Atlas Raspodela

ATLAS
RASPODELA
Dragan ori
Fakultet organizacionih nauka, Beograd
Vesna Jevremovi
Matematiqki fakultet, Beograd
Jovan Malixi
Matematiqki fakultet, Beograd
Emilija Nikoli-ori
Pooprivredni fakultet, Novi Sad
BEOGRAD
2007
dr Dragan ori, dr Vesna Jevremovi,

dr Jovan Malixi, mr Emilija Nikoli-ori
ATLAS RASPODELA
Izdavaq
Graevinski fakultet
, Beograd
Recenzenti
, Matematiqki fakultet, Beograd

dr iana Petrovi, Ekonomski fakultet, Beograd
dr Pavle Mladenovi
2007, Autori i Graevinska kiga
Autori zadravaju sva prava. Reprodukovae (fotokopirae ili umnoavae na bilo koji naqin) ili objavivae sadraja ove kige (u celini ili
u delovima) nije dozvoeno bez izriqite pismene saglasnosti autora.
CIP
Katalogizacija u publikaciji
Narodna biblioteka Srbije, Beograd

519.213
ATLAS raspodela / Dragan ori ... [i dr.].
Beograd: Graevinski fakultet, 2007 (Petrovaradin: Alfagraf).
XIV , 376 str., ilustr., 25cm
Tira 400. - Napomene uz tekst.
Bibliografija: str.372-376.
ISBN 9788675180777
1. ori, Dragan
a) Teorija verovatnoe
COBISS.SR-ID 142358284
SADRAJ
Predgovor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
IX
Spisak nekih oznaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
XI
Neprekidne raspodele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Neprekidne sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Tip raspodele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Familije raspodela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Osnovne numeriqke karakteristike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Momenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Mere asimetrije i sp oxtenosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Entropija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Karakteristiqna funkcija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Generatrisa momenata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Ocene parametara . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Transformacija sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . 14
Modelirae sluqajnih promen ivih . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Testovi saglasnosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Grafiqke metode ispitivaa saglasnosti . . . . . . . . . . . . . . . . . . . . . 18
Opis raspodela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1
2
3
4
5
Arkussinus [ASS1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Arkussinus [AS1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Arkussinus [ASS2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Arkussinus [AS2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Beta [B2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
23
25
28
30
iv
Sadraj
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
Beta [B4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Beta prim [BP (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Bradfordova [BR(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Burova - tip II [BU 2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Burova - tip III [BU 3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Burova - tip IV [BU 4(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Burova - tip V [BU 5(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Burova - tip V I [BU 6(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Burova - tip V II [BU 7(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Burova - tip V III [BU 8(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Burova - tip IX [BU 9(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Burova - tip X [BU 10(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Burova - tip XI [BU 11(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Burova - tip XII [BU 12(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Vejbulova [W1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Vejbulova [W2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Vejbulova [W3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Vejbulova [W4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Vejbulova - negativna [W N (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Vejbulova - dvostrana [W D(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Vejbulova - eksponencijalna [W E(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . 84
Vejbulova - uopxtena [W U (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Vejbulova - eksponencijalizovana [W EX(a, b, c)] . . . . . . . . . . . . . . 88
Vejbulova - modifikovana [W M (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . 89
Vejbulova - zaseqena [W Z(a, b, c, , )] . . . . . . . . . . . . . . . . . . . . . . . . . 90
Vejbulova - zaseqena [W ZL(a, b, c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Vejbulova - zaseqena [W ZD(a, b, c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Gama [G1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Gama [G2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Gama [G3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Gama - zaseqena [GZ1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Gama - zaseqena [GZ2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Sadraj
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
Gilbratova [GL] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

Gumbelova [GU ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Gumbelova negativna [GU N ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Gumbelova [GU 1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Gumbelova [GU 2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Gumbelova - zaseqena [GU 2Z(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Eksponencijalna [E] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Eksponencijalna [E1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Eksponencijalna [E2 (, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Eksponencijalna - zaseqena [EZ(, T )] . . . . . . . . . . . . . . . . . . . . . . . . 129
Eksponencijalna [ES(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Erlangova [ER1(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
Erlangova [ER2(n, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
Erlangova [ER3(n, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
Zipf [Z(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
Inverzna gama [IG(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Inverzna Gausova [IG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
Inverzna Gausova [IG2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Inverzna Relejeva [IR(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Inverzna hi kvadrat [I2 (n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Inverzna hi kvadrat [I2 (n, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Koxijeva - standardna [C] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Koxijeva - zaseqena [CZ1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
Koxijeva - zaseqena [CZ2(T )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
Koxijeva [C1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
Koxijeva [C2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
Koxijeva [C4 (a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Kosinus [COS1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
Kosinus [COS2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Kosinus [COS3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Kumarasvamijeva [KM (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
Laplasova [L1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
vi
Sadraj
70 Laplasova [L2 (, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

71 Laplasova - asimetriqna [LA1(a, 1 , 2 )] . . . . . . . . . . . . . . . . . . . . .
72 Laplasova - asimetriqna [LA2(, p, a)] . . . . . . . . . . . . . . . . . . . . . . .
73 Laplasova - asimetriqna [LA3(, a)] . . . . . . . . . . . . . . . . . . . . . . . . .
74 Laplasova - asimetriqna [LA4(, p, a)] . . . . . . . . . . . . . . . . . . . . . . .
75 Laplasova - asimetriqna [LA5(, p)] . . . . . . . . . . . . . . . . . . . . . . . . .
76 Laplasova - zaseqena [LZ1(, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . .
77 Laplasova - zaseqena [LZ2(, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . .
78 Laplasova - uopxtena [LU (, p, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . .
79 Levijeva [LV (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80 Logaritamska [LOG1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83 Log-gama [LGG1(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84 Log-gama [LGG2(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85 Logistiqka - standardna [LG] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86 Logistiqka - zaseqena [LGZ1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87 Logistiqka - zaseqena [LGZ2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88 Logistiqka - zaseqena [LGZ3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . .
89 Logistiqka [LGS(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90 Logistiqka - zaseqena [LGZ(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91 Logistiqka [LG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92 Logistiqka [LG2(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93 Logistiqka [LG3(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94 Logistiqka [LG4(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95 Logistiqka [LG5(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96 Logistiqka - zaseqena [LG5Z1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97 Logistiqka - zaseqena [LG5Z2(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . .
98 Logistiqka - zaseqena [LG5Z3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . .
99 LogKoxijeva [LK(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
100 Loglogistiqka [LLG1(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
101 Loglogistiqka [LLG2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
174
178
180
182
184
186
188
189
191
193
195
197
199
201
204
205
208
210
211
213
217
219
221
223
225
228
231
233
234
235
236
237
Sadraj
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
vii
Loglogistiqka [LLG3(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238

Lognormalna [LN2 (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
Lognormalna [LN3 (m, 2 , c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
Lognormalna [LN4 (m, 2 , c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
Lognormalna - uopxtena [LN U (m, 2 , a)] . . . . . . . . . . . . . . . . . . . . 249
Maksvelova [M AX(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
Mojalova [M O] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Nakagamijeva [N K(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
Normalna (Gausova) [N (0, 1)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
Normalna [N (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
Normalna - zaseqena [N Z(m, 2 , T1 , T2 )] . . . . . . . . . . . . . . . . . . . . . . 266
Normalna - zaseqena [N ZD(m, 2 , T )] . . . . . . . . . . . . . . . . . . . . . . . 267
Normalna - zaseqena [N ZL(m, 2 , T )] . . . . . . . . . . . . . . . . . . . . . . . . 268
Normalna - presavijena [N P (m, 2 )] . . . . . . . . . . . . . . . . . . . . . . . . 269
Paretova [P AR(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
Paretova [P AR2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
Paretova - zaseqena [P ARZ(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . 277
Paretova [P AR3(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
Paretova [P AR4(a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
Paretova - uopxtena [P ARU 1(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . 282
Paretova - uopxtena [P ARU 2(a, b, c, d)] . . . . . . . . . . . . . . . . . . . . . . 285
Pirsonova [P IR1(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
Pirsonova [P IR2(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
Pirsonova [P IR3(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
Pirsonova [P IR5(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Pirsonova [P IR7(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
Pirsonova [P IR8(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
Pirsonova [P IR9(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
Pirsonova [P IR11(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
Pirsonova [P IR12(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
viii
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
Sadraj
Relejeva [R1 ()] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309

Relejeva [R2 (c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
Relejeva - dvostrana [RD(c, )] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
Rajsova [RC(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
Stepena [S(a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
Studentova [t(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
Studentova [t(n, a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
Studentova - necentralna [t (n, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . 327
Trougaona [T R(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
Uniformna [U (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332
Fixerova [F (m, n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336
Fixerova Z [F Z(m, n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
Fon Mizisova [F M (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
Fon Mizisova - bimodalna [F M B(a, b)] . . . . . . . . . . . . . . . . . . . . . 343
Helmertova [H(n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
Hi [1 (a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345
Hi [2 (a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
Hi [3 (a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 351
Hi - necentralna [ (n, a)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
Hi kvadrat [2 (n)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
Hi kvadrat - necentralna [2 (n, a)] . . . . . . . . . . . . . . . . . . . . . . . . 358
Hiperboliqka [HS(a, b)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
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 statistiqki model odabrati. Drukqije reqeno, postav a se pitae iz koje
teorijske raspodele potiqu dobijeni rezultati merea. Ovaj Atlas qini
jedan pokuxaj da se pomogne svima onima koji imaju potrebe da rexavaju
navedeni zadatak.
Pri obradi statistiqkih podataka, koji predstav aju izmerene vrednosti nekog numeriqkog sluqajnog obeleja, obiqno prvo treba odgovoriti na pitae da li se radi o diskretnom ili o neprekidnom obeleju.
Pod diskretnim obelejem (tj. diskretnom sluqajnom veliqinom) podrazumevamo svako ono obeleje qiji skup moguih vrednosti je samo konaqan ili prebrojiv skup realnih brojeva. Pod neprekidnim obelejem,
pak, podrazumevamo svako ono obeleje qiji skup moguih vrednosti je
skup svih realnih brojeva sa jednog ili vixe intervala, koji mogu biti
kako otvoreni tako i zatvoreni (sa jedne ili sa obe strane), kako konaqni
tako i beskonaqni. Ovaj Atlas posveen je samo raspodelama neprekidnih
sluqajnih veliqina.
Koji od statistiqkih modela e istraivaq u svom radu odabrati
zavisi od mnogo faktora. Meu ima svakako nivo poznavaa statistiqkih raspodela (i ranijih iskustava) nije zanemar iv. U dolaeu
do konaqnog oprede ea za neki statistiqki model obiqno treba proi
nekoliko koraka i koristiti se "metodom eliminacije".
Kada istraivaq sredi podatke formirajui varijacioni niz (tj. reajui podatke po veliqini, poqev od najmaeg pa do najveeg rezultata),
sledei korak bi bio formirae tabela sa frekvencijama pojav ivaa
vrednosti po pojedinim podintervalima skupa moguih vrednosti. Posle
toga, najqexe se daje grafiqki prikaz dobijenih rezultata putem formiraa poligona i/ili histograma, koji odgovaraju izabranim podintervalima (klasama vrednosti) i ihovim frekvencijama (relativnim i/ili
apsolutnim). Ukoliko dobijeni poligoni odnosno histogrami podseaju
na grafike gustine neke raspodele, onda je ta raspodela jedan od moguih
kandidata za izbor teorijskih modela. Takvih kandidata moe da bude
vixe. Taj skup kandidata e se da e suavati na osnovu novih informacija, kao xto su: skup moguih vrednosti, broj (i vrednosti) nepoznatih
parametara, sreda vrednost, disperzija, medijana, modus, vea ili maa
oqekivana simetriqnost raspodele, vea ili maa sp oxtenost itd.
Kada se, korixeem gorih informacija, skup moguih kandidata
svede na samo ih nekoliko, onda u konaqnom oprede eu moe vanu
ulogu da odigra i jednostavnost u analitiqkim izrazima za gustine, za
matematiqka oqekivaa, disperzije, koeficijente asimetrije itd. Naravno, treba imati na umu i to da e qesto biti i vixe od jedne raspodele
koje se mogu izabrati kao model.
Adekvatnost izabrane raspodele najqexe se proverava korixeem
Predgovor
Pirsonovog 2 -testa, mada ima i mnogo drugih testova. Pri korixeu

Kolmogorov evog testa treba biti veoma oprezan, s obzirom na to da se
u emu unapred podrazumeva poznavae svih parametara raspodele.
Za raspodele u ovom Atlasu dati su sledei podaci:
{ funkcija gustine,
{ skup vrednosti i znaqee parametara,
{ karakteristiqni grafici gustine u zavisnosti od parametara.
Za znaqajnije raspodele dati su i neki od sledeih podataka:
{ funkcija raspodele,
{ karakteristiqna funkcija,
{ generatrisa momenata,
{ entropija,
{ momenti,
{ modus i medijana,
{ koeficijenti asimetrije i sp oxtenosti,
{ ocene parametara,
{ oblasti primene,
{ generisae vrednosti odgovarajue sluqajne promen ive.
Osim toga, za veinu raspodela data su i neka dodatna svojstva kao i
veze sa drugim raspodelama.
Pre opisa pojedinih raspodela, u uvodnom delu pod nazivom Neprekidne
raspodele date su definicije svih pojmova koji se koriste u Atlasu, kao
i najvaniji rezultati koji mogu biti korisni u primeni raspodela.
Kratak prikaz specijalnih funkcija koje se pomiu u Atlasu dat je posle
opisa raspodela, kao Dodatak. Na kraju kige je spisak korixene literature.
Za pomo pri izradi finalne verzije Atlasa zahva ujemo se recenzentima, dr Pavlu Mladenoviu, profesoru Matematiqkog fakulteta u
Beogradu i dr i ani Petrovi, profesorki Ekonomskog fakulteta u
Beogradu. Za finansijsku pomo zahva ujemo se kolegi Jadranu Brkiu.
Beograd, 2007.
Autori
SPISAK OZNAKA
Opxte oznake
{a, b, c}
AB
AB
A\B
Xmin , Xmax
xa
f :AB
|x|
z
a/b
beskonaqno
prazan skup
skup qiji su elementi a, b i c
unija skupova A i B
presek skupova A i B
razlika skupova A i B
najmai i najvei element skupa {X1 , X2 , . . . , Xn }
x tei a
funkcija f preslikava skup A u skup B
priblino
apsolutna vrednost broja x
konjugovano komleksni broj broja z
razlomak - isto xto i ab
n
X
ai
zbir brojeva a1 , a2 , . . . , an
n
Y
ai
proizvod brojeva a1 , a2 , . . . , an
i=1
i=1
df
dx
izvod funkcije jedne promen ive
f (x, y)
x
Z
f (x)dx
parcijalni izvod funkcije f po x
Z
a
f (x)dx
neodreeni integral funkcije f

odreeni integral funkcije f na (a, b)
xii
Spisak oznaka
Brojevi
R
N
C

m
n
n!
(2n)!!
(a, b)
[a, b]
B2n
skup realnih brojeva

skup prirodnih brojeva
skup kompleksnih brojeva
konstanta ( 3.141592)
osnova prirodnog logaritma ( 2.71828)
Ojlerova konstanta ( 0.577)
binomni koeficijent
faktorijel (= 1 2 (n 1) n)
dvostruki faktorijel ( = 2 4 (2n 2) 2n)
skup realnih brojeva x za koje vai a < x < b
skup realnih brojeva x za koje vai a x b
Bernulijevi brojevi
Sluqajne promenive
gX , g
FX , F
E(X)
D(X)
mr
r
M
H(X)
1 (X)
2 (X)
CV (X)
Q1 , Q3
M o(X)
M e(X)
X : W1 (a)
gustina sluqajne promen ive X

funkcija raspodele sluqajne promen ive X
oqekivae sluqajne promen ive X
disperzija sluqajne promen ive X
standardna devijacija
r-ti momenat sluqajne promen ive
r-ti centralni momenat sluqajne promen ive
karakteristiqna funkcija
generatrisa momenata
entropija sluqajne promen ive X
koeficijent asimetrije sluqajne promen ive X
koeficijent sp oxtenosti sluqajne promen ive
koeficijent varijacije sluqajne promen ive X
prvi i trei kvartil
modus ili mod sluqajne promen ive X
medijana sluqajne promen ive X
sluqajna promen iva X ima raspodelu W1 (a)
xiii
Spisak oznaka
Uzoraqke veliqine
X n, X
2
Sn, S2
2
Dn , Dn2
Sbn2 , Sb2
Sn, S
r
X n , X r , Mr
L
b
a, e
a
sreda vrednost uzorka X1 , . . . , Xn

uzoraqka disperzija
uzoraqka disperzija (poznato oqekivae)
modifikovana uzoraqka disperzija
uzoraqka standardna devijacija
uzoraqki momenat reda r
funkcija verodostojnosti
ocene parametra a
Specijalne funkcije
(a, )
(a, )
P (a, )
Q(a, )
(1)
(n)
B
Bx
Ix
erf , erf c
Ja
Ia
Na
Ka
M, 1 F1
Ln , Nnc
gama funkcija
nepotpuna gama funkcija
digama funkcija
trigama funkcija
poligama funkcija
beta funkcija
nepotpuna beta funkcija
nepotpuna beta funkcija
funkcija raspodele normalne standardne raspodele
funkcije grexke
Rimanova zeta funkcija
Beselova funkcija prve vrste
modifikovana Beselova funkcija prve vrste
Beselova funkcija druge vrste
modifikovana Beselova funkcija druge vrste
hipergeometrijska funkcija
Lagerov i uopxteni Lagerov polinom
xiv
Spisak oznaka
Elementarne funkcije
sin
cos
tan
arcsin
arccos
arctan
sh
ch
tanh
exp
ln
log
sinus
kosinus
tangens
arkussinus
arkuskosinus
arkustangens
sinus hiperboliqki
kosinus hiperboliqki
tangens hiperboliqki
eksponencijalna funkcija ( exp(x) = ex )
logaritamska funkcija sa osnovom e
logaritamska funkcija sa osnovom 10
NEPREKIDNE RASPODELE
U ovom delu su date definicije i osnovne 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 verovatnoa skupa B za svaki Borelov skup B B.
Definicija 2 Funkcija PX : B R definisana sa
PX (B) = P (X 1 (B))
naziva se
raspodela verovatnoa
ili krae,
raspodela , sluqajne promenive X.
Specijalno, za x R moemo da uzmemo B = (, x].

1.1
Funkcija raspodele
Definicija 3 Funkcija FX : R R definisana sa

FX (x) = P { : X() x}
je funkcija raspodele verovatnoa ili krae,
nive X.
funkcija raspodele , sluqajne prome-
Ako je jasno o kojoj promen ivoj je req, umesto FX moe se pisati F .

Funkcija F je neopadajua, neprekidna s desne strane za svaki realan
broj x i vai:
lim F (x) = 0,
lim F (x) = 1.
x+
Izdvajaju se tri tipa funkcija raspodele: diskretne, apsolutno neprekidne i singularne, pri qemu svaka funcija raspodele F moe da se
prikae u obliku
F (x) = F1 (x) + F2 (x) + (1 )F3 (x),
1 Karl
, , 1 0,
Pearson (1857 -1936) - engleski matematiqar i statistiqar
Neprekidne raspodele
gde je F1 diskretna, F2 apsolutno neprekidna i F3 singularna funcija

raspodele.
Ovde dajemo samo definiciju apsolutno neprekidne funkcije raspodele
obzirom da su u Atlasu zastup ene samo neprekidne raspodele.
Definicija 4 Funkcija raspodele F sluqajne promenive X je apsolutno
ako postoji integrabilna funkcija g : R R takva da za svaki
realan broj x vai
Z
neprekidna
g(t)dt.
F (x) =
Funkcija g je
gustina raspodele
sluqajne promenive X.
Apsolutno neprekidna funkcija raspodele je neprekidna i diferencijabilna skoro svuda, pri qemu u taqki diferencijabilnosti x vai
g(x) = F 0 (x). Svaka nenegativna integrabilna funkcija g : R R za koju
+
g(t)dt = 1 je gustina neke raspodele.
je R
1.2
Nezavisnost sluqajnih veliqina
Za dve ili vixe sluqajnih promen ivih definixe se pojam nezavisnosti.

Definicija 5 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 raspodele. 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, koje mogu imati najvixe

prebrojivo mnogo razliqitih vrednosti, neprekidna sluqajna promen iva uzima vrednosti iz nekog intervala ili unije intervala realne prave.
Pri tome, interval moe da bude konaqan ili beskonaqan, kao i zatvoren,
otvoren ili poluzatvoren.
Definicija 6 Sluqajna promeniva X je apsolutno
funkcija raspodele F apsolutno neprekidna.
neprekidna
ako je ena
Ako je sluqajna promen iva apsolutno neprekidna, kaemo da ona ima

apsolutno neprekidnu ili krae, neprekidnu raspodelu. Obzirom da fukcija raspodele u tom sluqaju moe da se izrazi pomou gustine, vai
sledee tvree.
Teorema 1 Verovatnoa da vrednost apsolutno neprekidne sluqajne promenive 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 uglavnom neprekidne raspodele koje imaju

neprekidnu gustinu. U tom sluqaju je funkcija raspodele diferencijabilna, pri qemu je g(x) = F 0 (x). Iz navedenog tvrea sledi da je
P { : x X() x + x} = g(x)x + o(x)
kada x 0.
3
Tip raspodele
Definicija 7 Dve sluqajne promenive su jednake u raspodeli ako imaju

istu funkciju raspodele.
U smislu ove definicije, oznaka X =d Y znaqi da je

FX (x) = P { : X() x} = P { : Y () x} = FY (x)
za svaki realan broj x.

Definicija 8 Za sluqajne promenive X i Y kaemo da imaju isti tip
raspodele ako postoje realni brojevi a i b (b > 0) takvi da je
d
Y = a + bX.
Prema definiciji imamo da je

FY (x) = P {Y x} = P

xa
xa
X
= FX
b
b
za svaki realan broj x. To znaqi da se funkcija raspodele za Y moe

dobiti pomou funkcije raspodele za X linearnom transformacijom argumenta. Drugim reqima, izborom funkcije raspodele F odreena je i
cela jedna dvoparametarska familija funkcija raspodele definisana sa
F (x; a, b) = F
xa
b
x R, a R, b > 0.
Pri tome je F (x) = F (x; 0, 1). Sve raspodele ove familije su istog tipa.
Parametar a je parametar lokacije , a parametar b je parametar skaliraa .
Za neprekidne raspodele navedenoj familiji funkcija raspodele odgovara dvoparametarska familija gustina definisana sa
1
g(x; a, b) = g
b
xa
b
gde je g gustina raspodele za X . Pri tome je

gY (x) = g(x; a, b),
gX (x) = g(x; 0, 1).
Familije raspodela
Postoje i familije raspodela koje sadre vixe tipova raspodela, pri

qemu sve raspodele iz familije imaju neko zajedniqko svojstvo. Ovde
se navode dve takve familije raspodela: Pirsonove raspodele i eksponencijalne raspodele . U sluqaju familije eksponencijalnih raspodela gustine
raspodela imaju isti oblik, a u sluqaju Pirsonovih raspodela gustine
raspodela su rexea diferencijalnih jednaqina istog oblika.
4.1
Pirsonove raspodele
Razvijajui matematiqku teoriju evolucije Pirson je otkrio jednostavnu

diferencijalnu jednaqinu
xa
g0
=
g
b0 + b1 x + b2 x2
qija su rexea gustine dvanaest tipova raspodela. Rexea ove jednaqine se klasifikuju zavisno od prirode nula polinoma b0 + b1 x + b2 x2 . Na
taj naqin se dobija dvanaest tipova rexea koja odreuju odgovarajue
tipove raspodela poznatih kao Pirsonove raspodele (tip I do tip XII ).
4.2
Eksponencijalne raspodele
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 eksponencijalno stepenih raspodela
koju je prvi opisao Subotin ( Subbotin, 1923). Po ugledu na Pirsonove
raspodele, Luneta ( Lunetta, 1963) je eksponencijalno stepene raspodele
razmatrao kao raspodele qije su gustine rexea diferencijalne jednaqine
0
ln g ln a
g
=k
.
g
xc
Na taj naqin se dobija troparametarska familija gustina

g(x; p, , ) =

|x |p
1
exp
,
p p
2p1/p (1 + 1/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 karakteristika sluqajne promen ive je ena oqekivana vrednost.

