Lista 5
Zadania na zastosowanie funkcji charakterystycznych
Zadanie 1. Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach normalnych N (m1, σ1), N (m2, σ2). Korzystając z własności funkcji charakterystycznych, znaleźć rozkład zmiennej losowej Z = X − Y . Odp. 1.
1. φX(t) = exp(m1it − 1
2σ21t2), φ−Y(t) = φY(−t) = exp(−m2it − 1 2σ22t2), 2. φZ(t) = φX(t)φ−Y(t) = exp((m1− m2)it − 1
2(σ12+ σ22)t2) = exp(mit − 1 2σ2t2) gdzie m = m1− m2, σ =pσ12+ σ22. Ponieważ funkcja charakterystyczna
jednoznacznie wyznacza rozkład zmiennej losowej, wnioskujemy, że Z ∼ N (m, σ).
Zadanie 2. Niech X ma rozkład geometryczny, tzn. Pr(X = k) = qkp, k = 0, 1, 2, . . . , gdzie 0 < p < 1 i q = 1 − p. Obliczyć jego funkcję charakterystyczną i korzystając z niej wyznaczyć E [X] i D2[X].
Odp. 2.
φX(t) =
∞
X
k=0
eitkqkp = p
∞
X
k=0
(qeit)k = p 1 − qeit φ0X(t) = ieitpq
(1 − eitq)2, φ0X(0) = ipq
(1 − q)2 = q pi φ00X(t) = − 2e2itpq2
(1 − eitq)3 − eitpq
(1 − eitq)2, φ00X(0) = − 2pq2
(1 − q)3 − pq
(1 − q)2 = −q(1 + q) p2 iE [X] = φ0X(0), E [X] = q
p
i2EX2 = φ00X(0), EX2 = q(1 + q) p2 D2[X] = EX2 − (E [X])2 = q
p2.
Zadanie 3. Obliczyć funkcję charakterystyczną zmiennej losowej o gęstości
f (x) =
(αeαx dla x < 0, 0 dla x ≥ 0
Odp. 3.
φX(t) = EeiXt = α
0
Z
−∞
eixteαxdx = α
α + ite(it+α)x
0
−∞
= α
α + it ikEXk = φ(k)X (0), E [X] = (1/ik)α(−1)k(ik)k! = (−1)kαk!.
Zadanie 4. Obliczyć funkcję charakterystyczną zmiennej losowej X o gęstości
f (x) =
(2x dla x ∈ [0, 1], 0 dla x 6∈ [0, 1].
Korzystając z niej obliczyć E [X] oraz funkcję charakterystyczną zmiennej losowej Y = 2X + 1.
Odp. 4.
1. φX(t) = EeiXt =
1
Z
0
eixt2xdx = −2 + eit(2 − 2it) t2
2. φ0X(t) = 4 + 2eit(−2 + 2it + t2) t3
[H]= 2ieit(−2 + 2it + t2) + 2eit(2i + 2t)
3t2 =
eit2it2 3t2 = 2
3ieit iE [X] = φ0X(0) = 2
3i, E [X] = 2 3
3. φY(t) = EeiY t = E eit(2X+1) = E e2itXeit = eitφX(2t)
Zadania na zastosowanie nierównosci Markowa i Czebyszewa.
Zadanie 5. Niech zmienna losowa X ma rozkład jednostajny na odcinku [0, 1]. Korzystając z nierówności Markowa oszacować od góry
prawdopodobieństwo, że X > 3/4. Porównać otrzymane oszacowanie z wartością dokładną prawdopodobieństwa Pr(X > 3/4).
Odp. 5.
1. E [X] =
1
Z
0
x · 1dx = 1 2 2. Pr(X > 3/4) ≤ 4
3E [X] = 2
3 - z nierówności Markowa 3. Pr(X > 3/4) =
1
Z
3 4
f (x)dx =
1
Z
3 4
1dx = 1
4 - dokładna wartość
Zadanie 6. Zmienne losowe Xi (i = 1, 2, 3, 4) mają ten sam rozkład, jednostajny na odcinku [0, 1]. Oszacować od dołu
Pr(X1+ X2+ X3+ X4 < 3).
