UNIVERZITET U NOVOM SADU

FAKULTET TEHNIČKIH NAUKA

VEROVATNOĆA I MATEMATIČKA STATISTIKA
FORMULE I TABLICE ZA ISPIT

NOVI SAD 2008.

2 .

2... Međutim. n .... P( B) n Formula totalne verovatnoće: P ( A) = ∑P( A H i ) ⋅ P( H i ) .. pi = P ( X = xi ) = p ( xi ) .x n . i =1... .  X je neprekidnog tipa: Transformacijom Y=g(X) slučajne promenljive X neprekidnog tipa ne mora da se dobije slučajna promenljiva neprekidnog tipa.   .. } X sa zakonom raspodele xn .. i =1 P( H k A) = Bajesova formula: P( A H k ) P( H k ) n ∑P( A H i ) P( H i ) .. y 2 . ako funkcija g ima neprekidan prvi izvod različt od nule tada se transformacijom Y=g(X) slučajne promenljive neprekidnog tipa dobija slučajna promenljiva neprekidnog tipa. p ( x n ) .   ∑ p( yi ) = p(x m ) m yi = g ( xm )  y1 . pa je zakon raspodele Y :   p( y ) 1  y2 p( y2 ) y3 p ( y3 ) .  x2 p2 ∑p( x ) = ∑p i i:xi <x i .... ∫ϕ (t )dt =1... .. 2.. .. y k . p n .. 3 ... i =1 Jednodimezionalna slučajna promenljiva diskretnog tipa: x X :  1  p1 FX ( x) = ... . i:xi <x Jednodimezionalna slučajna promenljiva neprekidnog tipa: ∞ x F X ( x) =P ( X < x) = ∫ϕ (t )dt ....  .VEROVATNOĆA I MATEMATIČKA STATISTIKA Uslovna verovatnoća: PB ( A) = P ( A B ) = P ( AB) . xi ∈ R X .. a TRANSFORMACIJA SLUČAJNE PROMENLJIVE X je diskretnog tipa: Ako je g : R X → R transformacija diskretne slučajne promenljive  x1 X :  p( x ) 1  x2 p( x 2 ) RY = { y1 . k =1... . x −∞ ϕ X ( x) = FX′ ( x) x −∞ u svim tačkama x∈R u kojima je ϕX (x ) neprekidna.   tada je za slučajnu promenljivu Y=g(X) . i =1 n Uopštena formula totalne verovatnoće: P ( B A) = ∑P( B AH i ) ⋅ P ( H i A) .. P ( a < X < b) = b ∫ P ( a ≤ X ≤ b) = P ( a < X ≤ b) = P ( a ≤ X < b) = ϕX ( x) dx = F X (b) − F X (a ) ..

xn . y ) = − ∞ Marginalne gustine ϕX i Uslovne gustine: ϕY ϕY : X =x ( y ) ∞ ∞ − ∞ − ∞ ∫ ∫g (t . neka je M = sup g ( x ) . . p ( y 2 x i ) . i j p ( y j ) = p• j = ij j F XY ( x. yk p( y k ) i . − ∞ ϕ XY ( x.   Uslovne verovatnoće: p ( y j x i ) = P (Y = y j X = x i ) = p ( y j x i ) = P (Y = y j X = x i ) = i ∑ ∑p( x i: xi <x Marginalni zakoni raspodele: X :   p( x ) 1  ∑p( x ... ϕY ( y ) = 0 . ϕY ( y ) =ϕX ( g −1 ( y )) ( g −1 ( y )) ′ .. za m<y<M Dvodimenzionalna slučajna promeljiva diskretnog tipa: { } pij = p ( xi . y ) dy ( x.∞ ) = 1 Y ( y) . . Y X = xi ... za g ′( x) < 0 i m<y<M je FY ( y ) =1 − F X ( g −1 ( y )) . Marginalne verovatnoće: p ( xi ) = pi• = ∑ p( x . y ) . y i j p( x i . a U tom slučaju. a x∈R X FY ( y ) = 0 za y ≤ m ..  .yj) j: y j <y x2 p( x 2 ) j) = ∑p ij i .. y ) =  x1  y1 Y :  p( y ) 1  y2 p( y 2 ) .. ∫dx ∫ϕ dt = ϕ X XY − ∞ ∞ ∫ϕ ( x) = XY ( x. x i ∈R X . ϕ X Y = y ( x) = ϕ X ( x) ϕY ( y ) Uslovne funkcije raspodele: 4 . y ) dx .. Uslovni zakon raspodele: x1  X Y = y j :  p ( x1 y j )  . y ) = ∑ p .. Y = y j ) . ako infimum postoji... y j ) p( x i ) . ako supremum postoji. y j ) = P ( ω ∈ Ω : X (ω) = xi ∧ Y (ω) = y j ) = P( X = xi .inf g ( x) . p ( x i . y j ∈RY . Tada je FY ( y ) = 1 za y ≥ M . za y ≥ M .. ϕ . u )du .. y j ) = p ( x i ) p( y j ) . y ) ϕ XY ( x. ...  .  .  . za y ≤ m . . ∞ ∫ϕ = − ∞ XY ( x.  .   . p ( x n ) .. M = ∞ ako supremum ne postoji. . . ako infinum ne postoji. za g ′( x ) > 0 i m<y<M je FY ( y ) = F X ( g −1 ( y )) ... y j ) =p ( x i y j ) p ( y j ) =p ( y Nezavisnost: j xi ) p( xi ) y2 . neka je m = x∈ R m = −∞ X Dalje. Dvodimenzionalna slučajna promeljiva neprekidnog tipa: y x F XY ( x.   x2 p( x 2 y j ) y1  :   p ( y1 x i ) p ( x i ..... Za oba slučaja gustina ϕY je: ϕY ( y ) = 0 . y j ) p( x i ) p( x i .. y ) dy =F (∞ .

