Académique Documents
Professionnel Documents
Culture Documents
Dragan ori
Fakultet organizacionih nauka, Beograd
Jovan Malixi
Matematiqki fakultet, Beograd
Vesna Jevremovi
Matematiqki fakultet, Beograd
SADRAJ
Predgovor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Spisak nekih oznaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
! " # $ % & ' ! ! !
IX XI
Neprekidne raspodele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Neprekidne sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Tip raspodele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Familije raspodela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Osnovne numeriqke karakteristike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Momenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Mere asimetrije i sp oxtenosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Entropija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Karakteristiqma funkcija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Generatrisa momenata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Ocene parametara . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 Transformacija sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . 14 Modelirae sluqajnih promen ivih . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Testovi saglasnosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Grafiqke metode ispitivaa sglasnosti . . . . . . . . . . . . . . . . . . . . . . 18 Arkussinus [ASS1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Arkussinus [AS1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Arkussinus [ASS2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Arkussinus [AS2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Beta [B2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 23 25 28 30
Opis raspodela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
! " #
iv
Sadr aj
$ Beta [B4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . % Beta prim [BP (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . & Bradfordova [BR(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ' Burova - tip II [BU 2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Burova - tip III [BU 3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Burova - tip IV [BU 4(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Burova - tip V [BU 5(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ! Burova - tip V I [BU 6(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . " Burova - tip V II [BU 7(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . # Burova - tip V III [BU 8(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . $ Burova - tip IX [BU 9(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . % Burova - tip X [BU 10(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . & Burova - tip XI [BU 11(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ' Burova - tip XII [BU 12(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vejbulova [W1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vejbulova [W2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ! " # $ % & ' ! ! ! !! !" !# !$ !%
38 41 43 45 47 49 51 53 55 57 59 61 63 65 67 71 Vejbulova [W3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Vejbulova [W4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 Vejbulova - negativna [W N (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 Vejbulova - dvostrana [W D(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 Vejbulova - eksponencijalna [W E(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . 84 Vejbulova - uopxtena [W U (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 Vejbulova - eksponencijalizovana [W EX(a, b, c)] . . . . . . . . . . . . . . 88 Vejbulova - modifikovana [W M (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . 89 Vejbulova - zaseqena [W Z(a, b, c, , )] . . . . . . . . . . . . . . . . . . . . . . . . . 90 Vejbulova - zaseqena [W ZL(a, b, c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . 91 Vejbulova - zaseqena [W ZD(a, b, c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . 92 Gama [G1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 Gama [G2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Gama [G3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Gama - zaseqena [GZ1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 Gama - zaseqena [GZ2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Sadr aj
!& !' " " " "! "" "# "$ "% "& "' # # # #! #" ## #$ #% #& #' $ $ $ $! $" $# $$ $% $& $'
Gilbratova [GL] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 Gumbelova [GU ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 Gumbelova negativna [GU N ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 Gumbelova [GU 1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Gumbelova [GU 2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Gumbelova - zaseqena [GU 2Z(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Eksponencijalna [E] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Eksponencijalna [E1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 Eksponencijalna [E2 (, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 Eksponencijalna - zaseqena [EZ(, T )] . . . . . . . . . . . . . . . . . . . . . . . . 129 Eksponencijalna [ES(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 Erlangova [ER1(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 Erlangova [ER2(n, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 Erlangova [ER3(n, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 Zipf [Z(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 Inverzna gama [IG(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 Inverzna Gausova [IG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 Inverzna Gausova [IG2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 Inverzna Relejeva [IR(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 Inverzna hi kvadrat [I2 (n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 Inverzna hi kvadrat [I2 (n, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 Koxijeva - standardna [C] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 Koxijeva - zaseqena [CZ1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 Koxijeva - zaseqena [CZ2(T )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 Koxijeva [C1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 Koxijeva [C2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157 Koxijeva [C4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161 Kosinus [COS1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 Kosinus [COS2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165 Kosinus [COS3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 Kumarasvamijeva [KM (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 Laplasova [L1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
vi
Sadr aj
% Laplasova [L2 (, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 % Laplasova - asimetriqna [LA1(a, 1 , 2 )] . . . . . . . . . . . . . . . . . . . . . 178 % Laplasova - asimetriqna [LA2(, p, a)] . . . . . . . . . . . . . . . . . . . . . . . 180 %! Laplasova - asimetriqna [LA3(, a)] . . . . . . . . . . . . . . . . . . . . . . . . . 182 %" Laplasova - asimetriqna [LA4(, p, a)] . . . . . . . . . . . . . . . . . . . . . . . 184 %# Laplasova - asimetriqna [LA5(, p)] . . . . . . . . . . . . . . . . . . . . . . . . . 186 %$ Laplasova - zaseqena [LZ1(, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . 188 %% Laplasova - zaseqena [LZ2(, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . 189 %& Laplasova - uopxtena [LU (, p, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . 191 %' Levijeva [LV (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . & Logaritamska [LOG1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193 & Logaritamska [LOG2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 & Logaritamska [LOG3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197 &! Log-gama [LGG1(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200 &" Log-gama [LGG2(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201 &# Logistiqka - standardna [LG] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204 &$ Logistiqka - zaseqena [LGZ1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205 &% Logistiqka - zaseqena [LGZ2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208 && Logistiqka - zaseqena [LGZ3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . 210 &' Logistiqka [LGS(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211 ' Logistiqka - zaseqena [LGZ(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213 ' Logistiqka [LG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217 ' Logistiqka [LG2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219 '! Logistiqka [LG3(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221 '" Logistiqka [LG4(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223 '# Logistiqka [LG5(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225 '$ Logistiqka - zaseqena [LG5Z1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228 '% Logistiqka - zaseqena [LG5Z2(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . 231 '& Logistiqka - zaseqena [LG5Z3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . 233 '' LogKoxijeva [LK(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234 Loglogistiqka [LLG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235 Loglogistiqka [LLG2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
Sadr aj
vii
! " # $ % & ' ! " # $ % & ' ! " # $ % & ' ! ! ! !!
Loglogistiqka [LLG3(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237 Lognormalna [LN2 (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238 Lognormalna [LN3 (m, 2 , c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240 Lognormalna [LN4 (m, 2 , c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244 Lognormalna - uopxtena [LN U (m, 2 , a)] . . . . . . . . . . . . . . . . . . . . 247 Maksvelova [M AX(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249 Mojalova [M O] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250 Nakagamijeva [N K(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253 Normalna (Gausova) [N (0, 1)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255 Normalna [N (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257 Normalna - zaseqena [N Z(m, 2 , T1 , T2 )] . . . . . . . . . . . . . . . . . . . . . . 261 Normalna - zaseqena [N ZD(m, 2 , T )] . . . . . . . . . . . . . . . . . . . . . . . 266 Normalna - zaseqena [N ZL(m, 2 , T )] . . . . . . . . . . . . . . . . . . . . . . . . 267 Normalna - presavijena [N P (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . 268 Paretova [P AR(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271 Paretova [P AR2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273 Paretova - zaseqena [P ARZ(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . 277 Paretova [P AR3(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279 Paretova [P AR4(a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280 Paretova - uopxtena [P ARU 1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . 282 Paretova - uopxtena [P ARU 2(a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . 285 Pirsonova [P IR1(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287 Pirsonova [P IR2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289 Pirsonova [P IR3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291 Pirsonova [P IR4(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293 Pirsonova [P IR5(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295 Pirsonova [P IR6(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297 Pirsonova [P IR7(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299 Pirsonova [P IR8(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301 Pirsonova [P IR9(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303 Pirsonova [P IR11(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305 Pirsonova [P IR12(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
viii
Sadr aj
!" !# !$ !% !& !' " " " "! "" "# "$ "% "& "' # # # #! #" ##
Relejeva [R1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309 Relejeva [R2 (c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313 Relejeva - dvostrana [RD(c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316 Rajsova [RC(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317 Stepena [S(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319 Studentova [t(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321 Studentova [t(n, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325 Studentova - necentralna [t (n, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . 327 Trougaona [T R(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329 Uniformna [U (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332 Fixerova [F (m, n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336 Fixerova Z [F Z(m, n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340 Fon Mizisova [F M (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341 FonMizisova - bimodalna [F M B(a, b)] . . . . . . . . . . . . . . . . . . . . . . 343 Helmertova [H(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344 Hi [1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345 Hi [2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348 Hi [3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 351 Hi - necentralna [ (n, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353 Hi kvadrat [2 (n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355 Hi kvadrat - necentralna [2 (n, a)] . . . . . . . . . . . . . . . . . . . . . . . . 358 Hiperboliqka [HS(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
PREDGOVOR
U statistiqkoj obradi podataka dobijenih mereem vrednosti neke sluqajne veliqine (sluqajnog obeleja na elementima populacije, pre svega mereem numeriqkog obeleja) qesto se postav a pitae koji statistiqki model odabrati. Drukqije reqeno, postav a se pitae iz koje teorijske raspodele moda potiqu dobijeni rezultati merea. Ovaj Atlas qini jedan pokuxaj da se pomogne svima onima koji imaju potrebe da rexavaju navedeni zadatak. Pri obradi statistiqkih podataka, koji predstav aju izmerene vrednosti nekog numeriqkog sluqajnog obeleja, obiqno prvo treba odgovoriti na pitae da li se radi o diskretnom ili o neprekidnom obeleju. Pod diskretnim obelejem (tj. diskretnom sluqajnom veliqinom) podrazumevamo svako ono obeleje qiji skup moguih vrednosti je samo konaqan ili prebrojiv skup realnih brojeva: Pod neprekidnim obelejem, pak, podrazumevamo svako ono obeleje qiji skup moguih vrednosti je skup svih realnih brojeva sa jednog ili vixe intervala, koji mogu biti kako otvoreni tako i zatvoreni (sa jedne ili sa obe strane), kako konaqni tako i beskonaqni. Ovaj Atlas posveen je samo raspodelama neprekidnih sluqajnih veliqina. Koji od statistiqkih modela e istraivaq u svom radu odabrati zavisi od mnogo faktora. Meu ima svakako nivo poznavaa statistiqkih raspodela (i ranijih iskustava) nije zanemar iv. U dolaeu do konaqnog oprede ea za neki statistiqki model obiqno treba proi nekoliko koraka i koristiti se "metodom eliminacije". Kada istraivaq sredi podatke formirajui varijacioni niz (tj. reajuc1i podatke po veliqini, poqev od najmaeg pa do najveeg rezultata), sledei korak bi bio formirae tabela sa frekvencijama pojav ivaa vrednosti po pojedinim podintervalima skupa moguih vrednosti. Posle toga, najqexe se daje grafiqki prikaz dobijenih rezultata putem formiraa poligona i/ili histograma, koji odgovaraju izabranim podintervalima (klasama vrednosti) i ihovim frekvencijama (relativnim i/ili apsolutnim). Ukoliko dobijeni poligoni odnosno histogrami podseaju na grafike gustine neke raspodele, onda je ta raspodela jedan od moguih kandidata za izbor teorijskih modela. Takvih kandidata moe da bude vixe. Taj skup kandidata e se da e suavati na osnovu novih informacija, kao xto su: skup moguih vrednosti, broj (i vrednosti ) nepoznatih parametara, sreda vrednost, disperzija, medijana, modus, vea ili maa oqekivana simetriqnost raspodele, vea ili maa sp oxtenost itd. Kada se, korixeem gorih informacija, skup moguih kandidata svede na samo ih nekoliko, onda u konaqnom oprede eu moe vanu ulogu da odigra i jednostavnost u analitiqkim izrazima za gustine, za matematiqka oqekivaa, disperzije, koeficijente asimetrije itd. Naravno, treba imati na umu i to da e qesto biti i vixe od jedne raspodele koja e moi da se izabere kao model. Adekvatnost izabrane raspodele najqexe se proverava korixeem
Predgovor
Pirsonovog 2 -testa, mada ima i mnogo drugih testova. Pri korixeu Kolmogorov evog testa treba biti veoma oprezan, s obzirom na to da se u emu unapred podrazumeva poznavae svih parametara raspodele. Za raspodele u ovom Atlasu dati su sledei podaci: { funkcija gustine, { skup vrednosti i znaqee parametara, { karakteristiqni grafici gustine u zavisnosti od parametara. Za znaqajnije raspodele dati su i neki od sledeih podataka: { funkcija raspodele, { karakteristiqna funkcija, { generatrisa momenata, { entropija, { momenti, { modus i medijana { koeficijenti asimetrije i sp oxtenosti, { ocene parametara, { oblasti primene, { generisae vrednosti odgovarajue sluqajne promen ive. Osim toga, za veinu raspodela data su i neka dodatna svojstva kao i veze sa drugim raspodelama. Pre opisa pojedinih raspodela, u uvodnom delu pod nazivom Neprekidne raspodele date su definicije svih pojmova koji se koriste u Atlasu, kao i najvanihi rezultati koji mogu biti korisni u primeni raspodela. Kratak prikaz specijalnih funkcija koje se pomiu u Atlasu dat je posle opisa raspodela, kao Dodatak. Na kraju kige je spisak korixene literature. Za pomo pri izradi finalne verzije Atlasa zahva ujemo se recenzentima, Dr Pavlu Mladenoviu, profesoru Matematiqkog fakulteta u Beogradu i ??? Beograd, 2007. Autori
SPISAK OZNAKA
Opxte oznake {a, b, c} AB AB A\B Xmin , Xmax xa f :AB |x| z a/b
n
beskonaqno prazan skup skup qiji su elementi a, b i c unija skupova A i B presek skupova A i B razlika skupova A i B najmai i najvei element skupa {X1 , X2 , . . . , Xn } x tei a funkcija f preslikava skup A u skup B priblino apsolutna vrednost broja x kougovano komleksni broj broja z razlomak - isto xto i a b zbir brojeva a1 , a2 , . . . , an proizvod brojeva a1 , a2 , . . . , an izvod funkcije jedne promen ive parcijalni izvod funkcije f po x neodreeni integral funkcije f odreeni integral funkcije f na (a, b)
ai
i=1 n
ai
i=1
df dx f f (x, y) x f (x)dx
b
f (x)dx
a
Spisak oznaka
skup realnih brojeva skup prirodnih brojeva skup kompleksnih brojeva konstanta ( 3.141592) osnova prirodnog logaritma ( 2.71828) Ojlerova konstanta ( 0.577) binomni koeficijent faktorijel (= 1 2 (n 1) n) dvostruki faktorijel ( = 2 4 (2n 2) 2n) skup realnih brojeva x za koje vai a < x < b skup realnih brojeva x za koje vai a x b Bernulijevi brojevi
Sluqajne promen ive
gustina sluqajne promen ive X funkcija raspodele sluqajne promen ive X oqekivae sluqajne promen ive X disperzija sluqajne promen ive X standardna devijacija r-ti moment sluqajne promen ive r-ti centralni moment sluqajne promen ive karakteristiqna funkcija generatrisa momenata entropija sluqajne promen ive X koeficijent asimetrije koeficijent sp oxenosti koeficijent varijacije prvi i trtei kvartil modus ili mod sluqajne promen ive X medijana sluqajne promen ive sluqajna promen iva ima raspodelu W1 (a)
Spisak oznaka
X n, X Sn, S2 D n , Dn
2 Sn , S 2 2
Sn, S
r X n , X r , Mr
L a, a
sreda vrednost uzorka X1 , . . . , Xn uzoraqka disperzija uzoraqka disperzija (poznato oqekivae) modifikovana uzoraqka disperzija uzoraqka standardna devijacija uzoraqki momenat reda r funkcija verodostojnosti ocene parametra a
Specijalne funkcije
gama funkcija nepotpuna gama funkcija nepotpuna gama funkcija nepotpuna gama funkcija nepotpuna gama funkcija digama funkcija trigama funkcija poligama funkcija beta funkcija nepotpuna beta funkcija nepotpuna beta funkcija funkcija raspodele normalne standardne raspodele funkcije grexke Rimanova zeta funkcija Beselova funkcija prve vrste modifikovana Beselova funkcija prve vrste Beselova funkcija druge vrste modifikovana Beselova funkcija druge vrste hipergeometrijska funkcija Lagerov i uopxteni Lagerov polinom
xiv Elementarne funkcije sin cos tan arcsin arccos arctan sh ch tanh exp ln
Spisak oznaka
sinus kosinus tangens arkusinus arkuskosinus arkustangens sinus hiperboliqki kosinus hiperboliqki tangens hiperboliqki eksponencijalna funkcija ( exp(x) = ex ) logaritamska funkcija sa osnovom e
NEPREKIDNE RASPODELE
U ovom delu su date definicije i osnove qienice koje se odnose na raspodele neprekidnih sluqajnih promen ivih ili krae, neprekidne raspodele .
1 Sluqajne promen ive i funkcije raspodela
Pojam sluqajne promen ive uveo je Karl Pirson 1 1909. godine. Neka je (, F, P ) prostor verovatnoe ( je skup elementarnih dogaaja, F je -algebra dogaaja, a P je verovatnoa definisana na (, F)) i neka je B Borelova -algebra podskupova skupa realnih brojeva R.
Definicija 1 Funkcija X : R je sluqajna promen iva (veliqina) ako je mer iva u odnosu na -algebre F i B, odnosno ako za svaki Borelov skup B B va i X 1 (B) = { : X() B} F.
Iz definicije sledi da se na prirodan naqin moe definisati verovatnoa skupa B za svaki Borelov akup B B. Funkcija PX : B R definisana sa
PX (B) = P (X 1 (B))
je verovatnoa i naziva se raspodela verovatnoa sluqajne promen ive X . Specijalno, za x R moemo da uzmemo B = (, x].
1.1 Funkcija raspodele
Definicija 2 Funkcija FX : R R definisana sa FX (x) = P { : X() x} je funkcija n ive X.
raspodele verovatnoa
ili kra e,
funkcija raspodele
sluqajne prome-
Ako je jasno o kojoj promen ivoj je req, umesto FX moe se pisati F . Funkcija F je rastua, neprekidna s desne strane za svaki realan broj x i vai: Izdvajaju se tri tipa funkcija raspodele: diskretne, apsolutno neprekidne i singularne, pri qemu svaka funcija raspodele F moe da se prikae u obliku
F (x) = F1 (x) + F2 (x) + (1 )F3 (x),
1 Karl
lim F (x) = 0,
x+
lim F (x) = 1.
, 0,
Neprekidne raspodele
gde je F1 apsolutno neprekidna, F2 diskretna i F3 singularna funcija raspodele. Ovde dajemo samo definiciju apsolutno neprekidne funkcije raspodele obzirom da su u Atlasu zastup ene samo neprekidne raspodele.
Definicija 3 Funkcija raspodele F sluqajne promen ive X je apsolutno ako postoji integrabilna funkcija g : R R takva da za svaki realan broj x va i
neprekidna
F (x) =
g(t)dt.
Funkcija g je
gustina raspodele
Apsolutno neprekidna funkcija raspodele je neprekidna i diferencijabilna skoro svuda, pri qemu u taqki diferencijabilnosti x vai g(x) = F (x). Svaka nenegativna integrabilna funkcija g : R R za koju + je g(t)dt = 1 je gustina neke raspodele.
1.2 Nezavisnost sluqajnih veliqina
Na sliqan naqin se definixe nezavisnost tri ili vixe sluqajnih promen ivih. Nezavisnost moe da se izrazi i pomou funkcija raspodele. Na primer, sluqajne promen ive X i Y su nezavisne ako i samo ako je za svaka dva realna broja x i y.
2
P { : X() x, Y () y} = FX (x) FY (y)
Za razliku od diskretnih sluqajnih veliqina, neprekidna sluqajna promen iva uzima vrednosti iz nekog intervala ili unije intervala realne prave. Pri tome, interval moe da bude konaqan ili beskonaqan, kao i zatvoren, otvoren ili poluzatvoren.
Definicija 5 Sluqajna promen iva X je apsolutno funkcija raspodele F apsolutno neprekidna.
neprekidna
ako je
ena
Ako je sluqajna promen iva apsolutno neprekidna, kaemo da ona ima apsolutno neprekidnu ili krae, neprekidnu raspodelu. Obzirom da fukcija raspodele u tom sluqaju moe da se izrazi pomou gustine, vai sledee tvree.
Neprekidne raspodele
Teorema 1 Verovatno a da vrednost apsolutno neprekidne sluqajne promen ive X pripada bilo kom od skupova (a, b), (a, b], [a, b) ili [a, b] jednaka je
b
g(x)dx.
a
U ovom Atlasu zastup ene su neprekidne raspodele koje imaju neprekidnu gustinu. U tom sluqaju je funkcija raspodele diferencijabilna, pri qemu je g(x) = F (x) za svaki realan broj x. Iz svojstva 1. navedenog tvrea sledi da je
P { : x X() x + x} = g(x)x + o(x)
kada x 0.
3 Tip raspodele
Definicija 6 Dve sluqajne promen ive su jednake ako imaju istu funkciju raspodele.
za svaki realan broj x. To znaqi da se funkcija raspodele za Y moe dobiti pomou funkcije raspodele za X linearnom transformacijom argumenta. Drugim reqima, izborom funkcije raspodele F odreena je i cela jedna dvoparametarska familija funkcija raspodele definisana sa
F (x; a, b) = F xa b , x R, a R, b > 0.
xa b
= PX
xa b
Pri tome je F (x) = F (x; 0, 1). Sve raspodele ove familije su istog tipa. Parametar a je parametar lokacije , a parametar b je parametar skaliraa . Za neprekidne raspodele navedenoj familiji funkcija raspodele odgovara dvoparametarska familija gustina definisana sa
g(x; a, b) =
1 g b
xa b
Neprekidne raspodele
Familije raspodela
Postoje i familije raspodela koje sadre vixe tipova raspodela, pri qemu sve raspodele iz familije imaju neko zajedniqko svojstvo. Ovde se navode dve takve familije raspodela: Pirsonove raspodele i eksponencijalne raspodele . U sluqaju familije eksponencijalnih raspodela gustine raspodela imaju isti oblik, a u sluqaju Pirsonovih raspodela gustine raspodela su rexea diferencijalnih jednaqina istog oblika.
4.1 Pirsonove raspodele
qija su rexea gustine dvanaest tipova raspodela. Rexea ove jednaqine se klasifikuju zavisno od prirode nula polinoma b0 + b1 x + b2 x2 . Na taj naqin se dobija dvanaest tipova rexea koja odreuju odgovarajue tipove raspodela poznatih kao Pirsonove raspodele (tip I do tip XII ).
4.2 Eksponencijalne raspodele
gde su a, b, c, d realne funkcije, a parametar. Specijalni sluqaj je familija eksonencijalno stepenih raspodela koju je prvi opisao Subotin ( Subbotin, 1923). Po ugledu na Pirsonove raspodele, Luneta (Lunetta, 1963) je eksponencijalno stepene raspodele razmatrao kao raspodele qije su gustine rexea diferencijalne jednaqine
ln g ln a g =k . g xc
Neke numeriqke karakteristike, kao xto su oqekivae, varijansa, modus i medijana, daju osnovne informacije o raspodeli sluqajne promen ive.
Neprekidne raspodele
5.1
Matematiqko oqekiva e
Osnovna mera centralne tendencije sluqajne promen ive je ena oqekivana vrednost.
Definicija 8 Matematiqko oqekiva e E(X) neprekidne sluqajne promenive X qija je gustina raspodele g je dato sa
+
E(X) =
xg(x)dx
pod uslovom da navedeni integral apsolutno konvergira. Ako to nije sluqaj, matematiqko oqekiva e ne postoji.
Za matematiqko oqekivae linearne kombinacije i proizvoda dve sluqajne promen ive vai sledee tvree.
Teorema 2 Ako su X i Y sluqajne promen ive koje imaju matematiqko oqekiva e, tada je: 1. E(aX + bY ) = aE(X) + bE(Y ) za a, b R, 2. E(XY ) = E(X)E(Y ) ako su X i Y nezavisne.
5.2
Modus
modus
ili mod.
Definicija 9 Za neprekidnu sluqajnu promen ivu mod je taqka u kojoj funkcija gustine dosti e lokalni maksimum.
Prema tome, potencijalne vrednosti moda su nule prvog izvoda funkcije gustine. Mod ne mora da postoji, a ako raspodela ima samo jedan mod kae se da je unimodalna. Raspodela sa dva moda je bimodalna, a sa vixe modova je vixemodalna. Termin mod je uveo Pirson 1895. godine.
5.3 Disperzija
Disperzija ili varijansa predstav a oqekivano sredekvadratno odstupae od oqekivane vrednosti sluqajne promen ive.
Definicija 10 Disperzija D(X) ili varijansa V (X) sluqajne promen ive X je data sa D(X) = E(X E(X))2 pod uslovom da navedena oqekiva a postoje. U protivnom disperzija ne postoji. Pozitivna vrednost kvadratnog korena disperzije naziva se standardna devijacija i oznaqava sa (X) ili samo .
Neprekidne raspodele
Iz definicije sledi da je
D(X) = E(X 2 ) (E(X))2 ,
xto znaqi da je D(X) E(X 2 ) i |E(X)| E(X 2 ). Za disperziju linearne kombinacije dve promen ive vai sledee tvree.
Teorema 3 Ako su X i Y nazavisne sluqajne promen ive koje imaju disperzije i ako su a i b realni brojevi, tada je D(aX + bY ) = a2 D(X) + b2 D(Y ).
Ako je X = X E(X) (standardizovani ili normirani oblik sluqajne D(X) promen ive X ), tada je D(X ) = 1. Pojam standardne devijacije uveo je Pirson 1894. godine, a pojam varijanse uveo je Fixer 2 1918. godine.
5.4 Koeficijent varijacije
Jox jedna mera odstupaa od oqekivae vrednosti je koji je takoe uveo Pirson.
. m
koeficijent varijacije
Definicija 11 Ako je m oqekiva e, a standardna devijacija sluqajne promen ive X, koeficijent varijacije CV je dat sa CV = 100
Prema tome, ovaj koeficijent predstav a koliqnik standardne devijacije i matematiqkog oqekivaa izraen u procentima.
5.5 Kvantili
Obzirom da matematiqko oqekivae i varijansa ne moraju postojati za datu raspodelu, definixu se i neke mere centralne tendencije i disperzije koje postoje za svaku raspodelu.
Definicija 12 Za neprekidnu sluqajnu promen ivu kvantil reda ili nivoa (0 < < 1) je broj x za koji je F (x ) = .
Kvantili reda = 0.25 i = 0.75 nazivaju se prvi i trei kvartil i oznaqavaju sa Q1 i Q3 . Kao mera disperzije raspodele qesto se, u sluqaju jednoznaqno odreenih kvartila, koristi ihova razlika (interkvartilna razlika)
Q = Q3 Q1 .
2 Ronald
Neprekidne raspodele
5.6
Medijana
Definicija 13 Za neprekidnu sluqajnu promen ivu X kvantil reda 1/2 naziva se medijana i oznaqava sa M e(X).
Ako je funkcija gustine simetriqna u odnosu na neku taqku, ta taqka je upravo medijana, pri qemu su matematiqko oqekivae i medijana jednaki (ukoliko oqekivae postoji).
6 Momenti
mr = E(X r ) =
xr g(x)dx,
r = E(X )r =
(x m)r g(x)dx,
pri qemu se pretpostav a da su navedeni integrali apsolutno konvergentni. Ako su navedeni integrali divergentni, odgovaraju i momenti ne postoje.
Prema definiciji, matematiqko oqekivae je momenat prvog reda, a disperzija je centralni momenat drugog reda,
E(X) = m1 , D(X) = 2 .
Korixeem binomnog razvoja za (x m)r mogu se dobiti veze izmeu momenata i centralnih momenata. Naime, vae jednakosti
k
k =
i=0
(1)i
k mki mi , i
mk =
i=0
k k1 mi , i
k N.
Pored osnovnih numeriqkih karakteristika date raspodele, nekada su vani i podaci koji se odnose na oblik raspodele. Najznaqajniji meu ima su oni koji govore o simetriji, odnosno asimetriji i o sp oxtenosti raspodele, a poznati su kao Pirsonovi koeficijenti.