Odp. 6.
1. E [Xi] =
1
Z
0
x · 1dx = 1 2,
2. Pr(X1+ X2+ X3+ X4 ≥ 3)≤1 1
3 · 4 · E [Xi] = 1 3 · 4 ·1
2 = 2 3
3. Pr(X1+ X2+ X3+ X4 < 3) = 1 − Pr(X1+ X2+ X3+ X4 ≥ 3) ≥ 1 − 2
3 = 1 3
≤ - zastosowano nierówność Markowa1
Zadanie 7. Zmienne losowe Xi (i = 1, 2, 3, 4) są niezależne o tym samym rozkładzie, przy czym E [Xi] = 1, oraz D2[Xi] = 0.5. Oszacować od dołu Pr(2 < X1+ X2+ X3 + X4 < 6).
Odp. 7. Oznaczamy Y = X1+ X2+ X3+ X4. E [Y ] = 4E [Xi] = 4, D2[Y ] = 4D1 2[Xi] = 2
Pr(2 < Y < 6) = Pr(−2 < Y − 4 < 2) = Pr(|Y − 4| < 2) = 1 − Pr(|Y − 4| ≥ 2) Pr(|Y − 4| ≥ 2) ≤2 1
4D2[Y ] = 1 2 Pr(2 < Y < 6) ≥ 1 − 1
2 = 1 2
≤ - wykorzystano nierówność Czebyszewa2
Zadanie 8. Niech zmienna losowa X będzie sumą 10 niezależnych
zmiennych losowych o tym samym rozkładzie wykładniczym z parametrem λ = 2. Korzystając z nierówności Markowa oszacować od dołu Pr(X ≤ 8), a korzystając z nierówności Czebyszewa oszacować Pr(3 < X < 7).
Odp. 8. Oznaczamy X = X1+ X2+ · · · + X10, E [Xi] = 1/λ = 0.5, D2[Xi] = 1/λ2 = 0.25.
1. E [X] = 10 · 0.5 = 5, σ2 = D2[X] = 10 · 0.25 = 2.5 2. Pr(X ≤ 8) = 1 − Pr(X > 8) ≥ 1 − 1
8E [X] = 1 − 1
8· 5 = 3 8 3. Pr(3 < X < 7) = Pr(−2 < X − 5 < 2) = Pr(|X − 5| < 2) = 1 − Pr(|X − 5| ≥ 2) ≥ 1 − 1
22σ2 = 1 − 0.25 · 2.5 = 0.375
Zadanie 9. Prawdopodobieństwo sukcesu w każdej próbie jest równe 0.25.
Korzystając z nierówności Czebyszewa oszacować od dołu
prawdopodobieństwo tego, że w 800 niezależnych próbach ilość sukcesów będzie większa niż 150, a mniejsza niż 250.
Odp. 9. Niech p = 0.25, n = 800 i niech zmienna losowa Xk oznacza wynik w k - tej próbie, Pr(Xk= 1) = p, Pr(Xk = 0) = 1 − p, k = 1, 2, . . . , 800, zmienna losowa X = X1 + X2+ · · · + X800 oznacza liczbę sukcesów w n = 800 próbach. Zmienna losowa X ma rozkład dwumianowy, Pr(X = k) = nkpk(1 − p)n−k, k = 0, 1, 2, . . . , n. Zachodzą relacje
1. E [X] = np = 200, D2[X] = np(1 − p) = 800 · 0.25 · 0.75 = 150 2. Pr(150 < X < 250) = Pr(−50 < X − 200 < 50) =
Pr(|X − 200| < 50) = 1 − Pr(|X − 200| ≥ 50) ≥ 1 − 1
502σ2 = 0.94 Zadanie 10. Niech X będzie zmienną losową o wartości średniej
m = E [X] i wariancji σ2. Oszacować od dołu wyrażenie Pr(|X − m| < nσ) dla n = 3, 4, 5. Następnie założyć, że X ma rozkład normalny, X ∼ N (m, σ) i to samo zadanie wykonać korzystając z tablic rozkładu normalnego.
