Beruflich Dokumente
Kultur Dokumente
Odsjek: komunikacije
Tema:
Teorija vjerovatnoće i stohastički procesi
Sadržaj:
Uvod...................................................................................................................................... 2
1. Osnove teorije vjerojatnoće ............................................................................................ 3
1.1 Slučajni dogaĎaj i algebra dogaĎaja ........................................................................ 3
1.2 Pojam i aksiomi vjerovatnoće .................................................................................. 6
1.3 Uslovna i totalna vjerovatnoća................................................................................. 8
1.4 Slučajne varijable ...................................................................................................10
1.5 Funkcije razdiobe, funkcija vjerovatnoće i funkcija gustoće razdiobe vjerovatnoće .11
1.6 Očekivanja, varijanca i momenti .............................................................................14
1.7 Važnije razdiobe .....................................................................................................16
1.7.1 Diskretne slučajne varijable .............................................................................16
1.7.2 Kontinualne slučajne varijable .........................................................................21
1.8 Centralni granični teorem (Central limit theorem) ...................................................23
2. Stohastički procesi ........................................................................................................25
2.1 Definicija i karakterizacija stohastičkih procesa ......................................................25
2.2 Klasifikcija stohastičkih procesa .............................................................................28
2.3 Poissonov proces ...................................................................................................30
Zaključak ..............................................................................................................................32
Popis slika ............................................................................................................................33
Literatura ..............................................................................................................................34
1
Teorija vjerovatnoće i stohastički procesi
Uvod
2
Teorija vjerovatnoće i stohastički procesi
U realnom svijetu svaki proces ima svoju fizikalnost i kod takvih procesa veličine koje
srećemo se mijenjaju na slučajan način. Najjednostavniji primjer je bacanje kocke gdje se
može pojaviti jedna od šest vrijednosti. Procese sa ovakvim svojstvom nazivamo stohastički
(slučajni) procesi (eksperimenti). Jedno bacanje kocke je realizacija eksperimenta, a jedan
ishod je slučajan dogaĎaj. Kako bi analizirali rezultate oni moraju poticati od eksperimenata
koji ne mijenjaju svoje fizikalne uvjete izvoĎenja u vremenu ili nekoj drugoj dimenziji. Iz tog
razloga utvrĎujemo skup fizikalnih preduslova (slog uslova σ stohastičkog eksperimenta).
3
Teorija vjerovatnoće i stohastički procesi
Kod primjera bacanja kocke slog uslova može biti da je kocka jednake gustoće i da se baca
na ravnu površinu. Svakoj realizaciji možemo pridružiti odreĎenu vrijednost (logičku varijablu)
koja može biti istina ili laž (npr. palo je 6 ili nije palo 6). Mogućim ishodima pridružujemo
logičke varijable (E1, E2, E3, E4, E5,E6), koje zbog jednostavnosti zovemo slučajnim
dogaĎajima (misli se na logičke varijable koje su pridružene dogaĎajima).
TakoĎer možemo primjeniti Booleovu algebru i tako definirati i neke druge dogaĎaja
(npr.„ispao je paran broj“). Svaki dogaĎaj ima i svoj suprotan dogaĎaj (npr. suprotan dogaĎaj
dogaĎaja E2 je 𝐸2 = E1+E3+E4+E5+E6).
Za svaki eksperiment može se defnirati siguran i nemoguć dogaĎaj. Siguran dogaĎaj je
„ispast će neki broj u intervalu od 1 do 6“ (U = E1+E2+E3+E4+E5+E6). Nemoguć dogaĎaj V
odgovara tvrdnji „ispast će broj koji nije u intervalu od 1 do 6“. Pri svakoj realizaciji
eksperimenta vrijednost sigurnog dogaĎaja je istina, a nemogućeg laž.