Neprekidne raspodele
Definicija 15 Raspodela neprekidne sluqajne promen ive X je simetriqna ukoliko postoji taqka a za koju je g(a x) = g(a + x) za svaki realan broj x. U suprotnom raspodela je asimetriqna.
Za 1 (X) = 0 raspodela je simetriqna, za 1 (X) > 0 ka emo da je raspodela pozitivno asimetriqna ili asimetriqna udesno , a za 1 (X) < 0 ka emo da je raspodela negativno asimetriqna ili asimetriqna ulevo .
Kako koeficijent 1 (X) ne zavisi od srede vrednosti, niti skaliraa sluqajne promen ive, sve raspodele istog tipa imaju istu asimetriju. Sp oxtenost raspodele se odnosi na brzinu konvergencije ka nuli krajeva gustine raspodele, kao i koncentracija oko srede vrednosti. Koristi se i termin deb ina repa raspodele i obiqno se uporeuje sa deb inom repa normalne raspodele. Pirson je definisao koeficijent sp oxtenosti ili kirtozis kao koliqnik 4 . Kako je kirtozis normalne raspodele jed2 2 nak 3, qesto se kao mera sp oxtenosti uzima vrednost kirtozisa umaena za 3.
Definicija 17 Koeficijent sp oxtenosti 2 (X) je definisan sa 2 (X) = 4 3. 2 2
Za 2 (X) > 0 ka emo da je raspodela sa debelim krajevima (repovima) ili leptokirtiqna, za 2 (X) < 0 ka emo da je raspodela sa tankim krajevima (repovima) ili platikirtiqna, dok za 2 (X) = 0 ka emo da raspodela ima krajeve (repove) iste deb ine kao i normalna raspodela ili da je mezokirtiqna.
U teoriji informacija je vana koliqina informacija sadrana u sluqajnom dogaaju, a kao mera neizvesnosti sluqajne promen ive koristi se pojam entropije koji je uveo Xenon 3 .
3 Claude
Neprekidne raspodele
Definicija 18 Za neprekidnu sluqajnu promen ivu X sa pozitivnom gustinom g entropija H(X) je definisana sa
+
H(X) =
Ako gustina nije svuda pozitivna, onda se integral na desnoj strani prethodne jednakosti uzima na skupu {x : g(x) > 0}.
Raspodele istog tipa nemaju istu entropiju, ali postoji jednostavna relacija za ihove entropje.
Teorema 4 Ako je Y = a + bX, gde je a R i b > 0, tada je H(Y ) = H(X) + ln b.
Karakteristiqna funkcija
Karakteristiqna funkcija neprekidne sluqajne promen ive je Furijeova transformacija ene gustine.
Definicija 19 Neka je X neprekidna sluqajna promen iva qija je gustina g. Funkcija : R C, gde je C skup svih kompleksnih brojeva, definisana sa
+
(t) =
eitx g(x)dx,
tR
je karakteristiqna funkcija za X.
Iz definicije sledi da svaka neprekidna sluqajna promen iva ima karakteristiqnu funkciju i da je 1. (0) = 1, 2. (t) = (t), 3. |(t)| 1. Raspodela sluqajne promen ive je jedinstveno odreena enom karakteristiqnom funcijom, pri qemu postoji i inverzna formula.
Teorema 5 Ako je karakteristiqna funkcija sluqajne promen ive X i ako je
+
|(t)|dt < ,
eitx (t)dt.
10
Neprekidne raspodele
Osim toga, svaka funkcija koja je pozitivno definitna i neprekidna na R i za koju je (0) = 1 je karakteristiqna funkcija neke sluqajne promen ive. Za karakteristiqne funkcije promen ivih sa istim tipom raspodele postoji veza.
Teorema 6 Ako je Y = a + bX i ako su X i Y karakteristiqne funkcije za X i Y , tada je Y (t) = eiat X (bt).
10
Generatrisa momenata
Za sluqajne promen ive se definixe i transformacija gustine koja je realna verzija Furijeove transformacije.
Definicija 20 Neka je X neprekidna sluqajna promen iva qija je gustina g. Funkcija M : R R definisana sa
+
M (t) =
etx g(x)dx,
t R,
pod uslovom da integral na desnoj strane ove jednakosti postoji, je generatrisa momenata promen ive X.
sledi da se i pomou generatrise momenata mogu dobiti momenti za X . Naime, ako za sluqajnu promen ivu X postoji momenat reda r, tada je
mr = M (r) (0).
Prednost funkcija generatrisa je u tome xto su realne funkcije, a prednost karakteristiqnih funkcija je u tome xto ne postoji problem konvergencije.
Neprekidne raspodele
11
11
Ocene parametara
Za ocenu nepoznatog parametra neke raspodele na osnovu prostog uzorka (X1 , . . . , Xn ) mogu se koristiti razliqite statistike. U ima se qesto pojav uju standardne statistike kao xto su: 1. uzoraqka sredina X n ili X definisana sa
Xn = 1 n
n
Xi ,
i=1
1 = n
Xi X n
i=1
1 = n
Xi m
i=1
u sluqaju da je poznato matematiqko oqekivae m posmatrane raspodele, 2 4. modifikovana uzoraqka disperzija Sn ili S 2 definisana sa
2 Sn
1 = n1
Xi X n
i=1
1 = n
n r Xi . i=1
Naravno, vano je znati svojstva ocena. Dve osnovne tehnike za ocene parametara su metoda momenata i metoda maksimalne verodostojnosti. Metodu momenata je uveo Karl Pirson 1984. godine, a metodu maksimalne verodostojnosti Fixer 1912. godine. Metoda momenata je jednostavnija, a metoda maksimalne verodostojnosti daje asimptotski najefikasnije ocene.
11.1 Svojstva ocena
Neka je (X1 , . . . , Xn ) prost sluqajan uzorak za obeleje X i neka je nepoznati parametar u raspodeli tog obeleja.
12
Neprekidne raspodele
Definicija 21 Statistika n je nepristrasna ocena za parametar ako je E(n ) = , a asimptotski nepristrasna ocena ako E(n ) kada n .
Umesto termina nepristrasna koriste se i termini centrirana i nepomerOcena koja nije nepristrasna zove se pristrasna. Na primer, statis2 tika X n je nepristrasna ocena za matematiqko oqekivae, statistika Dn 2 je nepristrasna ocena za varijansu, dok je statistika Sn pristrasna i asimptotski nepristrasna ocena za varijansu. Termine pristrasna i nepristrasna ocena uveo je Bouli4 1897. godine. Sledee svojstvo se odnosi na odstupae realizovane vrednosti statistike od oqekivane vrednosti.
ena.
Definicija 22 Statistika n je postojana ocena parametra ako n konvergira u verovatno i ka , odnosno ako za svako > 0 va i P {|n | } 0 (n ).
Umesto termina postojana koriste se i termini konzistentna i stabilna. Ako je ocena nepristrasna i ako D(n ) 0 kada n , tada je ocena n 2 2 stabilna. Na primer, statistike X n , Dn i Sn su stabilne ocene. Vixe razliqitih, nepristrasnih i stabilnih ocena istog parametra, za isti obim uzorka, mogu se uporeivati pomou svojih disperzija.
Definicija 23 Ocena je efikasnija od ocene nepoznatog parametra ako je D() < D().
Dou granicu disperzije nepristrasnih ocena daje Rao-Kramerova nejednakost. Ocena qija je disperzija jednaka toj dooj granici je efikasna ocena. Za analizu ocene nije dovo no znati samo eno oqekivae i disperziju, ve treba odrediti i enu raspodelu.
11.2 Metoda momenata
Neprekidne raspodele su, pod izvesnim uslovima, odreene svojim momentima. Na primer, ako je za niz momenata (mi ) date raspodele ispuen Karlemanov uslov
1
tada momenti jednoznaqno odreuju tu raspodelu. Samim tim, poznavae momenata je dovo no za nalaee nepoznatih parametara raspodele. Ako su nepoznati parametri 1 , 2 , . . . , k , dovo no je uzeti k momenata koji zavise od tih parametara. Pretpostavimo da su to prvih k momenta. U tom sluqaju imamo sistem
mr = fr (1 , . . . , k ), r = 1, . . . , k
= +,
koji odreuje nepoznate parametre. Meutim, kako parametre oceujemo na osnovu uzorka, umesto momenata uzimamo uzoraqke momente i onda iz navednog sistema dobijamo ocene nepoznatih parametara.
4 Arthur
Neprekidne raspodele
13
Definicija 24 Ocene parametara 1 , . . . , k po metodi momenata, na osnovu prostog uzorka (X1 , . . . , Xn ) iz neke raspodele, date su sistemom X n = fr (1 , . . . , k ),
r
r = 1, . . . , k.
k
Prema tome,
Za realizovani uzorak (x1 , . . . , xn ) dobijaju se konkretne ocene nepoznatih parametara. Prednost ove metode je jednostavnost, a nedostatak je nemogunost odreivaa kvaliteta i intervala poverea za dobijene ocene.
11.3 Metoda maksimalne verodostojnosti
i = i (X n , X n , . . . , X n ).
U ovoj metodi ocena za nepoznati parametar se uzima tako da verovatnoa realizacije uzorka x1 , x2 , . . . , xn bude najvea. Pretpostavimo da je (X1 , . . . , Xn ) prost uzorak iz neke neprekidne raspodele qija gustina g zavisi od , pri qemu R. Funkcija L definisana sa
n
L(x1 , . . . , xn ; ) =
k=1
g(xk ; )
predstav a gustinu raspodele uzorka kao sluqajnog vektora. Obzirom da se realizovane vrednosti uzorka koncentrixu u oblasti u kojoj funkcija L ima velike vrednosti, za ocenu nepoznatog parametra se uzima vrednost koja maksimizira funkciju L.
Definicija 25 Ocena odre ena sa L(X1 , . . . , Xn ; ) = max L(X1 , . . . , Xn ; )
Ako je otvoren skup i ako je L diferencijabilna funkcija po , dovo no je odrediti stacionarne taqke funkcije L i uporediti odgovarajue vrednosti. Poxto funkcije L i ln L imaju iste taqke maksimuma, ocena se jednostavnije dobija iz jednaqine
ln L = 0,
poznate kao jednaqina verodostojnosti . U nekim sluqajevima ona ima samo jedno rexee.
Teorema 9 Ako postoji efikasna ocena parametra , onda jednaqina verodostojnosti ima jedinstveno rexe e.
14
Neprekidne raspodele
Metoda maksimalne verodostojnosti moe se primeniti i u sluqaju da raspodela ima vixe nepoznatih parametara. Ako je g(x; 1 , . . . , k ) gustina raspodele koja zavisi od parametara 1 , . . . , k , tada je funkcija verodostojnosti data sa
n
L(x1 , . . . , xn ; 1 , . . . , k ) =
i=1
g(xi ; 1 , . . . , k ).
Ako funkcija L ima parcijalne izvode po 1 , . . . , k , ocena nepoznatih parametara dobija se rexavaem sistema Ovaj sistem je uglavnom nelinearan i najqexe se rexava numeriqkim metodama. Ocene dobijene metodom maksimalne verodostojnsti mogu biti i pristrasne i neefikasne. Meutim, pri odreenim uslovima ocene su asimptotski efikasne i imaju asimptotski normalnu raspodelu.
12 Transformacija sluqajne promen ive
L(x1 , . . . , xn ; 1 , . . . , k ) = 0, i i = 1, . . . , k.
Ako je poznata funkcija raspodele FX neprekidne sluqajne promen ive X i ako je f monotona funkcija, tada je Y = f (X) takoe neprekidna sluqajne promen iva qija se funkcija raspodele jednostavno odreuje. Uz dodatni uslov diferencijabilnosti funkcije f lako se nalazi i gustina sluqajne promen ive f (X).
Teorema 10 Neka je Y = f (X) i neka je f : R R strogo monotona diferencijabilna funkcija. Ako je h = f 1 (inverzna funkcija za f ), tada je gY (y) = gX (h(y))|h (y)|, i gY (y) = 0 za x (a, b), gde je a = min{f (), f (+)}, b = max{f (), f (+)}. y (a, b)
Gustina sluqajne promen ive f (X) se moe odrediti i ako je f deo po deo monotona. Neka je g strogo monotona i diferencijabilna na intervalima I1 , . . . , Ik i neka je fj : Ij R za j = 1, . . . k restrikcija funkcijie f na intervalu Ij . Tada je
Y = f1 (X) + f2 (X) + + fk (X),
f1 (X), . . . , fk (X)
gY (y) =
j=1
Neprekidne raspodele
15
Za nalaee matematiqkog oqekivaa sluqajne promen ive nije neophodno znati gustinu gY .
Teorema 12 Ako je Y = f (X), tada je
+
Y = f (X)
E(Y ) =
f (x)g(x)dx
12.1
Takijeva transformacija
X (1 X) , Y = ln X , 1X
gde je X sluqajna promen iva sa standardnom uniformnom raspodelom. Za odreene vrednosti parametrta raspodela dobro aproksimira normalnu i studentovu raspodelu.
12.2 Boks-Koks transformacija
Za pozitivne sluqajne promen ive Boks 6 i Koks7 su 1964. godine uveli transformaciju kojom se dobija priblino normalna raspodela. Ako je X poztivna sluqajna promen iva, tada sluqajna promen iva Y definisana sa
Y = X 1
,
=0
ln X,
=0
gde je X sluqajna promen iva sa standardnom normalnom raspodelom. Raspodela sluqajne promen ive Y je poznata kao onsonova SB raspodela, a raspodela sluqajne promen ive Z kao onsonova SU raspodela.
Wilder Tukey (1915-2000) - ameriqki staistiqar Box (1919-) - engleski statistiqar 7 David Roxbee Cox (1924-) - engleski statistiqar 8 Norman Lloyd Johnson (1917-) - engleski statistiqar
6 George 5 John
16
Neprekidne raspodele
13
Modelirae neprekidne sluqajne promen ive zavisi od karakteristika ene raspodele. U principu postoje opxte metode, kao xto su metoda inverzne funkcije , Nojmanova metoda i druge, ali postoje i specifiqni postupci modeliraa za pojedine raspodele.
13.1 Metoda inverzne funkcije
Ova metoda zasniva se na jednoj jednostavnoj qienici. Ako je X sluqajna promen iva s neprekidnom i monotono rastuom funkcijom raspodele F , sluqajna promen iva Y = F (X) ima uniformnu raspodelu na (0, 1). Prema tome, funkcija raspodele sluqajne promen ive F 1 (Y ) je F , odnosno X = F 1 (Y ). Za generisae vrednosti x sluqajne promen ive X dovo no je generisati vrednost y iz uniformne raspodele U (0, 1) i uzeti da je x = F 1 (y). Na taj naqin se problem svodi na generisae vrednosti sluqajne promen ive sa uniformnom raspodelom, a za to postoje ve gotove rutine u svim statistiqkim programskim paketima. To su, zapravo, sluqajni brojevi. Generisae raspodele metodom inverzne funkcije je, dakle, vrlo jednostavno, ali je potrebno da znamo analitiqki oblik inverzne funkcije. Meutim, u mnogim sluqajevima to nije mogue dobiti. Zbog toga ova metoda ne moe da se primeni za generisae, na primer normalne, beta, gama ili hi kvadrat raspodele. Metoda se moe proxiriti na sluqaj kada je
n
g(x) =
k=1
pk gk (x),
gde je i gde gustinama gk odgovaraju funkcije raspodele ( ) koje imaju analitiqki izraz za inverznu funkciju. Algoritam je tada sledei: 1. Izabrati indeks k sa verovatnoom pk . 2. Generisati sluqajnu vrednost y iz uniformne raspodele U (0, 1). 3. Uzeti da je x = Fk1 (y).
p1 + + pn = 1 Fk k = 1, . . . , n
13.2
Nojmanove metode
Nojmanove metode ili metode prihvataa i odbacivaa koriste se za generisae raspodele sa gustinom g koja je pozitivna na intervalu [xmin , xmax ]. Uglavnom se u ima koristi algoritam u kojem se proverava odreeni uslov i zavisno od ispuea tog uslova odreena vrednost se prihvata ili odbacuje kao sluqajan broj iz raspodele sa gustinom g. Jedna od tih metoda zahteva poznavae sluqajne promen ive Y koju znamo da generixemo i qija raspodela ima gustinu h za koju vai
h(x) cg(x), x [xmin , xmax ]
Neprekidne raspodele
17
za neki realan broj c > 0. Metoda moe da se opixe sledeim algoritmom: 1. Neka je x generisana vrednost sluqajne promen ive Y . 2. Generisati sluqajan broj u iz uniformne raspodele U (0, 1).
g(x) 3. Ako je u < ch(x) , tada je x traena vrednost sluqajne promen ive X sa gustinom g. U protivnom, postupak se ponav a (od 1. koraka). Ova metoda se zasniva na qienici da je P Y x U g(Y ) ch(Y )
x
g(y)dy,
gde je U sluqajna promen iva sa uniformnom raspodelom U (0, 1). Ostale Nojmanove metode su mae ili vee modifikacije ove ideje.
14 Testovi saglasnosti
Za testirae saglasnosti raspodele posmatranog obeleja sa pretpostav enom raspodelom postoji vixe razliqitih testova. Testovi se mogu podeliti u dve grupe prema tome da li raspodela test statistike zavisi od pretpostav ene raspodele ili ne. U testove slobodne od raspodele spadaju, na primer, Pirsonov 2 test, Kolmogorov ev 9 test, Kuiperov10 test, fon Mizisov 11 test. U drugu grupu spadaju, na primer, Anderson 12 Darlingov13 test, razne modifikacije Kolmogorov evog testa ukoliko parametri pretpostav ene raspodele nisu poznati, Xapiro 14 -Vilkov15 test. Za testirae prilagoenosti podataka normalnoj raspodeli postoji jox i specifiqni testovi zasnovani na poreeu empirijskih koeficijenata asimetrije i sp oxtenosti sa odgovarajuim koeficijentima normalne raspodele.
14.1 Pirsonov test
Najpopularniji je 2 -test koji je uveo Pirson 1900. godine. Test ima oblik k
2 =
i=1
(Oi Ei )2 , Ei
gde su Oi opservirane, a Ei oqekivane frekvencije (pod pretpostavkom odreene raspodele) u intervalima Ii (i = 1, . . . , k), takvim da je k Ii = R i=1
Nikolaeviq Kolmogorov (1903-1987) - ruski matematiqar (??-??) - ?????? 11 Richard Martin Edler von Mises (1883-1953) - austrijski in e er i matematiqar 12 Theodore Wilbur Anderson (1918-) - ameriqki statistiqar 13 Davis Darling (??-??) - ????? 14 Samuel Shapiro (1930-) - ameriqki statistiqar 15 Martin Bradbury Wilk (1922-) - ameriqki matematiqar
10 ??? 9 Andre i
18
Neprekidne raspodele
i Ii Ij = za i = j . Pretpostav ajui nultu hipotezu da su opservirane i oqekivane frekvencije statistiqki znaqajno ne razlikuju, test statistika ima raspodelu 2 (k p 1), gde je p broj oceenih parametara na osnovu k opserviranih vrednosti.
14.2 Testovi kojima se porede empirijska i teorijska funkcija raspodele
Na osnovu razlike izmeu empirijske funkcije raspodele Fn (prostog sluqajnog uzorka X1 , . . . , Xn ) i teorijske funkcije raspodele F treba testirati nultu hipotezu da obeleje X ima raspodeleu F . U test statistikama se uzimaju neke funkcije razlika Fn (x) F (x) za x R. Na primer, test statistika Kolmogorov evog testa je
Dn = sup |Fn (x) F (x)|,
x
Wn =
15
Pored testova za ispitivae saglasnosti obeleja sa pretpostav enom raspodelom koriste se i grafiqke metode kao xto su dijagram kvantila (Q Q dijagram) i dijagram verovatnoa (P P dijagram) koje se baziraju na statistici poretka X(1) , X(2) , . . . , X(n) . Q Q dijagram je skup taqaka qije su koordinate X(i) , F 1 (pi ) , gde se i i za pi uzima neka od vrednosti i n1/2 , n + 1 , n 3/8 , dok je P P dijagram + 1/4 skup taqaka pi , F (X(i) ) . U sluqaju da su podaci saglasni sa pretpostav enom raspodelom, taqke Q Q dijagrama priblino pripadaju pravoj. Isto vai i za P P dijagram.
OPIS RASPODELA
1
ARKUSSINUS RASPODELA ASS1
(standardna)
1 1 , 1 x2
Gustina
g(x) = 1 < x < 1.
Parametri
Nema parametara.
Grafik gustine
2.5
1.5
0.5
0 1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
22
Arkussinus raspodela
Funkcija raspodele
F (x) = 1 arcsin x, 1 x 1.
Momenti
2k1 = 0, 2k = 2k k 1 2
2k
k N.
Neka svojstva
1. Gustina g je parna funkcija, pri qemu je gmin = g(0) = . 2. Neka je X simetriqna sluqajna promen iva. Tada X ima arkussinus raspodelu ako i samo ako sluqajne promen ive X 2 i (1 + X)/2 imaju istu raspodelu.
1
2
ARKUSSINUS RASPODELA AS1(a)
(jednoparametarska)
|a| 1 4a x
2 2
Gustina
g(x) = , 2 2 <x< . |a| |a|
Parametri
a (a R \ {0}) { parametar lokacije.
Grafik gustine
2.5
a=2
1.5 a=1
1 a=0.8
0.5
0 2.5
1.5
0.5
0.5
1.5
2.5
24
Arkussinus raspodela
Funkcija raspodele
F (x) = 1 |a|x arcsin , 2 2 2 x . |a| |a|
Momenti
2k1 = 0, 2k = 2k 2k b , k k N.
Neka svojstva
Gustina g je parna funkcija, pri qemu je gmin = g(0) =
|a| . 2
3
ARKUSSINUS RASPODELA ASS2
(standardna)
1 1 x(1 x) ,
Gustina
g(x) = 0 < x < 1.
Parametri
Nema parametara.
Grafik gustine
3.5
2.5
1.5
0.5 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
26
Arkussinus raspodela
Funkcija raspodele
F (x) = 2 arcsin x, 0 x 1.
Karakteristiqna funkcija
(t) =
k=0
2k 1 (it)k = M 4k k! k
1 , 1, it , 2
Momenti
mr =
Specijalno,
m1 =
1 , 2
m2 =
Centralni momenti:
2r1 = 0, 2r = (2r)! mr = 2r , r N. r 4 4 (r!)2 1 , 8 3 . 128
Specijalno,
2 = D(X) =
4 =
Neka svojstva
1. Gustina g je parna funkcija, pri qemu je gmin = g(1/2) = . 2. Ako X : ASS2, tada 1 X : ASS2. 3. Ako X : ASS2, tada 4(X 1/2)2 : ASS2.
2
Arkussinus raspodela
27
za k = 1, 2, . . . , n, tada
n 1/n
Xk
k=1
: ASS2.
Primena
Sluqajni procesi (Braunovo kretae).
Napomena
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = sin2 sluqajan 2 broj iz ASS2 raspodele.
4
ARKUSSINUS RASPODELA AS2(a, b)
(dvoparametarska)
1 (x a)(a + b x) ,
Gustina
g(x) = 1 a < x < a + b.
Parametri
a, b (a R, b > 0) { parametri lokacije.
Grafik gustine
2.5
a=1 2
b=2 1.5
b=3
1 b=4
0.5
0 1
0.5
0.5
1.5
2.5
Arkussinus raspodela
29
Funkcija raspodele
F (x) = 2 arcsin xa , b a < x < a + b.
0.9
a=1
0.6
0.5
b=4
0.4
b=3
0.3
0.2
0.1
0 1
0.5
0.5
1.5
2.5
5
BETA RASPODELA B2(a, b)
(dvoparametarska)
1 xa1 (1 x)b1 , B(a, b)
Gustina
g(x) = 0 x 1.
Parametri
a, b (a > 0, b > 0) { parametri oblika.
Grafik gustine
2
0 0 0.5 1
0 0 0.5 1
0 0 0.5 1
Ako je bar jedan od parametara mai od 1, grafik gustine ima odgovarajue vertikalne asimptote.
30
Beta raspodela
31
Sledee dve slike prikazuju kako se mea gustina kad se mea jedan od parametara, dok je drugi fiksiran.
3 b=6 2.5 b=5 b=4 2 b=3 b=1.2 1.5 b=2 b=1.5 1 a=2
0.5
b=2 2.5
0.5
32
Beta raspodela
Sledee dve slike prikazuju kako se mea gustina kada se meaju parametri a i b u sluqaju kad je a = b.
a=b 2.5
6 5 4
3 2 1.5
1.5 1.2
0.5
2.5
a=b
0.5
Beta raspodela
33
1.5
g(x)
0.5
0 3 2.5
3 2.5 2 g(x) 1.5 1 0.5 0 3 b=1 2.5 0.8 2 1.5 0.2 a 1 0 x 0.4 0.6 1
34
Beta raspodela
Funkcija raspodele
F (x) = Bx (a, b) = Ix (a, b), B(a, b)
Karakteristiqna funkcija
(t) = (a + b) (a)
k=0
Generatrisa momenata
k1
M (t) = 1 +
k=1 i=0
tk a+i . a + b + i k!
Momenti
mr = B(a + r, b) a(a + 1) (a + r 1) = , B(a, b) (a + b)(a + b + 1) (a + b + r 1) a , a+b a(a + 1) . (a + b)(a + b + 1) r > 0.
Specijalno,
m1 = m2 =
Centralni momenti:
2 = D(X) = ab , (a + b)2 (a + b + 1) 3 = 2ab(b a) , (a + b)3 (a + b + 1)(a + b + 2)
4 =
Modus i medijana
1. Za a > 1 i b > 1 raspodela ima mod jednak
a1 a1 , a za a < 1 i b < 1 a+b2
ima antimod jednak , dok za a > 1 i b < 1, kao i za a < 1 i a+b1 b > 1, ne postoji ni mod ni antimod. 2. Za medijanu ne postoji jednostavan izraz.
Beta raspodela
35
2 (X) =
Ocene parametara
Ocene po metodi maksimalne verodostojnosti su:
a= 1 1 ((1 X1 )(1 X2 ) (1 Xn )) , 2 1 (X 1X2 Xn )1/n ((1 X1 )(1 X2 ) (1 Xn ))1/n 1 (X1 X2 Xn )1/n 1 , 2 1 (X1 X2 Xn )1/n ((1 X1 )(1 X2 ) (1 Xn ))1/n a(2a 1) , n b(2b 1) , n
1/n
b=
pri qemu je
D(a) D(b) (n )
i za a > 2 i b > 2
(a, b) (a 2)(b 2) , ab (n ).
Neka svojstva
1. Za a = b grafik gustine je simetriqan u odnosu na pravu x = 1/2. 2. Za sve vrednosti parametara je D(X) < 1/4. Specijalno, za a > 1 i b > 1 je D(X) < 1/12, a za a < 1 i b < 1 je D(X) > 1/12. 3. Ako X : B2 (a, b), onda 1 X : B2 (b, a). 4. Beta raspodela je raspodela statistika poretka za uzorak sa uniformnom raspodelom. Ako su 1 , . . . , n nezavisne sluqajne promen ive sa U (0, 1) raspodelom i (1), . . . , (n) statistike poretka, onda (k) ima B2 (k, n k + 1) raspodelu. 5. Ako X : B2 (a + b, c) i Y : B2 (a, b) i ako su X i Y nezavisne, tada XY : B2 (a, b + c).
36
Beta raspodela
1. Beta raspodela je specijalan sluqaj Pirsonove raspodele tipa I . 2. B2 (1, 2) i B2 (2, 1) su trougaone raspodele. 3. B2 (2, 2) je paraboliqka raspodela. 4. B2 (1, 1) = U (0, 1). 5. B2 (1/2, 1/2) = AS2. 6. B2 (a, b) = B4 (a, b, 0, 1). 7. Ako X : B2 (a, b), tada eX ima log-beta raspodelu, odnosno Y ima log-beta raspodelu ako ln Y : B2 (a, b). ima Pirsonovu raspodelu tipa V I ili 8. Ako X : B2 (a, b), tada 1X beta raspodelu druge vrste. 9. B2 (a, 1) je takozvana standardna stepena raspodela.
