REŠENE NALOGE IZ SLUČAJNIH PROCESOV Martin Raič RAIČ, Martin Rešene naloge iz slučajnih procesov c 2015 Martin Raič Samozaložil avtor. Prva izdaja Ljubljana, 2015 Elektronska knjiga, dostopna na http://valjhun.fmf.uni-lj.si/~raicm/Poucevanje/SPI/SPI vaje 2015.pdf ISBN 978-961-283-343-5 (pdf) CIP – kataložni zapis o publikaciji Narodna in univerzitetna knjižnica, Ljubljana 519.21(076.2)(0.034.2) RAIČ, Martin Rešene naloge iz slučajnih procesov [Elektronski vir] / Martin Raič – 1. izd. – El. knjiga. – Ljubljana: samozal. avtor, 2015 Način dostopa (URL): http://valjhun.fmf.uni-lj.si/~raicm/Poucevanje/SPI/SPI vaje 2015.pdf ISBN 978-961-283-343-5 (pdf) 280007936 Predgovor Ta zbirka je nastala po vajah iz slučajnih procesov, ki sem jih izvajal na prvi stopnji bolonjskega študija finančne matematike na Fakulteti za matematiko in fiziko Univerze v Ljubljani. Vaje sem prevzel od Aleša Tomana. Kar nekaj nalog iz te zbirke je njegovih, za kar sem mu globoko hvaležen. Snov nalog se omejuje na procese štetja v času in njena glavnina je zajeta v [4], v pomoč pa so lahko tudi ostale knjige s seznama literature. Pred posameznim sklopom nalog je navadno okvir, v katerem je povzetek potrebne snovi, prav tako pa so tudi definirane oznake pojmov. Vse naloge so rešene, nekatere celo na več načinov. Bralec pa naj ne bo presenečen, če najde še kakšno svojo rešitev. V Ljubljani, junija 2015 Martin Raič martin.raic@fmf.uni-lj.si Kazalo 1. Ponovitev izbranih tem iz teorije verjetnosti 7 2. Procesi štetja 11 3. Homogeni Poissonov proces 13 4. Markiranje, redčenje, superpozicija 17 5. Splošni Poissonov proces 21 6. Prenovitveni procesi 23 REŠITVE 29 1. Ponovitev izbranih tem iz teorije verjetnosti 31 2. Procesi štetja 37 3. Homogeni Poissonov proces 41 4. Markiranje, redčenje, superpozicija 51 5. Splošni Poissonov proces 57 6. Prenovitveni procesi 61 Literatura 71 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 7 1. Ponovitev izbranih tem iz teorije verjetnosti Pogojne porazdelitve. Časi ustavljanja. Izračun matematičnega upanja s pomočjo preživetvene funkcije. Waldova identiteta. Rangi, vrstilne statistike. 1. Naj bo T slučajna spremenljivka z vrednostmi v N0. a) Dokažite formulo: ∞ E(T ) = P(T > n) . n=0 2 b) Izračunajte E(T ) za primer, ko je P(T > n) = za n = 0, 1, 2, . . . (n + 2)(n + 3) 2. Naj bo poljubna T nenegativna slučajna spremenljivka. a) Dokažite formulo: ∞ E(T ) = P(T > t) . 0 1 b) Izračunajte E(T ) za primer, ko je P(T > t) = za t ≥ 0. (1 + t)3 3. Andrej meče pošten kovanec, Brina pa standardno kocko. Vsakič vržeta oba hkrati in meti so med seboj neodvisni, mečeta pa, dokler Andrej ne vrže cifre ali pa vržeta vsak trikrat (kar pride prej). Izračunajte verjetnost, da ne pade nobena šestica, in še pričakovano število šestic. Čas ustavljanja Naj bo Z0, Z1, Z2 . . . zaporedje slučajnih spremenljivk. Slučajna spremenljivka T z vrednostmi v {0, 1, 2, . . .} je čas ustavljanja glede na prej omenjeno zaporedje, če se za vsak n ∈ N0 dogodek, da je T = n, deterministično izraža z Z0, Z1, . . . , Zn. To je ekvivalentno zahtevi, da se za vsak n dogodek, da je T ≤ n, deterministično izraža z Z0, Z1, . . . , Zn. 4. Andrej spet meče pošten kovanec, Brina pa standardno kocko. Vsakič vržeta oba hkrati in meti so med seboj neodvisni. Mečeta ob časih 0, 1, 2, . . .. Slučajna spre- menljivka Zn naj pove stanje obeh metov ob času n (ima torej 12 možnih vrednosti). Določite, katere slučajne spremenljivke so časi ustavljanja: a) čas, ob katerem Brina vrže prvo šestico; b) čas, ob katerem Brina vrže drugo šestico; c) čas, ob katerem Brina vrže prvo šestico, če jo je vrgla do časa 100, sicer 100; d) čas, ob katerem Brina vrže prvo šestico, če jo je vrgla do časa 100, sicer 1; e) čas, ob katerem Brina vrže prvo šestico po času 100; 8 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV f) čas, ob katerem Brina vrže drugo šestico, ki mu prištejemo 1; g) čas, ob katerem Brina vrže drugo šestico, ki mu odštejemo 1; h) čas, ob katerem Brina vrže prvo šestico po tistem, ko je Andrej že vrgel deset grbov; i) čas, ob katerem skupno število Brininih pik prvič preseže 42; j) čas, ob katerem Brina prvič vrže najvišje število pik med meti ob časih od 0 do 10. 5. Naj bodo: • X1, X2, . . . enako porazdeljene slučajne spremenljivke; • Z0, Z1, Z2, . . . take slučajne spremenljivke, da je Xn neodvisna od Z0, . . . , Zn−1 za vsak n ∈ N; • T čas ustavljanja glede na Z0, Z1, Z2, . . .. Pomemben poseben primer je, ko so T, X1, X2, . . . neodvisne: v tem primeru lahko postavimo kar Z0 = T, Z1 = X1, Z2 = X2, . . .. V splošnem pa Z0, Z1, . . . , Zn inter- pretiramo kot ‘vse, kar vemo do vključno n-tega koraka’. Definirajmo: S = X1 + X2 + · · · + XT . (za T = 0 postavimo S = 0). Izračunajte: a) matematično upanje E(S), če privzamemo, da obstaja µ = E(Xi) in tudi E(T ) (rezultat se imenuje Waldova identiteta); b) varianco var(S), če privzamemo, da obstajata E(T ) in σ2 = var(Xi), da je µ = 0 in da je Xn funkcija slučajnih spremenljivk Z0, . . . , Zn za vsak n ∈ N (od tod sledi, da so slučajne spremenljivke X1, X2, . . . neodvisne). Ali rezultat za varianco velja tudi, če izpustimo predpostavko, da je µ = 0? 6. Pošten kovanec spet mečemo, dokler ne pade cifra. Izračunajte pričakovano število metov in pričakovano število grbov. 7. Mečemo pošten kovanec in meti so neodvisni. Za n ∈ N označimo z Sn število cifer v prvih n metih. Naj bo N število metov pred drugo cifro (le-te ne štejemo). Koliko je E(SN )? Ali v tem primeru velja Waldova identiteta? Komentirajte! 8. Pošten kovanec mečemo, dokler dvakrat zapored ne pade cifra. Izračunajte priča- kovano število vseh metov in pričakovano število vseh cifer. 9. Naj bodo X1, X2, . . . neodvisne in enako porazdeljene slučajne spremenljivke in naj bo še T slučajna spremenljivka z vrednostmi v N0, neodvisna od X1, X2, . . .. Defi- nirajmo: S = X1 + X2 + · · · + XT . (za T = 0 postavimo S = 0). Izračunajte: M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 9 a) varianco var(S); privzamemo, da obstaja σ2 = var(Xi) in še var(T ) (namig: če je µ = E(Xi), lahko s pomočjo 5. naloge izračunate E (S −µT )2 , t. j. varianco, nepojasnjeno s T ) – rezultat se imenuje Blackwell–Girshickova identiteta; b) rodovno funkcijo G S(z) = E(zS), kjer privzamemo, da je z > 0, da je E(zS) < ∞ in da za vse w > 0 velja GT (w) = E(wT ) < ∞. Ali dobljena rezultata veljata tudi, če predpostavko, da je T neodvisna od zaporedja X1, X2, . . ., zamenjamo s šibkejšo predpostavko, da je T čas ustavljanja glede na 0, X1, X2, . . .? 10. Naj bodo X1, X2, X3, . . . neodvisne in enako porazdeljene zvezne slučajne spre- menljivke. Pravimo, da se v času t ∈ N zgodi rekord, ki ima vrednost Xt, če je Xt > max{X1, X2, . . . , Xt−1}. Privzamemo, da je maksimum prazne množice −∞, torej je v času 1 vedno dosežen rekord. Tako dobimo proces štetja, pri katerem se prihodi (rekordi) zgodijo le ob časih iz N. a) Izračunajte verjetnost, da se ob posameznem času t zgodi rekord. Namig: vpeljite range spremenljivk. b) Dokažite, da so dogodki, da se ob posameznem času zgodi rekord, neodvisni. c) Naj Nt kot ponavadi označuje število rekordov, ki so se zgodili do vključno časa t. Izračunajte E(Nt) in var(Nt) ter določite še asimptotično obnašanje teh dveh karakteristik. d) Naj bo S prvi čas od 2 naprej, ob katerem se zgodi rekord (t. j. drugi prihodni čas našega procesa štetja). Zapišite porazdelitev te slučajne spremenljivke. Posebej dokažite še, da je P(S < ∞) = 1, a E(S) = ∞. e) Naj S(y) označuje čas prvega rekorda, večjega od y, se pravi: S(y) := min{t ; Xt > y} . Dokažite, da je slučajna spremenljivka S(y) neodvisna od XS(y). Z drugimi besedami, vrednost prvega rekorda, večjega od y, je neodvisna od časa, ko se to zgodi. 10 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 11 2. Procesi štetja Osnovni pojmi, osnovna ekvivalenca. Bernoullijevo zaporedje kot proces štetja. Binomski proces. Pozabljivost geometrijske porazdelitve. Proces štetja opisuje stvari, ki so slučajno razporejene v času, rekli jim bomo prihodi. Gledamo le, ob katerih trenutkih iz [0, ∞) je prišlo do prihoda, poleg tega pa je lahko v končnem časovnem intervalu le končno mnogo prihodov. Toda navadno je na celi pozitivni polosi neskončno mnogo prihodov. Tak proces lahko opišemo na več ekvivalentnih načinov: • s slučajno lokalno končno podmnožico intervala [0, ∞); • s slučajnimi spremenljivkami Nt, t ∈ [0, ∞), ki označujejo število priho- dov do vključno časa t; • s trenutki prihodov, urejenimi po velikosti: S1 ≤ S2 ≤ S2 . . .. Slučajni spremenljivki Sn pravimo n-ti prihodni čas. Velja osnovna ekviva- lenca: Nt ≥ n ⇐⇒ Sn ≤ t 1. Preprost primer procesa štetja je Bernoullijevo zaporedje poskusov, t. j. zapo- redje neodvisnih slučajnih poskusov, pri katerih vsak uspe z enako verjetnostjo. V pripadajočem procesu štetja se lahko prihodi zgodijo le ob časih iz N, do prihoda ob času t pa pride, če je t-ti poskus uspešen. a) Določite porazdelitev števila prihodov Nt do vključno časa t (t ∈ N) in šte- vilo prihodov med časoma s in t, t. j. Nt − Ns (s < t). Formulirajte to kot porazdelitev vsote določenih slučajnih spremenljivk. b) Naj bodo t1 ≤ t2 ≤ t3 ≤ · · · ∈ N. Kakšna zveza velja za slučajne spremenljivke Nt , N − N , N − N , . . .? 1 t2 t1 t3 t2 c) Določite porazdelitev prvega prihodnega časa S1. d) Določite porazdelitev nadaljnjih prihodnih časov Sn. 2. Dan je proces štetja, kjer je Nt +1 ∼ Geom(e−t). Izračunajte pričakovani čas prvega in drugega prihoda. 3. Binomski proces. Na zabavo, ki se začne ob določeni uri, je povabljenih n gostov. Vsak malo zamudi, zamuda vsakega je porazdeljena enakomerno na intervalu [0, 1] in zamude so med seboj neodvisne. Prihodi gostov tvorijo proces štetja v zveznem času. Določite porazdelitev slučajnih spremenljivk Nt, 0 ≤ t ≤ 1, in Sk, k = 1, 2, . . . , n. 4. Dano naj bo Bernoullijevo zaporedje poskusov in naj bo P množica časov iz N, ob katerih se zgodi uspel poskus. Nadalje za t ∈ N označimo z P→t prihode do vključno časa t, z Pt→ pa prihode do časa t, premaknjene tako, da se štejejo od začetka: P→t := P ∩ (0, t] , Pt→ := P ∩ (t, ∞) − t . 12 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV a) Dokažite, da je Pt→ neodvisen od P→t in porazdeljen enako kot P. Pravimo, da ima P časovno homogeno lastnost Markova. b) Naj bo zdaj T čas ustavljanja, ki pripada zaporedju 0, Z1, Z2, . . ., kjer za t ∈ N definiramo Zt = 1, če je poskus ob času t uspel, in Zt = 0, če ni uspel. Dokažite, da je proces PT → neodvisen od T, P→T in porazdeljen enako kot P. Pravimo, da ima P krepko časovno homogeno lastnost Markova. 5. Dokažite, da je geometrijska porazdelitev pozabljiva (angl. memoryless): če je T ∼ Geom(p), za vse t ∈ N0 in vse s ∈ N velja: P(T = t + s | T > t) = P(T = s) . (∗) Nadalje dokažite še, da je geometrijska porazdelitev edina pozabljiva porazdelitev z zalogo vrednosti na N. Privzamemo, da mora imeti pogojna verjetnost v (∗) smisel, t. j. da je P(T > t) > 0 za vse t ∈ N0. Medprihodni časi Proces štetja lahko predstavimo tudi z medprihodnimi časi, ki so časi med dvema zaporednima prihodoma: T1 = S1 , T2 = S2 − S1 , T3 = S3 − S2 , . . . 6. Dano je Bernoullijevo zaporedje poskusov. a) Dokažite, da so Sn časi ustavljanja. Kaj sledi v kombinaciji z 4. nalogo? b) Določite porazdelitev vseh medprihodnih časov Tn in dokažite, da so med se- boj neodvisni. Nato zapišite ustrezno posledico, ki govori o vsoti neodvisnih slučajnih spremenljivk. c) Določite še porazdelitev razlik Sn − Sm, kjer je m < n. M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 13 3. Homogeni Poissonov proces Motivacija in definicija homogenega Poissonovega procesa. Spremljajoče porazdelitve. Homogeni Poissonov proces Homogeni Poissonov proces z intenzivnostjo λ > 0 dobimo kot določeno limito procesov, ki izhajajo iz Bernoullijevih zaporedij poskusov. Karakterizi- ran je z naslednjima dvema lastnostma: • Velja N0 = 0 in za poljubna 0 ≤ s ≤ t je Nt − Ns ∼ Pois λ(s − t) (torej je tudi Nt ∼ Pois(λt)). • Za poljubno zaporedje 0 ≤ t1 ≤ t2 ≤ t3 ≤ · · · so slučajne spremenljivke Nt , N − N , N − N , . . . neodvisne. 