} i verovatnoćama p( z i ) = ∑ p(x . tada je slučajna { promenljiva Z diskretnog tipa sa skupom vrednosti RZ = z1 . z )) . y ) ∉ S  . . −∞ x ∫ϕ −∞ nezavisne ako i samo ako je ϕXY ( x. z )) − ∞ ∂ y ∂ z z dx .y X =x ( y ) = FY ∫ϕY X =x ( y ) dy = −∞ x FX Y =y ( x ) = ∫ ϕX Y =y ( x ) dx = −∞ Slučajne promenljive X i Y neprekidnog 1 ϕX ( x ) 1 ϕY ( y ) tipa su y ∫ϕ XY ( x. XY (t . Dvodimenzionalna slučajna promenljiva neprekidnog tipa ima uniformnu raspodelu u oblasti S ravni xy ako je njena gustina oblika  1  . ϕXZ ( x. Y ) . y ( x. y ) dt . ∞ 2) ∫xϕ E( X ) = X ( x ) dx. ∂ y I Z = g ( X . Transformacija dvodimenzionalne slučajne promenljive diskretnog tipa Ako je Z = g ( X . ∂ z ϕZ ∞ ( z) = ∫ϕXZ ∞ ( x. y ) ∈ S ϕ XY ( x.m g ( xk . v ). y ) = ∂u II U =u ( X . ∂x ∂( x. y ∈R . y ( x. i za slučajnu promenljivu X diskretnog tipa.. ∂y ∂v . y) =  m(S )  0 . Y ) . Transformacija dvodimenzionalne slučajne promenljive neprekidnog tipa Transformacijom slučajne promenljive neprekidnog tipa ne mora da se uvek dobije slučajna promenljiva neprekidnog tipa. t ) dt . y ) k m k . z 2 . v ) =ϕXY ( x (u . v) ∂u ϕUV (u . Jakobijan J = ∂y ∂(u . za slučajnu promenljivu X neprekidnog tipa. FZ ( z ) = ∫ϕZ (t ) dt . z ) dx = − ∞ ∫ϕXY ( x.. gde je sa m(S ) označena površina oblasti S. z ) =ϕXY ( x. BROJNE KARAKTERISTIKE JEDNODIMENZIONALNE SLUČAJNE PROMENLJIVE Matematičko očekivanje (očekivanje. v )) J −∞ ∂x ∂v ≠ 0 . očekivana vrednost) slučajne promenljive X je broj E ( X ) definisan sa: 1) E( X ) = ∑x i p ( x i ). V = v ( X . ym ) = zi . ( x. ( x.Y) diskretnog tipa u R. Y ). − ∞ Disperzija: D ( X ) = E ( X − E ( X )) 2 = E ( X 2 ) − E ( X ) 2 . y ) = ϕX ( x )ϕY ( y ) za sve x. 5 . y (u . Y ) je transformacija slučajne promenljive (X.

