wtedy zmienna losowa η(ω) = ϕ(ξ(ω)) jest zmienną absolutnie ciągłą i jej gęstość g wyraża się wzorem g(y) = f (h(y)) · |h0 (y)| · χϕ((a,b)) (y) gdzie h(y) jest funkcją odwrotną do funkcji ϕ na przedziale ha, bi. Przykład 9.4 Niech ξ będzie zmienną losową o gęstości f (x). Niech ϕ(t) = at + b, gdzie a, b ∈ R oraz a 6= 0. Wówczas η = aξ + b. Niech ponadto ξ(Ω) ⊂ J. y = at + b ⇒ t= y−b a ⇒ h(y) = ϕ−1 (y) = y−b 1 ∧ h0 (y) = a a Wówczas gęstość g zmiennej losowej η dana jest wzorem ! y − b 1 · χϕ(J) (y) a a g(y) = f Przyjmijmy teraz, że ξ ma rozkład jednostajny na h0, 1i, więc ( f (x) = 1, x ∈ h0, 1i 0, x ∈ / h0, 1i Oczywiście P (ξ ∈ h0, 1i) = 1. Niech a > 0. Wówczas ϕ(h0, 1i) = hb, a + bi oraz 1 g(y) = 1 · · χhb,a+bi (y) a dla b ¬ y ¬ a + b i g(y) = 0 dla pozostałych y. Zatem ( g(y) = 1 a , y ∈ hb, a + bi 0 ,y ∈ / hb, a + bi Niech teraz a < 0. Funkcje h(y) oraz h0 (y) pozostają bez zmian, jednak funkcja ϕ jest tym razem malejąca oraz ϕ(h0, 1i) = ha + b, bi. Zatem g(y) = ( a1 0 , y ∈ ha + b, bi ,y ∈ / ha + b, bi Twierdzenie 9.2 Niech ξ będzie zmienną losową absolutnie ciągłą o gęstości f (x) oraz P (ξ ∈ J) = 1, gdzie J= n [ hak , bk i (ak , bk ) ∩ (al , bl ) = Ø, k 6= l k=1 Niech ϕ: J → R będzie klasy C 1 na przedziałach (ak , bk ) i ϕ0 (x) 6= 0 dla x ∈ (ak , bk ). Wówczas zmienna losowa η(ω) = ϕ(ξ(ω)) jest zmienną losową absolutnie ciągłą i jej gęstość wyraża się wzorem g(y) = n X f (hk (y))|h0k (y)| · χϕ(J(k)) (y) k=1 gdzie hk (y) jest funkcją odwrotną do ϕ(y) na przedziale (ak , bk ) oraz Jk = (ak , bk ). GRZEGORZ GIERLASIŃSKI