1 t2 t1 t3 t2 Še nekaj drugih lastnosti: • Medprihodni časi T1, T2, T3, . . . so neodvisni in porazdeljeni eksponentno Exp(λ). • Za vsak n ∈ N velja Sn ∼ Gama(n, λ). Splošneje, za poljubna m ≤ n velja Sn − Sm ∼ Gama(n − m, λ). • Za poljubno zaporedje n1 < n2 < n3 < . . . so slučajne spremenljivke Sn , S − S , S − S , . . . neodvisne. 1 n2 n1 n3 n2 • Če dobljeni proces spet predstavimo kot slučajno množico P, se ohrani krepka časovno homogena lastnost Markova: za vsak čas ustavlja- nja T je proces PT → neodvisen od T, P→T in porazdeljen enako kot P. 1. Pacienti prihajajo v ambulanto v skladu s homogenim Poissonovim procesom z intenzivnostjo 6 pacientov na uro. Zdravnik začne sprejemati paciente, šele ko v čakalnico vstopi tretji pacient. a) Izračunajte pričakovani čas, ki preteče od odprtja ambulante do sprejema pr- vega pacienta. b) Izračunajte verjetnost, da zdravnik v prvi uri po odprtju ambulante ne sprejme nobenega pacienta. 2. Dan je homogen Poissonov proces z intenzivnostjo λ. a) Izračunajte avtokovariančno funkcijo družine slučajnih spremenljivk Nt, t. j. vse kovariance cov(Nt, Ns). b) Izračunajte avtokorelacijsko funkcijo družine slučajnih spremenljivk Nt, t. j. vse korelacije corr(Nt, Ns). c) Za t1 ≤ t2 ≤ · · · ≤ tn zapišite kovariančno matriko slučajnega vektorja (Nt , N , . . . , N ). 1 t2 tn 3. Casinò Poisson. V igralnici od časa do časa zazvoni zvonec. Vsakič, ko zazvoni zvonec, lahko igralec pritisne na gumb. Igralec dobi igro, če prvič pritisne na gumb 14 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV ob zadnjem zvonjenju pred časom 1. Privzamemo, da zvonjenja tvorijo Poissonov proces z intenzivnostjo λ. Igralec igra tako, da prvič pritisne na gumb ob prvem zvonjenju od časa s naprej (če seveda do njega pride). a) Kolikšna je verjetnost, da igralec dobi igro (v odvisnosti od s)? b) Kolikšna je optimalna vrednost za s in kolikšna je pri tej izbiri verjetnost, da igralec dobi igro? 4. Dani sta neodvisni slučajni spremenljivki X ∼ Pois(λ) in Y ∼ Pois(µ). Določite pogojno porazdelitev slučajne spremenljivke X glede na Z := X + Y . 5. Naj bo N število prihodov, porazdeljeno po Poissonu Pois(λ). Vsak prihod naj bo uspešen z verjetnostjo p, pri čemer naj bo uspešnost posameznih prihodov neodvi- sna, prav tako tudi neodvisna od samega števila prihodov. Označimo z S število uspešnih, s T pa število neuspešnih prihodov, t. j. T = N − S. a) Določite porazdelitev slučajnih spremenljivk S in T . b) Dokažite, da sta slučajni spremenljivki S in T neodvisni. c) Dokažite, da, če spremenimo porazdelitev slučajne spremenljivke N , ni več nujno, da sta S in T neodvisni. Opomba. Transformaciji, pri katerih iz slučajne spremenljivke N nastane slučajna spremenljivka S, pravimo redčenje (angl. thinning). 6. Dokažite, da je tudi eksponentna porazdelitev pozabljiva: če je T ∼ Exp(λ), za vse t, s ≥ 0 velja: P(T ≤ t + s | T > t) = P(T ≤ s) . (zgornji pogoj pomeni tudi, da mora imeti pogojna verjetnost smisel, t. j. P(T > t) > 0 za vse t > 0) Nadalje dokažite še, da je eksponentna porazdelitev edina pozabljiva porazdelitev, ki je zvezna in katere gostota je na intervalu (0, ∞) zvezna, drugje pa je enaka nič. 7. Naj bosta X ∼ Exp(λ) in Y ∼ Exp(µ) neodvisni slučajni spremenljivki. Določite porazdelitvi slučajnih spremenljivk U := min{X, Y } in V := max{X, Y }. 8. Gasilska postaja prejema klice v sili v skladu s homogenim Poissonovim procesom z intenzivnostjo pol klica na uro. Gasilci vsakič za odziv na klic, vrnitev na postajo in pripravo na naslednji klic potrebujejo slučajno mnogo časa, ki je porazdeljen enakomerno na intervalu od pol ure do ene ure. Vsemu temu času skupaj bomo rekli intervencija. Med intervencijo se klici preusmerjajo na sosedne gasilske postaje. Privzamemo, da so časi intervencij neodvisni tako med seboj kot tudi od klicev, ki prihajajo. Privzemite, da so gasilci trenutno pripravljeni na sprejem klica (da torej ni inter- vencije). Določite porazdelitev števila klicev, na katere se odzovejo gasilci, preden je potrebno kakšen klic preusmeriti. M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 15 9. Dan je homogen Poissonov proces z intenzivnostjo λ. a) Privzemimo, da se je do trenutka t zgodil le en prihod. Določite pogojno porazdelitev časa tega prihoda glede na ta dogodek. b) Privzemimo, da sta se zgodila dva prihoda. Izračunajte pogojna pričakovana časa obeh prihodov. Pogojevanje na število prihodov Pogojno na dogodek, da se je v homogenem Poissonovem procesu na da- nem časovnem intervalu zgodilo natanko n prihodov, je zožitev procesa na ta interval, gledana kot slučajna množica, porazdeljena enako kot množica {U1, U2, . . . , Un}, kjer so U1, . . . , Un neodvisne in porazdeljene enakomerno na tem intervalu. Če je dani časovni interval [0, t], je pogojno na dogodek, da se je zgodilo natanko n prihodov, slučajni vektor iz časov prihodov (S1, S2, . . . , Sn) porazdeljen enako kot vektor (U(1), U(2), . . . , U(n)) iz ustreznih vrstilnih statistik. 10. Potniki prihajajo na železniško postajo v skladu s homogenim Poissonovim proce- som z intenzivnostjo λ > 0. Na začetku opazovanja (čas 0) na postaji ni nobenih potnikov, vlak pa odpelje ob času t. Naj bo W vsota čakalnih časov vseh potnikov, prispelih do odhoda vlaka. Izračunajte E(W ). 11. Poissonovi šoki. Vsak prihod v homogenem Poissonovem procesu z intenzivnostjo λ povzroči šok, ki ima s časovnih enot kasneje, kot se zgodi, učinek e−θs. Označimo z X(t) skupni učinek vseh šokov z intervala [0, t] ob času t. Izračunajte pričakovano vrednost E X(t) . 12. Kokoška želi prečkati enosmerno cesto, po kateri vozijo avtomobili v skladu s homo- genim Poissonovim procesom z intenzivnostjo λ vozil na časovno enoto, vsi enako hitro. Za prečkanje ceste kokoška potrebuje c časovnih enot. Privzamemo, da ko- koška začne prečkati cesto, brž ko ima možnost, da to stori, ne da bi bila povožena. Izračunajte pričakovani čas, ki ga kokoška potrebuje za čakanje in prečkanje skupaj. 13. Na sejmu na določenem mestu občasno delijo nagrade. Nagrado dobijo vsi, ki so ob tem času tam. Delitve tvorijo homogen Poissonov proces z intenzivnostjo λ. Ob času nič Tonček ravno vidi, da delijo nagrade, prihiti, a je prepozen. Nato čaka, da vnovič delijo nagrade, a največ čas δ: po tem času se naveliča in gre drugam. Brž ko začnejo deliti nagrade, spet prihiti, a je za tedanjo delitev prepozen in spet čaka ponovno delitev nagrad, a največ δ. Tako ponavlja, dokler ne dobi nagrade. Označimo s T čas, ob katerem Tonček končno dobi nagrado. Izračunajte E(T ). Privzamemo, da je sejem odprt v nedogled. 14. Pri procesu štetja na (0, ∞): 16 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV • z At označimo starost procesa (angl. age) ob času t, t. j. čas, ki je minil od zadnjega prihoda do časa t, če je pred t bil kakšen prihod, sicer pa je starost ob času t enaka kar t (če predpišemo S0 := 0, torej velja At = t − SN ); t • z Et označimo presežek procesa (angl. exceedance) ob času t, t. j. čas, ki mine od t do naslednjega prihoda (torej je Et = SNt+1 − t). Pri homogenem Poissonovem procesu z intenzivnostjo λ: a) Določite porazdelitev slučajnih spremenljivk At in Et. b) Dokažite, da sta slučajni spremenljivki At in Et neodvisni. c) Določite porazdelitev vsote At in Et (t. j. vrzeli med prihodoma, ki obdajata čas t). M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 17 4. Markiranje, redčenje, superpozicija Homogen Poissonov proces z diskretnimi označbami Homogen Poissonov proces z intenzivnostjo λ, pri katerem vsak prihod ozna- čimo (markiramo) z označbo, pri čemer so označbe posameznih prihodov ne- odvisne tako med seboj kot tudi od procesa in porazdeljene po shemi: a1 a2 · · · ar , p1 p2 · · · pr je enako porazdeljen kot unija r neodvisnih homogenih Poissonovih procesov z intenzivnostmi p1λ, p2λ, . . . , prλ, kjer vse prihode v i-tem procesu označimo z ai. 1. Privzemimo, da lahko nočni promet na Jadranski cesti v Ljubljani modeliramo s homogenim Poissonovim procesom z intenzivnostjo 40 vozil na uro. 10% teh vozil je tovornjakov, 90% pa osebnih avtomobilov. Privzamemo, da so tipi posameznih vozil med seboj neodvisni. a) Kolikšna je verjetnost, da v prvi uri mimo FMF pelje vsaj en tovornjak? b) Recimo, da je v prvi uri mimo FMF peljalo 10 tovornjakov. Kolikšno je pogojno pričakovano število osebnih vozil, ki so se v prvi uri peljali mimo FMF? c) Recimo, da je v prvi uri mimo FMF peljalo 50 vozil. Kolikšna je pogojna verjetnost, da je bilo med temi vozili natanko 5 tovornjakov in 45 osebnih vozil? 2. Življenjska doba žarnice je porazdeljena eksponentno s pričakovano vrednostjo 200 dni. Ko žarnica pregori, jo vzdrževalec nemudoma zamenja. Poleg tega drugi vzdrže- valec kar preventivno menja žarnice v skladu s homogenim Poissonovim procesom z . intenzivnostjo 0 01 menjave na dan. Seveda privzamemo, da so žarnice oz. njihove življenjske dobe med seboj neodvisne. a) Kako pogosto je zamenjana posamezna žarnica? b) Za daljše obdobje izračunajte, kolikšen delež žarnic je zamenjan zaradi prego- retja in kolikšen delež kar preventivno. 3. Režiser išče tri igralce, enega moškega in dve ženski. Moški se prijavljajo v skladu s homogenim Poissonovim procesom z intenzivnostjo 2 na dan, ženske pa z intenzivno- stjo 1 na dan, neodvisno od moških. Izračunajte pričakovani čas, ki je potreben, da režiser dobi tako moškega kot obe ženski. Privzamemo, da so vsi kandidati ustrezni. 4. Žena in mož iščeta rabljen avtomobil. Vsak gledata oglase za svojo priljubljeno znamko avtomobilov. Primerni oglasi za ženino znamko prihajajo v skladu s homo- genim Poissonovim procesom z intenzivnostjo λ, primerni oglasi za moževo znamko 18 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV pa v skladu s homogenim Poissonovim procesom z intenzivnostjo µ. Žena je pripra- vljena iti v nakup, ko naleti na tretji primeren oglas za svojo znamko, mož pa, ko naleti na drugi primeren oglas za svojo znamko. Zakonca kupita avto, brž ko je eden od njiju pripravljen iti v nakup. Privzamemo, da sta procesa prihajanja primernih oglasov za obe znamki neodvisna. a) Kolikšna je verjetnost, da zakonca kupita avto, ki ga najde žena? b) Določite pričakovani čas, ob katerem zakonca kupita avto. 5. Vzporedno potekata dva neodvisna Poissonova procesa z intenzivnostma λ in µ. Izračunajte verjetnost, da se je pred prvim prihodom v prvem procesu zgodil natanko en prihod v drugem procesu, in še pričakovano število prihodov v drugem procesu pred prvim prihodom v prvem procesu. 6. Na ogled kolokvijev, ki se začne ob določeni uri, prihajajo tako študenti finančne kot študenti splošne matematike. Študenti finančne matematike prihajajo v skladu s homogenim Poissonovim procesom z intenzivnostjo 4 študenti na uro, študenti splošne matematike pa v skladu z homogenim Poissonovi procesom z intenzivnostjo 2 študenta na uro. Privzamemo, da so študenti finančne matematike neodvisni od študentov splošne matematike. Recimo, da je bil v prve pol ure natanko en ogled. Izračunajte pogojni pričakovani čas ogleda prvega študenta finančne matematike, ki pride. Gledamo vse od začetka ogledov in privzamemo, da študenti od začetka hodijo na ogled v nedogled. 7. Dana sta neodvisna Poissonova procesa z intenzivnostma λ in µ. Naj bo n ∈ N. Določite porazdelitev števila prihodov v prvem procesu pred n-tim prihodom v drugem procesu. 8. Dana sta neodvisna homogena Poissonova procesa z intenzivnostma λ in µ. Ozna- čimo z N (1) število prihodov do časa t v prvem, z N (2) pa v drugem procesu. Kolikšna t t je verjetnost, da dvorazsežni sprehod N (1), N (2) kdaj obišče točko (i, j)? t t M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 19 Homogen Poissonov proces s splošnimi označbami Če vsak prihod v homogenem Poissonovem procesu z intenzivnostjo λ označimo z označbo iz množice M , ki ima dano porazdelitev µ, pri čemer so označbe posameznih prihodov neodvisne tako med seboj kot tudi od procesa, je število označenih prihodov, ki pripadajo množici A ⊆ [0, ∞) × M , porazdeljeno po Poissonu s parametrom θ = (λm ⊗ µ)(A), kjer je m Lebesgueova mera. a Če je torej µ = 1 a2 · · · , je: p1 p2 · · · θ = λ pi m({t ; (t, ai) ∈ A}) . i Če pa je µ zvezna porazdelitev z gostoto f , je: θ = λ f (s) dt ds . A 9. Kapital banke se povečuje premo sorazmerno s časom: ob času t ima banka at kapitala. Stresni testi prihajajo v skladu s homogenim Poissonovim procesom z intenzivnostjo λ. Banka prestane posamezen test, če ima takrat vsaj določen znesek kapitala, ki je slučajen in porazdeljen zvezno z gostoto: 4 f (s) = . π(1 + s2)2 Privzamemo, da so zahtevane količine kapitala v posameznih testih neodvisne. Ko- likšna je verjetnost, da bo banka uspešno prestala vse stresne teste? 