. Regresija Y po X : {( x i . ( x ) dx − ∞ Moment reda 1 je matematičko očekivanje. Y ) je neprekidnog tipa. ako je X neprekidnog tipa. j Regresija X po Y : { ( E ( X Y = y j ). Modus mσ slučajne promenljive X je ona vrednost iz R X : a) za koju važi p (mσ ) > p ( x i ) .. Koeficijent korelacije ρ XY : ρXY = cov( X *. Centralni moment reda k: s k = E (( X − E ( X )) k . E (Y )) E ( X 1 . Ako su X i Y nezavisne slučajne promenljive tada je regresija: 6 . Y ) =( D ( X ). Y ) dvodimenzionalna slučajna promenljiva diskretnog tipa.Standardizovana (normalizovana) slučajna promenljiva: X * = mk = E ( X k ) = Moment reda k: ∑x k i p ( xi ). Uslovno matematičko očekivanje za X. i = σ +1. X n ) = ( D( X 1 ). D ( X 2 ). D( X ) > 0 . i = σ −1 . y j ). Uslovno matematičko očekivanje za X. ako je X diskretnog tipa.ako je ( X . ako je X diskretnog tipa. D (Y )) D( X 1 .. ako je Y=yj: E( X Y = y j ) = ∑x p( x i i 1 p( y j ) yj) = i ∑x p( x . j ako je ( X . Funkcija y = r2 ( x ) = E (Y X = x ) je regresija Y po X. E ( X 2 ). Disperzija: D ( X . ako je X neprekidnog tipa. y ) dy . II) Neka je ( X .. X 2 . y ) dy k .. D(Y ) > 0 . ako je X=xi: E (Y X = xi ) = ∑y j p ( y j xi ) = j 1 p ( xi ) ∑y j p ( xi . Medijana: P ( X < m c ) = P ( X > m c ) . −∞ Uslovno matematičko očekivanje za Y ako je X=x: ∞ yϕ Y ∫ E (Y X =x ) = X= x 1 ϕX ( x ) ( y ) dy = − ∞ ∞ ∫yϕ XY ( x.... X n ) = ( E ( X 1 ).. E ( X n )) . i Uslovno matematičko očekivanje za Y. BROJNE KARAKTERISTIKE VIŠEDIMENZIONALNE (DVODIMENZIONALNE) SLUČAJNE PROMENLJIVE: Matematičko očekivanje: E ( X . . b) za koju gustina ϕX (x ) ima lokalni maksimum. −∞ Funkcija x = r1 ( y ) = E ( X Y = y ) se zove regresija X po Y. i ∞ k m k =E ( X ) = ∫x k ϕX X −E( X ) D( X ) . ( E (Y X = x i )): x i ∈ R X } . y j ) . y j ): y j ∈RY } . Y ) =( E ( X )... y ) dx .. Disperzija je centralni moment reda 2. ako je Y=y: ∞ ∫xϕ E ( X Y =y ) = X Y= y 1 ϕY ( y ) ( x ) dx = − ∞ ∞ ∫xϕ XY ( x. X 2 . Y ) dvodimenzionalna slučajna promenljiva neprekidnog tipa. Y *) = E ( XY ) − E ( X ) E (Y ) D( X ) D (Y ) .. I) Neka je ( X .. Y ) je diskretnog tipa. D ( X n )) .. k mkn =E ( X Y n ∞ ∞ − ∞ − ∞ ) = ∫dx ∫x y nϕ XY ( x . m = E( X k Y n ) = Mešoviti moment mkn : kn ∑ ∑x i k i y nj p ( x i .. y i j) i .

σ 2 ) raspodelu tada X n ima normalnu N ( m. 0 < p <1 . konačno matematičko očekivanje E ( X n ) = a ∈ R ..tada je lim P ( ∑X n →∞ −n ⋅a 1 < x) = s n { Xn } II Teorema Muavr-Laplasa: Ako je dat niz i i =1 2ππ x ∫e − t2 2 dt .za svako x ∈ R . p ) raspodelu . X n ) ≥ ε ) = 0 .. X n ) je centrirana ocena za τ(θ) ako je E (u ( X 1 . 2.. III Ako slučajna promenljiva X ima χn2 –raspodelu.. X 2 . n .. prave. 7 .... k = 0.. II b y = r2 ( x ) = E (Y ) . n ∈ N . X n ) je postojana (stabilna) ocena za τ(θ) ako je lim P ( τ (θ ) − u ( X 1 . odnosno ε2 .. X 2 . za svako x ∈ R . x = E ( X ) + ρ XY ( y − E (Y )) .. .. X (ω) ≥ 0 ) E( X 2 ) postoji E ( X 2 ) . n ∈ N . 1. X n )) =τ (θ) . −∞ nezavisnih slučajnih promenljivih. Ib { ( xi .. U tom slučaju jednačine regresionih pravih su σ (Y ) σ( X ) y = E (Y ) + ρ XY ( x − E ( X )) . tada za svako ε > 0 važi P ( X ≥ ε ) ≤ P( X − E ( X ) ≥ ε ) ≤ D( X ) ε2 . II a x = r1 ( y ) = E ( X ) . y j ) }.Ia { ( E ( X ).. tj. n ∈ N i konačnu disperziju n D( X n ) = s 2 ∈ R + . X 2 . Linearna korelacija: Za slučajne promenljive X i Y se kaže da su linearno korelirane ako su njihove regresije linearne funkcije. E (Y )) }... za svako ε > 0 . X 2 . −∞ Ako slučajna promenljiva Y ima binomnu B ( n. σ2 n ) raspodelu. q =1 − p p  n lim P ( ∑X i − np i =1 n →∞ < x) = npq x 1 ∫e 2π − t2 2 dt . −∞ MATEMATIČKA STATISTIKA Ako obeležje X ima normalnu N ( m. CENTRALNE GRANIČNE TEOREME I Ako je dat niz { Xn } nezavisnih slučajnih promenljivih pri čemu svaka slučajna promenljiva X n datog niza ima istu raspodelu. tada za dovoljno veliko n ∈ N važi približna jednakost P (Y = k ) ≈ 1 npq 2π e − ( k −np ) 2 2 npq . n →∞ Ocena U = u ( X 1 .. OCENE PARAMETARA Ocena U = u ( X 1 . pri čemu svaka 0 slučajna promenljiva datog niza X n ima istu Bernulijevu raspodelu X n :  q  . tada za svako x ∈ R važi: lim P ( n →∞ X −n 2n < x) = 1 2π x ∫e − t2 2 dt . σ( X ) σ (Y ) Nejednakost Čebiševa: Ako za nenegativnu slučajnu promenljivu X (za svako ω ∈ Ω ... tada je 1  .

