Atlas Raspodjela PDF

ATLAS
RASPODELA
Dragan ori
Fakultet organizacionih nauka, Beograd
Jovan Malixi
Matematiqki fakultet, Beograd
Vesna Jevremovi
Matematiqki fakultet, Beograd
Emilija Nikoli-ori
Pooprivredni fakultet, Novi Sad
SADRAJ
Predgovor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IX
Spisak nekih oznaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XI
Neprekidne raspodele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 Sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Neprekidne sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3 Tip raspodele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4 Familije raspodela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
5 Osnovne numeriqke karakteristike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
6 Momenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
7 Mere asimetrije i sp oxtenosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
8 Entropija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
9 Karakteristiqma funkcija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
10 Generatrisa momenata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
11 Ocene parametara . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
12 Transformacija sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . 14
13 Modelirae sluqajnih promen ivih . . . . . . . . . . . . . . . . . . . . . . . . . . 15
13 Testovi saglasnosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
13 Grafiqke metode ispitivaa sglasnosti . . . . . . . . . . . . . . . . . . . . . . 18
Opis raspodela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1 Arkussinus [ASS1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Arkussinus [AS1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Arkussinus [ASS2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4 Arkussinus [AS2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5 Beta [B2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
iv Sadraj
6 Beta [B4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

7 Beta prim [BP (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8 Bradfordova [BR(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
9 Burova - tip II [BU 2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
10 Burova - tip III [BU 3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
11 Burova - tip IV [BU 4(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
12 Burova - tip V [BU 5(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
13 Burova - tip V I [BU 6(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
14 Burova - tip V II [BU 7(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
15 Burova - tip V III [BU 8(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
16 Burova - tip IX [BU 9(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
17 Burova - tip X [BU 10(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
18 Burova - tip XI [BU 11(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
19 Burova - tip XII [BU 12(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
20 Vejbulova [W1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
21 Vejbulova [W2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
22 Vejbulova [W3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
23 Vejbulova [W4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
24 Vejbulova - negativna [W N (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
25 Vejbulova - dvostrana [W D(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
26 Vejbulova - eksponencijalna [W E(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . 84
27 Vejbulova - uopxtena [W U (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
28 Vejbulova - eksponencijalizovana [W EX(a, b, c)] . . . . . . . . . . . . . . 88
29 Vejbulova - modifikovana [W M (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . 89
30 Vejbulova - zaseqena [W Z(a, b, c, , )] . . . . . . . . . . . . . . . . . . . . . . . . . 90
31 Vejbulova - zaseqena [W ZL(a, b, c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . 91
32 Vejbulova - zaseqena [W ZD(a, b, c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . 92
33 Gama [G1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
34 Gama [G2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
35 Gama [G3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
36 Gama - zaseqena [GZ1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
37 Gama - zaseqena [GZ2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Sadraj v
38 Gilbratova [GL] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

39 Gumbelova [GU ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
40 Gumbelova negativna [GU N ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
41 Gumbelova [GU 1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
42 Gumbelova [GU 2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
43 Gumbelova - zaseqena [GU 2Z(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
44 Eksponencijalna [E] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
45 Eksponencijalna [E1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
46 Eksponencijalna [E2 (, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
47 Eksponencijalna - zaseqena [EZ(, T )] . . . . . . . . . . . . . . . . . . . . . . . . 129
48 Eksponencijalna [ES(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
49 Erlangova [ER1(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
50 Erlangova [ER2(n, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
51 Erlangova [ER3(n, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
52 Zipf [Z(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
53 Inverzna gama [IG(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
54 Inverzna Gausova [IG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
55 Inverzna Gausova [IG2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
56 Inverzna Relejeva [IR(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
57 Inverzna hi kvadrat [I2 (n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
58 Inverzna hi kvadrat [I2 (n, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
59 Koxijeva - standardna [C] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
60 Koxijeva - zaseqena [CZ1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
61 Koxijeva - zaseqena [CZ2(T )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
62 Koxijeva [C1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
63 Koxijeva [C2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
64 Koxijeva [C4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
65 Kosinus [COS1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
66 Kosinus [COS2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
67 Kosinus [COS3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
68 Kumarasvamijeva [KM (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
69 Laplasova [L1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
vi Sadraj
70 Laplasova [L2 (, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

71 Laplasova - asimetriqna [LA1(a, 1 , 2 )] . . . . . . . . . . . . . . . . . . . . . 178
72 Laplasova - asimetriqna [LA2(, p, a)] . . . . . . . . . . . . . . . . . . . . . . . 180
73 Laplasova - asimetriqna [LA3(, a)] . . . . . . . . . . . . . . . . . . . . . . . . . 182
74 Laplasova - asimetriqna [LA4(, p, a)] . . . . . . . . . . . . . . . . . . . . . . . 184
75 Laplasova - asimetriqna [LA5(, p)] . . . . . . . . . . . . . . . . . . . . . . . . . 186
76 Laplasova - zaseqena [LZ1(, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
77 Laplasova - zaseqena [LZ2(, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
78 Laplasova - uopxtena [LU (, p, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
79 Levijeva [LV (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80 Logaritamska [LOG1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
83 Log-gama [LGG1(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
84 Log-gama [LGG2(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
85 Logistiqka - standardna [LG] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
86 Logistiqka - zaseqena [LGZ1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
87 Logistiqka - zaseqena [LGZ2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
88 Logistiqka - zaseqena [LGZ3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
89 Logistiqka [LGS(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
90 Logistiqka - zaseqena [LGZ(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
91 Logistiqka [LG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
92 Logistiqka [LG2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
93 Logistiqka [LG3(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
94 Logistiqka [LG4(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
95 Logistiqka [LG5(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
96 Logistiqka - zaseqena [LG5Z1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
97 Logistiqka - zaseqena [LG5Z2(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . 231
98 Logistiqka - zaseqena [LG5Z3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . 233
99 LogKoxijeva [LK(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
100 Loglogistiqka [LLG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
101 Loglogistiqka [LLG2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
Sadraj vii
102 Loglogistiqka [LLG3(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237

103 Lognormalna [LN2 (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
104 Lognormalna [LN3 (m, 2 , c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
105 Lognormalna [LN4 (m, 2 , c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
106 Lognormalna - uopxtena [LN U (m, 2 , a)] . . . . . . . . . . . . . . . . . . . . 247
107 Maksvelova [M AX(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
108 Mojalova [M O] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
109 Nakagamijeva [N K(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
110 Normalna (Gausova) [N (0, 1)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
111 Normalna [N (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
112 Normalna - zaseqena [N Z(m, 2 , T1 , T2 )] . . . . . . . . . . . . . . . . . . . . . . 261
113 Normalna - zaseqena [N ZD(m, 2 , T )] . . . . . . . . . . . . . . . . . . . . . . . 266
114 Normalna - zaseqena [N ZL(m, 2 , T )] . . . . . . . . . . . . . . . . . . . . . . . . 267
115 Normalna - presavijena [N P (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . 268
116 Paretova [P AR(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
117 Paretova [P AR2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
118 Paretova - zaseqena [P ARZ(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . 277
119 Paretova [P AR3(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
120 Paretova [P AR4(a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
121 Paretova - uopxtena [P ARU 1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . 282
122 Paretova - uopxtena [P ARU 2(a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . 285
123 Pirsonova [P IR1(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
124 Pirsonova [P IR2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
125 Pirsonova [P IR3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
127 Pirsonova [P IR5(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
129 Pirsonova [P IR7(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
130 Pirsonova [P IR8(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
131 Pirsonova [P IR9(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
132 Pirsonova [P IR11(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
133 Pirsonova [P IR12(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
viii Sadraj
134 Relejeva [R1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309

135 Relejeva [R2 (c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
136 Relejeva - dvostrana [RD(c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
137 Rajsova [RC(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
138 Stepena [S(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
139 Studentova [t(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
140 Studentova [t(n, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
141 Studentova - necentralna [t (n, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . 327
142 Trougaona [T R(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
143 Uniformna [U (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332
144 Fixerova [F (m, n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336
145 Fixerova Z [F Z(m, n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
146 Fon Mizisova [F M (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
147 FonMizisova - bimodalna [F M B(a, b)] . . . . . . . . . . . . . . . . . . . . . . 343
148 Helmertova [H(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
149 Hi [1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345
150 Hi [2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
151 Hi [3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 351
152 Hi - necentralna [ (n, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
153 Hi kvadrat [2 (n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
154 Hi kvadrat - necentralna [2 (n, a)] . . . . . . . . . . . . . . . . . . . . . . . . 358
155 Hiperboliqka [HS(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
Dodatak - specijalne funkcije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372
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 statis-
tiqki model odabrati. Drukqije reqeno, postav a se pitae iz koje
teorijske raspodele moda potiqu dobijeni rezultati merea. Ovaj At-
las qini jedan pokuxaj da se pomogne svima onima koji imaju potrebe da
rexavaju navedeni zadatak.
Pri obradi statistiqkih podataka, koji predstav aju izmerene vred-
nosti nekog numeriqkog sluqajnog obeleja, obiqno prvo treba odgovori-
ti na pitae da li se radi o diskretnom ili o neprekidnom obeleju.
Pod diskretnim obelejem (tj. diskretnom sluqajnom veliqinom) podra-
zumevamo svako ono obeleje qiji skup moguih vrednosti je samo kona-
qan 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 statis-
tiqkih 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. re-
ajuc1i 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 formi-
raa poligona i/ili histograma, koji odgovaraju izabranim podinter-
valima (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 informa-
cija, 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. Nara-
vno, 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
x 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 liter-
ature.
Za pomo pri izradi finalne verzije Atlasa zahva ujemo se recen-
zentima, Dr Pavlu Mladenoviu, profesoru Matematiqkog fakulteta u
Beogradu i ???
Beograd, 2007. Autori

SPISAK OZNAKA
Opxte oznake
beskonaqno
prazan skup
{a, b, c} skup qiji su elementi a, b i c
AB unija skupova A i B
AB presek skupova A i B
A\B razlika skupova A i B
Xmin , Xmax najmai i najvei element skupa {X1 , X2 , . . . , Xn }
xa x tei a
f :AB funkcija f preslikava skup A u skup B
priblino
|x| apsolutna vrednost broja x
z kougovano komleksni broj broja z
a/b razlomak - isto xto i ab
n
zbir brojeva a1 , a2 , . . . , an
X
ai
i=1
n
proizvod brojeva a1 , a2 , . . . , an
Y
ai
i=1
df
dx
izvod funkcije jedne promen ive
f
x
f (x, y) parcijalni izvod funkcije f po x
neodreeni integral funkcije f
Z
f (x)dx
b
odreeni integral funkcije f na (a, b)
Z
f (x)dx
a
xii Spisak oznaka
Brojevi
R skup realnih brojeva

N skup prirodnih brojeva
C skup kompleksnih brojeva
konstanta ( 3.141592)
e osnova prirodnog logaritma ( 2.71828)
Ojlerova konstanta ( 0.577)
binomni koeficijent

m
n
n! faktorijel (= 1 2 (n 1) n)
(2n)!! dvostruki faktorijel ( = 2 4 (2n 2) 2n)
(a, b) skup realnih brojeva x za koje vai a < x < b
[a, b] skup realnih brojeva x za koje vai a x b
B2n Bernulijevi brojevi
Sluqajne promenive
gX , g gustina sluqajne promen ive X

FX , F funkcija raspodele sluqajne promen ive X
E(X) oqekivae sluqajne promen ive X
D(X) disperzija sluqajne promen ive X
standardna devijacija
mr r-ti moment sluqajne promen ive
r r-ti centralni moment sluqajne promen ive
karakteristiqna funkcija
M generatrisa momenata
H(X) entropija sluqajne promen ive X
1 (X) koeficijent asimetrije
2 (X) koeficijent sp oxenosti
CV (X) koeficijent varijacije
Q1 , Q3 prvi i trtei kvartil
M o(X) modus ili mod sluqajne promen ive X
M e(X) medijana sluqajne promen ive
X : W1 (a) sluqajna promen iva ima raspodelu W1 (a)
Spisak oznaka xiii
Uzoraqke veliqine
X n, X sreda vrednost uzorka X1 , . . . , Xn
2
Sn, S2 uzoraqka disperzija
D n , Dn uzoraqka disperzija (poznato oqekivae)
Sbn2 , Sb2 modifikovana uzoraqka disperzija
Sn, S uzoraqka standardna devijacija
r
X n , X r , Mr uzoraqki momenat reda r
L funkcija verodostojnosti
a, e
b a ocene parametra a
Specijalne funkcije
gama funkcija
(a, ) nepotpuna gama funkcija
(a, ) nepotpuna gama funkcija
P (a, ) nepotpuna gama funkcija
Q(a, ) nepotpuna gama funkcija
digama funkcija
(1) trigama funkcija
(n) poligama funkcija
B beta funkcija
Bx nepotpuna beta funkcija
Ix nepotpuna beta funkcija
funkcija raspodele normalne standardne raspodele
erf , erf c funkcije grexke
Rimanova zeta funkcija
Ja Beselova funkcija prve vrste
Ia modifikovana Beselova funkcija prve vrste
Na Beselova funkcija druge vrste
Ka modifikovana Beselova funkcija druge vrste
M, 1 F1 hipergeometrijska funkcija
Ln , Nnc Lagerov i uopxteni Lagerov polinom
xiv Spisak oznaka
Elementarne funkcije
sin sinus
cos kosinus
tan tangens
arcsin arkusinus
arccos arkuskosinus
arctan arkustangens
sh sinus hiperboliqki
ch kosinus hiperboliqki
tanh tangens hiperboliqki
exp eksponencijalna funkcija ( exp(x) = ex )
ln 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 promenive 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
meriva u odnosu na -algebre F i B, odnosno ako za svaki Borelov skup B B
vai
X 1 (B) = { : X() B} F.
Iz definicije sledi da se na prirodan naqin moe definisati vero-

vatnoa 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 raspodele verovatnoa ili krae, funkcija raspodele sluqajne prome-

nive X.
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:
lim F (x) = 0, lim F (x) = 1.
x x+
Izdvajaju se tri tipa funkcija raspodele: diskretne, apsolutno ne-

prekidne i singularne, pri qemu svaka funcija raspodele F moe da se
prikae u obliku
F (x) = F1 (x) + F2 (x) + (1 )F3 (x), , 0,
1 Karl Pearson (1857-1936) - engleski matematiqar
1
2 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 promenive X je apsolutno
neprekidna ako postoji integrabilna funkcija g : R R takva da za svaki
realan broj x vai Z x
F (x) = g(t)dt.

Funkcija g je gustina raspodele sluqajne promenive X.
Apsolutno neprekidna funkcija raspodele je neprekidna i diferen-

cijabilna skoro svuda, pri qemu u taqki diferencijabilnosti x vai
g(x) = F 0 (x). Svaka nenegativna integrabilna funkcija g : R R za koju
je R
+
g(t)dt = 1 je gustina neke raspodele.
1.2 Nezavisnost sluqajnih veliqina

Za dve ili vixe sluqajnih promen ivih definixe se pojam nezavisnosti.
Definicija 4 Sluqajne promenive X i Y na istom prostoru verovatnoe
(, F, P ) su nezavisne ako za svaka dva Borelova skupa A i B iz B vai
P { : X() A, Y () B} = P { : X() A} P { : Y () B}.
Na sliqan naqin se definixe nezavisnost tri ili vixe sluqajnih

promen ivih. Nezavisnost moe da se izrazi i pomou funkcija ras-
podele. Na primer, sluqajne promen ive X i Y su nezavisne ako i samo
ako je
P { : X() x, Y () y} = FX (x) FY (y)
za svaka dva realna broja x i y.
2 Neprekidne sluqajne promenive

Za razliku od diskretnih sluqajnih veliqina, neprekidna sluqajna pro-
men 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 promeniva X je apsolutno neprekidna ako je ena
funkcija raspodele F apsolutno neprekidna.
Ako je sluqajna promen iva apsolutno neprekidna, kaemo da ona ima

apsolutno neprekidnu ili krae, neprekidnu raspodelu. Obzirom da fuk-
cija raspodele u tom sluqaju moe da se izrazi pomou gustine, vai
sledee tvree.
Neprekidne raspodele 3
Teorema 1 Verovatnoa da vrednost apsolutno neprekidne sluqajne pro-

menive X pripada bilo kom od skupova (a, b), (a, b], [a, b) ili [a, b] jednaka je
Z b
g(x)dx.
a
U ovom Atlasu zastup ene su neprekidne raspodele koje imaju nepre-

kidnu gustinu. U tom sluqaju je funkcija raspodele diferencijabilna,
pri qemu je g(x) = F 0 (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 promenive su jednake ako imaju istu funkciju
raspodele.
U smislu ove definicije, oznaka X = Y znaqi da je
FX (x) = P { : X() x} = P { : Y () x} = FY (x)
za svaki realan broj x.
Definicija 7 Za sluqajne promenive X i Y kaemo da imaju isti tip
raspodele ako postoje realni brojevi a i b (b > 0) takvi da je
Y = a + bX.
Prema definiciji imamo da je

xa xa
FY (x) = P {Y x} = P X = PX
b b
za svaki realan broj x. To znaqi da se funkcija raspodele za Y moe
dobiti pomou funkcije raspodele za X linearnom transformacijom ar-
gumenta. Drugim reqima, izborom funkcije raspodele F odreena je i
cela jedna dvoparametarska familija funkcija raspodele definisana sa

xa
F (x; a, b) = F , x R, a R, b > 0.
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 odgo-
vara dvoparametarska familija gustina definisana sa

1 xa
g(x; a, b) = g ,
b b
gde je g gustina raspodele za X . Pri tome je
gY (x) = g(x; a, b), gX (x) = g(x; 0, 1).
4 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 eksponenci-
jalne 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
Razvijajui matematiqku teoriju evolucije Pirson je otkrio jednostavnu
diferencijalnu jednaqinu
g0 xa
=
g b0 + b1 x + b2 x2
qija su rexea gustine dvanaest tipova raspodela. Rexea ove jedna-

qine 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
Gustine raspodela ove familije su eksponencijalne funkcije date sa
g(x) = exp {a()b(x) + c() + d(x)} ,
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 raspode-
le, Luneta (Lunetta, 1963) je eksponencijalno stepene raspodele razmatrao
kao raspodele qije su gustine rexea diferencijalne jednaqine
g0 ln g ln a
=k .
g xc
Na taj naqin se dobija troparametarska familija gustina

|x |p

1
g(x; p, , ) = exp ,
2p1/p (1 + 1/p) p p
gde parametri p, i zavise od a, c i k.
5 Osnovne numeriqke karakteristike

Neke numeriqke karakteristike, kao xto su oqekivae, varijansa, modus
i medijana, daju osnovne informacije o raspodeli sluqajne promen ive.
5.1 Matematiqko oqekivae

Osnovna mera centralne tendencije sluqajne promen ive je ena oqeki-
vana vrednost.
Definicija 8 Matematiqko oqekivae E(X) neprekidne sluqajne promen-
ive X qija je gustina raspodele g je dato sa
Z +
E(X) = xg(x)dx

pod uslovom da navedeni integral apsolutno konvergira. Ako to nije sluqaj,

matematiqko oqekivae ne postoji.
Za matematiqko oqekivae linearne kombinacije i proizvoda dve slu-

qajne promen ive vai sledee tvree.
Teorema 2 Ako su X i Y sluqajne promenive koje imaju matematiqko oqe-
kivae, 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
Jox jedna mera centralne tendencije je modus ili mod.
Definicija 9 Za neprekidnu sluqajnu promenivu mod je taqka u kojoj fun-
kcija gustine dostie lokalni maksimum.
Prema tome, potencijalne vrednosti moda su nule prvog izvoda funkc-

ije 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 odstu-
pae od oqekivane vrednosti sluqajne promen ive.
Definicija 10 Disperzija D(X) ili varijansa V (X) sluqajne promenive
X je data sa
D(X) = E(X E(X))2
pod uslovom da navedena oqekivaa postoje. U protivnom disperzija ne pos-
toji. Pozitivna vrednost kvadratnog korena disperzije naziva se stan-
dardna devijacija i oznaqava sa (X) ili samo .
Iz definicije sledi da je
D(X) = E(X 2 ) (E(X))2 ,
xto znaqi da je i . Za disperziju linearne

p
D(X) E(X 2 ) |E(X)| E(X 2 )
kombinacije dve promen ive vai sledee tvree.
Teorema 3 Ako su X i Y nazavisne sluqajne promenive koje imaju disperz-
ije i ako su a i b realni brojevi, tada je
D(aX + bY ) = a2 D(X) + b2 D(Y ).
Ako je X = Xp 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 var-
ijanse uveo je Fixer 2 1918. godine.
5.4 Koeficijent varijacije
Jox jedna mera odstupaa od oqekivae vrednosti je koeficijent varijacije
koji je takoe uveo Pirson.
Definicija 11 Ako je m oqekivae, a standardna devijacija sluqajne
promenive X, koeficijent varijacije CV je dat sa

CV = 100 .
m
Prema tome, ovaj koeficijent predstav a koliqnik standardne devi-
jacije 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 disperz-
ije koje postoje za svaku raspodelu.
Definicija 12 Za neprekidnu sluqajnu promenivu kvantil reda ili ni-
voa (0 < < 1) je broj x za koji je
F (x ) = .
Kvantili reda = 0.25 i = 0.75 nazivaju se prvi i trei kvar-

til i oznaqavaju sa Q1 i Q3 . Kao mera disperzije raspodele qesto se,
u sluqaju jednoznaqno odreenih kvartila, koristi ihova razlika (in-
terkvartilna razlika)
Q = Q3 Q1 .
2 Ronald Aymler Fisher (1890-1962) engleski statistiqar
5.6 Medijana
Definicija 13 Za neprekidnu sluqajnu promenivu 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
Dodatne informacije o raspodelama se mogu dobiti iz vrednosti mome-
nata i centralnih momenata.
Definicija 14 Ako je g funkcija gustine sluqajne promenive X, momenat
mr reda r je definisan sa
Z +
mr = E(X r ) = xr g(x)dx,

a centralni momenat r reda r je definisan sa

Z +
r
r = E(X ) = (x m)r g(x)dx,

pri qemu se pretpostava da su navedeni integrali apsolutno konvergentni.

Ako su navedeni integrali divergentni, odgovarajui 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
X k
k = (1)i mki mi ,
i=0
i
za k N , gde je 0 = m0 = 1. Sliqno se dobijaju i jednakosti

k
X k
mk = k1 mi , k N.
i=0
i
7 Mere asimetrije i spoxtenosti

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 oxteno-
sti raspodele, a poznati su kao Pirsonovi koeficijenti.
Definicija 15 Raspodela neprekidne sluqajne promenive X je simetri-

qna ukoliko postoji taqka a za koju je
g(a x) = g(a + x)
za svaki realan broj x. U suprotnom raspodela je asimetriqna.
Za asimetriqne raspodele potrebna je i mera asimetrije.

Definicija 16 Koeficijent asimetrija 1 (X) je definisan sa
3
1 (X) = 3/2
2
Za 1 (X) = 0 raspodela je simetriqna, za 1 (X) > 0 kaemo da je raspodela

pozitivno asimetriqna ili asimetriqna udesno , a za 1 (X) < 0 kaemo 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 kra-
jeva gustine raspodele, kao i koncentracija oko srede vrednosti. Ko-
risti 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 42 . Kako je kirtozis normalne raspodele jed-
nak 3, qesto se kao mera sp oxtenosti
2
uzima vrednost kirtozisa umaena
za 3.
Definicija 17 Koeficijent spoxtenosti 2 (X) je definisan sa
4
2 (X) = 3.
22
Za 2 (X) > 0 kaemo da je raspodela sa debelim krajevima (repovima) ili lep-

tokirtiqna, za 2 (X) < 0 kaemo da je raspodela sa tankim krajevima (re-
povima) ili platikirtiqna, dok za 2 (X) = 0 kaemo da raspodela ima kra-
jeve (repove) iste debine kao i normalna raspodela ili da je mezokirtiqna.
Sp oxtenost je takoe ista za sve raspodele istog tipa.
8 Entropija
U teoriji informacija je vana koliqina informacija sadrana u sluqa-
jnom dogaaju, a kao mera neizvesnosti sluqajne promen ive koristi se
pojam entropije koji je uveo Xenon 3 .
3 Claude Elwood Shannon (1916 -2001) - ??
Definicija 18 Za neprekidnu sluqajnu promenivu X sa pozitivnom gus-

tinom g entropija H(X) je definisana sa
Z +
H(X) = g(x) ln2 g(x)dx.

Ako gustina nije svuda pozitivna, onda se integral na desnoj strani pre-
thodne 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.
9 Karakteristiqna funkcija
Karakteristiqna funkcija neprekidne sluqajne promen ive je Furijeova
transformacija ene gustine.
Definicija 19 Neka je X neprekidna sluqajna promeniva qija je gustina
g. Funkcija : R C, gde je C skup svih kompleksnih brojeva, definisana sa
Z +
(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 karak-
teristiqnom funcijom, pri qemu postoji i inverzna formula.
Teorema 5 Ako je karakteristiqna funkcija sluqajne promenive X i ako
je Z +
|(t)|dt < ,

tada je gustina g za X data sa

Z +
1
g(x) = eitx (t)dt.
2
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).
Pomou karakteristiqne funkcije mogu se odrediti momenti sluqajne
promen ive.
Teorema 7 Ako sluqajna promeniva ima momenat reda r i ako je ena
karakteristiqna funkcija diferencijabilna n puta, , tada je
1 (n)
mr = (0),
in
gde je i imaginarna jedinica (i2 = 1).
Qesto se koristi i sledee svojstvo karakteristiqne funkcije.
Teorema 8 Ako su X i Y nezavisne sluqajne promenive sa karakteristiq-
nim funkcijama X i Y i ako je X+Y karakteristiqna funkcija ihovog
zbira, tada je
X+Y (t) = X (t) Y (t), t R.
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 promeniva qija je gustina
g. Funkcija M : R R definisana sa
Z +
M (t) = etx g(x)dx, t R,

pod uslovom da integral na desnoj strane ove jednakosti postoji, je genera-

trisa momenata promenive X.
Na osnovu veza izmeu funkcija i M ,
(t) = M (it), M (t) = (it),
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.
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
n
1X
Xn = Xi ,
n i=1
2. uzoraqka disperzija S 2n ili S 2 definisana sa

n
!2
2 1 X
Sn = Xi X n ,
n i=1
3. uzoraqka disperzija D2n ili D2 definisana sa

n
!2
2 1 X
Dn = Xi m ,
n i=1
u sluqaju da je poznato matematiqko oqekivae m posmatrane raspo-

dele,
4. modifikovana uzoraqka disperzija Sbn2 ili Sb2 definisana sa
n
!2
1 X
Sbn2 = Xi X n ,
n1 i=1
5. uzoraqki momenat X rn ili X r ili Mr (r N ) definisan sa

n
r 1X r
Xn = X .
n i=1 i
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. Meto-
da 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 nepoz-
nati parametar u raspodeli tog obeleja.
Definicija 21 Statistika bn je nepristrasna ocena za parametar ako

je E(bn ) = , a asimptotski nepristrasna ocena ako E(bn ) kada n .
Umesto termina nepristrasna koriste se i termini centrirana i nepomer-
ena. Ocena koja nije nepristrasna zove se pristrasna. Na primer, statis-
tika X n je nepristrasna ocena za matematiqko oqekivae, statistika Dn2
je nepristrasna ocena za varijansu, dok je statistika Sn2 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 sta-
tistike od oqekivane vrednosti.
Definicija 22 Statistika bn je postojana ocena parametra ako bn kon-
vergira u verovatnoi ka , odnosno ako za svako > 0 vai
P {|bn | } 0 (n ).
Umesto termina postojana koriste se i termini konzistentna i stabilna.
Ako je ocena nepristrasna i ako D(bn ) 0 kada n , tada je ocena bn
stabilna. Na primer, statistike X n , Dn2 i Sn2 su stabilne ocene.
Vixe razliqitih, nepristrasnih i stabilnih ocena istog parametra,
za isti obim uzorka, mogu se uporeivati pomou svojih disperzija.
Definicija 23 Ocena b je efikasnija od ocene e nepoznatog parametra
ako je D()
b < D().
e
Dou granicu disperzije nepristrasnih ocena daje Rao-Kramerova ne-

jednakost. Ocena qija je disperzija jednaka toj dooj granici je efikasna
ocena. Za analizu ocene nije dovo no znati samo eno oqekivae i dis-
perziju, ve treba odrediti i enu raspodelu.
11.2 Metoda momenata
Neprekidne raspodele su, pod izvesnim uslovima, odreene svojim momen-
tima. Na primer, ako je za niz momenata (mi ) date raspodele ispuen
Karlemanov uslov X 1
1/2n
= +,
n=1 m2n
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 Lyon Bowley (1869-1957) - engleski statistiqar
Definicija 24 Ocene parametara b1 , . . . , bk po metodi momenata, na os-

novu prostog uzorka (X1 , . . . , Xn ) iz neke raspodele, date su sistemom
r
X n = fr (b1 , . . . , bk ), r = 1, . . . , k.
Prema tome,
2 k
bi = bi (X n , X n , . . . , X n ).
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
U ovoj metodi ocena za nepoznati parametar se uzima tako da verova-
tnoa 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
Y
L(x1 , . . . , xn ; ) = g(xk ; )
k=1
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 b odreena sa
L(X1 , . . . , Xn ; )
b = max L(X1 , . . . , Xn ; )

je ocena maksimalne verodostojnosti. Funkcija L je funkcija verodosto-

jnosti.
Ako je otvoren skup i ako je L diferencijabilna funkcija po ,

dovo no je odrediti stacionarne taqke funkcije L i uporediti odgo-
varajue 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 vero-
dostojnosti ima jedinstveno rexee.
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 verodos-
tojnosti data sa
n
Y
L(x1 , . . . , xn ; 1 , . . . , k ) = g(xi ; 1 , . . . , k ).
i=1
Ako funkcija L ima parcijalne izvode po 1 , . . . , k , ocena nepoznatih param-

etara dobija se rexavaem sistema

L(x1 , . . . , xn ; 1 , . . . , k ) = 0, i = 1, . . . , k.
i
Ovaj sistem je uglavnom nelinearan i najqexe se rexava numeriqkim
metodama.
Ocene dobijene metodom maksimalne verodostojnsti mogu biti i pris-
trasne i neefikasne. Meutim, pri odreenim uslovima ocene su asim-
ptotski efikasne i imaju asimptotski normalnu raspodelu.
12 Transformacija sluqajne promenive