Definicija 9 Matematiqko oqekivae E(X) neprekidne sluqajne promenive X qija je gustina raspodele g je dato sa
Z +
xg(x)dx
E(X) =
pod uslovom da navedeni integral apsolutno konvergira. Ako to nije sluqaj,

matematiqko oqekivae ne postoji.
Za matematiqko oqekivae linearne kombinacije i proizvoda dve sluqajne promen ive vai sledee tvree.
Teorema 2 Ako su X i Y sluqajne promenive koje imaju matematiqko oqekivae, 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
Mod i antimod
Jox jedna karakteristika sluqajne promen ive je
mod
ili modus.
Definicija 10 Za neprekidnu sluqajnu promenivu mod je taqka u kojoj

funkcija gustine dostie lokalni maksimum.
Prema tome, potencijalne vrednosti moda su nule prvog izvoda funkcije gustine. Mod ne mora da postoji, a ako raspodela ima samo jedan mod
kae se da je unimodalna. Raspodela sa dva moda je bimodalna, a sa vixe
modova je vixemodalna.
Termin mod je uveo Pirson 1895. godine. Ako gustina sluqajne promen ive ima minimum, moe da se definixe i antimod.
Definicija 11 Za neprekidnu sluqajnu promenivu antimod je taqka u kojoj funkcija gustine dostie lokalni minimum.
5.3
Disperzija
Disperzija ili varijansa predstav a oqekivano sredekvadratno odstupae od oqekivane vrednosti sluqajne promen ive.
Definicija 12 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 postoji. Pozitivna vrednost kvadratnog korena disperzije naziva se standardna devijacija i oznaqava sa (X) ili samo .
Iz definicije sledi da je
D(X) = E(X 2 ) (E(X))2 ,
p
D(X) E(X 2 ) |E(X)| E(X 2 )
xto znaqi da je
i
. Za disperziju linearne
kombinacije dve promen ive vai sledee tvree.
Teorema 3 Ako su X i Y nazavisne sluqajne promenive koje imaju disperzije i ako su a i b realni brojevi, tada je
D(aX + bY ) = a2 D(X) + b2 D(Y ).
Ako je X = Xp E(X) (standardizovani ili normirani oblik sluqajne

D(X)
promen ive X ), tada je E(X ) = 0 i D(X ) = 1.
Pojam standardne devijacije uveo je Pirson 1894. godine, a pojam varijanse uveo je Fixer 2 1918. godine.
5.4
Koeficijent varijacije
Jox jedna mera odstupaa od oqekivae vrednosti je

koji je takoe uveo Pirson.
koeficijent varijacije
Definicija 13 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 devijacije i matematiqkog oqekivaa izraen u procentima.
5.5
Kvantili
Obzirom da matematiqko oqekivae i varijansa ne moraju postojati za

datu raspodelu, definixu se i neke mere centralne tendencije i disperzije koje postoje za svaku raspodelu.
Definicija 14 Za neprekidnu sluqajnu promenivu kvantil reda ili nivoa (0 < < 1) je broj x za koji je
F (x ) = .
Kvantili reda = 0.25 i = 0.75 nazivaju se prvi i trei kvartil i oznaqavaju sa Q1 i Q3 . Kao mera disperzije raspodele qesto se,
u sluqaju jednoznaqno odreenih kvartila, koristi ihova razlika (interkvartilna razlika)
Q = Q3 Q1 .
2 Ronald
Aymler Fisher (1890 -1962) engleski statistiqar
5.6
Medijana
Definicija 15 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 momenata i centralnih momenata.

Definicija 16 Ako je g funkcija gustine sluqajne promenive X, momenat
mr reda r je definisan sa
Z +
xr g(x)dx,
mr = E(X r ) =
a centralni momenat r reda r je definisan sa

Z +
(x m)r g(x)dx,
r = E(X )r =
pri qemu se pretpostava da su navedeni integrali apsolutno konvergentni. U suprotnom, 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)
mki mi ,
i
i=0
i
za k N , gde je 0 = m0 = 1. Sliqno se dobijaju i jednakosti

mk =
k
X
k
k1 mi ,
i
i=0
k N.
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 oxtenosti raspodele, a poznati su kao Pirsonovi koeficijenti.
Definicija 17 Raspodela neprekidne sluqajne promenive X je simetriqna ukoliko postoji taqka a za koju je
g(a x) = g(a + x)
za svaki realan broj x. U suprotnom raspodela je asimetriqna.
Za asimetriqne raspodele potrebna je i mera asimetrije.

Definicija 18 Koeficijent asimetrija 1 (X) je definisan sa
1 (X) =
3
3/2
Za 1 (X) = 0 raspodela je simetriqna, za 1 (X) > 0 kaemo da je raspodela

< 0 kaemo da je
pozitivno asimetriqna ili asimetriqna udesno , a za 1 (X)

raspodela negativno asimetriqna ili asimetriqna ulevo .
Kako koeficijent 1 (X) ne zavisi od srede vrednosti, niti skaliraa

sluqajne promen ive, sve raspodele istog tipa imaju istu asimetriju.
Sp oxtenost raspodele se odnosi na brzinu konvergencije ka nuli krajeva gustine raspodele, kao i koncentracija oko srede vrednosti. Koristi se i termin deb ina repa raspodele i obiqno se uporeuje sa deb inom
repa normalne raspodele. Pirson je definisao2 koeficijent sp oxtenosti
ili kirtozis (eng. kurtosis) kao koliqnik 4 /2 . Kako je kirtozis normalne
raspodele jednak 3, qesto se kao mera sp oxtenosti uzima vrednost kirtozisa umaena za 3.
Definicija 19 Koeficijent spoxtenosti 2 (X) je definisan sa
2 (X) =
4
3.
22
Za 2 (X) > 0 kaemo da je raspodela sa debelim krajevima (repovima) ili leptokirtiqna (eng. leptokurtic), za 2 (X) < 0 kaemo da je raspodela sa tankim
krajevima (repovima) ili platikirtiqna (eng. platykurtic), dok za 2 (X) = 0
kaemo da raspodela ima krajeve (repove) iste debine kao i normalna
raspodela ili da je mezokirtiqna (eng. mesokurtic)
Sp oxtenost je takoe ista za sve raspodele istog tipa.

8
Entropija
U teoriji informacija je vana koliqina informacija sadrana u sluqajnom dogaaju, a kao mera neizvesnosti sluqajne promen ive koristi se
pojam entropije koji je uveo Xenon 3 .
3 Claude
Elwood Shannon (1916 -2001) - ameriqki matematiqar i ineer
Definicija 20 Za neprekidnu sluqajnu promenivu X sa pozitivnom gustinom g entropija H(X) je definisana sa

H(X) =
g(x) ln g(x)dx.
Ako gustina nije svuda pozitivna, onda se integral na desnoj strani prethodne jednakosti uzima na skupu {x : g(x) > 0}.
Raspodele istog tipa nemaju istu entropiju, ali postoji jednostavna

relacija za ihove entropije.
Teorema 4 Ako je Y = a + bX, gde je a R i b > 0, tada je
H(Y ) = H(X) + ln b.
Karakteristiqna funkcija
Karakteristiqna funkcija neprekidne sluqajne promen ive je Furijeova

transformacija ene gustine.
Definicija 21 Neka je X neprekidna sluqajna promeniva qija je gustina
g. Funkcija : R C, gde je C skup svih kompleksnih brojeva, definisana sa
itX
(t) = E e
eitx g(x)dx,
tR
je karakteristiqna funkcija za X.
Iz definicije sledi da svaka neprekidna sluqajna promen iva ima

karakteristiqnu funkciju i da je
1. (0) = 1,
2. (t) = (t),
3. |(t)| 1.
Raspodela sluqajne promen ive je jedinstveno odreena enom karakteristiqnom funcijom, pri qemu postoji i inverzna formula.
Teorema 5 Ako je karakteristiqna funkcija sluqajne promenive X i ako
je
Z
+
|(t)|dt < ,
tada je gustina g za X data sa

g(x) =
1
2
eitx (t)dt.
10
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
mr =
1 (n)
(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 karakteristiqnim 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 22 Neka je X neprekidna sluqajna promeniva qija je gustina
g. Funkcija M : R R definisana sa
Z +
etx g(x)dx, t R,
M (t) =
pod uslovom da integral na desnoj strane ove jednakosti postoji, je generatrisa 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
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
Xn =
1X
Xi ,
n i=1
2. uzoraqka disperzija S 2n ili S 2 definisana sa

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

2
Dn =
1X
2
(Xi m) ,
n i=1
u sluqaju da je poznato matematiqko oqekivae m posmatrane raspodele,

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

r
Xn =
1X r
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
1894. godine, a metodu maksimalne verodostojnosti Fixer 1912. godine.
Metoda momenata je jednostavnija, a metoda maksimalne verodostojnosti
daje, pod odreenim uslovima, asimptotski najefikasnije ocene.
11.1
Svojstva ocena
Neka je (X1 , . . . , Xn ) prost sluqajan uzorak za obeleje X i neka je nepoznati parametar u raspodeli tog obeleja.
12
Definicija 23 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 nepomereOcena koja nije nepristrasna zove se pristrasna. Na primer, statistika 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 statistike od oqekivane vrednosti.
na.
Definicija 24 Statistika bn je postojana ocena parametra ako bn konvergira 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 25 Ocena b je efikasnija od ocene e nepoznatog parametra
b < D().
e
ako je D()
Dou granicu disperzije nepristrasnih ocena daje Rao-Kramerova nejednakost. Ocena qija je disperzija jednaka toj dooj granici je efikasna
ocena. Za analizu ocene nije dovo no znati samo eno oqekivae i disperziju, ve treba odrediti i enu raspodelu.
11.2
Metoda momenata
Neprekidne raspodele su, pod izvesnim uslovima, odreene svojim momentima. Na primer, ako je za niz momenata (mi ) date raspodele ispuen
Karlemanov uslov
1/2n
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 momenata.
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
13
Definicija 26 Ocene parametara b1 , . . . , bk po metodi momenata, na osnovu prostog uzorka (X1 , . . . , Xn ) iz neke raspodele, date su sistemom
r
Prema tome,
X n = fr (b1 , . . . , bk ),
r = 1, . . . , k.
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 verovatnoa realizacije uzorka x1 , x2 , . . . , xn bude najvea. Pretpostavimo da
je (X1 , . . . , Xn ) prost uzorak iz neke neprekidne raspodele qija gustina g
zavisi od , pri qemu R. Funkcija L definisana sa
L(x1 , . . . , xn ; ) =
n
Y
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 27 Ocena b odreena sa
b = max L(X1 , . . . , Xn ; )
L(X1 , . . . , Xn ; )
je ocena maksimalne verodostojnosti. Funkcija L je funkcija verodostojnosti.
Ako je otvoren skup i ako je L diferencijabilna funkcija po ,

dovo no je odrediti stacionarne taqke funkcije L i uporediti odgovarajue vrednosti. Poxto funkcije L i ln L imaju iste taqke maksimuma,
ocena se qesto jednostavnije dobija iz jednaqine
ln L
= 0,
poznate kao jednaqina verodostojnosti . U nekim sluqajevima ona ima samo

jedno rexee.
Teorema 9 Ako postoji efikasna ocena parametra , onda jednaqina verodostojnosti ima jedinstveno rexee.
14
Metoda maksimalne verodostojnosti moe se primeniti i u sluqaju da

raspodela ima vixe nepoznatih parametara. Ako je g(x; 1 , . . . , k ) gustina
raspodele koja zavisi od parametara 1 , . . . , k , tada je funkcija verodostojnosti data sa
L(x1 , . . . , xn ; 1 , . . . , k ) =
n
Y
g(xi ; 1 , . . . , k ).
i=1
Ako funkcija L ima parcijalne izvode po

rametara dobija se rexavaem sistema
1 , . . . , k
L(x1 , . . . , xn ; 1 , . . . , k ) = 0,
i
, ocena nepoznatih pa-
i = 1, . . . , k.
Ovaj sistem je uglavnom nelinearan i najqexe se rexava numeriqkim

metodama.
Ocene dobijene metodom maksimalne verodostojnsti mogu biti i pristrasne i neefikasne. Meutim, pri odreenim uslovima ocene su asimptotski efikasne i imaju asimptotski normalnu raspodelu.
12
Transformacija sluqajne 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 diferencijabilna 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 intervalima I1 , . . . , Ik i neka je fj : Ij R za j = 1, . . . k restrikcija funkcije f
na intervalu Ij . Tada je
Y = f1 (X) + f2 (X) + + fk (X),
pa primenom prethodne teoreme na sluqajne promen ive

dobijamo sledee tvree.
f1 (X), . . . , fk (X)
Teorema 11 Neka je Y = f (X) i neka je hj = fj1 za j = 1, . . . , k. Tada je

gY (y) =
k
X
j=1
fX (hj (y))|h0j (y)|.
15
Za nalaee matematiqkog oqekivaa sluqajne promen ive

nije neophodno znati gustinu gY .
Y = f (X)
Teorema 12 Ako je Y = f (X), tada je

Z +
f (x)g(x)dx
E(Y ) =
pod uslovom da navedeni integral apsolutno konvergira.
12.1
Takijeva transformacija
Ameriqki statistiqar Taki 5 je 1962. godine predloio transformaciju

X (1 X)
Y =
ln X ,
1X
6= 0
=0
gde je X sluqajna promen iva sa standardnom uniformnom raspodelom. Za

odreene vrednosti parametra 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
pozitivna sluqajna promen iva, tada sluqajna promen iva Y definisana
sa

Y =
X 1
,
ln X,
6= 0
=0
za pogodno izabranu vrednost konstante ima priblino normalnu raspodelu.

12.3
onsonove transformacije
Engleski statistiqar onson 8 je 1949. godine predloio transformacije

X = a + b ln
Y
,
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 raspodela, a raspodela sluqajne promen ive Z kao onsonova SU raspodela.
5 John
Wilder Tukey (1915 -2000) - ameriqki statistiqar

Box (1919 -) - engleski statistiqar
7 David Roxbee Cox (1924 -) - engleski statistiqar
8 Norman Lloyd Johnson (1917 -) - engleski statistiqar
6 George
16
13
Modelirae sluqajnih promenivih
Modelirae neprekidne sluqajne promen ive zavisi od karakteristika

ene raspodele. U principu postoje opxte metode, kao xto su metoda inverzne funkcije , Nojmanova metoda i druge, ali postoje i specifiqni postupci
modeliraa za pojedine raspodele.
13.1
Metoda inverzne funkcije
Ova metoda zasniva se na jednoj jednostavnoj qienici: ako je X sluqajna

promen iva s neprekidnom i monotono rastuom funkcijom raspodele F , sluqajna
promen iva Y = F (X) ima uniformnu raspodelu na (0, 1). Prema tome, funkcija
raspodele sluqajne promen ive F 1 (Y ) je F , odnosno X = F 1 (Y ).

Za generisae vrednosti x sluqajne promen ive X dovo no je generisati vrednost y iz uniformne raspodele U (0, 1) i uzeti da je x = F 1 (y).
Na taj naqin se problem svodi na generisae vrednosti sluqajne promen ive sa uniformnom raspodelom, a za to postoje ve gotove rutine u svim
statistiqkim programskim paketima. To su, zapravo, sluqajni brojevi.
Generisae raspodele metodom inverzne funkcije je, dakle, vrlo jednostavno, ali je potrebno da znamo analitiqki oblik inverzne funkcije.
Meutim, u mnogim sluqajevima to nije mogue dobiti. Zbog toga ova
metoda ne moe da se primeni za generisae, na primer normalne, beta,
gama ili hi kvadrat raspodele.
Metoda se moe proxiriti na sluqaj kada je
g(x) =
n
X
pk gk (x),
k=1
gde je
i gde gustinama gk odgovaraju funkcije raspodele
(
) koje imaju analitiqki izraz za inverznu funkciju. Algoritam je tada sledei:
1. Generisati sluqajne brojeve y i u iz uniformne raspodele U (0, 1).
2. Odrediti indeks k za koji vai
p1 + + pn = 1
Fk k = 1, . . . , n
k1
X
j=0
pj < u
k
X
pj ,
j=0
pri qemu je p0 = 0.
3. Uzeti da je x = Fk1 (y).
13.2
Nojmanove metode
Nojmanove metode ili metode prihvataa i odbacivaa koriste se za generisae raspodele sa gustinom g koja je pozitivna na intervalu [xmin , xmax ].
Uglavnom se u ima koristi algoritam u kojem se proverava odreeni
17
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).
g(x)
, tada je x traena vrednost sluqajne promen ive X
3. Ako je u < ch(x)
sa gustinom g. U protivnom, postupak se ponav a (od 1. koraka).
Ova metoda se zasniva na qienici da je
P

Z x

g(Y )

g(y)dy,
Y xU
=
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 prvu grupu spadaju, na primer,
Anderson9 -Darlingov test, razne modifikacije Kolmogorov evog testa
ukoliko parametri pretpostav ene raspodele nisu poznati, Xapiro 10 Vilkov11 test. U testove slobodne od raspodele spadaju, na primer, Pirsonov 2 test, Kolmogorov ev 12 test, Kuiperov test. Za testirae prilagoenosti podataka normalnoj raspodeli postoje jox i specifiqni testovi zasnovani na poreeu empirijskih koeficijenata asimetrije i sp oxtenosti sa odgovarajuim koeficijentima normalne raspodele.
14.1
Pirsonov test
Najpopularniji od testova saglasnosti je

1900. godine. Test ima oblik
2 =
k
X
(Oi Ei )2
i=1
9 Theodore
Ei
-test koji je uveo Pirson
Wilbur Anderson (1918 -) - ameriqki statistiqar

Shapiro (1930 -) - ameriqki statistiqar
11 Martin Bradbury Wilk (1922 -) - ameriqki matematiqar
12 Andre
i Nikolaeviq Kolmogorov (1903 -1987) - ruski matematiqar
10 Samuel
18
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
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 testirati nultu hipotezu da obeleje X ima raspodeleu F . U test statistikama se uzimaju neke funkcije razlika Fn (x) F (x) za x R. Na primer,
test statistika Kolmogorov evog testa je
Dn = sup |Fn (x) F (x)|,
x
test statistika Kuiperovog testa je

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

Wn =
15
(Fn (x) F (x))2 dF (x).
Grafiqke metode ispitivaa saglasnosti
Za ispitivae saglasnosti obeleja sa pretpostav enom raspodelom pored testova koriste se i grafiqke metode kao xto su dijagram kvantila
(Q Q dijagram) i dijagram verovatnoa (P P dijagram) koje se baziraju
na statistikama 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
, dok je P P dijagram
1/4

skup taqaka pi , F (X(i) ) .
U sluqaju da su podaci saglasni sa pretpostav enom raspodelom, taqke
Q Q dijagrama priblino pripadaju pravoj. Isto vai i za P P
dijagram.
OPIS
RASPODELA
1
ARKUSSINUS RASPODELA ASS1
(standardna)
Gustina
g(x) =
1
1
,
1 x2
1 < x < 1.
Parametri
Nema parametara.
Grafik gustine
2.5
1.5
0.5
0
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Prave x = 1 i x = 1 su vertikalne asimptote grafika gustine.

21
22
Arkussinus raspodela
Funkcija raspodele
F (x) =
1
arcsin x,
1 x 1.
Momenti
2k1 = 0,
2k =
2k
2k
1
,
k
2
k N.
Neka svojstva
1. Gustina g je parna funkcija, pri qemu je gmin = g(0) = 1 .
2. Neka je X sluqajna promen iva sa simetriqnom gustinom raspodele.
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
g(x) =
Parametri
a (a R \ {0})
|a|
1
p
,
4 a2 x2
2
2
<x<
.
|a|
|a|
{ parametar lokacije.
Grafik gustine
2.5
a=2
1.5
a=1
1
a=0.8
0.5
0
2.5
1.5
0.5
0.5
1.5
2.5
Prave x = 2/a i x = 2/a su vertikalne asimptote grafika gustine.

23
24
Funkcija raspodele
F (x) =
1
|a|x
arcsin
,
2
2
x
.
|a|
|a|
Momenti
2k1 = 0,
2k

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

AS1(2) = ASS1
3
ARKUSSINUS RASPODELA ASS2
(standardna)
Gustina
g(x) =
1
1
,
p
x(1 x)
0 < x < 1.
Parametri
Nema parametara.
Grafik gustine
3.5
2.5
1.5
0.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Prave x = 0 i x = 1 su vertikalne asimptote grafika gustine.

25
26
Funkcija raspodele
F (x) =
2
arcsin x,
0 x 1.

X
2k
1
1
k
, 1, it ,
(t) =
(it) = M
4k k! k
2
k=0
gde je M (a, b, z) hipergeometrijska funkcija (videti Dodatak).
Momenti
mr =
Specijalno:
m1 =
1
,
2
m2 =
Centralni momenti su dati sa

2r1 = 0,
(2r)!
, r N.
4r (r!)2
3
,
8
2r =
m3 =
5
,
16
m4 =
35
.
128
(2r)!
mr
= 2r
, r N.
r
4
4 (r!)2
Specijalno:
2 = D(X) =
1
,
8
4 =
3
.
128
Koeficijenti asimetrije i sp oxtenosti

1 (X) = 0,
2 (X) = 1.5.
Neka svojstva
1. Gustina g je parna funkcija, pri qemu je gmin = g(1/2) = 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).
27
2. Ako X
3. Ako X
4. Ako Xk
, tada 2 arcsin
U (0, ), tada cos X :
: B
2k 1 1
,
2k
2k
.
ASS2(1, 2).
: ASS2
X : U (0, 1)
za k = 1, 2, . . . , n, tada
n
Y
Xk
!1/n
: ASS2.
k=1
Primena
Sluqajni procesi (Braunovo kretae).
Napomena
Raspodelu je uveo Levi ( Paul Pierre Levy, 1886-1971) 1939. godine.
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = sin2 u2 sluqajan

broj iz ASS2 raspodele.
4
ARKUSSINUS RASPODELA AS2(a, b)
(dvoparametarska)
Gustina
g(x) =
Parametri
a, b (a R, b > 0)
1
1
,
p
(x a)(a + b x)
a < x < a + b.
{ parametri lokacije.
Grafik gustine
2.5
a=1
2
b=2
1.5
b=3
1
b=4
0.5
0
1
0.5
0.5
1.5
2.5
Prave x = a i x = a + b su vertikalne asimptote grafika gustine.

28
29
Funkcija raspodele
2
F (x) = arcsin
xa
,
b
a < x < a + b.
0.9
a=1
0.8
b=2
0.7
0.6
b=4
0.5
0.4
b=3
0.3
0.2
0.1
0
1
0.5
0.5
1.5
2.5
5
BETA RASPODELA B2(a, b)
(dvoparametarska)
Gustina
g(x) =
1
xa1 (1 x)b1 ,
B(a, b)
0 x 1.
Parametri
a, b (a > 0, b > 0)
{ parametri oblika.
Grafik gustine
Postoji vixe karakteristiqnih sluqajeva zavisno od vrednosti parametara a i b.