Na osnovu logičkih odnosa meĎu slučajnim dogaĎajima, lahko dolazimo do defnicije
Booleove algebre dogaĎaja:
Definicija 1.1. Neka je zadan skup dogaĎaja S. Neka su A i B dogaĎaji iz tog skupa i neka je
za svaki takav par defniran zbroj (logički ili) A+B i umnožak (logički i) A·B koji takoĎer
pripadaju skupu S. Neka na istom skupu S vrijede sljedeći aksiomi:
a) (Svojstvo komutativnosti): za svaki A i B iz S vrijedi: A + B = B + A, A·B=B·A (1.1)
(A + B) + C = A + (B + C), (A · B) · C = A · (B · C) (1.2)
A · (B + C) = A · B + A · C, A + (B · C) = (A + B) · (A + C) (1.4)
4
Teorija vjerovatnoće i stohastički procesi
Definicija 1.2. Svaki ishod stohastičkog eksperimenta sa strogim slogom uvjeta σ nazivamo
elementarnim dogaĎajem. Skup svih mogućih ishoda stohastičkog eksperimenta nazivamo
prostorom elementarnih dogaĎaja tog eksperimenta i označavamo ga s Ω. Elementarni
dogaĎaji su u parovima disjunktni - realizacijom eksperimenta ne mogu se istovremeno
realizirati dva različita elementarna dogaĎaja.
Primjer 1. Ako tražimo prostor elementarnih dogaĎaja za eksperiment bacanja novčića dva
puta gdje razlikujemo prvo i drugo bacanje. Moguća su četiri ishoda:
Ω = {P1P2, P1G2,G1P2,G1G2}
Treba još pomenuti i da je kardinalni broj nekog skupa elemenata broj elemenata u tom
skupu. Na skupu elementarnih dogaĎaja se ne može definisati Booleova algebra jer su
elementi prostora elementarnih dogaĎaj disjunktni, pa njihovim sabiranjem ili množenjem ne
možemo dobiti novi elementarni dogaĎaj. To možemo učiniti uvodeći partitativni skup.
Partitativni skup nekog skupa je skup svih podskupova tog skupa. Pa na primjer ako imamo
jedno bacanje kocke tada je Ω={P,G}, a partitativni skup je P(Ω) = {P, G, U, V }. P i G su
trivijalni podskupovi od Ω, U = P + G i V = P · G su takoĎer podskupovi jer su dobiveni
kombiniranjem elemenata od Ω. Na skupu P(Ω) možemo defnirati Booleovu algebru
dogaĎaja što se može provjeriti prolazeći kroz aksiome Booleove algebre.
5
Teorija vjerovatnoće i stohastički procesi
Definicija 1.5. (Klasična definicija vjerojatnoće). Neka je zadan slog uvjeta σ stohastičkog
eksperimenta i neka je pripadni prostor elementarnih dogaĎaja Ω = {E1,E2, . . . ,En}. Neka su
svi dogaĎaji E1, . . . ,En jednako vjerovatni i neka je dogaĎaj A element partitativnog skupa
P(Ω) takav da je:
A = Ei1 + Ei2 + . . . + Eim (1.6)
Vjerojatnoća dogaĎaja A s oznakom P(A) se defnira kao omjer broja elementarnih dogaĎaja
na koje se raspada dogaĎaj A (m) i ukupnog broja elementarnih dogaĎaja #Ω:
𝑚
𝑃 𝐴 = #𝛺 (1.7)
Navedena definicija vrijedi samo u specijalnom slučaju: kada je broj elementarnih dogaĎaja
konačan i kada su svi elementarni dogaĎaji jednako vjerovatni. Tipičan primjer je
eksperiment bacanja kocke.
Primjer 1.4. Ako imamo eksperiment bacanja kocke. Ω = {E1,E2, . . . ,E6}. Svi elementarni
dogaĎaji su jednako vjerovatni. Izračunajmo vjerovatnost dogaĎaja da je ispao broj manji od
3. Tom dogaĎaju dodijelimo logičku varijablu A = E1 + E2. A pripada skupu P(Ω). Pošto se
dogaĎaj A raspada na dva elementarna dogaĎaja, to je prema predhodnoj defniciji, m = 2.
Vjerovatnoća dogaĎaja A je:
𝑚 2 1
𝑃 𝐴 = #𝛺 = 6
=3
6
Teorija vjerovatnoće i stohastički procesi
Definicija 1.6. (Relativna frekvencija). Neka je zadan slučajni eksperiment koji se realizira n
puta. Ako se neki dogaĎaj A dogodi n(A) puta, onda je relativna frekvencija tog dogaĎaja:
𝑛(𝐴)
𝑊 𝐴 = 𝑛
(1.8)
1: ∀𝐴 ∈ A, P(A)≥0,
2: P(Ω) = 1,
3: Ako je Ω konačan onda ∀A, B ∈A, takve da je A · B = , vrijedi: P(A + B) = P(A) + P(B)
Definicija 1.8. (Prostor vjerojatnoće (Ω, A, P)). Neka Ω označava skup elementarnih
dogaĎaja nekog stohastičkog eksperimenta. Neka je A bilo koja Booleova algebra generirana
nad Ω, a P pripadna vjerojatnoća po defniciji 1.7.. Trojka (Ω, A, P) se naziva prostorom
vjerojatnoće (Probability System).