X
10. Ako X : B2 (1, b), onda ln X : E(1/b). 11. Ako X : B2 (a, 1), onda ln X : E(1/a). 12. B2 (a, a + 1) je uopxtena arkussinus raspodela. 13. Ako X : G1 (a), Y : G1 (b) i ako su X i Y nezavisne, tada
X : B2 (a, b). X +Y
m nX m n , tada Y : B2 , . n n + mX 2 2
Xi
i=1 k
: B2 Xj
1 2
k1
1 ni , nk 2 i=1
j=1
Beta raspodela
37
Primena
Meteorologija, biologija, hidrologija, komunikacije, operaciona istraivaa, klimatologija, Bajesovska statistika, solarno zraqee.
Napomena
Kako postoji veza izmeu beta i gama funkcije, gustina raspodele B2 (a, b) moe da se izrazi i preko gama funkcije na sledei naqin:
g(x) = (a + b) a1 x (1 x)b1 , (a)(b) 0 x 1.
Generisae
Ako je y sluqajan broj iz G(a) i z sluqajan broj iz G(b) raspodele, tada je
y , y+z x= 1 z , y+z ab a<b
6
BETA RASPODELA B4(a, b, c, d)
(qetvoroparametarska)
1 (x c)a1 (d x)b1 , B(a, b) (d c)a+b1
Gustina
g(x) = c x d.
Parametri
a, b (a > 0, b > 0) { parametri oblika, c, d (c, d R, c < d) { najmaa i najvea vrednost sluqajne promen ive.
Grafik gustine
Karakteristiqni sluqajevi su isti kao za B2 (a, b), samo xto je umesto intervala (0, 1) interval (c, d).
c=1, d=4 2 1.5 1 0.5 0 1 2 1.5 1 0.5 0 1 2 1.5 1 0.5 0 1 2 3 4 2 3 4 2 1.5 1 0.5 0 1 2 3 4 2 3 4 2 1.5 1 0.5 0 1 2 3 4 2 1.5 1 0.5 0 1 2 3 4 2 1.5 1 0.5 0 1 2 3 4 2 1.5 1 0.5 0 1 2 3 4 2 1.5 1 0.5 0 1 2 3 4
38
Beta B4 raspodela
39
Momenti
m1 = c + da , a+b D(X) = ab(d c)2 . (a + b)2 (a + b + 1)
Ocene parametara
Metoda maksimalne verodostojnosti
Ako su parametri c i d poznati, ocene a i b parametara a i b metodom maksimalne verodostojnosti dobijaju se iz sistema
(a) (a + b) (b) (a + b) = = 1 n 1 n
n
ln
i=1 n
Xi c dc d Xi , dc
ln
i=1
Metoda momenata
Ocene a i b metodom momenata za nepoznate parametre a i b (pod pretpostavkom da su parametri c i d poznati) dobijaju se iz sistema
M1 c dc 2 Sn (d c)2 = = a a+b a a+b , 1 a a+b 1 a+b+1 .
Neka svojstva
1. Za a > 1 i b > 1 raspodela ima mod jednak
d(a 1) + c(b 1) . a+b2
40
Beta B4 raspodela
X c : B2 (a, b). dc
Primena
Raspodela B4 (a, b, c, d) slui za opisivae raznih pojava koje se karakterixu sluqajnim veliqinama qije su vrednosti u konaqnom intervalu. Na primer, stepen oblaqnosti u meteorologiji.
Napomena
Kako postoji veza izmeu beta i gama funkcije, gustina raspodele B4 (a, b, c, d) moe da se izrazi i preko gama funcije na sledei naqin:
g(x) = (a + b) (x c)a1 (d x)b1 , (a)(b) (d c)a+b1 c x d.
7
BETA PRIM RASPODELA BP (a, b)
(dvoparametarska)
1 xa1 , B(a, b) (1 + x)a+b
Gustina
g(x) = x > 0.
Parametri
a, b (a, b > 0) { parametri oblika.
Grafik gustine
2 1.8
a=1, b=5
a=0.1, b=0.5 1.6 a=0.5, b=0.5 1.4 a=2, b=0.5 a=8, b=5 1 a=1,b=4
1.2
0.8
0.6
0.4
0.2
41
42
Funkcija raspodele
F (x) = Ix/(1+x) (a, b),
Neka svojstva
: G1 (b) i ako su X i Y nezavisne sluqajne X promen ive, tada : BP (a, b). Y X2 Y2 : G1 (1/2) i : G1 (1/2) i ako su X i Y nezavisne sluqajne 2 2 2 X promen ive, tada 2 : BP (1/2, 1/2). Y
4. Ako
Napomena
U literaturi na engleskom jeziku se koriste i nazivi beta distribution of the second kind i inverted beta.
8
BRADFORDOVA RASPODELA BR(a, b, c)
(troparametarska)
Gustina
g(x) = a , a(x b) + (c b) log(a + 1) b < x < c.
Parametri
a (a > 0) { parametar oblika, b, c (b < c) { parametri lokacije.
Grafik gustine
1
0.9
0.6
a=3 a=4
0.5 a=0.5
0.4 a=1
0.3
0.2
b= 1, c=2
0.1 1
43
44
Bradfoedova raspodela
Funkcija raspodele
log 1 + a F (x) = xb cb , log(a + 1) b < x < c.
Momenti
m1 = D(X) = a(c b + log(a + 1)(c(a + 1) c) , a log(a + 1) (c b)2 (a(log(a + 1) 2) + 2 log(a + 1)) . 2a log2 (a + 1)
Modus i medijana
M o(X) = b, M e(X) = 1 (b(a + 1) c + (c b) a + 1). a
Neka svojstva
Q1 =
9
BUROVA RASPODELA BU 2(a)
(tip II , jednoparametarska)
g(x) = aex
a+1 ,
Gustina
(1 + ex ) x R.
Parametri
a (a > 0) { parametar oblika.
Grafik gustine
0.35
0.3
a=2
a=1 0.25
0.2
a=0.5
0.15
0.1
0.05
0 5
45
46
Burova raspodela
Funkcija raspodele
F (x) = 1 + ex
a
x R.
0.9
0.8
0.7
a=0.5
a=1
0.6
0.5
0.4
a=5
0.3
0.2
0.1
0 5
10
BUROVA RASPODELA BU 3(a, b)
Gustina
, x > 0.
Parametri
a, b (a, b > 0) - parametri oblika.
Grafik gustine
3
0.5
0 0 0.5 1 1.5
47
48
Burova raspodela
Funkcija raspodele
F (x) = 1 + xa
b
x > 0.
0.2
0.1
11
BUROVA RASPODELA BU 4(a, b)
(tip IV , dvoparametarska)
ax x
1/a
Gustina
g(x) = b x(x a) 1+ ax x
1/a b1
0 < x < a.
Parametri
a, b (a > 0, b > 0) - parametri oblika.
Grafik gustine
2 1.8
1.6
0.4
0.2
49
50
Burova raspodela
Funkcija raspodele
F (x) = 1+ ax x
1/a b
0 < x < a.
1 b=0.2 0.9
0.8
0.7
0.3
0.2
0.1
12
BUROVA RASPODELA BU 5(a, b)
(tip V , dvoparametarska)
ab etan x 1 + tan2 x (1 +
b+1 aetanx )
Gustina
g(x) = , <x< . 2 2
Parametri
a, b (a R, b > 0) { parametri oblika.
Grafik gustine
2 1.8
1.2
a=10, b=0.5
0.4
0.2
0 2
1.5
0.5
0.5
1.5
51
52
Burova raspodela
Funkcija raspodele
F (x) = 1 + ae tan x
b
<x< . 2 2
0.7
0.6
0.5
a=1, b=0.5
0.4
0.3
0 2
1.5
0.5
0.5
1.5
13
BUROVA RASPODELA BU 6(a, b)
(tip V I , dvoparametarska)
b1
Gustina
g(x) = ab2 ch xeb sh x 1 + aeb sh x , x R.
Parametri
a, b (a > 0, b > 0) { parametri oblika.
Grafik gustine
0.45
0.15
0.1
0.05
0 6
53
54
Burova raspodela
Funkcija raspodele
F (x) = 1 + aeb sh x
b
x R.
0.7
0.6
0.1
0 5
14
BUROVA RASPODELA BU 7(a)
(tip V II , jednoparametarska)
1 1 + tanh x 2 2
a
Gustina
g(x) = a (tanh x 1) , x R.
Parametri
a (a > 0) - parametar oblika.
Grafik gustine
0.7
0.3 a=0.5
0.2
0.1
0 5
55
56
Burova raspodela
Funkcija raspodele
F (x) = 2a (1 + tanh x) ,
a
x R.
0.9
0.3
0.2
a=5
0.1
0 5
15
BUROVA RASPODELA BU 8(a)
Gustina
g(x) = aex a1 (arctan ex ) , 1 + e2x x R.
Parametri
a (a > 0) { parametar oblika.
Grafik gustine
0.4
a=1 0.3
0.25
a=0.5 0.2
0.15
0.1
0.05
0 5
57
58
Burova raspodela
Funkcija raspodele
F (x) = 2 arctan ex
a
x R.
0.9
0.3
0 5
16
BUROVA RASPODELA BU 9(a, b)
(tip IX , dvoparametarska)
(1 + ex )
b1 2,
Gustina
g(x) = 2abex (a(1 + ex )b a + 2) x R.
Parametri
a, b (a > 0, b > 0) { parametri oblika.
Grafik gustine
0.25
0.1
0.05
0 4
59
60
Burova raspodela
Funkcija raspodele
F (x) = 1 2 , a ((1 + ex )b 1) + 2 x R.
0.9
0.6
0.5
a=15, b=0.1
0 5
17
BUROVA RASPODELA BU 10(a)
(tip X , jednoparametarska)
g(x) = 2axex
2
Gustina
1 ex
2
a1
x > 0.
Parametri
a (a > 0) { parametar oblika.
Grafik gustine
1.4
0.8
0.6
0.4
0.2
61
62
Burova raspodela
Funkcija raspodele
F (x) = 1 ex
2
x > 0.
0.7
0.6
a=1
a=2
0.5
0.4
0.3
0.2
a=5
0.1
18
BUROVA RASPODELA BU 11(a)
(tip XI , jednoparametarska)
1 sin 2x 2
a1
Gustina
g(x) = a(1 cos 2x) x , 0 < x < 1.
Parametri
a (a > 0) { parametar oblika.
Grafik gustine
4
3.5
a=5
a=0.5
1.5
0.5
63
64
Burova raspodela
Funkcija raspodele
F (x) = x 1 sin 2x 2
a
0 < x < 1.
0.9
0.8
a=1
0.7
0.6
a=2
0.3
19
BUROVA RASPODELA BU 12(a, b)
Gustina
, x > 0.
Parametri
a, b (a > 0, b > 0) { parametri oblika.
Grafik gustine
1 0.9
0.8
0.4
0.3
0.2
0.1
65
66
Burova raspodela
Funkcija raspodele
F (x) = 1 (1 + xa )
b
x > 0.
0.9
a=15, b=0.1
0.7
0.6
0.5
Ocene parametara
Ako je parametar a poznat, ocena b parametra b metodom maksimalne verodostojnosti data je sa
b= n
n
.
a Xk )
ln(1 +
k=1
20
VEJBULOVA RASPODELA W1(a)
(jednoparametarska)
Gustina
g(x) = axa1 exp {xa } , x > 0.
Parametri
a (a > 0) { parametar oblika.
Grafik gustine
2 1.8
1.2
a=0.1
0.8
67
68
Vejbulova raspodela
Funkcija raspodele
F (x) = 1 exp {xa } , x > 0.
Momenti
mr = 1 + r , a r > 0. 2 a 4 a
Specijalno,
m1 = 1 + m3 = 1 +
1 a 3 a
, ,
m2 = 1 + m4 = 1 +
, .
Centralni momenti
2 = D(X) = 1 + 3 a 3 1 + 1+ 2 a 2 a 2 1 + 1 a 1 a , 1 a
3 = 1 + 4 = 1 +
1+
23 1 + 2 1 +
, .
3 4 4 1 + a a
1 2 +6 1 + a a
1 1 34 1 + a a
Modus i medijana
M o(X) = a1 a 0,
1/a
a>1 0<a1
Funkcija verodostojnosti
n
a Xi
ln L = n ln a + (a 1)
k=1
ln Xk
k=1
a Xk .
Ocene parametara
Metoda maksimalne verodostojnosti
Kako je
n ln L = + da a
n n
log Xk
k=1 k=1
a Xk ln Xk ,
Vejbulova raspodela
69
1 1 = a n
ln Xk .
k=1
Metoda momenata
Ocena a parametra a, po metodi momenata, dobija se iz M1 = m1 , odnosno iz jednaqine
1+ 1 a =X
Neka svojstva
1. Koeficijent varijacije je Cv =
G 1+
2 a
G2 1 +
1 a
1 a
G 1+
2. Za a > 3.6 raspodela je pozitivno asimetriqna, a za a < 3.6 negativno asimetriqna. 3. Za a = 3.6 raspodela je priblino normalna ( 1 (X) = 0). 4. Za velike vrednosti parametra a (a > 100) raspodela je priblino simetriqna ( 1 (X) 0 (a )). 5. Za a = 2.25 i za a = 5.83 sp oxtenost raspodele je sliqna sp oxtenosti normalne raspodele ( 2 (X) = 0). 6. Ako su X1 , X1 , . . . , Xn nezavisne sluqajne promen ive i Xi : W1 (a), tada Xmin : W1 (an1/n ).
70
Vejbulova raspodela
Napomene
1. Raspodela nosi naziv po xvedskom ineeru i fiziqaru Vejbulu (Waloddi Weibull, 1887-1979). 2. Za raspodelu se koristi i naziv Frexeova, po francuskom matematiqaru (Rene-Maurice Frechet, 1878-1973), kao i Gnedenko-Vejbulova (Boris Vladimiroviq Gnedenko, 1912-1995 je ruski matematiqar).
21
VEJBULOVA RASPODELA W2(a, b)
(dvoparametarska)
a b x b
a1
Gustina
g(x) = exp x b
a
x > 0.
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
1.5
b=2 a=0.1
1 a=0.5
a=2
a=1
0.5
a=5
71
72
Vejbulova raspodela
Funkcija raspodele
F (x) = 1 exp x b
a
x > 0.
Entropija
H(X) = b 1 1 a + b a
a
+ ln
b a
Momenti
mr = b r 1 + r , a r > 0. 2 a 1 a
Specijalno,
m1 = b 1 + 1 a , m2 = b2 1 + 2 a 2 1 + , .
2 = D(X) = b2 1 +
Modus i medijana
M o(X) = b a1 a 0,
1/a
a>1 0<a1
b3 3m1 2 m3 1 , 3
3 4 41 3 m1 6 2 m2 m4 1 1 , 4
gde je 2 = 2 .
Funkcija verodostojnosti
L= an (X1 X2 Xn )a1 exp bna i=1
n
Xi b
Vejbulova raspodela
n
73
ln L = n ln a na ln b + (a 1)
k=1
ln Xk
1 ba
n a Xk . k=1
Ocene parametara
Metoda maksimalne verodostojnosti
Ocene a i b nepoznatih parametara a i b dobijaju se iz sistema
b 1 a = = 1 n 1 n
n a Xk k=1 n 1/a
,
n a k=1 Xk ln Xk . n a k=1 Xk
ln(Xk ) +
k=1
Pri tome je
D(a) 0.608 2 a , n D(b)
1.109 b2 2. n a
Metoda momenata
Ocena a za parametar a moe da se dobije iz izraza za koeficijent varijacije, a ocena b parametra b iz izraza za prvi momenat. U tom sluqaju a je rexee jednaqine
Xn a + 2 a 2 1 + 1 a = 1+ 1 a Sn ,
a bje dato sa b =
Xn . (1 + 1/a)
Neka svojstva
1. Koeficijent varijacije je Cv =
G 1+
2 a
G2 1 +
1 a
1 a
G 1+
2. Za a > 3.6 raspodela je pozitivno asimetriqna, a za a < 3.6 negativno asimetriqna. 3. Za a = 3.6 raspodela je priblino normalna ( 1 (X) = 0). 4. Za velike vrednosti parametra a (a > 100) raspodela je priblino simetriqna ( 1 (X) 0 (a )). 5. Za a = 2.25 i za a = 5.83 sp oxtenost raspodele je sliqna sp oxtenosti normalne raspodele ( 2 (X) = 0). 6. Ako su X1 , X1 , . . . , Xn nezavisne sluqajne promen ive i Xi : W2 (a, b), tada Xmin : W2 (an1/n , b).
74
Vejbulova raspodela
7. Za a < 1 raspodela ima mod u x = 0, za a > 1 ima mod u x = (11/a)1/a , a za a = 1 raspodela je eksponencijalna.
Primena
Meteorologija, teorija pouzdanosti, beiqna komumnikacija, meteorologija (na primer, brzina vetra)
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = b( ln u)1/a sluqajan broj iz W2 (a, b) raspodele.
22
VEJBULOVA RASPODELA W3(a, b, c)
(troparametarska)
xc b
a1
Gustina
g(x) = a b exp xc b
a
x > c.
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa, c (c R) { parametar lokacije.
Grafik gustine
1.5
b=2, c=1
a=0.1 1
a=0.5
a=12
0 0.5
1.5
2.5
3.5
75
76
Vejbulova raspodela
Funkcija raspodele
F (x) = 1 exp xc b
a
x > c.
Momenti
r
mr =
j=1
r j rj j b c 1+ a j
r > 0.
Centralni momenti
2 = D(X) = b2 1 + 3 = b3 1 + 3 a 3 1 + 2 a 2 a 2 1 + 1 a 1 a , 1 a
G 1+
23 1 +
3 1 4 4 1 + 1+ a a a 2 1 1 + 6 1 + 2 1 + 34 1 + a a a a4 1 +
Modus i medijana
M o(X) = c+b c, a1 a
1/a
a>1 0<a1
3 1 + 1+
2 a
1 a
1+
1 a
2 a
+ 1+
3/2
3 a
2 1 +
2 (X) =
34 1 +
1 a
+ 62 1 +
1 a
1+
1 a
2 a
4 1 +
2 a
2 1 +
1+
1 a 2
1+
3 a
+ 1+
4 a
Vejbulova raspodela
77
Funkcija verodostojnosti
L= an bna
n n
Xk c b
n
, Xk c b
a
ln L = n ln a na ln b + (a 1)
k=1
ln(Xk c)
k=1
Ocene parametara
Metoda maksimalne verodostojnosti
Kako je
ln L a ln L b ln L c = = = n n ln b a an a a+1 b b
n n n
ln(Xk c)
k=1 k=1
Xk c b
ln
Xk c , b
k = 1n (Xk c)a , 1 1 + Xk c b
n
(a 1)
k=1
k=1
Xk c b
1 n
1/a
(Xk c)
k=1
, 1 n
n
= =
ln b
1 n
ln(Xk c) +
k=1 n
X c b
ln
X c b
k=1
a
k=1
(Xk c)a1
ba (a 1)
k=1
1 . Xk c
U sluqaju kada je parametar c poznat promen iva Y = X c ima dvoparametarsku Vejbulovu raspodelu, pa umesto X1 , X2 , . . . , Xn moe da se uzme uzorak Y1 , Y2 , . . . , Yn . Tada je
n
L(Y1 , . . . , Yn ; a, b) =
k=1
a b
Yk b
a1
exp
Yk b
Yia
k=1 n
,
n a k=1 Yk ln Yk . n a k=1 Yk
ln Yk +
k=1
78
Vejbulova raspodela
Metoda momenata
Ako je parametar c poznat, ocene za parametre a i b dobijamo na osnovu uzorka Y1 , . . . Yn kao u sluqaju raspodele W2 (a, b). Ako parametar c nije poznat, onda ocena a parametra a moe da se dobije iz izraza za 3 / 3 , a ocene b i c parametara b i c su tada date sa
b= 1+ Sn
2 a
1+
1 a
1/2
c = X n b 1 +
1 a
Neka svojstva
1. Kvartili raspodele su
Q1 = c + b ln 4 3
1/a
Q3 = c + b(log 4)1/a .
2. Koeficijent varijacije je Cv =
G 1+
2 a
G2 1 +
1 a
1 a
c + bG 1 +
3. Za a > 3.6 raspodela je pozitivno asimetriqna, a za a < 3.6 negativno asimetriqna. 4. Za a = 3.6 raspodela je priblino normalna ( 1 (X) = 0). 5. Za velike vrednosti parametra a (a > 100) raspodela je priblino simetriqna ( 1 (X) 0 (a )). 6. Za a = 2.25 i za a = 5, 83 sp oxtenost raspodele je sliqna sp oxtenosti normalne raspodele ( 2 (X) = 0). 7. Ako X : W3 (a, b, c), onda X c : W3 (a, b, 0). 8. Ako su X1 , X1 , . . . , Xn nezavisne sluqajne promen ive i Xi : W3 (a, b, c), tada Xmin : W3 (an1/n , b, c).
Vejbulova raspodela
79
8. W3 (2, 2, c) = R2 (c, ). 9. W (2, 2, 0) = R1 (). 10. Ako X : W (a, b, c), tada standardizovana sluqajna promen iva za a [2, 6] ima priblino raspodelu N (0, 1).
X E(X)
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = c + b( ln u)1/a sluqajan broj iz W3 (a, b, c).
23
VEJBULOVA RASPODELA W4(a, b, c, d)
(qetvoroparametarska)
xc b
a
Gustina
g(x) = a (x c)ad1 exp bad (d) , x > c.
Parametri
a, d (a, d > 0) { parametri oblika, b (b > 0) { parametar skaliraa, c (c > 0) { parametar lokacije.
Grafik gustine
1.5
a=5 1 a=0.5
a=5
a=2 0.5
a=2
80
Vejbulova raspodela
81
Funkcija raspodele
F (x) = 1 d, (d) xc b
a
x c,
Momenti
mr =
k=0
r k rk (d + r/a) , b c (d) k
r > 0.
Specijalno,
m1 = c + b
1 d+ a , (d)
m2 = c2 + 2bc
1 2 d+ a d+ a + b2 , (d) (d)
m3 = c3 + 3bc2
: G1 (d) i obrnuto.
Napomena
Raspodela je poznata i kao uopxtena Gama raspodela.
24
VEJBULOVA RASPODELA W N (a, b, c)
(negativna, troparametarska)
a b cx a
a1
Gustina
g(x) = exp cx b
a
x < c.
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa, c (c R) { parametar lokacije.
Grafik gustine
1.5
b=2, c=1
a=0.1 1
a=2 a=0.5
0 2
1.5
0.5
0.5
1.5
82
25
VEJBULOVA RASPODELA W D(a, b, c)
(dvostrana, troparametarska)
a xc 2b b
a1
Gustina
g(x) = exp xc b
a
x R.
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa, c (c > 0) { parametar lokacije.
Grafik gustine
1 0.9
b=2, c=1
a=10
0.6
0.5
0.4
a=5 a=1
0.3
a=2
0.2
0.1
0 2
83
26
VEJBULOVA RASPODELA W E(a, b, c)
(eksponencijalna, troparametarska)
b exp {bx} , 0 < x < c, b + aba (x c)a1 exp {bx (b(x c))a } ,
Gustina
g(x) = xc .
Parametri
a (a 1) { parametar oblika, b (b 0) { parametar skaliraa, c (c 0) { parametar lokacije.
Grafik gustine
1.4
c=1 1.2
a=2, b=1
a=20, b=1
0.4
84
85
Funkcija raspodele
F (x) = 1 exp{bx}, 1 exp {bx (b(x c))a } , x<c xc .
0.9
a=5
0.7
0.6
0.5
b=1 c=1
0.4
0.3 0.5
1.5
2.5
27
VEJBULOVA RASPODELA W U (a, b, c)
(uopxtena troparametarska)
x b
a1
Gustina
g(x) = ca exp x b
a
+ cb 1 e(x/b)
x > 0.
Parametri
a, c (a, c > 0) { parametri oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
2.5
b=0.5 2
a=c=1
a=c=2
b=1 1
b=2 b=2
0.5 b=5
b=5
86
87
Funkcija raspodele
F (x) = 1 exp cb 1 e(x/b)
a
x > 0.
0.9
0.8
0.7
0.6
b=5
0.5
0.4
28
VEJBULOVA RASPODELA W EX(a, b, c)
(eksponencijalizovana, troparametarska)
ac x 1 exp b b
a c1
Gustina
g(x) = x b
a1
exp
x b
x > 0.
Parametri
a, c (a, c > 0) { parametri oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
1.5
b=2
c=1 c=2
a=5 1 a=5
a=1 0.5
a=2 a=2
88
29
VEJBULOVA RASPODELA W M (a, b, c)
(modifikovana, troparametarska)
g(x) = b((a + cx)xa1 exp {cx bxa ecx } , x > 0.
Gustina Parametri
a (a > 0) { parametar oblika, b, c (b > 0, c 0) { parametri skaliraa.
Grafik gustine
4
3.5 c=5
a=2 b=1
2.5 c=2 2
1.5
c=1
1 c=0
0.5
89
30
VEJBULOVA RASPODELA W Z(a, b, c, .)
Gustina
g(x) = xc b
a1
exp
xc b
, < x < .
Parametri
a (a > 0) - parametar oblika, b (b > 0) - parametar skaliraa, c, , (c < ) - parametri lokacije.
Grafik gustine
1.5
a=8
a=0.1 1
a=5 a=1
0.5
a=2
90
31
exp
xc b
c b
x > .
Parametri
a (a > 0) - parametar oblika, b (b > 0) - parametar skaliraa, c, (c ) - parametri lokacije.
Grafik gustine
1.5
a=8 1
a=1
91
32
xc b
a1
exp
xc b
c < x < .
Parametri
a (a > 0) {parametar oblika, b (b > 0) { parametar skaliraa, c, (c < ) { parametri lokacije.
Grafik gustine
1.5
a=1 a=2
a=5
0.5
92
33
GAMA RASPODELA G1(a)
(jednoparametarska)
g(x) = xa1 ex , (a) x 0.
Gustina Parametri
a (a > 0) - parametar oblika.
Grafik gustine
0.4
a=2
0.1
0 0 2 4 6 8 10
93
94
Gama raspodela
Momenti
mr = (a + r) , (a) r > 0.
Specijalno,
m1 = a, m2 = a(a + 1), m3 = a(a + 1)(a + 2), m4 = a(a + 1)(a + 2)(a + 3), 2 = D(X) = a, 3 = 2a, 4 = 3a2 + 6a.
Ocene parametara
Metoda maksimalne verodostojnosti
Ocena a za nepoznati parametar a je rexee jednaqine
(a) = 1 n
n
ln Xk ,
k=1
Metoda momenata
Neka svojstva
1. Koeficijent varijacije je CV (X) = . 2. Ako X : G1 (a), Y : G1 (b) i ako su X i Y nezavisne sluqajne promen ive, tada X + Y : G1 (a + b).
1 a
Gama raspodela
95
X + Y : G2 (a, b),
5. Ako X : G1 (a) i Y G1 (a + 1/2) i ako su X i Y nezavisne sluqajne : promen ive, tada 2 XY : G1 (2a). 6. Ako su X1 , X2 , . . . , Xn sa U (0, 1) raspodelama nezavisne i ako je
Y = ln(X1 X2 Xn ) = ln 1 1 1 + ln + . . . + ln , X1 X2 Xn
tada Y : G1 (n).
34
GAMA RASPODELA G2(a, b)
(dvoparametarska)
1 b(a) x b
a1
Gustina
g(x) = ex/b , x 0.
Parametri
a (a > 0) - parametar oblika, b (b > 0) - parametar skaliraa.