.. o verovatnoći u Bernulijevoj B(p) raspodeli Nađemo brojeve εα = k − np 0 np 0 (1 − p 0 ) * −1 i ε α = Φ (1 − α ) (kritična vrednost).. 5. a = Φ −1 ( <m< Xn + aS n n −1 ) = β . a = Φ −1 ( 1+ β ). θ) 2 za slučajnu promenljivu ) ϕ( x. n n 2 3. σ 2 ) raspodelom kada je m poznato: Jednostrani interval poverenja dobija se slično kao u 4: ~ ~ nS n2 nSn2 2 za . X n ) je asimptotski centrirana ocena za τ(θ) ako je lim E (u ( X 1 ... n →∞ Nejednakost Rao Kramera: (τ ′(θ)) 2 D(U ) ≥ n ∑( k ∂ ln p ( x k . X 2 . 8 . σ 2 ) aσ aσ 1+ β ). Interval poverenja za nepoznatu verovatnoću p u Bernulijevoj B(p) raspodeli: Interval poverenja je P( U1 < p < U 2 ) = β . b b ~ ~ ~ nS n2 nS n2 nS n2 2 2 Dvostrani interval poverenja dobija se P ( <σ < ) = β za σ .a P (0 < ξ < )=β σ P (0 < σ < ) = β za σ . σ 2 ) raspodelom gde je σ 2 poznato: P ( X n − raspodelom gde je σ 2 nepoznato: P ( X n − <m< Xn + aS n n −1 ) = β . θ) 2 za slučajnu promenljivu ) p ( x k . θ) ∂θ X diskretnog tipa. X n )) = τ (θ ) . (τ′(θ)) 2 D (U ) ≥ ∞ n ∫( −∞ ∂ln ϕ( x. X 2 . Interval poverenja za nepoznatu disperziju σ 2 obeležja X sa normalnom N (m. a ako je ε α < ε α* hipotezu H( p = p 0 ) ne odbacujemo. nS n2 ) = β za a σ Dvostrani interval poverenja: nS n2 nS n2 nS n2 2 P( <σ < ) = β je dvostrani interval poverenja za σ 2 . 2 4. gde su statistike U1 i U 2 dobijene rešavanjem po p kvadratne jednačine ( n 2 + a 2 n) p 2 + ( −2 Kn − a 2 n) p + K 2 = 0 . 2. Hipoteza H( p = p 0 ). a P(0 < σ < b nS n2 ) = β za b σ . θ) dx ∂θ X neprekidnog tipa. Interval poverenja za matematičko očekivanje m obeležja X sa normalnom N (m. Ako je ε α ≥ ε α* hipotezu 2 H( p = p 0 ) odbacujemo.. a P ( <σ < b a b 2 za σ ~ nS n2 )=β a . 1. 1...Ocena U = u ( X 1 . a P ( <σ < b a b . Interval poverenja za matematičko očekivanje m obeležja X sa normalnom N (m. Interval poverenja za nepoznatu disperziju σ 2 obele`ja X sa normalnom N (m. σ 2 ) raspodelom kada je m-nepoznato: Jednostrani interval poverenja: P (0 < ξ 2 < nS n2 ) = β je jednostrani interval poverenja za σ 2 .