7
Teorija vjerovatnoće i stohastički procesi
𝑛 𝑛
𝑃 𝑖=1 𝐴𝑖 = 𝑖=1 𝑃(𝐴𝑖 ) − 𝑖≠𝑗 𝑃(𝐴𝑖 ∙ 𝐴𝑗 ) + 𝑖≠𝑗 ≠𝑘 𝑃(𝐴𝑖 ∙ 𝐴𝑗 ∙ 𝐴𝑘 ) − ∙∙∙ (−1)𝑛−1 ∙ 𝑃( 𝐴1 ∙ 𝐴2 ∙ … ∙
𝐴𝑛 ) (1.10)
8
Teorija vjerovatnoće i stohastički procesi
Dakle, kod uslovne vjerovatnoće već znamo da se dogodio neki dogaĎaj, a za proračun
koristimo sljedeću definiciju.
𝐴 𝑃(𝐴·𝐵)
𝑃 = , 𝑃(𝐵) >0 (1.11)
𝐵 𝑃(𝐵)
𝑃(𝐵/𝐴)·𝑃(𝐴)
𝑃 𝐴/𝐵 = 𝑃(𝐵)
(1.12)
Definicija 1.10 (Totalna vjerojatnoća (Total Probability)). DogaĎaji A1,A2, . . . ,An se zovu
meĎusobno isključivi ako vrijedi:
𝑛
𝑖=1 𝐴𝑖 = 𝐴1 + 𝐴2 + ⋯ + 𝐴𝑛 = 𝑆 i Ai · Aj = , i ≠ j
𝑛 𝑛
9
Teorija vjerovatnoće i stohastički procesi
𝑃(𝐵/𝐴𝑖 )∙𝑃(𝐴𝑖 )
𝑃 𝐴𝑖 /𝐵 = 𝑛 (113)
𝑖=1 𝑃(𝐵/𝐴𝑖 )∙𝑃(𝐴 𝑖 )
1. Događaj A neovisan o B
DogaĎaj A je neovisan o B ako je: P(B)>0 i P(A/B) = P(A)
Na primjer, kada bacamo jedan novčić i ako ispadne pismo, onda to isključuje mogućnost da
ispadne glava tako da se ti dogaĎaji meĎusobno isključuju. MeĎutim ako bacamo više
novčića, i ako u bacanju jednog novčića ispadne pismo to ne utiče na ishod bacanja drugog
novčića, te su ti dogaĎaji neovisni.
A(x) = {ω Ω : X(ω) ≤ x}
Slučajnu varijablu nazivamo diskretnom ako je područje njenih vrijednosti prebrojivi skup
realnih brojeva.
Ako je područje njenih vrijednosti neprebrojiv skup, onda slučajnu varijablu nazivamo
kontinuiranom.
Slučajna varijabla je diskretna onda kada je Ω diskretan i obrnuto.
10
Teorija vjerovatnoće i stohastički procesi
1. 0 ≤ Fx(x) ≤ 1
2. Fx(x1) ≤ Fx(x2), ako x1 < x2 (funkcija razdiobe je neopadajuća funkcija
3. lim𝑥→∞ 𝐹𝑥 𝑥 = 1
4. lim𝑥→−∞ 𝐹𝑥 𝑥 = 𝑜
5. lim𝑥→𝑎+ 𝐹𝑥 𝑥 = 𝐹𝑥 𝑎 , a+ = lim0<𝜀→0 𝑎 + 𝜀 (funkcija razdiobe je neprekinuta zdesna).
Ova svojstva se mogu dokazati i uzimaju se kao teorem. U definicuju su navedena radi
jednostavnosti. Kako je funkcija razdiobe vjerovatnoća sama po sebi onda je svojstvo br. 1
samo po sebi jasno (vjerovatnoće ne može biti veća od 1, a manja od 0).