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 difer-
encijabilna funkcija. Ako je h = f 1 (inverzna funkcija za f ), tada je
gY (y) = gX (h(y))|h0 (y)|, y (a, b)
i gY (y) = 0 za x 6 (a, b), gde je
a = min{f (), f (+)}, b = max{f (), f (+)}.
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 inter-
valima 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),
pa primenom prethodne teoreme na sluqajne promen ive f1 (X), . . . , fk (X)
dobijamo sledee tvree.
Teorema 11 Neka je Y = f (X) i neka je hj = fj1 za j = 1, . . . , k. Tada je
k
X
gY (y) = fX (hj (y))|h0j (y)|.
j=1
Za nalaee matematiqkog oqekivaa sluqajne promen ive Y = f (X)

nije neophodno znati gustinu gY .
Teorema 12 Ako je Y = f (X), tada je
Z +
E(Y ) = f (x)g(x)dx

pod uslovom da navedeni integral apsolutno konvergira.
12.1 Takijeva transformacija

Ameriqki statistiqar Taki 5 je 1962. godine predloio transformaciju

X (1 X)
, 6= 0

Y =
ln X ,

=0
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
X 1 6= 0
,
Y =
ln X, =0

za pogodno izabranu vrednost konstante ima priblino normalnu ras-

podelu.
12.3 onsonove transformacije
Engleski statistiqar onson 8 je 1949. godine predloio transformacije
Y
X = a + b ln ,
1Y
X = a + b arcsh Z,
gde je X sluqajna promen iva sa standardnom normalnom raspodelom.
Raspodela sluqajne promen ive Y je poznata kao onsonova SB raspo-
dela, a raspodela sluqajne promen ive Z kao onsonova SU raspodela.
5 John Wilder Tukey (1915-2000) - ameriqki staistiqar
6 George Box (1919-) - engleski statistiqar
7 David Roxbee Cox (1924-) - engleski statistiqar
8 Norman Lloyd Johnson (1917-) - engleski statistiqar
13 Modelirae sluqajnih promenivih

Modelirae neprekidne sluqajne promen ive zavisi od karakteristika
ene raspodele. U principu postoje opxte metode, kao xto su metoda in-
verzne 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 gener-
isati 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 jed-
nostavno, 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
X
g(x) = pk gk (x),
k=1
gde je i gde gustinama gk odgovaraju funkcije raspodele

p1 + + pn = 1
( ) koje imaju analitiqki izraz za inverznu funkciju. Algo-
Fk k = 1, . . . , n
ritam 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).
13.2 Nojmanove metode
Nojmanove metode ili metode prihvataa i odbacivaa koriste se za gener-
isae 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 ]
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).
3. Ako je u < ch(x)
g(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
Z x
g(Y )
P Y xU = g(y)dy,

ch(Y )
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 koeficije-
nata asimetrije i sp oxtenosti sa odgovarajuim koeficijentima nor-
malne raspodele.
14.1 Pirsonov test
Najpopularniji je 2 -test koji je uveo Pirson 1900. godine. Test ima
oblik k X (Oi Ei )2
2 = ,
i=1
Ei
gde su Oi opservirane, a Ei oqekivane frekvencije (pod pretpostavkom

odreene raspodele) u intervalima Ii (i = 1, . . . , k), takvim da je ki=1 Ii = R
9 Andrei Nikolaeviq Kolmogorov (1903-1987) - ruski matematiqar
10 ??? (??-??) - ??????
11 Richard Martin Edler von Mises (1883-1953) - austrijski ineer 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
i Ii Ij = za i 6= 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 te-
stirati nultu hipotezu da obeleje X ima raspodeleu F . U test statis-
tikama 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
test statistika Kuiperovog testa je

Vn = sup |Fn (x) F (x)| inf |Fn (x) F (x)|,
x x
dok je test statistika fon Mizisovog testa

Z +
Wn = (Fn (x) F (x))2 dF (x).

15 Grafiqke metode ispitivaa saglasnosti

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

za pi uzima neka od vrednosti i n1/2 , n +i 1 , ni + 3/8

1/4
, dok je P P dijagram
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)
Gustina
1 1
g(x) = , 1 < x < 1.
1 x2
Parametri
Nema parametara.
Grafik gustine
2.5
1.5
0.5
0
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
Prave x = 1 i x = 1 su vertikalne asimptote grafika gustine.
21
22 Arkussinus raspodela
Funkcija raspodele
1
F (x) = arcsin x, 1 x 1.

Momenti
2k
2k 1
2k1 = 0, 2k = , k N.
k 2
Neka svojstva
1
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.
Veze sa drugim raspodelama

1. Ako X : U (, ), onda sluqajne promen ive sin X , sin 2X i cos 2X
imaju arkussinus raspodele ASS1.
2. Ako X : U (, ) i Y : U (, ) i ako su X i Y nezavisne,
tada sluqajne promen ive sin(X + Y ) i sin(X Y ) imaju arkussinus
raspodele ASS1.
2
ARKUSSINUS RASPODELA AS1(a)
(jednoparametarska)
Gustina
|a| 1 2 2
g(x) = p , <x< .
4 a2 x2 |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 2 1.5 1 0.5 0 0.5 1 1.5 2 2.5
Prave x = 2/a i x = 2/a su vertikalne asimptote grafika gustine.
23
Funkcija raspodele
1 |a|x 2 2
F (x) = arcsin , x .
2 |a| |a|
Momenti

2k 2k
2k1 = 0, 2k = b , k N.
k
Neka svojstva
|a|
Gustina g je parna funkcija, pri qemu je gmin = g(0) = .
2

AS(2) = AS .
3
ARKUSSINUS RASPODELA ASS2
(standardna)
Gustina
1 1
g(x) = p , 0 < x < 1.
x(1 x)
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
Prave x = 0 i x = 1 su vertikalne asimptote grafika gustine.
25
Funkcija raspodele
2
F (x) = arcsin x, 0 x 1.

Karakteristiqna funkcija

X 1 2k k 1
(t) = (it) = M , 1, it ,
4k k! k 2
k=0
gde je M (a, b, z) hipergeometrijska funkcija (videti Dodatak).
Momenti
(2r)!
mr = , r N.
4r (r!)2
Specijalno,
1 3 5 35
m1 = , m2 = , m3 = , m4 = .
2 8 16 128
Centralni momenti:
mr (2r)!
2r1 = 0, 2r = r
= 2r , r N.
4 4 (r!)2
Specijalno,
1 3
2 = D(X) = , 4 = .
8 128
Koeficijenti asimetrije i sp oxtenosti

1 (X) = 0, 2 (X) = 1.5.
Neka svojstva
2
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.

1. ASS2 = B(1/2, 1/2).
Arkussinus raspodela 27
2
2. Ako X : ASS2, tada arcsin X : U (0, 1).

3. Ako X : U (0, ), tada cos X : ASS2(1, 2).

2k 1 1
4. Ako Xk : B , za k = 1, 2, . . . , n, tada
2k 2k
n
!1/n
Y
Xk : ASS2.
k=1
Primena
Sluqajni procesi (Braunovo kretae).
Napomena
Raspodelu je uveo Levi ( Paul Pierre Levy, 1886-1971) 1939. godine.
Generisae
u
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)
Gustina
1 1
g(x) = p , a < x < a + b.
(x a)(a + b x)
Parametri
a, b (a R, b > 0) { parametri lokacije.
Grafik gustine
2.5
a=1
b=2
1.5
b=3
1
b=4
0.5
0
1 0.5 0 0.5 1 1.5 2 2.5 3
Prave x = a i x = a + b su vertikalne asimptote grafika gustine.
28
Arkussinus raspodela 29
Funkcija raspodele
r
2 xa
F (x) = arcsin , a < x < a + b.
b
0.9
a=1
0.8
b=2
0.7
0.6
0.5 b=4
0.4 b=3
0.3
0.2
0.1
0
1 0.5 0 0.5 1 1.5 2 2.5 3
5
BETA RASPODELA B2(a, b)
(dvoparametarska)
Gustina
1
g(x) = xa1 (1 x)b1 , 0 x 1.
B(a, b)
Parametri
a, b (a > 0, b > 0) { parametri oblika.
Grafik gustine
Postoji vixe karakteristiqnih sluqajeva zavisno od vrednosti parame-
tara a i b.
2 2 2
a<1, b>1 a=1, b>1 a>1, b>1
1 1 1
0 0 0
0 0.5 1 0 0.5 1 0 0.5 1
2 2 2
a<1, b=1 a=1, b=1 a>1, b=1
1 1 1
0 0 0
0 0.5 1 0 0.5 1 0 0.5 1
2 2 2
a<1, b<1 a=1, b<1 a>1, b<1
1 1 1
0 0 0
0 0.5 1 0 0.5 1 0 0.5 1
Ako je bar jedan od parametara mai od 1, grafik gustine ima odgo-
varajue vertikalne asimptote.
30
Beta raspodela 31
Sledee dve slike prikazuju kako se mea gustina kad se mea jedan od
parametara, dok je drugi fiksiran.
b=6 a=2
2.5 b=5
b=4
2
b=3
b=1.2
1.5
b=2
b=1.5
0.5
0
0 0.2 0.4 0.6 0.8 1
a=6
b=2
2.5 a=5
a=4
2
a=3
a=1.2
1.5
a=2
a=1.5
0.5
0
0 0.2 0.4 0.6 0.8 1
32 Beta raspodela
Sledee dve slike prikazuju kako se mea gustina kada se meaju para-
metri a i b u sluqaju kad je a = b.
a=b 6
2.5
5
4
2 3
2
1.5
1.5
1.2
0.5
0
0 0.2 0.4 0.6 0.8 1
a=b
2.5
1.5
0.1 0.2 0.3 0.4 0.6 0.8 0.9
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Beta raspodela 33
Sliqno prikazuju i sledee dve slike, ali u 3 D.
1.5
g(x)
0.5
0 b=2
3
2.5 1
0.8
2 0.6
1.5 0.4
0.2
a 1 0
x
2.5
2
g(x)
1.5
0.5
0
3
b=1
2.5 1
0.8
2 0.6
1.5 0.4
0.2
a 1 0
x
34 Beta raspodela
Funkcija raspodele
Bx (a, b)
F (x) = = Ix (a, b),
B(a, b)
gde su Bx i Ix nepotpune Beta funkcije (videti Dodatak).

(a + b) X (it)k (a + k)
(t) = = M (a, a + b, it),
(a) k! (a + b + k)
k=0
gde je M hipergeometrijska funkcija (videti Dodatak).
Generatrisa momenata
k1
X Y a+i tk
M (t) = 1 + .
a + b + i k!
k=1 i=0
Momenti
B(a + r, b) a(a + 1) (a + r 1)
mr = = , r > 0.
B(a, b) (a + b)(a + b + 1) (a + b + r 1)
Specijalno,
a a(a + 1)
m1 = , m2 = .
a+b (a + b)(a + b + 1)
Centralni momenti:
ab 2ab(b a)
2 = D(X) = , 3 = ,
(a + b)2 (a + b + 1) (a + b)3 (a + b + 1)(a + b + 2)
3ab(2(a + b)2 + ab(a + b 6))

4 = .
(a + b)4 (a + b + 1)(a + b + 2)(a + b + 3)
Modus i medijana
a1
1. Za a > 1 i b > 1 raspodela ima mod jednak , a za a < 1 i b < 1
a+b2
a1
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

r
2(b a) a+b+1
1 (X) = ,
a+b+2 ab
3(a + b + 1)(2(a + b)2 + ab(a + b 6))

2 (X) =
ab(a + b + 2)(a + b + 3)
Ocene parametara
Ocene po metodi maksimalne verodostojnosti su:
1/n
1 1 ((1 X1 )(1 X2 ) (1 Xn ))
a= ,
2 1 (X 1X2 Xn )1/n ((1 X1 )(1 X2 ) (1 Xn ))1/n
b
bb = 1 1 (X1 X2 Xn )1/n
,
2 1 (X1 X2 Xn )1/n ((1 X1 )(1 X2 ) (1 Xn ))1/n
pri qemu je
a(2a 1) b(2b 1)
a)
D(b , D(bb) , (n )
n n
i za a > 2 i b > 2
r
(a 2)(b 2)
a, bb)
(b , (n ).
ab
Ocene po metodi momenata su:
a = (M1 M2 )
M1
, eb = (M1 M2 ) 1 M1 .
Sn2 Sn2
e
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 uni-
formnom raspodelom. Ako su 1 , . . . , n nezavisne sluqajne promen i-
ve 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
6.
Ako X : B2 (a, b) i Y : B2 (a + 1/2, b) i ako su X i Y nezavisne, tada
XY : B2 (2a, 2b).

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).
X
8. Ako X : B2 (a, b), tada ima Pirsonovu raspodelu tipa V I ili
1X
beta raspodelu druge vrste.
9. B2 (a, 1) je takozvana standardna stepena raspodela.
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
14. Ako X : F (m, n) i Y = , tada Y : B2 , .
n n + mX 2 2
15. Ako X : 2 (m) i Y : 2 (n) i ako su X i Y nezavisne, tada
X m n
: B2 , .
X +Y 2 2
16. Ako Xi : 2 (ni ) i ako su Xi i Xj nezavisne za i 6= j , tada

k1
X
Xi k1
!
i=1 1X 1
k
: B2 ni , nk .
X 2 i=1 2
Xj
j=1
Beta raspodela 37
Primena
Meteorologija, biologija, hidrologija, komunikacije, operaciona istra-
ivaa, 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:
(a + b) a1
g(x) = x (1 x)b1 , 0 x 1.
(a)(b)
Generisae
Ako je y sluqajan broj iz G(a) i z sluqajan broj iz G(b) raspodele, tada
je y
, ab
y+z

x= z
1
, a<b
y+z
sluqajan broj iz B2 (a, b) raspodele.
6
BETA RASPODELA B4(a, b, c, d)
(qetvoroparametarska)
Gustina
1 (x c)a1 (d x)b1
g(x) = , c x d.
B(a, b) (d c)a+b1
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 2 2
1.5 1.5 1.5
1 1 1
0.5 0.5 0.5
0 0 0
1 2 3 4 1 2 3 4 1 2 3 4
2 2 2
1.5 1.5 1.5
1 1 1
0.5 0.5 0.5
0 0 0
1 2 3 4 1 2 3 4 1 2 3 4
2 2 2
1.5 1.5 1.5
1 1 1
0.5 0.5 0.5
0 0 0
1 2 3 4 1 2 3 4 1 2 3 4
38
Beta B4 raspodela 39
Momenti
da ab(d c)2
m1 = c + , D(X) = .
a+b (a + b)2 (a + b + 1)

r
2(b a) a+b+1
1 (X) = ,
a+b+2 ab
3(a + b + 1)(2(a + b)2 + ab(a + b 6))
2 (X) = .
ab(a + b + 2)(a + b + 3)
Ocene parametara
Metoda maksimalne verodostojnosti
Ako su parametri c i d poznati, ocene ba i bb parametara a i b metodom
maksimalne verodostojnosti dobijaju se iz sistema
n
1 X Xi c
a) (b
(b a + bb) = ln
n i=1 dc
n
1 X d Xi
(bb) (b
a + bb) = ln ,
n i=1 dc
gde je digama funkcija (videti Dodatak).

Metoda momenata
Ocene ea i eb metodom momenata za nepoznate parametre a i b (pod pret-
postavkom da su parametri c i d poznati) dobijaju se iz sistema
M1 c a
e
= ,
dc a + eb
e
Sn2

a a 1
1
e e
= .
(d c)2 a+b
e e a+b e
e e a+b+1
e
Neka svojstva
d(a 1) + c(b 1)
1. Za a > 1 i b > 1 raspodela ima mod jednak .
a+b2

1. Ako X : B2 (a, b), tada c + (d c)X : B4 (a, b, c, d).
40 Beta B4 raspodela
X c
2. Ako X : B4 (a, b, c, d), tada : B2 (a, b).
dc
Primena
Raspodela B4 (a, b, c, d) slui za opisivae raznih pojava koje se karakter-
ixu 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:
(a + b) (x c)a1 (d x)b1
g(x) = , c x d.
(a)(b) (d c)a+b1
7
BETA PRIM RASPODELA BP (a, b)
(dvoparametarska)
Gustina
1 xa1
g(x) = , x > 0.
B(a, b) (1 + x)a+b
Parametri
a, b (a, b > 0) { parametri oblika.
Grafik gustine
2
a=1, b=5
1.8
a=0.1, b=0.5
1.6
a=0.5, b=0.5 a=1,b=4

1.4
1.2 a=2, b=0.5
a=8, b=5
1
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
41
42 Beta prim raspodela
Funkcija raspodele
F (x) = Ix/(1+x) (a, b),
gde je Ix nepotpuna beta funkcija (videti Dodatak).
Neka svojstva
1
1. Ako X : BP (a, b), onda : BP (b, a).
X
a1
2. Modus raspodele je jednak .
b+1

1. Raspodela je specilajan sluqaj Pirsonove raspodele (tip V I ).
1X X
2. Ako X : B2 (a, b), onda : BP (b, a) i : BP (a, b).
X 1X
3. Ako X : G1 (a) i Y : G1 (b) i ako su X i Y nezavisne sluqajne
X
promen ive, tada : BP (a, b).
Y
X2 Y2
4. Ako : 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
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
a
g(x) = , b < x < c.
a(x b) + (c b) log(a + 1)
Parametri
a (a > 0) { parametar oblika, b, c (b < c) { parametri lokacije.
Grafik gustine
0.9
b=1, c=5
0.8
a=4
a=8
0.7
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 0 1 2 3 4 5
43
44 Bradfoedova raspodela
Funkcija raspodele

xb
log 1 + a
cb
F (x) = , b < x < c.
log(a + 1)
Momenti
a(c b + log(a + 1)(c(a + 1) c)
m1 = ,
a log(a + 1)
(c b)2 (a(log(a + 1) 2) + 2 log(a + 1))
D(X) = .
2a log2 (a + 1)
Modus i medijana
1
M o(X) = b, M e(X) = (b(a + 1) c + (c b) a + 1).
a

12a2 9ka(a + 2) + 2k 2 (a(a + 3) + 3)
1 (X) = 2 p ,
a(a(k 2) + 2k(3a(k 2) + 6k)
a3 (k 3)(k(3k 16) + 24) + 12ka2 (k 4)(k 3) + 6ak 2 (3k 14) + 12k 3
2 (X) = ,
3a(a(k 2) + 2k)2
gde je k = log(a + 1).
Neka svojstva
Kvartili raspodele su:
1 1 p
Q1 = (b(a + 1) c + (c b) 4 a + 1), Q3 = (b(a + 1) c + (c b) 4 (a + 1)3 ).
a a
9
BUROVA RASPODELA BU 2(a)
(tip II , jednoparametarska)
Gustina
aex
g(x) = a+1 , x R.
(1 + ex )
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 4 3 2 1 0 1 2 3 4 5
45
46 Burova raspodela
Funkcija raspodele
a
F (x) = 1 + ex , 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 4 3 2 1 0 1 2 3 4 5
10
BUROVA RASPODELA BU 3(a, b)
(tip III , dvoparametarska)
Gustina
ab
g(x) = b+1
, x > 0.
xa+1 (1 + xa )
Parametri
a, b (a, b > 0) - parametri oblika.
Grafik gustine
3
2.5
a=18, b=0.04
a=10, b=0.1
a=15, b=0.2
1.5
a=18, b=0.1
0.5
0
0 0.5 1 1.5
47
48 Burova raspodela
Funkcija raspodele
b
F (x) = 1 + xa , x > 0.
a=2, b=1
0.9
0.8
a=2, b=0.5
0.7
0.6
a=0.5, b=1
a=1, b=1
0.5
0.4
a=2, b=2
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
11
(tip IV , dvoparametarska)
Gustina
1/a 1/a !b1
b ax ax
g(x) = 1+ , 0 < x < a.
x(x a) x x
Parametri
a, b (a > 0, b > 0) - parametri oblika.
Grafik gustine
2
1.8
1.6
1.4
a=2, b=2
1.2
a=2, b=0.2
0.8
a=2, b=0.5
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
49
50 Burova raspodela
Funkcija raspodele
1/a !b
ax
F (x) = 1+ , 0 < x < a.
x
b=0.2
0.9
0.8
0.7
0.6
b=0.5
0.5
b=2
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
12
(tip V , dvoparametarska)
Gustina
ab 1 + tan2 x
g(x) = b+1
, <x< .
etan x (1 + aetanx ) 2 2
Parametri
a, b (a R, b > 0) { parametri oblika.
Grafik gustine
2
1.8
1.6
a=1, b=0.3
1.4
1.2 a=10, b=0.5
0.8
a=1, b=0.5
0.6
0.4
0.2
0
2 1.5 1 0.5 0 0.5 1 1.5 2
51
52 Burova raspodela
Funkcija raspodele
b
F (x) = 1 + ae tan x , <x< .
2 2
0.9
a=1, b=0.3
0.8
0.7
0.6
0.5 a=1, b=0.5
0.4
0.3
0.2
a=10, b=0.5
0.1
0
2 1.5 1 0.5 0 0.5 1 1.5 2
13
(tip V I , dvoparametarska)
Gustina
b1
g(x) = ab2 ch xeb sh x 1 + aeb sh x , x R.
Parametri
Grafik gustine
0.45
0.4
a=5, b=0.5
0.35
a=10, b=0.1
0.3
0.25
a=10, b=0.5
0.2
0.15
0.1
0.05
0
6 4 2 0 2 4 6
53
54 Burova raspodela
Funkcija raspodele
b
F (x) = 1 + aeb sh x , x R.
0.9
a=10, b=0.1
0.8
0.7
0.6
0.5
a=10, b0.5
0.4
0.3
a=5, b=0.5
0.2
0.1
0
5 4 3 2 1 0 1 2 3 4 5
14
(tip V II , jednoparametarska)
Gustina
a
1 1
g(x) = a (tanh x 1) + tanh x , x R.
2 2
Parametri
a (a > 0) - parametar oblika.
Grafik gustine
0.7
0.6
a=5
a=2
0.5
a=1
0.4
0.3
a=0.5
0.2
0.1
0
5 4 3 2 1 0 1 2 3 4 5
55
56 Burova raspodela
Funkcija raspodele
a
F (x) = 2a (1 + tanh x) , x R.
0.9
0.8
a=0.5
0.7
0.6
a=2
0.5
a=1
0.4
0.3
0.2 a=5
0.1
0
5 4 3 2 1 0 1 2 3 4 5
15
(tip V III , jednoparametarska)
Gustina
a
2 aex a1
g(x) = (arctan ex ) , x R.
1 + e2x
Parametri
Grafik gustine
0.4
a=2
0.35 a=5
a=1
0.3
0.25
a=0.5
0.2
0.15
0.1
0.05
0
5 4 3 2 1 0 1 2 3 4 5
57
58 Burova raspodela
Funkcija raspodele
a
2
F (x) = arctan ex , x R.

0.9
0.8
a=0.5
0.7
0.6
a=1
0.5
a=2
0.4
0.3
0.2
a=5
0.1
0
5 4 3 2 1 0 1 2 3 4 5
16
(tip IX , dvoparametarska)
Gustina
b1
(1 + ex )
g(x) = 2abex 2, x R.
(a(1 + ex )b a + 2)
Parametri
Grafik gustine
0.25
a=5, b=0.5
a=1, b=0.5
0.2
a=15, b=0.1
0.15
a=10, b=0.1
0.1
0.05
0
4 3 2 1 0 1 2 3 4
59
60 Burova raspodela
Funkcija raspodele
2
F (x) = 1 , x R.
a ((1 + ex )b 1) + 2
0.9
0.8
a=5, b=0.5
0.7
0.6
0.5 a=15, b=0.1
0.4
a=10, b=0.1
0.3
0.2
a=1, b=0.5
0.1
0
5 4 3 2 1 0 1 2 3 4 5
17
(tip X , jednoparametarska)
Gustina
2
2
a1
g(x) = 2axex 1 ex , x > 0.
Parametri
Grafik gustine
1.4
1.2
a=0.5 a=2
a=5
a=1
1
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3
61
62 Burova raspodela
Funkcija raspodele
2 a

F (x) = 1 ex , x > 0.
0.9
a=0.5
0.8
0.7
0.6 a=1 a=2
0.5
0.4
0.3
0.2 a=5
0.1
0
0 0.5 1 1.5 2 2.5 3
18
(tip XI , jednoparametarska)
Gustina
a1
1
g(x) = a(1 cos 2x) x sin 2x , 0 < x < 1.
2
Parametri
Grafik gustine
4
3.5 a=5
3
a=2
2.5
a=1
2 a=0.5
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
63
64 Burova raspodela
Funkcija raspodele
a
1
F (x) = x sin 2x , 0 < x < 1.
2
0.9
0.8 a=1
0.7
0.6 a=2
0.5
a=0.5
0.4
0.3
0.2
a=5
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
19
(tip XII , dvoparametarska)
Gustina
abxa1
g(x) = b+1
, x > 0.
(1 + xa )
Parametri
Grafik gustine
1
a=15, b=0.1
0.9
a=5, b=0.5
0.8
0.7
a=10, b=0.1
0.6
a=1, b=0.5
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3
65
66 Burova raspodela
Funkcija raspodele
b
F (x) = 1 (1 + xa ) , x > 0.
0.9 a=15, b=0.1
0.8
a=5, b=0.5
0.7
0.6
0.5
0.4
a=1, b=0.5
0.3
0.2
a=10, b=0.1
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Ocene parametara
Ako je parametar a poznat, ocena bb parametra b metodom maksimalne
verodostojnosti data je sa
bb = n
n .
X
ln(1 + Xka )
k=1

1. Ako X : BU 12(a, b), tada ln(1 + X a ) : E(1/b),
2. Ako X1 , . . . , Xn : BU 12(a, b) i ako su X1 , . . . , Xn nezavisne sluqajne
promen ive, tada
n
X
ln(1 + Xka ) : G2 (n, 1/b) .
k=1
20
VEJBULOVA RASPODELA W1(a)
(jednoparametarska)
Gustina
g(x) = axa1 exp {xa } , x > 0.
Parametri
Grafik gustine
2
1.8
a=5
1.6
a=0.5
1.4
1.2
1 a=0.1
0.8
0.6
a=2
0.4
a=1
0.2
0
0 0.5 1 1.5 2 2.5 3
67
68 Vejbulova raspodela
Funkcija raspodele
F (x) = 1 exp {xa } , x > 0.
Momenti
r
mr = 1 + , r > 0.
a
Specijalno,
1 2
m1 = 1 + , m2 = 1 + ,
a a

3 4
m3 = 1 + , m4 = 1 + .
a a
Centralni momenti

2 2 1
2 = D(X) = 1 + 1+ ,
a a

3 2 1 3 1
3 = 1 + 3 1 + 1+ 2 1 + ,
a a a a

4 3 1 2 1 1
4 = 1 + 4 1 + 1+ +6 1 + 2 1 + 34 1 + .
a a a a a a
Modus i medijana
1/a
a1

, a>1
M o(X) = a , M e(X) = (ln 2)1/a .

0, 0<a1
Funkcija verodostojnosti
( n
)
X
n a1
L = a (X1 X2 Xn ) exp Xia ,
i=1
n
X n
X
ln L = n ln a + (a 1) ln Xk Xka .
k=1 k=1
Ocene parametara
Kako je
n n
ln L n X X
= + log Xk Xka ln Xk ,
da a
k=1 k=1
Vejbulova raspodela 69
ocena ba za parametar a dobija se iz jednaqine

n n
1 X ab 1 1X
Xk ln Xk = ln Xk .
n a
b n
k=1 k=1
Metoda momenata
Ocena ea parametra a, po metodi momenata, dobija se iz M1 = m1 , odnosno
iz jednaqine
1
1+ =X
a
e
ili iz M2 = m2 , odnosno iz jednaqine
n
1 1X 2
2+ = Xk .
a
e n
k=1
Neka svojstva
q
2 1

G 1+ G2 1 +
a a
1. Koeficijent varijacije je Cv = .
G 1 + a1

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 oxte-
nosti normalne raspodele ( 2 (X) = 0).
6. Ako su X1 , X1 , . . . , Xn nezavisne sluqajne promen ive i Xi : W1 (a),
tada Xmin : W1 (an1/n ).