k ( n m − np m ) 2 i ako je np m m =1 ∑ χ α* > χ 02 hipotezu H 0 : F ( x ) = F0 ( x ) ne odbacujemo. Hipoteza H (σ 2 = σ 02 ) o disperziji σ 2 . Uporedimo vrednosti χα i χ0 = α .03 1 2π .02 . x n ) nalazimo χ0 = Ako je α k ( n m − np m ) 2 . σ 2 ) raspodeli ako je σ 2 nije poznato Nađemo brojeve εα = x n − m0 sn n − 1 i ε α* = F −1 (1 − α ) .Ako je ε α ≥ ε α* hipotezu H (σ 2 = σ 02 ) odbacujemo. σ 2 ) raspodeli ako je σ 2 poznato x n − m0 α n i ε α* = Φ −1 (1 − ) . χα* ≤ χ 02 hipotezu H 0 : F ( x ) = F0 ( x ) odbacujemo. Nađemo vrednost χ*α iz tablica za χ raspodelu.. a ako je ε α < ε α* hipotezu H (σ 2 = σ 02 ) ne odbacujemo.08 . np m m =1 ∑ unapred zadat prag značjanosti tada postupamo na sledeći način: 2 1. σ 2 ) raspodeli ako je m nepoznato Nađemo brojeve ε α = ns n2 σ 02 i ε α* = F −1 (1 − α ) . σ 2 ) raspodeli ako je m poznato Nađemo brojeve ε α = n~s n2 σ 02 i εα* = F −1 (1 − α ) .Ako je ε α ≥ ε α* hipotezu H ( m = m0 ) Nađemo brojeve ε α = ξ odbacujemo. u normalnoj N ( m. a ako je 2 ε α < ε α* hipotezu H ( m = m 0 ) ne odbacujemo..Ako je ε α ≥ ε α* hipotezu H (m = m0 ) 2 odbacujemo. Pirsonov χ2 -test 2 Na osnovu realizovanog uzorka ( x1 .Ako je ε α ≥ ε α* hipotezu H (σ 2 = σ 02 ) odbacujemo. 5.00 .05 . a ako je ε α < ε α* hipotezu H ( m = m0 ) ne odbacujemo. Hipoteza H ( m = m 0 ) o matematičkom očekivanju m u normalnoj N ( m..07 .04 x ∫e − t2 2 dt −∞ . Hipoteza H(m = m0 ) o matemati~kom očekivanju m u normalnoj N ( m.. Hipoteza H (σ 2 = σ 02 ) o disperziji σ 2 . a ako je ε α < ε α* hipotezu H (σ 2 = σ 02 ) ne odbacujemo. Statističke tablice Normalna raspodela : Φ( x ) = x .09 9 . Ova vrednost se na neki način može shvatiti kao dozvoljeno odstupanje pri zadatom pragu značajnosti 2 * 2.2.06 . x 2 . u normalnoj N ( m.01 . 4. 3.

1 27.8577 .9591 .84 9.2 18.6 1.9332 .5478 .6700 .9564 .9986 .9974 .9955 .9979 .8413 .6255 .9761 .9893 .9984 .49 4.9964 .9115 .9982 .9279 .7823 .4 2.1 30.100 .8212 .6879 .9830 .9032 .9991 .9979 .9938 .3 29.69 2.9608 .6664 .9987 .9131 .8599 .6 14.8508 .9992 .216 .5 19.9943 .89 6.8554 .99 7.8438 .9985 .9991 .35 7.6985 .9993 .9998 χ2 .9251 .3 28.9988 .0000 .9976 .9484 .38 9.9357 .6 5.5 26.0 1.60 3.0158 .3 2.7 29.6554 .8 1.9996 .8023 .9997 .9993 .8 .6293 .9887 9913 .9 23.5438 .872 1.6443 .5557 .17 2.5 20.20 2.36 4.9992 .5 16.9931 .9997 .2 27.31 11.7995 .8997 .9929 .8 .92 2.9936 .8106 .1 2.584 1.5 24.58 8.6 26.74 5.900 2.8686 .6 25.7054 .9875 .8186 .9994 .34 7.9993 .7 1.9750 .9963 .35 6.9495 .0 13.9987 .9706 .9996 .26 4.5714 .63 6.58 6.9821 .0 21.0 20.65 2.57 5.9945 .3 13.8729 .5793 .9981 .30 7.21 1.01 5.7019 .500 .63 .24 1.34 1.9941 .45 4.9345 .9994 .8340 .352 .25 7.554 .16 .07 4.3 3.79 8.9686 .575 1.7422 .33 3.0201 .9968 .61 .831 1.9995 .23 5.9641 .8485 .9901 .025 .7794 .5040 .3 18.40 5.9505 .750 1.8 2.6736 .995 7.8 18.5 2.9633 .9850 .9991 .9864 .9967 .7 21.24 .9370 ..6 2.1 .6772 .6844 .9974 .9890 .5871 .8051 .26 5.250 .0717 .7454 .7517 .9292 .2 .8389 1.2 11 12 13 14 15 2.9664 .2 17.2 2.9099 .3 11.7611 .0000 .9756 .8 14.04 7.9649 .5239 .9803 .0 17.9989 .9582 .3 24.9783 .32 2.9772 .9744 .9994 .7967 .9898 .207 .64 2.83 3.9904 .8980 .9925 .9842 .8869 .9082 .71 4.5 .9 15.8708 .5 19.3 .9066 .4 16.9726 .7389 .9985 .5832 .5987 .9982 .81 6.9983 .9994 .3 19.975 5.9973 .9382 .9940 .9162 .1 .9861 .8770 .1 12.8849 .3 32.0100 .8264 .5948 .9995 .8810 .9463 .94 2.2 1.9871 .9946 .3 15.9990 .7881 .050 .5517 .9997 .55 7.297 .0506 .9952 .04 10.02 7.2 11.67 .9812 .9986 3.9306 .84 5.9980 .5319 .87 3.8907 .3 22.34 8.14 5.9207 .9948 .9854 .8133 .34 9.484 .81 9.9767 2.9987 .7 23.2 3.8315 .7 14.5080 .9997 .9319 .0 .3 13.9808 .raspodela x n t −1 − 2 2 t e 0 n n 2 2 Γ( ) F ( x) = ∫ dt 2 n F 1 2 3 4 5 .11 4.82 4.3 13.9995 .0 12.3 10 .56 1.9959 .9236 .0 2.25 5.35 .9977 .455 1.9920 .7910 .9990 .6179 .8 32.8 16 5.9678 .9992 .3 14.9515 .9997 .60 3.8962 .9838 .9406 .78 9.9881 .9599 .9996 .7580 .9997 .4 14.6331 .7190 .6 12.6628 .6915 .005 .9956 .6406 .5910 .7 6 7 8 9 10 .61 6.5120 .6480 .5000 .7 25.0 10.711 .7764 .9909 .9997 .7704 .3 1.2 11.88 10.9147 .9995 .0 34.211 .8159 .9535 .115 .1 21.9192 .9962 .9927 .7088 .9989 .37 3.24 1.9 18.010 .8643 .9778 .9993 .0000 .7123 .6950 .5359 .90 6.9984 .7 16.6103 .9971 .5 20.3 14.9265 .9857 .9916 .8749 .9960 .9826 .9918 .9394 .676 .7486 .9 .412 .07 5.9970 .102 .9798 .9997 .7673 .4 .6808 .5596 .9817 .1030 .9966 .9997 .17 4.6064 .9625 .9656 .8 31.7549 .5636 .950 3.8 21.9961 .73 2.57 4.21 11.9429 .8888 .9949 .1 1.989 1.7939 .9972 .1 18.1 15.07 3.15 .25 1.8365 .9997 .96 9.9616 .9441 .8925 .9922 .9990 .0 22.9878 .39 6.9525 .9996 .9994 .3 19.9 .5 10.9474 .57 4.9793 .9988 .9693 .05 3.7324 .18 2.9834 .5398 .990 6.9896 .09 2.9 16.6517 .6591 .91 7.77 4.8944 .8621 .8 28.9671 .9951 .4 23.9932 .9934 .9906 .9992 .5675 .4 1.73 3.1 .0 3.0 23.4 23.63 9.7 26.7291 .8289 .8461 .9713 .9732 .0039 .44 9.9788 .9995 .7157 .9868 .30 10.7257 .9554 .7 2.9953 .57 7.6217 .9719 .70 3.4 12.8830 9015 .9545 .5753 .9911 .1 3.6 .5279 .9977 .9996 .9846 .9573 .5 1.35 11.9049 .5 16.9177 .2 22.39 2.8238 .9 .8 16.3 12.9978 .6 12.9222 .0 17.9957 .7852 .6026 .8078 .8665 .9996 .11 5.7 26.5160 .8531 .9452 .4 .9995 .6141 .06 1.9884 .9989 .6368 .9981 .7734 .7 .9975 .5199 .9738 .9699 .9969 .9965 .7224 .7357 .7642 .8790 .23 3.49 11.9418 .