Grafik gustine
0.2 0.15 0.1
0.05 0
4 3 a=0.5, b=0.8 2
0.2 0.1 0 0 2 4 6 1 0 0 1 2 3
96
Gama raspodela
97
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je fiksiran prvi parametar, a = 2, dok se drugi parametar mea u intervalu [0.5, 3].
0.8
0.7
b=0.5 b=0.6
a=2, b [0.5,3]
0.6
0.5
0.4
0.3
0.2
0.1 b=3 0 0 2 4 6 8 10
Sledea slika prikazuje grafike gustina u sluqaju kad je fiksiran drugi parametar, dok se prvi parametar mea.
0.5 0.45 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 0 0.5 1 1.5 2 2.5 3 3.5 4 a=3 a=1 a=1.1 a [1,3], b=2
98
Gama raspodela
Funkcija raspodele
F (x) = 1 x a, , (a) b x 0,
Entropija
(t) =
1 . (1 bt)a
1 , (1 bt)a
t<
1 . b
Momenti
mr = b r (a + r) , (a) r > 0.
Specijalno,
m1 = ab, m2 = a(a + 1)b2 , m3 = a(a + 1)(a + 2)b3 ,
Centralni momenti
2 = D(X) = ab2 , 3 = 2ab3 , 4 = (3a2 + 6a)b4 .
Gama raspodela
99
Funkcija verodostojnosti
L= 1 ba (a)
n
=1
n Xi
ln L = (a 1)
i=1
ln Xi
i=1
Xi na ln b n ln (a). b
Ocene parametara
Metoda maksimalne verodostojnosti
Ocene a i b nepoznatih parametara a i b su rexea sistema jednaqina
ab = X, (a) + ln b = 1 n
n
ln Xk ,
k=1
Metoda momenata
b=
S2 X
3.
Neka svojstva
1. Koeficijent varijacije je CV = . 2. Ako X : G2 (a, b), tada cX : G2 (a, cb). 3. Ako X : G2 (a, b), tada
1 : G2 (a, 1/b). X 1 a
100
Gama raspodela
4. G2 (a, b) = G3 (a, b, 0) = G4 (a, b, 0, 1). 5. 2 (n) = G2 (n/2, 2). 6. M AX(b) = G2 (3/2, b). 7. Ako X, Y : G2 (a, b) i ako su X i Y nezavisne, tada
X : B2 (a, b). X +Y
Generisae
Ako su u1 , . . . , un nezavisni sluqajni brojevi iz U (0, 1) raspodele, tada
n
je x =
i=1
raspodele. Generisae sluqajnog broja iz G(a, b) u sluqaju kad a nije ceo broj je komplikovanije i moe se dobiti primenom Nojmanove netode.
35
GAMA RASPODELA G3(a, b, c)
(troparametarska)
xc b
a1
Gustina
g(x) = 1 b(a) exp xc b , x > c.
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa, c (c R) - parametar lokacije.
Grafik gustine
0.2
4 c=2 c=2 3
0.15
a=0.5, b=2
0 2
0 2
4 c=2 3
0.3 0.2
a=2, b=0.8 2
a=0.5, b=0.8
1 0.1 0 2 0 2
101
102
Gama raspodela
Funkcija raspodele
F (x) = a, xc b (a).
Specijalno za a N je
F (x) = 1 exp xc b
a1
k=0
1 k!
xc b
x > c.
Karakteristiqna funkcija
(t) = eict (1 ibt)a .
Momenti
r
mr =
k=0
r k rk (a + k) , b c (a) k
r > 0.
Specijalno,
m1 = ab + c,
Centralni momenti
2 = D = ab2 , 3 = 2ab3 , 4 = (3a2 + 6a)b4 .
Modus i medijana
M o(X) = c + b(a 1), c, a1 a < 1,
Funkcija verodostojnosti
L=
n a1 k=1 (Xk c) ban n (a)
exp
1 b
(Xk c) ,
k=1
Gama raspodela
n
103
ln L = (a 1)
k=1
ln(Xk c)
nX + c an ln b n ln (a), b
ln L a ln L b ln L c
=
k=1
ln(Xk c) n ln b nd(a), an n (X c) , b2 b n 1 1 (a 1) + . Xk c b
k=1
= =
Ocene parametara
Metoda maksimalne verodostojnosti
Ocene a, b i c nepoznatih parametara a, b i c su rexea sistema jednaqina
ab + c = 1 n
n
X, 1 (a 1)b 1 n
n
k=1
1 Xk c (a) + ln b
ln(Xk c).
k=1
Za vrednosti a bliske 1 i/ili za vrednosti b bliske 0 nije preporuq ivo koristiti navedeni sistem. Specijalno: { Ako su a i b poznati, onda je c = X ab, ako su a i c poznati, onda je
b= X c X c , a ako su b i c poznati, onda je a = . a b
1 , Xk c
pri qemu je
D(b) b2 , n D(c) a(a 1)b2 , 2n (b, c) a+1 , a+3 (n ).
104
Gama raspodela
k=1
1 , Xk c
1 ln b + d(a) = n
ln(Xk c).
k=1
Metoda momenata
Ocene a, b i c za a, b i c, po metodi momenata, date su sa
a= 4 2, 1 b= C3 , 2C2 c=X
2 2C2 , C3
gde je
C2 = 1 n
(Xk X)2 ,
k=1
C3 =
1 n
(Xk X)3 .
k=1
pri qemu je
D(b) (a + 3)b2 , 2an D(c) a(a + 3)b2 , 2n (b, c) a+1 , a+3 (n ).
c=X
2 Sn . b
Gama raspodela
105
3. G3 (1, b, c) = E2 (b, c). 4. G3 (a, 1, 0) = G1 (a). 5. G3 (n, 1, 0) = ER1 (n), n N . 6. G3 (a, b, 0) = G2 (a, b). 7. G3 (a, b, 0) = G4 (a, b, 0, 1). 8. G3 (a, b, c) = G4 (a, b, c, 1).
Primena
Finansije, hidrologija, meteorologija, ekonomija.
Napomena
36
GAMA ZASEQENA RASPODELA GZ1(a)
Gustina Parametri
a (a > 0) { parametar oblika.
Grafik gustine
a=2 0.4
a=3
0.3
0.2
0.1
106
37
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
0.3
0.2
0.1
107
38
GILBRATOVA RASPODELA GL
Gustina
1 g(x) = x 2 ln2 x 2 , e
x > 0.
Parametri
Nema parametara.
Grafik gustine
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0 0 1 2 3 4 5
108
Gilbratova raspodela
109
Funkcija raspodele
F (x) = 1 1 + P 2 2 1 ln2 x , 2 2 , x > 0.
Momenti
mr = er
2
/2
r N.
39
GUMBELOVA RASPODELA GU
(standardna)
Gustina
x g(x) = ex e ,
x R.
Parametri
Nema parametara.
Grafik gustine
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 2
110
Gumbelova raspodela
111
Funkcija raspodele
x F (x) = ee ,
x R.
Momenti
m1 = , m2 = 2 + 2 , 6 m3 = 3 + 2 +2(3), 2 m4 = 4 + 2 2 + 3 4 +8(3), 20
Centralni momenti
2 = 2 , 6 3 = 2(3), 4 = 3 4 , 20 5 = 10 2 (3) + 24(5).. 3
Primena
Ekstremne vrednosti sluqajnih nizova, hidrologija, meteorologija.
Napomene
1. Raspodela je dobila ime po nemaqkom statistiqaru Gumbelu ( Emil Julius Gumbel, 1891-1966)). 2. Koristi se i naziv dvostruko eksponencijalna raspodela .
40
GUMBELOVA RASPODELA GU N
(negativna, standardna)
g(x) = exe ,
x
Gustina
x R.
Parametri
Nema parametara.
Grafik gustine
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 5
112
41
GUMBELOVA RASPODELA GU 1(a)
(jednoparametarska)
ax g(x) = aeax e ,
Gustina
x R.
Parametri
a (a > 0) { parametar oblika.
Grafik gustine
1 0.9 0.8
a=0.4
a=0.5 0.7 0.6 0.5 a=0.8 0.4 a=1 0.3 0.2 0.1 0 5 a=2 a=0.6
113
114
Gumbelova raspodela
Funkcija raspodele
ax F (x) = ee ,
x R.
Karakteristiqna funkcija
(t) = 1 it a .
Neka svojstva
1. Za gustinu i funkciju raspodele vai jednakost
ln g(x) ln F (x) + ax = 0.
Napomena
Gumbelova raspodela je poznata i kao dvostruko eksponencijalna, kao raspodela ekstremnih vrednosti tipa I i kao Fixer-Tipetova raspodela.
42
GUMBELOVA RASPODELA GU 2(a, b)
(dvoparametarska)
Gustina
a(xb) g(x) = aea(x b) e ,
x R.
Parametri
a (a > 0) - parametar skaliraa, b (b R) - parametar lokacije.
Grafik gustine
0.5 0.45
a=0.8, b=1 0.4 a=0.8, b=2 0.35 a=1, b=0 0.3 0.25 0.2 0.15 0.1 0.05 0 6
115
116
Gumbelova raspodela
Funkcija raspodele
a(xb) F (x) = ee ,
x R.
Entropija
H(X) = ln a + + 1,
Karakteristiqna funkcija
(t) = 1 it a eibt .
Generatrisa momenata
M (t) = 1 t a ebt .
Momenti
1 m1 = b + , a D(X) = 2 . 6a2
Modus i medijana
M o(X) = b, M e(X) = b 1 ln(ln 2). a
Ocene parametara
n
1 a
eaXi = 0,
i=1
b=
1 1 ln n ln eaXi . a a i=1
Gumbelova raspodela
117
Metoda momenata
Ocene a i b za a i b, po metodi momenata, date su sa
a= , Sn 6 b=X 6 Sn ,
Neka svojstva
Primena
Hidrologija, ekonomija, meteorologija.
Napomene
1. GU (a, b) spada u klasu raspodela ekstremnih vrednosti. 2. Raspodela je poznata i kao Log Vejbulova , Gompercova (Gompertz) i FixerTipetova ( Fisher-Tippett) raspodela. 3. Gustina raspodele moe da se parametrizuje i sa
a x a x 1 b g(x) = exp . e b b
43
GUMBELOVA RASPODELA GU 2Z(a, b)
Gustina
x 0.
Parametri
a (a > 0) - parametar skaliraa, b (b R) - parametar lokacije.
Grafik gustine
2 1.8
a=0.5, b=1 1.6 a=0.5, b=0.2 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 0.5 1 1.5 2 2.5 3 a=0.5, b=0
a=0.5, b=1
118
44
EKSPONENCIJALNA RASPODELA E
(standardna)
Gustina
g(x) = ex , x R.
Parametri
Nema parametara.
Grafik gustine
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
119
120
Eksponencijalna raspodela
Funkcija raspodele
F (x) = 1 ex , x R.
Karakteristiqna funkcija
(t) = 1 . 1 it
Momenti
mr = r!, r N.
45
EKSPONENCIJALNA RASPODELA E1()
(jednoparametarska)
x 1 , g(x) = e x0
Gustina Parametri
( > 0) { parametar skaliraa.
Grafik gustine
2 1.8
1.6
1.4
=0.5
1.2 =1 1
0.8
0.6
0.4
0.2
=2
121
122
Eksponencijalna raspodela
Funkcija raspodele
F (x) = 1 ex/ , x 0.
Entropija
H(x) = 1 + ln .
U skupu sluqajnih promen ivih qije su gustine jednake nuli za x < 0 i pozitivne za x 0 i koje imaju oqekivae , najveu entropiju imaju one sa raspodelom E1 ().
(t) =
1 . 1 it
mr = r r!,
r N.
Specijalno,
m1 = , m2 = 22 , m3 = 63 , m4 = 244 .
kao i
r = mr
(1)k . k!
Specijalno,
2 = D(X) = 2 , 3 = 23 , 4 = 94 , 5 = 445 ,
mr e .
6 = 2656 ,
7 = 18547 .
Za velike vrednosti r je r
Modus i medijana
M o(X) = 0,
M e(X) = ln 2.
Eksponencijalna raspodela
123
Funkcija verodostojnosti
L() = 1 1 exp n
n
Xi
i=1
Ocene parametara
Metoda maksimalne verodostojnosti
Kako je
1 ln L() = n ln d
n
Xi ,
i=1
Metoda momenata
Ocena je ista kao ona koja se dobija metodom maksimalne verodostojnosti, pri qemu je
E() = , D() = 2 , n
Neka svojstva
1. Koeficijent varijacije je CV (X) = 1. 2. Ako X : E1 (1), tada X : E1 (). 3. Ako Xi : E1 (i ) za i = 1, . . . , n i ako su X1 , . . . , Xn nezavisne sluqajne promen ive, tada
min{X1 , X2 , . . . , Xn } : E1 (1 + 2 + + n ).
Ovo svojstvo se zove nedostatak memorije i ono je karakteristiqno samo za eksponencijalnu raspodelu.
124
Eksponencijalna raspodela
3. E1 (1) = E . 4. Ako X : E1 (), tada eX/ : U (0, 1). 5. Ako (X c)h : E1 (), tada X : W3 (, c, h). 6. Ako X : E1 (), tada
2X/ : R1 (1/).
n i=1
7. Ako su X1 , . . . Xn nezavisne i Xi : E1 (), tada 8. Ako X : E1 (), tada a b ln(X/) : GU 2(a, b).
Xi : G2 (n, ).
Primena
Biologija, fizika, sistemi masovnog opsluivaa, elektrotehnika, meteorologija, hidrologija,teorija pouzdanosti.
Napomena
gde je > 0.
46
EKSPONENCIJALNA RASPODELA E2(, c)
(dvoparametarska)
xc 1 , g(x) = e x c.
Gustina Parametri
( > 0) { parametar skaliraa, c (c R) { parametar lokacije.
Grafik gustine
1 0.9
=1
0.8
0.7
0.6
c=1
0.5
0.2
0.1
125
126
Eksponencijalna raspodela
Funkcija raspodele
F (x) = 1 exp xc , x c.
Entropija
H(x) = 1 + ln .
Karakteristiqna funkcija
(t) = eict . 1 it
Momenti
Za momente vai
r
mr = cr + rmr1 = r!
i=0
i cri , (r i)!
r N.
Specijalno,
m1 = c + , m2 = (c + )2 + 2 , m3 = c3 + 3c2 + 6c2 + 63 ,
r = rr1 + (1)r r = r r!
i=0
(1)r , r!
r N.
Specijalno,
2 = D(X) = 2 ,
3 = 23 ,
4 = 94 .
Modus i medijana
M o(X) = c, M e(X) = c + ln 2.
Eksponencijalna raspodela
127
Ocene parametara
Metoda maksimalne verodostojnosti
Ako je parametar c poznat, ocena za po metodi maksimalne verodostojnosti je
= X n c,
pri qemu je E() = (nepristrasnost) i D() = 2 /n 0 kad n (stabilnost). Ako je parametar poznat, ocena za c po metodi maksimalne verodostojnosti je c = Xmin . Ocene oba parametra po metodi maksimalne verodostojnosti su
c = Xmin , = X Xmin .
D() = 2
Metoda momenata
Ako je parametar c poznat, ocena za po metodi momenata je = X c. Ona je nepristrasna i stabilna, jer je E() = , D() = 2 . n
Sliqno, ako je parametar poznat, ocena c = X , po metodi momenata, je takoe nepristrasna i stabilna jer je
E() = c, c D() = c 2 . n
(Xk X)2 .
1
128
Eksponencijalna raspodela
cov(c , ) =
2 , n(n 1)
1 (c , ) = . n
Primena
Biologija, fizika, teorija pouzdanosti, sistemi masovnog opsluivaa, meteorologija, hidrologija, elektrotehnika, teorija pouzdanosti, psihologija.
Generisae
47
EKSPONENCIJALNA RASPODELA EZ(, T )
(zaseqena na [0, T ])
T / 1
Gustina
g(x) = 1 e x 1 , e 0 x T.
Parametri
( > 0) { parametar skaliraa, T (T > 0) { parametar lokacije.
Grafik gustine
1.6
0.8
0.6 T=2
129
130
Eksponencijalna raspodela
Momenti
E(X) = T eT / 1 , D(X) = 2 T 2 eT / . (eT / 1)2
Ocene parametara
Ocena po metodi maksimalne verodostojnosti za se dobija rexavaem jednaqine
=X+ T eT / 1 .
Napomena
Parametar T se obiqno bira tako da vai P (0 X T ) = , gde je dato, na primer = 0.95 ili = 0.99.
48
EKSPONENCIJALNA RASPODELA ES(a, b, c)
Gustina
(stepena, troparametarska)
1 2a1/a b 1 + 1 a exp 1 |x c|a , aba
g(x) =
x R.
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa, c (c R) { parametar lokacije.
Grafik gustine
1 0.9 b=1 0.8 c=0
a=0.5 0.7
0.6
0.5
0.2
0.1
0 2
1.5
0.5
0.5
1.5
131
49
ERLANGOVA RASPODELA ER1(n)
(jednoparametarska)
1 xn1 ex , (n 1)!
Gustina
g(x) = x 0.
Parametri
n (n N ) { parametar oblika.
Grafik gustine
0.4
0.35 n=2
0.3 n=3
0.25
n=4
0.2
n=5
0.15
0.1
0.05
0 0 1 2 3 4 5 6 7 8
132
50
ERLANGOVA RASPODELA ER2(n, b)
(dvoparametarska)
1 b(n 1)! x b
n1
Gustina
g(x) = ex/b , x 0.
Parametri
n (n N ) { parametar oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
1.4
1.2
b=0.3 n=2
b=0.4
0.8
0.6
0.4
b=0.5
b=0.6 0.2
133
134
Erlangova raspodela
Funkcija raspodele
n1
F (x) = 1 ex/b
k=0
1 k!
x b
x 0.
Entropija
H(X) = nb (n 1) ln b + ln(n 1)! + (1 n)(n),
(t) = (1 itb)n .
M (t) = (1 tb)n ,
t < 1/b.
Momenti
m1 = bn, D(X) = b2 n.
Erlangova raspodela
135
Primena
Telekomunikacije, sluqajni procesi, biologija, ekologija.
Napomene
1. Raspodelu je uveo danski statistiqar Erlang ( Agner Krarup Erlang, 1878-1929). 2. Koristi se i parametrizacija u kojoj je 1/b umesto b. U tom sluqaju je
g(x) = b (bx)n1 ebx . (n)
Generisae
Ako su u1 , u2 , . . . , un nezavisni sluqajni brojevi iz U (0, 1) raspodele, tada je x = b n ln uk sluqajan broj iz ER2(n, b) raspodele. k=1
51
ERLANGOVA RASPODELA ER3(n, b, c)
(troparametarska)
xc b
n1
Gustina
g(x) = 1 n (n 1)! b exp xc b , x c.
Parametri
n (n N ) { parametar oblika, b (b > 0) { parametar skaliraa, c (c > 0) { parametar lokacije.
Grafik gustine
0.8
0.6
c=1 0.5
c=0
c=1
0.4
0.3
0.2
0.1
0 1
0.5
0.5
1.5
2.5
136
Erlangova raspodela
137
Momenti
m1 = bn, D(X) = b2 n.
Napomena
Koristi se i parametrizacija u kojoj je 1/b umesto b. U tom sluqaju je
g(x) = bn (x c)n1 eb(xc) . (n)
52
ZIPF RASPODELA Z(a)
(jednoparametarska)
Gustina
g(x) =
i=1
1 1 , ia xa
x > 1.
Parametri
a (a > 1) { parametar oblika.
Grafik gustine
1 0.9
0.8
0.7
0.6
0.5
0.4
0.3
a=2 a=3
138
53
INVERZNA GAMA RASPODELA IG(a, b)
(dvoparametarska)
ba a1 b/x x e , (a)
Gustina
g(x) = x > 0.
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
3
2.5
a=2, b=0.5
1.5
a=2, b=1 1
139
140
Funkcija raspodele
F (x) = (a, b/x) , (a) x > 0.
Entropija
H(X) = a + ln(b(a)) (1 + a)(a).
Karakteristiqna funkcija
(t) = 2 (ibt)a/2 Ka ( 4ibt). (a)
Generatrisa momenata
M (t) = 2 (bt)a/2 Ka ( 4bt). (a)
Momenti
m1 = b (a > 1), a1 D(X) = b2 (a > 2). (a 1)2 (a 2)
54
INVERZNA GAUSOVA RASPODELA IG1(a)
(jednoparametarska)
a 2x3 (a x)2 2x , e
Gustina
g(x) = x > 0.
Parametri
a (a > 0) { parametar oblika.
Grafik gustine
3
a=0.5 2.5
1.5
a=0.6 1 a=0.8
0.5
141
55
INVERZNA GAUSOVA RASPODELA IG2(a, b)
(dvoparametarska)
a 2x3 (a bx)2 2x , e
Gustina
g(x) = x > 0.
Parametri
a (a > 0) { parametar lokacije, b (b > 0) - parametar skaliraa.
Grafik gustine
3
142
143
Funkcija raspodele
F (x) = bx a x bx + a + e2ab x , x > 0.
Momenti
m1 = a , b D(X) = a . b3
Modus i medijana
M o(X) = 1 2ab 4a4 + 9 a a2 3 b2 b ,
tada sluqajne veliqine Y i Z imaju priblino normalnu raspodelu N (0, 1). 3. Ako X1 : IG2(a, b) za i = 1, . . . , n i ako su X1 , . . . , Xn nezavisne sluqaa jne promen ive, tada X n : IG2 , na2 .
b
Primena
Fizika, elektronika, radiotehnika, sekvencijalna analiza, meteorologija, finansije, demografija.
Napomene
144
2. Raspodela je dobila ime po tome xto je ena generatrisa momenata inverzna funkcija generatrise momenata normalne (Gausove) raspodele. 3. Raspodela je poznata i kao Valdova ( Wald, 1902-1950) raspodela. 4. Koristi se i kanoniqki oblik funkcije gustine
g(x) = a 2 22 x (x ) e , 2x3
i = a2 . Ako se u ovoj parametrizaciji uvede smena gde je = b = 2 i = , dobija se nova parametrizacija za koju je
g(x) = (x )2 2 exp 2x3 2x .
5. Raspodela moe da se koristi umesto lognormalne raspodele u sluqaju kada podaci ukazuju da se radi o raspodeli sa 'debelim' krajevima.
56
INVERZNA RELEJEVA RASPODELA IR(a)
(jednoparametarska)
g(x) = 2a a/x2 e , x3 x > 0.
Gustina Parametri
a (a > 0) { parametar oblika.
Grafik gustine
2 1.8 1.6 1.4
a=0.2
a=0.3 1.2 1 a=0.5 0.8 a=1 0.6 0.4 0.2 0 0 0.5 1 1.5 2 a=2
145
57
INVERZNA HI KVADRAT RASPODELA I2(n)
(jednooparametarska)
2n/2 n/21 1 exp n x 2x 2 ,
Gustina
g(x) = x > 0.
Parametri
n (n N ) { parametar oblika (broj stepeni slobode).
Grafik gustine
4
3.5 n=5 3
n=4 2.5
1.5
n=3
0.5
146
147
Funkcija raspodele
F (x) = n 1 , 2 2x , n 2 x > 0.
Karakteristiqna funkcija
(t) = 1 2n/21
n 2
Generatrisa momenata
M (t) = 1 2n/41 n (it)n/4 Kn/4 ( 2t), 2 t R.
Momenti
m1 = 1 (n > 2), n2 D(X) = 2n2 (n > 4). (n 2)2 (n 4)
58
INVERZNA HI KVADRAT RASPODELA IS2(n, 2)
(skalirana, dvoparametarska)
2n/2 (n 2 )n/2 n/21 n 2 x exp n 2x 2 ,
Gustina
g(x) = x > 0.
Parametri
n (n N ) { parametar oblika (broj stepeni slobode), ( > 0) { parametar skaliraa.
Grafik gustine
0.8
0.4 n=2, =1
0.3
n=1, =1 0.2
0.1
148
149
Funkcija raspodele
F (x) =
n n 2 2 , 2x n 2
x > 0.
Karakteristiqna funkcija
(t) = 1 2n/21
n 2
2in 2 t).
Generatrisa momenata
M (t) = 1 2n/41 n (in 2 t)n/4 Kn/4 ( 2n 2 t), 2 t R.
Momenti
m1 = 1 (n > 2), n2 D(X) = 2n2 4 (n > 4). (n 2)2 (n 4)
59
KOXIJEVA RASPODELA C
(standardna)
1 , (1 + x2 )
Gustina
g(x) = x R.
Parametri
Nema parametara.
Grafik gustine
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 5
150
Koxijeva raspodela
151
Funkcija raspodele
F (x) = 1 1 + arctan x, 2 x R.
Karakteristiqna funkcija
(t) = e|t| .
Momenti
za |x| +, ne postoje konaqni momenti reda S obzirom da g(x) x2 r 1, a postoje za r < 1.
1
Neka svojstva
Napomena
Raspodela se zove po velikom francuskom matematiqaru Koxiju ( Augustin Luis Cauchy, 1789-1857).
60
KOXIJEVA RASPODELA CZ1
(zaseqena na (0, ))
g(x) = 2 , (1 + x2 ) x 0.
Gustina Parametri
Nema parametara.
Grafik gustine
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0 0 1 2 3 4 5
152
61
KOXIJEVA RASPODELA CZ2(T )
(zaseqena na [T, T ])
1 1 , arctan T 1 + x2
Gustina
g(x) = T x T.
Parametri
T - parametar lokacije.
Grafik gustine
1 T=0.5
0.8
0.2 T=5
0 5 4 3 2 1 0 1 2 3 4 5
153
62
KOXIJEVA RASPODELA C1(a)
(jednoparametarska)
a , (a2 + x2 )
Gustina
g(x) = < x < .
Parametri
a { parametar skaliraa.
Grafik gustine
0.7
0.6
0.5
a=0.5
0.4
0.3
a=1
0.1
0 5
154
Koxijeva raspodela
155
Funkcija raspodele
F (x) = 1 x 1 + arctan , 2 a x R.
an
1 . a2 + x2 i i=1
n 2 ln(a2 + Xj ). i=1
ln L = n ln a n ln
Ocene parametara
Ocena za a metodom maksimalne verodostojnosti se dobija iz jednaqine
n i=1
n a2 = . a2 + x2 2 i
Neka svojstva
1. Gustina raspodele je simetriqna u odnosu na x = 0. 2. Ako je X1 , X2 , . . . , Xn prost sluqajan uzorak iz C1 (a), onda i X ima C1 (a) raspodelu. 3. Ako su X1 , . . . , Xn nezavisne sluqajne veliqine, pri qemu Xi : C1 (ai ), tada X1 + + Xn : C1 (a1 + + an ). 4. Ako X : C1 (1), onda
1 : C1 (1). X
156
Koxijeva raspodela
4. Ako X, Y : N (0, 1) i ako su X i Y nezavisne, tada Y /X : C(1). 5. Ako X : U [/2, /2], tada tg X : C(1),
Napomena
Raspodela je specijalan sluqaj Pirsonove raspodele tip V II (PIR7).
63
KOXIJEVA RASPODELA C2(a, b)
(dvoparametarska)
b 1 , b2 + (x a)2
Gustina
g(x) = x R.
Parametri
a { parametar lokacije, b { parametar skaliraa.
Grafik gustine
0.4
0.35 a=4, b=0.8 0.3 a=1, b=2 0.25 a=1, b=2 0.2 a=3, b=2
0.05
0 10
10
157
158
Koxijeva raspodela
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je parametar b fiksiran, dok se parametar a mea.
0.2
0.15
g(x)
0.1
0.05
0 5 0 5 5 5 a 10 10 x 0 10
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je parametar a fiksiran, dok se parametar b mea.
Koxijeva raspodela
159
Funkcija raspodele
F (x) = 1 1 xa + arctan , 2 b x R.
Karakteristiqna funkcija
(t) = etab|t| .
Modus i medijana
M o(X) = M e(X) = a.
ln L = n(ln b ln )
j=1
j=1
Ocene parametara
Ocene a i b metodom maksimalne verodostojnosti se dobijaju iz sistema jednaqina
n
b2 b2 + (Xj a)2
j=1
n , 2
Xj a b2 + (Xj a)2
= 0.
j=1
Neka svojstva
1. Q1 = a b,
Q3 = a + b .