1. W1 (1) = E(1)
2. W1 (a) = W2 (a, 1).
3. W1 (a) = W3 (a, 1, 0).
4. W1 (a) = W4 (a, 1, 0, 1).
5. Ako X : W1 (a), tada bX : W2 (a, b).
6. Ako X : W1 (a), tada bX + c : W3 (a, b, c).

X c
7. Ako X : W3 (a, b, c), tada : W1 (a).
b
8. Ako X : W1 (a), tada X a : E(1).
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 matemati-
qaru (Rene-Maurice Frechet, 1878-1973), kao i Gnedenko-Vejbulova (Boris
Vladimiroviq Gnedenko, 1912-1995 je ruski matematiqar).
21
VEJBULOVA RASPODELA W2(a, b)
(dvoparametarska)
Gustina
a x a1 n x a o
g(x) = exp , x > 0.
b b b
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
1.5
b=2
a=0.1
1 a=2
a=0.5
a=1
0.5 a=5
0
0 0.5 1 1.5 2 2.5 3
71
Funkcija raspodele
n x a o
F (x) = 1 exp , x > 0.
b
Entropija
a
1 b b
H(X) = b 1 + + ln .
a a a
Momenti
r
mr = b r 1 + , r > 0.
a
Specijalno,
1 2 2
m1 = b 1 + , m2 = b 1 + ,
a a

2 1
2 = D(X) = b2 1 + 2 1 + .
a a
Modus i medijana
1/a
b a 1

, a>1
M o(X) = a , M e(X) = b(ln 2)1/a .

0, 0<a1

3

1+ a b3 3m1 2 m31
1 (X) = ,
3
4
b4 1 +

a 3 4 41 3 m1 6 2 m21 m41
2 (X) = ,
4
gde je 2 = 2 .
( n )
an X Xi a
a1
L = na (X1 X2 Xn ) exp ,
b i=1
b
n n
X 1 X a
ln L = n ln a na ln b + (a 1) ln Xk Xk .
ba
k=1 k=1
Ocene parametara
Ocene ba i bb nepoznatih parametara a i b dobijaju se iz sistema
n
!1/ba
bb = 1 X ab
Xk ,
n
k=1
n Pn a
1 1 k=1 Xk ln Xk
X b
= ln(Xk ) + Pn a
.
a
b n k=1 Xk
b
k=1
Pri tome je
0.608 2 1.109 b2
a)
D(b a , D(eb) 2.
n n a
Metoda momenata
Ocena ea za parametar a moe da se dobije iz izraza za koeficijent var-
ijacije, a ocena eb parametra b iz izraza za prvi momenat. U tom sluqaju
a je rexee jednaqine
e

2 2 1 1
Xn a + 1+ = 1+ Sn ,
a a a
Xn
a ebje dato sa eb = .
(1 + 1/a)
Neka svojstva
q
2 1

G 1+ a G2 1 + a
1. Koeficijent varijacije je Cv =
G 1 + a1


asimetriqna.
5. Za a = 2.25 i za a = 5.83 sp oxtenost raspodele je sliqna sp oxte-
6. Ako su X1 , X1 , . . . , Xn nezavisne sluqajne promen ive i Xi : W2 (a, b),
tada Xmin : W2 (an1/n , b).
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.

1. W2 (1, b) = E(b)
2. W2 (a, 1) = W1 (a).
3. W2 (a, b) = W3 (a, b, 0).
4. W2 (a, b) = W4 (a, b, 0, 1).

5. W2 (2, 2c) = R(c).
6. Ako X : W1 (a), tada bX : W2 (a, b).
7. Ako X : U (0, 1), tada b( ln X)1/a : W2 (a, b).
Primena
Meteorologija, teorija pouzdanosti, beiqna komumnikacija, meteorolo-
gija (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)
Gustina
a1 a
a xc xc
g(x) = exp , x > c.
b b b
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
a=0.5 a=12
a=1
0.5
a=5
0
0.5 1 1.5 2 2.5 3 3.5 4
75
Funkcija raspodele
a
xc
F (x) = 1 exp , x > c.
b
Momenti
r
X r j rj j
mr = b c 1+ , r > 0.
j=1
j a
Centralni momenti

2 1
2 = D(X) = b2 1 + 2 1 + ,
a a

3 3 2 1 3 1
3 = b 1 + 3 1 + G 1+ 2 1 + ,
a a a a

4 3 1
4 = a4 1 + 4 1 + 1+
a a a

2 2 1 4 1
+ 6 1 + 1+ 3 1 + .
a a a
Modus i medijana
1/a
c + b a 1

, a>1
M o(X) = a , M e(X) = c + b(ln 2)1/a .

c, 0<a1

1
3 1 + a1 1 + a2 + 1 + a3

23 1 + a
1 (X) = 3/2 ,
1 + a2 2 1 + a1

1 1
1 + a2 4 1 + a1 1 + a3 + 1 + a4

34 1 + a + 62 1 + a
2 (X) = 2 .
2 1 + a1 1 + a2

n
( n )
an Y X Xk c a
a1
L = na (Xk c) exp ,
b b
k=1 k=1
n n a
X X Xk c
ln L = n ln a na ln b + (a 1) ln(Xk c) .
b
k=1 k=1
Ocene parametara
Kako je
n n a
ln L n X X Xk c Xk c
= n ln b ln(Xk c) ln ,
a a b b
k=1 k=1
ln L an a X
= a+1 k = 1n (Xk c)a ,
b b b
n n a
ln L X 1 1 X Xk c
= (a 1) + ,
c Xk c b b
k=1 k=1
ocene ba, bb i bc nepoznatih parametara a, b i c dobijaju se rexavaem sistema

n
!1/ba
1X
bb = c)ab
(Xk b ,
n
k=1
n n ab
1 1X 1X X b c X b c
= ln bb ln(Xk b
c) + ln ,
a
b n n bb bb
k=1 k=1
n n
X X 1
a c)ab1
(Xk b = bbab (b
a 1) .
Xk b
b
c
k=1 k=1
U sluqaju kada je parametar c poznat promen iva Y = X c ima dvopara-

metarsku Vejbulovu raspodelu, pa umesto X1 , X2 , . . . , Xn moe da se uzme
uzorak Y1 , Y2 , . . . , Yn . Tada je
n a1 a
Y a Yk Yk
L(Y1 , . . . , Yn ; a, b) = exp ,
b b b
k=1
pa se ocene dobijaju iz sistema

n
!1/ba
bb = 1 X ab
Yi ,
n
k=1
n Pn
1 1 X Y ab ln Yk
= Pn k ab .
ln Yk + k=1
a
b n k=1 Yk
k=1
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 ea parametra a moe da se dobije iz izraza za 3 / 3 , a
ocene eb i ec parametara b i c su tada date sa

Sn 1
eb = 1/2 , c = X n eb 1 +
e .
1+ 2

2 1 + 1 a
e
a
e a
e
Neka svojstva
1. Kvartili raspodele su
1/a
4
Q1 = c + b ln , Q3 = c + b(log 4)1/a .
3
q
2 1

b G 1+ a G2 1 + a
2. Koeficijent varijacije je Cv =
c + bG 1 + a1


asimetriqna.
6. Za a = 2.25 i za a = 5, 83 sp oxtenost raspodele je sliqna sp oxte-
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).

1. W3 (a, b, 0) = W2 (a, b).
2. W3 (a, 1, 0) = W1 (a).
3. W3 (a, b, c) = W4 (a, b, c, 1).
4. W3 (1, b, 0) = E(b).
5. W3 (1, b, c) = E2 (b, c).
6. Ako X : W! (a), tada c + bX : W3 (a, b, c).

a
X c
7. Ako X : : E2 (1, 0), tada X : W3 (a, b, c).
b

8. W3 (2, 2, c) = R2 (c, ).

9. W (2, 2, 0) = R1 ().
X E(X)
10. Ako X : W (a, b, c), tada standardizovana sluqajna promen iva

za a [2, 6] ima priblino raspodelu N (0, 1).
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)
Gustina
a
a ad1 xc
g(x) = ad (x c) exp , x > c.
b (d) b
Parametri
a, d (a, d > 0) { parametri oblika, b (b > 0) { parametar skaliraa,
c (c > 0) { parametar lokacije.
Grafik gustine
1.5
b=2, c=1
d=2
d=0.8
a=5
1
a=0.5
a=5
a=2
0.5
a=2
a=0.5
0
0.5 1 1.5 2 2.5 3 3.5 4
80
Funkcija raspodele
a
1 xc
F (x) = d, , x c,
(d) b
gde je (d, t) nepotpuna Gama funkcija (videti Dodatak).
Momenti
r
X r k rk (d + r/a)
mr = b c , r > 0.
k (d)
k=0
Specijalno,
d + a1 d + a1 2

2 2 d + a
m1 = c + b , m2 = c + 2bc +b ,
(d) (d) (d)
(d + 1/a) (d + 2/a) (d + 3/a)

m3 = c3 + 3bc2 + 3b2 c + b3 .
(d) (d) (d)

1. W4 (a, b, c, 1) = W3 (a, b, c).
2. W4 (a, b, 0, 1) = W2 (a, b).
3. W4 (a, 1, 0, 1) = W1 (a).
4. W4 (1, b, c, a) = G3 (a, b, c).
5. W4 (1, b, 0, a) = G2 (a, b).
6. W4 (1, 1, 0, a) = G1 (a).
a
X c
7. Ako X : W4 (a, b, c, d), tada : G1 (d) i obrnuto.
b
8. W4 (1, , 0, 1) = E1 ().
9. W4 (1, , c, 1) = E2 (, c).
10. W4 (2, 2, 0, /2) = 2 .
Napomena
Raspodela je poznata i kao uopxtena Gama raspodela.
24
VEJBULOVA RASPODELA W N (a, b, c)
(negativna, troparametarska)
Gustina
a1 a
a cx cx
g(x) = exp , x < c.
b a b
Parametri
Grafik gustine
1.5
b=2, c=1
a=0.1
a=2
a=0.5
a=1
0.5 a=5
0
2 1.5 1 0.5 0 0.5 1 1.5
82
25
VEJBULOVA RASPODELA W D(a, b, c)
(dvostrana, troparametarska)
Gustina
a1
x c a

a x c
g(x) = exp
, x R.
2b b b
Parametri
Grafik gustine
1
b=2, c=1
0.9
0.8 a=10
a=0.8
0.7
0.6
0.5
0.4 a=5
a=1
0.3 a=2
0.2
0.1
0
2 1 0 1 2 3 4
83
26
VEJBULOVA RASPODELA W E(a, b, c)
(eksponencijalna, troparametarska)
Gustina
(
b exp {bx} , 0 < x < c,
g(x) = .
b + aba (x c)a1 exp {bx (b(x c))a } , 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
1 a=20, b=1
a=2, b=1
0.8
a=2, b=0.5
0.6
a=10, b=1
0.4
0.2
a=2, b=0.3 a=5, b=1
0
0 0.5 1 1.5 2 2.5 3
84
Vejbulova eksponencijalna raspodela 85
Funkcija raspodele
(
1 exp{bx}, x<c
F (x) = .
1 exp {bx (b(x c))a } , xc
0.9 a=5
a=2
0.8 a=10
0.7
0.6
0.5 b=1
c=1
0.4
0.3
0.5 1 1.5 2 2.5
27
VEJBULOVA RASPODELA W U (a, b, c)
(uopxtena troparametarska)
Gustina
x a1 n x a a
o
g(x) = ca exp + cb 1 e(x/b) , x > 0.
b b
Parametri
a, c (a, c > 0) { parametri oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
2.5
b=0.5 a=c=1
2 a=c=2
b=0.5
1.5
b=1
b=1 b=2
1
b=2
0.5 b=5
b=5
0
0 0.5 1 1.5 2 2.5 3
86
Vejbulova uopxtena raspodela 87
Funkcija raspodele
n a
o
F (x) = 1 exp cb 1 e(x/b) , x > 0.
0.9 b=0.5
0.8 b=2
b=1
0.7
0.6 b=5
0.5
0.4
0.3
a=2
0.2
c=2
0.1
0
0 0.5 1 1.5 2 2.5 3
28
VEJBULOVA RASPODELA W EX(a, b, c)
(eksponencijalizovana, troparametarska)
Gustina
ac n x a oc1 x a1 n x a o
g(x) = 1 exp exp , x > 0.
b b b b
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
a=2
0.5
a=2
a=1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
88
29
VEJBULOVA RASPODELA W M (a, b, c)
(modifikovana, troparametarska)
Gustina
g(x) = b((a + cx)xa1 exp {cx bxa ecx } , x > 0.
Parametri
a (a > 0) { parametar oblika, b, c (b > 0, c 0) { parametri skaliraa.
Grafik gustine
4
3.5
a=2
c=5
b=1
3
2.5
c=2
1.5 c=1
1
c=0
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
89
30
VEJBULOVA RASPODELA W Z(a, b, c, .)
(zaseqena sa obe strane, petoparametarska)
Gustina
a1 a
a xc xc
g(x) = a a exp , < x < .
b e((c)/b) e((c)/b) b b
Parametri
a (a > 0) - parametar oblika, b (b > 0) - parametar skaliraa,
c, , (c < ) - parametri lokacije.
Grafik gustine
1.5
b=2, c=1, =1.5, =3.5
a=8
a=0.1
a=5
a=1
0.5 a=2
0
1 1.5 2 2.5 3 3.5 4
90
31
VEJBULOVA RASPODELA W ZL(a, b, c, )
(zaseqena sa leve strane, qetvoroparametarska)
Gustina
a1 a a
a xc xc c
g(x) = exp + , x > .
b b b b
Parametri
a (a > 0) - parametar oblika, b (b > 0) - parametar skaliraa,
c, (c ) - parametri lokacije.
Grafik gustine
1.5
b=2, c=1, =1.5
a=8
a=2
a=5
0.5
a=1
0
1 1.5 2 2.5 3 3.5 4
91
32
VEJBULOVA RASPODELA W ZD(a, b, c, )
(zaseqena sa desne strane, qetvoroparametarska)
Gustina
a1 a
a xc xc
g(x) = a exp , c < x < .
b e((c)/b) b b
Parametri
a (a > 0) {parametar oblika, b (b > 0) { parametar skaliraa,
c, (c < ) { parametri lokacije.
Grafik gustine
1.5
b=2, c=1, =3.5
a=8
a=1
a=5
a=2
0.5
0
1 1.5 2 2.5 3 3.5 4
92
33
GAMA RASPODELA G1(a)
(jednoparametarska)
Gustina
xa1 ex
g(x) = , x 0.
(a)
Parametri
a (a > 0) - parametar oblika.
Grafik gustine
a=0.5
0.5
a=1
0.4 a=2
a=2.5
0.3
a=3
a=5 a=10
0.2
0.1
0
0 2 4 6 8 10
93
94 Gama raspodela
Momenti
(a + r)
mr = , r > 0.
(a)
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.

2 6
1 (X) = , 2 (X) = .
a a
Ocene parametara
Ocena ba za nepoznati parametar a je rexee jednaqine
n
1X
(b
a) = ln Xk ,
n
k=1
gde je ) digama funkcija (videti Dodatak).

Metoda momenata
Ocena ea za nepoznati parametar a, po metodi momenata, data je sa ea = X ,
a
pri qemu je Eea = a i Dea = .
n
Neka svojstva
1
1. Koeficijent varijacije je CV (X) = .
a
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. G1 (a) = G2 (a, 1) = G3 (a, 1, 0) = G4 (a, 1, 0, 1).
2. G1 (1) = E(1).
3. G1 (n) = ER2 (1, n), n N .
Gama raspodela 95
4. Ako X : G1 (a) i Y : G1 (b) i ako su X i Y nezavisne sluqajne

promen ive, tada
X
X + Y : G2 (a, b), : B2 (a, b).
X +Y
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
1 1 1
Y = ln(X1 X2 Xn ) = ln + ln + . . . + ln ,
X1 X2 Xn
tada Y : G1 (n).
34
GAMA RASPODELA G2(a, b)
(dvoparametarska)
Gustina
1 x a1 x/b
g(x) = e , x 0.
b(a) b
Parametri
a (a > 0) - parametar oblika, b (b > 0) - parametar skaliraa.
Grafik gustine
0.2 4
0.15 3
0.1 2 a=0.5, b=2

a=2, b=2
0.05 1
0 0
0 2 4 6 0 1 2 3
0.5 4
0.4
3
a=2, b=0.8 a=0.5, b=0.8
0.3
2
0.2
1
0.1
0 0
0 2 4 6 0 1 2 3
96
Gama raspodela 97
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je fik-

siran prvi parametar, a = 2, dok se drugi parametar mea u intervalu
[0.5, 3].
0.8
0.7 b=0.5 a=2, b [0.5,3]

b=0.6
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 a=1
0.4 a=1.1 a [1,3], b=2
0.35
0.3
0.25
0.2
0.15
0.1
0.05 a=3
0
0 0.5 1 1.5 2 2.5 3 3.5 4
98 Gama raspodela
Funkcija raspodele
1 x
F (x) = a, , x 0,
(a) b
gde je nepotpuna gama funkcija (videti Dodatak).
Entropija
H(X) = ab + (1 a) ln b + ln (a) + (1 a)(a),
1
(t) = .
(1 bt)a
1 1
M (t) = , t< .
(1 bt)a b
Momenti
(a + r)
mr = b r , r > 0.
(a)
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 .

2 6
1 (X) = , 2 (X) = .
a a
Gama raspodela 99
n ( )
1 X n Xi
a1
L= (X1 X2 Xn ) exp =1 ,
ba (a) i
b
n n
X X Xi
ln L = (a 1) ln Xi na ln b n ln (a).
i=1 i=1
b
Ocene parametara
Ocene ba i bb nepoznatih parametara a i b su rexea sistema jednaqina
n
1X
abb = X,
b (b
a) + ln bb = ln Xk ,
n
k=1

Metoda momenata
Ocene ea i eb po metodi momenata date su sa
2 2
X eb = S .
a= , 3
S2
e
X
Neka svojstva
1
1. Koeficijent varijacije je CV = .
a
2. Ako X : G2 (a, b), tada cX : G2 (a, cb).

1
3. Ako X : G2 (a, b), tada : G2 (a, 1/b).
X
4. Ako Xi : G2 (ai , b) (i = 1, 2, . . . , n) i ako su X1 , X2 , . . . , Xn nezavisne
sluqajne promen ive, tada
X1 + X2 + + Xn : G2 (a1 + a2 + + an , b).

1. Ako X : G1 (a), tada bX : G2 (a, b).
2. G2 (1, b) = E1 (b).
3. G2 (a, 1) = G1 (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
8. Ako X1 , . . . , Xn : E1 (b), tada X1 + + Xn : G2 (n, b).

9. G2 (a, b) N (ab, ab2 ) kada a .
Generisae
Ako su u1 , . . . , un nezavisni sluqajni brojevi iz U (0, 1) raspodele, tada
n
je x = ln ui sluqajan broj iz G(n, 1), a bx sluqajan broj iz G(n, b)
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)
Gustina
a1
1 xc xc
g(x) = exp , x > c.
b(a) b b
Parametri
c (c R) - parametar lokacije.
Grafik gustine
0.2 4
c=2 c=2
0.15 3
0.1 2 a=0.5, b=2

a=2, b=2
0.05 1
0 0
2 0 2 4 2 1 0 1
0.5 4
c=2 c=2
0.4
3
0.3 a=2, b=0.8

a=0.5, b=0.8
2
0.2
1
0.1
0 0
2 0 2 4 2 1 0 1
101
102 Gama raspodela
Funkcija raspodele

xc
F (x) = a, (a).
b
Specijalno za a N je
a1 k
xc X 1 xc
F (x) = 1 exp , x > c.
b k! b
k=0
(t) = eict (1 ibt)a .
Momenti
r
X r k rk (a + k)
mr = b c , r > 0.
k (a)
k=0
Specijalno,
m1 = ab + c, m2 = a(a + 1)b2 + 2abc + c2 .
Centralni momenti
2 = D = ab2 , 3 = 2ab3 , 4 = (3a2 + 6a)b4 .
Modus i medijana
c + b(a 1), a1

M o(X) =
c, a < 1,
Za medijanu ne postoji jednostavan izraz.

2 6
1 (X) = , 2 (X) = .
a a
Qn ( n
)
a1
k=1 (Xk c) 1X
L= exp (Xk c) ,
ban n (a) b
k=1
Gama raspodela 103
n
X nX + c
ln L = (a 1) ln(Xk c) an ln b n ln (a),
b
k=1
n
ln L X
= ln(Xk c) n ln b nd(a),
a
k=1
ln L n an
= (X c) ,
b b2 b
n
X 1
ln L 1
= (a 1) + .
c Xk c b
k=1
Ocene parametara
Ocene ba, bb i bc nepoznatih parametara a, b i c su rexea sistema jednaqina
abb + b
b c = X,
n
1X 1 1
= ,
n Xk bc a 1)bb
(b
k=1
n
1X
(b
a) + ln bb = ln(Xk b
c).
n
k=1

Pri tome je
6a3 3ab2 3a3 b2
a)
D(b , D(bb) , c)
D(b , (n ).
n n 2n
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 bc = X ab, ako su a i c poznati, onda je
bb = X c , a ako su b i c poznati, onda je b
a=
X c
.
a b
{ Ako je poznat samo parametar a, onda se ocene bb i bc dobijaju iz
sistema n
1 1X 1
c = X,
abb + b = ,
(a 1)bb n Xk b
c
k=1
pri qemu je
b2 a(a 1)b2 a+1
D(bb) , c)
D(b , c)
(bb, b , (n ).
n 2n a+3
104 Gama raspodela
{ Ako je poznat samo parametar b, onda se ocene ba i bc dobijaju iz

sistema
n n
1 1X 1 1X
= , ln b + d(b
a) = ln(Xk b
c).
a 1)b
(b n Xk b
c n
k=1 k=1
{ Ako je poznat samo parametar c, onda se ocene ba i bb dobijaju iz

sistema n
1X
abb + c = X,
b ln bb + d(b
a) = ln(Xk c).
n
k=1
Metoda momenata
Ocene ea, eb i ec za a, b i c, po metodi momenata, date su sa
4 eb = C3 , 2C22
a= , c=X ,
12
e e
2C2 C3
gde je
n n
1X 1X
C2 = (Xk X)2 , C3 = (Xk X)3 .
n n
k=1 k=1
Specijalno:
{ Ako je poznat parametar a, onda je
Sn
eb = , c = C Sn a,
e
a
pri qemu je
(a + 3)b2 a(a + 3)b2 a+1
D(eb) , c)
D(e , c)
(eb, e , (n ).
2an 2n a+3
{ Ako je poznat parametar b, onda je

Sn2 Sn2
a= , c=X .
b2
e e
b
{ Ako je poznat parametar c, onda je

(X c)2 Sn2
a= , eb = .
Sn2
e
X c

1. Ako X : G1 (a), tada bX + c : G3 (a, b, c).
2. G3 (1, b, 0) = E1 (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
Raspodela je specijalan sluqaj Pirsonove III (P IR3) raspodele.
36
GAMA ZASEQENA RASPODELA GZ1(a)
(zaseqena na [0, T ], jednoparametarska)
Gustina
xa1 ex
g(x) = , 0 x T.
(a, T )
Parametri
Grafik gustine
T=4
a=0.5
0.5 a=5
a=1
a=2 a=3
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
106
37
GAMA RASPODELA GZ2(a, b)
(zaseqena na [0, T ], dvoparametarska)
Gustina
xa1 ex/b
g(x) = , 0 x T.
ba1 (a, T /b)
Parametri
Grafik gustine
T=4, b=2
a=0.5
a=5
0.5
a=1
a=3
0.4
a=2
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
107
38
GILBRATOVA RASPODELA GL
Gustina
ln2 x
1
g(x) = e 2 , x > 0.
x 2
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
1 ln2 x

1 1
F (x) = + P , , x > 0.
2 2 2 2
Momenti
2
mr = er /2
, r N.

1 (X) = (e + 2) e 1, 2 (X) = e4 + 2e3 + 3e2 3.

1. GL = LN2 (0, 1).
2. GL = LN3 (0, 1, 0).
3. Ako X : GL, tada log X : N (0, 1).
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 1 0 1 2 3 4 5
110
Gumbelova raspodela 111
Funkcija raspodele
x
F (x) = ee , x R.
Momenti
2 2 3 4
m1 = , m2 = 2 + , m3 = 3 + +2(3), m4 = 4 + 2 2 + +8(3),
6 2 20
5 3 2 3 4 10 2 (3)
m5 = 5 + + + 20 2 (3) + + 24(5),
3 4 3
gde je Ojlerova konstanta, a rimanova zeta funkcija.
Centralni momenti
2 3 4 10 2 (3)
2 = , 3 = 2(3), 4 = , 5 = + 24(5)..
6 20 3

1. GU = GU 1(1).
2. GU = GU 2(1, 0).
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)
Gustina
x
g(x) = exe , 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 4 3 2 1 0 1 2
112
41
GUMBELOVA RASPODELA GU 1(a)
(jednoparametarska)
Gustina
ax
g(x) = aeax e , x R.
Parametri
Grafik gustine
0.9 a=0.4
0.8
a=0.5
0.7
0.6 a=0.6
0.5
a=0.8
0.4
a=1
0.3
0.2 a=2
0.1
0
5 0 5
113
114 Gumbelova raspodela
Funkcija raspodele
ax
F (x) = ee , x R.

it
(t) = 1 .
a

1 (X) > 0, 2 (X) 2.4.
Neka svojstva
1. Za gustinu i funkciju raspodele vai jednakost
ln g(x) ln F (x) + ax = 0.
2. Gustina raspodele je rexee diferencijalne jednaqine

a eax 1 g g 0 = 0.

3. Funkcija raspodele je rexee diferencijalne jednaqine

ln F 0 ln F + ax = 0.

1. GU 1(1) = GU .
1
2. Ako X : E1 (1), tada ln X : GU 1(a).
a
1
3. Ako X : U (0, 1), tada ln( ln X) : GU 1(a).
a
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 4 2 0 2 4 6 8
115
116 Gumbelova raspodela
Funkcija raspodele
a(xb)
F (x) = ee , x R.
Entropija
H(X) = ln a + + 1,
gde je Ojlerova konstanta.

it ibt
(t) = 1 e .
a

t
M (t) = 1 ebt .
a
Momenti
1 2
m1 = b + , D(X) = .
a 6a2
Modus i medijana
1
M o(X) = b, M e(X) = b ln(ln 2).
a

12 6(3)
1 (X) = 1.1396, 2 (X) = 2.4,
3
gde je Rimanova zeta funkcija.
Ocene parametara
Ocene ba i bb nepoznatih parametara a i b dobijaju se iz jednaqina
n n n
X 1 X baXi bb = 1 ln n 1 ln
X
Xi ebaXi X e = 0, ebaXi .
i=1
a i=1
b a
b a i=1
b
Gumbelova raspodela 117
Metoda momenata
Ocene ea i eb za a i b, po metodi momenata, date su sa

eb = X 6 Sn ,
a=
e ,
Sn 6
gde je Ojlerova konstanta.
Neka svojstva
1. Kartili raspodele dati su sa

1 1 4
Q1 = b ln(ln 4), Q3 = b ln ln .
a a 3
2. Raspodela je asimetriqna udesno.

3. Ako X : GU 2(a, b), onda je X asimetriqna ulevo.

1. Ako X : GU 2(a, b), tada a(X b) : GU .
2. GU 2(a, 0) = GU 1(a).
3. GU 2(1, 0) = GU .
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 Fixer-
Tipetova ( Fisher-Tippett) raspodela.
3. Gustina raspodele moe da se parametrizuje i sa
a x

1 a x
g(x) = exp e b .
b b
43
GUMBELOVA RASPODELA GU 2Z(a, b)
(zaseqena na [0, +), dvoparametarska)
Gustina
a(xb)
aea(x b) e
g(x) = ab
, x 0.
1 ee
Parametri
a (a > 0) - parametar skaliraa, b (b R) - parametar lokacije.
Grafik gustine
1.8
a=0.5, b=1
1.6
a=0.5, b=0.2
1.4
1.2 a=0.5, b=0
1 a=0.5, b=1 a=0.5, b=2
0.8 a=0.8, b=1
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3
118
44
EKSPONENCIJALNA RASPODELA E
(standardna)
Gustina
g(x) = ex , x R.
Parametri
Nema parametara.
Grafik gustine
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3
119
120 Eksponencijalna raspodela
Funkcija raspodele
F (x) = 1 ex , x R.
1
(t) = .
1 it
Momenti
mr = r!, r N.

1. E = E1 (1).
X
2. Ako X, Y : E , tada : U (0, 1).
X +Y
45
EKSPONENCIJALNA RASPODELA E1()
(jednoparametarska)
Gustina
x
1
g(x) = e , x0

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
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
121
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 ().
1
(t) = .
1 it
Momenti
mr = r r!, r N.
Specijalno,
m1 = , m2 = 22 , m3 = 63 , m4 = 244 .
Za centralne momente vai:

r+1 = (r + 1)r + (1)r+1 r+1 ,
kao i r
X (1)k
r = mr .
o
k!
Specijalno,
2 = D(X) = 2 , 3 = 23 , 4 = 94 , 5 = 445 , 6 = 2656 , 7 = 18547 .
Za velike vrednosti r je r mr
e .
Modus i medijana
M o(X) = 0, M e(X) = ln 2.