20 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 21 5. Splošni Poissonov proces Funkcija intenzivnosti. Pogojevanje na število prihodov. Dogajanje glede na čas ustavljanja. Naj bo ρ funkcija iz (0, ∞) v [0, ∞). Poissonov proces s funkcijo inten- zivnosti ρ je proces štetja, karakteriziran z naslednjima lastnostma: b • Za a ≤ b je Nb − Na ∼ Pois ρ(t) dt . Posledično je Nt ∼ Pois R(t) , a t kjer je R(t) = ρ(s) ds. 0 • Dogajanji v disjunktnih časovnih intervalih sta neodvisni. 1. Trgovina je odprta vsak dan od 10. do 18. ure. Privzemite, da stranke prihajajo v skladu s Poissonovim procesom s funkcijo intenzivosti, ki od odprtja do 12. ure naraste z 0 na uro na 4 na uro in do 14. ure naraste še na 6 na uro. Nato do 16. ure pade na 2 na uro in nadalje do zaprtja na 0 na uro. Naraščanje in padanje v vseh omenjenih časovnih intervalih je linearno. a) Določite porazdelitev števila strank v posameznem dnevu. b) Kolikšna je verjetnost, da na izbrani dan do 12. ure v trgovino ne vstopi nobena stranka? c) Privzemite, da sta v prvih dveh urah po odprtju prišli natanko dve stranki. Izračunajte pričakovana časa njunih prihodov. Pogojevanje na število prihodov Pogojno na dogodek, da se je v Poissonovem procesu s funkcijo intenzivnosti na časovnem intervalu od a do b zgodilo natanko n prihodov, je zožitev procesa na ta interval, gledana kot slučajna množica, porazdeljena enako kot množica {U1, U2, . . . , Un}, kjer so U1, . . . , Un neodvisne in porazdeljene zvezno z gostoto: ρ(t) f (t) = . b ρ(s) ds a Če je dani časovni interval [0, t], je pogojno na dogodek, da se je zgodilo natanko n prihodov, slučajni vektor iz časov prihodov (S1, S2, . . . , Sn) porazdeljen enako kot vektor (U(1), U(2), . . . , U(n)) iz ustreznih vrstilnih statistik. 2. Dan je Poissonov proces s funkcijo intenzivnosti ρ(t) = a/(1 + t). Določite poraz- delitev prvega prihodnega časa skupaj s pričakovano vrednostjo, kjer le-ta obstaja. 3. Zamudniki prihajajo v skladu s Poissonovim procesom s funkcijo intenzivnosti ρ(t) = e−t, kjer je t zamuda v mesecih. 22 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV a) Kolikšna je verjetnost, da je prišel natanko en zamudnik in da je le-ta zamudil več kot dva meseca? b) Recimo, da je res prišel natanko en zamudnik in zamudil več kot dva meseca. Izračunajte pogojni pričakovani čas njegove zamude. 4. Naj bo a, λ, δ > 0. Izračunajte pričakovano število prihodov v Poissonovem procesu s funkcijo intenzivnosti t → a e−λt, ki jim v časovnem intervalu dolžine δ ne sledi noben drug prihod. Splošni Poissonov proces in čas ustavljanja Če je T čas ustavljanja, je proces PT → pogojno na T, P→T Poissonov proces s funkcijo intenzivnosti s → ρ(s + T ). Ekvivalentno, proces P ∩ (T, ∞) je pogojno na T, P→T Poissonov proces s funkcijo intenzivnosti t → ρ(t) 1(t > T ). 5. Dan je Poissonov proces s funkcijo intenzivnosti: 1 ρ(t) = . 1 + t Določite porazdelitev časa prvega prihoda T1 in medprihodnega časa T2. M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 23 6. Prenovitveni procesi Osnovni pojmi, asimptotično obnašanje. Prenovitveni procesi z nagradami. Prenovitvena ena- čba. Prenovitveni procesi z zaostankom. Prenovitveni proces je posplošen proces štetja, pri katerem so medpri- hodni časi T1, T2, T3, . . . neodvisni in enako porazdeljeni. Njihovi poraz- delitvi pravimo medprihodna porazdelitev. Dopuščamo tudi možnost Ti = 0: v tem primeru je ob ustreznem času več kot en prihod. Prenovitveni procesi, katerih medprihodni časi imajo končno matema- tično upanje, zadoščajo krepkemu zakonu velikih števil: Nt s.g. 1 −−−→ . t t→∞ E(T1) 1. Od Deviške plaže do hotela vozi avtobus. Zaradi nepredvidljivih prometnih razmer so časi povratka avtobusa porazdeljeni enakomerno na intervalu od 20 minut do 1 ure, so pa med seboj neodvisni. Čas postanka avtobusa na Deviški plaži (vključno s časom vkrcavanja in izkrcavanja potnikov) zanemarimo. a) Izračunajte asimptotično dolgoročno število prihodov avtobusa na uro. b) Peteršiljčkovim je avtobus ravno ušel, zato se gredo še malo kopat in pridejo čez 40 minut spet na postajo. Kolikšna je verjetnost, da bodo čakali manj kot 20 minut? 2. Spet gledamo gasilsko postajo tako kot v 8. nalogi iz 3. razdelka: postaja prejema klice v sili v skladu s homogenim Poissonovim procesom z intenzivnostjo pol klica na uro. Gasilci vsakič za odziv na klic, vrnitev na postajo in pripravo na naslednji klic potrebujejo slučajno mnogo časa, ki je porazdeljen enakomerno na intervalu od pol ure do ene ure. Med tem časom se klici preusmerjajo na sosedne gasilske postaje. Privzamemo, da so časi intervencij neodvisni tako med seboj kot tudi od klicev, ki prihajajo. Za daljše časovno obdobje izračunajte, kolikšen delež klicev se mora preusmeriti. 24 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Prenovitveni proces z nagradami je prenovitveni proces, pri katerem vsa- kemu prihodu pripada nagrada. Nagrado, ki pripada i-temu prihodu po vrsti, navadno označimo z Ri in je lahko tudi negativna. Nagrada, ki pripada i-temu prihodu, pride enkrat v i-tem medprihodnem intervalu, t. j. med časoma Si−1 in Si. V tem intervalu lahko prihaja tudi postopoma in ne nujno monotono. Bolj formalno, če z Wt označimo skupni znesek nagrad do časa t, velja: WS − W = R i Si−1 t . Privzamemo, da so dinamike prihajanj nagrad skupaj s Ti neodvisne in enako porazdeljene. Označimo z R+ maksimalno absolutno vrednost deloma prispele i nagrade, ki pripada i-temu prihodu, torej Ri = sup |W |; velja S t − WS i−1≤t≤Si i−1 torej |Ri| ≤ R+. Če je ) < ∞, velja krepki zakon velikih i E(T1) < ∞ in E(R+ 1 števil: Wt s.g. −−−→ E(R1) . t t→∞ E(T1) 3. Bine ima plinsko peč, ki jo hodijo pregledovat dimnikarji v skladu s prenovitvenim procesom, katerega medprihodni čas je porazdeljen enakomerno na intervalu od enega do dveh let in pol. Če peč več kot leto dni ni bila servisirana, Bine plača globo v višini 105 evrov. Bine se odloči, da peč servisira vsakič natanko eno leto po zadnjem prihodu dimnikarjev. Izračunajte dolgoročni letni znesek globe, ki jo mora Bine plačati dimnikarjem. 4. Alternirajoči prenovitveni proces skače iz stanja 1 v stanje 2 in nazaj. Dolžine posameznih bivanj v posameznem stanju so med seboj neodvisne. Dolžine bivanj v stanju 1 so enako porazdeljene in imajo matematično upanje µ1, dolžine bivanj v stanju 2 pa so prav tako enako porazdeljene in imajo matematično upanje µ2. Izračunajte dolgoročni delež časa, ki ga proces prebije v stanju 1. 5. Manja po telefonu prodaja določen izdelek. Verjetnost, da bo stranko uspela pre- pričati do časa t, je enaka 3(t − t2), če je t ≤ 1/2, in 3/4, če je t ≥ 1/2 (vsakršno prepričevanje, ki gre čez 1/2 časovne enote, je torej zaman). Če stranko prepriča, pogovor takoj konča in pokliče naslednjo stranko. To pa naredi tudi, če ji stranke po času τ še ni uspelo prepričati. Kako naj izbere čas τ , da bo dolgoročno gledano prodala čimveč izdelkov? 6. Na sejmu na določenem mestu občasno delijo nagrade. Nagrado dobijo vsi, ki so ob tem času tam. Delitve tvorijo prenovitveni proces, čigar medprihodna porazdelitev je enakomerna na intervalu od 20 do 40 minut. Ob času nič Tonček ravno vidi, da delijo nagrade, prihiti, a je prepozen. Nato čaka, da vnovič delijo nagrade, a največ 30 minut: po tem času se naveliča in gre drugam. Brž ko začnejo deliti nagrade, spet prihiti, a je za tedanjo delitev prepozen in spet čaka ponovno delitev nagrad, a največ 30 minut. Tako ponavlja, dokler ne dobi nagrade. Označimo s T čas, ob katerem Tonček končno dobi nagrado. Izračunajte E(T ). Privzamemo, da je sejem odprt v nedogled. M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 25 Lebesgue–Stieltjesov integral merljive funkcije h : R → R po funkciji F : R → R, ki naj bo bodisi (ne nujno strogo) naraščajoča bodisi naj ima omejeno totalno variacijo, je integral funkcije h po Lebesgue–Stieltjesovi meri, ki pripada funkciji h: h dF := h(x) dF (x) := h dµ , (a,b) kjer je (pozitivna ali predznačena) mera µ definirana po predpisu: µ (a, b) = lim F (x) − lim F (x) , x↑b x↓a iz katerega sledi tudi: µ({a}) = lim F (x) − lim F (x) =: δF (a) x↓a x↑a in µ [a, b] = limx↓b F (x) − limx↑a F (x). Če je h zvezna, F pa zvezno odvedljiva na intervalu (a, b) (ki je lahko tudi neskončen), se Lebesgue–Stieltjesov integral prevede na posplošenega Rieman- novega: b h dF = h(x) dF (x) = h(x) F (x) dx . (a,b) (a,b) a Velja tudi: h dF = h(a) δF (a) . {a} Poleg tega za vsako slučajno spremenljivko s kumulativno porazdelitveno funk- cijo F velja: E h(X) = h dF . R Prenovitvena mera M (t) := E(Nt) prenovitvenega procesa ustreza preno- vitveni enačbi: M (t) = F (t) + M (t − s) dF (s) , [0,t] kjer je F kumulativna porazdelitvena funkcija medprihodne porazdelitve. Če ima le-ta gostoto f , lahko pišemo: t M (t) = F (t) + M (t − s) f (s) ds . 0 26 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Laplace–Stieltjesova transformiranka funkcije F : [0, ∞) → R je funkcija, podana s predpisom: ˆ F (z) = e−zt dF (t) , [0,∞) kjer za t < 0 predpišemo F (t) = 0. Osnovne Laplace–Stieltjesove transformi- ranke: F (t) ˆ F (z) F (t) ˆ F (z) 1 1 F (t) 1 r! e−az tr zr t a r! z tr eαt F (t) (z − α)r+1 1 t e−az − e−bz r! sr eαs ds (b − a)z (z − α)r+1 0 t a b eαs dG(s) ˆ G(z − α) G(t − a) 1(t ≥ a) ; a ≥ 0 e−az ˆ G(z) [0,t] Laplaceova transformiranka (porazdelitve) slučajne spremenljivke X z vre- dnostmi v [0, ∞) je Laplace–Stieltjesova transformiranka njene kumulativne porazdelitvene funkcije. To je tudi funkcija, ki z preslika v E e−zX . M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 27 Stieltjesova konvolucija funkcij F in G : [0, ∞) → R je definirana kot: (F G)(t) := F (t − u) dG(u) = G(t − u) dF (u) = (G F )(t) , [0,t] [0,t] kjer za t < 0 spet predpišemo F (t) = G(t) = 0. Tako lahko prenovitveno enačbo za prenovitveno mero zapišemo tudi takole: M = F + M F , Stieltjesova konvolucija je komutativna, asociativna in bilinearna. Če sta F in G kumulativni porazdelitveni funkciji neodvisnih slučajnih spre- menljivk z vrednostmi v [0, ∞), je F G kumulativna porazdelitvena funkcija njune vsote. Laplace–Stieltjesova transformiranka Stieltjesove konvolucije je produkt Laplace–Stieltjesovih transformirank posameznih funkcij: F G = ˆ F ˆ G . Posledično je Laplaceova transformiranka vsote neodvisnih slučajnih spremen- ljivk produkt transformirank. Laplace–Stieltjesova transformiranka ˆ M prenovitvene mere M torej zadošča enačbi ˆ M = ˆ F + ˆ M ˆ F in je zato enaka: ˆ ˆ F (z) M (z) = . 1 − ˆ F (z) 7. Določite prenovitveno mero prenovitvenega procesa, ki ga dobimo tako, da pri ho- mogenem Poissonovem procesu z intenzivnostjo λ vzamemo vse sode prihode. 8. Določite prenovitveno mero prenovitvenega procesa, pri katerem je medprihodni čas z verjetnostjo p enak nič, z verjetnostjo 1−p pa je (pogojno) porazdeljen eksponentno Exp(λ). Prenovitveni procesi z zaostankom Te procese dobimo, če pri prvem (med)prihodnem času T1 prenovitvenega pro- cesa opustimo predpostavko, da je porazdeljen enako kot ostali. Brž ko je prvi prihodni čas skoraj gotovo končen, ostali pa imajo končno matematično upanje, tudi tak proces zadošča krepkemu zakonu velikih števil: Nt s.g. 1 −−−→ . t t→∞ E(T2) 28 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 9. Dokažite, da prenovitvena mera prenovitvenega procesa z zaostankom zadošča pre- novitveni enačbi: M (t) = G(t) + M (t − s) dF (s) , [0,t] kjer je G kumulativna porazdelitvena funkcija prvega, F pa kumulativna porazde- litvena funkcija ostalih medprihodnih časov. Laplace–Stieltjesova transformiranka prenovitvene mere je torej enaka: ˆ ˆ G(z) M (z) = . 