160
Koxijeva raspodela
4. Ako je X1 , . . . , Xn prost sluqajan uzorak iz C2 (a, b), onda X : C2 (a, b) i Sn : C2 (na, nb) 5. Ako Xj : C2 (aj , bj ) i ako su Xj meusobno nezavisne, tada
X1 + X2 + + Xn : C2 (a1 + + an , b1 + + bn ).
Generisae
Ako je u sluqajan broj iz raspodele U (1/2, 1/2), tada je x = a + b tan(u) sluqajan broj iz raspodele C2 (a, b)
64
KOXIJEVA RASPODELA C4(a, b, c, d)
(qetvoroparametarska)
c
Gustina
c(d) xa 1+ g(x) = 2b(1/c)(d 1/c) b
d
, x R.
Parametri
a (a R) - parametar lokacije, b (b > 0) - parametar skaliraa, c, d (c, d > 0, cd > 1) - parametri oblika.
Grafik gustine
0.35
a=2, b=c=2,
0.3
a=b=2, d=1
0.25 d=2 c=3 0.2 d=1.5 c=2 0.15 d=1 0.1 c=1.5
0.05
0 10
10
161
162
Koxijeva raspodela
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je a = b = 2 i d = 1, dok se parametar c mea u intervalu [1, 3].
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je a = b = 2 i c = 1, dok se parametar d mea u intervalu [1, 3].
65
KOSINUS RASPODELA COS1(a, b)
(dvoparametarska)
Gustina
g(x) = 1 xa cos , 2b 2b a b x a + b.
Parametri
a, b (a R, b > 0) { parametri lokacije.
Grafik gustine
0.2 0.18
b=0.8
a=1
0.16 b=1
0.14
0.08
0.06
0.04
0.02
0 3
163
164
Kosinus raspodela
Funkcija raspodele
F (x) = 1 1 + 2 2 xa xa + sin b b , a b x a + b.
Momenti
m1 = a, D(X) = 2 3 b2 .
Neka svojstva
1. M o(X) = M e(X) = a. 2. Kvartili su Q1 = a 0.8317b, Q3 = a + 0.8317b.
Primena
Ponekad se koristi se kao aproksimacija za normalnu raspodelu.
66
KOSINUS RASPODELA COS2(a, b)
Gustina
g(x) = (2x a b) cos , 2(b a) 2(b a) x [a, b].
Parametri
a, b (a, b R, a < b) { najmaa i najvea vrednost sluqajne promen ive.
Grafik gustine
0.4
0.35
a=2
0.2
0.15
b=4 0.1
b=2
0.05
0 2
165
166
Kosinus raspodela
Funkcija raspodele
F (x) = 1 2 1 + sin (2x a b) 2(b a) , x [a, b].
Momenti
m1 = a+b , 2 D(X) = 2 8 (b a)2 . 4 2
Modus i medijana
M o(X) = M e(X) = a+b . 2
Napomena
Funkcija gustine moe da se zapixe i u obliku
g(x) = 1 xc cos , 2d d
gde je c =
Generisae
a+b ba i d= . 2
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = a+b arcsin u sluqajan broj iz COS2(a, b) raspodele.
67
KOSINUS RASPODELA COS3(a, b)
(dvoparametarska)
1 + cos xa 2b ,
Gustina
g(x) = 1 2b a b x a + b.
Parametri
a, b (a R, b > 0) { parametri lokacije.
Grafik gustine
0.4
0.35
a=4
0.2
0.15 b=3
b=2
0.1
0.05 1 2 3 4 5 6 7
167
168
Kosinus raspodela
Funkcija raspodele
F (x) = 1 2 1+ xa 1 + sin b xa b , a b x a + b.
Karakteristiqna funkcija
(t) = 2 sin(bt) iat e . bt( 2 b2 t2 )
Generatrisa momenata
M (t) = 2 sh(bt) at e , bt( 2 + b2 t2 ) t R.
Momenti
m1 = a, D(X) = b2 1 2 3 2 .
Modus i medijana
M o(X) = M e(X) = a.
68
KUMARASVAMIJEVA RASPODELA KM (a, b)
(dvoparametarska)
Gustina
g(x) = abxa1 (1 xa )b1 , x (0, 1).
Parametri
a, b (a, b > 0) { parametri oblika.
Grafik gustine
2 1.5 1 0.5 0 0 2 1.5 1 0.5 0 0 2 0.5 0.5
2 a<1, b=1 1.5 1 0.5 0 1 2 a<1, b>1 a=1, b=1 1.5 1 0.5 0 1 2 a<1, b<1 a=1, b<1 1.5 1 0.5 0 0 0.5 1 0 0.5 1 0 0.5 1 0 0.5 1 a=1, b>1
2 a>1, b>1 1.5 1 0.5 0 0 2 1.5 1 0.5 0 0 2 1.5 1 0.5 0 0 0.5 1 a>1, b<1 0.5 1 a>1, b=1 0.5 1
1.5 1 0.5 0
Ako je bar jedan od parametara mai od 1, grafik gustine ima odgovarajue vertikalne asimptote.
169
170
Kumarasvamijeva raspodela
Funkcija raspodele
F (x) = 1 (1 xa )b , x (0, 1).
Momenti
r a , mr = r 1+b+ a b(b) 1 + r > 0.
Modus i medijana
M o(X) = a1 ab 1
1/a
M e(X) =
1 21/b
1/a
Napomene
1. Raspodelu je uveo Kumarasvami ( Poondi Kumaraswamy) 1980. godine. 2. Funkcija gustine ove raspodele ima vixe oblika, poput beta raspodele, ali je mnogo jednostavnija.
69
LAPLASOVA RASPODELA L1()
(jednoparametarska)
|x| 1 e , 2
Gustina
g(x) = x R.
Parametri
( > 0)
Grafik gustine
1 0.9
{ parametar skaliraa.
=0.5 0.8
0.7
0.6 =1 0.5
0.4
0.3
0.2 =2 0.1
0 5
171
172
Laplasova raspodela
Funkcija raspodele
1 ex/ , F (x) = 2 1 1 ex/ , 2 x<0 x0
Momenti
Specijalno:
m2k+1 = 0, m2k = 2k (2k)!, k = 0, 1, 2, . . . m2 = D(X) = 22 , m4 = 4 = 244 .
Modus i medijana
M o(X) = M e(X) = 0.
Ocene parametara
|Xi |,
i=1
1. L() = L2(, 0). 2. X i |X| imaju istovremeno L1() raspodelu. 3. Ako X, Y : L() i ako su X i Y nezavisne sluqajne promen ive, tada |X|/|Y | : F (2, 2). 4. Ako X, Y : E1(a), tada X Y : L1(?),
Laplasova raspodela
173
N (0, 1)
X1 X2 + X3 X4 : L1 (2),
Napomene
1. Raspodelu je 1774. godine uveo francuski matematiqar Laplas ( Pierre Simon Laplace, 1749-1827) . 2. Koristi se i naziv dvostrana eksponencijalna raspodela . 3. L1(1) je standardna Laplasova raspodela.
70
LAPLASOVA RASPODELA L2(, a)
(dvoparametarska)
1 e 2 |x a| ,
Gustina
g(x) = x R.
Parametri
( > 0)
Grafik gustine
0.5 0.45
=1
0.4
a=2
a=2
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 5
174
Laplasova raspodela
175
Funkcija raspodele
1 e(xa)/ , 2 F (x) = 1 1 e(xa)/ , 2 xa x>a
Karakteristiqna funkcija
(t) = 1 eait . 1 + 2 t 2
Generatrisa momenata
M (t) = 1 2 t2 eat , |t| < 1 .
Momenti
Specijalno:
2k+1 = 0, 2k = 2k (2k)!, k = 0, 1, 2, . . . 2 = 22 , m4 = 4 = 244 .
k =
i=0
k (1)ki mi aki . i
Ocene parametara
Ocene i a za nepoznate parametre i a su
= 1 n
n
|Xi a|,
i=1
a = M e(X).
176
Laplasova raspodela
Metoda momenata
(Xi a)2 .
i=1
Druge ocene
1 2n
(Xi a )2 .
i=1
3. Ako X : L2(, a), tada |X a| : 2(2). 2 4. Raspodela je specijalan sluqaj troparametarske Vejbulove dvostrane raspodele, L2(, a) = W D(1, , a), 5. Raspodela je specijalan sluqaj gama raspodele, L2(, a) = G4(1, , a, 1), 6. Raspodela je specijalan sluqaj asimetriqne Laplasove raspodele, L2 (, a) = LA2(, 1/2, a).
Napomene
1. Raspodela je dobila ime po francuskom matematiqaru Laplasu ( Pierre Simon Laplace, 1749-1827). 2. Ako se za parametre uzmu oqekivae m i standardna devijacija , tada je
2 |x m| 1 g(x) = e , 2 x R.
Laplasova raspodela
177
Generisae
sluqajan broj iz L(, a) raspodele. Sluqajan broj iz L(, 0) raspodele moe da se dobije i kao razlika dva nezavisna sluqajna broja iz E1(1/) raspodele, a sluqajan broj iz L2(1, 0) raspodele moe da se dobije i kao koliqnik dva nezavisna sluqajna broja iz U (0, 1) raspodele.
71
LAPLASOVA RASPODELA LA1(a, 1, 2)
Gustina
g(x) =
(asimetriqna)
|x a| 1 , 21 exp 1 1 |x a| exp , 22 2
x<a x a.
a (a R) 1 , 2 (1 > 0, 2 > 0, 2 = 1 )
a=0
0.4
1=2
0.35
2=3
0.3
0.25
0.2
0.15
0.1
0.05
0 5
178
Laplasova raspodela
179
Funkcija raspodele
1 e(xa)/1 , 2 F (x) = 1 1 e(xa)/2 , 2
1
xa x>a
0.7 =3 2 0.6
0.5
0.1
1=1
0 5
72
LAPLASOVA RASPODELA LA2(, p, a)
Gustina
(asimetriqna)
Parametri
( > 0) a (a R)
xa x > a.
Grafik gustine
0.9 0.8 a=1 =1 0.7
0.5
0 2
180
Laplasova raspodela
181
Funkcija raspodele
(1 p) exp a x , F (x) = 1 p exp x a ,
1
xa x>a
0.9
a=1 =1
0.6
0.5
p=0.2
p=0.8
0.4
0.3
0.2
0.1
0 2
73
LAPLASOVA RASPODELA LA3(, a)
(asimetriqna)
e(1)(xa) , e(ax) ,
Gustina
g(x) = (1 ) xa x > a.
Parametri
(0 < < 1)
Grafik gustine
0.4
0.2
0.15 =0.6
0.1
0.05
0 5
182
Laplasova raspodela
183
Funkcija raspodele
F (x) = e(1)(xa) , 1 (1 )e(ax) , xa x>a
0.7
0.4 =0.6
0.3
0.2
0.1
0 5
74
LAPLASOVA RASPODELA LA4(, p, a)
Gustina
(asimetriqna)
exp xa p ,
Parametri
( > 0) a (a R)
p g(x) = (1 + p2 ) exp
xa , x > a.
p(a x)
Grafik gustine
0.2 0.18 a=0 =2 0.16
p=2
p=0.5
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0 5
184
Laplasova raspodela
185
Funkcija raspodele
1 F (x) = 1 + p2 1 + p2 exp
0.2
2 p exp
xa p
, p(a x) ,
xa x>a
0.18
a=0 =2
0.16
p=2
p=0.5
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0 5
Finansije.
Primena
75
LAPLASOVA RASPODELA LA5(, p)
(asimetriqna)
(1 + p)x ,
Gustina
g(x) = 1 2 exp x0 x > 0. 1 x/ 1 e exp 1 epx/ , 2
Parametri
( > 0)
Grafik gustine
0.9
0.5
0.4
0.3
0 5
186
Laplasova raspodela
187
Funkcija raspodele
F (x) = 1 2(1 + p) exp 1 1
1
(1 + p)x
x0 x>0
0.9 =2 0.8
0.7
p=0.5
0.6
0.5
0.4
0.3
0.2
p=2
0.1
0 5
76
LAPLASOVA RASPODELA LZ1(, a, b)
Gustina
g(x) =
1 ea/
Parametri
( > 0) a (a < 0) b (b >)
1 eb/
1 x/ e , 2 1 1 x/ e , 2
ax0 0 x b.
Grafik gustine
0.7
0.6
a=2 b=3
0.5 =1
0.4
0.3
=2 0.2
0.1
0 2
1.5
0.5
0.5
1.5
2.5
188
77
LAPLASOVA RASPODELA LZ2(, a, b)
Gustina
g(x) =
(2 ea/ eb/ )
0 x b.
Parametri
( > 0) a (a < 0) b (b >)
Grafik gustine
0.7
0.6
a=2 b=3
0.5
=0.8
0.4
0.3
0.2 =1.5
0.1
0 2
1.5
0.5
0.5
1.5
2.5
189
190
Funkcija verodostojnosti
L= 1 n (2 ea/ eb/ )n
n
exp
|Xi | ,
i=1
Ocene parametara
n
gde je T =
|xi |.
i=1
78
LAPLASOVA RASPODELA LU (, p, a)
(uopxtena)
Gustina
g(x) = 1 |x a|p exp p 2p1/p (1 + 1/p) , x R.
Parametri
( > 0) a (a R)
Grafik gustine
0.8
0.7
a=0 =1 p=0.5
0.6
0.5
0.4
0.3
p=2
p=1
0.2
0.1
0 3
191
192
Funkcija raspodele
, gde su (, ) i (, ) nepotpune gama funkcije (pogledati Dodatak).
1 p
1 F (x) = 2(1/p)
p 1 (ax) p, p
,
p 1 (xa) p, p
xa , x>a
Napomene
1. Raspodelu je uveo Subbotin 1923. godine. 2. Koristi se i naziv eksponencijalna stepena raspodela .
79
LEVIJEVA RASPODELA LV (a))
(jednoparametarska)
a 3/2 a/2x x e , 2
Gustina
g(x) = x 0.
Parametri
a (a > 0)
Grafik gustine
1 0.9
{ parametar skaliraa.
0.8
a=0.5
0.7
0.4
0.3
a=1.2
0.2
0.1
193
194
Levijeva raspodela
Funkcija raspodele
F (x) = a 2x 1 , 2 x 0.
Karakteristiqna funkcija
(t) = e
2iat
1. Raspodela je specijalan sluqaj -stabilnih raspodela. 2. LV (a) = IG2(1/2, a/2). 1. Raspodelu je uveo Levi ( Paul Pierre Levy, 1886-1971). 2. Za funkciju gustine vai g(x)
a 3/2 x 2
kada x .
80
LOGARITAMSKA RASPODELA LOG1(a, b)
(dvoparametarska)
ln x , b(ln b 1) a(ln a 1)
Gustina
g(x) = x [a, b].
Parametri
a, b (0 < a < b)
Grafik gustine
1.4
{ parametri lokacije.
b=3
1.2 a=2
0.8
a=1.5 0.6
a=1 0.4
0.2
195
196
Logaritamska raspodela
Funkcija raspodele
F (x) = a(1 ln a) x(1 ln x) , a(1 ln a) b(1 ln b) x [a, b].
Momenti
mk = ak+1 (1 (k + 1) ln a) bk+1 (1 (k + 1) ln b) , (k + 1)2 (a(1 ln a) b(1 ln b)) k N.
81
LOGARITAMSKA RASPODELA LOG2(a, b)
(dvoparametarska)
1 xa ln , ba ba
Gustina
g(x) = x (a, b].
Parametri
a, b (a, b R, a > b)
Grafik gustine
5 4.5 b=3
{ parametri lokacije.
3.5
a=2
1.5
0.5
197
198
Logaritamska raspodela
Funkcija raspodele
F (x) = xa ba 1 ln xa ba , x [a, b].
Momenti
1 m1 = a + (b a), 4 D(X) = 7 (b a)2 . 144
Ako su u1 i u2 nezavisni sluqajni brojevi iz U (0, 1) raspodele, tada je x = a + bu1 u2 sluqajan broj iz LOG2(a, b) raspodele.
Generisae
82
LOGARITAMSKA RASPODELA LOG3(a, b)
(dvoparametarska, dvostrana)
1 |2x a b| ln , ba ba
Gustina
g(x) = x [a, (a + b)/2) (a + b)/2, b].
Parametri
a, b (a, b R, a < b)
Grafik gustine
1.8
{ parametri lokacije.
1.6
b=5
1.4 a=2 1.2
0.4
a=0
0.2
0 1
199
200
Logaritamska raspodela
Funkcija raspodele
F (x) = 1 |2x a b| 2 2(b a) 1 |2x a b| + 2 2(b a) 1 ln 1 ln |2x a b| ba |2x a b| ba , , ax< a+b 2 a+b >xb 2
Momenti
m1 = a+b , 2 D(X) = a2 . 36
83
LOG - GAMA RASPODELA LGG1(a, b, c)
(troparametarska)
ln x c b
a1
Gustina
g(x) = 1 x|b|(a) exp c ln x b , x ec .
Parametri
a (a > 0) c (c R)
Grafik gustine
0.35
b=1
0.3 a=1.5
c=0
0.25
0.2
0.15 a=2
0.1
0.05
201
202
Log-gama raspodela
Momenti
Specijalno,
m1 = ec (1b)a , mr = erc (1 rb)a , 1 rb > 0.
m2 = e2c (12b)a ,
m3 = e3c (13b)a ,
m4 = e4t (14b)a .
gde je
k2 = (1 2b)a (1 b)2a , k3 = (1 3b)a 3((1 2b)(1 a))a + 2(1 b)3a .
2 (X) =
gde je
k4 2 3, k2
Funkcija verodostojnosti
n
(ln Xk c)a1 L=
k=1 n
exp Xk
b G (a)
k=1 n
1 b
(ln Xk c) ,
k=1
ln L =
(a 1)
k=1
1 ln(ln Xk c) b
ln Xk +
k=1
nc b
ln(X1 X2 Xn ) an ln b n ln G(a), ln L a ln L b ln L c
n
=
k=1
ln(ln Xk c) n ln b n(a), 1 b2
n
= =
ln Xk
k=1 n
nc an , b2 b
(a 1)
k=1
n 1 + , ln Xk c b
Log-gama raspodela
203
gde je digama funkcija (videti Dodatak). Ocene a, b i c za a, b i c po metodi maksimalne verodostojnosti dobijaju se rexavaem sistema jednaqina
ab + c = 1 n
n
Ocene parametara
1 n
ln Xk ,
k=1
k=1
1 ln Xk c (a) + ln b
1 (a 1)b 1 n
n
ln(ln Xk c).
k=1
: G3 (a, b, c)
84
LOG - GAMA RASPODELA LGG2(a, b, c)
(troparametarska)
ln x c b
a1
Gustina
g(x) = 1 x|b|(a) exp c ln x b , 0 < x < ec .
Parametri
a (a > 0) c (c R)
Grafik gustine
2 1.8
c=1
1.6
1.4
a=1.2, b=2
a=0.5, b=2
1.2
0.4
0.2
204
85
LOGISTIQKA RASPODELA LG
(standardna)
ex , (1 + ex )2
Gustina
g(x) = x R.
Parametri
Nema parametara.
Grafik gustine
0.25
0.2
0.15
0.1
0.05
0 6
205
206
Logistiqka raspodela
Funkcija raspodele
F (x) = 1 , (1 + ex x R.
Karakteristiqna funkcija
(t) = (1 + it)(1 it) = t . sh t
Momenti
Modus i medijana
M o(X) = M e(X) = 0.
Neka svojstva
1. Q1 = ln 3, Q3 = ln 3. 2. Za g i F vai
g(x) = F (x)(1 F (x)), x = ln F (x) . 1 F (x)
Logistiqka raspodela
207
3. Ako Xi
: L1 (1)
za i N , tada
Xj : LG j j=1
Ekonomija, demografija.
Primena
Napomene
1. Raspodelu je uveo Verhulst (1838-1845) bavei se problemima demografije. 2. Gustina raspodele moe da se zapixe i u obliku
g(x) = ex , (1 + ex )2 g(x) = 1 x sech2 . 4 2 sech
Generisae
86
LOGISTIQKA RASPODELA LGZ1
Gustina Parametri
Nema parametara.
Grafik gustine
0.5 0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 0 1 2 3 4 5 6
208
209
Funkcija raspodele
F (x) = 1 ex , 1 + ex x 0.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0 0 1 2 3 4 5 6
Primena
Napomena
half logistic
87
LOGISTIQKA RASPODELA LGZ2(a)
Gustina Parametri
a (0 < a < 1)
Grafik gustine
0.8
{ parametar lokacije.
0.5
0.4
a=0.2
0.1 2.5
1.5
0.5
0.5
1.5
2.5
210
88
LOGISTIQKA RASPODELA LGZ3(a, b)
Gustina
g(x) = a b x log . 1a 1b
Parametri
a, b (0 < a, b < 1)
Grafik gustine
0.5
{ parametri lokacije.
a=0.3 0.45
b=0.8
0.4
0.35
a=0.2
0.3
0.25
0.1 2.5
1.5
0.5
0.5
1.5
211
212
Gustina raspodele moe da se parametrizuje i tako da parametri budu krajevi intervala definisanosti. U tom sluqaju
g(x) = ex (1 + e )(1 + e ) , e e (1 + ex )2 < x < ,
Napomena
89
LOGISTIQKA RASPODELA LGS(a, b)
(dvoparametarska)
exp xa b
Gustina
g(x) = xa b 1 + exp b
2,
x R.
Parametri
a (a R)
Grafik gustine
0.35
0.05
0 10
10
213
214
Logistiqka raspodela
Funkcija raspodele
F (x) = 1 1 + exp
ax b
x R.
Karakteristiqna funkcija
(t) = itbeita (itb)(1 itb) = eiat itb . sin itb
Momenti
m1 = a, m2 = a2 +
Centralni momenti
2 = b2 2 , 3 4 = 7b4 4 , 15 6 =
b2 . 3
31b6 6 , 2k1 = 0, k N. 11
Modus i medijana
M o(X) = M e(X) = a.
Ocene parametara
1 + exp
Xi a b
1 , 2
1 n
i=1
1 exp 3 Xi a b 1 exp
Xi a b Xi a b =
3 .
Za veliko n je
D(a) 2 9 2 0.91189 , 2 n n b
2 3 9 2 0.38578 . 2 n 3 + n
Logistiqka raspodela
215
X n )2
Neka svojstva
1. Q1 = a b ln 3,
b 2. CV (X) = 3a .
Q3 = a + b ln 3
. . .
, tada a b ln(eX 1)
: LGS(a, b)
Primena
Napomene
1. Raspodelu je 1800. godine uveo Verhalst ( Pierre Francois Verhulst, 1804-1849). 2. Za gustina g koriste se i drugi oblici:
exp g(x) = b 1 + exp xa b xa b
2
1 xa sech2 . 4b 2b
3. Za F se koriste i oblici:
F (x) = 1 1 + exp 1 xa b xa b = xa 1 + exp b exp = 1 2 1 + tanh xa 2b .
216
Logistiqka raspodela
4. Raspodela je u literaturi na engleskom poznata i kao sech squared distribution. 5. Raspodela se koristi kao aproksimacija za razne simetriqne raspodele.
u Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = a + b ln 1 u sluqajan broj iz raspodele LGS(a, b).
Generisae
90
LOGISTIQKA RASPODELA LGZ(a, b)
(zaseqena, dvoparametarska)
2 exp g(x) = xa b
Gustina
xa b 1 + exp b
2,
x a.
Parametri
a (a R)
Grafik gustine
1 0.9
a=1
b=0.5
0.8
0.7
0.6
0.5
0.4
b=1 b=0.8
0.3
0.2
0.1
217
218
Funkcija raspodele
1 exp F (x) = 1 + exp ax b , ax b x a.
0.9
a=1
0.8
0.7 b=1
0.6
0.1
91
LOGISTIQKA RASPODELA LG1(a)
(jednoparametarska)
g(x) = aex , (1 + ex )a+1 x R.
Gustina Parametri
a (a > 0)
Grafik gustine
0.35
{ parametar oblika.
0.3
a=5 0.25
0.1
a=0.5
0.05
0 10
10
219
220
Logistiqka raspodela
Funkcija raspodele
F (x) = 1 , (1 + ex )a x R.
Karakteristiqna funkcija
(t) = (1 it)(a + it) . (a)
Neka svojstva
a < 1
i pozitivno asimet-
: F (2, 2a) :
LG1(a)
. .
: P AR1(a, b)
: LG1(a)
6. Ako X : LG1(a) tada se aX ponaxa kao sluqajna promen iva sa raspodelom E(1) za a 0. 7. Ako X : LG1(a) tada se, za a dovo no veliko, X ln a ponaxa kao sluqajna promen iva sa raspodelom GU . Ekonomija, demografija.
Primena
92
LOGISTIQKA RASPODELA LG2(a)
(jednoparametarska)
g(x) = aeax , (1 + ex )a+1 x R.
Gustina Parametri
a (a > 0)
Grafik gustine
0.35
{ parametar oblika.
0.3
a=5
0.25
a=1 a=2
0.2
0.05
0 10
10
221
222
Logistiqka raspodela
Funkcija raspodele
F (x) = 1 eax . (1 + ex )a
Karakteristiqna funkcija
(t) = (1 + it)(a + it) . (a)
: LG2(a)
Napomena
93
LOGISTIQKA RASPODELA LG3(a)
(jednoparametarska)
1 eax , B(a, a) (1 + ex )2a
Gustina
g(x) = x R.
Parametri
a (a > 0)
Grafik gustine
0.5 0.45 0.4
{ parametar oblika.
a=3
a=2 0.35 0.3 a=1 0.25 0.2 0.15 a=0.5 0.1 0.05 0 10
10
223
224
Logistiqka raspodela
Karakteristiqna funkcija
(t) = (a it)(a + it) ((a))
2
Generatrisa momenata
M (t) = (a t)(a + t) ((a))
2
|t| < a.
Momenti
gde je digama funkcija (videti Dodatak).
m1 = 0, D(X) = 2 (a),
Neka svojstva
1. Gustina raspodela je simetriqna u odnosu na x = 0. 2. Raspodela ima 'deb e' krajeve od krajeva normalne raspodele. 1. LG3(1) = LG.
ima
94
LOGISTIQKA RASPODELA LG4(a, b)
(dvoparametarska)
1 ebx , B(a, b) (1 + ex )a+b
Gustina
g(x) = x R.
Parametri
a, b (a, b > 0)
Grafik gustine
0.45
{ parametri oblika.
a=2
0.4 b=3 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 10 b=0.5
b=2 b=1
10
225
226
Logistiqka raspodela
Karakteristiqna funkcija
(t) = (a + it)(b it) . (a)(b)
Generatrisa momenata
M (t) = (a + t)(b t) , (a)(b) a < t < b.
Momenti
gde je digama funkcija (videti Dodatak A).
(a) (b) , ( (a) + (b))3/2 m1 = (a) (b), D = (a) + (b),
Neka svojstva
1. Za a < b raspodela je desno asimetriqna, za riqna, a za a = b je simetriqna. 2. Ako X : LG4(a, b), tada X : LG4(b, a). 1. LG4(1, 1) = LG. 2. LG4(a, 1) = LG1(a). 3. LG4(1, a) = LG2(a). 4. LG4(a, a) = LG3(a). 5. Ako X
: B( a, b) b 6. Ako a eX 7. Ako X, Y
a < b
je levo asimet-
X , tada ln 1 X
: LG4(a, b)
: F (2a, 2b) :
Logistiqka raspodela
227
8. Ako X 9. Ako X
: LG4(a, b) :
: LN : W
Napomene
1. Raspodela je u literaturi na engleskom poznata i kao exponential generalized beta of the second type. 2. Raspodela je poznata i kao uopxtena logistiqka raspodela tipa IV .