1 (X) = 2, 2 (X) = 6.
Eksponencijalna raspodela 123
( n
)
1 1X
L() = n exp Xi .
i=1
Ocene parametara
Kako je
n
1X
ln L() = n ln Xi ,
i=1
d
iz ln L() = 0 dobija se ocena za po metodi maksimalne verodosto-
d
jnosti

b = X n.
Metoda momenata
Ocena je ista kao ona koja se dobija metodom maksimalne verodostoj-
nosti, pri qemu je
2
E()
b = , D()
b = ,
n
pa je ocena nepristrasna i stabilna.
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 ).
4. Ako X : E1 (), tada za svako x 0 i svako y 0 vai

P {X x + y | X y} = P {X x}.
Ovo svojstvo se zove nedostatak memorije i ono je karakteristiqno samo

za eksponencijalnu raspodelu.

1. E1 () = E2 (, 0).
2. E1 () = G3 (1, , 0).
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/).
p
7. Ako su X1 , . . . Xn nezavisne i Xi : E1 (), tada Xi : G2 (n, ).

Pn
i=1
8. Ako X : E1 (), tada a b ln(X/) : GU 2(a, b).

9. Ako su X1 i X2 nezavisne i X1 , X2 : E1 (), tada X1 X2 : L().
Primena
Biologija, fizika, sistemi masovnog opsluivaa, elektrotehnika, me-
teorologija, hidrologija,teorija pouzdanosti.
Napomena
Koristi se i parametrizacija u kojoj se umesto 1/ uzima . U tom sluqaju
je
g(x) = (xc) , x c,
gde je > 0.
46
EKSPONENCIJALNA RASPODELA E2(, c)
(dvoparametarska)
Gustina
xc
1
g(x) = e , x c.

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
0.4
c=2
0.3
c=0
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
125
Funkcija raspodele

xc
F (x) = 1 exp , x c.

Entropija
H(x) = 1 + ln .
eict
(t) = .
1 it
Momenti
Za momente vai
r
X i cri
mr = cr + rmr1 = r! , r N.
i=0
(r i)!
Specijalno,
m1 = c + , m2 = (c + )2 + 2 , m3 = c3 + 3c2 + 6c2 + 63 ,
m4 = c4 + 4c3 + 12c2 2 + 24c3 + 244 .
Za centralne momente vai

r
X (1)r
r = rr1 + (1)r r = r r! , r N.
i=0
r!
Specijalno,
2 = D(X) = 2 , 3 = 23 , 4 = 94 .
Modus i medijana
M o(X) = c, M e(X) = c + ln 2.

1 (X) = 2, 2 (X) = 6.
Eksponencijalna raspodela 127
Ocene parametara
Ako je parametar c poznat, ocena za po metodi maksimalne verodostoj-
nosti je
b = X n c,

pri qemu je E() b = (nepristrasnost) i D()
b = 2 /n 0 kad n
(stabilnost).
Ako je parametar poznat, ocena za c po metodi maksimalne verodos-
tojnosti je bc = Xmin .
Ocene oba parametra po metodi maksimalne verodostojnosti su
c = Xmin ,
b b = X Xmin .

Ove ocene su asimptotski nepristrasne i stabilne:

2
E(b
c) = c + , D(b
c) = ,
n n2

b = 1 1 ,
E() b = 2
D()
1
+
1 2
3 .
n n n2 n
Metoda momenata
Ako je parametar c poznat, ocena za po metodi momenata je = X c.
Ona je nepristrasna i stabilna, jer je
2
E() = , D() = .
n
Sliqno, ako je parametar poznat, ocena c = X , po metodi momenata,
je takoe nepristrasna i stabilna jer je
2
E(c) = c, D(c) = .
n
Ocene za oba parametra po metodi momenata su
n
1X
= S, c = X S, S2 (Xk X)2 .
n 1
Jox neke ocene parametara

Ocene
1 n
c = (nXmin X), = (X Xmin )
n1 n1
su nepristrasne, stabilne i slabo korelisane, jer je
2 2
E(c ) = c, E( ) = , D(c ) = , D( ) = ,
n(n 1) n1
2 1
cov(c , ) = , (c , ) = .
n(n 1) n

1. G3 (1, , c) = E2 (, c)
2. E2 (, 0) = E1 ()
3. Ako Xi : E(i ) i ako su Xi (i = 1, . . . , n) nezavisne, onda sluqajna
promen iva a1 X1 + an Xn ima Erlangovu raspodelu.
Primena
Biologija, fizika, teorija pouzdanosti, sistemi masovnog opsluivaa,
meteorologija, hidrologija, elektrotehnika, teorija pouzdanosti, psi-
hologija.
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = c ln u sluqajan
broj iz E2 (, c) raspodele.
47
EKSPONENCIJALNA RASPODELA EZ(, T )
(zaseqena na [0, T ])
Gustina
1 1 x
T /
g(x) = 1 e e , 0 x T.

Parametri
( > 0) { parametar skaliraa, T (T > 0) { parametar lokacije.
Grafik gustine
1.6
1.4
T=1 =1
1.2
0.8
0.6
T=2
0.4
T=3
0.2
0
0 0.5 1 1.5 2 2.5 3
129
Momenti
T T 2 eT /
E(X) = , D(X) = 2 .
eT / 1 (eT / 1)2
Ocene parametara
Ocena po metodi maksimalne verodostojnosti za se dobija rexavaem
jednaqine
T
b=X+
.
eT /b 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)
(stepena, troparametarska)
Gustina

1 1
g(x) = exp a |x c|a , x R.
1 ab
2a1/a b 1 +
a
Parametri
Grafik gustine
1
0.9
b=1
0.8 c=0
a=0.5
0.7
0.6
0.5
0.4
a=1
a=2
0.3
0.2
0.1
0
2 1.5 1 0.5 0 0.5 1 1.5 2
131
49
ERLANGOVA RASPODELA ER1(n)
(jednoparametarska)
Gustina
1
g(x) = xn1 ex , x 0.
(n 1)!
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)
Gustina
1 x n1
g(x) = ex/b , x 0.
b(n 1)! b
Parametri
n (n N ) { parametar oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
1.4
1.2 b=0.3
n=2
1 b=0.4
0.8
0.6
b=0.5
0.4
b=0.6
0.2
0
0 0.5 1 1.5 2 2.5 3
133
134 Erlangova raspodela
Funkcija raspodele
n1
X 1 x k
F (x) = 1 ex/b , x 0.
k! b
k=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.

2 6
1 (X) = , 2 (X) = .
n n

1. ER2(1, b) = E1 (b).
2. ER2(n, 1) = ER1(n).
3. ER2(n, b) = ER3(n, b, 0).
4. ER2(n, 2) = 2 (2n).
5. ER2(n, b) = G3 (n, b, 0).
6. Ako Xi : E1 (b) za i = 1, . . . , n i ako su X1 , . . . , Xn nezavisne sluqajne
promen ive, tada
X1 + X2 + + Xn : ER2(n, b).
Erlangova raspodela 135
7. Ako Xi : N (0, 1) za i = 1, . . . , 2n i ako su X1 , . . . , X2n nezavisne sluqajne

promen ive, tada
X12 + X22 + + X2n
2
: ER2(n, 2).
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
b
g(x) = (bx)n1 ebx .
(n)
Generisae
Ako su u1P
, u2 , . . . , un nezavisni sluqajni brojevi iz U (0, 1) raspodele, tada
je x = b nk=1 ln uk sluqajan broj iz ER2(n, b) raspodele.
51
ERLANGOVA RASPODELA ER3(n, b, c)
(troparametarska)
Gustina
n1
1 xc xc
g(x) = n exp , x c.
b (n 1)! b b
Parametri
n (n N ) { parametar oblika, b (b > 0) { parametar skaliraa,
Grafik gustine
0.8
n=2
0.7
b=0.5
0.6
c=1 c=0 c=1

0.5
0.4
0.3
0.2
0.1
0
1 0.5 0 0.5 1 1.5 2 2.5 3
136
Erlangova raspodela 137
Momenti
m1 = bn, D(X) = b2 n.

2 6
1 (X) = , 2 (X) = .
n n

1. ER3(1, b, 0) = E1 (b).
2. ER3(n, 1, 0) = ER1(n).
3. ER3(n, b, 0) = ER2(n, b).
4. ER3(n, 2, 0) = 2 (2n).
5. ER3(n, b, c) = G3 (n, b, 0).
6. Ako Xi : E2 (b, c) za i = 1, . . . , n i ako su X1 , . . . , Xn nezavisne sluqajne
promen ive, tada
X1 + X2 + + Xn : ER3(n, b, c).
7. Ako Xi : N (0, 1) za i = 1, . . . , 2n i ako su X1 , . . . , X2n nezavisne sluqajne

promen ive, tada
X12 + X22 + + X2n
2
: ER3(n, 2, 0).
Napomena
Koristi se i parametrizacija u kojoj je 1/b umesto b. U tom sluqaju je
bn
g(x) = (x c)n1 eb(xc) .
(n)
52
ZIPF RASPODELA Z(a)
(jednoparametarska)
Gustina

X 1 1
g(x) = , x > 1.
i=1
ia xa
Parametri
Grafik gustine
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3 a=2
a=3
0.2
a=4
0.1
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
138
53
INVERZNA GAMA RASPODELA IG(a, b)
(dvoparametarska)
Gustina
ba a1 b/x
g(x) = x e , x > 0.
(a)
Parametri
Grafik gustine
3
2.5 a=2, b=0.5
1.5
a=2, b=1
1
0.5
a=0.5, b=0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
139
140 Inverzna gama raspodela
Funkcija raspodele
(a, b/x)
F (x) = , x > 0.
(a)
Entropija
H(X) = a + ln(b(a)) (1 + a)(a).
2
(t) = (ibt)a/2 Ka ( 4ibt).
(a)
2
M (t) = (bt)a/2 Ka ( 4bt).
(a)
Momenti
b b2
m1 = (a > 1), D(X) = (a > 2).
a1 (a 1)2 (a 2)

a2 30a 66
1 (X) = 4 (a > 3), 2 (X) = (a > 4).
a3 (a 3)(a 4)

1
1. Ako X : G2 (a, b), tada : IG(a, 1/b).
X
2. I2 (n) = IG(n/2, 1/2).
54
INVERZNA GAUSOVA RASPODELA IG1(a)
(jednoparametarska)
Gustina
(a x)2
a
g(x) = e 2x , x > 0.
2x3
Parametri
Grafik gustine
3
a=0.5
2.5
1.5
a=0.6
1
a=0.8
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
141
55
INVERZNA GAUSOVA RASPODELA IG2(a, b)
(dvoparametarska)
Gustina
(a bx)2
a
g(x) = e 2x , x > 0.
2x3
Parametri
a (a > 0) { parametar lokacije, b (b > 0) - parametar skaliraa.
Grafik gustine
3
a=1, b=3
2.5
a=0.5, b=1
1.5
a=1, b=2
0.5
a=1, b=1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
142
Inverzna Gausova raspodela 143
Funkcija raspodele

bx a 2ab bx + a
F (x) = +e , x > 0.
x x
Momenti
a a
m1 = , D(X) = .
b b3
Modus i medijana
r !
1 a2 a
M o(X) = 4a4 + 9 2 3 ,
2ab b b
Za medijanu ne postoji jednostavan izraz.

3 15
1 (X) = , 2 (X) = .
ab ab

1. IG2(a, 1) = IG(a).
2. Ako X : IG2(a, b) i ako je

bX 1 1 bX
Y = ab 1 , Z= + ab ln ,
a 2 ab a
tada sluqajne veliqine Y i Z imaju priblino normalnu raspodelu

N (0, 1).
3. Ako X1 : IG2(a, b) za i = 1, . . . , ni ako su

X1 , . . . , Xn nezavisne sluqa-
a
jne promen ive, tada X n : IG2 , na . 2
b
Primena
Fizika, elektronika, radiotehnika, sekvencijalna analiza, meteorologija,
finansije, demografija.
Napomene
1. Raspodelu je uveo Tweedie 1947. godine.
144 Inverzna Gausova raspodela
2. Raspodela je dobila ime po tome xto je ena generatrisa mome-

nata 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
2
22 x (x )
r
g(x) = e ,
2x3
a
gde je = i = a2 . Ako se u ovoj parametrizaciji uvede smena
b
= 2 i = , dobija se nova parametrizacija za koju je
r
2 (x )2

g(x) = 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)
Gustina
2a a/x2
g(x) = e , x > 0.
x3
Parametri
Grafik gustine
2
1.8 a=0.2
1.6
1.4
a=0.3
1.2
1
a=0.5
0.8
a=1
0.6 a=2
0.4
0.2
0
0 0.5 1 1.5 2
145
57
INVERZNA HI KVADRAT RASPODELA I2(n)
(jednooparametarska)
Gustina
2n/2 n/21

1
g(x) = n x exp , x > 0.
2x
2
Parametri
n (n N ) { parametar oblika (broj stepeni slobode).
Grafik gustine
4
3.5
n=5
n=4
2.5
1.5
1 n=3
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
146
Inverzna hi kvadrat raspodela 147
Funkcija raspodele

n 1
,
2 2x
F (x) = n , x > 0.

2
1
(t) = n
(it)n/2 Kn/2 ( 2it).
2n/21 2
n
M (t) = 1 2n/41 (it)n/4 Kn/4 ( 2t), t R.
2
Momenti
1 2n2
m1 = (n > 2), D(X) = (n > 4).
n2 (n 2)2 (n 4)

4 p 5n 22
1 (X) = 2(n 4) (n > 6), 2 (X) = 12 (n > 9).
n6 (n 6)(n 8)

1
1. Ako X : 2 (n), tada : I2 (n).
X

n 1
2. I2 (n) = IG2 , .
2 2
58
INVERZNA HI KVADRAT RASPODELA IS2(n, 2)
(skalirana, dvoparametarska)
Gustina
2n/2 (n 2 )n/2 n/21 n 2

g(x) = n x exp , x > 0.
2x
2
Parametri
n (n N ) { parametar oblika (broj stepeni slobode),
Grafik gustine
0.8
n=1, =0.8
0.7
0.6
n=3, =1
0.5
0.4
n=2, =1
0.3
n=1, =1
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3
148
Inverzna hi kvadrat raspodela 149
Funkcija raspodele

n n 2
2 , 2x
F (x) = , x > 0.
n2

1 p
(t) = n
(in 2 t)n/2 Kn/2 ( 2in 2 t).
2n/21 2
n p
M (t) = 1 2n/41 (in 2 t)n/4 Kn/4 ( 2n 2 t), t R.
2
Momenti
1 2n2 4
m1 = (n > 2), D(X) = (n > 4).
n2 (n 2)2 (n 4)

4 p 5n 22
1 (X) = 2(n 4) (n > 6), 2 (X) = 12 (n > 9).
n6 (n 6)(n 8)

n 2
1. Ako X : 2 (n), tada : IS2 (n, 2 ).
X
n n 2

2. IS (n, ) = IG2
2 2
, .
2 2
59
KOXIJEVA RASPODELA C
(standardna)
Gustina
1
g(x) = , x R.
(1 + x2 )
Parametri
Nema parametara.
Grafik gustine
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
5 4 3 2 1 0 1 2 3 4 5
150
Koxijeva raspodela 151
Funkcija raspodele
1 1
F (x) = + arctan x, x R.
2
(t) = e|t| .
Momenti
1
S obzirom da g(x) za |x| +, ne postoje konaqni momenti reda
x2
r 1, a postoje za r < 1.
Neka svojstva
1. Kvartili su Q1 = 1 i Q3 = 1.

1 1
2. Ako X : C , tada X : C.
2 X

1. Ako X : U (/2, /2), tada tan X : C .
2. Ako X : U (0, 1), tada tan (X 1/2) : C .
Napomena
Raspodela se zove po velikom francuskom matematiqaru Koxiju ( Augustin
Luis Cauchy, 1789-1857).
60
KOXIJEVA RASPODELA CZ1
(zaseqena na (0, ))
Gustina
2
g(x) = , x 0.
(1 + x2 )
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 ])
Gustina
1 1
g(x) = , T x T.
arctan T 1 + x2
Parametri
T - parametar lokacije.
Grafik gustine
1
T=0.5
0.8
0.6
T=1
0.4
0.2
T=5
0
5 4 3 2 1 0 1 2 3 4 5
153
62
KOXIJEVA RASPODELA C1(a)
(jednoparametarska)
Gustina
a
g(x) = , < x < .
(a2 + x2 )
Parametri
a { parametar skaliraa.
Grafik gustine
0.7
0.6
0.5 a=0.5
0.4
0.3 a=1
a=2
0.2 a=4
0.1
0
5 0 5
154
Funkcija raspodele
1 1 x
F (x) = + arctan , x R.
2 a

Nema definisane koeficijente.
n
an Y 1
L= .
i=1 a2 + x2i
n
X
ln L = n ln a n ln ln(a2 + Xj2 ).
i=1
Ocene parametara
Ocena za a metodom maksimalne verodostojnosti se dobija iz jednaqine
n
X a2 n
= .
i=1
a2 + x2i 2
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 ).
1
4. Ako X : C1 (1), onda : C1 (1).
X
5. Ako X : c1 (a), tada X : C1 (a).

1. C1 (1) = C .
2. C1 (a) = C2 (0, a) = C4 (0, a, 2, 1)
3. Ako X : C , tada aX : C1 (a) za a > 0.
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)
Gustina
b 1
g(x) = , x R.
b2 + (x a)2
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
0.15
a=0, b=3
0.1
0.05
0
10 5 0 5 10
157
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je param-

etar b fiksiran, dok se parametar a mea.
0.2
0.15
g(x)
0.1
0.05
0
5
0 10
5
5 0
5
a 10 10
x
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je param-

etar a fiksiran, dok se parametar b mea.
0.25
0.2
0.15
g(x)
0.1
0.05
0
3
2.5 10
2 5
0
1.5 5
b 1 10
x
Funkcija raspodele
1 1 xa
F (x) = + arctan , x R.
2 b
(t) = etab|t| .
Modus i medijana
M o(X) = M e(X) = a.

Nema definisane koeficijente.
n
bn Y 1
L= ,
n j=1 b2 + (Xj a)2
n
X
ln L = n(ln b ln ) ln(b2 + (Xj a)2 ),
j=1
n n
ln L n X 2b ln L X 2(Xj a)
= , = .
b b j=1 b2 + (Xj a)2 a j=1
b2 + (Xj a)2
Ocene parametara
Ocene ba i bb metodom maksimalne verodostojnosti se dobijaju iz sistema
jednaqina
n bb2 n
X n X Xj b
a
= , = 0.
b2 a)2
j=1 b + (Xj b
2 j=1
bb2 + (Xj b
a)2
Neka svojstva
1. Q1 = a b, Q3 = a + b .
2. Gustina raspodele je simetriqna u odnosu na x = a.

3. Ako X : C2 (a, b), tada + X : C2 ( + a, ||b).
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 ).
6. Ako Xj : C2 (a, b) i ako su Xj meusobno nezavisne, tada

1 X1 + + n Xn : C2 ((1 + + n )a, (|1 | + + |n |)b).

1. C2 (0, 1) = C .
2. C2 (0, a) = C1 (a).
3. C2 (a, b) = C4 (a, b, 2, 1).
4. Ako X : C1 (), tada a + bX : C2 (a, b).
5. Ako X : C1 (b), tada X a : C2 (a, b).
6. Ako X : N (0, 1) i Y : N (0, 1), tada X/Y : C(0, 1).
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)
Gustina
x a c d

c(d)
g(x) = 1+
, x R.
2b(1/c)(d 1/c) b
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, a=b=2, d=1

0.3
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 5 0 5 10
161
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].
0.25
0.2
0.15
g(x)
0.1
0.05
0
3
2.5 10
2 5
0
1.5 5
c 1 10
x
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].
0.5
0.4
0.3
g(x)
0.2
0.1
0
3
2.5 10
2 5
0
1.5 5
d 1 10
x
65
KOSINUS RASPODELA COS1(a, b)
(dvoparametarska)
Gustina
1 xa
g(x) = cos , a b x a + b.
2b 2b
Parametri
Grafik gustine
0.2
0.18 b=0.8
a=1
0.16 b=1
0.14
0.12
b=1.2
0.1
0.08
0.06
0.04
0.02
0
3 2 1 0 1 2 3 4 5
163
164 Kosinus raspodela
Funkcija raspodele

1 1 xa xa
F (x) = + + sin , a b x a + b.
2 2 b b
Momenti
2

m1 = a, D(X) = b2 .
3

6 4 90
1 (X) = 0, 2 (X) = 0.5938.
5 ( 2 6)2
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
(na intervalu [a, b])
Gustina
(2x a b)
g(x) = cos , x [a, b].
2(b a) 2(b a)
Parametri
a, b (a, b R, a < b) { najmaa i najvea vrednost sluqajne promen ive.
Grafik gustine
0.4
0.35 a=2
0.3
b=3
0.25
0.2
0.15
b=4 b=2
0.1
0.05
0
2 1 0 1 2 3 4
165
Funkcija raspodele

1 (2x a b)
F (x) = 1 + sin , x [a, b].
2 2(b a)
Momenti
a+b 2 8
m1 = , D(X) = (b a)2 .
2 4 2
Modus i medijana
a+b
M o(X) = M e(X) = .
2
Napomena
Funkcija gustine moe da se zapixe i u obliku
1 xc
g(x) = cos ,
2d d
a+b ba
gde je c = i d= .
2
Generisae
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
(dvoparametarska)
Gustina

1 xa
g(x) = 1 + cos , a b x a + b.
2b 2b
Parametri
Grafik gustine
0.4
a=4
0.35
0.3
b=1
0.25
0.2
0.15 b=2
b=3
0.1
0.05
1 2 3 4 5 6 7
167
Funkcija raspodele

1 xa 1 xa
F (x) = 1+ + sin , a b x a + b.
2 b b
2 sin(bt) iat
(t) = e .
bt( 2 b2 t2 )
2 sh(bt) at
M (t) = e , t R.
bt( 2 + b2 t2 )
Momenti

2 1 2
m1 = a, D(X) = b .
3 2
Modus i medijana
M o(X) = M e(X) = a.

6 90 4
1 (X) = 0, 2 (X) = 0.5938.
5 ( 2 6)2
68
KUMARASVAMIJEVA RASPODELA KM (a, b)
(dvoparametarska)
Gustina
g(x) = abxa1 (1 xa )b1 , x (0, 1).
Parametri
Grafik gustine
2 2 2
a<1, b=1 a=1, b>1 a>1, b>1
1.5 1.5 1.5
1 1 1
0.5 0.5 0.5
0 0 0
0 0.5 1 0 0.5 1 0 0.5 1
2 2 2
a<1, b>1 a=1, b=1 a>1, b=1
1.5 1.5 1.5
1 1 1
0.5 0.5 0.5
0 0 0
0 0.5 1 0 0.5 1 0 0.5 1
2 2 2
a<1, b<1 a=1, b<1 a>1, b<1
1.5 1.5 1.5
1 1 1
0.5 0.5 0.5
0 0 0
0 0.5 1 0 0.5 1 0 0.5 1
Ako je bar jedan od parametara mai od 1, grafik gustine ima odgo-
varajue vertikalne asimptote.
169
170 Kumarasvamijeva raspodela
Funkcija raspodele
F (x) = 1 (1 xa )b , x (0, 1).
Momenti
r
b(b) 1 +
mr = a
r , r > 0.
1+b+
a
Modus i medijana
1/a 1/a
a1 1
M o(X) = , M e(X) = 1 1/b .
ab 1 2
Napomene
1. Raspodelu je uveo Kumarasvami ( Poondi Kumaraswamy) 1980. godine.
2. Funkcija gustine ove raspodele ima vixe oblika, poput beta raspo-
dele, ali je mnogo jednostavnija.
69
LAPLASOVA RASPODELA L1()
(jednoparametarska)
Gustina
|x|
1
g(x) = e , x R.
2
Parametri
Grafik gustine
1
0.9
=0.5
0.8
0.7
0.6
=1
0.5
0.4
0.3
0.2
=2
0.1
0
5 4 3 2 1 0 1 2 3 4 5
171
172 Laplasova raspodela
Funkcija raspodele

1
ex/ ,
x<0
F (x) = 2 1
1 ex/ ,

2
x0 .
Momenti
m2k+1 = 0, m2k = 2k (2k)!, k = 0, 1, 2, . . .
Specijalno:
m2 = D(X) = 22 , m4 = 4 = 244 .
Modus i medijana
M o(X) = M e(X) = 0.

1 (X) = 0, 2 (X) = 3.
Ocene parametara
Ocena za metodom maksimalne verodostojnosti je
n
b= 1
X
|Xi |,
n i=1
a ocena metodom momenata je

v
u n
u 1 X
=
e t X 2.
2n i=1 i

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
5. Ako X1, X2, X3, X4 : N (0, 1) i ako su X1, X2, X3 i X4 nezavisne sluqa-
jne veliqine, tada
X1 X2 + X3 X4 : L1 (2), X1 X2 X3 X4 : L( 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)
Gustina
|x a|
1
g(x) = e , x R.
2
Parametri
( > 0) { parametar skaliraa, a (a R) { parametar lokacije.
Grafik gustine
0.5
=1
0.45
0.4 a=2 a=2
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
5 4 3 2 1 0 1 2 3 4 5
174
Funkcija raspodele

1 e(xa)/ ,
xa
2

F (x) =
1 1 e(xa)/ ,

2
x>a .
1
(t) = eait .
1 + 2 t 2
1
M (t) = 1 2 t2 eat , |t| < .

Momenti
2k+1 = 0, 2k = 2k (2k)!, k = 0, 1, 2, . . .
Specijalno:
2 = 22 , m4 = 4 = 244 .
Veza izmeu momenata i centralnih momenata je
k
X k
k = (1)ki mi aki .
i=0
i

1 (X) = 0, 2 (X) = 3.
Ocene parametara
Ocene b i ba za nepoznate parametre i a su
n
b= 1
X
|Xi b
a|, a = M e(X).
b
n i=1
Ako je X10 , X20 , . . . , Xn0 statistika poretka, tada je

0 Xk0 + Xk+1
0
a = Xk+1
b (n = 2k + 1), a=
b (n = 2k).
2
176 Laplasova raspodela
Ocena za a je ista i ako je poznat parametar , a ako je parametar a poznat,

tada je n
b= 1
X
|Xi a|.
n i=1
Metoda momenata
Ocene ea i e parametara a i su:
v
u n
e=t 1
u X
a = M e(X),
e a)2 .
(Xi e
2n i=1
Druge ocene
Koriste se i neke druge ocene, na primer:
v
u n
Xmin + Xmax u 1 X
a = ,
= t (Xi a )2 .
2 2n i=1

1. L(, 0) = L1(),
2. Ako X : L2(, a), tada |X a| .
: E1 ()
3. Ako X : L2(, a), tada |X a| : 2 2(2).

4. Raspodela je specijalan sluqaj troparametarske Vejbulove dvostra-
ne 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
1 |x m|
g(x) = e , x R.
2
Generisae
Ako su u1 i u2 nezavisni sluqajni brojevi iz raspodele U (0, 1), tada je
(
a + ln u2 , u 1/2
x=
a ln u2 , u1 > 1/2
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)
(asimetriqna)
Gustina

1 |x a|
exp , x<a

21 1

g(x) =
1 |x a|
x a.

exp ,

22 2
Parametri
a (a R) { parametar lokacije,
{ parametri skaliraa.
1 , 2 (1 > 0, 2 > 0, 2 6= 1 )
Grafik gustine
0.5
0.45
a=0
0.4
1=2
0.35
2=3
0.3
0.25
0.2
0.15
0.1
0.05
0
5 4 3 2 1 0 1 2 3 4 5
178
Funkcija raspodele

1 (xa)/1
e

, xa
2
F (x) =

1
1 e(xa)/2 ,
2
x>a .
0.9
a=0
0.8
0.7
=3
2
0.6
0.5
0.4
=2
1
0.3
1=3
0.2
0.1 1=1
0
5 4 3 2 1 0 1 2 3 4 5
72
LAPLASOVA RASPODELA LA2(, p, a)
(asimetriqna)
Gustina

1 p exp |x a| ,

xa

g(x) =
p |x a|
exp , x > a.