1 − ˆ F (z) 10. V manjšem kraju stoji banka z le enim bančnim okencem. Stranke prihajajo do banke v skladu s homogenim Poissonovim procesom z intenzivnostjo µ. Potencialna stranka, ki pride do banke, pa vstopi vanjo, le če pred bančnim okencem ni nobene stranke; sicer se ne vrne več. Privzamemo, da je čas strežbe posamezne stranke po- razdeljen eksponentno s parametrom λ ter da so časi strežbe neodvisni in neodvisni od procesa prihajanja strank. a) Ko banko odprejo, tam (še) ni nobene stranke. Tedaj prihodi strank v banko tvorijo prenovitveni proces z zaostankom. Določite njegovo prenovitveno mero. b) Določite dolgoročno intenzivnost vstopanja strank v banko. c) Določite dolgoročni delež strank, ki vstopijo v banko, med vsemi strankami, ki pridejo do banke. 11. Novopečeni policist lovi prekrškarje, ki prihajajo v skladu s homogenim Poissonovim procesom z intenzivnostjo λ. Prvega spregleda, nadaljnje pa ujame. Označimo z Nt število prekrškarjev, ki jih je policist ujel do časa t. Izračunajte E(Nt). Namig: proces Nt lahko obravnavate kot prenovitveni proces z zaostankom – dolo- čite porazdelitve T1 in Tn, n > 1. 12. Policist Rudi začne službovati v kraju A. Tja prihaja nadzornik v skladu s homo- genim Poissonovim procesom z intenzivnostjo 1 prihod na mesec. Vsakič, ko pride, z verjetnostjo 1/2 premesti Rudija v kraj B. Tam pa prihaja nadzornik v skladu s homogenim Poissonovim procesom z intenzivnostjo 1 prihod na 2 meseca in vsakič, ko pride, ga spet z verjetnostjo 1/2 premesti v kraj A. Privzamemo, da so določitve o premestitvah neodvisne tako med seboj kot tudi od časov obiskov. Dokažite, da obiski nadzornikov, ki doletijo Rudija, tvorijo prenovitveni proces z zaostankom, in izračunajte njegovo prenovitveno mero. 13. Določite prenovitveno mero procesa, kjer je čas prvega prihoda porazdeljen enako- merno na intervalu od 0 do a, preostali medprihodni časi pa eksponentno s parame- trom λ. 14. Proces štetja, ki ga ponazorimo z množico prihodov P, je stacionaren, če je proces Pt→ za vse t ≥ 0 porazdeljen enako kot P. Denimo, da je prenovitveni proces z zaostankom stacionaren in da poznamo porazdelitev njegovih medprihodnih časov T2, T3, . . .. Določite porazdelitev časa T1. REŠITVE 30 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 31 1. Ponovitev izbranih tem iz teorije verjetnosti 1. a) Če ima T vrednosti v N0, velja: ∞ T = 1(T > n) , n=0 od koder sledi želeni rezultat. b) Po prejšnji točki dobimo: ∞ ∞ 2 1 1 E(T ) = = 2 − = 1 . (n + 2)(n + 3) n + 2 n + 3 n=0 n=0 Opomba. Izračun s pomočjo točkastih verjetnosti je precej bolj zapleten – za n ∈ N velja P(T = n) = P(T > n − 1) − P(T > n) = 4 , torej bi morali (n+1)(n+2)(n+3) izračunati 4 ∞ n . n=1 (n+1)(n+2)(n+3) 2. a) Velja: T ∞ ∞ T = dt = 1(t < T ) dt = 1(T > t) . 0 0 0 Želeni rezultat tako sledi iz Fubinijevega izreka. b) Po prejšnji točki dobimo: ∞ ∞ dt 1 1 E(T ) = = − = . (1 + t)3 2(1 + t)2 2 0 0 Opomba. Seveda gre tudi brez uporabe prejšnje točke – slučajna spremenljivka T je porazdeljena zvezno z gostoto: 3 fT (t) = (1 + t)4 in matematično upanje je tako enako: ∞ t ∞ 1 1 E(T ) = 3 dt = 3 − dt = (1 + t)4 (1 + t)3 (1 + t)4 0 0 ∞ 3 1 1 = − − = . 2(1 + t)2 (1 + t)3 2 0 Izračun je spet bolj zapleten. 3. Označimo z S število šestic, s T pa število metov. Pogojno na T je tedaj S ∼ Bin(T, 1/6), torej je: 5 T T P(S = 0 | T ) = in E(S | T ) = . 6 6 32 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Ker je: 1 2 3 T ∼ , 1/2 1/4 1/4 končno velja: 1 5 1 5 2 1 5 3 635 . . P(S = 0) = · + · + · = = 0 735 , 2 6 4 6 4 6 864 1 1 1 2 1 3 7 . . E(S) = · + · + · = = 0 292 . 2 6 4 6 4 6 24 4. Vsi časi razen tistih v točkah d), g) in j) so časi ustavljanja. 5. a) Pišimo: ∞ S = Xn 1(T ≥ n) . n=1 Ker je dogodek {T ≥ n} = {T > n − 1} nasproten dogodku {T ≤ n − 1}, se deterministično izraža z Z0, . . . , Zn−1, torej je neodvisen od Xn. Sledi: ∞ ∞ E(S) = E(Xn) P(T ≥ n) = µ P(T ≥ n) = µ E(T ) . n=1 n=1 (glej 1. nalogo). b) Ker je µ = 0, je po prejšnji točki tudi E(S) = 0, torej je var(S) = E(S2). Pišimo: ∞ ∞ S2 = (S2 − S2 ) (2X ) n n−1 1(T ≥ n) = nSn−1 + X 2 n 1(T ≥ n) , n=1 n=1 kjer je Sn = X1 + X2 + · · · + Xn. Torej zaradi neodvisnosti velja: ∞ var(S) = 2 E(Xn) E Sn−1 1(T ≥ n) + E(X2) n P(T ≥ n) = n=1 ∞ = σ2 P(T ≥ n) = n=1 = σ2 E(T ) . Če izpustimo predpostavko, da je µ = 0, rezultat ne velja več nujno: recimo, da po- šten kovanec mečemo, dokler ne pade cifra, pri čemer so meti neodvisni. Označimo s T število potrebnih metov. Naj bo Xn = 1, če v n-tem metu pade cifra, sicer pa naj bo Xn = 0. Tedaj je S = 1 ter velja var(S) = 0, E(T ) = 2 in σ2 = 1/4, torej enakost ne velja. 6. Pričakovano število metov: 2 Pričakovano število grbov: 1 (lahko rešimo z Waldovo identiteto ali pa s pomočjo (pričakovanega) števila cifer). M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 33 7. Velja SN = 1 (deterministično), zato je tudi E(SN ) = 1. Toda ker je N + 1 ∼ 2 Geom 1 , je − 1 = 3. Nadalje je S 2 E(N ) = 1 n = X1 + X2 + · · · + Xn, kjer je 2 Xi indikator dogodka, da je v i-tem metu padla cifra. Ker je E(Xi) = 1, Waldova 2 identiteta ne velja. Slučajna spremenljivka N namreč ni čas ustavljanja. 8. Prvi način. Označimo z N število vseh metov in definirajmo naslednje tri hipoteze: H1 = {v prvem metu pade grb} . H2 = {v prvem metu pade cifra, v drugem pa grb} . H3 = {v prvih dveh metih pade cifra} . Če se zgodi H3, je očitno N = 2 in torej tudi E(N | H3) = 2. Če pa se zgodita H1 ali H2, je nadaljnje dogajanje spet zaporedje neodvisnih metov kovanca, zato je E(N | H1) = 1 + E(N ) in E(N | H2) = 2 + E(N ). Sledi: 1 1 1 E(N ) = 1 + E(N ) + 2 + E(N ) + · 2 , 2 4 4 od koder sledi E(N ) = 6. Pričakovano število cifer podobno kot v 6. nalogi dobimo iz Waldove identitete, saj je N čas ustavljanja. Enako je 6 · 1 = 3. 2 Drugi način.1 Rekli bomo, da pade osnovna cifra, če pade cifra, ki bodisi izvira iz prvega meta bodisi sledi grbu. Tedaj je število cifer, ki padejo, dokler ne padeta dve zaporedni cifri, enako številu osnovnih cifer, ki padejo, dokler osnovni cifri ne sledi cifra, plus ena. Iz krepke časovno homogene lastnosti Markova za osnovno Bernoullijevo zaporedje metov kovanca (glej 4. nalogo v 2. razdelku) sledi, da za vsak n ∈ N velja, da n-ti osnovni cifri z verjetnostjo 1/2 sledi grb, z verjetnostjo 1/2 pa cifra (število metov do vključno n-te osnovne cifre je čas ustavljanja). To velja tudi pogojno glede na dogajanje pred n-to osnovno cifro. Če so osnovne cifre poskusi, osnovne cifre, ki jim sledijo cifre, pa uspešni poskusi, dobimo Bernoullijevo zaporedje poskusov, v katerem vsak uspe z verjetnostjo 1/2. Zato je število osnovnih cifer do vključno tiste, ki ji sledi cifra, porazdeljeno geometrijsko Geom(1/2), torej je matematično upanje tega števila enako 2. Matematično upanje števila cifer, ki padejo, dokler ne padeta dve zaporedni cifri, pa je enako 2 + 1 = 3. Za izračun matematičnega upanja vseh metov, dokler ne padeta dve zaporedni cifri, pa lahko uporabimo Waldovo identiteto v nasprotno smer kot pri prvem načinu. Tako dobimo E(N) = 3/(1/2) = 6. 9. a) Če uporabimo 5. nalogo za slučajne spremenljivke Yi := Xi − µ in označimo U := Y1 + · · · + YT = S − µT , dobimo var(U ) = E(U 2) = σ2 E(T ). Torej je: E(S2) = E(U 2) + 2µ E(U T ) + µ2 E(T 2) . Nadalje velja E(UT ) = E E(UT | T ) = E E(U | T )T . Ker so slučajne spremen- ljivke Y1, Y2, . . . neodvisne od T , je E(Yn | T ) = E(Yn) = 0 za vse n in posledično 1Idejo dal Timotej Akrapovič. 34 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV tudi E(U | T ) = 0, zato je tudi E(UT ) = 0. Ko vstavimo še rezultat za E(U 2), dobimo: E(S2) = σ2 E(T ) + µ2 E(T 2) in končno: 2 var(S) = E(S2) − µ2 E(T ) = σ2 E(T ) + µ2 var(T ) . Opomba: prvi člen predstavlja varianco, nepojasnjeno s T , t. j. E var(S | T ) , drugi člen pa je varianca, pojasnjena s T , t. j. var E(S | T ) . b) Velja: n E zS T = n = E(zSn) = GX(z) , T torej E(zS | T ) = GX(z) , od koder dobimo: E(zS) = G T (G X (z)) . Če predpostavko, da je T neodvisna od X1, X2, . . ., zamenjamo s šibkejšo predpo- stavko, da je T čas ustavljanja glede na 0, X1, X2, . . ., nobena od enakosti ne velja več nujno. Kot protiprimer lahko tako kot v 5. nalogi vzamemo pošten kovanec, ki ga mečemo, dokler ne pade cifra, pri čemer so meti neodvisni. Spet naj bo T število potrebnih metov ter Xn = 1, če v n-tem metu pade cifra, sicer pa naj bo Xn = 0 (torej je S = 1). Ni se težko prepričati, da nobena od prej dokazanih zvez ne velja. 10. a) Označimo z Rt dogodek, da se ob času t zgodi rekord. Opazimo, da je ta dogodek odvisen le od vrstnega reda slučajnih spremenljivk X1, X2, . . . , Xt. Ker so te slučajne spremenljivke izmenljive, je vseh t! vrstnih redov enako verjetnih; ker je porazdelitev slučajnih spremenljivk zvezna, so z verjetnostjo 1 vse vrednosti različne. Ker se dogodek Rt zgodi pri (t − 1)! vrstnih redih, mora biti P(Rt) = 1/t. Bolj formalno, slučajne spremenljivke X1, . . . , Xt uredimo po velikosti: X(t) < (1) X(t) < · · · < X(t) . Slučajni spremenljivki X(t) pravimo i-ta vrstilna statistika (to (2) (n) (i) je tudi i-ti prihodni čas v procesu štetja z množico prihodov M = {X1, . . . , Xt}). Nadalje z ρ(t) označimo rang j-te slučajne spremenljivke med prvimi t, to je njen j položaj v lestvici. Natančneje, ρ(t) = i, če je X . j j = X (t) (i) Zaradi izmenljivosti slučajnih spremenljivk X1, X2, . . . je porazdelitev vektorja ran- gov ρ(t), ρ(t), . . . , ρ(t) enakomerna na množici vseh permutacij t elementov. Torej 1 2 t je tudi rang ρ(t) porazdeljen enakomerno na množici {1, 2, . . . , t}. Sledi t P(Rt) = P ρ(t) = t = 1/t. t b) Ugotovili smo že, da je dogodek Rt natančno določen z vrstnim redom slučajnih spremenljivk X1, . . . , Xt. Če predpišemo vrstni red slučajnih spremenljivk X1, . . . . . . , Xn, lahko le tega razširimo v t možnih redov slučajnih spremenljivk X1, . . . , Xt, od katerih se pri natanko enem zgodi dogodek Rt. Torej je pogojna verjetnost dogodka Rt glede na vrstni red slučajnih spremenljivk X1, . . . , Xt−1 enaka 1/t, ne- odvisno od dejanskega vrstnega reda. To pa pomeni, da je dogodek Rt neodvisen od tega vrstnega reda in zato tudi od R1, . . . , Rt−1. M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 35 Bolj formalno, ker je porazdelitev vektorja rangov ρ(t), ρ(t), . . . , ρ(t) enakomerna na 1 2 t množici vseh permutacij t elementov, je tudi pogojna porazdelitev ranga ρ(t) glede t na ρ(t−1), ρ(t−1), . . . , ρ(t−1) enakomerna na množici {1, 2, . . . , t}, zato je pogojna ver-1 2 t−1 jetnost dogodka Rt glede na ρ(t−1), . . . , ρ(t−1) (in zato glede na R 1 t−1 1, . . . , Rt−1) enaka 1/t. Opomba. Dogodek Rt je resda neodvisen od ρ(t−1), ρ(t−1), . . . , ρ(t−1), ni pa neodvisen 1 2 t−1 tudi od X1, X2, . . . , Xt−1. c) Če z It označimo indikator dogodka Rt, t. j.: 1 ; ob času t se zgodi rekord It = 1(Rt) = , 0 ; ob času t se ne zgodi rekord velja Nt = I1 + I2 + · · · + It ter nadalje E(It) = 1/t in var(It) = (t − 1)/t2. Torej je: 1 1 E(Nt) = E(I1) + E(I2) + · · · + E(It) = 1 + + · · · + ∼ ln t 2 t in zaradi neodvisnosti še: 1 2 t − 1 var(Nt) = var(I1) + var(I2) + · · · + var(It) = + + · · · + ∼ ln t . 22 32 t2 d) Dogodek {S > t} je ekvivalenten dogodku, da je X1 najvišja izmed vrednosti X1, X2, . . . , Xt, torej dogodku, da je ρ(t) = t. Verjetnost tega dogodka je 1/t. Torej 1 je P(S = ∞) = limt→∞ P(S > t) = 0. Za t = 2, 3, 4, . . . pa velja: 1 P(S = t) = P(S > t − 1) − P(S > t) = . t(t − 1) Torej je 1 E(S) = ∞ = ∞. t=2 t−1 Opomba. Čeprav je matematično upanje neskončno, pa so je pogojno matematično upanje glede na vrednost prve meritve X1 končno – velja: 1 E(S | X1) = 1 + , 1 − F (X1) kjer je F kumulativna porazdelitvena funkcija slučajnih spremenljivk X1, X2, . . . (pogojno glede na X1 je namreč število nadaljnjih poskusov, ki so potrebni, da pre- sežemo vrednost X1, porazdeljeno geometrijsko Geom(1−F (X1))). Toda integracija v brezpogojno matematično upanje da neskončen rezultat: če z f = F označimo gostoto, dobimo: ∞ 1 E(S) = E E(S | X1) = f (x) dx . −∞ 1 − F (x) in substitucija t = F (x) nam da: 1 1 E(S) = dt = ∞ . 