95
LOGISTIQKA RASPODELA LG5(a)
Gustina
(jednoparametarska)
x
1 a>0 a . 1 x , za a < 0 a
za
Parametri
a (a = 0)
Grafik gustine
0.4
{ parametar oblika.
0.2
0 2 1 a=1 0.5
0 2 1
a=1 0.5
0 2 6 4 2 0 2
0 1 6
a>1
4 2 0 1
a<1
228
Logistiqka raspodela
229
Sledea slika prikazuje funkcije gustine za razliqite vrednosti parametra a u sluqaju 0 < a < 1.
0.7 a=0.9 0.6 a=0.8 0.5 a=0.7 0.4 a=0.6
0.3
0.2
a=0.5
0.1
0 1
0.5
0.5
1.5
Sledea slika prikazuje funkcije gustine za razliqite vrednosti parametra a u sluqaju a > 1.
120 100
a=6
20
0 0.1
0.1
0.2
0.3
0.4
0.5
0.6
230
Logistiqka raspodela
Funkcija raspodele
F (x) = 1 , 1 + (1 ax)1/a x R.
LG5(a)
96
LOGISTIQKA RASPODELA LG5Z1(a)
(zaseqena, jednoparametarska)
g(x) = 2(1 ax)1/a1 , (1 + (1 ax)1/a )2 0x 1 . a
Gustina Parametri
a (a > 0)
Grafik gustine
0.8
{ parametar oblika.
0.7 a=0.5
0.6
0.5
0.4
231
232
Funkcija raspodele
F (x) = 1 (1 ax)1/a , 1 + (1 ax)1/a x [0, 1/a].
0.9
a=0.6 a=0.3
0.8
0.5
0.4
0.3
0.2
0.1
97
LOGISTIQKA RASPODELA LG5Z2(a, b, c)
(zaseqena, troparametarska)
1b b
a
Gustina
g(x) = (1 ax)1/a1 1 , 1 a (c b)(1 + (1 ax)1/a )2 x1 1 a 1c c
a
Parametri
a (a > 0)
Grafik gustine
1.4
a=0.8 1
0.8
a=0.2 0.2
0 6
233
98
LOGISTIQKA RASPODELA LG5Z3(a, b)
(zaseqena, dvoparametarska)
2(1 ax)1/a1 , b(1 + (1 ax)1/a )2 0x 1 1 a a
Gustina
g(x) = 1b 1+b
a
Parametri
a (a > 0)
Grafik gustine
1.4
a=0.5
0.8
0.6
b=1 0.4
0.2
234
99
LOG-KOXIJEVA RASPODELA LK(a, b)
(dvoparametarska)
1 b , x b2 + (log x a)2
Gustina
g(x) = x > 0.
Parametri
a (a R)
Grafik gustine
1.8
1.6
b=0.1
1.4
a=0
1.2
0.8
b=0.5
0.6
0.4
0.2
b=0.8
235
100
LOGLOGISTIQKA RASPODELA LLG1(a)
(jednoparametarska)
g(x) = axa1 , (1 + xa )2 x > 0.
Gustina Parametri
a (a > 0)
Grafik gustine
1 0.9
{ parametar oblika.
0.6
0.5
a=2
0.4
0.3
236
101
LOGLOGISTIQKA RASPODELA LLG2(a, b)
(dvoparametarska)
axa1 x 1+ b , a 2
Gustina
g(x) = ba x > 0.
Parametri
a (a > 0)
Grafik gustine
1.4
1.2 b=0.5 1
a=2
0.8
0.6
b=1
0.4
b=2
0.2
237
102
LOGLOGISTIQKA RASPODELA LLG3(a, b, c)
(troparametarska)
a1
Gustina
g(x) = a xc b b 1+ xc b
a 2
x > c.
Parametri
a (a R) c (c > 0)
Grafik gustine
1.4
a=1
1.2 b=0.5
c=2
1
0.8
0.6
b=1
0.4
b=2
0.2
238
Loglogistiqka raspodela
239
Funkcija raspodele
F (x) = 1+ xc b
a 1
x > c.
Momenti
m1 = c + b csc , a a D(X) = b2 2 2 csc csc a a a a
2
Modus i medijana
M o(X) = c + b a1 a+1
1/a
M e(X) = c + b.
gde je
A = 3 3 csc4 3 4 12a2 csc csc + 4a3 csc + 6a 2 csc3 csc , a a a a a a B = csc2 2 2a csc a a
Neka svojstva
103
LOGNORMALNA RASPODELA LN2(m, 2)
(dvoparametarska)
1 exp 1 2 ln x m
2
Gustina
g(x) = x 2 , x > 0.
Parametri
m (m R)
Grafik gustine
2.5
m=0
=0.2
1.5
=0.3
=1.5
1
=0.4 =1
=0.5
0.5
240
Lognormalna raspodela
241
Funkcija raspodele
F (x) = 1 1 + P 2 2 1 1 P 2 2 1 z2 , , 2 2 1 z2 , , 2 2 z0 z<0
Entropija Momenti
H(X) =
1 1 + ln(2 2 ). 2 2
Ako je = e , tada je
2
mr = erm+r
2 /2
r N.
r = erm r/2
j=1
(1)j
r (rj)(rj+1)/2 . j
Specijalno,
1 = em 1/2 , 2 = e2m ( 1), 3 = e3m 3/2 ( 1)2 ( + 2), 4 = e4m 2 ( 1)2 ( 4 + 2 3 + 3 2 3).
Modus i medijana
pri qenu vai
em , M o(X) < M e(X) < m1 M o(X) = M e(X) = em ,
Funkcija verodostojnosti
L= 1 1 exp 2 n (2)n/2 X X X 2 1 2 n
n
(ln Xk m)2
k=1
242
Lognormalna raspodela
Ocene parametara
Metoda maksimalne verodostojnosti
1 n
n
2 =
1 n
(ln Xk m) .
k=1
Ocena za m je ista i ako je parametar poznat i ima ista svojstva. Ako je parametar m poznat, ocena za je data sa
2 = 1 n
n
(ln Xk m)
k=1
Ako je
M1 =
1 n
Xk ,
k=1
M2 =
1 n
n 2 Xk , k=1
M2 2. M1
gde je = 1.
1 4 ( + 4 3 2 2 + 4), 4n
D( 2 ) =
1 4 ( + 4 3 + 2 2 ), n
Neka svojstva
1. Poxto je 1(X) > 0 i 2(X) > 0, raspodela je pozitivno asimetriqna i ima 'debele' krajeve. 2. Ako X : LN2(m, 2), tada eaX b : LN2(a + bm, b22)
Lognormalna raspodela
243
3. Ako su X1, . . . ,nXn nezavisne sluqajne promen ive sa LN2(m, 2) raspode2 1 lom, tada n ln Xk : N m, n , odnosno
k=1
n
X1 Xn : LN2 m,
2 . n
2 4. Ako Xi : LN2(m, k ) (k = 1, . . . , n) i ako su X1, . . . , Xn nezavisne sluqajne promen ive, tada 2 2 2 X1 X2 Xn : LN2 nm, 1 + 2 + + n .
i obrnuto. i obrnuto.
, tada ln X m
: N (0, 1)
Klimatologija, ekonomija, telekomunikacije, kontrola kvaliteta, geologija, medicina, biohemija, meteorologoja, klimatologija. Sluqajan broj x iz lognormalne raspodele moe da se dobije sa gde je z sluqajan broj iz normalne raspodele.
Primena
Generisae
x = ez
104
LOGNORMALNA RASPODELA LN3(m, 2, c)
(troparametarska)
Gustina
g(x) = 1 1 exp 2 (x c) 2 ln(x c) m
2
x > c.
Parametri
m (m R) c (c R)
Grafik gustine
0.7
m=0
0.6
=1
0.5
c=1 0.4
c=0.5 0.3
0.2
0.1
c=0.5 c=0
0 0.5
0.5
1.5
2.5
244
Lognormalna raspodela
245
Funkcija raspodele
F (x) = (ln(x c)),
Momenti
mr (X) =
Specijalno,
m1 (X) = c + em ,
k=0
r rk km+k2 2 /2 c e , k
r N.
gde je = e .
2
Modus i medijana
M o(X) = c + em ,
2
M e(X) = c + em .
Funkcija verodostojnosti
n
L = (2 2 )n/2
k=1
1 1 exp 2 Xk c 2
n
(ln(Xk c) m)2
k=1
ln L = n ln n ln
2
k=1
ln(Xk c)
1 2 2
(ln(Xk c) m)2 .
k=1
Ocene parametara
{ Ako je parametar c poznat, onda su ocene za m i date sa
m= 1 n
n
ln(Xk c),
k=1
2 =
1 n
(ln(Xk c) m)2 .
k=1
246
Lognormalna raspodela
gde je
ln L m ln L ln L m = = =
k=1
1 2
(ln(Xk c) m),
k=1 n
n 1 + 3
(ln(Xk c) m)2 ,
k=1 n
1 1 + 2 Xk c
k=1
ln(Xk c) m . Xk c
Metoda momenata
e2m ( 1) = ( + 2) 1 =
gde je
C3 =
1 n
(ln(Xk c) X)3 .
k=1
c=X
Sn ( 1)
1. LN3(m, 2, 0) = LN2(m, 2). 2. Ako X : LN2(m, 2), tada X + c : LN3(m, 2, c). 3. Ako X : LN3(m, 2, c), tada ln(X c) : N (m, 2).
Klimatologija, ekonomija, telekomunikacije, kontrola kvaliteta, geologija, medicina, biohemija, meteorologija, hidrologija. Ako je z sluqajan broj iz N (m, 2) raspodele, tada je x = c + ez sluqajan broj iz LN3(m2, c) raspodele.
Primena
Generisae
105
LOGNORMALNA RASPODELA LN4(m, 2, c, )
(qetvoroparametarska)
log xc m
Gustina
g(x) = 1 exp 2 2 (x c) 2
2
x > c.
Parametri
m (m R) c (c R)
Grafik gustine
0.7
0.4
=1 0.3
0.2
=0.5 0.1
247
248
Lognormalna raspodela
, tada X
: LN4 (m, 2 , c, )
106
LOGNORMALNA RASPODELA LN U (m, 2, a)
(uopxtena, troparametarska)
Gustina
g(x) = 1 1 exp a | log x m|a , a 2xa1/a (1 + 1/a) x > 0.
Parametri
m (m R) a (a > 0)
Grafik gustine
0.4
m=1, =1 0.35
0.2 a=2
0.15
0.1
0.05
249
107
MAKSVELOVA RASPODELA M AX(a)
(jednoparametarska)
x2 2 x2 exp 2 , a3 2a
Gustina
g(x) = x 0.
Parametri
a (a > 0)
Grafik gustine
{ parametar skaliraa.
a=0.5 1
0.8
a=0.8
0.6
0.4
0.2
0 0 1 2 3 4 5 6
250
Maksvelova raspodela
251
Funkcija raspodele
F (x) = P 3 x2 , 2 2a2 , x 0.
Momenti
mr = 2 k r 2 k!a , (r + 1)!!ar , r = 2k 1 r = 2k.
Specijalno,
m1 = a 8 3 a
8 1.596a, 16 5
D(X) = a2 3
0.6735a2 , 8
3 =
0.1483a3 ,
4 = a4 15
12.4535a4 .
Modus i medijana
M o(X) 1.414a, M e(X) 1.538a.
Neka svojstva
1. Q1 1.10115 a, Q3 2.02691 a. 2. Raspodela je pozitivno asimetriqna.
: G(3/2)
252
Maksvelova raspodela
Primena
Napomene
1 pri qemu je b = a2 i c = a2 .
2. Raspodela je dobila ime po xkotskom fiziqaru Maksvelu ( James Clerk Maxwell, 1831-1879). 3. Ako je v = (vx, vy , vz2) vektor brzine qija svaka komponenta ima N (0, 2) raspodelu, tada |v| /2 ima 2(3) raspodelu, a |v| ima M AX() raspodelu. Postoji vixe mogunosti. 1. Iz jednakosti F (x) = y sledi da je P
x=a 2P 1
Generisae
3 x2 , 2 2a2 3 ,y , 2
= y,
pa je
gde je P 1 inverzna funkcija nepotpune gama funkcije. 2. Sluqajan broj x iz M AX(a) raspodele moe da se dobije sa
x= 1 a
2 2 2 z1 + z2 + z3 ,
gde su z1, z2, z3 nezavisni sluqajni brojevi iz N (0, 1) raspodele. 3. Sluqajan broj x iz M AX(a) raspodele moe da se dobije sa z 2 /2a2 , gde je z sluqajan broj iz G1 (3/2) raspodele.
x =
108
MOJALOVA RASPODELA M O
(Standardna)
Gustina
1 1 g(x) = exp (x + ex ) , 2 2 x R.
Parametri
Nema parametara.
Grafik gustine
0.25
0.2
0.15
0.1
0.05
0 2
253
254
Mojalova raspodela
Funkcija raspodele
F (x) = 1 P 1 ex , 2 2 , x R.
Karakteristiqna funkcija
2it (t) = 1 it . 2
Momenti
m1 = ln 2 + 1.27036, 2 = 2 4.9348, 2 4 = 7 4 170.4659. 4
Fizika, hemija. Raspoelu je uveo Mojal ( J. E. Moyal) 1955. godine prouqavajui problem jonizacije.
Primena
Napomena
Generisae
Iz F (x) = y sledi
1P
1 ex , 2 2
= y,
109
NAKAGAMIJEVA RASPODELA N K(a, b, c)
Gustina
g(x) = 2cc b(c)
(troparametarska)
xa b
2c1
exp c
xa b
x > a.
Parametri
a (a R) c (c > 0)
Grafik gustine
1.5
a=0
c=1
b=1
c=2
0.5 c=3
c=0.5
255
256
Nakagamijeva raspodela
Funkcija raspodele
F (x) = c, c xa b
2
x > a.
Momenti
1 c+ 2 m1 = a + b , c(c) b 2 2 c + D(X) = b2 c2 (c) 1 2 .
3 2
3c c +
1 2
3/2 1 c c+ 2 3 (c) c 2 (c + 1) 1 2
64 c + 2 (X) =
c2 (c)
110
NORMALNA RASPODELA N (0, 1)
(standardna)
Gustina
1 1 g(x) = exp x2 , 2 2 x R.
Parametri
Nema parametara.
Grafik gustine
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 5
257
258
Normalna raspodela
Funkcija raspodele
F (x) = 1 2 x 1 + erf 2 , x R,
gde je erf funkcija grexke (videti Dodatak). Uobiqajena oznaka za funkciju raspodele standarne normalne raspodele je .
Entropija
H(X) =
1 1 + ln(2). 2 2
Karakteristiqna funkcija
(t) = et
2
/2
Momenti
mr = (2k 1)!!, 0, r = 2k r = 2k 1 m4 = 3, , k N.
Specijalno,
m2 = 1,
D(X) = 1.
Neka svojstva
1. Gustina raspodele je simetriqna u odnosu na x = 0. 2. Maksimum funkcije gustine je g(0) = 1 0.3989. 2 3. Prevojne taqke funkcije gustine su x = 1 i x = 1. 4. Raspodela ima 'tanke' krajeve. Na primer,
P {|X| > 2} 0.0455, P {|X| > 3} 0.0027, P {|X| > 4|} 0.000063.
5. Za x vazi
1 (x)
1 1 x2 /2 e x 2
Normalna raspodela
259
ili preciznije
1 1 x x3
2 2 1 1 ex /2 1 (x) ex /2 . 2 x 2
6. Ako X, Y tada
: N (0, 1)
4. Ako X, Y 2: N (0, 1) i ako su X i Y nezavisne sluqajne promen ive, tada X 2X Y 2 : AS2. + 5. Ako X1, X2, X3, X4 promen ive, tada 6. Ako X1, . . . , Xn : promen ive, tada 7. Ako X1, . . . , Xn : promen ive, tada 8. Ako X1, . . . , Xn : promen ive, tada
: N (0, 1)
2 X1
2 2 X1 + X2 2 + X 2 + X 2 : U (0, 1). + X2 3 4
N (0, 1)
i ako su i ako su
X1 , . . . , Xn
2 2 2 X1 + X2 + + Xn : 2 (n).
N (0, 1)
X1 , . . . , Xn
2 X1 : B2 2 2 2 X1 + X2 + + Xn
1 n2 , 2 2
N (0, 1)
i ako su
X1 , . . . , Xn
nezavisne sluqajne
2 2 2 (X1 + X2 + + Xn ) : (n).
260
Normalna raspodela
: N (0, 1)
1 2 n (X1
2 2 + X2 + + Xn )
Napomena
1. Raspodela se zove i Gausova standardna raspodela po velikom nemaqkom matematiqaru Gausu ( Carl Friedrich Gauss, 1777-1855). 2. Grafik gustine ima zvonasti oblik. Postoji vixe razliqitih metoda za generisae sluqajnog broja iz raspodele. Na primer, 1. Ako je un zbir n sluqajnih brojeva iz U (0, 1) raspodele i ako je
xn = un n/2 n/12 ,
Generisae
N (0, 1)
tada na osnovu centralne graniqne teoreme sledi da je broj xn iz raspodele koja je priblino normalna za velike vrdnosti n. U praksi je qak dovo no uzeti n > 12. 2. Ako su u i v sluqajni brojevi iz U (0, 1) raspodele, tada su brojevi x i y , dati sa
x= 2 ln u sin 2v, y= 2 ln u cos 2v,
nezavisni sluqajni brojevi iz N (0, 1) raspodele. 3. Neka su u i v sluqajni brojevi iz U (1, 1) raspodele i neka je
w = u2 + v 2 , z= 2 ln w . w N (0, 1)
Ako je w 1, tada su uz i vz nezavisni sluqajni brojevi iz raspodele. U protivnom ( w > 1), generisati ponovo u i v.
111
NORMALNA RASPODELA N (m, 2)
(dvoparametarska)
xm
2
Gustina
g(x) = 1 1 exp 2 2 , x R.
Parametri
m (m R)
Grafik gustine
0.8
m=0
0.7
=0.5
0.6
0.5
0.4
0.3
=1
0.2
0.1
=1.5
0 5
261
262
Normalna raspodela
Funkcija raspodele
F (x) = xm = 1 2 1 + erf xm 2 , x R, N (0, 1)
Entropija
H(X) =
1 + ln( 2). 2
Karakteristiqna funkcija
(t) = exp imt 2 t2 2 .
Generatrisa momenata
M (t) = exp mt + 2 t2 2 .
Momenti
r
mr =
j=0
mj rj rj ,
r N,
Vai i
E|X|r =
(r 1)!! r ,
2 r r 2 r! ,
r = 2k + 1
k N.
r N, r+1 2
r > 1.
4 = 3 4 .
Normalna raspodela
263
Modus i medijana
M o(X) = M e(X) = m.
Funkcija verodostojnosti
L= 1 (2)n/2 n
n
exp
i=1 n
(Xi m)2 2 2
ln L =
Kako je
Ocene parametara
ln L = m ln L = 2
1 2
(Xi m),
i=1 n
n 1 + 4 2 2 2
(Ci m)2 ,
i=1
Xi ,
i=1
2 =
1 n
(Xi m)2 .
i=1
Prema tome, uzoraqka sredina je ocena za m i ona je nepristrasna, a uzoraqka disperzija je ocena za 2 i ona je pristrasna. Umesto ocene 2 moe da se uzme ocena 2 koja je jednaka modifikovanoj uzoraqkoj sredini i koja je nepristrasna. Odgovarajue ocene i paramnetra su date sa = Sn i = n Sn , pri qemu je prva pristrasna, n1
E(S) =
a druga nepristrasna. 2 Ako je parametar m poznat, ocena za 2 je uzoraqka disperzija Dn. Za ocenu parametra m moe da se koristi 2i uzoraqka medijana koja je takoe nepristrasna ocena sa disperzijom . 2n
264
Normalna raspodela
Neka svojstva
3. Q1 = a 0.6745, Q3 = a + 0.6745. 4. Prevojne taqke gustine su x = m + i x = m . 5. Ako X : N (m, 2), tada je P {|X m| < 3} 0.997. Ova qienica je poznata kao 'pravilo 3'. 6. Od svih raspodela sa sredom vrednoxu m i 2disperzijom 2, najveu entropiju ima normalna raspodela N (m, ). 7. Normalna raspodela pripada klasi stabilnih raspodela, a samim tim i klasi beskonaqno de ivih raspodela. 8. Ako X : N (m, 2), tada aX + b : N (am + b, a22). 9. Ako X1, . . . , Xn : N (m, 2) i 2ako su X1, . . .2, Xn nezavisne sluqajne promen ive, tada X n : N (m, /n), a X n i Sn su nezavisne veliqine. 10. Ako Xi : N (mi, i2) za i = 1, . . . , n i ako su X1, . . . , Xn nezavisne sluqajne promen ive, tada
2 2 X1 + + Xn : N (m1 + + mn , 1 + + n ).
11. Xi : N (mi, i2) za i = 1, . . . , n i ako su X1, . . . , Xn nezavisne sluqajne promen ive, tada su sluqajne promen ive Y i Z date sa
n n
Y =
k=1
ak X k ,
n
Z=
k=1
b k Xk
2 nezavisne ako i samo ako je aak bk k = 0. Na primer, ako X1, X2 : k=1 N (m, 2 ) i ako su X1 i X2 nezavisne promen ive, tada su i X1 + X2 i X1 X2 nezavisne sluqajne promen ive, pri qemu vai i obrnuto tvree (Bernxtajnova teorema).
Xn n n 1 : t(n 1). Sn
Normalna raspodela
265
2. Ako X, Y : N (0, 2) i ako su X i Y nezavisne sluqajne promen ive, tada X 2 + Y 2 : R1(). 2 2 3. Ako X : N (0, 1 ), Y : N (0, 22) i 2ako su X i Y nezavisne sluqajne promen ive, tada X/Y : N (0, 1 /2 ), a sluqajna promen iva XY ima raspodelu qija je gustina data sa
g(x) = 1 K0 1 2 |x| 1 2 , x R,
gde je K0 modifikovana Beselova funkcija (videti Dodatak). 4. Ako X : N (m, 2), tada eX : LN2(m, ). 5. Ako X1, . . . , Xn : N (m, 2) i ako su X1, . . . , Xn nezavisne sluqajne promen ive, tada
(X1 m)2 + (X2 m)2 + + (Xn m)2 : G2 n , 2 2 . 2
Napomene
1. Drugi naziv za normalnu raspodelu je Gausova raspodela iako je raspodelu prvi uveo i koristio u aproksimaciji binomne raspodele engleski matematiqar Muavr ( Abraham de Moivre, 1667-1754) jox 1733. godine. Koriste se i nazivi Gausov zakon, Gaus-Laplasova raspodela, drugi Laplasov zakon . 2. Grexke pri mereu neke veliqine qesto imaju normalnu raspodelu. 3. Za proveru hipoteze da dato obeleje ima normalnu raspodelu koriste se razni testovi, kao xto su Kolmogorov-Smirnov, Liliiiefors, Anderson-Darling, Ryan-Joiner, Shapiro-Wilk, Jarque-Bera, normal probability plot (rankit plot). 4. Znaqaj normalne raspodele je i u tome xto dobro aproksimira neke druge raspodele, kako neprekidne, tako i diskretne. Za sluqaj aproksimacije binomne raspodele normalnom, odgovarajue uslove i tvree daje Muavr-Laplasova teorema. 5. Normalna raspodela, pod odreenim uslovima, dobro aproksimira i zbir velikog broja nezavisnih sluqajnih promen ivih sa istom raspodelom. Postoji vixe tvrea koja se na to odnose i svako od ih nosi naziv centralna graniqna teorema .
Ako je x sluqajan broj iz N (0, 1) raspodele, tada je y = m + x sluqajn broj iz N (m, 2) raspodele.
Generisae
112
NORMALNA RASPODELA N Z(m, 2, T1, T2)
Gustina
g(x) = 1 T2 m
(zaseqena na [T , T ])
1 2
1 1 exp T1 m 2 2
xm
T 1 x T2 .
Parametri
m, T1 , T2 (m, T1 , T2 R, T1 < m < T2 ) ( > 0)
Grafik gustine
0.5 0.45 m=0 =1 0.4
{ parametar skaliraa.
{ parametri lokacije
T1=2, T2=1
0.25
0.2
0.15
0.1
0.05
0 3
2.5
1.5
0.5
0.5
1.5
266
113
NORMALNA RASPODELA N ZD(m, 2, T )
Gustina
g(x) =
(zaseqena na (, T ])
1 1 exp 2 2 xm
1 T m
x T.
Parametri
m, T (m, T R, m < T ) ( > 0)
Grafik gustine
0.7 m=0 0.6 =1
T=0.5 0.5
0.4
T=1
0.3
0.2 T=3
0.1
0 4
267
114
NORMALNA RASPODELA N ZL(m, 2, T )
Gustina
g(x) =
1 T m 1
xm
x T.
Parametri
m, T (m, T R, T < m) ( > 0)
Grafik gustine
m=0 0.6 =1
T=0.5
0.3
0.2
T=3
0.1
0 3
268
115
NORMALNA RASPODELA N P (m, 2)
Gustina
x m.
Parametri
m (m R) ( > 0)
Grafik gustine
0.8
0.5
0.4
=1 0.3
0.2
=2
0.1
269
270
Normalna raspodela
Funkcija raspodele
F (x) = a xm , x m.
Momenti
m1 = m + 2 m + 0.798, 2 = D(X) = 2 2 0.363 2 .
Modus i medijana
M o(X) = m, M e(X) m + 0.6745.
Ako je parametar m poznat, ocena 2 2za 2, po metodi maksimalne verodostojnosti, je uzoraqka disperzija Dn.
Ocene parametara
1. N P (m, 2) = N ZL(m, 2, m). 2. Ako X : N (0, 1), tada m + |X| : N P (m, 2). 3. Ako X1, . . . , Xn : N P (m, 2) i ako su X1, . . . , Xn nezavisne sluqajne promen ive, tada
(X1 m)2 + (X2 m)2 + + (Xn m)2 : G2 n , 2 2 . 2
Napomene
1. Iako je raspoela specijalan sluqaj zaseqene raspodele sa leve strane, ona ima posebno ime. U literaturi na engleskom poznata je kao folded normal distribution ili half normal distribution. 2. Za m = 0 raspodela je poznata i kao error function distribution, a ena funkcija raspodele je funkcija grexke erf .
116
PARETOVA RASPODELA P AR(a)
(standardna, jednoparametarska)
g(x) = a , xa+1 x 1.
Gustina Parametri
a (a > 0)
Grafik gustine
2 1.8
{ parametar oblika.
1.6
0.2
271
272
Paretova raspodela
Funkcija raspodele
F (x) = 1 1 , xa x 1.
Momenti
m1 = a (a > 1), a1 D(X) = a a a2 a1
2
, (a > 2).
Ocene parametara
ln Xi
i=1
Neka svojstva
Za g i F vai jednakost
g(x) a = . 1 F (x) x
Napomene
1. Raspodela je dobila ime po italijanskom ekonomisti i matematiqaru Paretu (Wilfredo Pareto, 1848-1923). 2. Raspodela se zove i standardna Paretova . Ako se poqetak translira u nulu, tada je a
g(x) =
(1 + x)a+1
x 0,
a , (x c)a+1
x c + 1.
Generisae
x = 1/u1/a
sluqajan
117
PARETOVA RASPODELA P AR2(a, b)
(dvoparametarska)
g(x) = aba , xa+1 x b.
Gustina Parametri
a (a > 0)
Grafik gustine
2 1.8 1.6
a=4
b=2
a=3 1.4 1.2 a=2 1 0.8 a=1 0.6 a=0.5 0.4 0.2 0 2 2.5 3 3.5 4 4.5 5
273
274
Paretova raspodela
Funkcija raspodele
F (x) = 1 b x
a
x b.
Karakteristiqna funkcija
(t) = a(ibt)a (a, ibt).
Momenti
mr = 3 = abr (a > r), ar 2 = D(X) = 4 = b2 a (a > 2), (a 2)(a 1)2 2a(a + 1)b3 (a > 3), (a 1)3 (a 2)(a 3) 3a(3a3 + a + 2)b4 (a > 4). (a 1)4 (a 2)(a 3)(a 4)
Modus i medijana
M o(X) = b, M e(X) = b21/a .