2
a<1, b>1
a=1, b>1
a>1, b>1
0
0
0.5
0
0
0.5
0
0.5
0
0
0.5
2
a=1, b<1
0
1
0
0.5
0.5
a>1, b<1
0
2
a<1, b<1
1
a>1, b=1
0.5
2
a=1, b=1
a<1, b=1
0
0
0.5
0.5
Ako je bar jedan od parametara mai od 1, grafik gustine ima odgovarajue vertikalne asimptote.
30
31
Beta raspodela
Sledee dve slike prikazuju kako se mea gustina kad se mea jedan od
parametara, dok je drugi fiksiran.
3
b=6
a=2
b=5
2.5
b=4
2
b=3
b=1.2
1.5
b=2
b=1.5
1
0.5
0
0
0.2
0.4
0.6
0.8
3
a=6
b=2
a=5
2.5
a=4
2
a=3
a=1.2
1.5
a=2
a=1.5
1
0.5
0
0
0.2
0.4
0.6
0.8
32
Beta raspodela
Sledee dve slike prikazuju kako se mea gustina kada se meaju parametri a i b u sluqaju kad je a = b.
3
a=b
2.5
5
4
3
2
1.5
1.5
1.2
0.5
0
0
0.2
0.4
0.6
0.8
a=b
2.5
1.5
0.1
0.2
0.3
0.4
0.8
0.6
0.9
0.5
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
33
Beta raspodela
Sliqno prikazuju i sledee dve slike, ali u tri dimenzije.
g(x)
1.5
0.5
0
3
b=2
2.5
1
0.8
2
0.6
0.4
1.5
0.2
1
0
x
3
2.5
g(x)
2
1.5
1
0.5
0
3
b=1
2.5
1
0.8
2
0.6
0.4
1.5
0.2
a
0
x
34
Beta raspodela
Funkcija raspodele
F (x) =
Bx (a, b)
= Ix (a, b),
B(a, b)
gde su Bx i Ix nepotpune Beta funkcije (videti Dodatak).
(t) =
(a + b) X (it)k (a + k)
= M (a, a + b, it),
(a)
k! (a + b + k)
k=0
gde je M hipergeometrijska funkcija (videti Dodatak).
M (t) = 1 +
k1
X
Y
k=1 i=0
tk
a+i
.
a + b + i k!
Momenti
mr =
Specijalno:
B(a + r, b)
a(a + 1) (a + r 1)
=
,
B(a, b)
(a + b)(a + b + 1) (a + b + r 1)
m1 =
Centralni momenti:
2 = D(X) =
a
,
a+b
m2 =
ab
,
(a + b)2 (a + b + 1)
4 =
r > 0.
a(a + 1)
.
(a + b)(a + b + 1)
3 =
2ab(b a)
,
(a + b)3 (a + b + 1)(a + b + 2)
3ab(2(a + b)2 + ab(a + b 6))

.
(a + b)4 (a + b + 1)(a + b + 2)(a + b + 3)
Mod i medijana
1. Za a > 1 i b > 1 raspodela ima mod jednak a +a b 1 2 , a za a < 1 i b < 1
ima antimod jednak a +a b 1 1 , dok za a > 1 i b < 1, kao i za a < 1 i
b > 1, ne postoji ni mod ni antimod.
2. Za medijanu ne postoji jednostavan izraz.
35
Beta raspodela

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

.
ab(a + b + 2)(a + b + 3)
Ocene parametara
Ocene po metodi maksimalne verodostojnosti su:

1/n
b
a=
1
1 ((1 X1 )(1 X2 ) (1 Xn ))
,
2 1 (X 1X2 Xn )1/n ((1 X1 )(1 X2 ) (1 Xn ))1/n
1 (X1 X2 Xn )1/n
bb = 1
,
2 1 (X1 X2 Xn )1/n ((1 X1 )(1 X2 ) (1 Xn ))1/n
pri qemu je
D(b
a)
i za a > 2 i b > 2
Metoda momenata
a(2a 1)
,
n
(b
a, bb)
b(2b 1)
D(bb)
,
n
(a 2)(b 2)
,
ab
(n )
(n ).
Ocene po metodi momenata su:

e
a = (M1 M2 )
Neka svojstva
M1
,
Sn2
eb = (M1 M2 ) 1 M1 .
Sn2
1. Za a = b grafik gustine je simetriqan u odnosu na pravu x = 1/2.

2. Za sve vrednosti parametara je D(X) < 1/4. Specijalno, za a > 1 i
b > 1 je D(X) < 1/12, a za a < 1 i b < 1 je D(X) > 1/12.
3. Ako X : B2(a, b), onda 1 X : B2(b, a).
4. Beta raspodela je raspodela statistika poretka za uzorak sa uniformnom raspodelom. Ako su 1, . . . , n nezavisne sluqajne promen ive sa U (0, 1) raspodelom i (1), . . . , (n) statistike poretka, onda (k)
ima B2(k, n k + 1) raspodelu.
36
Beta raspodela
5. Ako X
: B2 (a + b, c)
XY : B2 (a, b + c)
6. Ako X
iY
.
: B2 (a, b)
XY : B2 (2a, 2b)
iY
: B2 (a, b)
: B2 (a + 1/2, b)
i ako su X i Y nezavisne, tada


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).
8. Ako X : B2(a, b), tada 1 XX ima Pirsonovu raspodelu tipa V I ili
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
14. Ako X
: F (m, n)
15. Ako X
: 2 (m)
i Y = mn n +nXmX , tada Y
iY
: 2 (n)
: B2
m n
,
.
2 2
m n
X
: B2
,
.
X +Y
2 2
37
Beta raspodela
16. Ako Xi
: 2 (ni )
i ako su Xi i Xj nezavisne za i 6= j , tada

k1
X
i=1
k
X
Xi
k1
: B2
Xj
1
1X
ni , nk
2 i=1
2
j=1
Primena
Meteorologija, biologija, hidrologija, komunikacije, operaciona istraivaa, klimatologija, Bajesovska statistika, solarno zraqee.
Napomena
Kako postoji veza izmeu beta i gama funkcije, gustina raspodele B2(a, b)
moe da se izrazi i preko gama funkcije na sledei naqin:
g(x) =
(a + b) a1
x
(1 x)b1 ,
(a)(b)
Generisae
0 x 1.
Ako je y sluqajan broj iz G(a) i z sluqajan broj iz G(b) raspodele, tada

je
y
x=
y+z
sluqajan broj iz B2(a, b) raspodele.
z
,
y+z
ab
a<b
6
BETA RASPODELA B4(a, b, c, d)
(qetvoroparametarska)
Gustina
g(x) =
1 (x c)a1 (d x)b1
,
B(a, b)
(d c)a+b1
c x d.
Parametri
{ parametri oblika,
c, d (c, d R, c < d) { najmaa i najvea vrednost sluqajne promen ive.
a, b (a > 0, b > 0)
Grafik gustine
Karakteristiqni sluqajevi su isti kao za
intervala (0, 1) interval (c, d).
, samo xto je umesto
B2 (a, b)
c=1, d=4
2
1.5
1.5
1.5
0.5
0.5
0.5
0
1
0
1
1.5
1.5
1.5
0.5
0.5
0.5
0
1
1.5
1.5
1.5
0.5
0.5
0.5
0
1
0
1
0
1
38
Beta B4 raspodela
39
Momenti
m1 = c +
da
,
a+b
D(X) =
ab(d c)2
.
(a + b)2 (a + b + 1)

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

.
ab(a + b + 2)(a + b + 3)
Ocene parametara
Ako su parametri c i d poznati, ocene ba i bb parametara a i b metodom

maksimalne verodostojnosti dobijaju se iz sistema
n
(b
a) (b
a + bb)
1 X Xi c
ln
,
n i=1
dc
(bb) (b
a + bb)
1 X d Xi
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 pretpostavkom da su parametri c i d poznati) dobijaju se iz sistema
M1 c
dc
Sn2
(d c)2
Neka svojstva
=
=
e
a
,
e
a + eb

e
a
e
a
1
1
.
e
e
e
e
a+b
e
a+b e
a+b+1
1. Za a > 1 i b > 1 raspodela ima mod jednak

1. Ako X
, tada c + (d c)X
: B2 (a, b)
d(a 1) + c(b 1)
a+b2
: B4 (a, b, c, d)
Beta B4 raspodela
40
2. Ako X
, tada Xd cc
: B4 (a, b, c, d)
: B2 (a, b)
Primena
Raspodela B4(a, b, c, d) slui za opisivae raznih pojava koje se karakterixu sluqajnim veliqinama qije su vrednosti u konaqnom intervalu. Na
primer, stepen oblaqnosti u meteorologiji.
Napomena
Kako postoji veza izmeu beta i gama funkcije, gustina raspodele B4 moe
da se izrazi i preko gama funcije na sledei naqin:
g(x) =
(a + b) (x c)a1 (d x)b1
,
(a)(b)
(d c)a+b1
c x d.
7
BETA PRIM RASPODELA BP (a, b)
(dvoparametarska)
Gustina
g(x) =
1
xa1
,
B(a, b) (1 + x)a+b
x > 0.
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
a=2, b=0.5
1.2
a=8, b=5
1
0.8
0.6
0.4
0.2
0
0
0.2
0.4
0.6
0.8
41
1.2
1.4
1.6
1.8
42
Beta prim raspodela
Funkcija raspodele
F (x) = Ix/(1+x) (a, b),
gde je Ix nepotpuna beta funkcija (videti Dodatak).
Neka svojstva
1. Ako X
, onda X1
: BP (a, b)
2. Modus raspodele je jednak
: BP (b, a)
a1
b+1
1. Raspodela je specijalan sluqaj Pirsonove raspodele (tip
VI
).
2. Ako X : B2(a, b), onda 1 XX : BP (b, a) i 1 XX : BP (a, b).

3. Ako X : G1(a) i Y : G1(b) i ako su X i Y nezavisne sluqajne
promen ive, tada XY : BP (a, b).
4. Ako X2 : G1 (1/2) i Y2
2
promen ive, tada XY 2 :
2
i ako su X i Y nezavisne sluqajne

BP (1/2, 1/2).
: G1 (1/2)
Napomena
U literaturi na engleskom jeziku se koriste i nazivi

the second kind i inverted beta.
beta distribution of
8
BRADFORDOVA RASPODELA BR(a, b, c)
(troparametarska)
Gustina
g(x) =
a
,
a(x b) + (c b) log(a + 1)
b < x < c.
Parametri
a (a > 0)
{ parametar oblika, b, c (b < c) { parametri lokacije.
Grafik gustine
1
0.9
b=1, c=5
0.8
a=4
a=8
0.7
a=3
0.6
a=4
0.5
a=0.5
0.4
a=1
0.3
0.2
0.1
1
b= 1, c=2
43
44
Bradfordova raspodela
Funkcija raspodele

xb
log 1 + a
cb
F (x) =
,
log(a + 1)
b < x < c.
Momenti
m1 =
D(X) =
a(c b + log(a + 1)(c(a + 1) c)

,
a log(a + 1)
(c b)2 (a(log(a + 1) 2) + 2 log(a + 1))

.
2a log2 (a + 1)
Mod i medijana
M o(X) = b,
M e(X) =
1
(b(a + 1) c + (c b) a + 1).
a

1 (X) =
2 (X) =
12a2 9ka(a + 2) + 2k 2 (a(a + 3) + 3)

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

,
3a(a(k 2) + 2k)2
gde je k = log(a + 1).
Neka svojstva
Kvartili raspodele su:
Q1 =
1
(b(a + 1) c + (c b) 4 a + 1),
a
Q3 =
p
1
(b(a + 1) c + (c b) 4 (a + 1)3 ).
a
9
BUROVA RASPODELA BU 2(a)
(tip II , jednoparametarska)
Gustina
g(x) =
aex
x R.
a+1 ,
(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
45
46
Burova raspodela
Funkcija raspodele
F (x) = 1 + ex
a
x R.
0.9
0.8
0.7
a=1
a=0.5
0.6
0.5
0.4
a=5
0.3
0.2
0.1
0
5
10
BUROVA RASPODELA BU 3(a, b)
(tip III , dvoparametarska)
Gustina
ab
g(x) =
b+1
xa+1 (1 + xa )
x > 0.
Parametri
a, b (a, b > 0)
- parametri oblika.
Grafik gustine
3
2.5
a=18, b=0.04
a=10, b=0.1
2
a=15, b=0.2
1.5
a=18, b=0.1
0.5
0
0
0.5
47
1.5
48
Burova raspodela
Funkcija raspodele
F (x) = 1 + xa
b
x > 0.
1
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
1.5
2.5
3.5
4.5
11
(tip IV , dvoparametarska)
Gustina
b
g(x) =
x(x a)
ax
x
1/a
1+
ax
x
1/a !b1
0 < x < a.
Parametri
a, b (a > 0, b > 0)
- parametri oblika.
Grafik gustine
2
1.8
1.6
1.4
a=2, b=2
1.2
1
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
49
1.2
1.4
1.6
1.8
50
Burova raspodela
Funkcija raspodele
F (x) =
1+
ax
x
1/a !b
0 < x < a.
1
b=0.2
0.9
0.8
0.7
0.6
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
1.2
1.4
1.6
1.8
12
(tip V , dvoparametarska)
Gustina
g(x) =
ab
etan x
1 + tan2 x
(1 +
b+1
aetanx )
<x< .
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
0.5
51
0.5
1.5
52
Burova raspodela
Funkcija raspodele
F (x) = 1 + ae tan x
b
<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
0.5
0.5
1.5
13
(tip V I , dvoparametarska)
Gustina
g(x) = ab2 ch xeb sh x 1 + aeb sh x
b1
x R.
Parametri
a, b (a > 0, b > 0)
{ parametri oblika.
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
53
54
Burova raspodela
Funkcija raspodele
F (x) = 1 + aeb sh x
b
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
14
(tip V II , jednoparametarska)
Gustina
g(x) = a (tanh x 1)
1 1
+ tanh x
2 2
a
x R.
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
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
15
(tip V III , jednoparametarska)
Gustina
a
aex
2
a1
(arctan ex )
,
g(x) =
1 + e2x
x R.
Parametri
a (a > 0)
{ parametar oblika.
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
57
58
Burova raspodela
Funkcija raspodele
F (x) =
2
arctan ex
a
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
16
(tip IX , dvoparametarska)
Gustina
b1
g(x) = 2abex
(1 + ex )
(a(1 + ex )b a + 2)
2,
x R.
Parametri
a, b (a > 0, b > 0)
{ parametri oblika.
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
59
60
Burova raspodela
Funkcija raspodele
F (x) = 1
2
,
a ((1 + ex )b 1) + 2
x R.
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
17
(tip X , jednoparametarska)
Gustina
g(x) = 2axex
1 ex
a1
x > 0.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
1.4
1.2
a=2
a=0.5
a=5
a=1
1
0.8
0.6
0.4
0.2
0
0
0.5
1.5
61
2.5
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=2
a=1
0.5
0.4
0.3
a=5
0.2
0.1
0
0
0.5
1.5
2.5
18
(tip XI , jednoparametarska)
Gustina

a1
1
,
g(x) = a(1 cos 2x) x
sin 2x
2
0 < x < 1.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
4
3.5
a=5
3
a=2
2.5
a=1
a=0.5
1.5
0.5
0
0
0.1
0.2
0.3
0.4
0.5
63
0.6
0.7
0.8
0.9
64
Burova raspodela
Funkcija raspodele

a
1
F (x) = x
sin 2x ,
2
0 < x < 1.
0.9
0.8
a=1
0.7
a=2
0.6
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
19
(tip XII , dvoparametarska)
Gustina
g(x) =
abxa1
b+1
(1 + xa )
x > 0.
Parametri
a, b (a > 0, b > 0)
{ parametri oblika.
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
1.5
65
2.5
66
Burova raspodela
Funkcija raspodele
b
F (x) = 1 (1 + xa )
x > 0.
a=15, b=0.1
0.9
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
1.5
2.5
3.5
4.5
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
k=1
ln(1 + Xka ) : G2 (n, 1/b) .
20
VEJBULOVA RASPODELA W1(a)
(jednoparametarska)
Gustina
g(x) = axa1 exp {xa } ,
x > 0.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
2
1.8
a=5
1.6
a=0.5
1.4
1.2
a=0.1
0.8
0.6
a=2
0.4
a=1
0.2
0
0
0.5
1.5
67
2.5
68
Vejbulova raspodela
Funkcija raspodele
F (x) = 1 exp {xa } ,
x > 0.
Momenti
Specijalno:

r
mr = 1 +
,
a

1
m1 = 1 +
,
a

3
m3 = 1 +
,
a
r > 0.

2
m2 = 1 +
,
a

4
m4 = 1 +
.
a
Centralni momenti:

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

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

3
1
2
1
1
4
4 1 +
1+
+6 1 +
2 1 +
34 1 +
.
4 = 1 +
a
a
a
a
a
a
Mod i medijana

1/a
a1
,
a
M o(X) =
0,
a>1
M e(X) = (ln 2)1/a .
0<a1
Funkcija verodostojnosti
n
a1
L = a (X1 X2 Xn )
exp
n
X
Xia
i=1
ln L = n ln a + (a 1)
n
X
ln Xk
k=1
n
X
Xka .
k=1
Ocene parametara
Kako je
k=1
k=1
X
n X
ln L
= +
log Xk
Xka ln Xk ,
da
a
69
Vejbulova raspodela
ocena ba za parametar a dobija se iz jednaqine

n
k=1
k=1
1 X ab
1X
1
Xk ln Xk =
ln Xk .
n
b
a
n
Metoda momenata
Ocena ea parametra a, po metodi momenata, dobija se iz M1 = m1, odnosno

iz jednaqine

1+
1
e
a
=X
ili iz M2 = m2, odnosno iz jednaqine

n
1
1X 2
Xk .
2+
=
e
a
n
k=1
Neka svojstva
1. Koeficijent varijacije je Cv =
2
a
G2 1 +

G 1 + a1
G 1+
1
a
2. Za a > 3.6 raspodela je pozitivno asimetriqna, a za a < 3.6 negativno

asimetriqna.
3. Za a = 3.6 raspodela je priblino normalna ( 1(X) = 0).
4. Za velike vrednosti parametra a (a > 100) raspodela je priblino
simetriqna (1(X) 0 (a )).
5. Za a = 2.25 i za a = 5.83 sp oxtenost raspodele je sliqna sp oxtenosti normalne raspodele ( 2(X) = 0).
6. Ako su X1, X1, . . . , X1/n
n nezavisne sluqajne promen ive i Xi : W1 (a),
tada Xmin : W1(an ).

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)
70
Vejbulova raspodela
6. Ako X
7. Ako X
8. Ako X
Napomene
, tada bX + c
: W1 (a)
, tada X b c :
W1 (a), tada X a : E(1).
: W3 (a, b, c)
:
: W3 (a, b, c)
W1 (a).
1. Raspodela nosi naziv po xvedskom ineeru i fiziqaru Vejbulu

(Waloddi Weibull, 1887-1979).
2. Za raspodelu se koristi i naziv Frexeova, po francuskom matematiqaru (Rene-Maurice Frechet, 1878-1973), kao i Gnedenko-Vejbulova (Boris
Vladimiroviq Gnedenko, 1912-1995 { ruski matematiqar).
21
VEJBULOVA RASPODELA W2(a, b)
(dvoparametarska)
Gustina
g(x) =
n x a o
a x a1
exp
,
b b
b
x > 0.
Parametri
a (a > 0)
{ parametar oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
1.5
b=2
a=0.1
a=2
a=0.5
a=1
a=5
0.5
0
0
0.5
1.5
71
2.5
72
Vejbulova raspodela
Funkcija raspodele
n x a o
F (x) = 1 exp
,
b
x > 0.
Entropija

a
1
b
b
H(X) = b 1
+ ln
+
.
a
a
a
Momenti

r
mr = b r 1 +
,
a
Specijalno:
r > 0.

1
2
2
m1 = b 1 +
, m2 = b 1 +
,
a
a

2
1
2 = D(X) = b2 1 +
2 1 +
.
a
a
Mod i medijana

1/a
b a 1
,
a
M o(X) =
0,
a>1
M e(X) = b(ln 2)1/a .
0<a1

1 (X) =
2 (X) =
gde je 2 = 2.
b4 1 +
1+
4
a
3
a
b3 3m1 2 m31
,
3
3 4 41 3 m1 6 2 m21 m41
,
4
( n )
X Xi a
an
a1
exp
L = na (X1 X2 Xn )
,
b
b
i=1
73
Vejbulova raspodela
ln L = n ln a na ln b + (a 1)
n
X
ln Xk
n
1 X a
Xk .
ba
k=1
k=1
Ocene parametara
Ocene ba i bb nepoznatih parametara a i b dobijaju se iz sistema

n
1 X ab
Xk
n
bb =
Pri tome je
1
b
a
D(b
a)
1
n
k=1
n
X
!1/ba
ln(Xk ) +
k=1
0.608 2
a ,
n
Metoda momenata
Pn
a
b
k=1 Xk ln Xk
Pn
.
a
b
k=1 Xk
1.109 b2
D(eb)
2.
n
a
Ocena ea za parametar a moe da se dobije iz izraza za koeficijent varijacije, a ocena eb parametra b iz izraza za prvi momenat. U tom sluqaju
e
a je rexee jednaqine

2
1
1
2
Xn a +
1+
= 1+
Sn ,
a
a
a
a eb je dato sa eb = (1 X+n1/a) .
Neka svojstva
2
a
G2 1 +

G 1 + a1
G 1+
1
a

asimetriqna.
5. Za a = 2.25 i za a = 5.83 sp oxtenost raspodele je sliqna sp oxtenosti normalne raspodele ( 2(X) = 0).
6. Ako su X1, X1, . . . , X1/n
n nezavisne sluqajne promen ive i Xi : W2 (a, b),
tada Xmin : W2(an , b).
74
Vejbulova raspodela
7. Za a < 1 raspodela ima mod u x = 0, za a > 1 ima mod u x = (11/a)1/a,

a za a = 1 raspodela je eksponencijalna.
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, komunikacije, klimatologija (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
a
g(x) =
b
xc
b
a1

a
xc
exp
,
b
x > c.
Parametri
a (a > 0)
c (c R)
{ parametar oblika, b (b > 0) { parametar skaliraa,

Grafik gustine
1.5
b=2, c=1
a=0.1
1
a=12
a=0.5
a=1
0.5
a=5
0
0.5
1.5
2.5
75
3.5
76
Vejbulova raspodela
Funkcija raspodele

a
xc
F (x) = 1 exp
,
b
x > c.

r
X
r j rj
j
,
b c 1+
a
j
j=1
r > 0.
Momenti
mr =
Centralni momenti:

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

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

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

2
1
1
2
4
+ 6 1 +
1+
3 1 +
.
a
a
a
Mod i medijana

1/a
c + b a 1
,
a
M o(X) =
c,
a>1
M e(X) = c + b(ln 2)1/a .
0<a1

1 (X) =
2 (X) =
34 1 +
1
a
23 1 +
1
a

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

3/2
1 + a2 2 1 + a1

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

2
2 1 + a1 1 + a2
+ 62 1 +
1
a
77
Vejbulova raspodela
( n
)
n
X Xk c a
an Y
a1
L = na
(Xk c)
exp
,
b
b
k=1
k=1
a
n
n
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
ln L
a
ln L
b
ln L
c
=
=
=
a
n
n
X
X
Xk c
n
Xk c
ln
n ln b
,
ln(Xk c)
a
b
b
k=1
k=1
an
a X
k = 1n (Xk c)a ,
a+1
b
b
a
n
n
X
1 X Xk c
1
,
(a 1)
+
Xk c b
b
k=1
k=1
ocene ba, bb i bc nepoznatih parametara a, b i c dobijaju se rexavaem sistema

n
1X
(Xk b
c)ab
n
bb =
b
a
n
X
k=1
1
b
a
(Xk b
c)ab1
!1/ba
k=1
ln bb
1X
1X
ln(Xk b
c) +
n
n
k=1
n
X
= bbab (b
a 1)
k=1
k=1
1
.
Xk b
c
X b
c
bb
ab
ln
X b
c
,
bb
U sluqaju kada je parametar c poznat promen iva Y = X c ima dvoparametarsku Vejbulovu raspodelu, pa umesto X1, X2, . . . , Xn moe da se uzme
uzorak Y1, Y2, . . . , Yn. Tada je
a
a1
n
Y
Yk
a Yk
exp
,
L(Y1 , . . . , Yn ; a, b) =
b
b
b
k=1
pa se ocene dobijaju iz sistema
bb =
1
b
a
1 X ab
Yi
n
1
k=1
n
X
!1/ba
Pn
Y ab ln Yk
Pn k ab .
ln Yk + k=1
k=1 Yk
k=1
78
Vejbulova raspodela
Metoda momenata
Ako je parametar c poznat, ocene za parametre a i b dobijamo na osnovu

uzorka Y1, . . . Yn kao u sluqaju raspodele W2(a, b). Ako parametar c nije
poznat, onda ocena 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
eb =
Sn
1+
Neka svojstva
2
a
e
2 1 +
1
a
e
1/2 ,

1
e
c = X n eb 1 +
.
e
a
1. Kvartili raspodele su

1/a
4
,
Q1 = c + b ln
3
Q3 = c + b(log 4)1/a .
2
a
G2 1 +

c + bG 1 + a1
G 1+
1
a

asimetriqna.
6. Za a = 2.25 i za a = 5, 83 sp oxtenost raspodele je sliqna sp oxtenosti normalne raspodele ( 2(X) = 0).
7. Ako X : W3(a, b, c), onda X c : W3(a, b, 0).
8. Ako su X1, X1, . . . , X1/n
n nezavisne sluqajne promen ive i Xi : W3 (a, b, c),
tada Xmin : W3(an , 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).
79
Vejbulova raspodela
6. Ako X
7. Ako
8.
9.
, tada
: W1 (a)
c + bX : W3 (a, b, c)
a
X c
: E2 (1, 0)
X : W3 (a, b, c)
b
W3 (2, 2, c) = R2 (c, )
W (2, 2, 0) = R1 ()
, tada
10. Ako X : W (a, b, c), tada standardizovana sluqajna promen iva

za a [2, 6] ima priblino raspodelu N (0, 1).
X E(X)
Generisae
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je

sluqajan broj iz W3(a, b, c).
x = c + b( ln u)1/a
23
VEJBULOVA RASPODELA W4(a, b, c, d)
Gustina

a
a
xc
ad1
g(x) = ad
(x c)
exp
,
b (d)
b
x > c.
Parametri
{ parametri oblika, b (b > 0) { parametar skaliraa,
a, d (a, d > 0)
c (c > 0)
Grafik gustine
1.5
b=2, c=1, d=2

b=2, c=1, d=0.8
a=5
1
a=0.5
a=5
a=2
0.5
a=2
a=0.5
0
0.5
1.5
2.5
80
3.5
81
Vejbulova raspodela
Funkcija raspodele

a
1
xc
F (x) =
d,
,
(d)
b
x c,
gde je (d, t) nepotpuna Gama funkcija (videti Dodatak).
Momenti
mr =
r
X
r k rk (d + r/a)
,
b c
(d)
k
r > 0.
k=0
Specijalno:

d + a1
,
m1 = c + b
(d)
m3 = c3 + 3bc2

2
d + a1
2 d + a
m2 = c + 2bc
+b
,
(d)
(d)
2
(d + 1/a)
(d + 2/a)
(d + 3/a)
+ 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).
7. Ako X
, tada
: W4 (a, b, c, d)
X c
b
a
: G1 (d)
i obrnuto.
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
a
g(x) =
b
cx
a
a1

a
cx
exp
,
b
x < c.
Parametri
a (a > 0)
c (c R)

Grafik gustine
1.5
b=2, c=1
a=0.1
1
a=2
a=0.5
a=1
0.5
0
2
a=5
1.5
0.5
82
0.5
1.5
25
VEJBULOVA RASPODELA W D(a, b, c)
(dvostrana, troparametarska)
Gustina
Parametri
a (a > 0)
c (c > 0)

a1

x c a
a x c

,
g(x) =
exp
2b b
b
x R.