1 − t 0 36 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV e) Pogojna porazdelitev slučajne spremenljivke XS(y) glede na dogodek {S(y) = t} je enaka pogojni porazdelitvi slučajne spremenljivke Xt glede na dogodek {X1 ≤ y, X2 ≤ y, . . . , Xt−1 ≤ y, Xt > y}, ta pa zaradi neodvisnosti sovpada s pogojno porazdelitvijo glede na dogodek {Xt > y}. Slednja pa je neodvisna od t. M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 37 2. Procesi štetja 1. a) Če s p označimo verjetnost, da ob danem času pride do prihoda, velja Nt ∼ Bin(n, p) in Nt − Ns ∼ Bin(t − s, p). Sledi: • Če so I1, I2, . . . , It neodvisne Bernoullijeve slučajne spremenljivke s P(Yk = 1) = p, je I1 + I2 + · · · + It ∼ Bin(t, p). • Če sta X ∼ Bin(k, p) in Y ∼ Bin(l, p) neodvisni, je X + Y ∼ Bin(k + l, p). b) Te slučajne spremenljivke so neodvisne. c) Iz osnovne ekvivalence dobimo: P(S1 ≤ t) = P(Nt ≥ 1) = 1 − P(Nt = 0) = 1 − (1 − p)t . Formula je pravilna za t = 0, 1, 2, . . ., torej za t ∈ N velja: P(S1 = t) = P(S1 ≤ t) − P(S1 ≤ t − 1) = p(1 − p)t−1 , torej je S1 ∼ Geom(p). d) Splošneje velja: P(Sn = t) = P(Sn ≤ t, Sn > t − 1) = P(Nt ≥ n, Nt−1 < n) = = P(Nt−1 = n − 1, ob času t se zgodi prihod) = = P(Nt−1 = n − 1) P(ob času t se zgodi prihod) = t − 1 = pn(1 − p)t−n , n − 1 torej je Sn ∼ NegBin(n, p). 2. Za n-ti prihod po osnovni ekvivalenci velja: FS (t) = n P(Sn ≤ t) = P(Nt ≥ n) = P(Nt + 1 > n) = 1 − e−t n . Sledi: ∞ E(S1) = e−t dt = 1 , 0 ∞ ∞ 3 E(S2) = 1 − 1 − e−t 2 dt = 2 e−t − e−2t dt = . 2 0 0 3. Prvi način. Velja Nt ∼ Bin(n, t). Iz osnovne ekvivalence {Sk ≤ t} = {Nt ≥ k} dobimo kumulativno porazdelitveno funkcijo slučajne spremenljivke Sk: n n FS (t) = tl(1 − t)n−l ; 0 ≤ t ≤ 1 . k l l=k 38 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Z odvajanjem dobimo še porazdelitveno gostoto (pazimo na zadnji člen): n n fS (t) = l tl−1(1 − t)n−l − (n − l)tl(1 − t)n−l−1 = k l l=k n n−1 n n = l tl−1(1 − t)n−l − (n − l)tl(1 − t)n−l−1 = l l l=k l=k n n−1 n! n! = tl−1(1 − t)n−l − tl(1 − t)n−l−1 = (l − 1)! (n − l)! l! (n − l − 1)! l=k l=k n n n! n! = tl−1(1 − t)n−l − tj−1(1 − t)n−j = (l − 1)! (n − l)! (j − 1)! (n − j)! l=k j=k+1 n! = tk−1(1 − t)n−k . (k − 1)! (n − k)! Dobili smo porazdelitev beta: Sk ∼ Beta(k, n − k + 1). Drugi način. Gostoto zlahka dobimo z naslednjim fizikalnim, a matematično ne ravno korektnim premislekom: dogodek {Sk ∈ [t, t + dt]} pomeni, da je do časa t prišlo k − 1 gostov, en gost je prišel v infinitezimalnem časovnem intervalu od t do t + dt, preostalih n − k gostov pa je prišlo od časa t + dt naprej. Torej je: n! P(Sk ∈ [t, t + dt]) = tk−1 dt (1 − t)n−k , (k − 1)! 1! (n − k)! od koder sledi: n! fS (t) = tk−1(1 − t)n−k , k (k − 1)! (n − k)! kar je isto kot prej. Korektna izpeljava pa je naslednja: za 0 ≤ t < t + h ≤ 1 iz osnovne ekvivalence sledi: FS (t + h) − F (t) = k Sk P(Nt+h ≥ k) − P(Nt ≥ k) . Ker je {Nt ≥ k} ⊆ {Nt+h ≥ k}, je tudi: FS (t + h) − F (t) = k Sk P(Nt < k, Nt+h ≥ k) = = P(Nt < k, N1 − Nt+h ≤ n − k) = k−1 n−k = P(Nt = i, Nt+h − Nt = n − i − j, N1 − Nt+h = j) = i=0 j=0 k−1 n−k n! = tihn−i−j(1 − t − h)j . i! (n − i − j)! j! i=0 j=0 Opazimo, da je eksponent pri h vselej najmanj 1. Če delimo s h in naredimo limito, ko gre h proti nič, na levi strani dobimo natanko desni odvod funkcije FS v točki k M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 39 t. Na desni strani pa ostanejo le členi s h1, to pa je le člen z i = k − 1 in j = n − k. Torej je prej omenjeni desni odvod enak: n! tk−1(1 − t)n−k , (k − 1)! (n − k)! kar je spet isto kot prej. Dokazati moramo le še, da enako velja tudi za levi odvod. Za 0 ≤ t − h < t ≤ 1 podobno kot prej izračunamo: k−1 n−k n! FS (t) − F (t − h) = (t − h)ihn−i−j(1 − t)j . k Sk i! (n − i − j)! j! i=0 j=0 in limita, ko gre h proti nič, je ista kot prej. To pomeni, da je FS na celotnem k intervalu (0, 1) odvedljiva, in ni se težko prepričati, da je odvod zvezen. Poleg tega je FS povsod zvezna. Sledi: k n! fS (t) = tk−1(1 − t)n−k . k (k − 1)! (n − k)! 4. a) Da je Pt→ neodvisen od P→t, sledi iz neodvisnosti dogodkov, da se ob določenem času zgodi prihod (in izreka o neodvisnosti izpeljanih dogodkov). Da pa je poraz- deljen enako kot P, sledi iz tega, da ima lastnosti, ki določajo P, in da te lastnosti natančno določajo porazdelitev. b) Proces PT → zavzame vrednosti v množici ℘(N), potenčni množici množice na- ravnih števil. Proces P→T pa zavzame vrednosti v množici ℘fin(N), množici vseh končnih podmnožic množice naravnih števil. Vzemimo poljubni merljivi množici A ⊆ ℘fin(N) in B ⊆ ℘(N) ter poljuben t ∈ N. Oglejmo si naslednjo pogojno verje- tnost: P P T → ∈ B T = t, P→T ∈ A = P Pt→ ∈ B T = t, P→t ∈ A (ki ima smisel, če je P T = t, P→t ∈ A > 0). Toda dogodek {T = t} je determini- stično določen z P→t. To pa pomeni, da obstaja taka množica Ct ⊆ ℘({1, . . . , t}), da je {T = t} = {P→t ∈ Ct}. Iz običajne časovno homogene lastnosti Markova zdaj sledi: P P T → ∈ B T = t, P→T ∈ A = P Pt→ = B P→t = A ∩ Ct = = P Pt→ = B = = P P = B , od koder sledi želeno. 5. Prvi del (pozabljivost) lahko preverimo na vsaj dva načina. Prvi način. Z neposrednim izračunom preverimo: P(T = t + s) p(1 − p)t+s−1 P(T = t + s | T > t) = = = p(1 − p)s−1 = P(T = s) . P(T > t) (1 − p)t 40 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Drugi način. Oglejmo si Bernoullijevo zaporedje poskusov, kjer vsak poskus uspe z verjetnostjo p, in ga obravnavajmo kot proces štetja. Če je T = S1 čas prvega prihoda, iz točke b) 1. naloge vemo, da je le-ta porazdeljen geometrijsko Geom(p). Dogodek {T > t} se ujema z dogodkom, da do vključno časa t še ni prišlo do prihoda. Če spet z P označimo množico prihodnih časov in s T prvi (med)prihodni čas v procesu Pt→, na dogodku {T > t} velja T = T −t, torej se na tem dogodku dogodka {T = t + s} in {T = s} ujemata. Ker je dogodek {T > t} možno deterministično opisati z množico P→t, je T neodvisen od {T > t} in porazdeljen tako kot T , se pravi, da je pogojno glede na {T > t} porazdeljen tako kot T . Od tod pa že sledi zahtevana enakost. Naj bo zdaj T pozabljiva slučajna spremenljivka. Iz pozabljivosti sledi tudi: P(T > t + s | T > t) = P(T > s) za vse s ∈ N0 in tudi za vse t ∈ N0. Z drugimi besedami: P(T > t + s) = P(T > t) P(T > s) . Torej velja tudi: P(T > t + 1) = P(T > t) P(T > 1) in če označimo q := P(T > 1), sledi: P(T > t) = qt . Tu mora biti 0 < q < 1: možnost q = 0 odpade, ker mora imeti pogojna verjetnost v (∗) smisel, možnost q = 1 pa, ker bi v tem primeru iz verjetnosti števnega preseka naraščajočega zaporedja dogodkov dobili, da je P(T ∈ N) = 0. Končno dobimo: P(T = t) = P(T > t − 1) − P(T > t) = (1 − q)qt−1 , kar pomeni, da je T res porazdeljena geometrijsko. 6. a) Sledi iz osnovne ekvivalence {Sn ≤ t} = {Nt ≥ n}. Tako dobimo, da je proces PSn→ neodvisen od Sn, P→Sn in porazdeljen enako kot P. b) n-ti medprihodni čas procesa P ustreza prvemu medprihodnemu času procesa PSn−1→. Iz prejšnje točke sledi, da je potem Tn porazdeljen enako kot T1 in neodvisen od (Sn−1, PSn−1→), torej tudi od (T1, . . . , Tn−1). Torej so vsi medprihodni časi Tn neodvisni in porazdeljeni geometrijsko Geom(p). Sledi: • Če so T1, T2, . . . , Tn neodvisne in porazdeljene geometrijsko Geom(p), je T1 + T2 + · · · + Tn ∼ NegBin(n, p). • Če sta X ∼ NegBin(k, p) in Y ∼ NegBin(l, p) neodvisni, je X + Y ∼ NegBin(k + l, p). c) Razlika Sn − Sm ustreza (n − m)-temu medprihodnemu času procesa PSm→, torej je porazdeljena enako kot Sn−m, se pravi negativno binomsko NegBin(n − m, p). M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 41 3. Homogeni Poissonov proces 1. a) Čas od odprtja ambulante do sprejema prvega pacienta je tretji prihodni čas S3, ki ima porazdelitev Gama(3, 6), njegova pričakovana vrednost pa je 3 · 1/6 = 1/2, torej pol ure. 2 6k e−6 . b) P(N1 < 3) = Pois(6){0, 1, 2} = = 25 e−6 . = 0 0620. k! k=0 2. a) Naj bo najprej s > t. Tedaj je Ns − Nt neodvisna od Nt, zato velja: cov(Nt, Ns) = cov(Nt, Nt) + cov(Nt, Ns − Nt) = var(Nt) = λt . V splošnem torej velja cov(Nt, Ns) = λ min{t, s}. min{t, s} b) corr(Nt, Ns) = √ . ts   t1 t1 t1 · · · t1 t1 t2 t2 · · · t2   c) λ t1 t2 t3 · · · t3.  . . . . .   .. .. .. . . ..    t1 t2 t3 · · · tn 3. a) Igralec dobi igro, če pride med časoma s in 1 do natanko enega zvonjenja. Ker je število zvonjenj v tem časovnem intervalu porazdeljeno po Poissonu Pois λ(1 − s) , je verjetnost dogodka, da igralec dobi igro, enaka: λ(1 − s) e−λ(1−s) . b) Funkcija t → t e−t na intervalu [0, 1] narašča, pri t = 1 doseže maksimum e−1, na intervalu [1, ∞) pa pada. Namesto t zdaj vstavimo izraz λ(1 − s), ki lahko preteče interval od 0 do λ. Če je λ < 1, torej ta izraz ne more doseči 1 in maksimalna verjetnost, da igralec dobi igro, je dosežena pri s = 0, enaka pa je λ e−λ. Pri λ ≥ 1 pa izraz λ(1 − s) doseže vrednost 1 pri s = (λ − 1)/λ in maksimalna verjetnost, da igralec dobi igro, je e−1. 4. Računamo: P(X = k, Z = n) P(X = k | Z = n) = = P(Z = n) P(X = k, Y = n − k) = = P(Z = n) P(X = k) P(Y = n − k) = = P(Z = n) n! λkµn−k = = k!(n − k)! (λ + µ)n n λ k µ n−k = , k λ + µ λ + µ 42 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV λ torej je iskana pogojna porazdelitev binomska Bin Z, . λ + µ 5. a) Pogojno na N je S ∼ Bin(N, p), t. j.: n P(S = k | N = n) = pk(1 − p)n−k ; k = 0, 1, . . . , n . k Po izreku o polni verjetnosti izračunamo: ∞ P(S = k) = P(N = n) P(S = k | N = n) = n=k ∞ λn e−λ n = pk(1 − p)n−k = n! k n=k ∞ λnpke−λ (1 − p)n−k = = k! (n − k)! n=k (pλ)k e−pλ = . k! Torej je S ∼ Pois(pλ). Podobno je tudi T ∼ Pois((1 − p)λ). b) Velja: P(S = k, T = l) = P(S = k, N = k + l) = P(N = k + l) P(S = k | N = k + l) = λk+l e−λ k + l λk+l pk(1 − p)l e−λ = pk(1 − p)l = = (k + l)! k k! l! = P(S = k) P(T = l) , torej sta S in T res neodvisni. c) Če je N = n kar konstanta, sta S in T odvisni, brž ko je n ≥ 1 in 0 < p < 1: v tem primeru namreč S in T zavzameta vsaj dve vrednosti (s pozitivno verjetnostjo), a če je S = k, je nujno T = n − k. 6. Glede na to, da se pri eksponentni porazdelitvi najlepše izraža funkcija preživetja: P(T > t) = e−λt ; t ≥ 0 , je pozabljivost prikladneje zapisati v naslednji obliki: P(T > t + s | T > t) = P(T > s) in jo lahko preverimo na vsaj dva načina. Prvi način. Z neposrednim izračunom preverimo: P(T > t + s) e−λ(t+s) P(T > t + s | T > t) = = = e−λs = P(T > s) . P(T > t) e−λt M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 43 Drugi način. Gledamo homogeni Poissonov proces z intenzivnostjo λ in sklepamo tako kot pri 5. nalogi iz 2. razdelka. Naj bo zdaj T pozabljiva slučajna spremenljivka. Če z G(t) := P(T > t) označimo funkcijo preživetja, tedaj za vse t, s ≥ 0 velja: G(t + s) = G(t) G(s) . Ker je gostota zvezna na (0, ∞), je funkcija preživetja tam zvezno odvedljiva, v 0 pa ima desni odvod. Z odvajanjem po s dobimo diferencialno enačbo: G (t) = G(t) G (0) . Poleg tega iz dejstva, da je gostota zunaj intervala (0, ∞) enaka nič, sledi začetni pogoj G(0) = 1. Tako dobimo enolično določeno rešitev: G(t) = eG (0) t ; t ≥ 0 , kar pomeni, da je T res porazdeljena eksponentno. 7. Pri minimumu si pomagamo s funkcijo preživetja: P(U > u) = P(X > u, Y > u) = P(X > u) P(Y > u) = e−(λ+µ)u . To pomeni, da je U ∼ Exp(λ + µ). Pri maksimumu pa se opremo na kumulativno porazdelitveno funkcijo: P(V ≤ v) = P(X ≤ v, Y ≤ v) = P(X ≤ v) P(Y ≤ v) = 1 − e−λv 1 − e−µv . Slučajna spremenljivka V je torej porazdeljena zvezno z gostoto: λ e−λv + µ e−µv − (λ + µ) e−(λ+µ)v ; v > 0 fV (v) = . 0 ; sicer 8. Za n-ti klic, na katerega se gasilci lahko odzovejo, naj bo Rn dogodek, da se bodo lahko odzvali na naslednji klic, ki ga bodo prejeli. Tedaj se število klicev, na katere se odzovejo gasilci, preden je potrebno kakšen klic preusmeriti, ujema s prvim indeksom n, za katerega se dogodek Rn ne zgodi. Po krepki časovno homogeni lastnosti Markova se proces od zaključka n-te inter- vencije naprej obnaša tako kot od začetka. Od tod sledi, da so dogodki R1, R2, . . . neodvisni in enako porazdeljeni. Verjetnost, da se posamezen dogodek zgodi, pa dobimo tako, da vzamemo kar neodvisni slučajni spremenljivki T in U , kjer je T ∼ Exp 1 in U ∼ Unif ( 1 , 1) . Velja: 2 2 1 ∞ . P(R1) = P(T2 > U1) = e−t/2 dt du = 4 e−1/4 − e−1/2 . = 0 689 , 1/2 u . torej ima iskano število klicev porazelitev Geom 1−4e−1/4 +4e−1/2 . = Geom(0 311). 