Definicija 1.13 (Funkcija vjerovatnoće (Probability mass function - PMF)). Neka je zadana
diskretna slučajna varijabla X i neka je zadan proizvoljan broj x 𝜖 R. S obzirom na taj broj,
neka je zadan dogaĎaj B(x) takav da je:
∅ 𝑥 ≠ 𝑥𝑘
𝐵 𝑥 = , 𝑘 = 1, 2, 3, …
𝐵 𝑥𝑘 𝑥 = 𝑥𝑘
11
Teorija vjerovatnoće i stohastički procesi
Realna funkcija p(x) takva da je: p(x) = P {B(x)} defnirana za svaki realni broj x, naziva se
funkcijom vjerovatnoće. Funkcija vjerovatnoće defnira se isključivo za diskretne slučajne
varijable.
𝑥1 𝑥2 𝑥3 …
𝑋~
𝑝1 𝑝2 𝑝3 …
Uočitavamo da je p(xi) = pi. Kada nam je na raspolaganju ovakav zapis, onda kažemo da je
zadana razdioba slučajne varijable X. Primjer funkcije vjerovatnoće je dat na slici:
12
Teorija vjerovatnoće i stohastički procesi
Kako bi dobili osjećaj vjerovatnoće pojedinih područja vrijednosti slučajne varijable, uvodi se
nova funkcija koju zovemo gustoća razdiobe vjerovatnoće.
Definicija 1.14 (Gustoća razdiobe vjerovatnoće (Probability density functionn - PDF)). Neka
fX(x) označava derivaciju funkcije razdiobe FX(x) po vrijednostima slučajne varijable X:
𝑑𝐹𝑥 (𝑥)
𝑓𝑥 𝑥 = 𝑑𝑥
(1.15)
Funkcija fX(x) se zove gustoća razdiobe vjerojatnoće kontinuirane slučajne varijable X i ima
sljedeća svojstva:
1. fx(x) ≥ 0
+∞
2. 𝑓
−∞ 𝑥
𝑥 𝑑𝑥 = 1
3. fx(x) je na dijelovima neprekinuta
𝑏
4. 𝑃 𝑎<𝑋 ≤𝑏 = 𝑎 𝑥
𝑓 𝑥 𝑑𝑥
Veza izmeĎu funkcije razdiobe slučajne varijable X, FX(x) i gustoće razdiobe fX(x) je data
sljedećim izrazom:
𝑥
𝐹𝑥 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑓
−∞ 𝑥
𝜉 𝑑𝜉 (1.16)
Primjer 1.11. Da bi uočili razliku izmeĎu funkcije razdiobe i funkcije gustoće pogledajmo
sljedeću sliku:
𝑥2
1 − 𝑥
𝑓𝑥 𝑥 = 10 2𝜋
𝑒 10 2 𝐹𝑥 𝑥 = 𝑓
−∞ 𝑥
𝑥 𝑑𝑥 (1.17)
13
Teorija vjerovatnoće i stohastički procesi
P X ≤x∙B
Fx x/B = P X ≤ x/B = P B
(1.18)
Uslovna funkcija razdiobe vjerojatnosti ima jednaka svojstva kao i normalna funkcija razdiobe
vjerojatnosti. Za diskretan slučaj, uslovna funkcija vjerovatnoće je:
P X=x k )∙B
px xk /B = P X = xk /B = P B
(1.19)
Najvažniji parametar neke razdiobe je njeno očekivanje koje se može shvatiti kao srednja
vrijednost svih realizacija neke slučajne varijable.