Grafik gustine
1
b=2, c=1
0.9
0.8
a=10
a=0.8
0.7
0.6
0.5
a=5
0.4
a=1
0.3
a=2
0.2
0.1
0
2
83
26
VEJBULOVA RASPODELA W E(a, b, c)
(eksponencijalna, troparametarska)
Gustina
g(x) =
Parametri
a (a 1)
c (c 0)
b exp {bx} , 0 < x < c,

b + aba (x c)a1 exp {bx (b(x c))a } ,
xc
{ parametar oblika, b (b 0) { parametar skaliraa,

Grafik gustine
1.4
c=1
1.2
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
1.5
84
2.5
85
Vejbulova eksponencijalna raspodela
Funkcija raspodele
F (x) =
1 exp{bx},
x<c
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
1.5
2.5
27
VEJBULOVA RASPODELA W U (a, b, c)
(uopxtena troparametarska)
Gustina
g(x) = ca
x a1
b
exp
n x a

o
a
+ cb 1 e(x/b)
,
x > 0.
Parametri
a, c (a, c > 0)
{ parametri oblika, b (b > 0) { parametar skaliraa.
Grafik gustine
2.5
b=0.5
a=c=1
a=c=2
b=0.5
1.5
b=1
b=1
b=2
1
b=2
b=5
0.5
b=5
0
0
0.5
1.5
86
2.5
87
Vejbulova uopxtena raspodela
Funkcija raspodele
n
o
a
F (x) = 1 exp cb 1 e(x/b)
,
x > 0.
0.9
b=0.5
b=2
0.8
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
1.5
2.5
28
VEJBULOVA RASPODELA W EX(a, b, c)
(eksponencijalizovana, troparametarska)
Gustina
g(x) =
n x a o
n x a oc1 x a1
ac
exp
1 exp
,
b
b
b
b
x > 0.
Parametri
a, c (a, c > 0)
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
1.5
88
2.5
3.5
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
2.5
c=2
2
c=1
1.5
1
c=0
0.5
0
0
0.2
0.4
0.6
0.8
89
1.2
1.4
1.6
1.8
30
VEJBULOVA RASPODELA W Z(a, b, c, .)
(zaseqena sa obe strane, petoparametarska)
Gustina
a
g(x) =
a
a
b e((c)/b) e((c)/b)
xc
b
a1
exp

xc
b
a
, < x < .
Parametri
- parametar oblika, b (b > 0) - parametar skaliraa,

- parametri lokacije.
a (a > 0)
c, , (c < )
Grafik gustine
1.5
b=2, c=1, =1.5, =3.5
a=8
a=0.1
1
a=5
a=1
a=2
0.5
0
1
1.5
2.5
90
3.5
31
VEJBULOVA RASPODELA W ZL(a, b, c, )
(zaseqena sa leve strane, qetvoroparametarska)

Gustina
a
g(x) =
b
xc
b
a1
exp

xc
b
a
c
b
a
x > .
Parametri
- parametar oblika, b (b > 0) - parametar skaliraa,
- parametri lokacije.
a (a > 0)
c, (c )
Grafik gustine
1.5
b=2, c=1, =1.5
a=8
1
a=2
a=5
0.5
a=1
0
1
1.5
2.5
91
3.5
32
VEJBULOVA RASPODELA W ZD(a, b, c, )
(zaseqena sa desne strane, qetvoroparametarska)

Gustina
g(x) =
a
b e((c)/b)
Parametri
a
xc
b
a1
exp

xc
b
a
c < x < .
{parametar oblika, b (b > 0) { parametar skaliraa,

a (a > 0)
c, (c < )
Grafik gustine
1.5
b=2, c=1, =3.5

a=8
a=1
a=5
a=2
0.5
0
1
1.5
2.5
92
3.5
33
GAMA RASPODELA G1(a)
(jednoparametarska)
Gustina
g(x) =
xa1 ex
,
(a)
x 0.
Parametri
a (a > 0)
- parametar oblika.
Grafik gustine
a=0.5
0.5
a=1
a=2
0.4
a=2.5
0.3
a=3
a=5
0.2
a=10
0.1
0
0
93
10
94
Gama raspodela
Momenti
mr =
Specijalno:
(a + r)
,
(a)
r > 0.
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
1 (X) = ,
a
2 (X) =
6
.
a
Ocene parametara
Ocena ba za nepoznati parametar a je rexee jednaqine

n
(b
a) =
1X
ln Xk ,
n
k=1

Metoda momenata
Ocena ea za nepoznati parametar

a, po metodi momenata, data je sa e
a = X,
a
pri qemu je Eea = a i Dea = n .
Neka svojstva
1. Koeficijent varijacije je CV (X) = 1a .

2. Ako X : G1(a), Y
ive, tada X + Y
i ako su X i Y nezavisne sluqajne promen.
: G1 (b)
: G1 (a + b)
1. G1(a) = G2(a, 1) = G3(a, 1, 0) = G4(a, 1, 0, 1).

2. G1(1) = E1(1).
3. G1(n) = ER2(1, n), n N .
95
Gama raspodela
4. Ako X : G1(a) i
promen ive, tada
G1 (b)
i ako su
X + Y : G2 (a, b),
nezavisne sluqajne
X
: 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
Y = ln(X1 X2 Xn ) = ln
tada Y : G1(n).
1
1
1
+ ln
+ . . . + ln
,
X1
X2
Xn
34
GAMA RASPODELA G2(a, b)
(dvoparametarska)
Gustina
g(x) =
1 x a1 x/b
e
,
b(a) b
x 0.
Parametri
a (a > 0)
- parametar oblika, b (b > 0) - parametar skaliraa.
Grafik gustine
0.2
0.15
0.1
a=0.5, b=2
a=2, b=2
0.05
0
0
0.5
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
96
97
Gama raspodela
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je fiksiran prvi parametar, a = 2, dok se drugi parametar mea u intervalu
[0.5, 3].
0.8
0.7
b=0.5
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
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
a=3
0.05
0
0
0.5
1.5
2.5
3.5
98
Gama raspodela
Funkcija raspodele
F (x) =
x
1
a,
,
(a)
b
x 0,
gde je nepotpuna gama funkcija (videti Dodatak).
Entropija
H(X) = ab + (1 a) ln b + ln (a) + (1 a)(a),
(t) =
1
.
(1 bt)a
M (t) =
1
,
(1 bt)a
t<
mr = b r
(a + r)
,
(a)
r > 0.
1
.
b
Momenti
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
1 (X) = ,
a
2 (X) =
6
.
a
99
Gama raspodela
L=
1
ba (a)
n
ln L = (a 1)
a1
(X1 X2 Xn )
exp
X
i
n
X
ln Xi
i=1
n
X
Xi
i=1
=1
n Xi
na ln b n ln (a).
Ocene parametara
Ocene ba i bb nepoznatih parametara a i b su rexea sistema jednaqina

n
1X
(b
a) + ln bb =
ln Xk ,
n
b
abb = X,
k=1

Metoda momenata
Ocene ea i eb po metodi momenata date su sa

2
e
a=
X
,
S2
2
eb = S .
3
X
Neka svojstva
1. Koeficijent varijacije je CV = 1a .
2. Ako X
, tada cX
: G2 (a, b)
: G2 (a, cb)
3. Ako X : G2(a, b), tada X1 : G2(a, 1/b).

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
2. G2(1, b) = E1(b).
3. G2(a, 1) = G1(a).
: G2 (a, b)
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

9. G2(a, b) N (ab, ab2) kada a .
Generisae
: G2 (n, b)
Ako su u1,n. . . , un nezavisni sluqajni brojevi iz U (0, 1) raspodele, tada

X
je x = ln ui sluqajan broj iz G(n, 1), a bx sluqajan broj iz G(n, b)
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 metode.
35
GAMA RASPODELA G3(a, b, c)
(troparametarska)
Gustina
1
g(x) =
b(a)
xc
b
a1

xc
exp
,
b
x > c.
Parametri
a (a > 0)
c (c R)

- parametar lokacije.
Grafik gustine
0.2
4
c=2
c=2
0.15
0.1
a=0.5, b=2
2
a=2, b=2
0.05
0
2
0
2
0.5
4
c=2
c=2
0.4
3
a=2, b=0.8
0.3
a=0.5, b=0.8
2
0.2
1
0.1
0
2
0
2
101
102
Gama raspodela
Funkcija raspodele

xc
F (x) = a,
(a).
b
Specijalno za a N je

xc
F (x) = 1 exp
b
a1
X
k=0
1
k!
k
xc
b
x > c.
(t) = eict (1 ibt)a .
Momenti
mr =
Specijalno:
r
X
r k rk (a + k)
,
b c
(a)
k
r > 0.
k=0
m2 = a(a + 1)b2 + 2abc + c2 .
m1 = ab + c,
Centralni momenti:
2 = D = ab2 ,
3 = 2ab3 ,
4 = (3a2 + 6a)b4 .
Mod i medijana
M o(X) =
c + b(a 1),
c,
Za medijanu ne postoji jednostavan izraz.
a1
a<1

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

b
abb + b
c =

n
1X
1
=
n
Xk b
c
X,
1
(b
a 1)bb
k=1
1X
ln(Xk b
c),
n
(b
a) + ln bb =
k=1

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

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

sistema
n
X
b
abb + c = X,
ln bb + d(b
a) =
1
n
ln(Xk c).
k=1
Metoda momenata
Ocene ea, eb i ec za a, b i c, po metodi momenata, date su sa

gde je
eb = C3 ,
2C2
4
,
12
e
a=
e
c=X
C2 =
1X
(Xk X)2 ,
n
C3 =
k=1
1X
(Xk X)3 .
n
k=1
Specijalno:
{ Ako je poznat parametar a, onda je
pri qemu je
(a + 3)b2
D(eb)
,
2an
e
c = C Sn a,
Sn
eb =
,
a
D(e
c)
a(a + 3)b2
,
2n
{ Ako je poznat parametar b, onda je

e
a=
2C22
,
C3
Sn2
,
b2
a+1
(eb, e
c)
,
a+3
Sn2
.
b
e
c=X
{ Ako je poznat parametar c, onda je

e
a=
(X c)2
,
Sn2

1. Ako X : G1(a), tada bX + c
2. G3(1, b, 0) = E1(b).
eb =
Sn2
.
X c
: G3 (a, b, c)
(n ).
Gama raspodela
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.
105
36
GAMA ZASEQENA RASPODELA GZ1(a)
(zaseqena na [0, T ], jednoparametarska)
Gustina
xa1 ex
,
(a, T )
g(x) =
0 x T.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
T=4
a=0.5
a=5
0.5
a=1
a=2
a=3
0.4
0.3
0.2
0.1
0
0
0.5
1.5
106
2.5
3.5
37
GAMA RASPODELA GZ2(a, b)
(zaseqena na [0, T ], dvoparametarska)

Gustina
g(x) =
xa1 ex/b
,
ba1 (a, T /b)
0 x T.
Parametri
a (a > 0)
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
1.5
107
2.5
3.5
38
GILBRATOVA RASPODELA GL
Gustina
1
g(x) =
x 2
ln2 x
2 ,
e
x > 0.
Parametri
Nema parametara.
Grafik gustine
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
108
109
Gilbratova raspodela
Funkcija raspodele
1 1
F (x) = + P
2 2
1 ln2 x
,
2 2
x > 0,
gde je P nepotpuna gama funkcija (videti Dodatak).
Momenti
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
110
111
Gumbelova raspodela
Funkcija raspodele
x
F (x) = ee ,
x R.
Momenti
m1 = ,
m2 = 2 +
2
,
6
m5 = 5 +
m3 = 3 +
2
+2(3),
2
m4 = 4 + 2 2 +
3 4
+8(3),
20
5 3 2
3 4
10 2 (3)
+
+ 20 2 (3) +
+ 24(5),
3
4
3
gde je Ojlerova konstanta, a Rimanova zeta funkcija (videti Dodatak).

Centralni momenti:
2 =
2
,
6
3 = 2(3),
4 =
3 4
,
20
5 =
10 2 (3)
+ 24(5)..
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 (dvojno) 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
112
41
GUMBELOVA RASPODELA GU 1(a)
(jednoparametarska)
Gustina
ax
g(x) = aeax e
,
x R.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
1
0.9
a=0.4
0.8
a=0.5
0.7
a=0.6
0.6
0.5
a=0.8
0.4
a=1
0.3
a=2
0.2
0.1
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 .
2. Ako X
: E1 (1)
3. Ako X
: U (0, 1)
Napomena
, tada a1 ln X
: GU 1(a)
, tada a1 ln( ln X)
: GU 1(a)
Gumbelova raspodela je poznata i kao dvostruko eksponencijalna, kao

raspodela ekstremnih vrednosti tipa I i kao Fixer-Tipetova raspodela.
42
GUMBELOVA RASPODELA GU 2(a, b)
(dvoparametarska)
Gustina
a(xb)
g(x) = aea(x b) e
,
x R.
Parametri
a (a > 0)
- parametar skaliraa, b (b R) - parametar lokacije.
Grafik gustine
0.5
0.45
a=0.8, b=1
0.4
a=0.8, b=2
0.35
a=1, b=0
0.3
0.25
0.2
0.15
0.1
0.05
0
6
115
116
Gumbelova raspodela
Funkcija raspodele
a(xb)
F (x) = ee
,
x R.
Entropija
H(X) = ln a + + 1,
gde je Ojlerova konstanta.

it ibt
(t) = 1
e .
a

t
M (t) = 1
ebt .
a
Momenti
1
m1 = b + ,
a
D(X) =
2
.
6a2
Mod i medijana
M o(X) = b,
M e(X) = b
1
ln(ln 2).
a
12 6(3)
1 (X) =
1.1396,
3
2 (X) = 2.4,
gde je Rimanova zeta funkcija (videti Dodatak).
Ocene parametara
Ocene ba i bb nepoznatih parametara a i b dobijaju se iz jednaqina

n
X
n

1 X baXi
e
Xi ebaXi X
= 0,
b
a i=1
i=1
X
bb = 1 ln n 1 ln
ebaXi .
b
a
b
a i=1
117
Gumbelova raspodela
Metoda momenata
Ocene ea i eb za a i b, po metodi momenata, date su sa

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

Q1 = b
1
ln(ln 4),
a
Q3 = b

1
4
ln ln
.
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)

2. GU 2(a, 0) = GU 1(a).
3. GU 2(1, 0) = GU .
: 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 FixerTipetova (Fisher-Tippett) raspodela.
3. Gustina raspodele moe da se parametrizuje sa i b umesto a i b,
pri qemu je = 1/a. Tada je
g(x) =
b x
1
exp

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

1. E = E1(1).
2. Ako X, Y
: E
, tada X X+ Y
: U (0, 1)
45
EKSPONENCIJALNA RASPODELA E1()
(jednoparametarska)
Gustina
x
1
,
g(x) = e
x 0.
Parametri
( > 0)
{ parametar skaliraa.
Grafik gustine
2
1.8
1.6
=0.5
1.4
1.2
=1
1
0.8
0.6
0.4
=2
0.2
0
0
0.2
0.4
0.6
0.8
121
1.2
1.4
1.6
1.8
122
Funkcija raspodele
F (x) = 1 ex/ ,
x 0.
Entropija
H(x) = 1 + ln .
U skupu sluqajnih promen ivih qije su gustine jednake nuli za x < 0 i

pozitivne za x 0 i koje imaju oqekivae , najveu entropiju imaju one
sa raspodelom E1().
(t) =
1
.
1 it
Momenti
mr = r r!,
Specijalno:
m1 = ,
m2 = 22 ,
r N.
m3 = 63 ,
m4 = 244 .
Za centralne momente vai jednakost

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

1 (X) = 2,
2 (X) = 6.
7 = 18547 .
123
(
)
n
1X
1
L() = n exp
Xi .
i=1
Ocene parametara
Kako je
1X
Xi ,
ln L() = n ln
i=1
iz dd ln L() = 0 dobija se ocena za po metodi maksimalne verodostojnosti

b = X n.
Metoda momenata
Ocena je ista kao ona koja se dobija metodom maksimalne verodostojnosti, pri qemu je
2
b = ,
E()
pa je ocena nepristrasna i stabilna.
b =
D()
,
n
Neka svojstva
1. Koeficijent varijacije je CV (X) = 1.

2. Ako X : E1(1), tada X : E1().
3. Ako Xi : E1(i) za i = 1, . . . , n i ako su X1, . . . , Xn nezavisne sluqajne
promen ive, tada
min{X1 , X2 , . . . , Xn } : E1 (1 + 2 + + n ).
4. Ako X
, tada za svako x 0 i svako y 0 vai
: E1 ()
P {X x + y | X y} = P {X x}.
Ovo svojstvo se zove nedostatak memorije i ono karakterixe eksponencijalnu raspodelu meu neprekidnim raspodelama.

1. E1() = E2(, 0).
2. E1() = G3(1, , 0).
124
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 p2X/ : R1(1/).
7. Ako su X1, . . . Xn nezavisne i Xi : E1(), tada Pni=1 Xi : G2(n, ).
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 : L1().
Primena
Biologija, fizika, sistemi masovnog opsluivaa, elektrotehnika, meteorologija, hidrologija, teorija pouzdanosti.
Napomena
Koristi se i parametrizacija u kojoj se umesto 1/ uzima . U tom sluqaju

je
(xc)
gde je > 0.
g(x) = e
x c,
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
1.5
2.5
125
3.5
4.5
126
Funkcija raspodele

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

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

1 (X) = 2,
2 (X) = 6.
127
Ocene parametara
Ako je parametar c poznat, ocena za po metodi maksimalne verodostojnosti je

b = X n c,
b = (nepristrasnost) i D()
b = 2 /n 0 kad n
pri qemu je E()
(stabilnost).
Ako je parametar poznat, ocena za c po metodi maksimalne verodostojnosti je bc = Xmin.
Ocene oba parametra po metodi maksimalne verodostojnosti su
b = X Xmin .
b
c = Xmin ,
Ove ocene su asimptotski nepristrasne i stabilne:
,
n
E(b
c) = c +

b = 1 1 ,
E()
n
2
,
n2
D(b
c) =
b = 2
D()
2
1
1
3
+
n n2
n
Metoda momenata
Ako je parametar c poznat, ocena za po metodi momenata je

Ona je nepristrasna i stabilna, jer je
= ,
E()
=
D()
= Xc
2
.
n
Sliqno, ako je parametar poznat, ocena c = X , po metodi momenata,

je takoe nepristrasna i stabilna jer je
E(
c) = c,
D(
c) =
2
.
n
Ocene za oba parametra po metodi momenata su

n
= S,
c = X S,
S2
1X
(Xk X)2 .
n 1
Jox neke ocene parametara
Ocene
c =
1
(nXmin X),
n1
n
(X Xmin )
n1
su nepristrasne, stabilne i slabo korelisane, jer je

E(c ) = c, E( ) = , D(c ) =
2
2
, D( ) =
,
n(n 1)
n1
128
cov(c , ) =
2
,
n(n 1)
1
(c , ) = .
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 a1X1 + + anXn, gde su a1, . . . , an pozitivni realni brojevi, ima Erlangovu raspodelu.
Primena
Biologija, fizika, teorija pouzdanosti, sistemi masovnog opsluivaa,

meteorologija, hidrologija, elektrotehnika, teorija pouzdanosti, psihologija.
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

T /
g(x) = 1 e
1 1 x
e ,
0 x T.
Parametri
( > 0)
{ parametar skaliraa, T (T > 0) { parametar lokacije.
Grafik gustine
1.6
1.4
=1
T=1
1.2
0.8
0.6
T=2
0.4
T=3
0.2
0
0
0.5
1.5
129
2.5
130
Momenti
E(X) =
T
eT / 1
D(X) = 2
T 2 eT /
.
(eT / 1)2
Ocene parametara
Ocena po metodi maksimalne verodostojnosti za se dobija rexavaem

jednaqine
b=X+
Napomena
eT /b 1
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
g(x) =

1
1

exp a |x c|a ,
1
ab
2a1/a b 1 +
a
x R.
Parametri
a (a > 0)
c (c R)

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
0.5
131
0.5
1.5
49
ERLANGOVA RASPODELA ER1(n)
(jednoparametarska)
Gustina
g(x) =
1
xn1 ex ,
(n 1)!
x 0.
Parametri
n (n N )
{ parametar oblika.
Grafik gustine
0.4
0.35
n=2
0.3
n=3
0.25
n=4
0.2
n=5
0.15
0.1
0.05
0
0
132
50
ERLANGOVA RASPODELA ER2(n, b)
(dvoparametarska)
Gustina
g(x) =
x n1
1
ex/b ,
b(n 1)! b
x 0.
Parametri
n (n N )
Grafik gustine
1.4
b=0.3
1.2
n=2
b=0.4
0.8
0.6
b=0.5
0.4
b=0.6
0.2
0
0
0.5
1.5
133
2.5
134
Erlangova raspodela
Funkcija raspodele
F (x) = 1 ex/b
n1
X
k=0
1 x k
,
k! b
x 0.
Entropija
H(X) = nb (n 1) ln b + ln(n 1)! + (1 n)(n),
(t) = (1 itb)n .
M (t) = (1 tb)n ,
t < 1/b.
Momenti
m1 = bn,
D(X) = b2 n.

2
1 (X) = ,
n
2 (X) =
6
.
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).
135
Erlangova raspodela
7. Ako Xi : N (0, 1) za i = 1, . . . , 2n i ako su X1, . . . , X2n nezavisne sluqajne

promen ive, tada
2
X12 + X22 + + X2n
: 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
g(x) =
Generisae
b
(bx)n1 ebx .
(n)
Ako su u1P, un2, . . . , un nezavisni sluqajni brojevi iz U (0, 1) raspodele, tada

je x = b k=1 ln uk sluqajan broj iz ER2(n, b) raspodele.
51
ERLANGOVA RASPODELA ER3(n, b, c)
(troparametarska)
Gustina
1
g(x) = n
b (n 1)!
xc
b
n1
xc
exp
b
x c.
Parametri
n (n N )
c (c > 0)
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
0.5
136
1.5
2.5
137
Erlangova raspodela
Momenti
m1 = bn,
D(X) = b2 n.