6 24.1 41.5 36.9 30.2 11.84 7.1 31.8 15.70 6.63 8.9 35.2 14.3 26.9 13.9 40.3 17.1 39.7 37.6 30.6 36.90 .2 33.4 40.6 28.0 13.75 .9 39.6 43.5 17.5 16.975 .1 11.1 13.2 31.8 26.9 11.8 32.5 16.3 29.6 14.8 12.6 12.2 44.7 14.6 47.0 21 22 23 24 25 8.4 31.67 9.9 26 27 28 29 30 11.0 45.8 13.5 25.2 45.9 26.0 52.9 34.1 13.9 48.9 19.7 35.7 18.3 17.2 12.5 45.8 15.8 20.6 38.6 20.4 34.1 28.2 10.3 49.7 23.3 11.2 37.6 40.995 .4 27.26 6.4 16.5 10.59 8.8 21.91 9.8 24.6 15.7 12.2 16.5 13.7 16.56 8.9 43.0 16.4 42.3 20.8 14.2 36.3 22.2 38.7 Studentova t-raspodela Γ( t F (t ) = ∫ −∞ n 1+n ) 2 n x2 nπ Γ( )(1 + ) 2 n n +1 2 dx F .90 9.5 32.0 11.7 37.3 15.1 10.1 10.0 48.8 12.03 8.3 53.5 32.8 35.5 8.9 40.3 29.3 38.7 33.4 12.3 18.01 7.8 36.9 17.9 10.8 44.9 11.3 21.0 27.41 7.7 23.8 41.3 28.6 13.7 47.99 .2 18.26 7.0 14.64 9.3 16.3 27.6 51.5 21.9 20.4 37.0 19.3 24.3 24.6 15.43 6.2 28.39 10.3 41.1 40.3 18.17 18 19 20 5.8 38.6 33.4 30.7 22.3 13.3 42.8 14.0 27.89 10.1 18.3 19.3 23.1 19.23 8.95 .2 29.3 41.3 30.2 34.7 12.6 35.26 9.0 44.4 13.3 49.6 46.6 22.0 33.54 10.6 50.9995 11 .7 34.4 32.6 43.