Porównać otrzymane wyniki w pierwszym i drugim przypadku.
Odp. 10.
1. Pr(|X − m| < nσ) = 1 − Pr(|X − m| ≥ nσ) ≥ 1 − 1
n2, n = 3, 4, 5 2. Pr(|X − m| < nσ) = Pr
X − m σ
< n
= Pr(−n < X − m
σ < n)= Φ(n) − Φ(−n),1
gdzie Φ(x) jest dystrybuantą standardowego rozkładu normalnego N (0, 1) i n = 3, 4, 5.
Φ(−3) = 0.0013499 Φ(−4) = 0.0000316712 Φ(−5) = 2.86652 ∗ 10−7 Φ(3) = 0.99865 Φ(4) = 0.999968 Φ(5) = 1
Równość = wynika z faktu, że zmienna losowa Y =1 X−mσ ma standardowy rozkład normalny N (0, 1) (standaryzacja zmiennej losowej X).
Zadania, w których można stosować przybliżenie Poissona:
n k
pk(1 − p)n−k ≈ e−λλk k!,
gdzie λ = np, stosowane, gdy n jest duże, p jest małe, λ średnie, np. gdy p ≤ 0.1, 0.1 ≤ λ ≤ 10 oraz n ≥ 100. Zwróć uwagę, że powyższe porównanie dotyczy odpowiednich wartości prawdopodobieństw w rozkładach
Bernoulliego i Poissona.
Zadanie 11. Prawdopodobieństwo wygrania nagrody na loterii wynosi 0.001. Obliczyć prawdopodobieństwo, że wśród 200 grających:
a) żaden nie wygra,
b) wygra co najmniej jeden, c) wygra co najwyżej dwóch.
Odp. 11. Oznaczamy: prawdopodobieństwo sukcesu p = 0.001, ilość prób n = 200, λ = np = 0.2.
a) Pr(X = 0) = n 0
(1 − p)n≈ e−λ b) Pr(X ≥ 1) = 1 − Pr(X = 0) ≈ 1 − e−λ
c) Pr(X ≤ 2) = Pr(X = 0) + Pr(X = 1) + Pr(X = 2) ≈ e−λ
1 + λ1
1! +λ2 2!
≈ 0.998852
pary szóstek. Obliczyć prawdopodobieństwo, że w 100 rzutach liczba sukcesów będzie dodatnia, ale nie przekroczy 2.
Odp. 12. Schemat prób Bernoulliego, przyjmujemy n = 100, prawdopodobieństwo sukcesu w pojedynczej próbie p = 361, λ = np = 100/36.
Pr(1 ≤ X ≤ 2) = Pr(X = 1) + Pr(X = 2) ≈ e−λλ1
1! + e−λλ2
2! ≈ 0.412591
Zadanie 13. Przy transmisji n = 104 bitów dodajemy jeszcze jeden bit tak, aby liczba wszystkich jedynek była parzysta. Błąd w transmisji wykryjemy, jeśli liczba odebranych jedynek będzie nieparzysta. Obliczyć prawdopodobieństwo niewykrycia błędu, gdy prawdopodobieństwo przekłamania pojedynczego bitu wynosi p = 10−6. Wsk. rozpatrzyć przypadek przekłamania dokładnie dwóch bitów. Co w przypadku przekłamania większej, parzystej liczby bitów?
Odp. 13. Zmienna losowa X oznacza liczbę jedynek (sukcesów) w serii bitów. Schemat prób Bernoulliego z n = 104, p = 10−6. W obliczeniach stosujemy przybliżenie Poissona z λ = np = 0.01. Zdarzenie niewykrycia błędu przyjmuje postać A = {X = 2k, k = 1, 2, . . . }. Zachodzą relacje
Pr(A) =
∞
X
k=1
Pr(X = 2k) =
∞
X
k=1
n 2k
p2k(1 − p)n−2k ≈
e−λ 1
2!λ2+ 1
4!λ4+ 1
6!λ6 + . . .