2
1 (X) = ,
n
2 (X) =
6
.
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
2
X12 + X22 + + X2n
: ER3(n, 2, 0).
Napomena
Koristi se i parametrizacija u kojoj je 1/b umesto b. U tom sluqaju je

g(x) =
bn
(x c)n1 eb(xc) .
(n)
52
ZIPF RASPODELA Z(a)
(jednoparametarska)
Gustina
g(x) =
X
1 1
,
ia xa
i=1
x > 1.
Parametri
a (a > 1)
{ parametar oblika.
Grafik gustine
1
0.9
0.8
0.7
0.6
0.5
0.4
a=2
0.3
a=3
0.2
a=4
0.1
0
1
1.2
1.4
1.6
1.8
138
2.2
2.4
2.6
2.8
53
INVERZNA GAMA RASPODELA IG(a, b)
(dvoparametarska)
Gustina
g(x) =
ba a1 b/x
x
e
,
(a)
x > 0.
Parametri
a (a > 0)
Grafik gustine
3
a=2, b=0.5
2.5
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
139
0.6
0.7
0.8
0.9
140
Inverzna gama raspodela
Funkcija raspodele
F (x) =
(a, b/x)
,
(a)
x > 0.
Entropija
H(X) = a + ln(b(a)) (1 + a)(a).
(t) =
2
(ibt)a/2 Ka ( 4ibt).
(a)
M (t) =
2
(bt)a/2 Ka ( 4bt).
(a)
Momenti
m1 =
b
(a > 1),
a1
D(X) =
b2
(a > 2).
(a 1)2 (a 2)
1 (X) = 4
a2
(a > 3),
a3
2 (X) =

1. Ako X : G2(a, b), tada X1
2. I2(n) = IG(n/2, 1/2).
: IG(a, 1/b)
30a 66
(a > 4).
(a 3)(a 4)
54
INVERZNA GAUSOVA RASPODELA IG1(a)
(jednoparametarska)
Gustina
g(x) =
a
2x3
(a x)2
2x ,
e
x > 0.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
3
a=0.5
2.5
1.5
a=0.6
1
a=0.8
0.5
0
0
0.1
0.2
0.3
0.4
0.5
141
0.6
0.7
0.8
0.9
55
INVERZNA GAUSOVA RASPODELA IG2(a, b)
(dvoparametarska)
Gustina
g(x) =
(a bx)2
2x
,
e
2x3
x > 0.
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
142
0.6
0.7
0.8
0.9
143
Inverzna Gausova raspodela
Funkcija raspodele
F (x) =
bx a
2ab
+e

bx + a

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

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

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

bX
1 ,
a
Z=
1 1
bX
+ ab ln
,
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, . . . , nia ako su
X1 , . . . , Xn nezavisne sluqa2
jne promen ive, tada X n : IG2 b , na .
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 momenata inverzna funkcija generatrise momenata normalne (Gausove)
raspodele.
3. Raspodela je poznata i kao Valdova ( Wald, 1902-1950) raspodela.
4. Koristi se i kanoniqki oblik funkcije gustine
g(x) =
2
22 x (x )
e
,
2x3
gde je = ab i = a2. Ako se u ovoj parametrizaciji uvede smena

= 2 i = , dobija se nova parametrizacija za koju je
g(x) =

(x )2
2
exp
.
2x3
2x
5. Raspodela moe da se koristi umesto lognormalne raspodele u sluqaju

kada podaci ukazuju da se radi o raspodeli sa 'debelim' krajevima.
56
INVERZNA RELEJEVA RASPODELA IR(a)
(jednoparametarska)
Gustina
g(x) =
2a a/x2
e
,
x3
x > 0.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
2
a=0.2
1.8
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
145
1.5
57
INVERZNA HI KVADRAT RASPODELA I2(n)
(jednooparametarska)
Gustina

2n/2 n/21
1
g(x) = n x
exp
,
2x
x > 0.
Parametri
{ parametar oblika (broj stepeni slobode).
n (n N )
Grafik gustine
4
3.5
n=5
3
n=4
2.5
1.5
n=3
0.5
0
0
0.1
0.2
0.3
0.4
0.5
146
0.6
0.7
0.8
0.9
147
Inverzna hi kvadrat raspodela
Funkcija raspodele

n 1
,
2 2x
n ,
F (x) =
x > 0.
(t) =
1
2n/21
n
2
(it)n/2 Kn/2 ( 2it).
M (t) = 1 2n/41
n
2
(it)n/4 Kn/4 ( 2t),
t R.
Momenti
m1 =
1
(n > 2),
n2
D(X) =
2n2
(n > 4).
(n 2)2 (n 4)

1 (X) =
4 p
2(n 4) (n > 6),
n6
2 (X) = 12

1. Ako X
, tada X1
: 2 (n)
2. I2(n) = IG2

n 1
,
.
2 2
: I2 (n)
5n 22
(n > 9).
(n 6)(n 8)
58
INVERZNA HI KVADRAT RASPODELA IS2(n, 2)
(skalirana, dvoparametarska)
Gustina
g(x) =

2n/2 (n 2 )n/2 n/21
n 2
n
,
x
exp
2x
x > 0.
Parametri
n (n N )
( > 0)
{ 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
1.5
148
2.5
149
Inverzna hi kvadrat raspodela
Funkcija raspodele
F (x) =
n n 2
2 , 2x

n2
x > 0.
(t) =
1
2n/21
n
2
p
(in 2 t)n/2 Kn/2 ( 2in 2 t).
M (t) = 1 2n/41
n
2
p
(in 2 t)n/4 Kn/4 ( 2n 2 t),
t R.
Momenti
m1 =
1
(n > 2),
n2
D(X) =
2n2 4
(n > 4).
(n 2)2 (n 4)

1 (X) =
4 p
2(n 4) (n > 6),
n6
2 (X) = 12

1. Ako X
, tada nX
: 2 (n)
2. IS (n, ) = IG2
2
: IS2 (n, 2 )

n n 2
,
.
2 2
5n 22
(n > 9).
(n 6)(n 8)
59
KOXIJEVA RASPODELA C
(standardna)
Gustina
g(x) =
1
,
(1 + x2 )
x R.
Parametri
Nema parametara.
Grafik gustine
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
5
150
151
Koxijeva raspodela
Funkcija raspodele
F (x) =
1
1
+ arctan x,
2
x R.
(t) = e|t| .
Momenti
S obzirom da g(x) x1 2 za |x| +, ne postoje konaqni momenti reda

r 1, a postoje za r < 1.
Neka svojstva
1. Kvartili su Q1 = 1 i Q3 = 1.
2. Ako X
: C
, tada 12

1
X
: C
X

1. Ako X
2. Ako X
: U (/2, /2)
: U (0, 1)
, tada tan X
: C
, tada tan (X 1/2)
: C
Napomena
Raspodela se zove po francuskom matematiqaru Koxiju ( Augustin

Cauchy, 1789-1857).
Luis
60
KOXIJEVA RASPODELA CZ1
(zaseqena na (0, ))
Gustina
g(x) =
2
,
(1 + x2 )
x 0.
Parametri
Nema parametara.
Grafik gustine
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
152
61
KOXIJEVA RASPODELA CZ2(T )
(zaseqena na [T, T ])
Gustina
g(x) =
1
1
,
arctan T 1 + x2
T x T.
Parametri
T
- parametar lokacije.
Grafik gustine
1
T=0.5
0.8
0.6
T=1
0.4
0.2
T=5
0
5
153
62
KOXIJEVA RASPODELA C1(a)
(jednoparametarska)
Gustina
g(x) =
a
,
(a2 + x2 )
< x < .
Parametri
a
Grafik gustine
0.7
0.6
0.5
a=0.5
0.4
a=1
0.3
a=2
0.2
a=4
0.1
0
5
154
155
Koxijeva raspodela
Funkcija raspodele
F (x) =
1
x
1
+ arctan ,
2
a
x R.

Nema definisane ove koeficijente.
L=
n
an Y
1
,
i=1 a2 + x2i
ln L = n ln a n ln
n
X
ln(a2 + Xj2 ).
i=1
Ocene parametara
Ocena za a metodom maksimalne verodostojnosti se dobija iz jednaqine

n
X
i=1
n
a
2
= .
a
2 + 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).
4. Ako X
5. Ako X
, onda X1 : C1(1).
c1 (a), tada X : C1 (a).
: C1 (1)
:
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

5. Ako X : U [/2, /2], tada tg X : C(1),
Napomena
Raspodela je specijalan sluqaj Pirsonove raspodele tip
: C(1)
V II PIR
7).
63
KOXIJEVA RASPODELA C2(a, b)
(dvoparametarska)
Gustina
g(x) =
b
1
,
b2 + (x a)2
x R.
Parametri
a
{ parametar lokacije, b { parametar skaliraa.
Grafik gustine
0.4
0.35
a=4, b=0.8
0.3
a=1, b=2
0.25
a=1, b=2
0.2
a=3, b=2
0.15
a=0, b=3
0.1
0.05
0
10
157
10
158
Koxijeva raspodela
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je parametar b fiksiran, dok se parametar a mea.
0.2
g(x)
0.15
0.1
0.05
0
5
0
10
5
5
0
5
10
10
x
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je parametar a fiksiran, dok se parametar b mea.
0.25
0.2
g(x)
0.15
0.1
0.05
0
3
2.5
10
5
2
0
1.5
b
5
1
10
159
Koxijeva raspodela
Funkcija raspodele
F (x) =
1
1
xa
+ arctan
,
2
b
x R.
(t) = etab|t| .
Mod i medijana
M o(X) = M e(X) = a.

Nema definisane ove koeficijente.
L=
n
bn Y
1
,
n j=1 b2 + (Xj a)2
ln L = n(ln b ln )
n
X
ln(b2 + (Xj a)2 ),
j=1
n
X
ln L
n
2b
,
=
b
b j=1 b2 + (Xj a)2
ln L X 2(Xj a)
.
=
a
b2 + (Xj a)2
j=1
Ocene parametara
Ocene ba i bb metodom maksimalne verodostojnosti se dobijaju iz sistema

jednaqina
n
n
X
bb2
b2
a)2
j=1 b + (Xj b
Neka svojstva
n
,
2
Xj b
a
= 0.
bb2 + (Xj b
a)2
j=1
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).
160
Koxijeva raspodela
4. Ako je X1, . . . , Xn prost sluqajan uzorak iz C2(a, b), onda X

i Sn : C2(na, nb).
5. Ako Xj : C2(aj , bj ) i ako su Xj meusobno nezavisne, tada
: C2 (a, b)
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
Generisae
: C(0, 1)
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)

1+
g(x) =
, x R.
2b(1/c)(d 1/c)
b
Parametri
- parametar lokacije, b (b > 0) - parametar skaliraa,

- parametri oblika.
a (a R)
c, d (c, d > 0, cd > 1)
Grafik gustine
0.35
a=b=2, d=1
a=2, b=c=2,
0.3
0.25
d=2
c=3
0.2
d=1.5
c=2
0.15
d=1
c=1.5
0.1
0.05
0
10
161
10
162
Koxijeva raspodela
Na sledeoj slici su prikazani grafici gustina u sluqaju kad je a = b = 2

i d = 1, dok se parametar c mea u intervalu [1, 3].
0.25
0.2
g(x)
0.15
0.1
0.05
0
3
2.5
10
5
2
0
1.5
5
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
g(x)
0.3
0.2
0.1
0
3
2.5
10
5
2
0
1.5
d
5
1
10
x
65
KOSINUS RASPODELA COS1(a, b)
(dvoparametarska)
Gustina
g(x) =
1
xa
cos
,
2b
2b
a b x a + b.
Parametri
a, b (a R, b > 0)
Grafik gustine
0.2
b=0.8
0.18
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
163
164
Kosinus raspodela
Funkcija raspodele
1
1
F (x) = +
2 2
xa
xa
+ sin
b
b
a b x a + b.
Momenti
m1 = a,
D(X) =
2
3
b2 .

1 (X) = 0,
2 (X) =
6 4 90
0.5938.
5 ( 2 6)2
Neka svojstva
1. M o(X) = M e(X) = a.
2. Kvartili su Q1 = a 0.8317b,
Primena
Q3 = a + 0.8317b.
Ponekad se koristi se kao aproksimacija za normalnu raspodelu.
66
(na intervalu [a, b])
Gustina
g(x) =
(2x a b)
cos
,
2(b a)
2(b a)
x [a, b].
Parametri
a, b (a, b R, a < b)
{ najmaa i najvea vrednost sluqajne promen ive.
Grafik gustine
0.4
0.35
a=2
0.3
b=3
0.25
0.2
0.15
b=2
b=4
0.1
0.05
0
2
165
166
Kosinus raspodela
Funkcija raspodele
1
F (x) =
2

(2x a b)
1 + sin
,
2(b a)
x [a, b].
Momenti
m1 =
a+b
,
2
D(X) =
2 8
(b a)2 .
4 2
Mod i medijana
M o(X) = M e(X) =
a+b
.
2
Napomena
Funkcija gustine moe da se zapixe i u obliku

g(x) =
1
xc
cos
,
2d
d
gde je c = a +2 b i d = b a .
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
g(x) =
1
2b

xa
1 + cos
,
2b
a b x a + b.
Parametri
a, b (a R, b > 0)
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
167
168
Kosinus raspodela
Funkcija raspodele
1
F (x) =
2

xa
xa
1
1+
+ sin
,
b
a b x a + b.
(t) =
2 sin(bt) iat
e .
bt( 2 b2 t2 )
M (t) =
2 sh(bt) at
e ,
bt( 2 + b2 t2 )
t R.
Momenti
m1 = a,
D(X) = b
1
2
3 2
Mod i medijana
M o(X) = M e(X) = a.

1 (X) = 0,
2 (X) =
6 90 4
0.5938.
5 ( 2 6)2
68
KUMARASVAMIJEVA RASPODELA KM (a, b)
(dvoparametarska)
Gustina
g(x) = abxa1 (1 xa )b1 ,
x (0, 1).
Parametri
a, b (a, b > 0)
{ parametri oblika.
Grafik gustine
2
a<1, b=1
a>1, b>1
a=1, b>1
1.5
1.5
0.5
0.5
0.5
1.5
0
0
0.5
0
0
0.5
2
1.5
1.5
0.5
0.5
0.5
0
0
0.5
0.5
1.5
0.5
0.5
0.5
0
1
0.5
2
a=1, b<1
1.5
0.5
0.5
a>1, b=1
1.5
0
0
a<1, b<1
0.5
2
a=1, b=1
a<1, b>1
1.5
a>1, b<1
0
0
0.5
Ako je bar jedan od parametara mai od 1, grafik gustine ima odgovarajue vertikalne asimptote.
169
170
Kumarasvamijeva raspodela
Funkcija raspodele
F (x) = 1 (1 xa )b ,
x (0, 1).
Momenti

r
b(b) 1 +
a
mr =
r ,
1+b+
a
r > 0.
Mod i medijana
M o(X) =
Napomene
a1
ab 1
1/a
M e(X) =

1/a
1
.
1 1/b
2
1. Raspodelu je uveo Kumarasvami ( Poondi Kumaraswamy) 1980. godine.

2. Funkcija gustine ove raspodele ima vixe oblika, poput beta raspodele, ali je mnogo jednostavnija.
69
LAPLASOVA RASPODELA L1()
(jednoparametarska)
Gustina
|x|
1
e ,
2
g(x) =
x R.
Parametri
( > 0)
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
171
172
Laplasova raspodela
Funkcija raspodele
ex/ ,
F (x) = 2 1
1 ex/ ,
2
x<0
x0
Entropija
H(X) = 1 + ln(2).
Momenti
Specijalno:
m2k+1 = 0,
m2k = 2k (2k)!,
m2 = D(X) = 22 ,
k = 0, 1, 2, . . .
m4 = 4 = 244 .
Mod i medijana
M o(X) = M e(X) = 0.

1 (X) = 0,
2 (X) = 3.
Ocene parametara
Ocena b za metodom maksimalne verodostojnosti je

n
X
b= 1
|Xi |.
n i=1
Metoda momenata
Ocena e metodom momenata je
v
u
n
u 1 X
e
=t
X 2.
2n i=1 i

1. L1() = L2(, 0).
173
Laplasova raspodela
2. Ako X : L1(), tada |X| : E1().

3. Ako X, Y : L1() i ako su X i Y nezavisne sluqajne promen ive,
tada |X|/|Y | : F (2, 2).
4. Ako X, Y : E1(), tada X Y : L1(),
5. Ako X1, X2, X3, X4 : N (0, 1) i ako su X1, X2, X3 i X4 nezavisne sluqajne veliqine, tada
X1 X2 + X3 X4 : L1 (2),
Napomene
X1 X2 X3 X4 : L1 (2).
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
g(x) =
1
e
2
|x a|
,
x R.
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
174
175
Laplasova raspodela
Funkcija raspodele
1 (xa)/
,
e
2
F (x) =
1 e(xa)/ ,
2
xa
x>a
Entropija
H(X) = 1 + ln(2).
(t) =
1
eait .
1 + 2 t 2
M (t) = 1 2 t2 eat ,
|t| <
Momenti
Specijalno:
2k+1 = 0,
2k = 2k (2k)!,
2 = 22 ,
1
.
k = 0, 1, 2, . . .
m4 = 4 = 244 .
Veza izmeu momenata i centralnih momenata je
k
X
k
k =
(1)ki mi aki .
i
i=0

1 (X) = 0,
2 (X) = 3.
Ocene parametara
Ocene b i ba za nepoznate parametre i a su

n
X
b= 1
|Xi b
a|,
n i=1
b
a = M e(X).
176
Laplasova raspodela
Ako su X10 , X20 , . . . , Xn0 statistike poretka (X10 Xn0 ), tada je

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

tada je
n
X
b= 1
|Xi a|.
n i=1
Metoda momenata
Ocene ea i e parametara a i su:

e
a = M e(X),
v
u
n
X
u
e=t 1
(Xi e
a)2 .
2n i=1
Druge ocene
Koriste se i neke druge ocene, na primer:

Xmin + Xmax
,
a =
2
v
u
n
u 1 X
=t
(Xi a )2 .
2n i=1

1. L1(, 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 dvostrane raspodele, L2(, a) = W D(1, , a),
5. Raspodela je specijalan sluqaj gama raspodele, L2(, a) = G4(1, , a, 1),
6. Raspodela je specijalan sluqaj asimetriqne Laplasove raspodele,
L2 (, a) = LA2(, 1/2, a).
Napomene
1. Raspodela je dobila ime po francuskom matematiqaru Laplasu ( Pierre

Simon Laplace, 1749-1827).
177
Laplasova raspodela
2. Ako se za parametre uzmu oqekivae

tada je
g(x) =
i standardna devijacija ,
|x m|
1
e
,
2
x R.
Generisae
Ako su u1 i u2 nezavisni sluqajni brojevi iz raspodele U (0, 1), tada je

x=
a + ln u2 ,
u 1/2
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

|x a|
1
exp
21
1
g(x) =

1
|x a|
exp
,
22
2
Parametri
x<a
x a.
{ parametar lokacije,
{ parametri skaliraa.
a (a R)
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
178
179
Laplasova raspodela
Funkcija raspodele
1 (xa)/1
,
e
2
F (x) =
1 e(xa)/2 ,
2
xa
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
0
5
1=1
72
LAPLASOVA RASPODELA LA2(, p, a)
(asimetriqna)
Gustina

1 p exp |x a| ,
g(x) =

p
|x a|
,
exp
Parametri
( > 0)
a (a R)
xa
x > a.
{ parametar skaliraa, p (0 < p < 1) { parametar oblika,

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
p=0.5
0.1
0
2
180
181
Laplasova raspodela
Funkcija raspodele

ax
(1 p) exp
F (x) =

xa
,
1 p exp
xa
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

.
LA2(, 1/2, a) = L2 (, a)
73
LAPLASOVA RASPODELA LA3(, a)
(asimetriqna)
Gustina
g(x) = (1 )
e(1)(xa) ,
xa
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
182
183
Laplasova raspodela
Funkcija raspodele
F (x) =
e(1)(xa) ,
xa
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
74
LAPLASOVA RASPODELA LA4(, p, a)
(asimetriqna)
Gustina
Parametri
( > 0)
a (a R)

xa
,
exp
p
p
g(x) =

(1 + p2 )
p(a x)
,
exp
xa
x > a.
{ 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
184
185
Laplasova raspodela
Funkcija raspodele

xa
,
p exp
p
1
F (x) =

1 + p2
p(a x)
,
1 + p2 exp
xa
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
Primena
Finansije.
75
LAPLASOVA RASPODELA LA5(, p)
(asimetriqna)
Gustina
Parametri
( > 0)

1
(1 + p)x
exp
,
g(x) =

1
1
ex/ exp 1 epx/ ,
x0
x > 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
186
187
Laplasova raspodela
Funkcija raspodele

(1 + p)x
1
2(1 + p) exp
F (x) =

epx/ ex/ ,
1 1
2(1 + p)
x0
x>0
0.9
=2
0.8
p=0.5
0.7
0.6
0.5
0.4
0.3
0.2
p=2
0.1
0
5
76
LAPLASOVA RASPODELA LZ1(, a, b)
(zaseqena na [a, b])
Gustina
Parametri

1 1
a/
ex/ ,
1e
2
g(x) =
1 1
1 eb/
ex/ ,
2
ax0
0 x b.
{ parametar skaliraa,
,
( > 0)
a (a < 0) b (b >)
Grafik gustine
0.7
a=2
0.6
b=3
0.5
=1
0.4
0.3
=2
0.2
0.1
0
2
1.5
0.5
0.5
188
1.5
2.5
77
LAPLASOVA RASPODELA LZ2(, a, b)
(zaseqena na [a, b])
Gustina
g(x) =
|x|
e ,
(2 ea/ eb/ )
0 x b.
Parametri
{ parametar skaliraa,
,
( > 0)
a (a < 0) b (b >)
Grafik gustine
0.7
0.6
a=2
b=3
0.5
=0.8
0.4
0.3
0.2
=1.5
0.1
0
2
1.5
0.5
0.5
189
1.5
2.5
190
Laplasova zaseqena raspodela
(
)
n
1X
L= n
exp
|Xi | ,
i=1
(2 ea/ eb/ )n
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 jednaqine

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

1
|x a|p
exp
,
p
2p1/p (1 + 1/p)
x R.
Parametri
( > 0)
a (a R)
{ 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=1
p=2
0.2
0.1
0
3
191
192
Laplasova uopxtena raspodela
Funkcija raspodele

p
p1 , (ax)
,
p
1
F (x) =

p
2(1/p)
1 + 1 , (xa) ,
p
p
p
xa
,
gde su (, ) i (, ) nepotpune gama funkcije (pogledati Dodatak).
Napomene
x>a
1. Raspodelu je uveo Subbotin 1923. godine.

2. Koristi se i naziv eksponencijalna stepena raspodela .
79
LEVIJEVA RASPODELA LV (a))
(jednoparametarska)
Gustina
g(x) =
a 3/2 a/2x
x
e
,
2
x 0.
Parametri
a (a > 0)
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
193
1.2
1.4
1.6
1.8
194
Levijeva raspodela
Funkcija raspodele
F (x) =
r
a
2x
1
,
2
x 0.
(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)
a 3/2
x
2
kada x .
80
LOGARITAMSKA RASPODELA LOG1(a, b)
(dvoparametarska)
Gustina
g(x) =
ln x
,
b(ln b 1) a(ln a 1)
x [a, b].
Parametri
a, b (0 < a < b)
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
195
2.2
2.4
2.6
2.8
196
Logaritamska raspodela
Funkcija raspodele
F (x) =
a(1 ln a) x(1 ln x)
,
a(1 ln a) b(1 ln b)
x [a, b].
Momenti
mk =
ak+1 (1 (k + 1) ln a) bk+1 (1 (k + 1) ln b)
,
(k + 1)2 (a(1 ln a) b(1 ln b))
k N.
81
(dvoparametarska)
Gustina
g(x) =
1
xa
ln
,
ba ba
x (a, b].
Parametri
a, b (a, b R, a > b)
Grafik gustine
5
b=3
4.5
3.5
a=2
3
a=1.5
2.5
a=1
2
1.5
0.5
0
1
1.2
1.4
1.6
1.8
197
2.2
2.4
2.6
2.8
198
Funkcija raspodele
xa
F (x) =
ba

xa
1 ln
,
ba
x [a, b].
Momenti
1
m1 = a + (b a),
4
Generisae
D(X) =
7
(b a)2 .
144
Ako su u1 i u2 nezavisni sluqajni brojevi iz U (0, 1) raspodele, tada je

x = a + bu1 u2 sluqajan broj iz LOG2(a, b) raspodele.
82
(dvoparametarska, dvostrana)
Gustina
g(x) =
1
|2x a b|
ln
,
ba
ba
x [a, (a + b)/2) (a + b)/2, b].
Parametri
a, b (a, b R, a < b)
Grafik gustine
1.8
1.6
b=5
1.4
a=2
1.2
0.8
a=1
0.6
a=0
0.4
0.2
0
1
199
200
Funkcija raspodele

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

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

1 |2x a b|
|2x a b|
+
1 ln
,
2
2(b a)
ba
Momenti
m1 =
a+b
,
2
D(X) =
a2
.
36
ax<
a+b
2
a+b
>xb
2
83
LOG - GAMA RASPODELA LGG1(a, b, c)
(troparametarska)
Gustina
1
g(x) =
x|b|(a)
ln x c
b
a1
exp
c ln x
b
x ec .
Parametri
a (a > 0)
c (c R)

Grafik gustine
0.35
b=1
0.3
a=1.5
c=0
0.25
0.2
0.15
a=2
0.1
0.05
0
1
1.5
2.5
201
3.5
4.5
202
Log-gama raspodela
Momenti
mr = erc (1 rb)a ,
Specijalno:
m1 = ec (1b)a ,
m2 = e2c (12b)a ,
1 rb > 0.
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 .