44 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 9. a) Za 0 ≤ s ≤ t velja: FS1|Nt=1(s) = P(S1 ≤ s | Nt = 1) = = P(Ns ≥ 1 | Nt = 1) = = P(Ns = 1 | Nt = 1) = P(N = s = 1, Nt = 1) = P(Nt = 1) P(N = s = 1, Nt − Ns = 0) = P(Nt = 1) P(N = s = 1) P(Nt − Ns = 0) = P(Nt = 1) λs e−λs e−λ(t−s) = = λt e−λt s = , t od koder sledi, da gre za enakomerno porazdelitev na intervalu (0, t). b) Podobno kot prej za 0 ≤ s ≤ t izračunamo: FS2|Nt=2(s) = P(Ns ≥ 2 | Nt = 2) = P(N = s = 2, Nt − Ns = 0) = P(Nt = 2) s2 = , t2 2s 2t od koder dobimo fS in . 2|Nt=2(s) = E(S2 | Nt = 2) = t2 3 Nadalje je: FS1|Nt=2(s) = P(Ns ≥ 1 | Nt = 2) = P(N = s = 1, Nt − Ns = 1) + P(Ns = 2, Nt − Ns = 0) = P(Nt = 2) 2st − s2 = , t2 2(t − s) t od koder dobimo fS in . 1|Nt=2(s) = E(S1 | Nt = 2) = t2 3 10. Prvi način. Pišemo lahko: W = (t − S1) + (t − S2) + · · · + (t − SN ) = tN . t t − S1 − S2 − · · · − SNt Po prejšnjem se pogojna porazdelitev vsote S1 + · · · + SN glede na N t t = n ujema z brezpogojno porazdelitvijo vsote U(1) + · · · + U(n) = U1 + · · · + Un, kjer so U1, . . . , Un neodvisne in porazdeljene enakomerno na (0, t), U(1), . . . , U(n) pa njihove vrstilne statistike. Torej lahko slučajne spremenljivke S1, S2, . . . zamenjamo s slučajnimi M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 45 spremenljivkami U1, U2, . . ., ki so porazdeljene enakomerno na (0, t) in neodvisne tako med seboj kot tudi od Nt. Dobimo: E(W ) = E tNt − U1 − U2 − · · · − UN . t Po Waldovi identiteti je: t λt2 E(W ) = t E(Nt) − E(U1) E(Nt) = t · λt − · λt = . 2 2 t Drugi način. Opazimo, da je W = Ns ds. Sledi: 0 t t λt2 E(W ) = E(Ns) ds = λs ds = . 2 0 0 11. Prvi način. Velja: Nt X(t) = e−θ(t−Si) , i=1 kjer so S1, S2, . . . prihodni časi. Ali še drugače, če naš proces štetja ponazorimo s slučajno množico P, velja: X(t) = e−θ(t−s) , s∈P→t Iz točke c) 9. naloge pa sledi: n E X(t) | Nt = n = E e−θ(t−Ui) , i=1 kjer so U1, U2, . . . , Un neodvisne in enakomerno porazdeljene na intervalu [0, t]. Torej je: 1 − e−θt E X(t) | Nt = n = n E e−θ(t−U1) = n θt oziroma: 1 − e−θt E X(t) | Nt = Nt θt in končno: λ(1 − e−θt) E X(t) = . θ Drugi način. Skupni učinek šokov zapišimo kot Riemann–Stieltjesov integral: t X(t) = e−θ(t−s) dNs 0 in uporabimo integracijo po delih: t X(t) = Nt − θ e−θ(t−s) Ns ds 0 46 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Sledi (upoštevamo eθs ds = s − 1 eθs + C): θ θ2 t λ(1 − e−θt) E X(t) = λt − λθ s e−θ(t−s) ds = . θ 0 12. Prvi način. Označimo iskani čas s T in, kot ponavadi, s T1 prvi prihodni čas. Če je T1 ≥ c, je T = c. Sicer pa uporabimo krepko časovno homogeno lastnost Markova za čas ustavljanja T1: od takrat naprej se začne vse dogajati na novo. Torej velja: c ; T1 ≥ c E(T | T1) = = T1 + E(T ) ; T1 < c = c 1(T1 ≥ c) + T1 + E(T ) 1(T1 < c) . Sledi: E(T ) = c P(T1 ≥ c) + E T1 1(T1 < c) + E(T ) P(T1 < c) = ∞ c c = cλ e−λt dt + λ t e−λt dt + E(T ) e−λt dt = c 0 0 1 − e−λc = + E(T ) 1 − e−λc λ in končno: eλc − 1 E(T ) = . λ Drugi način. Če z N označimo zaporedno številko avtomobila, pred katerim lahko varno prečka cesto, za n = 1, 2, 3, . . . velja: {N = n} = {T1 < c, T2 < c, . . . , Tn−1 < c, Tn ≥ c} . (∗) Na dogodku {N = n} velja T = T1 +T2 +· · ·+Tn−1 +c. Nadalje za i = 1, 2, . . . , n−1 zaradi neodvisnosti velja: c E Ti 1(Ti < c) 1 E(Ti | N = n) = E(Ti | Ti < c) = = λt e−λt dt = P(Ti < c) 1 − e−λc 0 1 c e−λc = − . λ 1 − e−λc Sledi: 1 c e−λc E(T | N ) = (N − 1) − + c . λ 1 − e−λc Ker je N porazdeljena geometrijsko Geom P(T1 ≥ c) = Geom e−λc , je E(N) = eλc. Sledi: 1 c e−λc eλc − 1 E(T ) = E(N ) − 1 − + c = . λ 1 − e−λc λ Tretji način. Držimo se oznak iz drugega načina in iz izražave (∗) razberemo, da je N čas ustavljanja. Pišimo: T = T1 + T2 + · · · + TN + c − TN . M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 47 Po Waldovi identiteti velja: eλc E(T1 + T2 + · · · + TN ) = E(T1) E(N ) = . λ Nadalje iz (∗), neodvisnosti in pozabljivosti eksponentne porazdelitve dobimo: 1 E(TN | N = n) = E(Tn | Tn ≥ c) = c + , λ torej je tudi E(TN ) = c + 1 . Ko vse skupaj seštejemo, dobimo , kar je λ E(T ) = eλc−1 λ seveda isto kot prej. 13. Prvi način. Postavimo se v trenutek, ko prvič naslednjič delijo nagrade, in ga označimo s T1. Če je T1 ≤ δ, Tonček takrat dobi nagrado, zato je tedaj T = T1. Sicer pa se vse začne na novo: Tonček mora od tega trenutka naprej čakati še čas T , ki je pogojno na zgodovino porazdeljen enako kot T . Torej velja: T = T1 + T 1(T1 > δ) , od koder sledi: E(T ) = E(T1) + E(T ) P(T1 > δ) . Ker je T1 ∼ Exp(λ), je E(T1) = 1/λ in P(T1 > δ) = e−λδ, torej je: 1 E(T ) = + e−λδ E(T ) λ oziroma: 1 E(T ) = . λ 1 − e−λδ Drugi način. Označimo z N delitev, pri kateri Tonček dobi nagrado, pri čemer iz- vzamemo delitev ob času nič, ki jo Tonček v vsakem primeru zamudi. Če s T1, T2, . . . označimo medprihodne čase v procesu deljenja nagrad, velja: {N = n} = {T1 > δ, T2 > δ, . . . , Tn−1 > δ, Tn ≤ δ} . Na dogodku {N = n} je T = T1 + T2 + · · · + Tn. Nadalje za i = 1, 2, . . . , n − 1 velja: ∞ E Ti 1(Ti > δ) 1 1 E(Ti | N = n) = E(Ti | Ti > δ) = = λt e−λt dt = + δ P(Ti > δ) e−λδ λ δ (to sledi tudi iz pozabljivosti eksponentne porazdelitve), medtem ko je: δ E Ti 1(Ti < δ) 1 E(Tn | N = n) = E(Tn | Tn ≤ δ) = = λt e−λt dt = P(Ti ≤ δ) 1 − e−λδ 0 1 δ e−λδ = − . λ 1 − e−λδ 48 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Sledi: N δ e−λδ 1 δ E(T | N ) = + (N − 1)δ − = N + δ − . λ 1 − e−λδ λ 1 − e−λδ Ker je N porazdeljena geometrijsko Geom P(T1 < δ) = Geom 1−e−λδ , je E(N ) = 1 1 − e−λδ . Sledi: 1 + δ δ 1 λ E(T ) = − = . 1 − e−λδ 1 − e−λδ λ 1 − e−λδ Tretji način. Z oznakami iz drugega načina je T = T1 + T2 + · · · + TN . Opazimo, da je N čas ustavljanja, saj je dogodek {N = n} enolično določen s T1, T2, . . . , Tn (glej zgoraj). Po Waldovi identiteti je potem: 1 E(T ) = E(N ) E(T1) = . λ 1 − e−λδ 14. Če proces predstavimo s slučajno množico P, je starost natančno določena z P→t, presežek pa z Pt→. Ker vemo, da sta ti slučajni množici neodvisni, mora to veljati tudi za starost in presežek. Poleg tega Et ustreza prvemu prihodnemu času v procesu Pt→, ki je porazdeljen enako kot P. Zato je Et ∼ Exp(λ). Nadalje za 0 ≤ s ≤ t velja: P(At < s) = P(Nt − Nt−s ≥ 1) = 1 − e−λs , torej tudi za 0 ≤ s < t velja: FA (s) = t P(At ≤ s) = 1 − e−λs . Ker je At navzgor omejena s t, za s ≥ t velja FA (s) = 1. Tako slučajna spre- t menljivka At ni niti diskretna niti zvezna. Pač pa se njena porazdelitev ujema s porazdelitvijo slučajne spremenljivke min{ ˜ At, t}, kjer je ˜ At ∼ Exp(λ) (mislimo si, da dani homogeni Poissonov proces nadaljujemo še za negativne čase). Porazdelitev vsote lahko izpeljemo na vsaj dva načina. Prvi način. Porazdelitev vsote At+Et se ujema s porazdelitvijo vsote min{ ˜ At, t}+Et kjer sta ˜ At in Et neodvisni in porazdeljeni eksponentno Exp(λ). Za 0 ≤ s < t velja: P(At + Et ≤ s) = P( ˜ At + Et ≤ s) = s s−x = f ˜ (x) f (y) dy dx = A E t t 0 0 s s−x = λ2 e−λx e−λy dy dx = 0 0 s = λ e−λx − e−λs dx = 0 = 1 − e−λs − λs e−λs . M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 49 Za s ≥ t pa velja: P(At + Et ≤ s) = P(At < t, At + Et ≤ s) + P(At = t, Et ≤ s − t) = = P( ˜ At < t, ˜ At + Et ≤ s) + P( ˜ At ≥ t, Et ≤ s − t) = t s−x ∞ s−t = λ2 e−λx e−λy dy + λ2 e−λx dx e−λy dy = 0 0 t 0 t = λ e−λx 1 − e−λ(s−x) dx + e−λt 1 − e−λ(s−t) = 0 t = λ e−λx − e−λs dx + e−λt − e−λs = 0 = 1 − e−λt − λt e−λs + e−λt − e−λs = = 1 − e−λs − λt e−λs . Torej je:  0 ; s ≤ 0  FA (s) = 1 − e−λs − λs e−λs ; 0 ≤ s < t t+Et  1 − e−λs − λt e−λs ; s ≥ t Drugi način. Izhajamo iz pogojne kumulativne funkcije glede na Et: FA (s | y) = t+Et|Et P(At + Et ≤ s | Et = y) = P(At ≤ s − y | Et = y) = = P(At ≤ s − y) . Iz FA dobimo: t  0 ; s ≤ y  FA (s | y) = 1 − e−λ(s−y) ; y ≤ s ≤ y + t = t+Et|Et  1 ; s ≥ y + t  1 ; y ≤ s − t  = 1 − e−λ(s−y) ; s − t ≤ y ≤ s .  0 ; y ≥ s ∞ Velja FA (s) = λ F (s | y) e−λy dy. Za 0 ≤ s ≤ t dobimo: t+Et At+Et|Et 0 s FA (s) = λ 1 − e−λ(s−y) e−λy dy = 1 − e−λs − λs eλs , t+Et 0 za s ≥ t pa: s−t s FA (s) = λ e−λy dy + λ 1 − e−λ(s−y) e−λy dy = 1 − e−λs − λt eλs , t+Et 0 s−t kar je isto kot prej. Opazimo, da je kumulativna porazdelitvena funkcija vsote At + Et zvezna, še več, 50 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV absolutno zvezna. Torej je slučajna spremenljivka At + Et porazdeljena zvezno in z odvajanjem dobimo njeno gostoto:  0 ; s < 0  fA (s) = λ2s e−λs ; 0 < s < t . t+Et  (λ2t + λ) e−λs ; s > t M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 51 4. Markiranje, redčenje, superpozicija 1. Opisani proces je ekvivalenten uniji homogenega Poissonovega procesa tovornjakov z intenzivnostjo 4 vozila na uro in homogenega Poissonovega procesa osebnih vozil z intenzivnostjo 36 vozil na uro. . a) 1 − e−4 . = 0 982. b) Ker sta procesa tovornjakov in osebnih vozil neodvisna, se pogojno pričakovano število ujema z brezpogojnim, to pa je 36. . c) Tu uporabimo prvotni opis. Zaradi neodvisnosti je verjetnost enaka 50 · 0 15 · 5 . . 0 945 . = 0 185. 2. a) Oglejmo si združeni proces menjav in se postavimo v trenutek n-te menjave oz. na začetek, če je n = 0. Iz krepke časovno homogene lastnosti Markova sledi, da ima čas do naslednje menjave skupaj z vzdrževalcem, ki jo izvede, enako porazdelitev kot v naslednji situaciji: . . • Naj bosta U ∼ Exp(0 005) in V ∼ Exp(0 01) neodvisni. • Čas do naslednje menjave je min{U, V }. • Če je U < V , žarnico zamenja prvi, sicer pa drugi vzdrževalec. To velja ne glede na to, ali je trenutno menjavo izvedel prvi ali drugi vzdrževalec ali pa, če smo na začetku. Zgornji opis pa velja tudi za primer, pri katerem imamo dve luči, v katerih gorita dve žarnici, ki sta zamenjani, brž ko pregorita, in je življenjska doba žarnic za prvo . . luč porazdeljena eksponentno Exp(0 005), za drugo luč pa eksponentno Exp(0 01), ob predpostavki neodvisnosti vseh žarnic. Ta primer ni isti kot v nalogi, ima pa enako porazdelitev. Torej lahko sklepamo, da dejanske menjave tvorijo homogen . Poissonov proces z intenzivnostjo 0 015 menjave na dan, se pravi, da je posamezna . . žarnica je torej v povprečju zamenjana na 1/0 015 = 67 dni. . 0 005 1 b) . = . 0 015 3 3. Prvi način. Označimo z M čas, ko režiser dobi moškega, z Z čas, ko dobi obe ženski, s T pa čas, ko dobi vse potrebne igralce. Tedaj je T = max{M, Z}. Velja M ∼ Exp(2) in Z ∼ Gama(2, 1), torej za t > 0 velja: fM (t) = 2 e−2t , FM (t) = 1 − e−2t , fZ(t) = t e−t , FZ(t) = 1 − (1 + t)e−t . Zaradi neodvisnosti je: FT (t) = FM (t) FZ(t) = 1 − (1 + t)e−t − e−2t + (1 + t)e−3t . Pričakovano vrednost lahko izračunamo bodisi s pomočjo porazdelitvene gostote: fT (t) = t e−t + 2 e−2t − (2 + 3t) e−3t , ∞ 37 E(T ) = t2 e−t + 2t e−2t − (2t + 3t2) e−3t dt = 18 0 52 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV bodisi s pomočjo preživetvene funkcije: ∞ ∞ 37 E(T ) = 1 − FT (t) dt = (1 + t)e−t + 2 e−2t − 3(1 + t) e−3t dt = . 18 0 0 Drugi način. Ogledamo si združeni proces prihajanja žensk in moških. To je ho- mogen Poissonov proces z intenzivnostjo 3, v katerem posamezen prihod pomeni žensko z verjetnostjo 1/3 in moškega z verjetnostjo 2/3. Naj bo N prvi prihod, po katerem je izpolnjeno, da sta prišla tako vsaj dve ženski kot tudi vsaj en moški. Če so T1, T2, . . . medprihodni časi v združenem procesu, velja T = T1 + T2 + · · · + Tn, torej po Waldovi identiteti velja: 1 E(T ) = E(N ) E(T1) = E(N ) . 3 Problem smo torej prevedli na izračun matematičnega upanja: ∞ E(N ) = P(N > n) . n=0 Velja P(N > 0) = P(N > 1) = P(N > 2) = 1. Za n ≥ 2 pa je {N > n} dogodek, da so do vključno n-tega prihoda prišle bodisi same ženske bodisi sami moški bodisi ena ženska in n − 1 moških. Sledi: 1 n 2 n 2 n−1 P(N > n) = + + n 3 3 3 (za n = 0 in n = 1 izračun ni pravilen, ker ustrezni poddogodki niso paroma nezdružljivi). Torej velja: ∞ 1 n 2 n 2 n−1 E(N ) = 2 + + + n . 