Funkcija verodostojnosti
L= aba 1 n an a+1 = a b a+1 . Xi Xi i=1 i=1
n n n
ln L = n ln a + an ln b (a + 1)
i=1
ln Xi
Ocene parametara
Ocene a i b po metodi maksimalne verodostojnosti su
n
a=n
i=1
ln
Xi b
b = Xmin ,
Paretova raspodela
275
a=n
Xi ln b i=1
pri qemu je
E = a
kao i
Metoda momenata
n a, n1
D() = a
n 2 a2 , (n 1)2 (n 2)
2na : 2 (2n). a
D(a),
D(b) =
b2 , a(n 1)(na 2)
n>
2 . a
Neka svojstva
2. Q1 = b
4 3
Q3 = 41/a b.
1. Raspodela je specijalan sluqaj Pirsonove raspodele tipa V I (P IR6) 2. P AR2(a, 1) = P AR(a). 3. P AR2(a, b) = P AR4(a, b, b, 1). 4. Ako X : E(1), tada beX/a : P AR2(a, b). 5. Ako X
: P AR2(a, b)
, tada 2a ln X b
: 2 (2)
276
Paretova raspodela
Ekonomija (analiza dohotka), astronomija (vliqina meteorita), meteorologija (brzina vetra), lingvistika, energetika (rezerve nafte na naftonosnim po ima).
Primena
Napomene
1. Raspodelu je uveo Pareto ( Wilfredo Marquis Pareto, 1848-1923) bavei se problemima u ekonomiji. 2. Raspodela se zove i Paretova raspodela druge vrste . Ako se poqetak translira u nulu, tada je
g(x) = aba , (b + x)a+1 x 0,
Generisae
Ako je F (x) = y, tada je x = (1 by)1/a , pa se niz sluqajnih brojeva sa x Paretovom raspodelom P AR2(a, b) generixe pomou niza sluqajnih brojeva y sa uniformnom raspodelom U (0, 1).
118
PARETOVA RASPODELA P ARZ(a, b, c)
Gustina
b x
a+1
b x c.
Parametri
a (a > 0)
Grafik gustine
1.8
1.6
a=0.5 b=1
0.8
277
278
Funkcija raspodele
F (x) = 1 b c
a 1
b x
b x c.
Ocena a maksimalne verodostojnosti za nepoznati paranetar a, kad su parametri b i c poznati, dobija se iz jednaqine
1 + a b c 1
a
Ocene parametara
ln b c
b c
a
1 n
ln Xi ln b.
i=1
Raspodela naftnih po a.
Primena
119
PARETOVA RASPODELA P AR3(a, b, c)
(troparametarska)
a + bc + bx bx ce , (x + c)a+1
Gustina
g(x) = x 0.
Parametri
a, c (a > 0, c > 0)
Grafik gustine
1.4
b=10
0.8
0.6
0.4 b=2
0.2 b=0.1 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
279
120
PARETOVA RASPODELA P AR4(a, b, c, d)
(qetvoroparametarska)
xc b
1/d1
Gustina
a g(x) = bd 1+ xc b
1/d a1
x c.
Parametri
a, d (a, d > 0) c (c > 0)
Grafik gustine
1.6
1.4
1.2 d=0.1 1
0.8 d=0.2
0.6 d=0.5
0.4
0.2
280
Paretova raspodela
281
Funkcija raspodele
F (x) = 1 1+ xc b
1/d a
x c.
0.9
a=2 b=2
0.8
c=1
0.7
0.6
0.1
121
PARETOVA RASPODELA P ARU 1(a, b)
(uopxtena, dvoparametarska)
1 ax 1 b b
1/a1
Gustina
g(x) = ,
Parametri
a (a > 0)
Grafik gustine
0.5 0.45
0.35 a=0.4
0.3
0.15
0.1
0.05
282
283
Funkcija raspodele
F (x) = 1 1 ax b
1/a
Momenti
m1 = b , 1+a 2 = b2 (1 + a)2 (1 + 2a) .
Ocene parametara
Ocene a i b po metodi maksimalne verodostojnosti se dobijaju iz jednakosti n n 1
1+ 1 n a ln 1 Xi b i=1 a= 1 n 1 n 1+
i=1
a b
= 1,
Za a < 1/2 ocene su konzistentne, asimptotski normalne i asimptotski efikasne. Ocene a i b po metodi momenata date su sa
a= 1 2 X 1 , S2
2
a ln 1 Xi . b i=1
Metoda momenata
b=
1 X 2
X +1 . S2
Neka svojstva
Za g i F vai
g(x) 1 = . 1 F (x) b ax
284
Primena
122
PARETOVA RASPODELA P ARU 2(a, b, c, d)
(uopxtena, qetvoroparametarska)
g(x) = a + bc + bx x+c d+c x+c
a
Gustina
eb(xd) , x d.
Parametri
a (a > 0) c, d (c, d > 0)
Grafik gustine
3.5
0.5
285
286
Funkcija raspodele
F (x) = 1 d+c x+c
a
eb(xd) ,
x d.
0.9
0.8
0.5
a=2
0.1
Napomena
123
PIRSONOVA RASPODELA P IR1(a, b, c)
(tip I , troparametarska)
x a
c
Gustina
g(x) = K 1 + 1 x b
bc/a
a x b.
Parametri
a, b, c (c, bc/a 1)
Grafik gustine
0.7
{ parametri oblika.
0.6
0.5
b=1 0.4
0.3
b=2
0.2
0.1
0 2
1.5
0.5
0.5
1.5
287
288
Pirsonova raspodela
1.2
0.8
0.6
0 1
0.5
0.5
1.5
Napomena
124
PIRSONOVA RASPODELA P IR2(a, b)
(tip II , dvoparametarska)
g(x) = K 1 x2 a2
b
Gustina
. 1 x a.
Parametri
b (b 1)
Grafik gustine
0.7
a=2
0.6
b=4
0.5
b=2
0.4
0.1
0 2
1.5
0.5
0.5
1.5
289
290
Pirsonova raspodela
1.6
0.8
0.6
0 2
1.5
0.5
0.5
1.5
Napomena
125
PIRSONOVA RASPODELA P IR3(a, b)
Gustina
g(x) = K 1 + ebx , a x < .
Parametri
a, b (a, b > 0)
Grafik gustine
0.7
{ parametri oblika.
a=2 0.6
b=5 0.5
0.4
b=2 0.3
0.2 b=1
0.1
0 2
291
292
Pirsonova raspodela
a=1
0.4 a=2
0.3
0.2
a=5 0.1
0 6
Napomena
126
PIRSONOVA RASPODELA P IR4(a, b, c)
(tip IV , troparametarska)
x2 a2
b
Gustina
g(x) = K 1 + exp c arctan x , a x R.
Parametri
b, c (b, c > 0)
Grafik gustine
0.35
0.25
0.2
0.15
b=1 0.1
b=0.5 0.05
0 5
293
294
Pirsonova raspodela
0.4
0.3
0.2
a=2
0.1
a=5
0 5
0.7
0.4
c=2
0.1
0 5
Napomena
127
PIRSONOVA RASPODELA P IR5(a, b)
(tip V , dvoparametarska)
g(x) = K xa eb/x , x 0.
Gustina Parametri
a (a > 1)
Grafik gustine
0.5 0.45
0.2
b=5
0.15
b=10
0.1
0.05
295
296
Pirsonova raspodela
0.7 b=2
0.4
0.3
0.2
0.1 a=2 0 2 3 4 5 6 7 8 9 10 11
Napomena
128
PIRSONOVA RASPODELA P IR6(a, b, c)
(tip V I , troparametarska)
g(x) = K xa (x c)b , x c.
Gustina Parametri
a, b (b > 0, a > b + 1)
Grafik gustine
1.4
0.8
0.6 b=1
297
298
Pirsonova raspodela
0.4
0.3
a=5
0.2
0.1
a=4
0.35
b=1
a=3
0.05
0 1 2 3 4 5 6 7 8
Napomena
129
PIRSONOVA RASPODELA P IR7(a, b)
(tip V II , dvoparametarska)
g(x) = K 1 + x2 a2
b
Gustina
. x R.
Parametri
a (a R)
Grafik gustine
0.7
a=2 0.6
0.5
b=5
0.4
0.1 b=1
0 3
299
300
Pirsonova raspodela
b=2 0.6
0.5 a=1
0.4
0.3 a=2
0 3
Napomena
130
PIRSONOVA RASPODELA P IR8(a, b)
Gustina
, a x 0.
Parametri
a (a > 0)
Grafik gustine
3.5
a=2
2.5
b=0.3 2
1.5
b=0.2
b=0.1 1
0.5 2
1.98
1.96
1.94
1.92
1.9
1.88
1.86
1.84
1.82
1.8
301
302
Pirsonova raspodela
14 b=0.5
12
10
a=3
a=2 6
4 a=1 2
0 3
2.5
1.5
0.5
Napomene
131
PIRSONOVA RASPODELA P IR9(a, b)
(tip IX , dvoparametarska)
g(x) = K 1 + x a
b
Gustina
, a x 0.
Parametri
a (a > 0)
Grafik gustine
3
a=2 2.5
b=5 2
1.5
b=0
b=2
0.5
0 2
1.8
1.6
1.4
1.2
0.8
0.6
0.4
0.2
303
304
Pirsonova raspodela
2.5 b=2
2 a=3
1.5
1 a=2
a=1 0.5
0 3
2.5
1.5
0.5
Napomena
132
PIRSONOVA RASPODELA P IR11(a, b)
(tip XI , dvoparametarska)
g(x) = (a 1)ba1 xa , b x < .
Gustina Parametri
a (a > 1)
Grafik gustine
1.4
1.2 a=2
1 b=1
0.8
0.2
0 1 2 3 4 5 6 7 8
305
306
Pirsonova raspodela
1.2
1 a=3 0.8
0.6
0.4
0.2
a=2
Napomena
133
PIRSONOVA RASPODELA P IR12(a, b, c)
Gustina
, a x b.
Parametri
a, b (a, b > 0)
Grafik gustine
1.8
1 c=2 0.8
0.2
307
308
Pirsonova raspodela
0.6
b=2
0.5
b=1
0.4
0.3
0.2
0.1
0 2
1.5
0.5
0.5
1.5
Napomene
134
RELEJEVA RASPODELA R1()
(jednoparametarska)
x2 x exp 2 2 2 ,
Gustina
g(x) = x 0.
Parametri
( > 0)
Grafik gustine
3.5
- skaliraa.
1.5 =0.5
=1
=2
0.5
309
310
Relejeva raspodela
Funkcija raspodele
F (x) = 1 exp x2 2 2 , x 0.
m3 = 3 3
3.76 3 , 2
m4 = 8 4 ,
D(X) =
4 2 0.43 2 , 2 4 =
3 = ( 3) 3
0.178 3 , 2
32 3 2 4 0.598 4 . 4
Modus i medijana
M o(X) = , M e(X) = ln 4 1.17741.
Ocene parametara
2 ,
Relejeva raspodela
311
vai 2n 2 2
: 2 (2n).
Neka svojstva
1. Q1 =
2 ln 3 0.75853, Q3 = 2 ln 4 1.66511. 4
2. CV = 4 1 3.41.
: E1 (1)
2. Ako X : R(), tada X2 : 2(2). 3. R(a) = (0, a, 2). 4. Ako X, Y : N (0, 2)i ako su X i Y nezavisne sluqajne promen ive, tada X 2 + Y 2 : R(). 5. Ako X1, . . . , Xn : R1(2) i ako su X1, . . . , Xn nezavisne sluqajne promen ive, tada 2 2 2
X1 + X2 + + Xn : G2 (n, 22 ).
Primena
Napomene
1. Raspodela je dobila ime po engleskom fiziqaru Releju ( Lord Rayleigh, 1842-1919), inaqe dobitniku Nobelove nagrade iz oblasti fizike 1904. godine. 2. Raspodela R1(1) je standardna Relejeva raspodela. 3. Postoje i druge parametrizacije gustine, na primer,
g(x) =
2x x2 / e , 2x x2 /b2 e , b2
2
> 0,
b > 0,
g(x) = 2axeax ,
a > 0,
312
Relejeva raspodela
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = 2 ln u sluqajan broj iz R() raspodele. Jox jedna mogunost za generisae sluqajnog broja x iz R() raspo1 dele je x = y2 + z2, gde su y i z nezavisni sluqajni brojevi iz N (0, 1) raspodele.
Generisae
135
RELEJEVA RASPODELA R2(c, )
(dvoparametarska)
(x c)2 xc exp 2 2 2 ,
Gustina
g(x) = x c.
Parametri
c (c R)
Grafik gustine
1.4
c=0.5 1.2
c=0
c=0.5
=0.5
0.8
0.6
0.4
0.2
0 0.5
0.5
1.5
2.5
313
314
Relejeva raspodela
Funkcija raspodele
F (x) = 1 exp 1 2 xc
2
x c.
Momenti
m1 = c + c + 1.253314, 2 D(X) = 4 2 0.42904 2 . 2
Modus i medijana
M o(X) = c + , M e(X) = c + ln 4 c + 1.17741.
Ocene parametara
Ocene za i c za nepoznate parametre i c dobijaju se iz sistema
= 1 2n
n
(Xi c)2 ,
i=1 n
n(X n c) 1 1 2n n i=1 Xi c
(Xi c)2 = 0.
i=1
Metoda momenata
(Xi X n )2
i=1
2 , 4
c = Xn
. 2
Relejeva raspodela
315
Napomena
pri qemu je = 2,
g(x) = (x c) exp 2a2 xc 2a
2
pri qemu je a = . Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = c + 2 ln u sluqajan broj iz R2(c, ) raspodele.
Generisae
136
RELEJEVA RASPODELA RD(c, )
(dvostrana, dvoparametarska)
g(x) = |x c| 1 exp 2 2 2 xc
2
Gustina
, x R.
Parametri
c (c R)
Grafik gustine
0.7
RD(c,)
0.6
c=1 =0.5
0.5
0.4
0.3
0.2
0.1
0 1
0.5
0.5
1.5
2.5
316
137
RAJSOVA RASPODELA RC(a, b)
(dvoparametarska)
x2 + a2 2b I0 x|a| , b
Gustina
x g(x) = e b x > 0.
Parametri
a (a R)
Grafik gustine
0.7
0.6
a=0, b=1
0.5
0.4
0.3
a=0, b=5
0.2
0.1
0 0 1 2 3 4 5
317
318
Rajsova raspodela
Momenti
mr = br/4 2r/2 1 +
r a2 Lr/2 2 2b
m4 = 8b2 + 8ba2 + a4 ,
m5 = 15b
b a2 L5/2 2 2b .
D(X) = 2b + a2
a2 b 2 L1/2 2 2b
Pogledati
138
STEPENA RASPODELA S(a)
(jednoparametarska)
g(x) = axa1 , 0 x 1.
Gustina Parametri
a (a > 0)
Grafik gustine
5 4.5
{ parametar oblika.
4 a=5 3.5
3 a=3 a=0.1
2.5
2 a=0.5 a=2
1.5
0.5
319
320
Stepena raspodela
Funkcija raspodele
F (x) = xa , 0 x 1.
Momenti
m1 = a , a+1 D(X) = a . (a + 1)2 (a + 2)
Modus i medijana
M o(X) = 0, 1, a<1 , a1 M e(X) = 21/a .
Ocene parametara
ln xi
i=1
vai
D(a)
X 1X n .
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = u1/a sluqajan broj iz ST (a) raspodele.
Generisae
139
STUDENTOVA RASPODELA t(n)
(jednoparametarska)
x2 n
(n+1)/2
Gustina
n+1 2 g(x) = n n 2 1+ , x R.
Parametri
n (n N )
Grafik gustine
0.4
{ parametar oblika.
n=10 0.35
0.3
n=1
0.25
0.2
0.15
0.1
0.05
0 5
321
322
Studentova raspodela
Za t 0 je
Funkcija raspodele
F (x) = 1 IB 2 n 1 n , , n + x2 2 2 n 1 n , , n + x2 2 2 ,
a za t > 0 je
1 F (x) = 1 IB 2
Momenti
m2k1 = 0, m2k = 2k = nk
Specijalno,
m1 = 0,
D(X) =
Modus i medijana
M o(X) = M e(X) = 0.
i ako su
i Y nzavisne sluqajne
1 , tada 1 + X 2/n
5. Ako X, Y
: F (n, n)
Studentova raspodela
323
6. Za veliko n raspodela t(n) moe da se aproksimira sa sledeoj slici je data gustina za t(10) i za N (0, 1).
0.4 N(0,1) 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 4 t(10)
N (0, 1)
. Na
8. Ako je (X1, X2, . . . , Xn) prost uzorak iz N (m1, 2) raspodele i ako je (Y1 , Y2 , . . . , Yk ) uzorak iz N (m2 , 2 ) raspodele, tada
X n Y k (m1 m2 )
2 nS n (X)
2 kS k (Y
Napomene
1. Raspodelu je uveo engleski hemiqar i statistiqar Goset ( William Sealey Gosset, 1876-1937) koji se predstav ao pod pseudonimom Student. 2. Raspoela je specijalan sluqaj Pirsonove raspodele tip V II (PIR7).
324
Studentova raspodela
3. Za raspodelu t(2) je
g(x) = 1 , (2 + x2 )3/2 F (x) = 1 2 1+ x 2 + x2 , x R.
Ako je y sluqajan broj iz N (0, 1) raspodele i z sluqajan broj iz raspodele, tada je x = n y sluqajan broj iz t(n) raspodele. z
Generisae
2 (n)
140
STUDENTOVA RASPODELA t(n, a, b)
(troparametarska)
1 1+ n xa b
2
Gustina
n+1 2 g(x) = n b n 2
(n+1)/2
x R.
Parametri
n (n N ) b (b > 0)
Grafik gustine
0.4
n=1
0.35
0.2
0.15
0 5
325
326
Studentova raspodela
Funkcija raspodele
Ako je t = x a , tada je za t 0 b
F (x) = 1 IB 2 n 1 n , , 2 2 2 n+t n 1 n , , 2 2 2 n+t ,
a za t > 0 je
1 F (x) = 1 IB 2
Momenti
m1 = 0, D(X) = n 2 b , (n > 2). n2
Modus i medijana
M o(X) = M e(X) = 0.
Neka svojstva
1. Gustina je simetriqna u odnosu na x = a. 2. Momenat reda k postoji za k < n. 1. t(n, 0, 1) = t(n). 2. t(n, 0, 1) = t(n, 0).
141
STUDENTOVA RASPODELA t (n, c)
Gustina
(dvoparametarska, necentralna)
2
ec /2 g(x) = n 1 2 2
n+k+1 2
(n+k+1)/2
x2 1+ n
x R.
Parametri
n (n N )
Grafik gustine
0.35
n=1
c=0 0.3 c=1 0.25 c=2 0.2 c=3 0.15 c=4
0.1
0.05
0 5
10
327
328
Za x 0 je
Funkcija raspodele
1 ec /2 F (x) = 1 2 2
2
k=0
(c 2)k k!
k+1 2
IB
n k+1 n , , n + x2 2 2
a za x > 0 je
F (x) = 1 1 ec /2 2 1 2
2
k=0
(c 2)k k!
k+1 2
IB
n k+1 n , , n + x2 2 2
Momenti
m1 = n n1 2 c, 2 n 2 D(X) = n (1 + c2 ) m2 , (n > 2). 1 n2
Napomena
k=0
n+k+1 2
ck k!
2x2 n + x2
k/2
142
TROUGAONA RASPODELA T R(a, b, c)
(troparametarska)
2(x a) (b a)(c a) , 2(b x) , (b a)(b c)
Gustina
axc c x b. g(x) =
Parametri
a, b (a, b R), (b > a)
Grafik gustine
0.7 a=1 0.6 b=2 c=0 0.5
0.4
0.3
a=1 b=3
0.2
c=0
0.1
0 1
0.5
0.5
1.5
2.5
329
330
Trougaona raspodela
Funkcija raspodele
F (x) = 2 (x a) (b a)(c a) , 1 axc cxb (b x)2 , (b a)(b c)
Entropija
H(X) = 1 + ln 2 ba 2 .
Karakteristiqna funkcija
(t) = 2 (b c)eiat (b a)eitc + (c a)eibt . t2 (b a)(c a)(b c)
Generatrisa momenata
M (t) = 2 (b c)eat (b a)etc + (c a)ebt . t2 (b a)(c a)(b c)
Momenti
m1 = m3 = 2 = 1 (a + b + c), 3 m2 = 1 2 (a + b2 + c2 + ab + ac + bc), 6 1 3 (a + b3 + c3 + a2 b + a2 c + b2 a + b2 c + c2 a + c2 b + abc), 10 3 = 1 (a + b 2c)(a + c 2b)(b + c 2a), 270
1 2 (a + b2 + c2 ab ac bc), 18 4 =
Modus i medijana
M o(X) = c, M e(X) = a + b (b a)(c a) , 2 (b a)(b c) , 2 ba 2 ba c 2 c
Trougaona raspodela
331
Napomene
1. Za a = b i c = 0 raspodela je nekada kori71ena za analizu grexaka, xto je kasnije preuzela Gausova raspodela. 2. Raspodela je poznata i kao Simpsonova raspodela .
Generisae
143
UNIFORMNA RASPODELA U (a, b)
(dvoparametarska)
g(x) = 1 , ba x [a, b].
Gustina Parametri
a, b (a < b)
Grafik gustine
0.5
{ parametri lokacije.
a=1
b=1
0.4
b=2
0.3
b=3
0.2
b=4 0.1
0 2
332
Uniformna raspodela
333
Funkcija raspodele
F (x) = xa , ba x [a, b].
Entropija
H(X) = ln(b a).
Karakteristiqna funkcija
(t) = eitb eita . it(b a)
Generatrisa momenata
M (t) = etb eta . t(b a)
Momenti
mr =
Specijalno,
m1 =
Centralni momenti
2k1 = 0,
a+b , 2
2k =
1 2k + 1
ba 2
2k
kN
Specijalno,
2 = D(X) =
(b a)2 , 12
4 =
(b a)4 . 80
Modus i medijana
M o(X)
{ nije jedinstven ,
M e(X) =
a+b . 2
334
Uniformna raspodela
Ocene parametara
Ocene a i b nepoznatih parametara a i b su
a = Xmin , b = Xmax ,
pri qemu je
E(a) = na + b , n+1 E(b) = a + nb , n+1 D(a) = D(b) = n(b a)2 . (n + 1)2 (n + 2)
Metoda momenata
b = X + Sn 3.
Ocene a i b date sa
a = nXmin Xmax , n1 b = nXmax Xmin n1
Neka svojstva
1. Ako X 2. Ako X
: U (0, 1) : U (a, b)
, tada 1 X
: U (0, 1)
. .
, tada X aa b
: U (0, 1)
Uniformna raspodela
335
: U (0, 1)
1 3. Ako X : U (0, 1), tada ln X : E1(). 4. Ako su X1, . . . , Xn : U (0, 1) nezavisne sluqajne promen ive i ako je X(1) , . . . , X(n) statistika poretka, tada X(k) : B2 (k, n k + 1).
Primena
Napomena
U (0, 1)
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = a + (b a)u sluqajan broj iz U (a, b) raspodele.
Generisae
144
FIXEROVA RASPODELA F (m, n)
(dvoparametarska)
Gustina
m m/2 xm/21 n g(x) = , m n m m/2+n/2 B , 1+ x 2 2 n x > 0.
Parametri
m, n (m, n N )
Grafik gustine
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3
m=2, n=3
m=5, n=4
m=10, n=4
m=4, n=4 0.2 m=3, n=4 0.1 0 0 0.5 1 1.5 2 m=2, n=1 m=2, n=2
336
Fixerova raspodela
337
Funkcija raspodele
mx F (x) = I mx+n
m n , , 2 2
x 0,
Karakteristiqna funkcija
m n n , , it . 2 2 m
Momenti
mr =
n m
r>
n , 2
m0 = 1.
Specijalno,
m1 = n (n > 2), n2 D(X) = 2n2 (m + n 2) , m(n 2)2 (n 4) (n > 4).
Neka svojstva
1 1. Ako X : F (m, n), tada X : F (n, m). 2. Za m 2 gustina raspodele ima maksimum u n(m 2) M o(X) = . m(n + 2) x = 0
, a za m > 2 je
338
Fixerova raspodela
2. Ako X 3. Ako X
: 2 (m)
iY
: 2 (n)
n , tada m X Y : B2
: F (m, n) m n , 2 2
: F (m, n)
mX , tada n + mX
4. Ako X : F (m, n), tada m X : BP (m, n). n 5. Ako X, Y : L1(a) i ako su X i Y nezavisne sluqajne promen ive, tada |X/Y | : F(2, 2). 6. Ako X : G2(m1, n1) i Y : G2(m2, n2) i ako su X i Y nezavisne sluqajne promen ive, tada m21n21X : F (2m1, 2m2). m n Y 7. Ako X 8. Xi
: F (n, n)
, tada
n 2
1 X X
: t(n)
: N (a, 2 ) i = 1, . . . , m X1 , . . . , Xm , Y1 , . . . , Yn 1 m 1 n
m
za
(Xi a)2
i=1 n
(Xi X)2
i=1 n
j=1
1 n1
: F (m 1, n 1). (Yj Y )
2
j=1
Y =
2n 1
m X 2m 1 n , m 1+ X n
X 1/3 1 Z=
2 9n
2 9m
2 2 + X 2/3 9m 9n
tada Y i Z imaju priblino normalnu raspodeleu N (0, 1). Analiza varijanse, testirae hipoteza o jednakosti disperzija.
Primena
Napomene
1. Raspodela je dobila ime po engleskom statistiqaru i genetiqaru Fixeru (Ronald Aylmer Fisher, 1890-1962), a qesto se koristi i naziv F -raspodela.
Fixerova raspodela
339
2. U literaturi na engleskom jeziku raspodela je poznata i kao Snedecor distribution po ameriqkom statistiqaru Snedekoru ( George Waddel Snedecor, 1881-1974) ili kao Fisher-Snedecor distribution ili kao varianceratio distribution. 3. Funkcija gustine moe da se zapixe i u obliku
g(x) =
ili
1 xB(m/2, n/2)
mx mx + n
m/2
mx mx + n
n/2
g(x) =
1 xB(m/2, n/2)
4. Raspodela je definisana i za realne pozitivne vrednosti parametara. Ako je y sluqajan broj iz raspodele 2(m) i z sluqajan broj iz raspodele ny 2 (n), tada je x = sluqajan broj iz F (m, n) raspodele. mz
Generisae
145
FIXEROVA Z RASPODELA F Z(m, n)
(dvoparametarska)
Gustina
g(x) = 2mm/2 nn/2 emx , m n m/2+n/2 (me2x + n) B , 2 2 x R.
Parametri
m, n (m, n N )
Grafik gustine
0.7
0.5
n=2
0.4
n=1 0.3
0.2
0.1
0 2
1.5
0.5
0.5
1.5
340
146
FON MIZISOVA RASPODELA F M (a, b)
(dvoparametarska)
x (0.2], I0 (x)
Gustina
g(x) = eb cos(xa) , 2I0 (b)
Beselova funkcija.
Parametri
a (0 a 2)
Grafik gustine
0.8
0.8
a=1
0.6 b=2 0.4 0.2 0 0 2 4 6 b=1 0.6
a=0
b=2 0.4 b=1 0.2 0 0 2 4 6
0.8
0.8
a=1
0.6 b=2 0.4 0.2 0 0 2 4 6 b=1 0.4 b=1 0.2 0 0 2 4 0.6 b=2
a=3
341
342
Funkcija raspodele
gde je Ij Beselova funkcija.
