05.09.2013 Views

STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar

STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar

STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

72 KAPITEL 3 SLUMPVARIABLER<br />

3.6.2 * Singulära fördelningar<br />

2007-10-08 – sida 72 – # 76<br />

De fördelningar som vi kallat kontinuerliga i Avsnitt 3.4 bör egentligen kallas<br />

absolutkontinuerliga. Det finns nämligen fördelningsfunktioner F (t) som är<br />

kontinuerliga, men inte kan skrivas på formen<br />

F (t) =<br />

t<br />

−∞<br />

f(x) dx (3.5)<br />

för någon täthetsfunktion f(x).<br />

Motsvarande fördelningar är alltså inte (absolut)kontinuerliga, men inte heller<br />

diskreta eftersom F(t) är kontinuerlig <strong>och</strong> alltså saknar hopp. De kan inte<br />

heller vara blandningar av diskreta <strong>och</strong> kontinuerliga fördelningar.<br />

Vi påminner om att det för absolutkontinuerliga fördelningar gäller att<br />

täthetsfunktionen f kan skrivas som derivatan av fördelningsfunktionen F ,<br />

f(t) = F ′ (t) i alla punkter där f(t) är kontinuerlig.<br />

DEFINITION 3.13 (SINGULÄR FÖRDELNING)<br />

En slumpvariabel sägs ha en singulär fördelning om fördelningsfunktionen<br />

F (t) är kontinuerlig men inte kan uttryckas på formen (3.5) för någon<br />

täthetsfunktion f.<br />

Lyckligtvis är singulära fördelningar sällan förekommande <strong>och</strong> läsaren<br />

kommer knappast att stöta på någon i något praktiskt sammanhang. För fullständighets<br />

skull visar vi ändå <strong>med</strong> ett exempel att de faktiskt existerar.<br />

EXEMPEL 3.26 (Cantorfördelning)<br />

Vi konstruerar den singulära Cantorfördelningen på intervallet (0, 1) som<br />

ett gränsvärde.<br />

Låt U1, U2, . . . vara en oändlig följd oberoende likafördelade slumpvariabler<br />

<strong>med</strong> P (Ui = 0) = P (Ui = 2) = 1/2.<br />

Vi genomför konstruktionen stegvis.<br />

Steg 1: Låt X1 := U1/3.<br />

Då gäller att<br />

X1 =<br />

<br />

0 <strong>med</strong> sannolikhet 1<br />

2 ,<br />

2<br />

3<br />

1<br />

<strong>med</strong> sannolikhet 2

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!