686 .690 .041 4.756 2.807 2.306 2.319 1.00 2.021 2.998 2.9994 0.9993 0.2236 0.9995 0.72 1.35 1.779 2.708 1.9531 0.741 .055 3.9950 2.977 2.703 1.965 4.015 1.819 3.711 .325 1.01 1.345 1.250 3.397 1.959 5.883 3.73 0.650 2.37 1.717 1.38 1.965 3.015 3.000 1.383 1.353 2.042 2.36 1.0005 0.457 2.476 1.697 .683 1.485 2.9996 12 .36 0.363 1.499 3.182 2.583 2.704 2.896 2.048 2.086 2.71 0.03 1.776 2.703 .725 2.677 .7508 0.796 1.080 2.671 1.093 2.073 4.67 0.289 1.707 3.943 1.689 .960 2.947 2.01 2.101 2.373 3.316 1.7704 0.587 11 12 13 14 15 16 17 18 19 20 .706 4.679 .711 1.314 1.841 4.120 2.674 1.160 2.714 1.859 5.110 2.9995 0.327 6.179 2.35 0.645 2.725 3.7300 0.356 1.660 2.132 2.831 2.684 .718 2.310 1.860 1.9938 0.980 1.782 1.479 2.66 0.415 1.821 2.850 21 22 23 24 25 26 27 28 29 30 .9929 0.69 1.303 1.571 2.2722 0.39 0.898 2.697 2.056 2.9478 0.701 1.341 1.303 3.330 1.567 2.7608 0.816 .690 3.32 0.333 1.9449 0.0003 0.694 .060 2.460 3.658 1.462 2.337 1.695 .2888 0.687 1.604 4.674 3.767 3.05 0.440 1.68 0.70 1.3055 1.706 1.0002 0.311 1.7406 0.518 2.539 2.7798 1.221 4.691 .405 5.657 9.681 .692 .05 0.740 1.9946 0.262 2.064 2.1 2 3 4 5 6 7 8 9 10 1.707 3.02 2.746 1.753 1.423 2.797 2.00 1.646 40 60 120 .684 1.70 0.000 .467 2.71 1.315 1.886 1.313 1.052 2.012 2.365 3.765 .34 0.9505 0.296 1.878 2.437 4.617 2.355 3.140 4.763 2.473 2.318 4.552 2.321 1.895 1.492 2.2558 0.729 1.602 2.34 1.792 3.734 1.508 2.04 1.681 2.700 3.745 3.781 4.318 1.528 3.9994 0.821 6.750 3.282 1.812 12.683 .291 ∞ Raspodela λ Kolmogorov-Smirnova Q (λ) = ∞ (− 1) ∑ k 2 2 e −2 k λ k =−∞ λ Q (λ) λ Q (λ) λ Q (λ) λ Q (λ) λ Q (λ) λ Q (λ) 0.131 2.685 .551 3.925 5.500 2.0000 0.761 1.541 3.03 2.328 1.106 3.684 .358 2.721 1.9942 0.365 2.045 2.233 1.771 2.9556 0.9934 0.598 12.074 2.819 2.143 2.688 .228 31.861 2.078 1.0001 0.659 3.314 2.718 .447 2.699 1.576 3.610 6.2396 0.9580 1.771 1.684 .390 2.201 2.688 .69 0.02 1.638 1.533 1.685 .68 1.921 2.922 3.941 8.326 2.845 4.706 .0008 0.145 2.33 0.350 1.764 63.920 2.032 3.747 3.727 .619 31.683 .169 636.04 2.833 1.787 2.37 0.686 .624 2.069 2.