1 Ij (b)x sin(j(x a)) xI0 (b) + 2 , F (x) = 2I0 (b) j j=1 x (0, 2],
Momenti
m1 = a,
D(X) = 1
Ia (b) , I0 (b)
Napomene
1. Raspodelu je uveo austrijski matematiqar Fon Mizis ( Richard von Mises, 1883-1953) 1918. godine radei na modelirau cikliqnih podataka. 2. Raspodela je poznata i kao cirkularna normalna .
147
FON MIZISOVA RASPODELA F M B(a, b)
(bimodalna, dvoparametarska)
x (0.2], I0 (x)
Gustina
g(x) = eb cos 2(xa) , 2I0 (b)
Beselova funkcija.
Parametri
a (0 a 2)
Grafik gustine
0.8 a=1 0.6
0.4
0.4
0.2
b=1
0.2
b=1
0 0 2 4 6
0 0 2 4 6
0.4
0.2
b=1
0.2
b=1
0 0 2 4 6
0 0 2 4 6
343
148
HELMERTOVA RASPODELA H(n)
(dvoparametarska)
Gustina
g(x) =
2 nn/21/2 xn2 enx /2 , n1 2n/23/2 2
x 0.
Parametri
n (n N, n = 1)
Grafik gustine
1.8 1.6
n=8
1 n=4 0.8
0.6 n=3
0.4
0.2
344
149
HI RASPODELA 1(a)
(jednoparametarska)
1 2a/21 (a/2) xa1 ex
2
Gustina
g(x) =
/2
x > 0.
Parametri
a (a > 0)
Grafik gustine
1 0.9 0.8 0.7
{ parametar oblika.
345
346
Hi raspodela
Funkcija raspodele
F (x) = P a x2 , 2 2 , x > 0.
Entropija
H(X) = ln a 1 a + (a ln 2 (a 1) . 2 2 2
Karakteristiqna funkcija
1 (t) = (a/2)
k=0
( 2ti)k k!
a+k 2
Generatrisa momenata
M (t) = t 2 a+1 2 a M 2 a + 1 3 t2 , , 2 2 2 .
Momenti
mr (X) =
Specijalno,
m1 (X) = a+1 2 2 , (a/2) m2 = a,
r N.
m3 = (a + 1)m1 ,
D(X) = a 2
2 a+1 2 . 2 (a/2)
Modus i medijana
M o(X) = a 1, M e(X) 2 a . 3
gde je =
m1 (1 2 2 ), 3
2 (X) =
2 m1 1 (X) 2, 2
D(X).
Hi raspodela
347
1. Ako X : 2(a), onda X : (a). 2. Ako su X1, X2, . . . , Xn nezavisne sluqajne veliqine sa N (0, 1) raspoden lom, onda Xi : (n).
i=1
150
HI RASPODELA 2(a, b)
(dvoparametarska)
Gustina
g(x) = 1 x2 xa/21 exp 2 2b 2a/21 ba (n/2) , x > 0.
Parametri
a (a > 0)
Grafik gustine
0.7
0.6 b=1
a=2
0.5
0.4
0.3
b=2
0.2
b=3
b=5 0.1
0 0 1 2 3 4 5 6 7 8 9 10
348
Hi raspodela
349
Funkcija raspodele
F (x) = P a x2 , 2 2b2 , x > 0.
Momenti
mr = 2r/2 br
Specijalno,
m1 (X) = 2b a+1 2 , a 2
r+a 2 , a 2
r > a.
a+1 2 . a 2 2
a 2
a+3 2
3a
a+1 2
2 (X) = a2
A+B a 22 2 a+1 2
2,
gde je
A B = 2a(a 1)4 = 82 a 2 a+1 2
a 244 2 3a
Ocene parametara
350
Hi raspodela
1. 2(1, b) = N ZL(0, b, 0). 2. 2(2, b) = R2(0, b) 3. 3(3, b) = M AX(b). 4. Ako X : 2(n, 1), tda X 2 : 2(n). 5. Ako X : 2(a, b), tada X 2 : G2(a/2, 2b2). 6. Ako Xi 2 : 2(a, b) 2 ako su X1, . . 2. , Xn nezavisne sluqajne promen ive, i tada X1 + + Xn : G2(na/2, 2b ).
151
HI RASPODELA 3(a, b, c)
(troparametarska)
xc b
a/21
Gustina
g(x) = 1 a/21 b(n/2) 2 exp 1 2 xc b
2
x > c.
Parametri
a (a > 0) c (c R)
Grafik gustine
0.7
a=2
0.6 b=1, c=2
0.5 b=c=2 0.4 b=3, c=2 b=5, c=2 b=c=3 0.3 b=3, c=4
0.2
0.1
0 2 3 4 5 6 7 8 9 10
351
352
Hi raspodela
Funkcija raspodele
F (x) = P a 1 , 2 2 xc b
2
x > c.
Momenti
m1 (X) = c + 2b a+1 2 , (a/2) D(X) = ab2 2b2 2 a+1 2 . 2 (a/2)
+ 2
a 2
a 2
a+3 2 a+1 2 a 2
3a
3/2
a+1 2
22 a 2 A+B
a 2
2 (X) =
gde je
A B = = 2a(a 1)4 82 a 2
a2
22
a+1 2
2,
a+3 . 2
152
HI RASPODELA (n, a)
(necentralna)
Gustina
g(x) = xn/2 x2 + a2 exp 2 an/21 In/21 (ax), x 0.
Parametri
n (n N ) a (a > 0)
Grafik gustine
0.7 n=4 0.6
a=1 0.4
a=3
0.3
0.2
0.1
353
354
Hi necentralna raspodela
Momenti
m1 = n/21 L (a2 /2), 2 1/2 m 2 = n + a2 m3 = 3 n/21 L (a2 /2), 2 3/2
m4 = (n + a2 )2 + 2(n + 2a2 ),
D(X) = n + a2 n2 , 1
1. (n, 0) = (n). 2. Ako Xi : N (i, i2) (i = 1, 2, . . . , k) i ako su X1, X2, . . . , Xk nezavisne sluqajne promen ive, tada
2 2 2 Xk X1 X2 2 + 2 + + 2 : (k, a), 1 2 k
gde je a =
2 2 2 1 2 k 2 + 2 + + 2 . 1 2 k
153
HI KVADRAT RASPODELA 2(n)
(jednoparametarska)
1 2n/2 (n/2) xn/21 ex/2 ,
Gustina
g(x) = x 0.
Parametri
n (n N )
Grafik gustine
0.1
0 0 2 4 6 8 10
355
356
Hi kvadrat raspodela
Funkcija raspodele
F (x) = 1 (n/2, x/2) =P (n/2) n x , , 2 2 x 0.
Karakteristiqna funkcija
(t) = (1 2it)n/2 .
Generatrisa momenata
M (t) = (1 2t)n/2 , t < 1/2.
Momenti
mr =
Specijalno,
r N.
m1 = n,
2 = 2n,
5 = 32n(5n + 12),
Modus i medijana
0, M o(X) = n 2, n2 n>2 , M e(X) n 2 4 8 . + 3 27n 729n2
Ako X : 2(m) i Y : 2(n) i ako su X i Y nezavisne sluqajne promen ive, tada X + Y : 2(m + n).
Neka svojstva
Hi kvadrat raspodela
357
2. 2(n) = 2(n/2, 2). 3. Ako X : 2(n), tada X : (n). 4. Ako su X1, X2, . . . , Xn nezavisne sluqajne veliqine sa N (0, 1) raspodelom, tada 2 2 2 2 5. Ako Xi 6. Ako
: 2 (ni ) i = 1, 2 . . . , k
X1 + X2 + Xn : (n).
X1 + X2 + + Xk : 2 (n1 + n2 + + nk ). X : 2 (n) 2X N ( 2n 1, 1) n
, onda , onda
7. Ako X 8. Ako X
: 2 (n) : 2 (n)
X N n
2 2 , 9n 9n
kada n .
+ + + +
Xn m Xn X
2
: 2 (n), : 2 (n 1).
10. Ako X
: 2 (m)
iY
: 2 (n)
Primena
Napomene
1. Funkcija g je funcija gustine i ako celobrojni parametar n zamenimo pozitivnim realnim parametrom. 2. Raspodelu je uveo Ebi ( Ernst Carl Abbe, 1840-9005) 1863. godine. Nezavisno od ega raspodelu su uveli i Helmert ( Friedrich Robert Helmert, 1843-1917) 1875. godine i Karl Pirson ( Karl Pearson, 18561936) 1900. godine.
n
Sluqajan broj iz 2(n) raspodele se moe dobiti kao zbir kvadrata sluqajnih brojeva iz N (0, 1) raspodele.
Generisae
154
HI KVADRAT RASPODELA 2 (n, a)
(dvoparametarska, necentralna)
1 2n/2
1 2
Gustina
g(x) = xn/21 e(x+a)/2 (ax)k (2k)! k=0
1 2 n 2
+k , +k
x 0.
Parametri
n (n N ) a (a > 0)
Grafik gustine
0.2 0.18
2(4)
n=4
a=1
0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 2 4 6 8 10 a=3 a=5 a=2
358
359
Funkcija raspodele
F (x) = ea/2
k=0
ak P 2k k!
n x + k, , 2 2
x 0.
Karakteristiqna funkcija
(t) = 1 exp (1 2it)n/2 ita 1 2it .
Generatrisa momenata
M (t) = 1 exp (1 2t)n/2 at 1 2t , t R.
Momenti
2 = 2(n + 2a), 3 = 8(n + 3a), 4 = 48(n + 4a) + 12(n + 2a)2 , 5 = 384(n + 5a) + 160(n + 2a)(n + 3a), 6 = 3840(n + 6a) + 1440(n + 2a)(n + 4a) + 640(n + 3a)2 + 120(n + 2a)3 .
1. 2(n, 0) = 2(n). 2. Ako su Xi nezavisne sluqajne promen ive sa N (mi, 1) raspodelom (i = 1, 2, . . . , n), tada
2 2 2 X1 + X2 + + Xn : 2 (n, m2 + m2 + + m2 ). 1 2 n
2 (n, b) X : 2 (m + n, a + b)
i ako su
i Y nezavisne sluqajne .
, tada nn+ 2a X +a
: 2
(n + a)2 n + 2a
360
Napomena
gde je Ik (z) Beselova funkcija prve vrste. Sluqajan broj iz 2(n, a) raspodele moe da se dobije kao zbir kvadrata n sluqajnih brojeva iz N ( a/n, 1) raspodele.
Generisae
155
HIPERBOLIQKI SEKANT RASPODELA HS(a, b)
(dvoparametarska)
1 xa sech , b b
Gustina
g(x) = x R.
Parametri
a (a R)
Grafik gustine
0.35
a=0
0.3 b=1 0.25
0.2
0 5
361
362
Funkcija raspodele
F (x) = 2 atan exp xa b , x R.
Momenti
m1 = a, 2 = D(X) = 1 2 2 b . 4
Modus i medijana
M o(X) = M e(X) = a.
Neka svojstva
Kvartili raspodele su
Q1 = a b log(1 +
2),
Q3 = a + b log(1 +
2).
tz1 et dt,
gde je z kompleksan broj qiji je realan deo vei od nule. Ovo je Ojlerova 1 integralna forma gama funkcije. Ona se moe predstaviti i u obliku graniqne vrednosti
(z) = lim
n
n! nz , z(z + 1) (z + n)
gde je 0.5772156649 Ojlerova konstanta. Za gama funkciju vai rekurentna relacija (z + 1) = z(z). Specijalno, (n + 1) = n!. Aproksimacija za gama funkciju se moe dobiti iz Stirlingove 2 formule
(z) = z z ez 2 z 1+ 139 571 1 1 + + 2 3 12z 288z 51840z 2488320z 4
koja vai za | arg z| < i |z| . Specijalni sluqaj je poznata Stirlingova formula za aproksimaciju faktorijel
n! nn+1/2 en 2.
(x) =
0
tx1 et dt > 0,
x > 0.
1 Leonhard Euler (1707-1783) - xvajcarski natematiqar koji je objavio preko 900 radova i qije ime nosi jedna ulica u Parizu i jedan krater na mesecu 2 James Stirling (1692-1770) - engleski matematiqar, utnov uqenik
363
364
Specijalne funkcije
Iz jednakosti
n+ 1 2 = (2n)! 22n n!
i jednakosti
3 2 =
1 2
5 2
dobijamo, na primer,
= 3 , 4 7 2 = 15 , 8 9 2 = 105 . 16
1 , 2
Digama funkcija
(z + 1) =
n=1
1 1 z+n n
(n) = +
k=1
1 , k
n
(n + 1/2) = 2 ln 2 + 2
k=1
1 . 2k 1
+ 2,
8 + , 3
Specijalne funkcije
365
Poligama funkcije
(n) = (1)n+1 n!
k=0
1 . (z + k)n+1
gde je Rimanova zeta funkcija. U sluqaju n = 1 funkcija (1) se zove trigama funkcija. Za u je
(1) (1) = (2) 1.645, (1) 1 2 = 2 4.935. 2
Na sledeoj slici su prikazani grafici funkcija digama i trigama za realne argumente iz skupa [0.5, 2].
5 4
3 (1) 2
2 0.5
1.5
Nepotpune gama funkcije (a, x), (a, x), P (a, x) i Q(a, x) definisane su sa
(a, x) =
0
ta1 et dt,
(a, x) =
x
ta1 et dt,
366
Specijalne funkcije
P (a, x) =
za kompleksan broj a qiji je realan deo vei od nule. U primenama se najqe71e koriste realni celobrojni argumenti. Oqigledno je a vae i sledee rekurentne relacije:
(a) = (a, x) + (a, x), (a + 1, x) = a(a, x) xa ex , (a + 1, x) = a(a, x) xa ex , P (a + 1, x) = P (a, x) xa ex . a(a)
(a, x) , (a)
Q(a, x) = 1 P (a, x)
Na sledee dve slike dati su grafici nepotunih gama funkcuija za nekoliko vrednosti a (0.5, 1., 2., 4., 6., 8.).
1 a=8 0.8 0.6 0.4 0.2 0 0 1 2 3 4 5 6 7 8 9 10 a=0.5
iQ
P(a,x)
Beta funkcija
1
a > 0, b > 0.
Specijalne funkcije
367
B(a, b)
moe da se predstavi i na
Jednakost
xa1 dx . (1 + x)a+b
B(a, b) =
(a)(b) (a + b)
Ix (a, b) =
Bx (a, b) . B(a, b)
je funkcija grexke (eng. error function) ili funkcija verovatnoe , a en komplement je funkcija erf c definisana sa
erf c(z) = 1 erf (z)
za koju vai
erf c(z) = 1 z2 e
(1)k
k=0
(k + 1/2) . z 2k+1
U vezi sa raspodelama ove funkcije se koriste sa realnim argumentom, z = x R. Za x 0 fukcija erf je funkcija raspodele za normalnu standardnu raspodelu zaseqenu na [0, ), qija je gustina
g(x) =
2 x2 e ,
x 0.
368
Specijalne funkcije
Ako X
: N (0, 1)
, tada je
x P {|X| x} = erf , 2 x > 0.
Funkcija : R R definisana sa
(x) =
k=1
1 , kx
x>1
tx1 dt. et 1
dok je B2n+1 = 0 za n N .
k=1
1 , (2k)2n
3 Georg Friedrich Bernard Riemann (1826-1866) - nemaqki matematiqar koji se smatra jednim od tvoraca moderne matematike 4 Jacob Bernoulli (1655-1705) - xvajcarski matematiqar koji je otkrio binomnu raspodelu
Specijalne funkcije
369
Funkcija Ja : C C definisana sa
Ja (z) = z 2 (1)k z k!(a + k + 1) 2
2k
aR
je Beselova5 funkcija prve vrste . Za celobrojne vrednosti parametra a postoje razne rekurentne veze, na primer,
Jn1 (z) + Jn+1 (z) = 2n Jn (z), z
n Jn (z) Jn (z). z
Funkcija Ia : C C definisana sa
Ia (z) = z 2
a k=1
1 z k!(a + k + 1) 2
2k
aR
I0 (x) =
k=0
In (x) =
x 2
n k=0
1 x k!(n + k)! 2
2k
Jednakost
Ia (z) = ia Ja (iz),
daje vezu izmeu funkcija Ia i Ja , a za celobrojne vrednosti parametra a postoje rekurentne veze, analogne vezama za Beselovu funkciju,
In1 (z) In+1 (z) = 2n In (z), z
z 2 y (z) + zy (z 2 + a2 )y(z) = 0.
Bessel (1784-1846)
370
Specijalne funkcije
10
Funkcija Na : C C definisana sa
aZ aZ
Hipergeometrijska funkcija M
Postoji vixe hipergeometrijskih funkcija koje se definixu pomou stepenih redova ili kao rexea nekih linearnih diferencijalnih jednaqina drugog reda sa funkcionalnim koeficijentima. Neka je (a)n oznaka za proizvod a(a + 1)(a + 2) (a + n 1), gde je a C i n N . Hipergeometrijska funkcija M (a, b; ) definixe se sa
M (a, b; x) =
a = 0, 1, 2, . . .
M (a, b; x) = ex M (b a, b, x).
Specijalne funkcije
371
. Na
U literaturi na engleskom jeziku ova hipergeometrijska funkcija se zove i Kummer conuent hypergeometric function i oznaqava sa F ili 1 F1 .
12 Lagerovi polinomi
n
x M (a, a + 1, x), a 1 n + , 2n + 1, 2x . 2
Polinom Ln definisan sa
Ln (x) = n!
k=0
(1)k
n xk k k!
Parametar n (stepen polinoma) se moe uopxtiti na realnu vrednost, pri qemu je La (x) = M (a, 1, x) za a R. Specijalno,
L1/2 (x) = M 1 , 1, x 2 = ex/2 (1 x)I0 x 2 ex/2 xI1 x 2 .
Polinom Lc definisan sa n
n
Lc (x) = n
k=0
(1)k
n (c + n + 1) k x k (c + k + 1)
LITERATURA
[1] AbouRizk, S. M. and Halpin, D. W. (1992). Statistical properties of construction duration data, Journal of Construction Engineering and Managment, 118, 525-544. [2] Ahmed, M. I., Sinclair, C. D. and Werritty, A. (1988). Log-logistic ood frequency analysis, Journal of Hydrology, 98, 205-224. [3] Aitchison, J. and Shein, S. M. (1980). Logistic normal distributions: some properties and uses, Biometrika, 67, 261-272. [4] Asrabadi, B. R. (1990). Estimation in the Pareto distribution, Metrika, 37, 100-205. [5] Bean, S. T. and Somerville, P. N. (1980). Some new worldwide cloud cover models. Proceedings of the First International Conference on Statistical Climatology, Ed. Ikeida S., 279-305, Elsevier Scientic Publishing Company. [6] Biondini, R. (1976). Journal of Applied Meteorology, 15, 205-224 [7] Boxian, W., Yu, H. and Jing D. (1991). The method of lower bound to estimate the parameters of a Pearson type III distribution. Hydrological Sciences, 36, 271-280. [8] Bridges, T. C. and Haan, C. T. (1972). Reliability of precipitation probabilities estimated from the gamma distribution, Mounthly Weather Review, 100, 607-611. [9] Bushiand, T. A. (1978). Some remarks on the use of daily rainfall models, Journal of Hydrology, 36, 295-308. [10] Chang, Y., Han, R. L., Pearson, C. L., Runyan, M. R., Ranade, M. B. and Gentry, J. W. (1988). Applications of the log beta distribution to the evolution of aerosol growth, Journal of Aerosol Science, 19, 879-882. [11] Davidson, R. R. (1980). Some properties of a family of generalized logistic distributions, in Statistical Climatology, Developments in Atmospheric Science, Ed. by S. Ikeda, Elsevier Scientic Publishing Company. [12] Davison, A. C. and Smith, R. L. (1990). Models for exceedances over high thresholds. J. R. statist. Soc. B, 52, 393-442. [13] Econopouly, T. W., Davis, D. R. and Woolhiser, D. A. (1990). Parameter transferability for a daily rainfall disaggregation model, Journal of Hydrology, 118, 209-228. 372
Literatura
373
[14] Ellingwood, B. and Redfield, R. K. (1984). Probability models for annual extreme water equivalent ground snow, Monthly Weather Review, 112, 11531159. [15] Evans, M. A. and Gross, S. D. (1994). Burr distribution tables for a approximation p - values and critical values by maching skewness and kurtosis, Pakistan Journal of Statistics, 10, 547-573. [16] Ferrer, J. and Ardiles, L. (1993). Frequency analysis of daily rainfall annual maximum series in Spain, Seminaire annuel, UNESCO. [17] Folks, J. L. and Chhikara, R. S. (1978). The inverse Gaussian distribution and its statistical application - a review, J. R. Statist. Soc. B, 40, 263-289. [18] Golenko-Ginzburg, D. (1988). The distribution of activity time in PERT, Journal of the Operational Research Society, 39, 767-771. [19] Graham, V. A. and Hollands, K. G. T. (1990). Method to generate synthetic hourly solar radiation globally, Solar Energy, 44, 333-341. [20] Green, J. R. (1964). A model for rainfall occurrence, ??, 345-353. [21] Griffitis, G. A. (1989). A theoretically based Wakeby distribution for annual ood series, Hudrological Sciences, 34, 231-247. [22] Gunasekara, T. A. G. and Cunnane, C. (1991). Expected probabilities of exceedance for non-normal ood distributions, Journal of Hydrology, 128, 101-113. [23] Haktanir, T. and Sezen, N. (1990). Sutability of two-parameter gamma and three-parameter beta distributions as synthetic unit hydrographs in Anatolia. Hydrological Science - Journal - des Sciences Hydrologiques, 35, 2, 167-184. [24] Hoshi, K. and Leeyavanija, U. (1986). A new approach to parameter estimations of gamma-type distributions, Journal of Hydroscience and Hydraulic Engineering, 4, 79-95. [25] Janc, N (?). Statistika obrada jakih kia na podruju Beograda, Republiki c s c c hidrometeoroloki zavod SR Srbije, Beograd. s [26] Janc, N (?). Statistical characteristics of storm winds in Belgrade, Republiki c hidrometeoroloki zavod SR Srbije, Beograd. s [27] Jevremovi , V., Malixi , J.
[28] Johnson, N.L., Kotz, S. and Balakrishnan, N. (1994). Continuous Univariate Distributions, Vol.1, John Wiley & Sons, New York. [29] Johnson, N.L., Kotz, S. and Balakrishnan, N. (1995). Continuous Univariate Distributions, Vol.2, John Wiley & Sons, New York.
374
Literatura
[30] Katsoulis, B. D. (1993). A survey on the Assessment of wind energy potential in Greece, Theoretical and Applied Climatology, 47, 51-63. [31] Koppes, L. J. and Grover, N. B. (1992). Relationship between size of parent at cell division and relative size of progeny in Escherichia Coli, Archives of Microbiology, 157, 402-405. [32] Lauritzen, S. L., Thommesen, C. and Andersen, J. B. (1990). A stochastic model in mobile communicatin, Stochastic Processes and Their Applications, 36, 165-172. [33] Lavergnat, J. and Gole, P. (1998). A stochastic raindrop time distribution model, Journal of Applied Meteorology, 37, 805-818. [34] Lowery, M. D. and Nash, J. E. (1970). A comparison of methods of tting the double exponential distribution, Journal of Hydrology, 10, 259-275. [35] Magnussen, S. (1992). A distribution model for heritability, Genome, 35, 931-938. [36] Malixi
J., Unkaxevi , M.
[37] McNally, R. J. (1990). Maximum likelihood estimation of the parameters of the prior distributions of three variables that strongly inuence reproductive performance in cows, Biometrics, 46, 501-514. [38] Mielke, P. W. (???). Convenient beta distribution likelihood techniques for describing and comparing meteorological data. Department of Statistics, Colorado State University. [39] Mielke, P. W. and Johnson, E. S. (1973). Three parameter kappa distribution maximum likelihood estimates and likelihood ratio tests. Mounthly Weather Review, 101, 701-707. [40] Milyutin, E. R. and Yaromenko, Yu. I. (1991). Statistical characteristics of atmospheric transparency index over titled routes, Meteorologiya i Gidrologiya, 12, 72-76. [41] Mitrinovic, D. S. (1972). Uvod u specijalne fukcije, Gradjevinska knjiga, Beograd.
[42]
Mladenovi , P.
[43] Mooley, D. A. and Rao, G. A. (1971). Distribution function for seasonal and annual rainfall over India, mwr, 99, 796-799. [44] Naghettini, M., Potter, K. W. and Illangasekare, T. (1996). Estimating the upper tail of ood-peak frequency distributions using hydrometeorological information, Water Resources Research, 32, 1729-1740.
Literatura
375
[45] Pearson, K. (1895). Mathematical contribution to the theory of evolution. II. Skew variation in homogeneous material, Philosophical Transactions of the Royal society of London, A, 186, 343-414. [46] Phein, H. N. and Hira, M. A. (1983). Log Pearson type 3 distribution: parmeter estimation, Journal of Hydrology, 64, 25-37. [47] Roldan-Canas, J., Garcia-Guzman, A. and Losada-Villasante, A. (1982). A stochastic model for wind occurence, jam, 21, 740-744. [48] Runyan, M. R., Pearson, C. L., Wang, C. C., Han, R., Plunkett, S., Kaplan, C. and Gentry, J. W. (1988). The use of the log beta distribution to characterize atmospheric aerosols, Lecture Notes in Physics, 309, Berlin, Springer Verlag, 65-68. [49] Sakamoto, C. M. (1973). Application of the Poisson and negative binomial models to thunderstorm and hail days probabilities in nevada, Mounthly Weather Review, 101, 350-355. [50] Schickedanz, P. T. and Krause, G. F. (1970). A test for the scale parameters of two gamma distributions using the generalized likelihood ratio, Journal of Applied Meteorology, ??, 13-16. [51] Simpson, J. (1972). Use of the gamma distribution in single-cloud rainfall analysis, Monthly Weather Review, 100, 309-311.
[52]
(?). Ekstremne vrednosti suxnih perioda tokom vegetacione sezone u Beogradu i okolini, Republiqki hidrometeoroloxki zavod SR Srbije, Beograd.
Spasov, P, Zelenhasi , E. i Mariqi , M.
[53] Stedinger, J. R. (1980). Fitting log normal distributions to hydrologic data, Water Resources Research, 16, 481-490. [54] Suzuki, E. (1980). Asummarized review of theoretical distributions tted to climatic factors and Markov chains models of weather sequences, with some examples. Proceedings of the First International Conference on Statistical Climatology, Ed. Ikeida S., 1-20, Elsevier Scientic Publishing Company. [55] Tuller, S. E. and Brett, A. C. (1984). The characteristics of wind velocity that favor the tting of a Weibull distribution in wind speed analysis, Journal of Climate and Applied Meteorology, 23, 124-134. [56] Undsey, S. R., Wood, G. R. and Woollons, R. C. (1997). Modelling the diameter distribution of forest stands using the Burr distribution, Journal of Applied Statistics, 23, 609-619. [57] Van Dingenan, R., Raes, F. and Vanmarcke, H. (1987). Application of the log beta distribution for aerosol size distribution, Journal of Aerosol Science, 18, 663-666.
[58]
Vukmirovi , V.
376
Literatura
[59] Wang, Q. J. (1990). Unbiased estimation of probability weighted moments and partial probability weighted moments from systematic and historical ood information and their application to estimating the GEV distribution, Journal of Hydrology, 120, 115-124. [60] Wiley, J. A., Herschokoru, S. J. and Padiau, N. S. (1989). Heterogenity in the probability of HIV transmission per sexual contact: the case of maleto-female transmission in penile-vaginal intercourse, Statistics in Medicine, 8, 93-102. [61] Wilks, D. S. (1989). Rainfall intensity, the Weibull distribution and estimation of daily surface runo, Journal of Applied Meteorology, 28, 52-58. [62] Wilks, D. S. and Shen, K. W. (1991). Threshold relative humidity duration forecasts for plant disease prediction. Journal of Applied Meteorology, 463-477. [63] Wong, R. K. W. and Chidambaram, N. (1985). Gamma size distribution and stochastic sampling errors, Journal of Climate and Applied Meteorology, 24, 568-579.