3 3 3 n=2 Z uporabo formul: ∞ ∞ 1 1 qn = , nqn−1 = ; −1 < q < 1 1 − q (1 − q)2 n=0 n=0 dobimo E(N ) = 37/6 in posledično E(T ) = 37/18, kar je isto kot prej. 4. Prvi način. Označimo z Z3 čas, ob katerem je žena pripravljena iti v nakup, z M2 pa čas, ob katerem je mož pripravljen iti v nakup. Ti slučajni spremenljivki sta neodvisni ter velja Z3 ∼ Gama(3, λ) in M2 ∼ Gama(2, µ). M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 53 a) Iskana verjetnost je enaka: ∞ ∞ P(Z3 < M2) = fZ (x)f (y) dy dx = 3 M2 0 x λ3µ2 ∞ ∞ = x2 e−λx y e−µy dy dx = 2 0 x λ3 ∞ = x2(µx + 1) e−(λ+µ)x dx = 2 0 λ3(λ + 4µ) = . (λ + µ)4 b) Čas, ob katerem zakonca kupita avto, je minimum slučajnih spremenljivk Z3 in M2. Pomagamo si s preživetveno funkcijo: 1 P(M2 > t) = (µt + 1)e−µt , P(Z3 > t) = (λ2t2 + 2λt + 2)e−λt , 2 od koder izračunamo: P(T > t) = P(Z3 > t, M2 > t) = P(Z3 > t) P(M2 > t) = 1 = λ2µt3 + λ(λ + 2µ)t2 + 2(λ + µ)t + 2 e−(λ+µ)t . 2 kar nam (glej 2. nalogo) da: ∞ 3λ2µ λ(λ + 2µ) 1 1 E(T ) = P(T > t) dt = + + + = (λ + µ)4 (λ + µ)3 λ + µ λ + µ 0 3λ3 + 12λ2µ + 8λµ2 + 2µ3 = . (λ + µ)4 Drugi način. Uporabimo neodvisnost in enako porazdeljenost označb v združenem procesu prihajanja ponudb: vsaka ponudba je z verjetnostjo λ/(λ + µ) označena za ženo, z verjetnostjo µ/(λ + µ) pa za moža. a) Dogodek, da kupita avto, ki ga najde žena, lahko ponazorimo z naslednjimi začetki zaporedja označb: ŽŽŽ , MŽŽŽ , ŽMŽŽ , ŽŽMŽ . Verjetnost iskanega dogodka je torej enaka: λ 3 λ 3 µ λ3(λ + 4µ) + 3 = . λ + µ λ + µ λ + µ (λ + µ)4 b) Uporabimo Waldovo identiteto, in sicer gledamo časovne intervale med posa- meznimi primernimi ponudbami (tako tistih, ki jih gleda žena, kot tistih, ki jih gleda mož). Kot ponavadi označimo njihove dolžine s T1, T2, T3, . . .. Tedaj je 54 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV T = T1 + T2 + · · · + TN , kjer je N zaporedna številka ponudbe, ob kateri pride do nakupa. Za vsak časovni interval vemo, koliko dolg je (Tn) in kdo je ob njegovem izteku našel ponudbo. Glede na to je N čas ustavljanja. Združene ponudbe tvorijo homogen Poissonov proces z intenzivnostjo λ + µ, torej je E(Tn) = 1/(λ + µ). Po Waldovi identiteti je dovolj izračunati E(N). Možni poteki ponudb do nakupa skupaj z verjetnostmi in dolžinami (N ) so zbrani v naslednji tabeli: Potek ŽŽŽ MŽŽŽ ŽMŽŽ ŽŽMŽ Dolžina 3 4 4 4 Verjetnost λ3 λ3µ λ3µ λ3µ (λ+µ)3 (λ+µ)4 (λ+µ)4 (λ+µ)4 Potek MM ŽMM MŽM ŽŽMM ŽMŽM MŽŽM Dolžina 2 3 3 4 4 4 Verjetnost µ2 λµ2 λµ2 λ2µ2 λ2µ2 λ2µ2 (λ+µ)2 (λ+µ)3 (λ+µ)3 (λ+µ)4 (λ+µ)4 (λ+µ)4 2 3 4 Torej je N ∼ µ2 λ3+2λµ2 3λ2µ , od koder izračunamo najprej: (λ+µ)2 (λ+µ)3 (λ+µ)3 3λ3 + 12λ2µ + 8λµ2 + 2µ3 E(N ) = (λ + µ)3 in nato po Waldovi identiteti še: 3λ3 + 12λ2µ + 8λµ2 + 2µ3 E(T ) = , (λ + µ)4 kar je seveda enako kot pri prvem načinu. 5. Prvi način. Dogodek, da se je pred prvim prihodom v prvem procesu zgodil natanko en prihod v drugem procesu, pomeni, da je bil med vsemi prihodi prvi prihod iz λµ drugega, drugi prihod pa iz prvega procesa. Verjetnost tega dogodka je . (λ + µ)2 Splošneje, vsi prihodi tvorijo Bernoullijevo zaporedje poskusov, če uspele poskuse identificiramo s prihodi iz prvega procesa. Če z X označimo število prihodov v drugem procesu pred prvim prihodom v prvem procesu, X + 1 pomeni število vseh λ poskusov do vključno prvega uspelega. Torej je X + 1 ∼ Geom , od koder λ + µ µ sledi E(X) = . λ Drugi način. Če s T označimo prvi prihodni čas v prvem procesu, pogojno na T velja X ∼ Pois(µT ), torej je: P(X = 1 | T ) = µT e−µT in E(X | T ) = µT . M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 55 Iz dejstva, da je T ∼ Exp(λ), zdaj dobimo: ∞ λµ P(X = 1) = E µT e−µT = µ t e−µt λe−λt dt = , (λ + µ)2 0 µ E(X) = µ E(T ) = . λ 6. Označimo najprej s H dogodek, da je bil v prve pol ure natanko en ogled. Dogodek H je disjunktna unija dveh dogodkov: dogodka HF , da edini študent, ki pride na ogled, študira finančno matematiko, in dogodka HS, da ta edini študent študira splošno matematiko. Iz teorije markiranja sledi, da je: 4 2 2 1 P(HF | H) = = in P(HS | H) = = . 6 3 6 3 Če s TF označimo čas prihoda prvega študenta finančne matematike, ki pride, je ta slučajna spremenljivka pogojno na dogodek HF porazdeljena enakomerno na intervalu od 0 do 1/2 (merjeno v urah), pogojno na dogodek HS pa je TF − 1/2 porazdeljena eksponentno Exp(4). Sledi: 1 1 1 3 E(TF | HF ) = in E(TF | HS) = + = . 4 2 4 4 Želeni pogojni pričakovani čas je tako enak: E TF 1(H) E(TF | H) = = P(H) E TF 1(HF ) + E TF 1(HS) = = P(H) P(H = F ) E(TF | HF ) + P(HS ) E(TF | HS ) = P(H) = P(HF | H) E(TF | HF ) + P(HS | H) E(TF | HS) = 2 1 1 3 = · + · = 3 4 3 4 5 = 12 oziroma 25 minut. 7. Če procesa združimo, posamezen prihod z verjetnostjo λ/(λ + µ) izvira iz prvega, z verjetnostjo µ/(λ + µ) pa iz drugega procesa. Reči, da je bilo pred n-tim prihodom v drugem procesu natanko k prihodov iz prvega procesa, je isto kot reči, da je bilo med prvimi n + k − 1 prihodi v združenem procesu natanko k prihodov iz prvega procesa in n − 1 iz drugega procesa ter da je (n + k)-ti prihod v združenem procesu izhajal iz drugega procesa. Če torej z X označimo število prihodov v prvem procesu pred n-tim prihodom v drugem procesu, velja: (n + k − 1)! λ k µ n−1 P(X = k) = ; k = 0, 1, 2, . . . k! (n − 1)! λ + µ λ + µ 56 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Z drugimi besedami, slučajna spremenljivka X ima negativno binomsko porazdelitev NegBin n, λ , pomaknjeno za n v levo. λ+µ 8. Dani sprehod obišče točko (i, j) natanko tedaj, ko je med prvimi i+j prihodi združe- nega procesa natanko i prihodov iz prvega, j pa iz drugega procesa. Verjetnost tega dogodka pa je enaka: (i + j)! λiµj . i! j! (λ + µ)i+j 9. Dogodek, da banka uspešno prestane vse stresne teste, zapišemo kot dogodek, da je število neprestanih stresnih testov enako nič. Neprestani stresni testi pa ustrezajo parom (t, s), kjer je s > at. Iskana verjetnost je tako enaka e−θ, kjer je: 4λ 1 4λ ∞ s 2λ θ = dt ds = ds = . π (1 + s2)2 πa (1 + s2)2 πa 0 1 1 E(T1) = a (1 + t)a+1 (1 + t)a+1 a − 1 0 bodisi s pomočjo preživetvene funkcije: ∞ ∞ dt 1 E(T ) = 1 − FT (t) dt = a = ; a > 1 . (1 + t)a+1 a − 1 0 0 58 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 3. a) Označimo z Nt število zamudnikov, ki pridejo do vključno časa t. Za t ≤ s je torej Ns − Nt število zamudnikov, ki pridejo z zamudo med t in s. Velja: t Nt ∼ Exp e−u du = Exp 1 − e−t , 0 s Ns − Nt ∼ Exp e−u du = Exp e−t − e−s , t poleg tega pa sta Nt in Ns − Nt neodvisni. Če definicijo slučajnih spremenljivk Ns razširimo še na s = ∞ (to je število vseh zamudnikov, ki sploh pridejo), je N∞ − Nt število vseh zamudnikov, ki zamudijo več kot t, in velja N∞ − Nt ∼ Exp(e−t). Dogodek, da pride natanko en zamudnik in zamudi več kot dva meseca, lahko za- pišemo kot: A := {N2 = 0, N∞ − N2 = 1} . Zaradi neodvisnosti je njegova verjetnost enaka: . P(A) = P(N2 = 0) P(N∞ − N2 = 1) = ee−2−1 e−2 e−e−2 = e−3 . = 0 0498 . b) Kar je potrebno izračunati, je E(S1 | A). Prvi način. Začnimo računati pogojno kumulativno porazdelitveno funkcijo: FS1|A(t) = P(S1 ≤ t | A) = = P(Nt ≥ 1 | A) = P(N = t ≥ 1, N2 = 0, N∞ − N2 = 1) . P(N2 = 0, N∞ − N2 = 1) Za t ≤ 2 je FS1|A(t) = 0, za t ≥ 2 pa velja: P(N F 2 = 0, Nt − N2 = 1, N∞ − Nt = 0) S = 1|A(t) = P(N2 = 0, N∞ − N2 = 1) P(N = 2 = 0) P(Nt − N2 = 1) P(N∞ − Nt = 0) = P(N2 = 0) P(N∞ − N2 = 1) = 1 − e2−t . Pričakovano vrednost izračunamo tako, da integriramo preživetveno funkcijo: ∞ ∞ E(S1 | A) = 1 − FS e2−t dt = 3 . 1|A(t) dt = 2 + 0 2 Drugi način. Zaradi neodvisnosti dogajanj do in po času dveh mesecev je čas prihoda edinega zamudnika pogojno na dani dogodek porazdeljen enako kot čas prihoda edinega zamudnika, ki zamudi več kot dva meseca, pogojno na dogodek, da je takrat prišel natanko en zamudnik (ne glede na to, kaj se je dogajalo pred časom dveh mesecev). Z drugimi besedami, če z S1;>2 označimo čas prihoda prvega zamudnika, M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 59 ki je zamudil več kot dva meseca, se pogojna porazdelitev slučajne spremenljivke S1 glede na A ujema s pogojno porazdelitvijo slučajne spremenljivke S1;>2 glede na A in zaradi neodvisnosti tudi kar glede na dogodek {N∞ − N2 = 1}. Za t > 2 je torej pogojna porazdelitvena gostota enaka: e−t fS = e2−t 1|A(t) = fS1;>2|N∞−N2=1 = ∞ e−s ds 2 in z integriranjem dobimo: ∞ E(S1 | A) = t e2−t dt = 3 . 2 Lahko pa tudi opazimo, da se pogojna porazdelitev ujema z eksponentno porazde- litvijo Exp(1), pomaknjeno za 2 v desno, in prav tako dobimo pogojno pričakovano zamudo 3 mesece. 4. Označimo z X število prihodov z dano lastnostjo, z N pa skupno število prihodov. Vemo, da je pogojno na {N = n} množica prihodov porazdeljena enako kot množica {U1, U2, . . . , Un}, kjer so U1, . . . , Un neodvisne in porazdeljene eksponentno Exp(λ). Torej se pogojna porazdelitev slučajne spremenljivke X glede na {N = n} ujema z brezpogojno porazdelitvijo vsote: n 1 {U1, . . . , Ui−1, Ui+1, . . . , Un} ∩ (Ui, Ui + δ] = ∅ , i=1 kar pomeni, da je: n E(X | N = n) = P {U1, . . . , Ui−1, Ui+1, . . . , Un} ∩ (Ui, Ui + δ] = ∅ . i=1 Slednje verjetnosti izračunamo s pogojevanjem glede na Ui. Najprej za j = 1, 2, . . . , n in u ≥ 0 izračunamo: u+δ P Uj / ∈ (u, u + δ] = 1 − λ e−λu du = 1 − e−λu 1 − e−λδ . u Iz neodvisnosti najprej dobimo: n−1 P {U1, . . . , Ui−1, Ui+1, . . . , Un} ∩ (u, u + δ] = ∅ = 1 − e−λu 1 − e−λδ , nato pa še: n−1 P {U1, . . . , Ui−1, Ui+1, . . . , Un} ∩ (Ui, Ui + δ] = ∅ Ui = 1 − e−λUi 1 − e−λδ . Sledi: P {U1, . . . , Ui−1, Ui+1, . . . , Un} ∩ (Ui, Ui + δ] = ∅ = ∞ n−1 = λ 1 − e−λu 1 − e−λδ e−λu du = 0 1 − e−nλδ = . n 1 − e−λδ 60 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Torej je: 1 − e−nλδ E(X | N = n) = . 1 − e−λδ Ker je N ∼ Pois a , končno velja: λ ∞ e−a/λ 1 a n 1 − e−a(1−e−λδ)/λ E(X) = 1 − e−nλδ = . 1 − e−λδ n! λ 1 − e−λδ n=0 5. Če z Nt označimo število prihodov do časa t, velja: t du 1 P(T1 > t) = P(Nt = 0) = exp − = . 1 + u 1 + t 0 Po odvajanju dobimo porazdelitveno gostoto: 1 fT (t) = . 1 (1 + t)2 Nadalje velja: P(T2 > s | T1) = P(S2 > T1 + s | T1) = P(NT1+s < 2 | T1) . Ker je T1 čas ustavljanja, lahko uporabimo zgoraj omenjeno karakterizacijo pogojne porazdelitve glede na T1 (in P→T1). Toda za ta namen moramo dogodek {NT1+s < 2} zapisati kot dogodek, ki se nanaša le na proces P ∩ (T1, ∞). Ustrezni zapis je {NT = 0}. Ker je proces P ∩ (T 1+s − NT1 1, ∞) pogojno na T1 Poissonov proces s funkcijo intenzivnosti t → 1 1(t > T 1+t 1), je slučajna spremenljivka NT1+s − NT1 pogojno na T1 porazdeljena po Poissonu s parametrom: T1+s 1 1 + T dt = ln 1 + s . 1 + t 1 + T T1 1 Sledi: 1 + T1 + s 1 + T1 P(T2 > s | T1) = P(NT = 0 | T = . 1+s − NT1 1) = exp − ln 1 + T1 1 + T1 + s Z integracijo dobimo brezpogojno preživetveno funkcijo: ∞ 1 + t ∞ dt ln(1 + s) P(T2 > s) = fT (t) dt = = 1 + t + s 1 (1 + t)(1 + t + s) s 0 0 in po odvajanju spet porazdelitveno gostoto: (1 + s) ln(1 + s) − s fT (s) = . 2 s2(1 + s) M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 61 6. Prenovitveni procesi 1. a) Prihodi avtobusa tvorijo prenovitveni proces. Če medprihodne čase označimo s T1, T2, . . ., je asimptotično dolgoročno število prihodov na uro enako: 1 3 = . E(T1) 2 b) Dogodek, da bodo Peteršiljčkovi čakali manj kot 20 minut, lahko zapišemo kot {T1 ≥ 40 min} ∪ {T1 + T2 < 1 h}. To lahko prikažemo na naslednjem diagramu: T2 60 40 20 T 20 40 60 1 in iz razmerja ploščin razberemo, da je iskana verjetnost enaka 5/8. 2. Označimo z Nt število vseh klicev, ki jih gasilska postaja prejme do časa t, z ˜ Nt pa število klicev, na katere se lahko odzove. Ker vsi klici tvorijo homogen Poissonov proces, zanje velja krepki zakon velikih števil: Nt s.g. 1 −−−→ . t t→∞ 2 Klici, na katere se postaja lahko odzove, pa tvorijo prenovitveni proces. Pričakovani 3 1 11 medprihodni čas je enak + = . Po krepkem zakonu velikih števil za 4 1/2 4 prenovitvene procese je: ˜ Nt s.g. 4 −−−→ . t t→∞ 11 Delež preusmerjenih klicev pa je: ˜ N s.g. 8 3 1 − t −−−→ 1 − = . Nt t→∞ 11 11 3. Gre za prenovitveni proces z nagradami, ki so v tem primeru globe. Ker je verjetnost, da Bine v posameznem ciklu plača globo, točno 1/3, je njena pričakovana višina v posameznem ciklu 35 evrov. Nadalje je pričakovana dolžina cikla 7/4 leta, torej je dolgoročni letni znesek globe enak: 35 = 20 evrov. 