7191 1.3560 0.0200 0.79 1.9206 0.88 1.0000 PRILOG 1 Šematski prikaz karakteristika nekih slučajnih promenljivih Raspodele diskretnog tipa Naziv p (k ) Prostor E( X ) D( X ) k (t ) 13 .9997 0.5645 0.12 2.56 1.8399 0.4064 0.64 0.0503 0.0028 0.9387 0.0361 0.41 0.99 0.1357 0.7976 0.9888 0.0019 0.31 1.44 1.9924 1.24 1.2080 0.9986 0.44 0.87 1.13 2.16 1.58 0.9999 0.51 1.96 1.08 2.60 1.1927 0.15 1.8374 0.95 1.47 1.9979 0.41 1.9283 0.9999 0.66 1.81 1.9999 1.9991 0.4230 0.9998 0.9980 0.9646 0.9354 0.80 0.9734 0.9121 0.7079 0.60 0.16 2.9855 0.49 0.0300 0.28 1.25 1.9826 0.79 0.1104 0.0772 0.55 0.9999 0.9750 0.63 0.9988 0.9665 0.83 1.55 1.57 1.9991 0.78 1.9990 0.59 1.7889 0.6601 0.20 1.9791 0.9993 2.78 0.96 0.08 1.9764 0.15 2.92 0.17 2.9999 0.94 1.76 0.81 0.9962 0.42 1.9684 0.85 0.9999 0.9864 0.4559 0.30 1.85 1.6473 0.8445 0.89 1.9996 0.42 0.4720 0.57 0.9997 0.9983 0.26 2.6846 0.21 2.9953 0.75 0.88 0.48 0.0074 0.0097 0.97 0.29 1.18 1.9076 0.9914 0.28 2.40 0.46 0.27 1.9998 0.52 1.0876 0.3728 0.43 0.6964 0.72 0.54 0.53 0.9702 0.51 0.46 1.14 1.6209 0.1632 0.59 0.8765 0.11 1.6073 0.9815 0.9164 0.0675 0.9956 0.99 0.29 2.62 0.5791 0.10 1.9971 0.48 1.27 2.9836 0.54 1.8930 0.87 0.6725 0.9987 0.8981 0.9718 0.91 1.9902 0.9846 0.77 1.9625 0.3223 0.8644 0.91 0.11 2.23 1.9999 0.0987 0.98 1.58 1.40 1.9880 0.8823 0.61 0.49 1.56 0.89 0.9998 0.84 1.9992 0.73 0.94 0.77 0.0126 0.5497 0.9996 0.8061 0.50 1.1228 0.65 1.9989 0.23 2.4880 0.18 2.61 1.9996 0.62 1.95 0.9998 0.93 0.09 1.93 1.14 2.9895 0.50 0.9973 0.30 2.63 1.92 1.9919 0.74 0.24 2.52 0.9997 0.9418 1.43 1.9998 0.39 0.84 0.33 0.9981 0.90 0.9999 0.45 0.86 1.9965 0.9967 0.1778 0.12 1.0055 0.10 2.98 0.0013 0.0585 0.74 1.53 1.9803 0.82 0.45 1.9908 0.8223 0.47 0.9245 0.0040 0.9778 0.9985 0.75 1.86 0.19 1.9975 0.21 1.13 1.07 1.22 2.22 1.90 1.4395 0.5933 0.9999 0.9969 0.0160 0.9999 0.5194 0.9873 0.9999 0.82 1.9999 0.9999 0.17 1.6343 0.9997 0.5038 0.8580 0.8877 0.06 2.0.19 2.9603 0.26 1.38 0.8514 0.3896 0.83 0.25 2.97 1.80 1.0247 0.3391 0.20 2.65 0.8143 0.67 0.06 1.64 1.8706 0.31 0.9959 0.07 2.5347 0.9319 0.09 2.76 1.1492 0.0428 0.9984 0.9977 0.9030 0.32 1.

} k ∈{ 0. .. q =1 − p k ∈{ 0.raspodele Bernulijeva raspodela B(p) Binomna raspodela B(n. n } e λ( e it −1) Raspodele neprekidnog tipa Naziv raspodele ϕ( x ) ≠ 0 Prostor param. 1. n } λk Puasonova raspodela p (k ) = P(λ) Geometrijska raspodela G(p) p ( k ) = pq k −1 e −λ k! k ∈{ 0. b] ⊂ R a+ b 2 ( b − a) 2 12 eitb − eita it( b − a) 14 . 1...p) parametara p ( k ) = p k q 1−k k ∈ { 0.. 2. E (X ) D (X ) k(t) Uniformna U(a.. 1.b) 1 b−a [a. ... . 1 }  n  k n− k p(k =)   p q  k 0 < p <1 q =1 − p p pq q + pe it n ∈N np npq ( q + pe it ) n λ>0 λ λ 0 < p <1 q =1 − p 1 p p pe it q2 1 − qe it 0 < p <1 ..

β) Lognormalna L (µ. x≤0 1 − (ln x − µ ) 2  1 2σ 2 e . 1  β (Γ(β + 2α  α  − Γ2 (1 + α−1 )) −α 2 2 e 2 µ+ 2 σ −e 2 η+σ −1) ) 2 raspodelu karakteristična funkcija k(t) je 15 . β > 0 βΓ1 + . σ2 ) 1 σ 2π e − ( x −m ) 2 2σ 2 m∈ R . Vejbulovu i Lognormalnu komplikovana. te nije navedena u tablici. x >0   α > 0. n−2 n>2 n 2n e itm e σ 2t 2 − 2 x∈ R Normalna N (0. b) Normalna N ( m. n>1 n .x∈(a.1) 1 2π − e x2 2 − e t2 2 x∈ R Eksponencijalna E(a) ae−ax x>0 n+1 ) 2 n+1 n x2 nπΓ( )(1+ ) 2 n∈ N 2 n a a − it Γ( Studentova tn x∈ R n x −1 − x2 e 2 Hi-kvadrat χ2 n n n 22 Γ( ) 2 n∈ N (1 − 2it) − n 2 x>0 Vejbulova V (α. σ2 )  α α −1 − ( βx ) α  α x e β  0  . σ > 0 µ+ 2  2πσx e  0 . σ >0 m σ2 - 0 1 a>0 1 a 1 a2 0. x>0  σ2 µ ∈ R. x≤0  Za Studentovu.

Sign up to vote on this title
UsefulNot useful