14
Teorija vjerovatnoće i stohastički procesi
Definicija 1.16 (Očekivanje slučajne varijable (Mean, Expectation)). Srednju vrijednost ili
očekivanje slučajne varijable X, s oznakom μX ili E[X] defniramo izrazom:
𝑘 𝑥𝑘 ∙ 𝑃 𝑥𝑘 𝑧𝑎 𝑑𝑖𝑠𝑘𝑟𝑒𝑡𝑛𝑒 𝑋
𝜇𝑥 = 𝐸 𝑥 = +∞ (1.21)
−∞
𝑥 ∙ 𝑓𝑥 𝑥 𝑑𝑥 𝑧𝑎 𝑘𝑜𝑛𝑡𝑖𝑛𝑢𝑖𝑟𝑎𝑛𝑒 𝑋
Definicija 1.17 (Moment). n-ti moment slučajne varijable X: mn(x) defniran je izrazom:
𝑛
𝑘 𝑥𝑘 ∙ 𝑃 𝑥𝑘 𝑧𝑎 𝑑𝑖𝑠𝑘𝑟𝑒𝑡𝑛𝑒 𝑋
𝑚𝑛 = 𝐸 𝑥 𝑛 = +∞ 𝑛 (1.22)
−∞
𝑥 ∙ 𝑓𝑥 𝑥 𝑑𝑥 𝑧𝑎 𝑘𝑜𝑛𝑡𝑖𝑛𝑢𝑖𝑟𝑎𝑛𝑒 𝑋
Definicija 1.18 (Centralni Moment (Central moment)). Neka je c proizvoljni realan broj, a X
diskretna ili kontinuirana slučajna varijabla. n-ti centralni moment slučajne varijable X s
obzirom na c defniran je izrazom:
𝑀𝑛𝑐 𝑋 = 𝐸 (𝑋 − 𝑐)𝑛 (1.23)
Ako je c = 0, onda moment nazivamo ishodišnim momentom ili samo momentom u skladu s
defnicijom 1.17.
Definicija 1.19 (Varijanca (Variance)). Varijanca slučajne varijable X, s oznakom σ2x ili V ar(X),
defnirana je izrazom:
2
𝑘 (𝑥𝑘 − 𝜇𝑥 ) ∙ 𝑃(𝑥𝑘 ) 𝑧𝑎 𝑑𝑖𝑠𝑘𝑟𝑒𝑡𝑛𝑒 𝑋
𝜍𝑥2 = 𝑉𝑎𝑟 (𝑋) = +∞ (1.24)
−∞
(𝑥 − 𝜇𝑥 )2 ∙ 𝑓𝑥 𝑥 𝑑𝑥 𝑧𝑎 𝑘𝑜𝑛𝑡𝑖𝑛𝑢𝑖𝑟𝑎𝑛𝑒 𝑋
15
Teorija vjerovatnoće i stohastički procesi
𝑅 𝑋, 𝑌 = 𝐸 𝑋 ∙ 𝑌 = 𝐶𝑜𝑣 𝑋, 𝑌 + 𝐸 𝑋 ∙ 𝐸 𝑌 (1.27)
𝐶𝑜𝑣(𝑋,𝑌) 𝜍𝑋𝑌
𝜌 𝑋, 𝑌 = 𝜌𝑋𝑌 = 𝜍𝑋 ∙𝜍𝑌
= 𝜍𝑋 ∙ 𝜍𝑌
(1.28)
−1 ≤ 𝜌𝑋𝑌 ≤ 1
Kao što je već pomenuto očekivanje slučajne varijable X možemo smatrati srednjom
vrijednošću beskonačno dugog niza realizacija slučajne varijable. Osnovna pravila (teoreme)
za računanje očekivanja složenih varijabli:
ako su svi Xi u cijelosti neovisni, tj. ako je P(X1 · X2 · . . . · Xn) = P(X1) · P(X2) · . . . · P(Xn).
Varijanca je srednje kvadratno odstupanje slučajne varijable od njene srednje vrijednosti.
Ona odgovara drugom centralnom momentu i predstavlja parametar koji pokazuje razinu
raspršenja slučajne varijable oko njene srednje vrijednosti.
Svaka slučajna varijabla ima svoju razdiobu Fx(x). Analitički izraz za funkciju razdiobe ovisi o
fzikalnoj pozadini procesa kojeg opisuje slučajna varijabla. Razdiobe možemo podijeliti
prema tome da li je slučajna varijabla diskretna ili kontinuirana, a u ovom dijelu rada ćemo
opisati samo neke od važnijih razdioba.
(1.29)
16
Teorija vjerovatnoće i stohastički procesi
(1.30)
Na slici je prikazana funkcija vjerovatnoće i funkcija razdiobe vjerovatnoće za n = 5.
𝑛2− 1
Varijanca za ovu razdiobu je: σ2x = 12
(1.31)
(1.32)
Ova razdioba se javlja u eksperimentima gdje su moguća dva ishoda (uspjeh i neuspjeh ili
tačno i netačno i sl.).Ovakav stohastički eksperiment nazivamo Bernoulliev eksperiment.