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

se rexavaem sistema jednaqina
n
b
abb + b
c =
1
n
n
X
k=1
1
ln Xk b
c
(b
a) + ln bb =
1X
ln Xk ,
n
k=1
1
(b
a 1)bb
1X
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
1
g(x) =
x|b|(a)
ln x c
b
a1
exp
c ln x
b
0 < x < ec .
Parametri
a (a > 0)
c (c R)
{ parametar oblika, b (b < 0) { parametar skaliraa,

Grafik gustine
2
c=1
1.8
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
1.5
204
2.5
85
LOGISTIQKA RASPODELA LG
(standardna)
Gustina
g(x) =
ex
,
(1 + ex )2
x R.
Parametri
Nema parametara.
Grafik gustine
0.25
0.2
0.15
0.1
0.05
0
6
205
206
Logistiqka raspodela
Funkcija raspodele
F (x) =
1
,
1 + ex
x R.
(t) = (1 + it)(1 it) =
t
.
sh t
Momenti

2k = 6(22k 1)B2k ,
2k+1 = 0,
k N,
gde je B2k oznaka za 2k-ti Bernulijev broj (videti Dodatak).

2
Specijalno, 2 = D(X) = 3 .
Mod 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
g(x) = F (x)(1 F (x)),
x = ln
F (x)
.
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.
207
3. Ako Xi
: L1 (1)
za i N , tada
Y
Xj
: LG
j
j=1
Primena
Ekonomija, demografija.
Napomene
1. Raspodelu je uveo Verhalst ( Pierre Francois Verhulst, 1838-1845) bavei

se problemima demografije.
2. Gustina raspodele moe da se zapixe i u obliku
g(x) =
ex
,
(1 + ex )2
g(x) =
1
x
sech2 .
4
2
3. Raspodela je u literaturi na engleskom jeziku poznata i kao

squared distribution.
Generisae
sech
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
g(x) =
2ex
,
(1 + ex )2
x 0.
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
208
209
Logistiqka zaseqena raspodela
Funkcija raspodele
F (x) =
1 ex
,
1 + ex
x 0.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
Primena
Napomena
Raspodela je u literaturi na engleskom jeziku poznata i kao

distribution.
half logistic
87
LOGISTIQKA RASPODELA LGZ2(a)
(zaseqena sa obe strane, simetriqna)
Gustina
g(x) =
1
ex
,
1 2a (1 + ex )2
log
1a
1a
x log
.
a
a
Parametri
a (0 < a < 1)
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
1.5
0.5
210
0.5
1.5
2.5
88
LOGISTIQKA RASPODELA LGZ3(a, b)
(zaseqena sa obe strane)
Gustina
g(x) =
1
ex
,
b a (1 + ex )2
log
a
b
x log
.
1a
1b
Parametri
a, b (0 < a, b < 1)
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
1.5
0.5
211
0.5
1.5
212
Napomena
Gustina raspodele moe da se parametrizuje i tako da parametri budu

krajevi intervala definisanosti. U tom sluqaju
g(x) =
ex
(1 + e )(1 + e )
,
e e
(1 + ex )2
< x < ,
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 ,
xa
b 1 + exp
b
x R.
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=3, b=2
a=2, b=2
0.15
a=0, b=3
0.1
0.05
0
10
213
10
214
Funkcija raspodele
F (x) =
1 + exp
1

ax
b
,
x R.
(t) = itbeita (itb)(1 itb) = eiat
itb
.
sin itb
Momenti
m1 = a, m2 = a2 +
Centralni momenti:
2 =
b2 2
,
3
4 =
7b4 4
,
15
6 =
b2
.
3
31b6 6
, 2k1 = 0, k N.
11
Mod 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
1
= ,
Xi b
a
2
1 + exp
bb

Xi b
a
exp
n
bb
a
3
1 X 3 Xi b

=
.
bb
Xi b
a
n i=1
1 exp
bb
1X
n i=1
1

215
Za veliko n je
2
9 2
0.91189 ,
D(b
a)
2
n
n
bb
2
3 9 2
0.38578 .
2
n 3 +
n
Metoda momenata

e
a = X n,
s Pn
2
i=1 (Xi X n )
eb = 3
.
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
, tada X b a
: LGS(a, b)
: 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), demografija, medicina.
Napomene
1. Raspodelu je 1800. godine uveo Verhalst ( Pierre Francois Verhulst,

1804-1849).
2. Za gustina g koriste se i drugi oblici:

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

4b
2b
xa
b 1 + exp
b
exp
216
3. Za F se koriste i oblici:

xa

exp
1
1
xa
b

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

xa
2 exp
b
g(x) =

2 ,
xa
b 1 + exp
b
x a.
Parametri
a (a R)
Grafik gustine
1
0.9
a=1
b=0.5
0.8
0.7
0.6
0.5
0.4
b=1
b=0.8
0.3
0.2
0.1
0
1
1.5
2.5
217
3.5
4.5
218
Funkcija raspodele

ax
1 exp
b

,
F (x) =
ax
1 + exp
b
x a.
0.9
a=1
0.8
0.7
b=1
0.6
0.5
b=0.8
0.4
0.3
b=0.5
0.2
0.1
0
1
1.5
2.5
3.5
4.5
91
LOGISTIQKA RASPODELA LG1(a)
(jednoparametarska)
Gustina
g(x) =
aex
,
(1 + ex )a+1
x R.
Parametri
a (a > 0)
{ parametar oblika.
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
219
10
220
Funkcija raspodele
F (x) =
1
,
(1 + ex )a
x R.
(t) =
(1 it)(a + it)
.
(a)
Neka svojstva
1. Funkcija raspodele je rexee diferencijalne jednaqine

(1 + ex )F 0 aex F = 0.
2. Raspodela je negativno asimetriqna za

riqna za a > 1.
i pozitivno asimet-
a < 1

1. LG1(1) = LG.
2. Ako X
3. Ako X
4. Ako X
5. Ako X
, tada ln 1 XX
: B(1, b)
: LG1(b).
, tada ln Xa : LG1(a).
GU , a Y : GU (a), tada X Y :
: F (2, 2a)
:
, tada ln
: P AR1(a, b)
X
1
b
LG1(a)
: LG1(a)
6. Ako X : LG1(a) tada se aX ponaxa kao sluqajna promen iva sa

raspodelom E(1) za a 0.
7. Ako X : LG1(a) tada se, za a dovo no veliko, X ln a ponaxa kao
sluqajna promen iva sa raspodelom GU .
Primena
92
(jednoparametarska)
Gustina
g(x) =
aeax
,
(1 + ex )a+1
x R.
Parametri
a (a > 0)
{ parametar oblika.
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
221
10
222
Funkcija raspodele
F (x) = 1
eax
.
(1 + ex )a
(t) =
(1 + it)(a + it)
.
(a)

1. Ako X : LG1(a), tada X
2. LG2(1) = LG.
Napomena
: LG2(a)
Raspodela je poznata i kao uopxtena logistiqka raspodela tipa II .
93
(jednoparametarska)
Gustina
g(x) =
1
eax
,
B(a, a) (1 + ex )2a
x R.
Parametri
a (a > 0)
{ parametar oblika.
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
223
10
224
(t) =
(a it)(a + it)
((a))
M (t) =
(a t)(a + t)
((a))
|t| < a.
Momenti
m1 = 0,
D(X) = 2 0 (a),

1 (X) = 0,
2 (X) =
000
.
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

priblino N (0, 1) raspodelu.
2
X
a
ima
94
LOGISTIQKA RASPODELA LG4(a, b)
(dvoparametarska)
Gustina
g(x) =
1
ebx
,
B(a, b) (1 + ex )a+b
x R.
Parametri
a, b (a, b > 0)
{ parametri oblika.
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
225
10
226
(t) =
(a + it)(b it)
.
(a)(b)
M (t) =
(a + t)(b t)
,
(a)(b)
a < t < b.
Momenti
D = 0 (a) + 0 (b),
m1 = (a) (b),

1 (X) =
00 (a) 00 (b)
,
( 0 (a) + 0 (b))3/2
2 (X) =
000 (a) + 000 (b)

.
( 0 (a) + 0 (b))2
Neka svojstva
1. Za a < b raspodela je desno asimetriqna, za

riqna, a za a = b je simetriqna.
2. Ako X : LG4(a, b), tada X : LG4(b, a).

1. LG4(1, 1) = LG.
2. LG4(a, 1) = LG1(a).
3. LG4(1, a) = LG2(a).
4. LG4(a, a) = LG3(a).
5. Ako X
, tada ln 1 XX
: B( a, b)
6. Ako ab eX
7. Ako X, Y
, tada X : LG4(a, b).

LGG1(a, b), tada X Y : LG4(a, b).
: F (2a, 2b)
:
: LG4(a, b)
a < b
je levo asimet-
227
8. Ako X : LG4(a, b), tada za velike vrednosti parametra a sluqajna

promen iva X ima priblino lognormalnu raspodelu.
9. Ako X : LG4(1, b), tada za velike vrednosti parametra b sluqajna
promen iva X ima priblino W1(1) raspodelu.
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
za
1
a>0
a
.
1
x , za a < 0
a
x
(1 ax)1/a1
g(x) =
,
(1 + (1 + ex )1/a )2
Parametri
a (a 6= 0)
{ parametar oblika.
Grafik gustine
0.4
0.4
1<a<0
0<a<1
0.2
0.2
0
2
0
2
1
a=1
a=1
0.5
0
2
0.5
0
1
6
4
6
a>1
a<1
2
0
2
0
1
228
229
Sledea slika prikazuje funkcije gustine za razliqite vrednosti parametra a u sluqaju 0 < a < 1.
0.7
a=0.9
0.6
a=0.8
0.5
a=0.7
0.4
a=0.6
0.3
a=0.5
0.2
0.1
0
1
0.5
0.5
1.5
Sledea slika prikazuje funkcije gustine za razliqite vrednosti parametra a u sluqaju a > 1.
120
100
a=6
80
a=4
a=2.5
60
a=3
a=2
40
20
0
0.1
0.1
0.2
0.3
0.4
0.5
0.6
230
Funkcija raspodele
F (x) =
1
,
1 + (1 ax)1/a
x R.
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
g(x) =
2(1 ax)1/a1
,
(1 + (1 ax)1/a )2
0x
1
.
a
Parametri
a (a > 0)
{ parametar oblika.
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
1.5
231
2.5
3.5
232
Funkcija raspodele
F (x) =
1 (1 ax)1/a
,
1 + (1 ax)1/a
x [0, 1/a].
0.9
a=0.6
a=0.3
0.8
0.7
a=0.5
a=0.4
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.5
1.5
Za a 0 dobija se raspodela LGZ1.
2.5
3.5
97
LOGISTIQKA RASPODELA LG5Z2(a, b, c)
(zaseqena, troparametarska)
Gustina
g(x) =
(1 ax)1/a1
1
, 1
a
(c b)(1 + (1 ax)1/a )2
1b
b
a
x1
1
a
1c
c
a
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
233
98
LOGISTIQKA RASPODELA LG5Z3(a, b)
(zaseqena, dvoparametarska)
Gustina
2(1 ax)1/a1
g(x) =
,
b(1 + (1 ax)1/a )2
1 1
0x
a a
1b
1+b
a
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
234
1.2
1.4
1.6
1.8
99
LOG-KOXIJEVA RASPODELA LK(a, b)
(dvoparametarska)
Gustina
g(x) =
1
b
,
x b2 + (log x a)2
x > 0.
Parametri
a (a R)
{ parametar lokacije, b (b > 0) { parametar oblika.
Grafik gustine
1.8
1.6
a=0
b=0.1
1.4
1.2
0.8
b=0.5
0.6
0.4
0.2
b=0.8
0
0
0.5
1.5
235
2.5
100
LOGLOGISTIQKA RASPODELA LLG1(a)
(jednoparametarska)
Gustina
g(x) =
axa1
,
(1 + xa )2
x > 0.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
1
0.9
0.8
a=3
0.7
0.6
a=2
0.5
0.4
0.3
0.2
a=1
0.1
0
0
0.5
1.5
236
2.5
101
LOGLOGISTIQKA RASPODELA LLG2(a, b)
(dvoparametarska)
Gustina
g(x) =
ba
axa1
x a 2 ,
1+
b
x > 0.
Parametri
a (a > 0)
Grafik gustine
1.4
1.2
a=2
b=0.5
1
0.8
0.6
b=1
b=2
0.4
0.2
0
0
0.5
1.5
237
2.5
102
LOGLOGISTIQKA RASPODELA LLG3(a, b, c)
(troparametarska)
Gustina
g(x) =

a1

a 2
a xc
xc
,
1+
b
b
b
x > c.
Parametri
a (a R)
c (c > 0)

Grafik gustine
1.4
a=1
1.2
b=0.5
c=2
1
0.8
0.6
b=1
b=2
0.4
0.2
0
1
1.5
2.5
238
3.5
239
Loglogistiqka raspodela
Funkcija raspodele
F (x) =
1+
xc
b
a !1
x > c.
Momenti

m1 = c + b
csc

,
a
D(X) = b2

2
2
2
csc
csc
.
a
a
a
a
Mod i medijana
M o(X) = c + b
a1
a+1
1/a
M e(X) = c + b.
2
3
6a csc csc
+ 3a2 csc
a
a
a
a ,

3/2
2a csc
csc2
a
a
2 2 csc3
1 (X) =
2 (X) =
A
3,
B 2
gde je
A = 3 3 csc4
3
4
12a2 csc csc

+ 4a3 csc
+ 6a 2 csc3 csc ,
a
a
a
a
a
a
B = csc2
i gde je csc t = 1/ sin t.
2a csc
a
a
Neka svojstva
1. Momenat reda k postoji samo za k < a.

b
2. Q1 = c + 31/a
,
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
(
1
g(x) =
exp
2
x 2
ln x m
2 )
x > 0.
Parametri
m (m R)
{ parametar oblika, ( > 0) { parametar skaliraa.
Grafik gustine
2.5
m=0
=0.2
1.5
=0.3
=1.5
=0.4
=1
=0.5
0.5
0
0
0.2
0.4
0.6
0.8
240
1.2
1.4
1.6
1.8
241
Lognormalna raspodela
Funkcija raspodele

1 z2
1 1
2 + 2P 2, 2 ,
F (x) =

1 1
1 z2
P
,
,
2 2
2 2
z0
z<0
gde je z = ln x m , a P nepotpuna gama funkcija (videti Dodatak).
Entropija
H(X) =
1 1
+ ln(2 2 ).
2 2
Momenti
Ako je = e , tada je
mr = erm+r
2 /2
r N.
r = erm r/2
r
X
(1)j
j=1

r (rj)(rj+1)/2
.
j
Specijalno:
1 = em 1/2 ,
2 = e2m ( 1),
3 = e3m 3/2 ( 1)2 ( + 2),
4 = e4m 2 ( 1)2 ( 4 + 2 3 + 3 2 3).
Mod i medijana
em
,
M o(X) < M e(X) < m1
M e(X) = em ,
M o(X) =
pri qenu vai

1 (X) = ( 1)1/2 ( + 2),
2 (X) = 4 + 2 3 + 3 2 6.
(
)
n
1 X
1
2
exp 2
(ln Xk m) .
L= n
2
(2)n/2 X1 X2 Xn
k=1
242
Ocene parametara
Ocene mb i b2 za nepoznate parametre m i 2 date su sa

n
m
b =
1X
ln Xk ,
n
b2 =
k=1
1X
2
(ln Xk m)
b .
n
k=1
Ocena mb je nepristrasna i efikasna, pri qemu je

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

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

Metoda momenata
Ako je
M1 =
1X
Xk ,
n
M2 =
k=1
1X 2
Xk ,
n
ocene me i e po metodi momenata date su sa
k=1
M1
m
e = ln 1 ,
M2
e2 = ln
M2
.
M12
Ove ocene su asimptotski nepristrasne i stabilne. Disperzije ocena su

D(m)
e =
gde je = 1.
1 4
( + 4 3 2 2 + 4),
4n
Neka svojstva
D(e
2 ) =
1 4
( + 4 3 + 2 2 ),
n
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)
243
3. Ako su X1, . . . , Xn nezavisne

sluqajne
promen ive sa

n
2
1X
spodelom, tada n ln Xk : N m, n , odnosno
LN2 (m, 2 )
ra-
k=1

p
2
n
X1 Xn : LN2 m,
.
n
4. Ako Xi : LN2(m, k2 ) (k = 1, . . . , n) i ako su X1, . . . , Xn nezavisne sluqajne 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
3. Ako X
: N (m, )
, tada ln X m
: LN2 (m, 2 )
i obrnuto.
: N (0, 1)
i obrnuto.
Primena
Klimatologija, ekonomija, telekomunikacije, kontrola kvaliteta, geologija,

medicina, biohemija, meteorologoja.
Generisae
Sluqajan broj x iz lognormalne raspodele moe da se dobije sa

gde je z sluqajan broj iz normalne raspodele.
x = ez
104
LOGNORMALNA RASPODELA LN3(m, 2, c)
(troparametarska)
Gustina
(

2 )
1
1 ln(x c) m
exp
g(x) =
,
2
(x c) 2
x > c.
Parametri
{ parametar oblika, ( > 0) { parametar skaliraa,
m (m R)
c (c R)
Grafik gustine
0.7
m=0
0.6
=1
0.5
c=1
0.4
c=0.5
0.3
0.2
0.1
c=0.5
c=0
0
0.5
0.5
1.5
244
2.5
245
Funkcija raspodele
F (x) = (ln(x c)),
gde je funkcija raspodele za N (m, 2).
Momenti
mr (X) =
r
X
r rk km+k2 2 /2
c
e
,
k
r N.
k=0
Specijalno:
m1 (X) = c + em ,
m2 (X) = c2 + e2m + 2cem ,
D(X) = e2m ( 1),
gde je = e .
2
Mod i medijana
2
M o(X) = c + em ,
M e(X) = c + em .
L = (2 2 )n/2
n
Y
k=1
ln L = n ln n ln
(
)
n
1 2X
1
exp
(ln(Xk c) m)2 ,
Xk c
2
k=1
n
X
ln(Xk c)
n
1 X
(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
m
b =
1X
ln(Xk c),
n
k=1
b2 =
1X
(ln(Xk c) m)
b 2.
n
k=1
{ Ako je parametar c nepoznat, ocene se mogu dobiti iz sistema

ln L
= 0,
m
log L
= 0,
ln L
= 0,
c
246
gde je
n
1 X
(ln(Xk c) m),
2
ln L
m
ln L
n
X
ln L
m
k=1
n
n
1 X
+ 3
(ln(Xk c) m)2 ,

k=1
n
1 X ln(Xk c) m
1
+ 2
.
Xk c
Xk c
k=1
k=1
Metoda momenata
Ocene se dobijaju iz sistema
c + em
e2m ( 1) =
( + 2) 1 =
gde je
X,
2
Sn,
C3 ,
C3 =
1X
(ln(Xk c) X)3 .
n
k=1
Ako je e rexee tree jednaqine, onda je

2
m
e =
1
Sn
ln
,
2 w(e
e 1)
e
c=Xp
Sn
e (e
1)
1. LN3(m, 2, 0) = LN2(m, 2).

2. Ako X : LN2(m, 2), tada X + c : LN3(m, 2, c).
3. Ako X : LN3(m, 2, c), tada ln(X c) : N (m, 2).
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
2
broj iz LN3(m , c) raspodele.
105
LOGNORMALNA RASPODELA LN4(m, 2, c, )
Gustina
(

2 )
1
xc
exp 2 log
g(x) =
m
,
2
(x c) 2
x > c.
Parametri
{ parametar oblika, , (, > 0) { parametri skaliraa,
m (m R)
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
1.5
247
2.5
3.5
248

1. LN4(m, 2, 0, 1) = LN2(m, 2).
2. LN4(m, 2, c, 1) = LN3(m, 2, c).
3. Ako ln
X c
, tada X
: N (m, 2 )
: LN4 (m, 2 , c, )
106
LOGNORMALNA RASPODELA LN U (m, 2, a)
(uopxtena, troparametarska)
Gustina
g(x) =

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

x2
2 x2
exp 2 ,
a3
2a
x 0.
Parametri
a (a > 0)
Grafik gustine
a=0.5
1
0.8
a=0.8
a=1
0.6
a=2
a=2.5
a=3
0.4
0.2
0
0
250
251
Maksvelova raspodela
Funkcija raspodele
F (x) = P
3 x2
,
2 2a2
x 0.
Momenti
r
2 2k k!ar ,
mr =
(r + 1)!!ar ,
Specijalno:
m1 = a
3 =
8 3
a
r = 2k.

8
D(X) = a2 3
0.6735a2 ,
8
1.596a,
16
5
r = 2k 1
0.1483a3 ,

8
4 = a4 15
12.4535a4 .
Mod i medijana
M o(X) 1.414a,
M e(X) 1.538a.

1 (X) =
8 16/ 5
0.48569,
(3 8/)3/2
2 (X) =
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
X
, tada 2a
2
2
: M AX(a)
: G(3/2)
15 8/
3 0.10818.
(3 8/)2
252
Maksvelova raspodela
Primena
Fizika (kinetiqka teorija).
Napomene
1. Koriste se i sledei oblici za gustinu raspodele

g(x) =
2
x
4
2
x
exp
2 ,
3
b
b
2 2
4c3
g(x) = x2 ec x ,
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)
2
2
raspodelu, tada |v| / ima (3) raspodelu, a |v| ima M AX() raspodelu.
Generisae
Postoji vixe mogunosti.

3 x2
1. Iz jednakosti F (x) = y sledi da je P 2 , 2a2 = y, pa je
x=a
2P 1

3
,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
x=
1
a
z12 + z22 + z32 ,
gde su z1, z2, z3 nezavisni sluqajni brojevi iz N (0, 1) raspodele.

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

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

1
it .
2
Momenti
m1 = ln 2 + 1.27036,
2 =
2
4.9348,
2
4 =
7 4
170.4659.
4
28 2
(3) 1.53514,
1 (X) =
3
2 (X) = 4.
Primena
Fizika, hemija.
Napomena
Raspodelu je uveo Mojal ( J. E. Moyal) 1955. godine prouqavajui problem

jonizacije.
Generisae
Iz F (x) = y sledi
1P
1 ex
,
2 2
= y,
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 funkcija nepotpune gama funkcije.
109
NAKAGAMIJEVA RASPODELA N K(a, b, c)
(troparametarska)
Gustina
2cc
g(x) =
b(c)
xa
b
2c1
exp c
xa
b
2 )
x > a.
Parametri
a (a R)
c (c > 0)
{ parametar lokacije, b (b > 0) { parametar skaliraa,

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

1
c+
2
m1 = a + b
,
c(c)

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

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

3/2
1
2 2
c c+
3 (c)
c
2
(c + 1)

1
3c2 4 (c) + 3 (c)(c + 2) + 234c (4c 1)2 (2c)
6 c +
2
.
2 (X) =

2
1
2
2
c+
c (c)
2
4
110
NORMALNA RASPODELA N (0, 1)
(standardna)
Gustina

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

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

raspodele standarne normalne raspodele je .
Entropija
H(X) =
1 1
+ ln(2).
2 2
2
(t) = et
/2
Momenti
mr =
Specijalno:
(2k 1)!!,
r = 2k
r = 2k 1
0,
m2 = 1,
m4 = 3,
k N.
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,
5. Za x vai
1 (x)
ili preciznije

1
1
x x3
P {|X| > 4|} 0.000063.
1 1 x2 /2
e
x 2
2
2
1
1
ex /2 1 (x) ex /2 .
2
x 2
259
Normalna raspodela
6. Ako X, Y
tada
i ako su X i Y nezavisne sluqajne promen ive,
: N (0, 1)
2XY
: N (0, 1),
X2 + Y 2
X2 Y 2
: N (0, 1).
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).
3. Ako X, Y : N (0, 1) i ako su X i Y nezavisne sluqajne promen ive,
tada
2
2
2
X +Y
2
: E(1),
X
: C(1),
Y
X
: F (1, 1).
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
6. Ako X1, . . . , Xn :
promen ive, tada
X12 + X22
: U (0, 1).
+ X22 + X32 + X42
N (0, 1)
i ako su
X1 , . . . , Xn
nezavisne sluqajne
X12 + X22 + + Xn2 : 2 (n).
7. Ako X1, . . . , Xn :
promen ive, tada
N (0, 1)
i ako su
X1 , . . . , Xn
X12
: B2
2
2
X1 + X2 + + Xn2
8. Ako X1, . . . , Xn :
promen ive, tada
N (0, 1)
q
9. Ako X, X1, . . . , Xn
promen ive, tada
i ako su
1 n2
,
2
2
X1 , . . . , Xn
nezavisne sluqajne
(X12 + X22 + + Xn2 ) : (n).
: N (0, 1)
i ako su X1, . . . , Xn nezavisne sluqajne

X
nezavisne sluqajne
1
2
n (X1
+ X22 + + Xn2 )
: t(n).
260
Normalna raspodela
Napomena
1. Raspodela se zove i Gausova standardna raspodela po 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,
1. Ako je un zbir n sluqajnih brojeva iz U (0, 1) raspodele i ako je
N (0, 1)
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. Za n = 12 je xn = un 6.
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
2
w =u +v ,
z=
ln w
.
w
Ako je w 1, tada su uz i vz nezavisni sluqajni brojevi iz

raspodele. U protivnom ( w > 1), generisati ponovo u i v.
N (0, 1)
111
NORMALNA RASPODELA N (m, 2)
(dvoparametarska)
Gustina
(

2 )
1
1 xm
g(x) = exp
,
2
x R.
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
=1.5
0.1
0
5
261
262
Normalna raspodela
Funkcija raspodele
F (x) =
xm
1
=
2

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

funkcija grexke (videti Dodatak).
Entropija
H(X) =
1
+ ln( 2).
2

2 t2
(t) = exp imt
.
2

2 t2
M (t) = exp mt +
.
2
Momenti
mr =
r
X
mj rj rj ,
r N,
j=0
gde je k momenata reda k standardne normalne raspodele N (0, 1).