≈ 1 2λ2e−λ
Zadanie 14. Prawdopodobieństwo zdania egzaminu przez studenta pewnej niepublicznej szkoły wyższej wynosi 0.98. Zakładając, że studenci zdają egzaminy niezależnie od siebie, obliczyć prawdopodobieństwo, że ze 100 studentów egzaminy zda co najmniej 97 studentów.
Odp. 14. Zmienna losowa X oznacza liczbę liczbę studentów, którzy nie zdali egzaminu (sukcesów). Schemat prób Bernoulliego z n = 100 i prawdopodobieństwem p = 1 − 0.98 = 0.02 niezdania egzaminu (sukcesu) przez studenta. W obliczeniach stosujemy przybliżenie Poissona z
λ = np = 2. Szukane prawdopodobieństwo jest równe prawdopodobieństwu, że co najwyżej dwóch studentów nie zda egzaminu. Zachodzą relacje
Pr(X ≤ 2) = Pr(X = 0) + Pr(X = 1) + Pr(X = 2) = pn+n
1
p(1 − p)n−1+n 2
p2(1 − p)n−2 ≈ e−λ
1 + λ + 1 2λ2
= 5e−λ ≈ 0.676676
obliczenia bez zastosowania przybliżenia Poissona dają:
Pr(X ≤ 2) = pn+n 1
p(1 − p)n−1+n 2
p2(1 − p)n−2 = 0.676686 Zadania na zastosowanie Centralnego Twierdzenia Granicznego (twierdzenia Lindeberga-Levy’ego)
Przykład 1. Prawdopodobieństwo uzyskania wygranej w pewnej grze liczbowej wynosi 0.1. Obliczyć prawdopodobieństwo, że spośród 500 grających osób wygra więcej niż 60 osób.
Rozwiązanie.
Niech
Xi = 1, gdy grający o numerze i zdobył wygraną 0, gdy grający o numerze i nie zdobył wygranej i = 1, 2, . . . , 500, m = E [Xi] = p = 0.1, σ2 = D2[Xi] = p(1 − p) = 0.09, n = 500 oraz niech X = X1+ X2 + · · · + X500. Szukane
prawdopodobieństwo wynosi
Pr(X ≥ 60) = 1 − Pr(X < 60) = 1 −
60
X
k=0
500 k
0.1k0.9500−k.
Trudności w obliczeniu
60
P
k=0 500
k 0.1k0.9500−k można ominąć korzystając z Centralnego Twierdzenia Granicznego. Mianowicie
{ω : X < 60} = {ω : X1+ X2+ · · · + X500< 60} =
ω : X1+ X2+ · · · + X500− 500 · m
√500σ < 60 − 500 · m
√500σ
=
ω : X1+ X2+ · · · + X500− 500 · m
√500σ < 10
√500 · 0.3
Stosując teraz Centralne Twierdzenie Graniczne, otrzymujemy Pr(X < 60) ≈ Φ
10
√500 · 0.3
≈ Φ(1.5) ≈ 0.9319,
2π−∞
normalnego N (0, 1). Ostatecznie
Pr(X ≥ 60) = 1 − P (X < 60) ≈ 1 − 0.9319 = 0.0681.
Zadanie 15. Prawdopodobieństwo urodzenia chłopca jest równe 0.515.
Jakie jest prawdopodobieństwo, że wśród 1000 noworodków będzie co najwyżej 480 dziewczynek?
Odp. 15. Oznaczamy n = 1000, zmienna losowa Xk = 1, gdy k - tym noworodkiem jest dziewczynka i Xk= 0, gdy k - tym noworodkiem jest chłopiec, prawdopodobieństwo urodzenia dziewczynki p = 0.485, chłopca q = 1 − p = 0.515, m = E [Xk] = p, σ2 = D2[Xk] = pq. Z Centralnego Twierdzenia Granicznego wynika, że zmienna losowa
Z = X1+ X2+ · · · + X1000 ma w przybliżeniu rozkład normalny N (nm, σ√
n) lub po standaryzacji Z−nmσ√n ma w przybliżeniu rozkład normalny standardowy N (0, 1). Stąd
Pr(Z < 480) = Pr(Z − nm < −5) = Pr Z − nm
σ√
n < −5
√npq
≈ Φ
−5
√npq
≈ 0.375861,
gdzie Φ(x) jest dystrybuantą rozkładu normalnego standardowego N (0, 1).