7/4 62 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 4. To lahko interpretiramo kot prenovitveni proces z nagradami: za prihode postavimo recimo skoke iz stanja 1 v stanje 2, nagrada, ki pripada posameznemu prihodu (skoku), pa naj bo dolžina bivanja v stanju 1 v medprihodnem intervalu, ki se konča s tem skokom (če smo natančni, se mora potem proces začeti v stanju 2, a dolgoročno gledano to ni pomembno – rezultat je enak). Tedaj je Wt skupna dolžina bivanja v stanju 1, Wt/t pa je časovni delež bivanja v tem stanju. Iz E(T1) = µ1+µ2, E(R1) = µ1 in krepkega zakona velikih števil dobimo, da je dolgoročni delež bivanja µ v stanju 1 enak 1 . µ1 + µ2 5. Gre za prenovitveni proces z nagradami, kjer so medprihodni časi T1, T2, . . . dolžine Manjinih telefonskih pogovorov s posameznimi strankami, nagrada Ri pa je enaka 1, če Manja izdelek proda, sicer pa 0. Očitno je τ ≤ 1/2. Torej velja:  0 ; t ≤ 0  FT (t) = 3(t − t2) ; 0 ≤ t < τ . i  1 ; t ≥ τ Torej slučajna spremenljivka Ti ni niti diskretna niti zvezna. Vseeno pa lahko iz- računamo njeno matematično upanje. Prvi način: s pomočjo Riemann–Stieltjesovega integrala, nakar razbijemo na zvezni in diskretni del: ∞ τ E(Ti) = t dFT (t) = t F (t) dt + τ F (τ ) − F (τ −) = i T T T i i i 0 0 τ = (3t − 6t2) dt + τ (1 − 3τ + 3τ 2) = 0 3τ 3 = τ − + τ 3 . 2 Drugi način: izberemo slučajno spremenljivko ˜ T , katere kumulativna porazdeli- tvena funkcija je absolutno zvezna in se na intervalu [0, τ ) ujema s kumulativno porazdelitveno funkcijo slučajne spremenljivke Ti. Tedaj je Ti enako porazdeljena kot min{ ˜ T , τ }, zato je: E(Ti) = E min{ ˜ T , τ } = ∞ = min{t, τ } f ˜(t) dt = T −∞ τ ∞ = t f ˜(t) dt + τ f (t) dt = T ˜ T −∞ τ τ = t F ˜(t) dt + τ 1 − F (τ ) = T ˜ T 0 τ = t F (t) dt + τ F (τ ) − F (τ −) , T T T i i i 0 kar je isto kot prej. M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 63 Tretji način: upoštevamo, da, ker je Ti ≥ 0, velja: ∞ τ 3τ 3 E(Ti) = P(Ti > t) dt = (1 − 3t + 3t2) dt = τ − + τ 3 , 2 0 0 kar je spet isto kot prej. Dogodek, da je Ri = 1, je enak dogodku, da Manji uspe prepričati kupca do časa τ . Torej je: E(Ri) = P(Ri = 1) = 3(τ − τ 2) . Če z Wt označimo število prodanih izdelkov do časa t, skoraj gotovo velja: W E(R 6(1 − τ ) lim t = 1) = =: h(τ ) . t→∞ t E(T1) 2 − 3τ + 2τ 2 Iz: 6(2τ 2 − 4τ + 1) h (τ ) = (τ2 − 3τ + 2)2 √ . . dobimo, da funkcija h na intervalu [0, 1/2] doseže maksimum pri τ = 1− 2 = 0 293. 2 Če se čas meri v urah, to pomeni, da se Manji splača odložiti po 17 minutah in 34 sekundah. 6. Prvi način. Postavimo se v trenutek, ko prvič naslednjič delijo nagrade, in ga označimo s T1. Če je T1 ≤ 30, Tonček takrat dobi nagrado, zato je tedaj T = T1. Sicer pa se vse začne na novo: Tonček mora od tega trenutka naprej čakati še čas T , ki je pogojno na zgodovino porazdeljen enako kot T . Torej velja: T = T1 + T 1(T1 > 30) , od koder sledi: 1 E(T ) = E(T1) + E(T ) P(T1 > 30) = 30 + E(T ) , 2 torej je E(T ) = 60. Drugače povedano, Tonček lahko pričakuje, da bo čakal eno uro. Drugi način. Označimo z N delitev, pri kateri Tonček dobi nagrado, pri čemer iz- vzamemo delitev ob času nič, ki jo Tonček v vsakem primeru zamudi. Če s T1, T2, . . . označimo medprihodne čase v procesu deljenja nagrad, velja: {N = n} = {T1 > 30, T2 > 30, . . . , Tn−1 > 30, Tn ≤ 30} . Na dogodku {N = n} je T = T1+T2+· · ·+Tn in pogojno na {N = n} so T1, . . . , Tn−1 porazdeljeni enakomerno na intervalu od 30 do 40 minut (torej za k = 1, . . . , n − 1 velja E(Tk | N = n) = 35), Tn pa je porazdeljen enakomerno na intervalu od 20 do 30 minut (torej je E(Tn | N = n) = 25). Sledi: E(T | N ) = 35(N − 1) + 25 . 64 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Ker je N porazdeljena geometrijsko Geom(1/2), je E(N ) = 2. Sledi: E(T ) = E 35(N − 1) + 25 = 60 . Tretji način. Z oznakami iz drugega načina je T = T1 + T2 + · · · + TN . Opazimo, da je N čas ustavljanja, saj je dogodek {N = n} enolično določen s T1, T2, . . . , Tn (glej zgoraj). Po Waldovi identiteti je potem E(T ) = E(N ) E(T1) = 2 · 30 = 60. Četrti način. Naj bodo tako kot prej T1, T2, . . . medprihodni časi v prenovitvenem procesu deljenja nagrad. Nadalje si zamislimo še, da Tonček v nedogled hodi po nagrade (pri čemer vsakič, ko dobi nagrado, ostane na prizorišču). Tedaj tudi te Tončkove nagrade tvorijo prenovitveni proces. Označimo njegove medprihodne čase s ˜ T1, ˜ T2, . . . (torej je T = ˜ T1). Označimo z Wt število nagrad, ki jih Tonček dobi do časa t. To lahko izrazimo na naslednja dva načina: s prenovitvenim procesom Tončkovih nagrad in s prenovitve- nim procesom splošnega deljenja nagrad, ki mu pripišemo še nagrade R1, R2, . . ., kjer je Rn = 1, če Tonček ob n-tem deljenju dobi nagrado, sicer pa je Rn = 0. Velja P(Rn = 0) = P(Rn = 1) = 1/2. Po krepkem zakonu velikih števil za oba prenovitvena procesa je skoraj gotovo: W 1 1 E(R lim t = = = 1) , t→∞ t E( ˜ T1) E(T ) E(T1) torej mora biti: E(T1) E(T ) = = 60 . E(R1) 7. Medprihodna porazdelitev takega procesa je Gama(2, λ), ki ima kumulativno po- razdelitveno funkcijo: t F (t) = λ2 s e−λs ds , 0 in Laplaceovo transformiranko: ˆ λ2 F (z) = (z + λ)2 (ki jo lahko prek konvolucije dobimo tudi iz Laplaceove transformiranke eksponentne porazdelitve). Laplace–Stieltjesova transformiranka prenovitvene mere je torej: ˆ λ2 λ 1 1 M (z) = = − z(z + 2λ) 2 z z + 2λ in prenovitvena mera je: λ t λt 1 − e−2λt M (t) = 1 − e−2λs ds = − . 2 2 4 0 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 65 8. Iz Laplaceove transformiranke medprihodne porazdelitve: ˆ (1 − p)λ F (z) = p + λ + z dobimo Laplace–Stieltjesovo transformiranko prenovitvene mere: ˆ p λ M (z) = + . 1 − p (1 − p)z Torej je prenovitvena mera enaka: p λ M (t) = + t . 1 − p 1 − p 9. Prvi način. Če iz procesa izločimo prvi (med)prihodni interval, dobimo običajen pre- novitveni proces z medprihodnim časom, ki ima kumulativno porazdelitveno funkcijo F . Ta proces je neodvisen od T1. Označimo z ˜ Nt število prihodov v tem procesu do časa t, z ˜ M pa njegovo prenovitveno mero. Opazimo: • Če je T1 > t, je Nt = 0. • Če je T1 ≤ t, je Nt = 1 + ˜ Nt−T . 1 Sledi Nt = 1(T1 ≤ t) 1 + ˜ Nt−T in zaradi neodvisnosti: 1 E(Nt | T1) = 1(T1 ≤ t) + ˜ M (t − T1) 1(T1 ≤ t) . Zdaj pa izračunajmo brezpogojno matematično upanje. Ker velja E h(T1) = h dG, sledi: [0,∞) M (t) = ˜ E(Nt) = G(t) + M (t − s) dG(s) [0,t] ali krajše: M = G + ˜ M G . Prenovitvena mera ˜ M pa zadošča prenovitveni enačbi ˜ M = F + ˜ M F . Sledi: M = G + F G + ˜ M F G = G + (G + ˜ M G) F = G + M F , kar je ravno iskana prenovitvena enačba. Drugi način. Glavna ideja izpeljave je, da iz procesa izločimo drugi medprihodni interval (tistega dolžine T2). Dobljeni proces je porazdeljen enako kot prvotni in neodvisen od T2. Označimo z ˜ Nt število prihodov v tem procesu do časa t. Opazimo: • Če je T1 > t, je Nt = 0. • Če je T1 ≤ t in T1 + T2 > t, je Nt = 1. • Če je T1 + T2 ≤ t, je Nt = 1 + ˜ Nt−T . 2 66 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV Sledi: Nt = 1(T1 ≤ t, T1 + T2 > t) + 1(T1 + T2 ≤ t) 1 + ˜ Nt−T . 2 Indikatorja 1(T1 ≤ t, T1 + T2 > t) in 1(T1 + T2 ≤ t) se seštejeta v 1(T1 ≤ t), poleg tega pa je slučajna spremenljivka ˜ Nt−T na dogodku {T 2 2 ≤ t} \ {T1 + T2 ≤ t} enaka nič. Sledi: Nt = 1(T1 ≤ t) + 1(T2 ≤ t) ˜ Nt−T . 2 Ker je proces z izločenim drugim medprihodnim intervalom pogojno na T2 enako porazdeljen kot prvotni prenovitveni proces, velja: E(Nt | T2) = P(T1 ≤ t) + M (t − T2) 1(T2 ≤ t) . Prvi člen je natančno kumulativna porazdelitvena funkcija prvega (med)prihodnega časa, drugi člen pa je funkcija drugega medprihodnega časa T2. Ker velja E h(T2) = h dF , sledi: [0,∞) M (t) = E(Nt) = G(t) + M (t − s) dF (s) , [0,t] kar je ravno iskana prenovitvena enačba. 10. a) Prvi prihodni čas je porazdeljen eksponentno Exp(µ) in ima torej Laplaceovo transformiranko: µ G(z) = , z + µ ostali medprihodni časi pa so po krepki časovno homogeni lastnosti Markova vsote dveh neodvisnih slučajnih spremenljivk, od katerih je prva porazdeljena eksponentno Exp(λ) (čas strežbe), druga pa eksponentno Exp(µ) (čas čakanja na prihod naslednje stranke). Nadaljnji medprihodni časi imajo torej Laplaceovo transformiranko: ˆ λµ F (z) = . (z + λ)(z + µ) Laplace–Stieltjesova transformiranka prenovitvene mere je torej: ˆ µ(z + λ) λµ 1 µ2 1 M (z) = = + . z(z + λ + µ) λ + µ z λ + µ z + λ + µ Prenovitvena mera je torej enaka: λµ t µ2 t λµ µ2 M (t) = ds + e−(λ+µ)s ds = t + 1 − e−(λ+µ)t . λ + µ λ + µ λ + µ (λ + µ)2 0 0 b) Prvi način. Iz linearnosti matematičnega upanja sledi: 1 1 λ + µ E(T2) = + = , λ µ λµ 1 λµ torej je intenzivnost po krepkem zakonu velikih števil enaka = . E(T2) λ + µ M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 67 Drugi način. Uporabimo konvergenco prenovitvene mere. Dobimo: M (t) λµ lim = . t→∞ t λ + µ λµ λ c) µ = . λ + µ λ + µ 11. Označimo M (t) := E(Nt). Gre za prenovitveni proces z zaostankom, pri čemer ima prvi (med)prihodni čas porazdelitev Gama(2, λ), ki ima Laplaceovo transformiranko: ˆ λ2 G(z) = , (z + λ)2 nadaljnji medprihodni časi pa imajo eksponentno porazdelitev Exp(λ) z Laplaceovo transformiranko: ˆ λ F (z) = . z + λ Laplace–Stieltjesova transformiranka prenovitvene mere je torej enaka: ˆ ˆ G(z) λ2 λ λ M (z) = = = − , 1 − ˆ F (z) z(z + λ) z z + λ prenovitvena mera sama pa znaša: t s M (t) = λ ds − λ e−λs ds = λt − 1 + e−λt . 0 0 12. Najprej opazimo, da po Rudi vsakem obisku z verjetnostjo 1/2 nadaljuje z delom v kraju A, z verjetnostjo 1/2 pa v kraju B, in sicer neodvisno od prejšnjega dogajanja. Poleg tega iz krepke časovno homogene lastnosti Markova sledi, da so časi do na- slednjega obiska nadzornika med seboj neodvisni. Porazdelitev prvega prihodnega časa T1 je eksponentna Exp(1), porazdelitve vseh naslednjih pa so mešanice polo- vice Exp(1) in Exp(1/2). To pa pomeni, da obiski res tvorijo prenovitveni proces z zaostankom. Če z G označimo kumulativno porazdelitveno funkcijo prvega, z F pa vseh ostalih medprihodnih časov, torej za t ≥ 0 velja: G(t) = 1 − e−t , F (t) = 1 1 − e−t + 1 1 − e−t/2 . 2 2 Laplaceovi transformiranki časov sta torej enaki: ˆ 1 1 1 1 3z + 2 G(z) = , ˆ F (z) = + = z + 1 2 2z + 1 z + 1 2(2z + 1)(z + 1) in Laplace–Stieltjesova transformiranka prenovitvene mere je enaka: ˆ 2(2z + 1) 2 4 M (z) = = + , z(4z + 3) 3z 3(4z + 3) od koder dobimo prenovitveno mero: 2t 4 1 − e−3t/4 M (t) = + . 3 9 68 M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 13. Prvi način: s prenovitveno enačbo. Iz Laplaceovih transformirank obeh porazdeli- tev: ˆ 1 − e−az λ G(z) = , ˆ F (z) = az z + λ dobimo Laplace–Stieltjesovo transformiranko prenovitvene mere: 1 − e−az (z + λ) ˆ M (z) = . az2 Pišimo: ˆ z + λ M1(z) := , ˆ M2(z) := e−az ˆ M1(z) , ˆ M (z) = ˆ M1(z) − ˆ M2(z) . az2 Funkciji ˆ M1 in ˆ M2 sta Laplace–Stieltjesovi transformiranki funkcij: t λt2 0 ; t < a M1(t) = + , M2(t) = a 2a M1(t − a) ; t ≥ a in prenovitvena mera je enaka:  t λt2  + ; t ≤ a  M (t) = M a 2a 1(t) − M2(t) = . λa   1 + λt − ; t ≥ a 2 Drugi način: neposredno iz homogenega Poissonovega procesa s pogojevanjem na prvi prihod dobimo: E(Nt | T1) = 1 + λ(t − T1) 1(t ≥ T1) . Po integraciji za t ≥ a dobimo: 1 a λa E(Nt) = 1 + λ(t − s) ds = 1 + λt − , a 2 0 za t ≤ a pa dobimo: 1 t t λt2 E(Nt) = 1 + λ(t − s) ds = + , a a 2a 0 kar je isto kot prej. 14. Oglejmo si število prihodov med časoma t in t+s. Pričakovana vrednost tega števila je očitno M (t + s) − M (t). Toda to je tudi število prihodov do časa s v procesu Pt→. Zaradi stacionarnosti je le-to porazdeljeno enako kot število prihodov do časa s v izvirnem procesu, torej mora imeti pričakovano vrednost M (s). Dobili smo, da je prenovitvena mera aditivna: M (t + s) = M (t) + M (s) . M. RAIČ: REŠENE NALOGE IZ SLUČAJNIH PROCESOV 69 Ker je naraščajoča, ni druge možnosti, kot da je kar M (t) = ct za neko konstanto c ≥ 0 (podrobnosti bomo izpustili). Ko to vstavimo v prenovitveno enačbo, dobimo, da za t ≥ 0 velja: G(t) = c t − (t − s) dF (s) = [0,t] = c t − (t − s) 1(s ≤ t) dF (s) = [0,∞) = c min{s, t} dF (s) = [0,∞) = c E min{T2, t} , medtem ko je za t < 0 seveda G(t) = 0. Ko naredimo limito, ko gre t proti neskončno, dobimo c = 1/ E(T2). Torej je končno: E min{T2, t} G(t) = . E(T2) Lahko pa izraz, ki ga dobimo iz prenovitvene enačbe, tudi integriramo po delih. Strogo gledano moramo to storiti z uporabo Fubinijevega izreka. Natančneje, iz: min{s, t} = du u≥0 u