Specijalno:
m1 = m,
Vai i
m 2 = m2 + 2 ,
m3 = m3 + 3m 2 ,
(r 1)!! r ,
r
E|X| = q
2 2r r! r ,
r = 2k
m4 = m4 + 6m2 2 + 3 4 .
r = r r ,
kao i
Specijalno:
r
E|X m|r = 2r/2
k N.
r = 2k + 1
r N,

2 = D(X) = 2 ,
r+1
2
r > 1.
4 = 3 4 .
263
Normalna raspodela
Mod i medijana
M o(X) = M e(X) = m.

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

n
m
b =
1X
Xi ,
n i=1
X
c2 = 1
(Xi m)2 .
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 disperziji i
koja je nepristrasna.
r
Odgovarajue ocene b i e parametra su date sa b = Sn i e = n n 1 Sn,
pri qemu je prva pristrasna,
E(S) =
2/n (n/2)
,
(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
264
Normalna raspodela
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, najveu entropiju ima normalna raspodela N (m, ).
7. Normalna raspodela pripada klasi stabilnih raspodela, a samim
tim i klasi beskonaqno de ivih raspodela.
8. Ako X : N (m, 2), tada aX + b : N (am + b, a22).
9. Ako X1, . . . , Xn : N (m, 2) i 2ako su X1, . . .2, Xn nezavisne sluqajne
promen ive, tada X n : N (m, /n), a X n i Sn su nezavisne veliqine.
10. Ako Xi : N (mi, i2) za i = 1, . . . , n i ako su X1, . . . , Xn nezavisne sluqajne
promen ive, tada
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
Y =
n
X
ak X k ,
k=1
Z=
n
X
b k Xk
k=1
n
X
nezavisne ako i samo ako je ak bk k2 = 0. Na primer, ako X1, X2 :

k=1
N (m, 2 ) i ako su X1 i X2 nezavisne promen ive, tada su i X1 + X2
i X1 X2 nezavisne sluqajne promen ive, pri qemu vai i obrnuto
tvree (Bernxtajnova teorema).
1. Ako Xi : N (m, 2) za i = 1, . . . , n i ako su X1, . . . , Xn nezavisne sluqajne

promen ive, tada
Dn2
: 2 (n),
2
Sn2
: 2 (n 1),
2
Xn n
n 1 : t(n 1).
Sn
265
Normalna raspodela
2. Ako X, Y : N (0, 2) i ako su X i Y nezavisne sluqajne promen ive,

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
K0
g(x) =
1 2
|x|
1 2
x R,
gde je K0 modifikovana Beselova funkcija (videti Dodatak).

4. Ako X : N (m, 2), tada eX : LN2(m, ).
5. Ako X1, . . . , Xn : N (m, 2) i ako su X1, . . . , Xn nezavisne sluqajne
promen ive, tada
(X1 m)2 + (X2 m)2 + + (Xn m)2 : G2
n
2

, 2 2 .
Napomene
1. Drugi naziv za normalnu raspodelu je Gausova raspodela iako je raspodelu prvi uveo i koristio u aproksimaciji binomne raspodele engleski matematiqar Muavr ( Abraham de Moivre, 1667-1754) jox 1733.
godine. Koriste se i nazivi Gausov zakon, Gaus-Laplasova raspodela,
drugi Laplasov zakon .
2. Grexke pri mereu neke veliqine qesto imaju normalnu raspodelu.
3. Za proveru hipoteze da dato obeleje ima normalnu raspodelu koriste se razni testovi, kao xto su Kolmogorov-Smirnov, Liliiiefors, Anderson-Darling, Ryan-Joiner, Shapiro-Wilk, Jarque-Bera, normal probability
plot (rankit plot).
4. Znaqaj normalne raspodele je i u tome xto dobro aproksimira neke
druge raspodele, kako neprekidne, tako i diskretne. Za sluqaj aproksimacije binomne raspodele normalnom, odgovarajue uslove i
tvree daje Muavr-Laplasova teorema.
5. Normalna raspodela, pod odreenim uslovima, dobro aproksimira
i zbir velikog broja nezavisnih sluqajnih promen ivih sa istom
raspodelom. Postoji vixe tvrea koja se na to odnose i svako od
ih nosi naziv centralna graniqna teorema .
Generisae
Ako je x sluqajan
broj iz N (0, 1) raspodele, tada je y = m + x sluqajan
broj iz N (m, 2) raspodele.
112
NORMALNA RASPODELA N Z(m, 2, T1, T2)
(zaseqena na [T , T ])
1
Gustina
(

2 )
1 xm
1

exp
g(x) =
,
T2 m
T1 m 2
2
T 1 x T2 .
Parametri
m, T1 , T2 (m, T1 , T2 R, T1 < m < T2 )
( > 0)
{ 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
1.5
0.5
266
0.5
1.5
113
NORMALNA RASPODELA N ZD(m, 2, T )
(zaseqena na (, T ])
Gustina
(

2 )
1
1
1 xm
exp
g(x) =
,
T m
2
x T.
Parametri
{ parametri lokacije,
m, T (m, T R, m < T )
( > 0)
Grafik gustine
0.7
m=0
0.6
=1
T=0.5
0.5
0.4
T=1
0.3
0.2
T=3
0.1
0
4
267
114
NORMALNA RASPODELA N ZL(m, 2, T )
(zaseqena na [T, +))
Gustina
(

2 )
1
1
1 xm

exp
g(x) =
,
T m
2
2
1
x T.
Parametri
{ parametri lokacije,
m, T (m, T R, T < m)
( > 0)
Grafik gustine
m=0
0.6
=1
T=0.5
0.5
T=1
0.4
0.3
T=3
0.2
0.1
0
3
268
115
NORMALNA RASPODELA N P (m, 2)
Gustina
(presavijena, zaseqena na [m, +))

(

2 )
1 xm
2
exp
,
g(x) =
2
x m.
Parametri
{ parametar lokacije,
m (m R)
( > 0)
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
2.5
3.5
269
4.5
5.5
270
Normalna raspodela
Funkcija raspodele
F (x) = a
xm
x m.
Momenti
m1 = m +
2
m + 0.798,
2 = D(X) =
2 2
0.363 2 .
Mod i medijana
M o(X) = m,
M e(X) m + 0.6745.
1 (X) =
2(4 )
0.9953,
( 2)3/2
2 (X) =
8( 3)
0.869.
( 2)2
Ocene parametara
Ako je parametar m poznat, ocena b2 2za 2, po metodi maksimalne verodostojnosti, 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
(X1 m)2 + (X2 m)2 + + (Xn m)2 : G2
Napomene
n
2

, 2 2 .
1. Iako je raspodela 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
g(x) =
a
,
xa+1
x 1.
Parametri
a (a > 0)
{ parametar oblika.
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
271
2.2
2.4
2.6
2.8
272
Paretova raspodela
Funkcija raspodele
F (x) = 1
1
,
xa
x 1.
Momenti
a
m1 =
(a > 1),
a1
D(X) =
a
a
a2 a1
2
, (a > 2).
Modus, medijana i kvantili

M e(X) = 21/a .
M o(X) = 1,
Ocene parametara
Ocena ba nepoznatog parametra a, po metodi maksimalne verodostojnosti,

data je sa
n
b
a=
n
X
ln Xi
i=1
Neka svojstva
Za g i F vai jednakost
g(x)
a
= .
1 F (x)
x
Napomene
1. Raspodela je dobila ime po italijanskom ekonomisti i matematiqaru

Paretu (Wilfredo Pareto, 1848-1923).
2. Raspodela se zove i standardna Paretova . Ako se poqetak translira u
nulu, tada je
a
g(x) =
(1 + x)a+1
x 0,
a ako se translira za c, tada je

g(x) =
a
,
(x c)a+1
x c + 1.
Generisae

broj iz P1(a) raspodele.
x = 1/u1/a
sluqajan
117
PARETOVA RASPODELA P AR2(a, b)
(dvoparametarska)
Gustina
g(x) =
aba
,
xa+1
x b.
Parametri
a (a > 0)
{ parametar oblika, b (b > 0) { parametar lokacije.
Grafik gustine
2
a=4
1.8
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
3.5
273
4.5
274
Paretova raspodela
Funkcija raspodele
a
b
,
F (x) = 1
x
x b.
(t) = a(ibt)a (a, ibt).
Momenti
mr =
3 =
abr
(a > r),
ar
2 = D(X) =
2a(a + 1)b3
(a > 3),
(a 1)3 (a 2)(a 3)
4 =
b2 a
(a > 2),
(a 2)(a 1)2
3a(3a3 + a + 2)b4
(a > 4).
(a 1)4 (a 2)(a 3)(a 4)
Mod i medijana
M o(X) = b,
M e(X) = b21/a .

2(a + 1)
1 (X) =
a3
a2
,
a
2 (X) = 6
a3 + a2 6a 2
.
a(a 3)(a 4)
L=
n
n
Y
Y
aba
1
n an
=
a
b
a+1
a+1 .
Xi
Xi
i=1
i=1
ln L = n ln a + an ln b (a + 1)
n
X
ln Xi
i=1
Ocene parametara
Ocene ba i bb po metodi maksimalne verodostojnosti su

b
a=n
n
X
i=1
Xi
ln
bb
!1
bb = Xmin ,
275
Paretova raspodela
pri qemu vai
2na
: 2 (2n 2),
b
a
a ba i bb su meusobno nezavisne ocene.

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

2
e
a= 1
b
a,
n
eb =

1
su nepristrasne i stabilne, pri qemu je

2

2
D(b
a),
D(e
a) = 1
n
D(eb) =

1
bb,
(n 1)
a
b2
,
a(n 1)(na 2)
n>
2
.
a
Neka svojstva
1. Raspodela je asimetriqna udesno.

2. Q1 = b
1/a
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
, tada 2a ln Xb
: P AR2(a, b)
: 2 (2)
276
Paretova raspodela
Primena
Ekonomija (analiza dohotka), astronomija (veliqina meteorita), meteorologija (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
g(x) =
aba
,
(b + x)a+1
x 0,
a ako se translira za c, tada je

g(x) =
aba
,
(x + b c)a+1
x b + c.
Generisae
Ako je F (x) = y, tada je x = (1 by)1/a , pa se niz sluqajnih brojeva sa x
Paretovom raspodelom P AR2(a, b) generixe pomou niza sluqajnih brojeva y sa uniformnom raspodelom U (0, 1).
118
PARETOVA RASPODELA P ARZ(a, b, c)
(troparametarska, zaseqena na [b, c])
Gustina
g(x) =
a
b

a 1 a+1
b
b
,
1
c
x
b x c.
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
2.5
277
3.5
278
Paretova zaseqena raspodela
Funkcija raspodele
F (x) =

a 1
a
b
b
1
1
,
c
x
b x c.
Ocene parametara
Ocena ba maksimalne verodostojnosti za nepoznati parametar a, kad su

parametri b i c poznati, dobija se iz jednaqine
ab
b
b
ln
n
1X
1
c
c
=
+
ln Xi ln b.
ab
b
a
n i=1
b
1
c
Primena
Raspodela naftnih po a.
119
PARETOVA RASPODELA P AR3(a, b, c)
(troparametarska)
Gustina
g(x) =
a + bc + bx bx
ce ,
(x + c)a+1
x 0.
Parametri
a, c (a > 0, c > 0)
Grafik gustine
1.4
a=4
1.2
c=2
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
279
0.3
0.35
0.4
0.45
0.5
120
PARETOVA RASPODELA P AR4(a, b, c, d)
Gustina
a
g(x) =
bd
xc
b
1/d1
1+
xc
b
1/d !a1
x c.
Parametri
{ parametri oblika, b (b > 0) { parametar skaliraa,
a, d (a, d > 0)
c (c > 0)
Grafik gustine
1.6
a=2
1.4
b=2
c=1
1.2
d=0.1
1
0.8
d=0.2
0.6
d=0.5
0.4
0.2
0
1
1.5
2.5
3.5
280
4.5
5.5
281
Paretova raspodela
Funkcija raspodele
F (x) = 1
1+
xc
b
1/d !a
x c.
a=2
0.9
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
2.5

1. P AR4(a, 1, 1, 1) = P AR(a).
2. P AR4(a, b, b, 1) = P AR2(a, b).
3.5
4.5
5.5
121
PARETOVA RASPODELA P ARU 1(a, b)
(uopxtena, dvoparametarska)
Gustina
g(x) =
za a < 0 .
b
0 < x < za a > 0
a
x>0
1
ax 1/a1
,
1
b
b
Parametri
a (a > 0)
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
1.5
2.5
282
3.5
4.5
283
Paretova uopxtena raspodela
Funkcija raspodele

ax 1/a
F (x) = 1 1
,
b
za a < 0 .
b
0 < x < za a > 0
a
x>0
Momenti
m1 =
b
,
1+a
2 =
b2
(1 +
a)2 (1
+ 2a)

1 (X) =
2(1 a)
1 + 2a,
1 + 3a
2 (X) =
3(1 + 3a)(3 a + 2a2 )

.
(1 + 3a)(1 + 4a)
Ocene parametara
Ocene ba i bb po metodi maksimalne verodostojnosti se dobijaju iz jednakosti

!
1 !
n
n
1+
b
a
1X
1+
bb
n i=1

n
1X
b
a
b
a=
ln 1 Xi .
bb
n i=1
1X
ln 1
n i=1
b
a
X
bb i
= 1,
Za a < 1/2 ocene su konzistentne, asimptotski normalne i asimptotski

efikasne.
Metoda momenata

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

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

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

x c
x bc/a
g(x) = K 1 +
,
1
a
b
a x b.
Parametri
a, b, c (c, bc/a 1)
{ parametri oblika.
Grafik gustine
0.7
b=0.5
0.6
a=2
c=1
0.5
b=1
0.4
b=2
0.3
0.2
0.1
0
2
1.5
0.5
287
0.5
1.5
288
Pirsonova raspodela
Na sledeoj slici se vidi uticaj parametra c.

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

b
x2
g(x) = K 1 2 .
a
1 x 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
0.5
289
0.5
1.5
290
Pirsonova raspodela
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
Napomena
0.5
0.5
1.5
125
(tip III , dvoparametarska)
Gustina

x ab bx
e ,
g(x) = K 1 +
a
a x < .
Parametri
a, b (a, b > 0)
{ parametri oblika.
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
291
292
Pirsonova raspodela
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
Napomena
126
(tip IV , troparametarska)
Gustina

b
n
x2
xo
g(x) = K 1 + 2
exp c arctan
,
a
a
x R.
Parametri
b, c (b, c > 0)
{ parametri oblika, a (a > 0) { parametar skaliraa.
Grafik gustine
0.35
a=2
0.3
c=1
b=2
0.25
0.2
0.15
b=1
0.1
b=0.5
0.05
0
5
293
294
Pirsonova raspodela
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
0
5
a=5
0.7
0.6
b=2
c=1
a=1
0.5
c=2
0.4
0.3
c=5
0.2
0.1
0
5
Napomena
127
(tip V , dvoparametarska)
Gustina
g(x) = K xa eb/x ,
x 0.
Parametri
a (a > 1)
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
3.5
4.5
295
5.5
6.5
296
Pirsonova raspodela

0.8
0.7
b=2
0.6
a=5
a=3
0.5
0.4
0.3
0.2
0.1
a=2
0
2
Napomena
10
11
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
1
0.8
0.6
b=1
0.4
b=2
0.2
0
1
1.5
2.5
297
3.5
298
Pirsonova raspodela
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
a=4
0.1
0
1
1.5
2.5
3.5
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
Napomena
129
(tip V II , dvoparametarska)
Gustina

b
x2
g(x) = K 1 + 2 .
a
x R.
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
299
300
Pirsonova raspodela

0.7
b=2
0.6
0.5
a=1
0.4
0.3
a=2
0.2
a=3
0.1
0
3
Napomena
130
(tip V III , dvoparametarska)
Gustina

x b
,
g(x) = K 1 +
a
a x 0.
Parametri
a (a > 0)
{ parametar skaliraa, b (0 b 1) { parametar oblika.
Grafik gustine
3.5
a=2
2.5
b=0.3
2
1.5
b=0.2
b=0.1
1
0.5
2
1.98
1.96
1.94
1.92
1.9
301
1.88
1.86
1.84
1.82
1.8
302
Pirsonova raspodela
Na sledeoj slici se vidi uticaj parametra A.

16
14
b=0.5
12
a=3
10
a=2
6
4
a=1
2
0
3
Napomene
2.5
1.5
0.5
131
(tip IX , dvoparametarska)
Gustina

x b
,
g(x) = K 1 +
a
a x 0.
Parametri
a (a > 0)
{ parametar skaliraa, b (b > 1) { parametar oblika.
Grafik gustine
3
a=2
2.5
b=5
2
1.5
b=0
b=2
0.5
0
2
1.8
1.6
1.4
1.2
303
0.8
0.6
0.4
0.2
304
Pirsonova raspodela
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
Napomena
2.5
1.5
0.5
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
305
306
Pirsonova raspodela

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
Napomena
2.5
3.5
4.5
133
(tip XII , troparametarska)
Gustina
g(x) = K
1 + x/a
1 x/b
c
a x b.
Parametri
a, b (a, b > 0)
{ parametri skaliraa, c (|c| > 1) { parametar oblika.
Grafik gustine
1.8
1.6
b=2
a=1
1.4
c=1.5
1.2
1
c=2
0.8
0.6
c=3
0.4
0.2
0
1
1.1
1.2
1.3
1.4
307
1.5
1.6
1.7
1.8
1.9
308
Pirsonova raspodela
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
b=1
0.5
0.4
0.3
0.2
0.1
0
2
Napomene
1.5
0.5
0.5
1.5
134
RELEJEVA RASPODELA R1()
(jednoparametarska)
Gustina

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

x2
F (x) = 1 exp 2 ,
2
x 0.
Momenti
r
r!! r ,
mr = 2r/2 r
+1 =
2
k
2
2 k! 2k ,
r
Specijalno:
m1 =
1.25,
2
D(X) =
m2 = 2 2 ,
4 2
0.43 2 ,
2
4 =
r = 2k 1
k N.
r = 2k
3.76 3 , m4 = 8 4 ,
2
r
3
3 = ( 3)
0.178 3 ,
2
m3 = 3 3
32 3 2 4
0.598 4 .
4
Mod i medijana
M o(X) = ,
M e(X) = ln 4 1.17741.

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

je
v
u
n
u 1 X
X 2.
b=t
2n i=1 i
Za ocenu e dobijenu metodom momenata,
e = Xn
2
,
311
Relejeva raspodela
e2
vai 2n
2
: 2 (2n).
Neka svojstva
r
1. Q1 =
3
0.75853, Q3 = 2 ln 4 1.66511.
4
2 ln
2. CV = 4 1 3.41.

1. Ako X
X
, tada 2
2
2
: R()
: E1 (1)
2. Ako X : R(), tada X2 : 2(2).

3. R(a) = (0, a, 2).
4. Ako X, Y : N (0, 2)i ako su X i Y nezavisne sluqajne promen ive,
tada X 2 + Y 2 : R().
5. Ako X1, . . . , Xn : R1(2) i ako su X1, . . . , Xn nezavisne sluqajne promen ive, tada
2
2
2
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,
g(x) =
pri qemu je = 22, ili

g(x) =
pri qemu je b = 2, ili
2x x2 /
e
,
> 0,
2x x2 /b2
e
,
b2
b > 0,
g(x) = 2axeax ,
pri qemu je a = 21 2 .
a > 0,
312
Generisae
Relejeva raspodela
Ako je u sluqajan broj iz U (0, 1) raspodele, tada je x = 2 ln u sluqajan

broj iz R() raspodele.
Jox jedna pmogunost za generisae sluqajnog broja x iz R() raspodele 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
exp
g(x) =
,
2
2 2
x c.
Parametri
c (c R)
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
0.5
313
1.5
2.5
314
Relejeva raspodela
Funkcija raspodele
(
1
F (x) = 1 exp
2
xc
2 )
x c.
Momenti
m1 = c +
c + 1.253314,
2
D(X) =
4 2
0.42904 2 .
2
Mod i medijana
M o(X) = c + ,
M e(X) = c + ln 4 c + 1.17741.
2 ( 3)
1 (X) =
0.63,
(4 )3/2
2 (X) =
6 2 24 + 16
0.25.
( 4)2
Ocene parametara
Ocene b i bc za nepoznate parametre i c dobijaju se iz sistema

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

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

1. R2(0, ) = R1().
2. Ako X : R2(c, ), tada (X c)2
3. R2(c, ) = W2(2, 2, c).
: E1 (2 2 )
Napomena
Postoje i druge parametrizacije gustine, kao xto su

(
2 )
xc
2(x c)
exp
,
g(x) =
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 sluqajan broj iz R2(c, ) raspodele.
136
RELEJEVA RASPODELA RD(c, )
(dvostrana, dvoparametarska)
Gustina
(

2 )
|x c|
1 xc
g(x) =
exp
,
2 2
2
x R.
Parametri
c (c R)
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
0.5
316
1.5
2.5
137
RAJSOVA RASPODELA RC(a, b)
(dvoparametarska)
Gustina
x
g(x) = e
b
x2 + a2

x|a|
2b I0
,
b
x > 0.
Parametri
a (a R)
Grafik gustine
0.7
a=0, b=1
0.6
0.5
a=0, b=3
a=3, b=1
0.4
a=0, b=5
0.3
0.2
0.1
0
0
317
318
Rajsova raspodela
Momenti
mr = b
r/4 r/2
2
r
a
1+
Lr/2
,
2
2b

gde je L (z) uopxten Lagerov polinom (videti Dodatak A).

Specijalno,
m1 =
2
b
a
L1/2
,
2
2b
m2 = 2b + a ,
m3 = 3
r
2
b3
a
L3/2
,
2
2b
2
b
a
L5/2
m4 = 8b + 8ba + a , m5 = 15b
,
2
2b
2
a
b
.
D(X) = 2b + a2 L21/2
2
2b
2

1. RC(0, b) = R1(b).
2. RC(0, b) = R2(0, b).
138
STEPENA RASPODELA S(a)
(jednoparametarska)
Gustina
g(x) = axa1 ,
0 x 1.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
5
4.5
4
a=5
3.5
3
a=3
2.5
a=0.1
2
a=0.5
1.5
a=2
0.5
0
0
0.1
0.2
0.3
0.4
0.5
319
0.6
0.7
0.8
0.9
320
Stepena raspodela
Funkcija raspodele
F (x) = xa ,
0 x 1.
Momenti
m1 =
a
,
a+1
D(X) =
a
.
(a + 1)2 (a + 2)
a<1
,
a1
M e(X) = 21/a .
Mod i medijana

M o(X) =
0,
1,
Ocene parametara
Za ocenu ba po metodi maksimalne verodostojnosti

n
b
a=
1X
ln xi
n i=1
!1
vai D(ba) a2/n za n , a za ocenu ea po metodi momenata

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

1. S(1) = U (0, 1).
2. Ako X
, tada X1
: S(a)
Generisae
: P AR(a)
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
n 1 +
g(x) =
,
n
n
2
x R.
Parametri
n (n N )
{ parametar oblika.
Grafik gustine
0.4
n=10
n=5
0.35
n=3
n=2
n=1
0.3
0.25
0.2
0.15
0.1
0.05
0
5
321
322
Studentova raspodela
Funkcija raspodele
Za t 0 je
F (x) =
a za t > 0 je
1
In/(n+x2 )
2
1
F (x) = 1 In/(n+x2 )
2
n 1
,
2 2

n 1
,
2 2
,

gde je Iz nepotpuna beta funkcija (videti Dodatak).
Momenti
m2k1 = 0,
m2k = 2k = nk
Specijalno,
m1 = 0,
(2k 1)!!
.
(n 2k)(n 2k + 2) (n 2)
D(X) =
n
, (n > 2).
n2
Mod i medijana
M o(X) = M e(X) = 0.