Zadanie 16. Czy można zastosować twierdzenie Lindeberga-Levy’ego dla ciągu niezależnych zmiennych losowych o gęstościach
f (x) = 1 π(1 + x2)?
Odp. 16. Zmienna losowa o rozkładzie Cauchy’ego, mającym gęstość f (x) nie ma wartości oczekiwanej E [X], bo
Z 0
−∞
x
π(1 + x2)dx = 1
2πln(1 + x2)
0
−∞
= −∞
Z ∞ 0
x
π(1 + x2)dx = 1
2πln(1 + x2)
∞
0
= ∞.
Stąd całka Z ∞
−∞
x
π(1 + x2)dx
jest rozbieżna. W ten sposób nie są spełnione założenia twierdzenia granicznego.
Zadanie 17. Zmienne losowe X1, X2, . . . , X60 mają rozklad jednostajny na odcinku [1, 3]. Niech
X =
60
X
k=1
Xk.
Obliczyć przybliżoną wartość prawdopodobieństwa Pr(118 < X < 123).
Odp. 17. Oznaczamy n = 60, m = E [Xk] =R3
1 x12dx = 2, σ2 = D2[Xk] =R3
1 x2 12dx = 133. Z Centralnego Twierdzenia Granicznego wynika, że zmienna losowa Z = X1+ X2+ · · · + X60 ma w przybliżeniu rozkład normalny N (nm, σ√
n) lub po standaryzacji Z−nmσ√n ma w przybliżeniu rozkład normalny standardowy N (0, 1).
Pr(118 < Z < 123) = Pr(−2 < Z − nm < 3) = Pr
−2 q60·13
3
< Z − nm σ√
n < 3 q60·13
3
≈ Φ
3
√260
− Φ
−2
√260
≈ 0.123154
gdzie Φ(x) jest dystrybuantą rozkładu normalnego standardowego N (0, 1).
Zadanie 18. Zmienne losowe Xk są niezależne i mają ten sam rozkład o gęstości
f (x) =
3
4(1 − x2) dla |x| < 1
0 poza tym.
Dla Z =
100
P
k=1
Xk oszacować Pr
Z < √10
15
.
Odp. 18. Oznaczamy n = 100, m = E [Xk] =R1
−1x · 34(1 − x2)dx = 0, σ2 = D2[Xk] = E [Xk2] − (E [Xk])2 =R1
−1x2· 34(1 − x2)dx − 02 = 0.2.
Stosujemy Centralne Twierdzenie Graniczne: zmienna losowa Z−nmσ√n ma w
Pr
Z < 10
√15
= Pr Z − nm σ√
n <
10
√15 − nm
1
σ√ n
= Pr Z − nm
σ√
n < 1
√3
≈ Φ
1
√3
= 0.718149
gdzie Φ(x) jest dystrybuantą rozkładu normalnego standardowego N (0, 1).
Zadanie 19. Zmienne losowe X1, X2, . . . , X100 są niezależne o jednakowym rozkładzie Poissona z parametrem λ = 2. Obliczyć przybliżoną wartość wyrażenia
Pr 190 <
100
X
k=1
Xk< 220
! .
Odp. 19. Oznaczamy m = E [Xk] = λ, σ2 = D2[Xk] = λ. Z Centralnego Twierdzenia Granicznego wynika, że zmienna losowa
Z = X1+ X2+ · · · + X100 ma w przybliżeniu rozkład normalny N (nm, σ√
n) lub po standaryzacji Z−nmσ√n ma w przybliżeniu rozkład normalny standardowy N (0, 1). Przechodzimy do obliczeń
Pr(190 < Z < 220) = Pr(−10 < Z − nm < 20) = Pr −10
10√
2 < Z − nm σ√
n < 20 10√ 2
≈ Φ
2
√2
− Φ −1
√2
≈ 0.6816, gdzie Φ(x) jest dystrybuantą rozkładu normalnego standardowego N (0, 1).