STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
ÖVNING 3.80<br />
2007-10-08 – sida 139 – # 143<br />
3.11 FUNKTIONER AV SLUMPVARIABLER 139<br />
I beviset för Sats 3.28 på sidan 135 utelämnades ett par steg i manipulationen<br />
av en viss integral. Utför dessa.<br />
3.11 Funktioner av slumpvariabler<br />
I det här avsnittet ska vi konstruera nya slumpvariabler från givna slumpvariabler<br />
<strong>med</strong> hjälp av funktioner. Vi börjar <strong>med</strong> funktioner av en slumpvariabel.<br />
3.11.1 Funktioner av en slumpvariabel<br />
Antag att vi har en slumpvariabel X <strong>med</strong> fördelningsfunktion FX(x). Definiera<br />
nu en ny slumpvariabel Y = g(X) där g(x) är en reell funktion. En naturlig<br />
fråga är då vilken fördelningsfunktion Y har. I de allra flesta <strong>tillämpningar</strong>na<br />
är g(x) en kontinuerlig <strong>och</strong> strikt växande eller strikt avtagande funktion <strong>och</strong><br />
för detta fall blir fördelningsfunktionen lättare att uttrycka. Vi inskränker oss<br />
därför till detta fall nedan men tar senare upp några exempel då detta inte<br />
gäller. Anledningen till att formlerna blir lättare om g(x) är monoton beror<br />
på att g(x) då har en invers funktion g −1 (y). Den inversa funktionen g −1 (y)<br />
definieras som<br />
g −1 (y) = {x; g(x) = y},<br />
dvs. det x för vilket g(x) = y. Den strikta monotoniciteten tillsammans <strong>med</strong><br />
kontinuiteten försäkrar om att det finns exakt ett sådant x. Vi har följande<br />
resultat.<br />
SATS 3.31<br />
Låt X vara en slumpvariabel <strong>med</strong> fördelningsfunktion FX(x) <strong>och</strong> antag att<br />
g(x) är en kontinuerlig strikt monoton funktion. Då gäller att Y = g(X)<br />
har fördelningsfunktion FY (y) = FX(g −1 (y)) om g(x) är växande. Om<br />
g(x) är avtagande gäller FY (y) = 1 − FX(g −1 (y)) om X är kontinuerlig<br />
<strong>och</strong> FY (y) = 1 − FX(g −1 (y) − 1) om X är diskret.<br />
BEVIS<br />
Det gäller att FY (y) = P (Y ≤ y) = P (g(X) ≤ y). Vidare gäller att om<br />
g(x) är växande så är g(x) ≤ y om <strong>och</strong> endast om x ≤ g −1 (y). Så mäng-