Uspjeh, koji odgovara vrijednosti slučajne varijable X = 1, dogaĎa se s vjerovatnoćom p, a
neuspjeh (X = 0) s vjerojatnoćom 1 − p.
17
Teorija vjerovatnoće i stohastički procesi
(1.33)
𝑛
gdje je ( ) binomni koeficijent:
𝑘
Ova raspodjela se javlja u eksperimentima u kojim se Bernollieva eksperiment ponavlja n
puta. Slučajna varijabla koja ima binomnu razdiobu mjeri broj uspjeha u n izvoĎenja
Bernoullieva eksperimenta, gdje je vjerovatnoćat uspjeha p. Funkcija razdiobe dana je
izrazom:
(1.34)
18
Teorija vjerovatnoće i stohastički procesi
(1.35)
(1.36)
1 1−𝑝
Očekivanje i varijanca su: μX = 𝑝 - 1 i σ2x = 𝑝2
(1.37)
Primjer primjene ove razdiobe je primjer broja poziva koji pristižu u centralu u nekom
vremenskom intervalu t. Ako je λ intenzitet dolazaka poziva u nekoj jedinici vremena, onda
uz a = λ · t, pk daje vjerojatnost da je unutar vremena t u centralu pristiglo tačno k poziva.
19
Teorija vjerovatnoće i stohastički procesi
(1.38)
(1.39)
20
Teorija vjerovatnoće i stohastički procesi
𝑁 𝑁 𝑀 𝑁−𝑛
Očekivanje i varijanca su: μX = n · i σ2x = n · · (1 - ) · ( )
𝑀 𝑀 𝑁 𝑁−1
(1.40)
(1.41)
(𝑎+𝑏) (𝑏−𝑎)2
Očekivanje i varijanca su: μX = i σ2x =
2 12
(1.42)
21
Teorija vjerovatnoće i stohastički procesi
(1.43)
Eksponencijalna slučajna varijabla X u praksi najčešće mjeri vrijeme izmeĎu dva dogaĎaja.
Tipičan primjer je duljina trajanja poziva, vrijeme koje proteče izmeĎu dva uzastopna dolaska
zahtjeva za uspostavu poziva itd.
1 1
Očekivanje i varijanca su: μX = i σ2x =
𝜆 𝜆2
(1.44)
Normalna razdioba se najčešće pojavljuje u prirodi. Primjeri su intenzitet šuma u vodiču,
razdioba intenziteta uzoraka glasa, različita zračenja u prirodi itd. Normalna razdioba je
rezultat djelovanja velikog broja jednostavnih slučajnih varijabli. Odgovarajuća funkcija
razdiobe vjerojatnosti normalne razdiobe je:
22
Teorija vjerovatnoće i stohastički procesi
(1.45)
Integral u izrazu se rješava pomoću numeričkih metoda.
Postavlja se pitanje zašto napon šuma (npr. termički šum kojise može izmjeriti na krajevima
vodiča i koji je posljedica kretanja elektrona u rešetki vodiča) koji uzrokuje izobličenje
orginalnog signala ima normalnu razdiobu? Odgovor na ovo pitanje daje Centralni granični
teorem (sa strožijim i slabijim uslovima).
23
Teorija vjerovatnoće i stohastički procesi
(1.46)
Razdioba slučajne varijable Yn ima asimptotski normalnu razdiobu N(nμ, nσ2) i njena
razdioba je sličnija normalnoj razdiobi N(nμ, nσ2) što je broj n veći:
(1.47)
očekivanjima μ1, μ2, . . . , μn i varijancama σ21, σ22,..., σ2n. Neka je Yn slučajna varijabla
defnirana izrazom:
(1.48)
Neka su:
(1.49)
24
Teorija vjerovatnoće i stohastički procesi
Centralni granični teorem služi kao srestvo za opis slućajnih varijabli i kao aproksimacijska
metoda.
2. Stohastički procesi
Svaki realan stohastički eksperiment se dogaĎa u vremenu ili nekoj drugoj dimenziji.