Parametri
( > 0) { parametar skaliraa, p (0 < p < 1) { parametar oblika,
a (a R) { parametar lokacije.
Grafik gustine
0.9
0.8 a=1
=1
0.7
p=0.2
0.6 p=0.1
0.5
0.4
p=0.5
0.3
p=0.2
0.2
p=0.1
0.1 p=0.5
0
2 1 0 1 2 3 4
180
Funkcija raspodele

ax
(1 p) exp , xa

F (x) =
.

xa
1 p exp , x>a

0.9 a=1
=1
0.8
p=0.5
p=0.1
0.7
0.6
0.5 p=0.2 p=0.8
0.4
0.3
0.2
0.1
0
2 1 0 1 2 3 4

LA2(, 1/2, a) = L2 (, a).
73
LAPLASOVA RASPODELA LA3(, a)
(asimetriqna)
Gustina
(
e(1)(xa) , xa
g(x) = (1 )
e(ax) , x > a.
Parametri
(0 < < 1) { parametar skaliraa, a (a R) { parametar lokacije.
Grafik gustine
0.4
0.35
a=0
0.3
=0.4
0.25
0.2
0.15
=0.6
0.1
0.05
0
5 4 3 2 1 0 1 2 3 4 5
182
Funkcija raspodele
(
e(1)(xa) , xa
.
F (x) =
1 (1 )e(ax) , x>a
0.9
a=0
0.8
0.7
0.6
=0.4
=0.5
0.5
0.4
=0.6
0.3
0.2
0.1
0
5 4 3 2 1 0 1 2 3 4 5
74
LAPLASOVA RASPODELA LA4(, p, a)
(asimetriqna)
Gustina

xa
exp , xa

p

p
g(x) =
(1 + p2 )

p(a x)
exp , x > a.

Parametri
( > 0) { parametar skaliraa, p (p > 0) { parametar oblika,
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 4 3 2 1 0 1 2 3 4 5
184
Funkcija raspodele

2 xa
p exp , xa

1 p
F (x) =
1 + p2
.

p(a x)
1 + p2 exp , x>a

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 4 3 2 1 0 1 2 3 4 5
Primena
Finansije.
75
LAPLASOVA RASPODELA LA5(, p)
(asimetriqna)
Gustina

1 (1 + p)x
exp , x0

2

g(x) =
1 1
ex/ exp 1 epx/ , x > 0.

2
Parametri
( > 0) { parametar skaliraa, p (p > 0) { parametar oblika.
Grafik gustine
0.9
0.8
=2
0.7
p=2
0.6
0.5
0.4
0.3
0.2
p=0.5
0.1
0
5 4 3 2 1 0 1 2 3 4 5
186
Funkcija raspodele

1 (1 + p)x
2(1 + p) exp , x0

F (x) =
.

1
epx/ ex/ ,

1 1 x>0

2(1 + p)
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 4 3 2 1 0 1 2 3 4 5
76
LAPLASOVA RASPODELA LZ1(, a, b)
(zaseqena na [a, b])
Gustina
1 1
a/
1e

ex/ , ax0
2
g(x) = 1 1
1 eb/ ex/ , 0 x b.

2
Parametri
( > 0) { parametar skaliraa,
,
a (a < 0) b (b >){ parametri lokacije.
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 1 0.5 0 0.5 1 1.5 2 2.5 3
188
77
LAPLASOVA RASPODELA LZ2(, a, b)
(zaseqena na [a, b])
Gustina
|x|
1
g(x) = e , 0 x b.
(2 ea/ eb/ )
Parametri
( > 0) { parametar skaliraa,
,
a (a < 0) b (b >){ parametri lokacije.
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 1 0.5 0 0.5 1 1.5 2 2.5 3
189
190 Laplasova zaseqena raspodela
( n
)
1 1X
L= n exp |Xi | ,
(2 ea/ eb/ )n i=1
n
dL 1X n n aea/ beb/
= 2 |Xi | .
d i=1 2 ea/ eb/
Ocene parametara
Ocena b za po metodi maksimalne verodostojnosti dobija se iz jed-
naqine
a/ b/

a/ b/

(T n)
b 2e e = n ae be ,
b b b b
n
gde je T =
X
|xi |.
i=1
78
LAPLASOVA RASPODELA LU (, p, a)
(uopxtena)
Gustina
|x a|p

1
g(x) = exp , x R.
2p1/p (1 + 1/p) p
Parametri
( > 0) { parametar skaliraa, p (p > 0) { parametar oblika,
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 2 1 0 1 2 3
191
192 Laplasova uopxtena raspodela
Funkcija raspodele
p

p1 , (ax)
p , xa
1
F (x) =
2(1/p)
,
p

1 + 1 , (xa) , x>a
p p p
gde su (, ) i (, ) nepotpune gama funkcije (pogledati Dodatak).

Napomene
1. Raspodelu je uveo Subbotin 1923. godine.
2. Koristi se i naziv eksponencijalna stepena raspodela .
79
LEVIJEVA RASPODELA LV (a))
(jednoparametarska)
Gustina
r
a 3/2 a/2x
g(x) = x e , x 0.
2
Parametri
a (a > 0) { parametar skaliraa.
Grafik gustine
1
0.9
a=0.5
0.8
0.7
0.6
a=0.8
0.5
0.4
0.3 a=1.2
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
193
194 Levijeva raspodela
Funkcija raspodele
r
a 1
F (x) = , x 0.
2x 2

(t) = e 2iat
.

1. Raspodela je specijalan sluqaj -stabilnih raspodela.
2. LV (a) = IG2(1/2, a/2).
Napomene
1. Raspodelu je uveo Levi ( Paul Pierre Levy, 1886-1971).
2. Za funkciju gustine vai g(x) kada x .
r
a 3/2
x
2
80
LOGARITAMSKA RASPODELA LOG1(a, b)
(dvoparametarska)
Gustina
ln x
g(x) = , x [a, b].
b(ln b 1) a(ln a 1)
Parametri
a, b (0 < a < b) { parametri lokacije.
Grafik gustine
1.4
b=3
1.2
a=2
0.8
a=1.5
0.6
a=1
0.4
0.2
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
195
196 Logaritamska raspodela
Funkcija raspodele
a(1 ln a) x(1 ln x)
F (x) = , x [a, b].
a(1 ln a) b(1 ln b)
Momenti
ak+1 (1 (k + 1) ln a) bk+1 (1 (k + 1) ln b)
mk = , k N.
(k + 1)2 (a(1 ln a) b(1 ln b))
81
(dvoparametarska)
Gustina
1 xa
g(x) = ln , x (a, b].
ba ba
Parametri
a, b (a, b R, a > b) { parametri lokacije.
Grafik gustine
5
4.5 b=3
3.5 a=2
3
a=1.5
2.5
a=1
1.5
0.5
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
197
Funkcija raspodele

xa xa
F (x) = 1 ln , x [a, b].
ba ba
Momenti
1 7
m1 = a + (b a), D(X) = (b a)2 .
4 144
Generisae
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.
82
(dvoparametarska, dvostrana)
Gustina
1 |2x a b|
g(x) = ln , x [a, (a + b)/2) (a + b)/2, b].
ba ba
Parametri
a, b (a, b R, a < b) { parametri lokacije.
Grafik gustine
1.8
1.6
b=5
1.4
a=2
1.2
0.8
a=1
0.6
0.4 a=0
0.2
0
1 0 1 2 3 4 5
199
Funkcija raspodele

1 |2x a b| |2x a b| a+b

1 ln , ax<
2
2(b a) ba 2
F (x) =
.

1 |2x a b| |2x a b| a+b
+
1 ln , >xb
2 2(b a) ba 2
Momenti
a+b a2
m1 = , D(X) = .
2 36
83
LOG - GAMA RASPODELA LGG1(a, b, c)
(troparametarska)
Gustina
a1
1 ln x c c ln x
g(x) = exp , x ec .
x|b|(a) b b
Parametri
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
0
1 1.5 2 2.5 3 3.5 4 4.5 5
201
202 Log-gama raspodela
Momenti
mr = erc (1 rb)a , 1 rb > 0.
Specijalno,
m1 = ec (1b)a , m2 = e2c (12b)a , m3 = e3c (13b)a , m4 = e4t (14b)a .
Centralni momenti 2 i 3 su dati sa

2 = k2 e2c , 3 = k3 e3c ,
gde je
k2 = (1 2b)a (1 b)2a , k3 = (1 3b)a 3((1 2b)(1 a))a + 2(1 b)3a .

k3 k4
1 (X) = , 2 (X) = 3,
3/2
k2 k22
gde je
k4 = (1 4b)a 4((1 3b)(1 b))a + 6((1 2b)(1 b))a 3(1 b)4a .
n
Y
(ln Xk c)a1 ( n
)
k=1 1X
L= n exp (ln Xk c) ,
Y b
ba Gn (a) Xk k=1
k=1
n n
X 1X nc
ln L = (a 1) ln(ln Xk c) ln Xk +
b b
k=1 k=1
ln(X1 X2 Xn ) an ln b n ln G(a),
n
ln L X
= ln(ln Xk c) n ln b n(a),
a
k=1
n
ln L 1 X nc an
= ln Xk 2 ,
b b2 b b
k=1
n
ln L X 1 n
= (a 1) + ,
c ln Xk c b
k=1
Log-gama raspodela 203

Ocene parametara
Ocene ba, bb i bc za a, b i c po metodi maksimalne verodostojnosti dobijaju
se rexavaem sistema jednaqina
n
1X
abb + b
b c = ln Xk ,
n
k=1
n
1 X 1 1
= ,
n ln Xk b
c a 1)bb
(b
k=1
n
1X
(b
a) + ln bb = ln(ln Xk b
c).
n
k=1

1. X : LGG1(a, b, c) ako i samo ako ln X : G3 (a, b, c)
84
LOG - GAMA RASPODELA LGG2(a, b, c)
(troparametarska)
Gustina
a1
1 ln x c c ln x
g(x) = exp , 0 < x < ec .
x|b|(a) b b
Parametri
a (a > 0) { parametar oblika, b (b < 0) { parametar skaliraa,
Grafik gustine
2
1.8
c=1
1.6
1.4 a=1.2, b=2 a=0.5, b=2
1.2
0.8
a=0.5, b=0.5 a=1.2, b=0.5
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3
204
85
LOGISTIQKA RASPODELA LG
(standardna)
Gustina
ex
g(x) = , x R.
(1 + ex )2
Parametri
Nema parametara.
Grafik gustine
0.25
0.2
0.15
0.1
0.05
0
6 4 2 0 2 4 6
205
206 Logistiqka raspodela
Funkcija raspodele
1
F (x) = , x R.
(1 + ex
t
(t) = (1 + it)(1 it) = .
sh t
Momenti
2k+1 = 0, 2k = 6(22k 1)B2k , k N,
gde je B2k oznaka za 2k-ti Bernulijev broj.

Specijalno, 2 = D(X) = 3 .
2
Modus i medijana
M o(X) = M e(X) = 0.

1 (X) = 0, 2 (X) = 1.2.
Neka svojstva
1. Q1 = ln 3, Q3 = ln 3.
2. Za g i F vai
F (x)
g(x) = F (x)(1 F (x)), x = ln .
1 F (x)

1. Ako X : U (0, 1), tada ln 1 XX : LG.
2. AKo X, Y : GU i ako su X i Y nezavisne sluqajne promen ive, tada
X Y : LG.
Logistiqka raspodela 207

3. Ako Xi za i N , tada Xj
.
Y
: L1 (1) : LG
j=1
j
Primena
Ekonomija, demografija.
Napomene
1. Raspodelu je uveo Verhulst (1838-1845) bavei se problemima de-
mografije.
2. Gustina raspodele moe da se zapixe i u obliku
ex 1 x
g(x) = , g(x) = sech2 .
(1 + ex )2 4 2
3. Raspodela je u literaturi na engleskom jeziku poznata i kao sech

squared distribution.
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = ln 1 u u sluqajan
broj iz LG raspodele.
86
LOGISTIQKA RASPODELA LGZ1
(zaseqena s leve strane)
Gustina
2ex
g(x) = , x 0.
(1 + ex )2
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
Logistiqka zaseqena raspodela 209
Funkcija raspodele
1 ex
F (x) = , x 0.
1 + ex
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
Raspodela je u literaturi na engleskom jeziku poznata i kao half logistic
distribution.
87
LOGISTIQKA RASPODELA LGZ2(a)
(zaseqena sa obe strane, simetriqna)
Gustina
1 ex 1a 1a
g(x) = , log x log .
1 2a (1 + ex )2 a a
Parametri
a (0 < a < 1) { parametar lokacije.
Grafik gustine
0.8
0.7
a=0.3
0.6
0.5
0.4 a=0.2
0.3
a=0.1
0.2
0.1
2.5 2 1.5 1 0.5 0 0.5 1 1.5 2 2.5
210
88
LOGISTIQKA RASPODELA LGZ3(a, b)
(zaseqena sa obe strane)
Gustina
1 ex a b
g(x) = , log x log .
b a (1 + ex )2 1a 1b
Parametri
a, b (0 < a, b < 1) { parametri lokacije.
Grafik gustine
0.5
a=0.3
0.45
b=0.8
0.4
0.35 a=0.2
0.3
0.25
0.2
a=0.1
0.15
0.1
2.5 2 1.5 1 0.5 0 0.5 1 1.5
211
212 Logistiqka zaseqena raspodela
Napomena
Gustina raspodele moe da se parametrizuje i tako da parametri budu
krajevi intervala definisanosti. U tom sluqaju
(1 + e )(1 + e ) ex
g(x) = , < x < ,
e e (1 + ex )2
gde su i parametri lokacije. Za = 0 i = dobija se raspodela

LGZ1.
89
LOGISTIQKA RASPODELA LGS(a, b)
(dvoparametarska)
Gustina

xa
exp
b
g(x) = 2 , x R.
xa
b 1 + exp
b
Parametri
a (a R) { parametar lokacije, b (b > 0) { parametar skaliraa.
Grafik gustine
0.35
0.3
a=2, b=0.8
0.25
0.2
a=2, b=2 a=3, b=2

0.15
a=0, b=3
0.1
0.05
0
10 5 0 5 10
213
Funkcija raspodele
1
F (x) = , x R.
1 + exp ax

b
itb
(t) = itbeita (itb)(1 itb) = eiat .
sin itb
Momenti
b2
m1 = a, m2 = a2 + .
3
Centralni momenti
b2 2 7b4 4 31b6 6
2 = , 4 = , 6 = , 2k1 = 0, k N.
3 15 11
Modus i medijana
M o(X) = M e(X) = a.

1 (X) = 0, 2 (X) = 1.2.
Ocene parametara
Ocene ba i bb po metodi maksimalne verodostojnosti dobijaju se rexavaem
sistema n
X 1 1 1
= ,
n Xi b
a 2
i=1 1 + exp
bb

Xi b
a
n 1 exp
1 X 3 Xi b
a bb 3
= .
n i=1 bb Xi b
a
1 exp
bb
Za veliko n je

9 2 2 3 9 2 2
a)
D(b 2
0.91189 , bb
2
0.38578 .
n n n 3 + n

s Pn
2
eb = 3 i=1 (Xi X n )
a = X n,
e .
n
Neka svojstva
1. Q1 = a b ln 3, Q3 = a + b ln 3 .
2. CV (X) = b3a .
3. Gustina raspodele je simetriqna u odnosu na x = a.
4. Ako X : LGS(a, b) , tada X b a : LG(0, 1) .

1. Ako X : U (0, 1) , tada a + b ln 1 XX : LGS(a, b) .
2. Ako X : E1 (1) , tada a b ln(eX 1) : LGS(a, b) .
Primena
Ekonomija (modelirae raspodele dohotka), demografij, medicina.
Napomene
1. Raspodelu je 1800. godine uveo Verhalst ( Pierre Francois Verhulst,
1804-1849).
2. Za gustina g koriste se i drugi oblici:

xa
exp
b 1 2x a
g(x) = 2 = sech .
4b 2b

xa
b 1 + exp
b
3. Za F se koriste i oblici:

xa
exp
1 b 1 xa
F (x) = 1 = = 1 + tanh .
xa xa 2 2b
1 + exp 1 + exp
b b
4. Raspodela je u literaturi na engleskom poznata i kao sech squared

distribution.
5. Raspodela se koristi kao aproksimacija za razne simetriqne raspo-

dele.
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = a + b ln 1 u u sluqa-
jan broj iz raspodele LGS(a, b).
90
LOGISTIQKA RASPODELA LGZ(a, b)
(zaseqena, dvoparametarska)
Gustina

xa
2 exp
b
g(x) = 2 , x a.
xa
b 1 + exp
b
Parametri
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
0
1 1.5 2 2.5 3 3.5 4 4.5 5
217
Funkcija raspodele

ax
1 exp
b
F (x) = , x a.
ax
1 + exp
b
0.9 a=1
0.8
0.7
0.6 b=1
0.5
b=0.8
0.4
0.3
b=0.5
0.2
0.1
0
1 1.5 2 2.5 3 3.5 4 4.5 5
91
LOGISTIQKA RASPODELA LG1(a)
(jednoparametarska)
Gustina
aex
g(x) = , x R.
(1 + ex )a+1
Parametri
Grafik gustine
0.35
0.3
a=5
0.25
0.2
a=1 a=2
0.15
0.1 a=0.5
0.05
0
10 5 0 5 10
219
Funkcija raspodele
1
F (x) = , x R.
(1 + ex )a
(1 it)(a + it)
(t) = .
(a)
Neka svojstva
1. Funkcija raspodele je rexee diferencijalne jednaqine
(1 + ex )F 0 aex F = 0.
2. Raspodela je negativno asimetriqna za a < 1 i pozitivno asimet-

riqna za a > 1.
1. LG1(1) = LG.
2. Ako X : B(1, b) , tada ln 1 XX : LG1(b).
3. Ako X : F (2, 2a) , tada ln Xa : LG1(a).

4. Ako X : GU , a Y : GU (a), tada X Y : LG1(a) .
5. Ako X , tada ln .

X
: P AR1(a, b) 1 : LG1(a)
b
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 .
Primena
92
(jednoparametarska)
Gustina
aeax
g(x) = , x R.
(1 + ex )a+1
Parametri
Grafik gustine
0.35
0.3
a=5
0.25 a=1
a=2
0.2
0.15
a=0.5
0.1
0.05
0
10 5 0 5 10
221
Funkcija raspodele
eax
F (x) = 1 .
(1 + ex )a
(1 + it)(a + it)
(t) = .
(a)

1. Ako X : LG1(a), tada X : LG2(a) .
2. LG2(1) = LG.
Napomena
Raspodela je Poznata i kao uopxtena logistiqka raspodela tipa II .
93
(jednoparametarska)
Gustina
1 eax
g(x) = , x R.
B(a, a) (1 + ex )2a
Parametri
Grafik gustine
0.5
0.45 a=3
0.4
a=2
0.35
0.3
a=1
0.25
0.2
0.15
a=0.5
0.1
0.05
0
10 5 0 5 10
223
(a it)(a + it)
(t) = 2 .
((a))
(a t)(a + t)
M (t) = 2 , |t| < a.
((a))
Momenti
m1 = 0, D(X) = 2 0 (a),
000
1 (X) = 0, 2 (X) = .
2( 0 (a))2
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.
2. Ako X : LG3, tada za veliko a sluqajna promen iva ima
r
2
X
priblino N (0, 1) raspodelu.
a
94
LOGISTIQKA RASPODELA LG4(a, b)
(dvoparametarska)
Gustina
1 ebx
g(x) = , x R.
B(a, b) (1 + ex )a+b
Parametri
Grafik gustine
0.45
a=2
0.4
b=3
0.35
0.3 b=2
b=1
0.25
0.2
0.15 b=0.5
0.1
0.05
0
10 5 0 5 10
225
(a + it)(b it)
(t) = .
(a)(b)
(a + t)(b t)
M (t) = , a < t < b.
(a)(b)
Momenti
m1 = (a) (b), D = 0 (a) + 0 (b),
gde je digama funkcija (videti Dodatak A).
00 (a) 00 (b) 000 (a) + 000 (b)
1 (X) = , 2 (X) = .
( 0 (a) + 0 (b))3/2 ( 0 (a) + 0 (b))2
Neka svojstva
1. Za a < b raspodela je desno asimetriqna, za a < b je levo asimet-
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) , tada ln 1 XX : LG4(a, b) .
6. Ako ab eX , tada X : LG4(a, b).
: F (2a, 2b)
7. Ako X, Y : LGG1(a, b), tada X Y : LG4(a, b).

8. Ako X : LG4(a, b) , tada za a vai X D Y , gde je Y : LN .

9. Ako X : LG4(1, b), tada za b vai X Y , gde je Y
D
: 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
(jednoparametarska)
Gustina
(1 ax)1/a1 x
1
a
za a>0
g(x) = , 1 .
(1 + (1 + ex )1/a )2 x , za a < 0
a
Parametri
a (a 6= 0) { parametar oblika.
Grafik gustine
0.4 0.4
0<a<1 1<a<0
0.2 0.2
0 0
2 0 2 2 0 2
1 1
a=1 a=1
0.5 0.5
0 0
2 1 0 1 1 0 1 2
6 6
4 a>1 4 a<1
2 2
0 0
2 1 0 1 1 0 1 2
228
Sledea slika prikazuje funkcije gustine za razliqite vrednosti para-

metra 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 0.5 1 1.5 2
Sledea slika prikazuje funkcije gustine za razliqite vrednosti para-

metra a u sluqaju a > 1.
120
100 a=6
80
a=4
a=2.5
60
a=3
40 a=2
20
0
0.1 0 0.1 0.2 0.3 0.4 0.5 0.6
Funkcija raspodele
1
F (x) = , x R.
1 + (1 ax)1/a

1. Za a 0 dobija se raspodela LG.
2. Ako X : LG5(a) (a > 0), onda X : LG5(a) .
96
LOGISTIQKA RASPODELA LG5Z1(a)
(zaseqena, jednoparametarska)
Gustina
2(1 ax)1/a1 1
g(x) = , 0x .
(1 + (1 ax)1/a )2 a
Parametri
Grafik gustine
0.8
0.7
a=0.5
0.6
0.5
0.4
0.3
a=0.3
a=0.6
0.2
a=0.4
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5
231
Funkcija raspodele
1 (1 ax)1/a
F (x) = , x [0, 1/a].
1 + (1 ax)1/a
0.9 a=0.6
0.8 a=0.3
0.7
a=0.5
a=0.4
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5

Za a 0 dobija se raspodela LGZ1.
97
LOGISTIQKA RASPODELA LG5Z2(a, b, c)
(zaseqena, troparametarska)
Gustina
a a
(1 ax)1/a1

1 1b 1 1c
g(x) = , 1 x1 .
(c b)(1 + (1 ax)1/a )2 a b a c
Parametri
a (a > 0) { parametar oblika, b, c (0 < b, c < 1, b < c) { parametri lokacije.
Grafik gustine
1.4
1.2
b=0.2, c=0.6
a=0.8
1
0.8
0.6
a=0.4
0.4
a=0.2
0.2
0
6 5 4 3 2 1 0 1
233
98
LOGISTIQKA RASPODELA LG5Z3(a, b)
(zaseqena, dvoparametarska)
Gustina
a
2(1 ax)1/a1

1 1 1b
g(x) = , 0x .
b(1 + (1 ax)1/a )2 a a 1+b
Parametri
a (a > 0) { parametar oblika, b (b (1, 1]) { parametar lokacije.
Grafik gustine
1.4
1.2 a=0.5
b=0.5
1
b=0.8
0.8
0.6
b=1
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
234
99
LOG-KOXIJEVA RASPODELA LK(a, b)
(dvoparametarska)
Gustina
1 b
g(x) = , x > 0.
x b2 + (log x a)2
Parametri
a (a R) { parametar lokacije, b (b > 0) { parametar oblika.
Grafik gustine
1.8
1.6
b=0.1
a=0
1.4
1.2
0.8
b=0.5
0.6
0.4
0.2
b=0.8
0
0 0.5 1 1.5 2 2.5 3
235
100
LOGLOGISTIQKA RASPODELA LLG1(a)
(jednoparametarska)
Gustina
axa1
g(x) = , x > 0.
(1 + xa )2
Parametri
Grafik gustine
1
0.9
0.8
a=3
0.7
0.6
0.5 a=2
0.4
0.3
0.2
a=1
0.1
0
0 0.5 1 1.5 2 2.5 3
236
101
LOGLOGISTIQKA RASPODELA LLG2(a, b)
(dvoparametarska)
Gustina
axa1
g(x) = x a 2 , x > 0.
ba 1+
b
Parametri
Grafik gustine
1.4
1.2
b=0.5 a=2
0.8
0.6 b=1
0.4 b=2
0.2
0
0 0.5 1 1.5 2 2.5 3
237
102
LOGLOGISTIQKA RASPODELA LLG3(a, b, c)
(troparametarska)
Gustina
a1 a 2
a xc xc
g(x) = 1+ , x > c.
b b b
Parametri
a (a R) { parametar oblika, b (b > 0) { parametar skaliraa,
Grafik gustine
1.4
a=1
1.2
b=0.5
c=2
0.8
0.6 b=1
0.4 b=2
0.2
0
1 1.5 2 2.5 3 3.5 4
238
Loglogistiqka raspodela 239
Funkcija raspodele
a !1
xc
F (x) = 1+ , x > c.
b
Momenti

2 2 2
m1 = c + b csc , D(X) = b2 csc csc .
a a a a a a
Modus i medijana
1/a
a1
M o(X) = c + b , M e(X) = c + b.
a+1

2 3
2 2 csc3 6a csc csc + 3a2 csc A
1 (X) = a a a a , 2 (X) = 3,

2
3/2 B 2
2a csc csc2
a a
gde je
3 4
A = 3 3 csc4 12a2 csc csc + 4a3 csc + 6a 2 csc3 csc ,
a a a a a a
2
B = csc2 2a csc
a a
i gde je csc t = 1/ sin t.
Neka svojstva
1. Momenat reda k postoji samo za k < a.
2. Q1 = c + 31/a
b
, Q3 = c + b31/a .

1. LGG3(a, b, 0) = LGG2(a, b).
2. LGG3(a, 1, 0) = LGG1(a).
103
LOGNORMALNA RASPODELA LN2(m, 2)
(dvoparametarska)
Gustina
( 2 )
1 1 ln x m
g(x) =
exp , x > 0.
x 2 2
Parametri
m (m R) { parametar oblika, ( > 0) { parametar skaliraa.
Grafik gustine
2.5
m=0
2 =0.2
1.5
=0.3
=1.5
1 =0.4
=1
=0.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
240
Lognormalna raspodela 241
Funkcija raspodele
1 z2

1 1
2 + 2P 2, 2 , z0

F (x) =
1 z2
,

1 1
P , , z<0

2 2 2 2
gde je z = ln x m , a P nepotpuna gama funkcija (videti Dodatak).

Entropija
1 1
H(X) = + ln(2 2 ).
2 2
Momenti
2
2 /2
mr = erm+r , r N.
Ako je = e , tada je
2
r
X r (rj)(rj+1)/2
r = erm r/2 (1)j .
j=1
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
em
M o(X) = , M e(X) = em ,

pri qenu vai M o(X) < M e(X) < m1 .
1 (X) = ( 1)1/2 ( + 2), 2 (X) = 4 + 2 3 + 3 2 6.
( n
)
1 1 X 2
L= n exp 2 (ln Xk m) .
(2)n/2 X1 X2 Xn 2
k=1
242 Lognormalna raspodela
Ocene parametara
Ocene mb i b za nepoznate parametr m i date su sa
n n
1X 1X 2
m
b = ln Xk , b2 =
(ln Xk m)
b .
n n
k=1 k=1
Ocena mb je nepristrasna i efikasna, pri qemu je

1 2m
D(m)
b = e ( 1),
n
a ocena b2 je asimptotski nepristrasna, pri qemu
n1 2
2 ) =
E(b 2 , n .
n
Ocena za m je ista i ako je parametar poznat i ima ista svojstva.

Ako je parametar m poznat, ocena za je data sa
n
1X 2
b2 =
(ln Xk m)
n
k=1
i ona je nepristrasna, satabilna i efikasna.

Metoda momenata
Ako je n n
1X 1X 2
M1 = Xk , M2 = Xk ,
n n
k=1 k=1
ocene me i e po metodi momenata date su sa

M1 M2
e = ln 1 ,
m e2 = ln
.
M2 M12
Ove ocene su asimptotski nepristrasne i stabilne. Disperzije ocena su

1 4 1 4
D(m)
e = ( + 4 3 2 2 + 4), 2 ) =
D(e ( + 4 3 + 2 2 ),
4n n
gde je = 1.
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)
3. Ako su X1, . . . ,nXn nezavisne sluqajne promen ive sa LN2(m, 2) raspode-

lom, tada n1 ln Xk : N m, n , odnosno
2
X
k=1
2
p
n
X1 Xn : LN2 m, .
n
4. Ako Xi : LN2(m, k2 ) (k = 1, . . . , n) i ako su X1, . . . , Xn nezavisne sluqa-

jne promen ive, tada
X1 X2 Xn : LN2 nm, 12 + 22 + + n2 .


1. LN2(m, 2) = LN3(m, 2, 0).
2. Ako X : LN2(m, 2), tada ln X : N (m, ) i obrnuto.
3. Ako X , tada ln X m
: LN2 (m, 2 ) : N (0, 1) i obrnuto.
Primena
Klimatologija, ekonomija, telekomunikacije, kontrola kvaliteta, geologija,
medicina, biohemija, meteorologoja, klimatologija.
Generisae
Sluqajan broj x iz lognormalne raspodele moe da se dobije sa x = ez ,
gde je z sluqajan broj iz normalne raspodele.
104
LOGNORMALNA RASPODELA LN3(m, 2, c)
(troparametarska)
Gustina
( 2 )
1 1 ln(x c) m
g(x) = exp , x > c.
(x c) 2 2
Parametri
m (m R) { parametar oblika, ( > 0) { parametar skaliraa,
{ parametar lokacije.
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 0.5 1 1.5 2 2.5 3
244
Funkcija raspodele
F (x) = (ln(x c)),
gde je funkcija raspodele za N (m, 2).