Slučajne varijable uopće ne moraju biti defnirane na istom Ω i ne moraju imati jednaku
razdiobu, pa se može dodijeliti samo odreĎenoj vremenskoj tački. To znači da svaka
vremenska tačka ima svoju vlastitu slučajnu varijablu. Naravno, ne moramo govoriti nužno o
vremenskoj tački. Možemo razmatrati prostorne tačke ili neku drugu dimenziju. Indeksni skup
T sadržava sve vremenske tačke koje razmatramo u nekom eksperimentu. Svakom indeksu t
iz indeksnog skupa T i elementarnom dogaĎaju ω∈ 𝛺 pridružujemo vremensku funkciju X(t,
ω). To je slučajna varijabla koja vrijedi samo za fksni indeks (trenutak) t. Familiju (skup) svih
slučajnih varijabli X(t, ω) koje odgovaraju indeksima iz T zovemo stohastički proces.
25
Teorija vjerovatnoće i stohastički procesi
slučajni proces prelazi u običnu vremensku funkciju koja opisuje mogući ishod slučajnog
eksperimenta.
1. Ako je indeksni skup T stohastičkog procesa diskretan, onda se proces zove stohastički
proces s diskretnim parametrom (discrete-parameter) ili diskretan u vremenu (discrete-time) -
slučajan slijed s oznakom { Xn, n = 1, 2, . . . }.
2. Ako je indeksni skup T stohastičkog procesa kontinuiran, onda se proces zove stohastički
proces s kontinuiranim parametrom (continuous-parameter) ili kontinuiran u vremenu
(continuous time).
Definicija 2.4 (Očekivanje (Mean)). Očekivanje stohastičkog procesa X(t) dato je izrazom
μX(t) = E[X(t)] , gdje se X(t) tretira kao slučajna varijabla za fiksnu vrijednost od t. Općenito,
očekivanje μX(t) je funkcija vremena i često se naziva srednjom vrijednošću ansambla
(ensemble average).
26
Teorija vjerovatnoće i stohastički procesi
Autokorelacija RX(t, t) se još zove i srednja snaga procesa X(t). Riječ autokorelacija
označava traženje korelacija izmeĎu dvije varijable istog stohastičkog procesa. Ukoliko
bismo tražili mjeru ovisnosti dvije slučajne varijable X(t) i Y(s) koje pripadaju različitim
stohastičkim procesima RX,Y (t, s), onda bismo tu mjeru zvali samo korelacija.
KX(t, s) = Cov[X(t),X(s)] = E{[X(t) − μX(t)] · [X(s) − μX(s)]} = RX(t, s) − μX(t) · μX(s) (2.3)
varijanca stohastičkog procesa X(t). Jasno je da ako je očekivanje slučajnog procesa μX(t) =
0, onda KX(t, s) = RX(t, s). Tumačenje izraza autokovarijance je slično tumačenju izraza
autokorelacije.
(2.5)
27
Teorija vjerovatnoće i stohastički procesi
Koeficijent korelacije pokazuje kolika je linearna ovisnost izmeĎu vrijednosti slučajnih varijabli
Xt i Xs. Što je korelacijski koeficijent bliži jedinici, to se ovisnost dviju varijabli može bolje
opisati linearnom funkcijom.
Definicija 2.8 (Proces stacionaran u užem smislu (Strict-Sense Stationary Process)). Slučajni
proces {X(t), t ∈ T} se zove stacionaran u užem smislu (strict-sense stationary) ako za sve
n ∈ N i za svaki skup vremenskih trenutaka (ti ∈ T, i = 1, 2, . . . , n) vrijedi da je:
Definicija 2.9 (Proces stacionaran u širem smislu (Wide-Sense Stationary Process)). Ako
uslov (2.1) slučajnog procesa X(t) nije ispunjen za sve n ∈ N nego za n-ove takve da je n·k,
onda kažemo da je stohastički proces X(t) stacionaran do reda k (stationary to order k). Ako
je X(t) stacionaran do reda 2, onda je X(t) stacionaran u širem smislu (WSS - wide-sense
stationary) ili slabo stacionaran proces (weak stationary process).
28
Teorija vjerovatnoće i stohastički procesi
Neovisni procesi su procesi čije su slučajne varijable u potpunosti neovisne. Često se misli
da je autokorelacija ovakvih procesa jednaka nul što nije tačno. Autokorelacija ovih funkcija
se samo računa kao umnožak očekivanja varijabli u trenucima t i s.
P{X(tn+1) · xn+1|X(t1) = x1,X(t2) = x2, . . . ,X(tn) = xn} = P{X(tn+1) · xn+1|X(tn) = xn} (2.13)
Jednakosti (3.24) i (3.25) su poznate pod nazivom Markovljevo svojstvo ili još svojstvo
odsutnosti pamćenja (Markov property / memoryless property).