Momenti
r
X r rk km+k2 2 /2
mr (X) = c e , r N.
k
k=0
Specijalno,

m1 (X) = c + em , m2 (X) = c2 + e2m + 2cem , D(X) = e2m ( 1),
gde je = e .
2
Modus i medijana
2
M o(X) = c + em , M e(X) = c + em .
n
( n
)
Y 1 1 2X
L = (2 2 )n/2 exp (ln(Xk c) m)2 ,
Xk c 2
k=1 k=1
n n
X 1 X
ln L = n ln n ln 2 ln(Xk c) (ln(Xk c) m)2 .
2 2
k=1 k=1
Ocene parametara
{ Ako je parametar c poznat, onda su ocene za m i date sa
n n
1X 1X
m
b = ln(Xk c), b2 =
b 2.
(ln(Xk c) m)
n n
k=1 k=1
{ Ako je parametar c nepoznat, ocene se mogu dobiti iz sistema

ln L log L ln L
= 0, = 0, = 0,
m c
gde je
n
ln L 1 X
= (ln(Xk c) m),
m 2
k=1
n
ln L n 1 X
= + 3 (ln(Xk c) m)2 ,

k=1
n n
ln L X 1 1 X ln(Xk c) m
= + 2 .
m Xk c Xk c
k=1 k=1
Metoda momenata
Ocene se dobijaju iz sistema

c + em = X,
2
e2m ( 1) = Sn,

( + 2) 1 = C3 ,
gde je n
1X
C3 = (ln(Xk c) X)3 .
n
k=1
Ako je e rexee tree jednaqine, onda je

2
1 Sn Sn
m
e = ln , c=Xp .
e 1)
e
2 w(e 1)
e (e

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).
Primena
Klimatologija, ekonomija, telekomunikacije, kontrola kvaliteta, geologija,
medicina, biohemija, meteorologija, hidrologija.
Generisae
Ako je z sluqajan broj iz N (m, 2) raspodele, tada je x = c + ez sluqajan
broj iz LN3(m , c) raspodele.
2
105
LOGNORMALNA RASPODELA LN4(m, 2, c, )
Gustina
( 2 )
1 xc
g(x) = exp 2 log m , x > c.
(x c) 2 2
Parametri
m (m R) { parametar oblika, , (, > 0) { parametri skaliraa,
{ parametar lokacije.
c (c R)
Grafik gustine
0.7
m=0
0.6
=2 =1
c=0
0.5
0.4
=1
0.3
0.2
=0.5
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
247

1. LN4(m, 2, 0, 1) = LN2(m, 2).
2. LN4(m, 2, c, 1) = LN3(m, 2, c).
3. Ako ln , tada X .

X c
: N (m, 2 ) : LN4 (m, 2 , c, )

106
LOGNORMALNA RASPODELA LN U (m, 2, a)
(uopxtena, troparametarska)
Gustina

1 1 a
g(x) = exp | log x m| , x > 0.
2xa1/a (1 + 1/a) a a
Parametri
m (m R) { parametar oblika, ( > 0) { parametar skaliraa,
{ parametar oblika.
a (a > 0)
Grafik gustine
0.4
m=1, =1
0.35
0.3
a=5
0.25 a=0.5
0.2
a=2
0.15
0.1
0.05
0
0 0.5 1 1.5 2 2.5 3 3.5 4
249
107
MAKSVELOVA RASPODELA M AX(a)
(jednoparametarska)
Gustina
r
2 x2 x2

g(x) = exp 2 , x 0.
a3 2a
Parametri
a (a > 0) { parametar skaliraa.
Grafik gustine
a=0.5
0.8 a=0.8
0.6 a=1
a=2 a=2.5 a=3
0.4
0.2
0
0 1 2 3 4 5 6
250
Maksvelova raspodela 251
Funkcija raspodele
3 x2

F (x) = P , , x 0.
2 2a2
Momenti
r
mr =
2 2k k!ar ,

r = 2k 1 ,

(r + 1)!!ar , r = 2k.

Specijalno,
r
8 8
m1 = a 1.596a, D(X) = a2 3 0.6735a2 ,

r
8 3 16 8
3 = a 5 0.1483a3 , 4 = a4 15 12.4535a4 .

Modus i medijana
M o(X) 1.414a, M e(X) 1.538a.

r
8 16/ 5 15 8/
1 (X) = 0.48569, 2 (X) = 3 0.10818.
(3 8/)3/2 (3 8/)2
Neka svojstva
1. Q1 1.10115 a, Q3 2.02691 a.
2. Raspodela je pozitivno asimetriqna.
1. M AX(a) = (6, 0, a)
2. Ako X , tada 2a .
2
X
: M AX(a) 2
: G(3/2)
252 Maksvelova raspodela
Primena
Fizika (kinetiqka teorija).
Napomene
1. Koriste se i sledei oblici za gustinu raspodele
2
4 x 4c3 2 2
g(x) = 3
x2
exp 2 , g(x) = x2 ec x ,
b b
pri qemu je b = a2 i c = a1 2 .
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| / ima (3) raspodelu, a |v| ima M AX() raspodelu.
2 2
Generisae
Postoji vixe mogunosti.
1. Iz jednakosti F (x) = y sledi da je P 2 , 2a2 = y, pa je
3 x2

s
3
x=a 2P 1 ,y ,
2
gde je P 1 inverzna funkcija nepotpune gama funkcije.

2. Sluqajan broj x iz M AX(a) raspodele moe da se dobije sa
1
q
x= z12 + z22 + z32 ,
a
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 x =
z 2 /2a2 , gde je z sluqajan broj iz G1 (3/2) raspodele.
108
MOJALOVA RASPODELA M O
(Standardna)
Gustina

1 1 x
g(x) = exp (x + e ) , x R.
2 2
Parametri
Nema parametara.
Grafik gustine
0.25
0.2
0.15
0.1
0.05
0
2 1 0 1 2 3 4 5
253
254 Mojalova raspodela
Funkcija raspodele
1 ex

F (x) = 1 P , , x R.
2 2
2it

1
(t) = it .
2
Momenti
2 7 4
m1 = ln 2 + 1.27036, 2 = 4.9348, 4 = 170.4659.
2 4

28 2
1 (X) = (3) 1.53514, 2 (X) = 4.
3
Primena
Fizika, hemija.
Napomena
Raspoelu je uveo Mojal ( J. E. Moyal) 1955. godine prouqavajui problem
jonizacije.
Generisae
Iz F (x) = y sledi
1 ex

1P , = y,
2 2
pa sluqajan broj iz M O raspodele moe da se dobije sa
x = ln(2P 1 (1/2, 1 y)),
gde je P 1 inverzna funkcijanepotpune gama funkcije.

109
NAKAGAMIJEVA RASPODELA N K(a, b, c)
(troparametarska)
Gustina
2c1 ( 2 )
2cc

xa xa
g(x) = exp c , x > a.
b(c) b b
Parametri
a (a R) { parametar lokacije, b (b > 0) { parametar skaliraa,
c (c > 0) { parametar oblika.
Grafik gustine
1.5
a=0
c=1
b=1
1 c=2
0.5
c=3
c=0.5
0
0 0.5 1 1.5 2 2.5
255
256 Nakagamijeva raspodela
Funkcija raspodele
2 !
xa
F (x) = c, c , x > a.
b
Momenti

1 1
c+ b 2 2 c +
2 2
m1 = a + b , D(X) = b2 .
c(c) c2 (c)

1 3 1
23 c + + 2 (c) c + 3c c +
2 2 2
1 (X) = 3/2 ,
1

2 2
c c+
2
3 (c) c 2

(c + 1)

4 1
6 c + 3c2 4 (c) + 3 (c)(c + 2) + 234c (4c 1)2 (2c)
2
2 (X) = 2 .
2
1 2
c+ c (c)
2
110
NORMALNA RASPODELA N (0, 1)
(standardna)
Gustina

1 1
g(x) = exp x2 , x R.
2 2
Parametri
Nema parametara.
Grafik gustine
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
5 4 3 2 1 0 1 2 3 4 5
257
258 Normalna raspodela
Funkcija raspodele

1 x
F (x) = 1 + erf , x R,
2 2
gde je erf funkcija grexke (videti Dodatak). Uobiqajena oznaka za funkciju

raspodele standarne normalne raspodele je .
Entropija
1 1
H(X) = + ln(2).
2 2
2
(t) = et /2
.
Momenti
(
(2k 1)!!, r = 2k
mr = , k N.
0, r = 2k 1
Specijalno,
m2 = 1, m4 = 3, D(X) = 1.

1 (X) = 2 (X) = 0.
Neka svojstva
1. Gustina raspodele je simetriqna u odnosu na x = 0.
2. Maksimum funkcije gustine je g(0) = 12 0.3989.
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 1 x2 /2
1 (x) e
x 2
Normalna raspodela 259
ili preciznije

1 1 1 2 1 2
ex /2 1 (x) ex /2 .
x x3 2 x 2
6. Ako X, Y : N (0, 1) i ako su X i Y nezavisne sluqajne promen ive,

tada
2XY X2 Y 2
: N (0, 1), : N (0, 1).
X2 + Y 2 X2 + Y 2

1. Ako X1, . . . , Xn : N (m, 2), tada X n m n : N (0, 1).
2. Ako X : N (0, 1), tada X 2 : G3(1/2, 2, 0).
tada 2 2 2
X +Y X X
: E(1), : C(1), : F (1, 1).
2 Y Y2
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 : N (0, 1) i ako su X1, X2, X3, X4 nezavisne sluqajne
promen ive, tada
X12 + X22
: U (0, 1).
X12 + X22 + X32 + X42
6. Ako X1, . . . , Xn : N (0, 1) i ako su X1 , . . . , Xn nezavisne sluqajne

promen ive, tada
X12 + X22 + + Xn2 : 2 (n).

promen ive, tada
X12

1 n2
: B2 , .
X12 + X22 + + Xn2 2 2

promen ive, tada
q
(X12 + X22 + + Xn2 ) : (n).
9. Ako X, X1, . . . , Xn : N (0, 1) i ako su X1, . . . , Xn nezavisne sluqajne

promen ive, tada
X
q : t(n).
1 2
n (X1 + X22 + + Xn2 )
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.
Generisae
Postoji vixe razliqitih metoda za generisae sluqajnog broja iz
raspodele. Na primer,
N (0, 1)
1. Ako je un zbir n sluqajnih brojeva iz U (0, 1) raspodele i ako je

un n/2
xn = p ,
n/12
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
r
2 2 ln w
w =u +v , z= 2 .
w
Ako je w 1, tada su uz i vz nezavisni sluqajni brojevi iz N (0, 1)
raspodele. U protivnom ( w > 1), generisati ponovo u i v.
111
NORMALNA RASPODELA N (m, 2)
(dvoparametarska)
Gustina
( 2 )
1 1 xm
g(x) = exp , x R.
2 2
Parametri
m (m R) { parametar lokacije, ( > 0) { parametar skaliraa.
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 4 3 2 1 0 1 2 3 4 5
261
Funkcija raspodele

xm 1 xm
F (x) = = 1 + erf , x R,
2 2
gde je funkcija raspodele standardne normalne raspodele N (0, 1) .

Entropija
1
H(X) = + ln( 2).
2
2 t2

(t) = exp imt .
2
2 t2

M (t) = exp mt + .
2
Momenti
r
X
mr = mj rj rj , r N,
j=0
gde je k momenata reda k standardne normalne raspodele N (0, 1).

Specijalno,
m1 = m, m 2 = m2 + 2 , m3 = m3 + 3m 2 , m4 = m4 + 6m2 2 + 3 4 .
Vai i
r
(r 1)!! r ,

r = 2k ,
,
E|X| = q k N.
2 2r r! r , r = 2k + 1


r = r r , r N,
kao i
r

r+1
E|X m|r = 2r/2 , r > 1.
2
Specijalno,
2 = D(X) = 2 , 4 = 3 4 .
Modus i medijana
M o(X) = M e(X) = m.

1 (X) = 2 (X) = 0.
( n
)
1 X (Xi m)2
L= exp ,
(2)n/2 n i=1
2 2
n
n X (Xi m)2
ln L = ln(2 2 ) .
2 i=1
2 2
Ocene parametara
Kako je
n
1 X
ln L = (Xi m),
m 2 i=1
n
n 1 X
ln L = + (Ci m)2 ,
2 2 2 2 4 i=1
ocene mb i c2 za m i 2, po metodi maksimalne verodostjnosti, date su sa

n n
1X c2 = 1
X
m
b = Xi , (Xi m)2 .
n i=1 n 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 c2
moe da se uzme ocena f2 koja je jednaka modifikovanoj uzoraqkoj sredini
i koja je nepristrasna.
r Odgovarajue ocene b i e paramnetra su date sa b = Sn i e =
Sn , pri qemu je prva pristrasna,
n
n1
p
2/n (n/2)
E(S) = ,
(n/2 1/2)
a druga nepristrasna.
Ako je parametar m poznat, ocena za 2 je uzoraqka disperzija Dn2 . Za
ocenu parametra m moe da se koristi 2i uzoraqka medijana koja je takoe
nepristrasna ocena sa disperzijom
2n
.
Neka svojstva
1. Gustina raspodele je simetriqna u odnosu na x = m.
2. Maksimum gustine je 12 .
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, na-
jveu 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
X1 + + Xn : N (m1 + + mn , 12 + + n2 ).
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
X n
X
Y = ak X k , Z= b k Xk
k=1 k=1
n
nezavisne ako i samo ako je aak bk k2 = 0. Na primer, ako X1, X2 :
X
N (m, 2 ) i ako su X1 i X2 nezavisne promen ive, tada su i X1 + X2

k=1
i X1 X2 nezavisne sluqajne promen ive, pri qemu vai i obrnuto

tvree (Bernxtajnova teorema).
1. Ako Xi : N (m, 2) za i = 1, . . . , n i ako su X1, . . . , Xn nezavisne sluqajne
promen ive, tada
Dn2 Sn2 Xn n
: 2 (n), : 2 (n 1), n 1 : t(n 1).
2 2 Sn

tada X 2 + Y 2 : R1().
3. Ako X : N (0, 12), Y : N (0, 222) 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

1 |x|
g(x) = K0 , x R,
1 2 1 2
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
n
(X1 m)2 + (X2 m)2 + + (Xn m)2 : G2 , 2 2 .
2
Napomene
1. Drugi naziv za normalnu raspodelu je Gausova raspodela iako je ras-
podelu prvi uveo i koristio u aproksimaciji binomne raspodele en-
gleski 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 ko-
riste se razni testovi, kao xto su Kolmogorov-Smirnov, Liliiiefors, An-
derson-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 ap-
roksimacije 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 .
Generisae
Ako je x sluqajan broj iz N (0, 1) raspodele, tada je y = m + x sluqajn
broj iz N (m, 2) raspodele.
112
NORMALNA RASPODELA N Z(m, 2, T1, T2)
(zaseqena na [T , T ]) 1 2
Gustina
( 2 )
1 1 1 xm
g(x) = exp , T 1 x T2 .
T2 m T1 m 2 2

Parametri
m, T1 , T2 (m, T1 , T2 R, T1 < m < T2 ) { parametri lokacije
Grafik gustine
0.5
0.45 T1=2, T2=1

m=0
=1
0.4
0.35
T1=3, T2=2
0.3
0.25
0.2
0.15
0.1
0.05
0
3 2.5 2 1.5 1 0.5 0 0.5 1 1.5 2
266
113
NORMALNA RASPODELA N ZD(m, 2, T )
(zaseqena na (, T ])
Gustina
( 2 )
1 1 1 xm
g(x) = exp , x T.
T m 2 2

Parametri
{ parametri lokacije,
m, T (m, T R, m < T )
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 3 2 1 0 1 2 3
267
114
NORMALNA RASPODELA N ZL(m, 2, T )
(zaseqena na [T, +))
Gustina
( 2 )
1 1 1 xm
g(x) = exp , x T.
T m 2 2
1

Parametri
m, T (m, T R, T < m) { parametri lokacije,
Grafik gustine
m=0
0.6 =1
T=0.5
0.5
T=1
0.4
0.3
0.2 T=3
0.1
0
3 2 1 0 1 2 3 4
268
115
NORMALNA RASPODELA N P (m, 2)
(presavijena, zaseqena na [m, +))
Gustina
( 2 )
2 1 xm
g(x) = exp , x m.
2 2
Parametri
m (m R) { parametar lokacije,
( > 0){ parametar skaliraa.
Grafik gustine
0.8
0.7
m=1
=0.5
0.6
0.5
0.4
=1
0.3
0.2 =2
0.1
0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
269
Funkcija raspodele

xm
F (x) = a , x m.

Momenti
r
2 2 2
m1 = m + m + 0.798, 2 = D(X) = 0.363 2 .

Modus i medijana
M o(X) = m, M e(X) m + 0.6745.

2(4 ) 8( 3)
1 (X) = 0.9953, 2 (X) = 0.869.
( 2)3/2 ( 2)2
Ocene parametara
Ako je parametar m poznat, ocena b2 2za 2, po metodi maksimalne vero-
dostojnosti, je uzoraqka disperzija Dn.
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
n
(X1 m)2 + (X2 m)2 + + (Xn m)2 : G2 , 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)
Gustina
a
g(x) = , x 1.
xa+1
Parametri
Grafik gustine
2
1.8
1.6
1.4
a=2
1.2
0.8
a=1
0.6
a=0.5
0.4
0.2
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
271
272 Paretova raspodela
Funkcija raspodele
1
F (x) = 1 , x 1.
xa
Momenti
2
a a a
m1 = (a > 1), D(X) = , (a > 2).
a1 a2 a1
Modus, medijana i kvantili

M o(X) = 1, M e(X) = 21/a .
Ocene parametara
Ocena ba nepoznatog parametra a, po metodi maksimalne verodostojnosti,
data je sa n
a=
b n .
X
ln Xi
i=1
Neka svojstva
Za g i F vai jednakost g(x)
1 F (x)
a
= .
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) = , x 0,
(1 + x)a+1
a ako se translira za c, tada je
a
g(x) = , x c + 1.
(x c)a+1
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = 1/u1/a sluqajan
broj iz P1(a) raspodele.
117
PARETOVA RASPODELA P AR2(a, b)
(dvoparametarska)
Gustina
aba
g(x) = , x b.
xa+1
Parametri
a (a > 0) { parametar oblika, b (b > 0) { parametar lokacije.
Grafik gustine
2
1.8 a=4
b=2
1.6
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
Funkcija raspodele
a
b
F (x) = 1 , x b.
x
(t) = a(ibt)a (a, ibt).
Momenti
abr b2 a
mr = (a > r), 2 = D(X) = (a > 2),
ar (a 2)(a 1)2
2a(a + 1)b3 3a(3a3 + a + 2)b4
3 = (a > 3), 4 = (a > 4).
(a 1)3 (a 2)(a 3) (a 1)4 (a 2)(a 3)(a 4)
Modus i medijana
M o(X) = b, M e(X) = b21/a .

r
2(a + 1) a2 a3 + a2 6a 2
1 (X) = , 2 (X) = 6 .
a3 a a(a 3)(a 4)
n n
Y aba n an
Y 1
L= a+1 = a b a+1 .
i=1
Xi i=1
Xi
n
X
ln L = n ln a + an ln b (a + 1) ln Xi
i=1
Ocene parametara
Ocene ba i bb po metodi maksimalne verodostojnosti su
n
!1
X Xi
a=n
b ln , bb = Xmin ,
bb
i=1
Paretova raspodela 275
pri qemu vai

2na
: 2 (2n 2),
a
b
a ba i bb su meusobno nezavisne ocene.
Ako je parametar b poznat, tada je
n
!1
X Xi
a = n ln ,
i=1
b
pri qemu je
n n 2 a2
Ea = a, D(a) = ,
n1 (n 1)2 (n 2)
kao i 2na
: 2 (2n).
a
Metoda momenata
Ocene ea i eb po metodi momenata

2 1
a= 1 a, eb = 1 bb,
(n 1)a
e b
n
su nepristrasne i stabilne, pri qemu je

2
b2

2 2
a) = 1
D(e D(b
a), D(eb) = , n> .
n a(n 1)(na 2) a
Neka svojstva
1. Raspodela je asimetriqna udesno.
1/a
2. Q1 = b 4
3
, Q3 = 41/a b.
3. 1(X) 2 i 2(X) 6 kad a .

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 Xb : 2 (2) .
Primena
Ekonomija (analiza dohotka), astronomija (vliqina meteorita), me-
teorologija (brzina vetra), lingvistika, energetika (rezerve nafte na
naftonosnim po ima).
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
aba
g(x) = , x 0,
(b + x)a+1
a ako se translira za c, tada je

aba
g(x) = , x b + c.
(x + b c)a+1
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 bro-
jeva y sa uniformnom raspodelom U (0, 1).
118
PARETOVA RASPODELA P ARZ(a, b, c)
(troparametarska, zaseqena na [b, c])
Gustina
a 1 a+1
a b b
g(x) = 1 , b x c.
b c x
Parametri
a (a > 0) { parametar oblika, b, c (b, c R) { parametri lokacije.
Grafik gustine
1.8
1.6 a=0.5
b=1
1.4
c=2
1.2
0.8
0.6
c=3
0.4
c=4
0.2
0
1 1.5 2 2.5 3 3.5 4
277
278 Paretova zaseqena raspodela
Funkcija raspodele
a 1 a
b b
F (x) = 1 1 , b x c.
c x
Ocene parametara
Ocena ba maksimalne verodostojnosti za nepoznati paranetar a, kad su
parametri b i c poznati, dobija se iz jednaqine
ab
b b
ln n
1 c c 1X
+ ab = ln Xi ln b.
a
b b n i=1
1
c
Primena
Raspodela naftnih po a.
119
PARETOVA RASPODELA P AR3(a, b, c)
(troparametarska)
Gustina
a + bc + bx bx
g(x) = ce , x 0.
(x + c)a+1
Parametri
a, c (a > 0, c > 0) { parametri oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
1.4
a=4
1.2 c=2
1 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)
Gustina
1/d1 1/d !a1
a xc xc
g(x) = 1+ , x c.
bd b b
Parametri
{ parametri oblika, b (b > 0) { parametar skaliraa,
a, d (a, d > 0)
Grafik gustine
1.6
1.4 a=2
b=2
c=1
1.2
d=0.1
0.8
d=0.2
0.6
d=0.5
0.4
0.2
0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
280
Paretova raspodela 281
Funkcija raspodele
1/d !a
xc
F (x) = 1 1+ , x c.
b
0.9 a=2
b=2
0.8 c=1
0.7
0.6
0.5
d=0.5
d=0.2
0.4
0.3
d=0.1
0.2
0.1
0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6

1. P AR4(a, 1, 1, 1) = P AR(a).
2. P AR4(a, b, b, 1) = P AR2(a, b).
121
PARETOVA RASPODELA P ARU 1(a, b)
(uopxtena, dvoparametarska)
Gustina
1 ax 1/a1 x>0 za a < 0 .
0 < x < za a > 0
g(x) = 1 , b
b b
a
Parametri
Grafik gustine
0.5
0.45
b=2
a=0.8
0.4
0.35
a=0.4
0.3
0.25
a=0.6
0.2
0.15
0.1
0.05
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
282
Paretova uopxtena raspodela 283
Funkcija raspodele
ax 1/a za a < 0 .
x>0
0 < x < za a > 0
F (x) = 1 1 , b
b
a
Momenti
b b2
m1 = , 2 = .
1+a (1 + a)2 (1 + 2a)

2(1 a) 3(1 + 3a)(3 a + 2a2 )
1 (X) = 1 + 2a, 2 (X) = .
1 + 3a (1 + 3a)(1 + 4a)
Ocene parametara
Ocene ba i bb po metodi maksimalne verodostojnosti se dobijaju iz jed-
nakosti n ! n 1 !
1X a 1X a
ln 1
b b
1+ X 1+ = 1,
n i=1 bb i n i=1 bb
n
1X a
a= ln 1 Xi .
b
b
n i=1 bb
Za a < 1/2 ocene su konzistentne, asimptotski normalne i asimptotski

efikasne.
Metoda momenata
2 2
! !
1 X eb = 1 X X
a= 1 , +1 .
S2 S2
e
2 2
Neka svojstva
Za g i F vai
g(x) 1
= .
1 F (x) b ax
284 Paretova uopxtena raspodela

1. P ARU 1(1, b) = U (0, b).
2. Ako X , tada a1 ln .

aX
: P ARU 1(a, b) 1 : E1 (1)
b
Primena
Analiza ekstremnih vrednosti sluqajnih nizova, naroqito u hidrologiji.
122
PARETOVA RASPODELA P ARU 2(a, b, c, d)
(uopxtena, qetvoroparametarska)
Gustina
a
a + bc + bx d+c
g(x) = eb(xd) , x d.
x+c x+c
Parametri
{ parametri lokacije.
c, d (c, d > 0)
Grafik gustine
3.5
3
b=1
c=1
2.5 d=1
a=5
a=2
1.5
a=0.8
0.5
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
285
286 Paretova uopxtena raspodela
Funkcija raspodele
a
d+c
F (x) = 1 eb(xd) , x d.
x+c
0.9
0.8
0.7
a=0.8
0.6
0.5 a=2
0.4
b=1
0.3 c=1
a=0.8
d=1
0.2
0.1
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
Napomena
Raspodelu je uveo Marti ubo 1965. godine.
123
PIRSONOVA RASPODELA P IR1(a, b, c)
(tip I , troparametarska)
Gustina
x c x bc/a
g(x) = K 1 + 1 , a x b.
a b
Parametri
a, b, c (c, bc/a 1) { parametri oblika.
Grafik gustine
0.7
0.6 b=0.5
a=2
c=1
0.5
b=1
0.4
b=2
0.3
0.2
0.1
0
2 1.5 1 0.5 0 0.5 1 1.5 2
287
288 Pirsonova raspodela
Na sledeoj slici se vidi uticaj parametra c.

1.4
1.2 b=2
a=1
c=5
1
0.8
0.6
c=2
0.4
c=1
0.2
0
1 0.5 0 0.5 1 1.5 2
Napomena
U funkciji gustine K je normirajua konstanta.
124
PIRSONOVA RASPODELA P IR2(a, b)
(tip II , dvoparametarska)
Gustina
b
x2

g(x) = K 1 2 . 1 x a.
a
Parametri
b (b 1) { parametar oblika, a (a > 0) { parametar skaliraa.
Grafik gustine
0.7
a=2 b=4
0.6
b=2
0.5
0.4
0.3
b=1 b=0.5
0.2
0.1
0
2 1.5 1 0.5 0 0.5 1 1.5 2
289
Na sledeoj slici se vidi uticaj parametra oblika.

2
a=0.5
1.8
b=2
1.6 a=0.6
1.4
a=0.7
1.2
0.8
0.6
0.4
a=2
0.2
0
2 1.5 1 0.5 0 0.5 1 1.5 2
Napomena
125
(tip III , dvoparametarska)
Gustina
x ab bx
g(x) = K 1 + e , a x < .
a
Parametri
Grafik gustine
0.7
a=2
0.6
b=5
0.5
0.4
b=2
0.3
0.2
b=1
0.1
0
2 1 0 1 2 3 4 5
291
Na sledeoj slici se vidi uticaj parametra a.

0.7
0.6
b=2
0.5 a=1
0.4
a=2
0.3
0.2
a=5
0.1
0
6 4 2 0 2 4 6 8
Napomena
126
(tip IV , troparametarska)
Gustina
b
x2
n xo
g(x) = K 1 + 2 exp c arctan , x R.
a a
Parametri
b, c (b, c > 0) { parametri oblika, a (a > 0) { parametar skaliraa.
Grafik gustine
0.35
a=2
0.3
c=1
0.25 b=2
0.2
0.15
b=1
0.1
b=0.5
0.05
0
5 4 3 2 1 0 1 2 3 4 5
293
Na sledee dve slike se vidi uticaj parametara a i c.

0.7
0.6
b=2
a=1
0.5 c=1
0.4
0.3
0.2 a=2
0.1 a=5
0
5 4 3 2 1 0 1 2 3 4 5
0.7
0.6
b=2
c=1
a=1
0.5
0.4 c=2
0.3
c=5
0.2
0.1
0
5 4 3 2 1 0 1 2 3
Napomena
127
(tip V , dvoparametarska)
Gustina
g(x) = K xa eb/x , x 0.
Parametri
Grafik gustine
0.5
0.45
a=2
0.4
b=0.5
0.35
0.3
b=2
0.25
0.2 b=5
0.15 b=10
0.1
0.05
0
2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7
295

0.8
0.7
b=2
0.6
a=5
0.5 a=3
0.4
0.3
0.2
0.1
a=2
0
2 3 4 5 6 7 8 9 10 11
Napomena
128
(tip V I , troparametarska)
Gustina
g(x) = K xa (x c)b , x c.
Parametri
a, b (b > 0, a > b + 1) { parametri oblika, c (c R) { parametar lokacije.
Grafik gustine
1.4
a=4
1.2
c=1
b=0.5
0.8
0.6
b=1
0.4
b=2
0.2
0
1 1.5 2 2.5 3 3.5 4
297
Na sledee dve slike se vidi uticaj parametara a i c.

0.7
b=2
0.6
a=6
c=1
0.5
0.4
0.3 a=5
0.2
0.1 a=4
0
1 1.5 2 2.5 3 3.5 4
0.35
0.3 b=1
c=1 a=3
0.25
0.2
c=2
0.15
c=3
0.1
0.05
0
1 2 3 4 5 6 7 8
Napomena
129
(tip V II , dvoparametarska)
Gustina
b
x2

g(x) = K 1 + 2 . x R.
a
Parametri
a (a R) { parametar skaliraa, b (b > 1/2) { parametar oblika.
Grafik gustine
0.7
a=2
0.6
b=5
0.5
0.4
0.3
b=2
0.2
0.1
b=1
0
3 2 1 0 1 2 3
299

0.7
b=2
0.6
0.5
a=1
0.4
0.3
a=2
0.2
a=3
0.1
0
3 2 1 0 1 2 3
Napomena
130
(tip V III , dvoparametarska)
Gustina
x b
g(x) = K 1 + , a x 0.
a
Parametri
a (a > 0) { parametar skaliraa, b (0 b 1) { parametar oblika.
Grafik gustine
3.5
3 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
NA sledeoj slici se vidi uticaj parametra A.

16
14
b=0.5
12
10 a=3
a=2
6
4
a=1
0
3 2.5 2 1.5 1 0.5 0
Napomene
131
(tip IX , dvoparametarska)
Gustina
x b
g(x) = K 1 + , a x 0.
a
Parametri
a (a > 0) { parametar skaliraa, b (b > 1) { parametar oblika.
Grafik gustine
3
a=2
2.5
b=5
2
1.5
1 b=0 b=2
0.5
0
2 1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0
303
Na sledeoj slici se vidi uticaj paramtera a.

3
2.5
b=2
2
a=3
1.5
1
a=2
a=1
0.5
0
3 2.5 2 1.5 1 0.5 0
Napomena
132
(tip XI , dvoparametarska)
Gustina
g(x) = (a 1)ba1 xa , b x < .
Parametri
a (a > 1) { parametar oblika, b (b > 0) { parametar lokacije.
Grafik gustine
1.4
1.2
a=2
1
b=1
0.8
0.6
b=2
0.4
b=5
0.2
0
1 2 3 4 5 6 7 8
305

2
1.8
b=2
1.6
a=5
1.4
1.2
1
a=3
0.8
0.6
0.4
0.2 a=2
0
2 2.5 3 3.5 4 4.5 5
Napomena
133
(tip XII , troparametarska)
Gustina
c
1 + x/a
g(x) = K , a x b.
1 x/b
Parametri
a, b (a, b > 0) { parametri skaliraa, c (|c| > 1) { parametar oblika.
Grafik gustine
1.8
1.6
b=2
1.4 a=1
c=1.5
1.2
c=2
0.8
0.6
c=3
0.4
0.2
0
1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9
307
Na sledeoj slici se vidi uticaj parametra b.

1
0.9
a=2
0.8
c=2 b=0.5
0.7
0.6 b=2
0.5 b=1
0.4
0.3
0.2
0.1
0
2 1.5 1 0.5 0 0.5 1 1.5 2
Napomene
134
RELEJEVA RASPODELA R1()
(jednoparametarska)
Gustina
x2

x
g(x) = 2 exp 2 , x 0.
2
Parametri
( > 0) - skaliraa.
Grafik gustine
3.5
3
=0.2
2.5
=0.3
2
1.5
=0.5
1 =1 =2
0.5
0
0 0.5 1 1.5 2 2.5 3
309
310 Relejeva raspodela
Funkcija raspodele
x2

F (x) = 1 exp 2 , x 0.
2
Momenti
r
r r!! r ,
r = 2k 1
mr = 2r/2 r +1 = 2 , k N.
2 k
2 k! 2k , r = 2k
Specijalno,
r r

m1 = 1.25, m2 = 2 2 , m3 = 3 3 3.76 3 , m4 = 8 4 ,
2 2
r
4 2
D(X) = 0.43 2 , 3 = ( 3) 3
0.178 3 ,
2 2
32 3 2 4
4 = 0.598 4 .
4
Modus i medijana

M o(X) = , M e(X) = ln 4 1.17741.

2 ( 3) 6 2 24 + 16
1 (X) = 0.63, 2 (X) = 0.25.
(4 )3/2 (4 )2
Ocene parametara
Ocena b za nepoznati parametar po metodi maksimalne verodostojnosti
je v
u n
u 1 X

b=t X 2.
2n i=1 i
Za ocenu e dobijenu metodom momenata,

r
2
e = Xn
,

Relejeva raspodela 311
vai 2n
2
e2
: 2 (2n).
Neka svojstva
1. Q1 =
r
3
2 ln 0.75853, Q3 = 2 ln 4 1.66511.
4
2. CV = 4 1 3.41.
1. Ako X , tada 2 .
2
X
: R() 2
: E1 (1)
2. Ako X : R(), tada X2 : 2(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 pro-
men ive, tada 2 2 2
X1 + X2 + + Xn : G2 (n, 22 ).
Primena
Meteorologija, hidrologija, ekonomija.
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,
2x x2 /
g(x) = e , > 0,

pri qemu je = 22, ili
2x x2 /b2
g(x) = e , b > 0,
b2
pri qemu je b = 2, ili
2
g(x) = 2axeax , a > 0,
pri qemu je a = 21 2 .
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = 2 ln u sluqajan
broj iz R() raspodele.
Jox jedna pmogunost za generisae sluqajnog broja x iz R() raspo-
dele je x = 1 y2 + z2, gde su y i z nezavisni sluqajni brojevi iz N (0, 1)
raspodele.
135
RELEJEVA RASPODELA R2(c, )
(dvoparametarska)
Gustina
(x c)2

xc
g(x) = exp , x c.
2 2 2
Parametri
c (c R) { parametar lokacije, ( > 0) { parametar skaliraa.
Grafik gustine
1.4
c=0.5 c=0 c=0.5
=0.5
1.2
0.8
0.6
0.4
0.2
0
0.5 0 0.5 1 1.5 2 2.5
313
Funkcija raspodele
( 2 )
1 xc
F (x) = 1 exp , x c.
2
Momenti
r
4 2
m1 = c + c + 1.253314, D(X) = 0.42904 2 .
2 2
Modus i medijana

M o(X) = c + , M e(X) = c + ln 4 c + 1.17741.

2 ( 3) 6 2 24 + 16
1 (X) = 0.63, 2 (X) = 0.25.
(4 )3/2 ( 4)2
Ocene parametara
Ocene za i c za nepoznate parametre i c dobijaju se iz sistema
v
u n
u 1 X

b=t c)2 ,
(Xi b
2n i=1
n
n(X n b
c) 1 X
c)2 = 0.
(Xi b
Pn 1 2n i=1
i=1
Xi bc
Metoda momenata
Ocene e i ec po metodi momenata date su sa
n r r
1X 2

e= (Xi X n )2 , c = Xn .
4
e e
n i=1 2
Relejeva raspodela 315

1. R2(0, ) = R1().
2. Ako X : R2(c, ), tada (X c)2 .
: E1 (2 2 )
3. R2(c, ) = W2(2, 2, c).

Napomena
Postoje i druge parametrizacije gustine, kao xto su
( 2 )
2(x c) xc
g(x) = exp ,
2
pri qemu je = 2,
( 2 )
(x c) xc
g(x) = exp ,
2a2 2a
pri qemu je a = .
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = c + 2 ln u sluqa-
jan broj iz R2(c, ) raspodele.
136
RELEJEVA RASPODELA RD(c, )
(dvostrana, dvoparametarska)
Gustina
( 2 )
|x c| 1 xc
g(x) = exp , x R.
2 2 2
Parametri
c (c R) { parametar lokacije, ( > 0) { parametar skaliraa.
Grafik gustine
RD(c,)
0.7
0.6 c=1
=0.5
0.5
0.4
0.3
0.2
0.1
0
1 0.5 0 0.5 1 1.5 2 2.5 3
316
137
RAJSOVA RASPODELA RC(a, b)
(dvoparametarska)
Gustina
x2 + a2
x

x|a|
g(x) = e 2b I0 , x > 0.
b b
Parametri
a (a R) { parametar oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
0.7
0.6 a=0, b=1
0.5 a=0, b=3

a=3, b=1
0.4
0.3 a=0, b=5
0.2
0.1
0
0 1 2 3 4 5
317
318 Rajsova raspodela
Momenti
2
r/4 r/2
r a
mr = b 2 1+ Lr/2 ,
2 2b
gde je L (z) uopxten Lagerov polinom (videti Dodatak A).
Specijalno,
r 2 r 2
b a 2 b3 a
m1 = L1/2 , m2 = 2b + a , m3 = 3 L3/2 ,
2 2b 2 2b
r
2
2 2 4 b a
m4 = 8b + 8ba + a , m5 = 15b L5/2 ,
2 2b
2
b a
D(X) = 2b + a2 L21/2 .
2 2b

1. RC(0, b) = R1(b).
2. RC(0, b) = R2(0, b).
Pogledati
Relejeva raspodela
138
STEPENA RASPODELA S(a)
(jednoparametarska)
Gustina
g(x) = axa1 , 0 x 1.
Parametri
Grafik gustine
5
4.5
4
a=5
3.5
a=3
2.5 a=0.1
a=0.5
1.5
a=2
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
319
320 Stepena raspodela
Funkcija raspodele
F (x) = xa , 0 x 1.
Momenti
a a
m1 = , D(X) = .
a+1 (a + 1)2 (a + 2)
Modus i medijana
0, a<1

M o(X) = , M e(X) = 21/a .
1, a1
Ocene parametara
Za ocenu ba po metodi maksimalne verodostojnosti
n
!1
1X
a=
b ln xi
n i=1
vai D(ba) a2/n za n , a za ocenu ea po metodi momenata

X
a=
e
1X
vai
a(a + 1)2 1
a)
D(e , n .
a+2 n

1. S(1) = U (0, 1).
2. Ako X : S(a), tada X1 : P AR(a) .
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = u1/a sluqajan broj
iz ST (a) raspodele.
139
STUDENTOVA RASPODELA t(n)
(jednoparametarska)
Gustina

n+1
(n+1)/2
x2

2
g(x) = n 1 + , x R.
n n
2
Parametri
n (n N ) { parametar oblika.
Grafik gustine
0.4
n=10 n=5
0.35 n=3
n=2
0.3 n=1
0.25
0.2
0.15
0.1
0.05
0
5 0 5
321
322 Studentova raspodela
Funkcija raspodele
Za t 0 je
1 n n 1
F (x) = IB , , ,
2 n + x2 2 2
a za t > 0 je
1 n n 1
F (x) = 1 IB , , .
2 n + x2 2 2
Momenti
(2k 1)!!
m2k1 = 0, m2k = 2k = nk .
(n 2k)(n 2k + 2) (n 2)
Specijalno, n
m1 = 0, D(X) = , (n > 2).
n2
Modus i medijana
M o(X) = M e(X) = 0.

6
1 (X) = 0, 2 (X) = .
n4

1. F (1, n) = t2(n).
2. Ako X : N (0, 1) i Y : 2 (n) i ako su X i Y nzavisne sluqajne
veliqine, tada pXY /n : t(n) .
3. Ako
X, Y : 2 (n) i ako su X i Y nezavisne sluqajne veliqine, tada
2
n XY

XY
: t(n) .
4. Ako X , tada 1 + X1 2/n
: t(n) : B2 (1/2, 1/2) .
5. Ako X, Y : F (n, n) i ako su X i Y nezavisne sluqajne veliqine, tada

n 1
X : t(n).
2 Y
Studentova raspodela 323
6. Za veliko n raspodela t(n) moe da se aproksimira sa N (0, 1) . Na

sledeoj slici je data gustina za t(10) i za N (0, 1).
0.4
N(0,1)
0.35 t(10)
0.3
0.25
0.2
0.15
0.1
0.05
0
4 3 2 1 0 1 2 3 4
7. Ako je (X1, X2, . . . , Xn) uzorak iz N (m, 2) raspodele, tada

Xn m
n 1 : t(n 1).
Sn
8. Ako je (X1, X2, . . . , Xn) prost uzorak iz N (m1, 2) raspodele i ako je

(Y1 , Y2 , . . . , Yk ) uzorak iz N (m2 , ) raspodele, tada
2
r
X n Y k (m1 m2 ) nk
q (n + k 2) : t(n + k 2).
2 2 n+k
nS n (X) + kS k (Y )
Napomene
1. Raspodelu je uveo engleski hemiqar i statistiqar Goset ( William
Sealey Gosset, 1876-1937) koji se predstav ao pod pseudonimom S
tudent.
2. Raspoela je specijalan sluqaj Pirsonove raspodele tip V II (PIR7).

3. Za raspodelu t(2) je

1 1 x
g(x) = , F (x) = 1+ , x R.
(2 + x2 )3/2 2 2 + x2
Generisae
Ako je y sluqajan brojriz N (0, 1) raspodele i z sluqajan broj iz 2 (n)
raspodele, tada je x = nz y sluqajan broj iz t(n) raspodele.
140
STUDENTOVA RASPODELA t(n, a, b)
(troparametarska)
Gustina

n+1
2 !(n+1)/2
2 1 xa
g(x) = n 1+ , x R.
b n n b
2
Parametri
n (n N ){ parametar oblika, a (a R) { parametar lokacije,
b (b > 0){ parametar skaliraa.
Grafik gustine
0.4
n=1 a=0, b=0.8
0.35 a=3, b=1
a=0, b=1
0.3
a=1, b=1
0.25
0.2
0.15
0.1
a=0, b=3
0.05
0
5 0 5
325
Funkcija raspodele
Ako je t = x b a , tada je za t 0

1 n n 1
F (x) = IB 2
, , ,
2 n+t 2 2
a za t > 0 je
1 n n 1
F (x) = 1 IB 2
, , .
2 n+t 2 2
Momenti
n 2
m1 = 0, D(X) = b , (n > 2).
n2
Modus i medijana
M o(X) = M e(X) = 0.

6
1 (X) = 0, 2 (X) = .
n4
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)
(dvoparametarska, necentralna)
Gustina

n+k+1
2
ec /2 X (c 2)k xk 2
g(x) = (k+1)/2 (n+k+1)/2
, x R.
n 1 k! n
x2

k=0
1+
2 2 n
Parametri
n (n N ) { parametar oblika, c (c 0) { parametar necentralnosti.
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 0 5 10
327
328 Studentova necentralna raspodela
Funkcija raspodele
Za x 0 je
2
1 ec /2 X (c 2)k

k+1 n n k+1
F (x) = IB , , ,
2 21

k! 2 n + x2 2 2
k=0
a za x > 0 je
2
1 ec /2 X (c 2)k

k+1 n n k+1
F (x) = 1 IB , , .
2 12

k! 2 n + x2 2 2
k=0
Momenti
n n1
r
n
m1 = 2
n c, D(X) = (1 + c2 ) m21 , (n > 2).
2 n2
2

1. t(n, 0) = t(n).
2. Ako X : N (c, 1) i Y : 2 (n) i ako su X i Y nazavisne, tada
X
p : t (n, c).
Y /n
Napomena
Gustina moe da se zapixe i u obliku
2 k/2
nn/2 ec /2 n + k + 1 ck 2x2
X
g(x) = .
n2 (n + x2 )(n+1)/2 k=0

2 k! n + x2
142
TROUGAONA RASPODELA T R(a, b, c)
(troparametarska)
Gustina

2(x a)
(b a)(c a) , axc

g(x) =
2(b x)
c x b.

,

(b a)(b c)

Parametri
a, b (a, b R), (b > a) { parametri lokacije, c (c [a, b]) { parametar oblika.
Grafik gustine
0.7
a=1 a=1
0.6 b=2 b=2
c=0 c=1.5
0.5
0.4
0.3 a=1
b=3
0.2 c=0
0.1
0
1 0.5 0 0.5 1 1.5 2 2.5 3
329
330 Trougaona raspodela
Funkcija raspodele
(x a)2

(b a)(c a) , axc

F (x) =
(b x)2
.

1 , cxb

(b a)(b c)
Entropija

1 ba
H(X) = + ln .
2 2
2 (b c)eiat (b a)eitc + (c a)eibt
(t) = .
t2 (b a)(c a)(b c)
2 (b c)eat (b a)etc + (c a)ebt
M (t) = .
t2 (b a)(c a)(b c)
Momenti
1 1 2
m1 = (a + b + c), m2 = (a + b2 + c2 + ab + ac + bc),
3 6
1 3
m3 = (a + b3 + c3 + a2 b + a2 c + b2 a + b2 c + c2 a + c2 b + abc),
10
1 2 1
2 = (a + b2 + c2 ab ac bc), 3 = (a + b 2c)(a + c 2b)(b + c 2a),
18 270
1
4 = (a2 + b2 + c2 ab ac bc)2 .
135
Modus i medijana
p
(b a)(c a) ba
a +
, c
2 2

M o(X) = c, M e(X) =
.
p
(b a)(b c) ba
b , c

2 2
Trougaona raspodela 331

2 (a + b 2c)(2a b c)(a 2b + c)
1 (X) = , 2 (X) = 2.4.
5 (a2 + b2 + c2 ab bc ca)3/2
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
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je
ca
p
a + (b a)(c a)u,
u
x= ba
p ca
b (b a)(b c)(1 u),
u>
ba
sluqajan broj iz T R(a, b, c) raspodele.
143
UNIFORMNA RASPODELA U (a, b)
(dvoparametarska)
Gustina
1
g(x) = , x [a, b].
ba
Parametri
a, b (a < b) { parametri lokacije.
Grafik gustine
0.5
a=1
b=1
0.4 b=2
0.3 b=3
0.2
b=4
0.1
0
2 1 0 1 2 3 4 5
332
Uniformna raspodela 333
Funkcija raspodele
xa
F (x) = , x [a, b].
ba
Entropija
H(X) = ln(b a).
eitb eita
(t) = .
it(b a)
etb eta
M (t) = .
t(b a)
Momenti
1 br+1 ar+1
mr = .
r+1 ba
Specijalno,
a+b a2 + ab + b2
m1 = , m2 = .
2 3
Centralni momenti
2k
1 ba
2k1 = 0, 2k = , kN
2k + 1 2
Specijalno,
(b a)2 (b a)4
2 = D(X) = , 4 = .
12 80
Modus i medijana
M o(X) { nije jedinstven , M e(X) =
a+b
2
.

1 (X) = 0, 2 (X) = 1.2.
334 Uniformna raspodela
Ocene parametara
Ocene ba i bb nepoznatih parametara a i b su
a = Xmin ,
b bb = Xmax ,
pri qemu je
na + b a + nb n(b a)2
E(b
a) = , E(bb) = , D(b
a) = D(bb) = .
n+1 n+1 (n + 1)2 (n + 2)
Ako je a = 0, tada za ocenu bb = Xmax parametra b vai

n n
E(bb) = , D(bb) = ,
n+1 (n + 1)2 (n + 2)
xto znaqi da je asimptotski nepristrasna i stabilna.

Metoda momenata

a = X Sn 3,
e eb = X + Sn 3.
Ako je a = 0, tada je
eb = Xmin + Xmax
i vai
2b2
E(eb) = b, D(eb) = .
(n + 1)(n + 2)
Druge ocene
Ocene a i b date sa
nXmin Xmax nXmax Xmin
a = , b =
n1 n1
su nepristrasne, a takva je i ocena b = n +n 1 Xmax za b u sluqaju kada je

a = 0.
Neka svojstva
1. Ako X : U (0, 1) , tada 1 X : U (0, 1) .
2. Ako X : U (a, b) , tada Xb aa : U (0, 1) .
Uniformna raspodela 335

1. U (0, 1) = B2(1, 1).
2. Ako je X sluqajna promen iva, tada F (X) : U (0, 1) .
3. Ako X : U (0, 1), tada 1 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
Generisae sluqajnih brojeva za druge raspodele.
Napomena
U (0, 1) je standardna uniformna raspodela.
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = a + (b a)u sluqajan
broj iz U (a, b) raspodele.
144
FIXEROVA RASPODELA F (m, n)
(dvoparametarska)
Gustina
m m/2
xm/21
g(x) = nm n , x > 0.
B , m m/2+n/2
2 2 1 + x
n
Parametri
m, n (m, n N ) { parametri oblika (stepeni slobode).
Grafik gustine
1
0.9
m=2, n=3
0.8
0.7
0.6 m=5, n=4
0.5 m=10, n=4
0.4
0.3
m=4, n=4
0.2
m=3, n=4
0.1 m=2, n=1 m=2, n=2
0
0 0.5 1 1.5 2
336
Fixerova raspodela 337
Funkcija raspodele
m n
F (x) = I mx+n
mx , , x 0,
2 2
gde je Ia nepotpuna beta funkcija.
m n n
(t) = M , , it .
2 2 m
Momenti
n r m(n + 2) (m + 2r 2) n
mr = , r> ,
m (n 2)(n 4) (n 2r) 2
pri qemu vai rekurentna veza
n m/2 + r 1
mr = mr1 , m0 = 1.
m n/2 r
Specijalno,
n 2n2 (m + n 2)
m1 = (n > 2), D(X) = , (n > 4).
n2 m(n 2)2 (n 4)

p
(2m + n 2) 8(n 4)
1 (X) = p ,
(n 6) m(m + n 2)
16 + 20m 8m2 + m3 + 44n 32mn + 5m2 n 22n2 + 5mn2
2 (X) = 12 .
n(m 6)(m 8)(n + m 2)
Neka svojstva
1. Ako X : F (m, n), tada X1 : F (n, m).
2. Za m 2 gustina raspodele ima maksimum u x = 0 , a za m > 2 je
M o(X) =
n(m 2)
m(n + 2)
.

1. F (1, n) = t2(n).
338 Fixerova raspodela
2. Ako X : 2 (m) iY : 2 (n) , tada mn XY : F (m, n) .

3. Ako X , tada n +mXmX .
m n
: F (m, n) : B2 ,
2 2
4. Ako X : F (m, n), tada mn X : BP (m, 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 mm21nn21XY : F (2m1, 2m2).

7. Ako X , tada n
.

1
: F (n, n) X : t(n)
2 X
8. Xi : N (a, 2 ) za i Yj : N (b, 2) za j = 1, . . . , n i ako su

i = 1, . . . , m
X1 , . . . , Xm , Y1 , . . . , Ynnezavisne sluqajne promen ive, tada
m m
1 X 1 X
(Xi a)2 (Xi X)2
m i=1 m 1 i=1
n : F (m, n), n : F (m 1, n 1).
1X 1 X
(Yj b)2 (Yj Y )2
n j=1 n 1 j=1
9. F (m, n) m1 2(m), (n ).
10. Ako : F (m, n) i ako je

m 1/3 2 2
2n 1 X 2m 1 X 1 1
9n 9m
Y = rn , Z= r ,
m 2 2
1+ X +X 2/3
n 9m 9n
tada Y i Z imaju priblino normalnu raspodeleu N (0, 1).
Primena
Analiza varijanse, testirae hipoteza o jednakosti disperzija.
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 Sne-
decor, 1881-1974) ili kao Fisher-Snedecor distribution ili kao variance-
ratio distribution.
3. Funkcija gustine moe da se zapixe i u obliku

m/2 n/2
1 mx mx
g(x) = 1
xB(m/2, n/2) mx + n mx + n
ili s
1 nn (mx)m
g(x) = .
xB(m/2, n/2) (mx + n)m+n
4. Raspodela je definisana i za realne pozitivne vrednosti param-

etara.
Generisae
Ako je y sluqajan broj iz raspodele 2(m) i z sluqajan broj iz raspodele
(n), tada je x = sluqajan broj iz F (m, n) raspodele.
2 ny
mz
145
FIXEROVA Z RASPODELA F Z(m, n)
(dvoparametarska)
Gustina
2mm/2 nn/2 emx
g(x) = m n m/2+n/2
, x R.
B , (me2x + n)
2 2
Parametri
m, n (m, n N ) { parametri oblika (stepeni slobode).
Grafik gustine
0.7
m=2
0.6 n=5
n=4
0.5
n=2
0.4
n=1
0.3
0.2
0.1
0
2 1.5 1 0.5 0 0.5 1 1.5 2
340
146
FON MIZISOVA RASPODELA F M (a, b)
(dvoparametarska)
Gustina
g(x) =
eb cos(xa)
2I0 (b)
, x (0.2], I0 (x) Beselova funkcija.
Parametri
a (0 a 2) { parametar oblika, b (0 b < ) { parametar skaliraa.
Grafik gustine
0.8 0.8
a=1 a=0
0.6 0.6
b=2
b=2
0.4 0.4
b=1
0.2 b=1 0.2
0 0
0 2 4 6 0 2 4 6
0.8 0.8
a=1 a=3
0.6 0.6
b=2
b=2
0.4 0.4
b=1
0.2 b=1 0.2
0 0
0 2 4 6 0 2 4 6
341
342 Fon Mizisova raspodela
Funkcija raspodele

1 X Ij (b)x sin(j(x a))
F (x) = xI0 (b) + 2 , x (0, 2],
2I0 (b) j=1
j
gde je Ij Beselova funkcija.

Momenti
Ia (b)
m1 = a, D(X) = 1 ,
I0 (b)
gde je Ia Beselova funkcija.
Napomene
1. Raspodelu je uveo austrijski matematiqar Fon Mizis ( Richard von
Mises, 1883-1953) 1918. godine radei na modelirau cikliqnih po-
dataka.
2. Raspodela je poznata i kao cirkularna normalna .
147
FON MIZISOVA RASPODELA F M B(a, b)
(bimodalna, dvoparametarska)
Gustina
g(x) =
eb cos 2(xa)
2I0 (b)
, x (0.2], I0 (x) Beselova funkcija.
Parametri
a (0 a 2) { parametar oblika, b (0 b < ) { parametar skaliraa.
Grafik gustine
0.8 0.8
a=1 a=0
0.6 b=2 0.6
b=2
0.4 0.4
0.2 b=1 0.2 b=1
0 0
0 2 4 6 0 2 4 6
0.8 0.8
a=1 a=3
0.6 0.6 b=2
b=2
0.4 0.4
0.2 b=1 0.2 b=1
0 0
0 2 4 6 0 2 4 6
343
148
HELMERTOVA RASPODELA H(n)
(dvoparametarska)
Gustina
nn/21/2 2
g(x) = xn2 enx /2 , x 0.
n1
2n/23/2
2
Parametri
n (n N, n 6= 1) { parametar oblika (broj stepeni slobode).
Grafik gustine
1.8
1.6 n=8
1.4
n=2
1.2
n=4
0.8
0.6
n=3
0.4
0.2
0
0 0.5 1 1.5 2 2.5
344
149
HI RASPODELA 1(a)
(jednoparametarska)
Gustina
1 2
g(x) = xa1 ex /2
, x > 0.
2a/21 (a/2)
Parametri
Grafik gustine
1
0.9 a=1
0.8 a=2 a=3 a=4 a=5
0.7
a=10
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5
345
346 Hi raspodela
Funkcija raspodele
a x2

F (x) = P , , x > 0.
2 2
Entropija
a 1 a
H(X) = ln + (a ln 2 (a 1) .
2 2 2

( 2ti)k

1 X a+k
(t) = .
(a/2) k! 2
k=0
a + 1 3 t2

a+1 a
M (t) = t 2 M , , .
2 2 2 2 2
Momenti
2r/2 a+r

2
mr (X) = , r N.
(a/2)
Specijalno,
a+1 2 a+1

2 2
m1 (X) = 2 , m2 = a, m3 = (a + 1)m1 , D(X) = a 2 2 .
(a/2) (a/2)
Modus i medijana
r
2
M o(X) = a 1, M e(X) a .
3

m1 2 m1
1 (X) = (1 2 2 ), 2 (X) = 1 (X) 2,
3 2
gde je = pD(X).
Hi raspodela 347

1. Ako X : 2(a), onda X : (a).
2. Ako su X1,vX2, . . . , Xn nezavisne sluqajne veliqine sa N (0, 1) raspode-
u n
lom, onda t Xi : (n).
uX
i=1
3. (1) = N ZL(0, 1, 0).

4. (2) = R(1).
5. (3) = M AX(1).
150
HI RASPODELA 2(a, b)
(dvoparametarska)
Gustina
x2

1 a/21
g(x) = a/21 a x exp 2 , x > 0.
2 b (n/2) 2b
Parametri
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
a x2

F (x) = P , , x > 0.
2 2b2
Momenti

r+a

2
mr = 2r/2 br a , r > a.