Markovljevi procesi su oni procesi koji nemaju pamćenje. Vjerovatnoća dogaĎaja koji se
treba zbiti u budućnosti ne ovisi o dogaĎajima koji su se dogodili u prošlosti, nego samo o
sadašnjosti.
Definicija 2.11 (Stacionaran ergodički proces (Stationary ergodic process)). Neka je zadan
stacionaran slučajni proces {X(t),−∞ < t < +∞}. Neka je x(t) jedna trajektorija slučajnog
procesa (sample function). Neka je srednja vrijednost u vremenu uzorka x(t) dana izrazom
(2.15)
(2.16)
29
Teorija vjerovatnoće i stohastički procesi
Stacionarni slučajni proces {X(t),− ∞ < t < +∞} je ergodičan ako ima svojstvo da su
vremenski prosjeci uzoraka procesa jednaki odgovarajućim statističkim prosjecima
trajektorija ili prosjecima ansambla trajektorija, npr. x(t) = μX, RX(𝜏 ) = RX(𝜏 ), itd.
Stacionarni ergodički procesi su dakle oni procesi kod kojih na osnovu jedne ili ansambla
trajektorija slučajnog procesa možemo izračunati statističke vrijednosti procesa (očekivanje,
autokorelaciju i dr.).
Definicija 2.12 (Proces brojanja (Counting Processes)). Slučajni proces {X(t), t ≥ 0} je proces
brojanja ako X(t) predstavlja ukupni broj realizacija promatranog dogaĎaja u intervalu [0, t].
Da bi neki proces bio proces brojanja, on nužno mora zadovoljiti sljedeće uslove:
(2.17)
30
Teorija vjerovatnoće i stohastički procesi
Definicija 2.13 (Poissonov proces (Poisson Process)). Proces brojanja X(t) se zove
Poissonov proces s intenzitetom λ > 0 ako za njega vrijede svojstva odsustva pamćenja,
homogenosti u vremenu i regularnosti.
Zbog svojstva homogenosti u vremenu slijedi da ovaj proces ima sljedeće vrlo važno
svojstvo: X(t) − X(s) = X(s, t) = X(s − t).
(2.18)
Definicija 2.14 (Standardna definicija Poissonovog procesa). Proces brojanja X(t) se zove
Poissonov proces s intenzitetom λ ako su ispunjeni sljedeći uslovi:
1. X(0) = 0,
2. X(t) ima neovisne priraste,
3. Broj realizacija dogaĎaja u bilo kojem intervalu [s, t] X(t, s) ima funkciju vjerojatnosti:
(2.19)
31
Teorija vjerovatnoće i stohastički procesi
Zaključak
Veliki broj inženjera telekomunikacija će u okviru svog posla raditi ili bar imati dodirnih tačaka
sa projektovanjem jednog segmenta telekomunikacionih sistema, održavanjem nekog
segmenta sistema, mjerenjem različitih parametara od interesa i planiranjem resursa i
infrastrukture za buduće projekte. Ocjena uspješnosti svakog projekta je ocjena da li taj
projekat zadovoljava unaprijed definisane ciljeve, i da li to čini unutar dogovorene cijene.
Glavnu ulogu za razumijevanje nabrojanih procesa i razumijevanje telekomunikacijskog
sistema u cjelini ima razunijevanje karakteristika prometa (npr. opterećenje mreže). Da bi se
mogle posmatrati, odnosno razumjeti pomenute karakteristike neophodna je oblast teorije
vjerovatnoće i stohastičkih procesa. U radu su navedene samo neke osnove iz ovih oblasti
koje predstavljaju zaista široko područje primjene ne samo u telekomunikacijama već i u
brojnim drugim realnim sistemima.
32
Teorija vjerovatnoće i stohastički procesi
Popis slika
Br. slike Naziv slike Stranica
33
Teorija vjerovatnoće i stohastički procesi
Literatura
1. Teorija prometa, Skripta auditornih vježbi, Fakultet prometnih znanosti, Zagreb 2001.
god.
2. Vjerovatnoća i statistika, Teorija vjerovatnoće I dio, Prof.Dr. Huse Fatkić, Sarajevo
2008. god.
3.
34