2
Specijalno,

a+1 a+1
2
2

2
m1 (X) = 2b a , D(X) = ab2 2b2 a .
2
2 2

a a + 3
a+1 a+1
43 + 2 2 3a
2 2 2 2 2
1 (X) = a 3/2 ,
a+1

2
2 a 2
2
3 a a
2
2

2
A+B
2 (X) = a 2 ,
a+1
a2 22
2 2
gde je
a
a+1
A = 2a(a 1)4 244
,
2 2
a + 1
2 a a+1 a+3
B = 8 3a 2 .
2 2 2 2
Ocene parametara
Ako je parametar a poznat, ocena bb po metodi maksimalne verodostojnosti
za parametar b data je sa
n
!1/2
bb = 1 X 2
X .
na i=1 i
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) 2i ako su X1, . . 2. , Xn nezavisne sluqajne promen ive,
tada X1 + + Xn : G2(na/2, 2b ).
151
HI RASPODELA 3(a, b, c)
(troparametarska)
Gustina
a/21 ( 2 )
1 xc 1 xc
g(x) = a/21 exp , x > c.
2 b(n/2) b 2 b
Parametri
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 b=3, c=4
0.3
0.2
0.1
0
2 3 4 5 6 7 8 9 10
351
352 Hi raspodela
Funkcija raspodele
2 !
a 1 xc
F (x) = P , , x > c.
2 2 b
Momenti
a+1 2 a+1

m1 (X) = c + 2b 2
, D(X) = ab2 2b2 2
.
(a/2) 2 (a/2)

a+1
a
a+3
a+1

2 43 2 + 2 2 2 2 3a 2
1 (X) = a
!3/2 ,
2 22 a+1

a 2

3 2 a a
2 2
A+B
2 (X) = 2 ,
a a+1

a2 2 22 2
gde je
a
a+1
A = 2a(a 1)4 244 ,
2 2
a a + 1
a+1

a+3

B = 82 3a 2 .
2 2 2 2

1. 3(a, b, 0) = 2(a, b).
2. 3(a, 1, 0) = 1(a).
3. 3(1, b, c) = N ZL(0, b, c).
4. 3(2, b, 0) = R(b).
5. 3(3, b, 0) = M AX(b).
152
HI RASPODELA (n, a)
(necentralna)
Gustina
xn/2
2
x + a2

g(x) = n/21 exp In/21 (ax), x 0.
a 2
Parametri
n (n N ){ parametar oblika (broj stepeni slobode),
a (a > 0){ parametar necentralnosti.
Grafik gustine
0.7
n=4
0.6
a=0.2
0.5 a=2
a=1 a=3
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
353
354 Hi necentralna raspodela
Momenti
r r
n/21 n/21
m1 = L (a2 /2), m 2 = n + a2 m3 = 3 L (a2 /2),
2 1/2 2 3/2
m4 = (n + a2 )2 + 2(n + 2a2 ), D(X) = n + a2 n21 ,

gde je Lck (z) uopxteni Lagerov polinom.
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
s
X12 X2 X2
2 + 22 + + 2k : (k, a),
1 2 k
s
gde je a = 21
12
2 2
+ 22 + + k2 .
2 k
153
HI KVADRAT RASPODELA 2(n)
(jednoparametarska)
Gustina
1
g(x) = xn/21 ex/2 , x 0.
2n/2 (n/2)
Parametri
n (n N ) { parametar oblika (broj stepeni slobode).
Grafik gustine
n=1
0.5
n=2
0.4
n=3
0.3
n=4
0.2
0.1
0
0 2 4 6 8 10
355
356 Hi kvadrat raspodela
Funkcija raspodele
(n/2, x/2) n x
F (x) = 1 =P , , x 0.
(n/2) 2 2
(t) = (1 2it)n/2 .
M (t) = (1 2t)n/2 , t < 1/2.
Momenti
2r (r + n/2)
mr = = n(n + 2) (n + 2(r 1)), r N.
(n/2)
Specijalno,
m1 = n, m2 = n(n + 2), m3 = n(n + 2)(n + 4),
2 = 2n, 3 = 8n, 4 = 48n + 12n2 ,

5 = 32n(5n + 12), 6 = 40n(3n2 + 52n + 96).
Modus i medijana
0, n2

2 4 8
M o(X) = , M e(X) n + .
n 2, n>2 3 27n 729n2

r
8 12
1 (X) = , 2 (X) = .
n n
Neka svojstva
Ako X : 2(m) i2 Y : 2(n) i ako su X i Y nezavisne sluqajne promen ive,
tada X + Y : (m + n).
1. 2(2) = E1(2).
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) raspode-
lom, tada 2 2 2 2
X1 + X2 + Xn : (n).
5. Ako Xi (
: 2 (ni ) i = 1, 2 . . . , k ) i ako su X1, X2, . . . Xk nezavisne, tada
X1 + X2 + + Xk : 2 (n1 + n2 + + nk ).
6. Ako X : 2 (n) , onda

2X N ( 2n 1, 1) kada
n .
7. Ako , onda kada .
r
3 X 2 2
X : 2 (n) N 1 , n
n 9n 9n
8. Ako X : 2 (n) , onda X2nn N (0, 1) kada n .

9. Ako su X1, . . . , Xn nezavisne sluqajne veliqine sa N (m, 2), tada
2 2
X1 m Xn m
+ + : 2 (n),

2 2
X1 X Xn X
+ + : 2 (n 1).

10. Ako X : 2 (m) iY : 2 (n) i ako su X i Y nezavisne, tada
X/m
: F (m, n).
Y /n
Primena
Testirae statistiqkih hipoteza.
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, 1856-
1936) 1900. godine.
Generisae
Sluqajan broj iz 2(n) raspodele se moe dobiti kao zbir kvadrata n
sluqajnih brojeva iz N (0, 1) raspodele.
154
HI KVADRAT RASPODELA 2 (n, a)
(dvoparametarska, necentralna)
Gustina
1

1 n/21 (x+a)/2
X (ax)k 2 +k
g(x) = n/2 1
x e n
, x 0.
2 2
(2k)! 2 +k
k=0
Parametri
n (n N ){ parametar oblika (broj stepeni slobode),
a (a > 0){ parametar necentralnosti.
Grafik gustine
0.2
2(4)
0.18 n=4
a=1
0.16
0.14 a=2
0.12
0.1
0.08
0.06
0.04 a=3 a=5
0.02
0
0 2 4 6 8 10
358
Hi kvadrat necentralna raspodela 359
Funkcija raspodele

X ak n x
F (x) = ea/2 k
P + k, , x 0.
2 k! 2 2
k=0

1 ita
(t) = exp .
(1 2it)n/2 1 2it

1 at
M (t) = exp , t R.
(1 2t)n/2 1 2t
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 .

n + 3a n + 4a
1 (X) = 8 , 2 (X) = 12 .
(2(n + 2a))3/2 (n + 2a)2

1. 2(n, 0) = 2(n).
2. Ako su Xi nezavisne sluqajne promen ive sa N (mi, 1) raspodelom (i =
1, 2, . . . , n), tada
X12 + X22 + + Xn2 : 2 (n, m21 + m22 + + m2n ).
3. Ako X : 2(m, a) i Y : 2 (n, b)i ako su X Y i nezavisne sluqajne

promen ive, tada X + Y : 2 (m + n, a + b) .
4. Ako X , tada (n + a)2
.

n + 2a 2
: 2 (n, a) X :
n+a n + 2a
360 Hi kvadrat necentralna raspodela
Napomena
Funkcija gustine moe da se zapixe i u obliku
xn/41/2 a/2x/2
f (x) = n/41/2
e In/21 ( ax),
2a
gde je Ik (z) Beselova funkcija prve vrste.
Generisae
Sluqajan broj iz 2(n, a) raspodele moe da se dobije kao zbir kvadrata
n sluqajnih brojeva iz N ( a/n, 1) raspodele.
p
155
HIPERBOLIQKI SEKANT RASPODELA HS(a, b)
(dvoparametarska)
Gustina
1 xa
g(x) = sech , x R.
b b
Parametri
Grafik gustine
0.35
a=0
0.3
b=1
0.25
0.2
0.15
b=2
0.1
0.05
b=3 b=4
0
5 4 3 2 1 0 1 2 3 4 5
361
362 Hiperboliqki sekant raspodela
Funkcija raspodele

2 xa
F (x) = atan exp , x R.
b
Momenti
1 2 2
m1 = a, 2 = D(X) = b .
4
Modus i medijana
M o(X) = M e(X) = a.

1 (X) = 0, 2 (X) = 2.
Neka svojstva
Kvartili raspodele su

Q1 = a b log(1 + 2), Q3 = a + b log(1 + 2).
Dodatak - specijalne funkcije
U definiciji nekih raspodela se koriste gama i beta funkcije, kao i
neke druge specijalne funkcije. Ovde su date definicije i kratak pregled
svojstava tih funkcija.
1 Gama funkcija
Gama funkcija je definisana sa
Z
(z) = tz1 et dt,
0
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
n!
(z) = lim nz ,
n z(z + 1) (z + n)
kao i u obliku beskonaqnog proizvoda

1 Y z z/n
= z z 1+ e ,
(z) n=1
n
gde je 0.5772156649 Ojlerova konstanta.

Za gama funkciju vai rekurentna relacija (z + 1) = z(z). Speci-
jalno, (n + 1) = n!.
Aproksimacija za gama funkciju se moe dobiti iz Stirlingove 2 for-
mule
r
z z 2 1 1 139 571
(z) = z e 1+ + +
z 12z 288z 2 51840z 3 2488320z 4
koja vai za | arg z| < i |z| . Specijalni sluqaj je poznata Stirlin-

gova formula za aproksimaciju faktorijel

n! nn+1/2 en 2.
Za z = x > 0 vrednosti gama funkcije su realne i pozitivne,

Z
(x) = tx1 et dt > 0, x > 0.
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
(2n)!

1
n+ = 2n
2 2 n!
i jednakosti
dobijamo, na primer,

1
=
2
1 3 15 105

3 5 7 9
= , = , = , = .
2 2 2 4 2 8 2 16
2 Digama funkcija
Digama ili funkcija je izvod logaritma gama funkcije
d 1 d(z)
(z) = ln (z) = .
dz (z) dz
Funkcija moe da se predstavi u obliku beskonaqnog reda

X 1 1
(z + 1) = ,
n=1
z+n n
gde je Ojlerova konstanta. Specijalno,

n1
X 1
(n) = + ,
k
k=1
n
X 1
(n + 1/2) = 2 ln 2 + 2 .
2k 1
k=1
Iiz ovih jednakosti dobijamo, na primer,

3 11
(1) = , (2) = 1 , (3) = , (4) = ,
2 6

3 1 5 1 8 7 1 46
= + 2, = + , = + ,
2 2 2 2 3 2 2 15
gde je .

1
= 2 ln 2
2
Ako je potreban izvod gama funkcije, moe se koristiti jednakost
d(z)
= (z) (z).
dz
Specijalne funkcije 365
3 Poligama funkcije
Poligama funkcije su vixi izvodi digama funkcije , odnosno funkcije
ln . Tako je
dn dn+1
(n) (z) = n
(z) = n+1 ln (z), n N.
dz dz
Poligama funkcije mogu da se predstave u obliku beskonaqnog reda

X 1
(n) = (1)n+1 n! .
(z + k)n+1
k=0
Qesto se koriste jednakosti

(n) (1) = (1)n+1 n!(n + 1),
(n) (1/2) = (2n+1 1) (n) (1) = (1)n+1 n!(2n+1 1)(n + 1),

gde je Rimanova zeta funkcija.
U sluqaju n = 1 funkcija (1) se zove trigama funkcija. Za u je
2

1
(1) (1) = (2) 1.645, (1) = 4.935.
2 2
Na sledeoj slici su prikazani grafici funkcija digama i trigama za

realne argumente iz skupa [0.5, 2].
5
(1)
2
0.5 1 1.5 2
4 Nepotpune gama funkcije

Nepotpune gama funkcije (a, x), (a, x), P (a, x) i Q(a, x) definisane su sa
Z x Z
(a, x) = ta1 et dt, (a, x) = ta1 et dt,
0 x
(a, x)
P (a, x) = , Q(a, x) = 1 P (a, x)
(a)
za kompleksan broj a qiji je realan deo vei od nule. U primenama se
najqe71e koriste realni celobrojni argumenti.
Oqigledno je
(a) = (a, x) + (a, x),
a vae i sledee rekurentne relacije:
(a + 1, x) = a(a, x) xa ex ,
(a + 1, x) = a(a, x) xa ex ,
xa ex
P (a + 1, x) = P (a, x) .
a(a)
Funkcije (a, x) moe da se predstavi beskonaqnim redom

X (a)
(a, x) = ex xa xn .
n=0
(a + n + 1)
Na sledee dve slike dati su grafici nepotunih gama funkcuija P iQ

za nekoliko vrednosti a (0.5, 1., 2., 4., 6., 8.).
1
a=8
0.8 P(a,x)
0.6
0.4
0.2 a=0.5
0
0 1 2 3 4 5 6 7 8 9 10
1
a=0.5
0.8
0.6
0.4
Q(a,x)
0.2
a=8
0
0 1 2 3 4 5 6 7 8 9 10
5 Beta funkcija
Beta funkcija B(a, b) je definisana sa
Z 1
B(a, b) = ta1 (1 t)b1 dt, a > 0, b > 0.
0
Smenom x = 1 t t vidimo da funkcija B(a, b) moe da se predstavi i na

sledei naqin Z
xa1 dx
B(a, b) = .
0 (1 + x)a+b
Jednakost
(a)(b)
B(a, b) =
(a + b)
daje vezu izmeu gama i beta funkcije.
6 Nepotpune beta funkcije

Nepotpune beta funkcija Bx (a, b) i Ix (a, b) su definisane sa
Z x
Bx (a, b)
Bx (a, b) = ta1 (1 t)b1 dt, Ix (a, b) = .
0 B(a, b)
Za funkciju Bx va1 jednakost
Bx (a, b) = B1 (b, a) B1x (b, a).
Funkcija Ix se koristi u izrazima za funkciju raspodele, na primer
Fixerove i Studentove raspodele.
7 Funkcije grexke
Funkcija erf : C C definisana sa
Z z
1 2
erf z = et dt
0
je funkcija grexke (eng. error function) ili funkcija verovatnoe , a en komple-
ment je funkcija erf c definisana sa
erf c(z) = 1 erf (z)
za koju vai
1 z2 X (k + 1/2)
erf c(z) = e (1)k .
z 2k+1
k=0
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
r
2 x2
g(x) = e , x 0.

Veza sa funkcijom raspodele standardne normalne raspodele je

1 x 1 x
(x) = 1 + erf = erf c .
2 2 2 2
Ako X : N (0, 1) , tada je

x
P {|X| x} = erf , x > 0.
2
Funkcija erf moe da se izrazi preko nepotpune gama funkcije

1 2
erf x = P ,x , x 0.
2
8 Rimanova zeta funkcija

Funkcija : R R definisana sa

X 1
(x) = , x>1
kx
k=1
je Rimanova3 zeta funkcija. Ona moe da se predstavi i na sledei naqin

tx1
Z
1
(x) = dt.
(x) 0 et 1
Za neke celobrojne argumente vrednosti funkcija su:

2 4 6 8
(2) = , (4) = , (6) = , (8) = .
6 90 945 9450
Qesto se umesto (n) pixe n . Za parne argumente vai
22n1 2n |B2n
(2n) = , n N,
(2n)!
gde su B2n Bernulijevi4 brojevi koji su definisani jednakoxu

z X zn
z
= Bn .
e 1 n=0 n!
Na primer, B0 = 1, B1 = 1/2, B2 = 1/6, B4 = 1/30, B6 = 1/42, a vai i

jednakost

X 1
B2n = 2(1)n+1 (2n)! ,
(2k)2n
k=1
dok je B2n+1 = 0 za n N .
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
9 Beselove funkcije prve vrste

Funkcija Ja : C C definisana sa

z a X (1)k z 2k
Ja (z) = , aR
2 k!(a + k + 1) 2
k=1
je Beselova5 funkcija prve vrste . Za celobrojne vrednosti parametra a pos-

toje razne rekurentne veze, na primer,
2n
Jn1 (z) + Jn+1 (z) = Jn (z),
z
Jn1 (z) Jn+1 (z) = 2Jn0 (z),

n
Jn+1 (z) = Jn (z) Jn0 (z).
z
Beselova funkcija Ja je jedno rexee diferencijalne jednaqine
z 2 y 00 (z) + zy 0 + (z 2 a2 )y(z) = 0.
Funkcija Ia : C C definisana sa

z a X z 2k
1
Ia (z) = , aR
2 k!(a + k + 1) 2
k=1
je modifikovana Beselova funkcija prve vrste . Specijalno, za x R

X x2k x n X 1 x 2k
I0 (x) = , In (x) = .
22k (k!)2 2 k!(n + k)! 2
k=0 k=0
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,
2n
In1 (z) In+1 (z) = In (z),
z
In1 (z) + In+1 (z) = 2In0 (z),

n
In+1 (z) = In (z) + In0 (z).
z
Modifikovana Beselova funkcija Ja je jedno rexee diferencijalne jed-
naqine
z 2 y 00 (z) + zy 0 (z 2 + a2 )y(z) = 0.
5 Vilhelm Bessel (1784-1846)
10 Beselove funkcije druge vrste

Funkcija Na : C C definisana sa

1

(Ja (z) cos a Ja (z)), a 6 Z
sin a

Na (z) =
1

(Ja (z) cos a Ja (z)), aZ
sin a
je Beselova funkcija druge vrste , a funklcija Ka : C C definisana sa
Ia (z) Ia (z)

, a 6 Z
2 sin a

Ka (z) =
lim Ic (z) Ic (z) ,

aZ

2 ca sin c
je modifikovana Beselova funkcija druge vrste .
11 Hipergeometrijska funkcija M
Postoji vixe hipergeometrijskih funkcija koje se definixu pomou ste-
penih 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

X (a)n xn
M (a, b; x) = , a 6= 0, 1, 2, . . .
n=0
(b)n n!
i ona je jedno rexee jednaqine

xy 00 (x) + (b x)y 0 (x) ay(x) = 0.
Kako je (a)n = (a(a)

+ n)
, to je

X (b) X (a + n) xn
M (a, b; x) = .
n=0
(a) n=0 (b + n) n!
Funkcija M moe da se predstavi i integralom

Z 1
(b)
M (a, b; x) = ext ta1 (1 t)ba1 dt,
(a)(ba) 0
a vai i jednakost
M (a, b; x) = ex M (b a, b, x).
Za izvode funkcije M vai
(a)n
M (n) (a, b; x) = M (a + n, b + n; x).
(b)n
Mnoge matematiqke funkcije mogu da se izraze pomou funkcije M . Na

primer, a
x
ex = M (a, a; x), (a, x) = M (a, a + 1, x),
a
ex x n

1
In (x) = M n + , 2n + 1, 2x .
n! 2 2
U literaturi na engleskom jeziku ova hipergeometrijska funkcija se zove
i Kummer confluent hypergeometric function i oznaqava sa F ili 1 F1 .
12 Lagerovi polinomi
Polinom Ln definisan sa
n k
X
k n x
Ln (x) = n! (1)
k k!
k=0
je Lagerov6 polinom. Ma primer,

L0 (x) = 1, L1 (x) = 1 x, L2 (x) = 2 4x + x2 , L3 (x) = 6 18x + 9x2 x3 .
Polinom Ln je rexee diferencijalne jednaqine

xy 00 + (1 x)y 0 + ny = 0,
a vai i rekurentna veza

Ln+1 (x) + (x 2n 1)Ln (x) + n2 Ln1 (x) = 0.
Parametar n (stepen polinoma) se moe uopxtiti na realnu vrednost, pri

qemu je La (x) = M (a, 1, x) za a R. Specijalno,

1 x x
L1/2 (x) = M , 1, x = ex/2 (1 x)I0 ex/2 xI1 .
2 2 2
Polinom Lcn definisan sa

n
X n (c + n + 1) k
Lcn (x) = (1)k x
k (c + k + 1)
k=0
je uopxteni Lagerov polinom . Specijalni sluqajevi su, na primer,

Ln0 (x) = 1, Ln n n
n (x) = (1) x , n N.
Polinom Lcn je rexee diferencijalne jednaqine

xy 00 + (c + 1 x)y 0 + ny = 0.
6 E?? Laguerre (?-?) - francuski matematiqar

LITERATURA
[1] AbouRizk, S. M. and Halpin, D. W. (1992). Statistical properties of con-

struction duration data, Journal of Construction Engineering and Managment,
118, 525-544.
[2] Ahmed, M. I., Sinclair, C. D. and Werritty, A. (1988). Log-logistic

flood 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 Scientific 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 esti-
mate 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 prob-

abilities 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 Scientific 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). Pa-

rameter 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, 1153-
1159.
[15] Evans, M. A. and Gross, S. D. (1994). Burr distribution tables for a ap-
proximation 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 an-
nual 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 syn-

thetic 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

flood series, Hudrological Sciences, 34, 231-247.
[22] Gunasekara, T. A. G. and Cunnane, C. (1991). Expected probabilities

of exceedance for non-normal flood 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 esti-

mations of gamma-type distributions, Journal of Hydroscience and Hydraulic
Engineering, 4, 79-95.
[25] Janc, N (?). Statisticka obrada jakih kisa na podrucju Beograda, Republicki
hidrometeoroloski zavod SR Srbije, Beograd.
[26] Janc, N (?). Statistical characteristics of storm winds in Belgrade, Republicki

hidrometeoroloski zavod SR Srbije, Beograd.
[27] Jevremovi, V., Malixi, J. (2002). Statistiqke metode u meteorologiji

i ineerstvu, Savezni hidrometoroloxki zavod, Beograd.
[28] Johnson, N.L., Kotz, S. and Balakrishnan, N. (1994). Continuous Uni-
variate Distributions, Vol.1, John Wiley & Sons, New York.
[29] Johnson, N.L., Kotz, S. and Balakrishnan, N. (1995). Continuous Uni-

variate 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 stochas-

tic 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 fitting

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. (1997). Statistiqke raspodele u klima-

tologiji, Univerzitet u Beogradu.
[37] McNally, R. J. (1990). Maximum likelihood estimation of the parameters of
the prior distributions of three variables that strongly influence 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, Col-
orado State University.
[39] Mielke, P. W. and Johnson, E. S. (1973). Three parameter kappa dis-

tribution maximum likelihood estimates and likelihood ratio tests. Mounthly
Weather Review, 101, 701-707.
[40] Milyutin, E. R. and Yaromenko, Yu. I. (1991). Statistical character-

istics 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. (1995). Verovatnoa i Statistika , Vesta, Matematiqki

fakultet, Beograd.
[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). Esti-

mating the upper tail of flood-peak frequency distributions using hydrometeo-
rological 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 bino-
mial 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 parame-
ters 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] Spasov, P, Zelenhasi, E. i Mariqi, M. (?). Ekstremne vrednosti
suxnih perioda tokom vegetacione sezone u Beogradu i okolini, Re-
publiqki hidrometeoroloxki zavod SR Srbije, Beograd.
[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 fitted to
climatic factors and Markov chains models of weather sequences, with some
examples. Proceedings of the First International Conference on Statistical Cli-
matology, Ed. Ikeida S., 1-20, Elsevier Scientific Publishing Company.
[55] Tuller, S. E. and Brett, A. C. (1984). The characteristics of wind velocity
that favor the fitting 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. (1990). Analiza verovatnoe pojave hidroloxkih veliqina ,
Nauqna kiga, Beograd.
376 Literatura
[59] Wang, Q. J. (1990). Unbiased estimation of probability weighted moments

and partial probability weighted moments from systematic and historical flood
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 male-
to-female transmission in penile-vaginal intercourse, Statistics in Medicine, 8,
93-102.
[61] Wilks, D. S. (1989). Rainfall intensity, the Weibull distribution and estima-
tion of daily surface runoff, 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.

Atlas Raspodjela PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Atlas Raspodjela PDF

Transféré par

Droits d'auteur :

Formats disponibles

ATLAS

Spisak nekih oznaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XI

6 Beta [B4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

38 Gilbratova [GL] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

70 Laplasova [L2 (, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

102 Loglogistiqka [LLG3(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237

134 Relejeva [R1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309

Pirsonovog 2 -testa, mada ima i mnogo drugih testova. Pri korixeu

Beograd, 2007. Autori

R skup realnih brojeva

gX , g gustina sluqajne promen ive X

1 Sluqajne promenive i funkcije raspodela

Iz definicije sledi da se na prirodan naqin moe definisati vero-

1.1 Funkcija raspodele

je funkcija raspodele verovatnoa ili krae, funkcija raspodele sluqajne prome-

Ako je jasno o kojoj promen ivoj je req, umesto FX moe se pisati F .

Izdvajaju se tri tipa funkcija raspodele: diskretne, apsolutno ne-

gde je F1 apsolutno neprekidna, F2 diskretna i F3 singularna funcija

Funkcija g je gustina raspodele sluqajne promenive X.

Apsolutno neprekidna funkcija raspodele je neprekidna i diferen-

1.2 Nezavisnost sluqajnih veliqina

P { : X() A, Y () B} = P { : X() A} P { : Y () B}.

Na sliqan naqin se definixe nezavisnost tri ili vixe sluqajnih

2 Neprekidne sluqajne promenive

Ako je sluqajna promen iva apsolutno neprekidna, kaemo da ona ima

Teorema 1 Verovatnoa da vrednost apsolutno neprekidne sluqajne pro-

U ovom Atlasu zastup ene su neprekidne raspodele koje imaju nepre-

qija su rexea gustine dvanaest tipova raspodela. Rexea ove jedna-

gde su a, b, c, d realne funkcije, a parametar.

Na taj naqin se dobija troparametarska familija gustina

gde parametri p, i zavise od a, c i k.

5 Osnovne numeriqke karakteristike

5.1 Matematiqko oqekivae

pod uslovom da navedeni integral apsolutno konvergira. Ako to nije sluqaj,

Za matematiqko oqekivae linearne kombinacije i proizvoda dve slu-

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.

Prema tome, potencijalne vrednosti moda su nule prvog izvoda funkc-

xto znaqi da je i . Za disperziju linearne

D(aX + bY ) = a2 D(X) + b2 D(Y ).

Ako je X = Xp E(X) (standardizovani ili normirani oblik sluqajne

Kvantili reda = 0.25 i = 0.75 nazivaju se prvi i trei kvar-

Ako je funkcija gustine simetriqna u odnosu na neku taqku, ta taqka je

a centralni momenat r reda r je definisan sa

pri qemu se pretpostava da su navedeni integrali apsolutno konvergentni.

Prema definiciji, matematiqko oqekivae je momenat prvog reda, a

Korixeem binomnog razvoja za (x m)r mogu se dobiti veze izmeu

za k N , gde je 0 = m0 = 1. Sliqno se dobijaju i jednakosti

7 Mere asimetrije i spoxtenosti

Definicija 15 Raspodela neprekidne sluqajne promenive X je simetri-

za svaki realan broj x. U suprotnom raspodela je asimetriqna.

Za asimetriqne raspodele potrebna je i mera asimetrije.

Za 1 (X) = 0 raspodela je simetriqna, za 1 (X) > 0 kaemo da je raspodela

Kako koeficijent 1 (X) ne zavisi od srede vrednosti, niti skaliraa

Za 2 (X) > 0 kaemo da je raspodela sa debelim krajevima (repovima) ili lep-

Sp oxtenost je takoe ista za sve raspodele istog tipa.

Definicija 18 Za neprekidnu sluqajnu promenivu X sa pozitivnom gus-

Raspodele istog tipa nemaju istu entropiju, ali postoji jednostavna

Iz definicije sledi da svaka neprekidna sluqajna promen iva ima

tada je gustina g za X data sa

Osim toga, svaka funkcija koja je pozitivno definitna i neprekidna

pod uslovom da integral na desnoj strane ove jednakosti postoji, je genera-

2. uzoraqka disperzija S 2n ili S 2 definisana sa

Pirsonovog 2 -testa, mada ima i mnogo drugih testova. Pri korixeu

Iz definicije sledi da se na prirodan naqin moe definisati vero-

je funkcija raspodele verovatnoa ili krae, funkcija raspodele sluqajne prome-

Ako je jasno o kojoj promen ivoj je req, umesto FX moe se pisati F .

Ako je sluqajna promen iva apsolutno neprekidna, kaemo da ona ima

Teorema 1 Verovatnoa da vrednost apsolutno neprekidne sluqajne pro-

qija su rexea gustine dvanaest tipova raspodela. Rexea ove jedna-

Za matematiqko oqekivae linearne kombinacije i proizvoda dve slu-

Kvantili reda = 0.25 i = 0.75 nazivaju se prvi i trei kvar-

Prema definiciji, matematiqko oqekivae je momenat prvog reda, a

Korixeem binomnog razvoja za (x m)r mogu se dobiti veze izmeu

Za 1 (X) = 0 raspodela je simetriqna, za 1 (X) > 0 kaemo da je raspodela

Kako koeficijent 1 (X) ne zavisi od srede vrednosti, niti skaliraa

Za 2 (X) > 0 kaemo da je raspodela sa debelim krajevima (repovima) ili lep-

Sp oxtenost je takoe ista za sve raspodele istog tipa.

u sluqaju da je poznato matematiqko oqekivae m posmatrane raspo-

Naravno, vano je znati svojstva ocena.

Dou granicu disperzije nepristrasnih ocena daje Rao-Kramerova ne-

Metoda maksimalne verodostojnosti moe se primeniti i u sluqaju da

Za nalaee matematiqkog oqekivaa sluqajne promen ive Y = f (X)

za pogodno izabranu vrednost konstante ima priblino normalnu ras-

za neki realan broj c > 0. Metoda moe da se opixe sledeim algoritmom:

i Ii Ij = za i 6= j . Pretpostav ajui nultu hipotezu da su opservirane i

Sliqno prikazuju i sledee dve slike, ali u 3 D.