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

1. F (1, n) = t2(n).
2. Ako X : N (0, 1) i Y
veliqine, tada pXY /n :
3. Ako
X, Y
: 2 (n)
n XY
: t(n)
2
XY
4. Ako X
i ako su
i Y nzavisne sluqajne
t(n)
i ako su X i Y nezavisne sluqajne veliqine, tada
, tada 1 + X1 2/n
: t(n)
5. Ako X, Y
: 2 (n)
: F (n, n)
: B2 (1/2, 1/2)
i ako su X i Y nezavisne sluqajne veliqine, tada

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

sledeoj slici je data gustina za t(10) i za N (0, 1).
N (0, 1)
. Na
0.4
N(0,1)
t(10)
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
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
2
(Y1 , Y2 , . . . , Yk ) uzorak iz N (m2 , ) raspodele, tada
X n Y k (m1 m2 )
q
2
2
nS n (X) + kS k (Y )
Napomene
nk
(n + k 2) : t(n + k 2).
n+k
1. Raspodelu je uveo engleski hemiqar i statistiqar Goset ( William

Sealey Gosset, 1876-1937) koji je radove objav ivao pod pseudonimom
Student.
2. Raspodela je specijalan sluqaj Pirsonove raspodele tip V II (PIR7).
324
3. Za raspodelu t(2) je
1
g(x) =
,
(2 + x2 )3/2
1
F (x) =
2

x
1+
,
2 + x2
x R.
Generisae
Ako je y sluqajan brojriz N (0, 1) raspodele i z sluqajan broj iz

raspodele, tada je x = nz y sluqajan broj iz t(n) raspodele.
2 (n)
140
STUDENTOVA RASPODELA t(n, a, b)
(troparametarska)
Gustina

n+1
2
n
g(x) =
b n
2
1
1+
n
xa
b
2 !(n+1)/2
x R.
Parametri
{ parametar oblika, a (a R) { parametar lokacije,
n (n N )
b (b > 0)
Grafik gustine
0.4
a=0, b=0.8
n=1
a=3, b=1
0.35
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
325
326
Funkcija raspodele
Ako je t = x b a , tada je za t 0
1
F (x) = In/(n+t2 )
2
a za t > 0 je
1
F (x) = 1 In/(n+t2 )
2
n 1
,
2 2

n 1
,
2 2
Momenti
m1 = 0,
D(X) =
n 2
b , (n > 2).
n2
Mod i medijana
M o(X) = M e(X) = 0.

1 (X) = 0,
2 (X) =
Neka svojstva
6
.
n4
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
X
ec /2
(c 2)k
xk
2
g(x) =
,

(k+1)/2
(n+k+1)/2
n
1
k! n
x2
k=0
1+
2
2
n
x R.
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
327
10
328
Studentova necentralna raspodela
Funkcija raspodele
Za x 0 je

2
1 ec /2 X (c 2)k
k+1
n k+1

2
F (x) =
I
,
,
n/(n+x )
2 21
k!
2
2
2
k=0
a za x > 0 je
F (x) = 1

2
1 ec /2 X (c 2)k
k+1
n k+1

2
,
I
,
n/(n+x )
2 12
k!
2
2
2
k=0
Momenti
m1 =

n n1
2
c,
2 n
2
D(X) =
n
(1 + c2 ) m21 , (n > 2).
n2

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

k/2
2
X
nn/2
ec /2
n + k + 1 ck
2x2

g(x) =
.
2
k! n + x2
n2 (n + x2 )(n+1)/2 k=0
142
TROUGAONA RASPODELA T R(a, b, c)
(troparametarska)
Gustina
g(x) =
2(x a)
(b a)(c a) ,
Parametri
a, b (a, b R), (b > a)
Grafik gustine
2(b x)
,
(b a)(b c)
axc
c x b.
{ parametri lokacije, c (c [a, b]) { parametar oblika.
0.7
0.6
a=1
a=1
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
0.5
329
1.5
2.5
330
Trougaona raspodela
Funkcija raspodele
F (x) =
(x a)2
(b a)(c a) ,
axc
(b x)2
,
(b a)(b c)
cxb
Entropija
H(X) =
1
+ ln
2
ba
2
(t) =
2 (b c)eiat (b a)eitc + (c a)eibt
.
t2
(b a)(c a)(b c)
M (t) =
2 (b c)eat (b a)etc + (c a)ebt
.
t2
(b a)(c a)(b c)
Momenti
m1 =
m3 =
2 =
1
(a + b + c),
3
m2 =
1 2
(a + b2 + c2 + ab + ac + bc),
6
1 3
(a + b3 + c3 + a2 b + a2 c + b2 a + b2 c + c2 a + c2 b + abc),
10
1 2
(a + b2 + c2 ab ac bc),
18
4 =
3 =
1
(a + b 2c)(a + c 2b)(b + c 2a),
270
1
(a2 + b2 + c2 ab ac bc)2 .
135
Mod i medijana
M o(X) = c,
(b a)(c a)
a +
2
p
M e(X) =
(b a)(b c)
,
b
2
ba
2
ba
c
2
c
331
Trougaona raspodela
1 (X) =
2 (a + b 2c)(2a b c)(a 2b + c)
,
5
(a2 + b2 + c2 ab bc ca)3/2
2 (X) = 2.4.
Napomene
1. Za a = b i c = 0 raspodela je nekada korixena za analizu grexaka,

dok se danas za to uglavnom primeuje Gausova raspodela.
2. Raspodela je poznata i kao Simpsonova raspodela .
Generisae
a + (b a)(c a)u,
x=
p
b (b a)(b c)(1 u),
sluqajan broj iz T R(a, b, c) raspodele.
ca
ba
ca
u>
ba
u
143
UNIFORMNA RASPODELA U (a, b)
(dvoparametarska)
Gustina
g(x) =
1
,
ba
x [a, b].
Parametri
a, b (a < b)
Grafik gustine
0.5
a=1
b=1
0.4
b=2
b=3
0.3
0.2
b=4
0.1
0
2
332
333
Uniformna raspodela
Funkcija raspodele
F (x) =
xa
,
ba
x [a, b].
Entropija
H(X) = ln(b a).
(t) =
eitb eita
.
it(b a)
M (t) =
etb eta
.
t(b a)
Momenti
mr =
Specijalno:
m1 =
1
br+1 ar+1
.
r+1
ba
a+b
,
2
m2 =
Centralni momenti su dati sa

2k1 = 0,
2k =
Specijalno:
2 = D(X) =
1
2k + 1
a2 + ab + b2
.
3
(b a)2
,
12
ba
2
2k
4 =
kN
(b a)4
.
80
Mod 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

b
a = Xmin ,
pri qemu je
E(b
a) =
na + b
,
n+1
bb = Xmax ,
a + nb
E(bb) =
,
n+1
D(b
a) = D(bb) =
n(b a)2
.
(n + 1)2 (n + 2)
Ako je a = 0, tada za ocenu bb = Xmax parametra b vai

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

Metoda momenata
e
a = X Sn 3,
Ako je a = 0, tada je
eb = X + Sn 3.
eb = Xmin + Xmax
i vai
E(eb) = b,
D(eb) =
2b2
.
(n + 1)(n + 2)
Druge ocene
Ocene a i b date sa
a =
nXmin Xmax
,
n1
b =
nXmax Xmin
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)
335
Uniformna raspodela
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 su
X(1) , . . . , X(n) statistike 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
g(x) =
m m/2
xm/21
nm n
,
m m/2+n/2
B
,
1
+
x
2 2
n
x > 0.
Parametri
m, n (m, n N )
{ parametri oblika (stepeni slobode).
Grafik gustine
1
0.9
m=2, n=3
0.8
0.7
m=5, n=4
0.6
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
336
1.5
337
Fixerova raspodela
Funkcija raspodele
mx
F (x) = I mx+n
m n
,
,
2 2
x 0,
gde je Ia nepotpuna beta funkcija (videti Dodatak).
(t) = M
m
n
n
, ; it ,
2
2
m
gde je M (a, b; ) hipergeometrijska funkcija (videti Dodatak).
Momenti
mr =
n r m(n + 2) (m + 2r 2)
,
m (n 2)(n 4) (n 2r)
r>
pri qemu vai rekurentna veza

mr = mr1
n m/2 + r 1
,
m n/2 r
n
,
2
m0 = 1.
Specijalno:
m1 =
n
(n > 2),
n2
D(X) =
2n2 (m + n 2)
,
m(n 2)2 (n 4)
(n > 4).

p
(2m + n 2) 8(n 4)
p
1 (X) =
,
(n 6) m(m + n 2)
2 (X) = 12
16 + 20m 8m2 + m3 + 44n 32mn + 5m2 n 22n2 + 5mn2

.
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
n(m 2)
M o(X) =
.
m(n + 2)

1. F (1, n) = t2(n).
, a za m > 2 je
x = 0
338
Fixerova raspodela
2. Ako X
: 2 (m)
iY
3. Ako X
: F (m, n)
, tada mn XY
: 2 (n)
, tada n +mXmX
: B2
: F (m, n)
m n
,
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
: F (n, n)
8. Xi
za

n
1
X
: t(n)
2
X
i Yj : N (b, 2) za j = 1, . . . , n i ako su
nezavisne sluqajne promen ive, tada
: N (a, 2 )
i = 1, . . . , m
X1 , . . . , Xm , Y1 , . . . , Yn
m
1 X
(Xi a)2
m i=1
n
1X
(Yj b)2
n j=1
: F (m, n),
1 X
(Xi X)2
m 1 i=1
n
1 X
(Yj Y )2
n 1 j=1
: F (m 1, n 1).
9. F (m, n) m1 2(m), (n ).
10. Ako : F (m, n) i ako je
Y =
m
2n 1 X 2m 1
rn
,
m
1+ X
n
X
Z=
1/3

2
2
1
1
9n
9m
r
,
2
2
2/3
+X
9m
9n
tada Y i Z imaju priblino normalnu raspodelu 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.
339
Fixerova raspodela
2. U literaturi na engleskom jeziku raspodela je poznata i kao Snedecor

distribution po ameriqkom statistiqaru Snedekoru ( George Waddel Snedecor, 1881-1974) ili kao Fisher-Snedecor distribution ili kao varianceratio distribution.
3. Funkcija gustine moe da se zapixe i u obliku
ili
1
g(x) =
xB(m/2, n/2)
mx
mx + n
1
g(x) =
xB(m/2, n/2)
m/2
1
mx
mx + n
n/2
nn (mx)m
.
(mx + n)m+n
4. Raspodela je definisana i za realne pozitivne vrednosti parametara.
Generisae
Ako je y sluqajan broj

iz raspodele 2(m) i z sluqajan broj iz raspodele
ny
2
(n), tada je x =
sluqajan broj iz F (m, n) raspodele.
mz
145
FIXEROVA Z RASPODELA F Z(m, n)
(dvoparametarska)
Gustina
g(x) =
2mm/2 nn/2
emx
m n
,
m/2+n/2
(me2x + n)
B
,
2 2
x R.
Parametri
m, n (m, n N )
{ parametri oblika (stepeni slobode).
Grafik gustine
0.7
m=2
n=5
0.6
n=4
0.5
n=2
0.4
n=1
0.3
0.2
0.1
0
2
1.5
0.5
340
0.5
1.5
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=0
a=1
0.6
0.6
b=2
b=2
0.4
0.4
b=1
b=1
0.2
0.2
0
0
0.8
0.8
a=1
a=3
0.6
0.6
b=2
b=2
0.4
0.4
b=1
b=1
0.2
0.2
0
0
341
342
Fon Mizisova raspodela
Funkcija raspodele
X
1
I
(b)x
sin(j(x
a))
j
xI0 (b) + 2
,
F (x) =
2I0 (b)
j
j=1
x (0, 2],
gde je Ij Beselova funkcija prve vrste (videti Dodatak).
Momenti
m1 = a,
D(X) = 1
Ia (b)
,
I0 (b)
gde je Ia Beselova funkcija prve vrste (videti Dodatak).
Napomene
1. Raspodelu je uveo austrijski matematiqar Fon Mizis ( Richard von

Mises, 1883-1953) 1918. godine radei na modelirau cikliqnih podataka.
2. Raspodela je poznata i kao cirkularna normalna .
147
FON MIZISOVA RASPODELA F M B(a, b)
(bimodalna, dvoparametarska)
Gustina
eb cos 2(xa)
,
2I0 (b)
g(x) =
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
0.2
b=1
0.2
b=1
0
0
0.8
0.8
a=3
a=1
0.6
0.6
b=2
b=2
0.4
0.4
0.2
0.2
b=1
b=1
0
0
343
148
HELMERTOVA RASPODELA H(n)
(dvoparametarska)
Gustina
g(x) =
2
nn/21/2

xn2 enx /2 ,
n1
2n/23/2
2
x 0.
Parametri
n (n N, n 6= 1)
Grafik gustine
1.8
1.6
n=8
1.4
n=2
1.2
1
n=4
0.8
0.6
n=3
0.4
0.2
0
0
0.5
1.5
344
2.5
149
HI RASPODELA 1(a)
(jednoparametarska)
Gustina
g(x) =
1
2a/21 (a/2)
xa1 ex
/2
x > 0.
Parametri
a (a > 0)
{ parametar oblika.
Grafik gustine
1
0.9
a=1
a=2
0.8
a=3
a=4
a=5
0.7
a=10
0.6
0.5
0.4
0.3
0.2
0.1
0
0
345
346
Hi raspodela
Funkcija raspodele
F (x) = P
a x2
,
2 2
x > 0,
Entropija
H(X) = ln
a
a
1
+ (a ln 2 (a 1)
.
2
2
2

X
1
( 2ti)k
a+k
(t) =
.
(a/2)
k!
2
k=0
M (t) = t 2
a+1
2
a
2
a + 1 3 t2
, ;
2
2 2
gde je M (a, b; ) hipergeometrijska funkcija (videti Dodatak).
Momenti

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

a+1
2
m1 (X) = 2
,
(a/2)
m2 = a,
r N.
m3 = (a + 1)m1 ,

2 a+1
2
D(X) = a 2 2
.
(a/2)
Mod i medijana
M o(X) =
a 1,
M e(X)
2
a .
3

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

2. Ako su X1,vX2, . . . , Xn nezavisne sluqajne veliqine sa N (0, 1) raspodeu n
uX
lom, onda t Xi : (n).
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

1
x2
a/21
g(x) = a/21 a
x
exp 2 ,
2b
2
b (n/2)
x > 0.
Parametri
a (a > 0)
Grafik gustine
0.7
0.6
a=2
b=1
0.5
0.4
0.3
b=2
b=3
0.2
b=5
0.1
0
0
348
10
349
Hi raspodela
Funkcija raspodele
F (x) = P
a x2
,
2 2b2
x > 0,
Momenti
mr = 2r/2 br
Specijalno:
m1 (X) =
2b

r+a
2
a ,
r > a.

a+1
2
a ,

a+1
2
a .
2
2
D(X) = ab2 2b2

1 (X) =
4
2
a
a+1
2

a a + 3
a+1
+
2
3a
2
2
2
,
3/2

a+1
2
2
a
2
3

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

a
a+1
2
2
a
2
2
2
gde je
A
B

a+1
,
2
2

a + 1
a+1
a+3
2 a
= 8
3a
2
.
2
2
2
2
= 2a(a 1)4
a
244
Ocene parametara
Ako je parametar a poznat, ocena bb po metodi maksimalne verodostojnosti

za parametar b data je sa
n
bb =
1 X 2
X
na i=1 i
!1/2
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
1
g(x) = a/21
2
b(n/2)
xc
b
a/21
1
exp
2
xc
b
2 )
x > c.
Parametri
a (a > 0)
c (c R)

Grafik gustine
0.7
a=2
b=1, c=2
0.6
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
351
10
352
Hi raspodela
Funkcija raspodele
a 1
,
2 2
F (x) = P
xc
b
2 !
x > c,
Momenti
m1 (X) = c +

a+1
2
2b
,
(a/2)
D(X) = ab 2b
a+1
2
2 (a/2)
1 (X) =
2 43

a
a+1
2
2 (X) =
gde je
A
B
+ 2
a
2
a2

a
2
a
2
a+3
2
22
a
2
A+B

22
3a
!3/2

a+1
2
a
a+1
2
a+1
2
2 ,

a
a+1
2a(a 1)4
244
,
2
2

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

xn/2
x + a2
g(x) = n/21 exp
In/21 (ax),
2
a
x 0.
Parametri
{ parametar necentralnosti.
n (n N )
a (a > 0)
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
1.5
2.5
353
3.5
4.5
354
Hi necentralna raspodela
Momenti
m1 =
n/21
L
(a2 /2),
2 1/2
m 2 = n + a2
m4 = (n + a2 )2 + 2(n + 2a2 ),
m3 = 3
n/21
L
(a2 /2),
2 3/2
D(X) = n + a2 n21 ,
gde je Lck (z) uopxteni Lagerov polinom (videti Dodatak).
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
gde je a =
X2
X12
X2
+ 22 + + 2k : (k, a),
2
1
2
k
2
21
2
+ 22 + + k2 .
2
1
2
k
153
HI KVADRAT RASPODELA 2(n)
(jednoparametarska)
Gustina
g(x) =
1
2n/2 (n/2)
xn/21 ex/2 ,
x 0.
Parametri
n (n N )
Grafik gustine
n=1
0.5
n=2
0.4
n=3
0.3
n=4
0.2
0.1
0
0
355
10
356
Hi kvadrat raspodela
Funkcija raspodele
F (x) = 1
n x
(n/2, x/2)
=P
,
,
(n/2)
2 2
x 0,
(t) = (1 2it)n/2 .
M (t) = (1 2t)n/2 ,
t < 1/2.
Momenti
mr =
Specijalno,
2r (r + n/2)
= n(n + 2) (n + 2(r 1)),
(n/2)
m1 = n,
m2 = n(n + 2),
2 = 2n,
3 = 8n,
r N.
m3 = n(n + 2)(n + 4),

4 = 48n + 12n2 ,
6 = 40n(3n2 + 52n + 96).
5 = 32n(5n + 12),
Mod i medijana
M o(X) =
n2
0,
n 2,
n>2
M e(X) n
2
4
8
.
+
3 27n 729n2

1 (X) =
8
,
n
Neka svojstva
2 (X) =
12
.
n
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).
357
Hi kvadrat raspodela
2. 2(n) = 2(n/2, 2).

3. Ako X : 2(n), tada X : (n).
4. Ako su X1, X2, . . . , Xn nezavisne sluqajne veliqine sa N (0, 1) raspodelom, tada
2
2
2
2
5. Ako Xi
6. Ako
7. Ako
X1 + X2 + Xn : (n).
: 2 (ni ) i = 1, 2 . . . , k
) i ako su X1, X2, . . . Xk nezavisne, tada
X1 + X2 + + Xk : 2 (n1 + n2 + + nk ).
X : 2 (n)
2X N ( 2n 1, 1)
n
r

2 2
3 X
N 1
,
n
X : 2 (n)
n
9n 9n
8. Ako X
, onda
kada
kada
, onda
, onda X2nn N (0, 1) kada n .
: 2 (n)
9. Ako su X1, . . . , Xn nezavisne sluqajne veliqine sa N (m, 2), tada

2
2
Xn m
X1 m
+ +
: 2 (n),

2

2
X1 X
Xn X
+ +
: 2 (n 1).
10. Ako X
: 2 (m)
iY
: 2 (n)

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, 18561936) 1900. godine.
Generisae
Sluqajan broj iz 2(n) raspodele se moe dobiti kao zbir kvadrata

sluqajnih brojeva iz N (0, 1) raspodele.
154
HI KVADRAT RASPODELA 2 (n, a)
(dvoparametarska, necentralna)
Gustina
1
g(x) = n/2
2
n/21 (x+a)/2
1
2
x
X
(ax)k
k=0
(2k)!
1
2
n
2

+k
,
+k
x 0.
Parametri
{ parametar necentralnosti.
n (n N )
a (a > 0)
Grafik gustine
0.2
2(4)
0.18
n=4
a=1
0.16
a=2
0.14
0.12
0.1
0.08
0.06
0.04
a=5
a=3
0.02
0
0
358
10
359
Hi kvadrat necentralna raspodela
Funkcija raspodele
F (x) = ea/2
n
X
ak
x
P
+
k,
,
2k k!
2
2
x 0,
k=0
1
(t) =
exp
(1 2it)n/2
ita
1 2it
1
M (t) =
exp
(1 2t)n/2
at
1 2t
t R.
Momenti
2 = 2(n + 2a),
3 = 8(n + 3a),
4 = 48(n + 4a) + 12(n + 2a)2 ,
5 = 384(n + 5a) + 160(n + 2a)(n + 3a),

6 = 3840(n + 6a) + 1440(n + 2a)(n + 4a) + 640(n + 3a)2 + 120(n + 2a)3 .

1 (X) = 8
n + 3a
,
(2(n + 2a))3/2
2 (X) = 12
n + 4a
.
(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 :
promen ive, tada X + Y
4. Ako X
, tada
: 2 (n, a)
i ako su
i nezavisne sluqajne
2 (n, b)
X
Y
: 2 (m + n, a + b)

n + 2a
(n + a)2
2
X :
n+a
n + 2a
360
Hi kvadrat necentralna raspodela
Napomena
Funkcija gustine moe da se zapixe i u obliku

f (x) =
xn/41/2 a/2x/2
e
In/21 ( ax),
n/41/2
2a
gde je Ik (z) Beselova funkcija prve vrste (videti Dodatak).
Generisae
Sluqajan broj iz 2(n, a) raspodele

moe da se dobije kao zbir kvadrata
p
n sluqajnih brojeva iz N ( a/n, 1) raspodele.
155
HIPERBOLIQKI SEKANT RASPODELA HS(a, b)
(dvoparametarska)
Gustina
g(x) =
1
xa
sech
,
b
b
x R.
Parametri
a (a R)
Grafik gustine
0.35
a=0
0.3
b=1
0.25
0.2
0.15
b=2
0.1
0.05
b=3
0
5
b=4
361
362
Hiperboliqki sekant raspodela
Funkcija raspodele

xa
2
F (x) = atan exp
,
x R.
Momenti
m1 = a,
2 = D(X) =
1 2 2
b .
4
Mod 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) =
tz1 et dt,
gde je z kompleksan broj qiji je realan deo vei od nule. Ovo je Ojlerova 1
integralna forma gama funkcije. Ona se moe predstaviti i u obliku
graniqne vrednosti
(z) = lim
n!
nz ,
z(z + 1) (z + n)
kao i u obliku beskonaqnog proizvoda

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

Za gama funkciju vai rekurentna relacija (z + 1) = z(z). Specijalno, (n + 1) = n! za n N .
Aproksimacija za gama funkciju se moe dobiti iz Stirlingove 2 formule
z z
(z) = z e
2
z

139
571
1
1
1+
+
12z
288z 2
51840z 3
2488320z 4
koja vai za | arg z| < i |z| . Specijalni sluqaj je poznata Stirlingova formula za aproksimaciju faktorijela
n! nn+1/2 en 2.
Za z = x > 0 vrednosti gama funkcije su realne i pozitivne,

(x) =
tx1 et dt > 0,
x > 0.
0
1 Leonhard Euler (1707-1783) - xvajcarski matematiqar koji je objavio preko 900
radova i qije ime nosi jedna ulica u Parizu i jedan krater na Mesecu
2 James Stirling (1692-1770) - xkotski matematiqar, utnov uqenik
363
364
Specijalne funkcije
Iz jednakosti

1
(2n)!
n+
= 2n
2
2 n!
i jednakosti

=
2

3
1
=
,
2
2
dobijamo, na primer,

5
3
=
,
2
4

7
15
=
,
2
8

9
105
=
.
2
16
Digama funkcija
Digama ili funkcija je izvod logaritma gama funkcije

(z) =
d
1 d(z)
ln (z) =
.
dz
(z) dz
Funkcija moe da se predstavi u obliku beskonaqnog reda

(z + 1) =

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

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

(1) = ,
(2) = 1 ,

3
1
=
+ 2,
2
2

1
= 2 ln 2
(3) =
3
,
2

5
1
8
=
+ ,
2
2
3
(4) =
11
,
6

7
1
46
=
+ ,
2
2
15
.
gde je
Ako je potreban izvod gama funkcije, moe se koristiti jednakost
d(z)
= (z) (z).
dz
365
Specijalne funkcije
Poligama funkcije
Poligama funkcije su vixi izvodi digama funkcije , odnosno funkcije

ln . Tako je
(n) (z) =
dn+1
dn
(z) = n+1 ln (z),
n
dz
dz
n N.
Poligama funkcije mogu da se predstave u obliku beskonaqnog reda

(n) = (1)n+1 n!
k=0
1
.
(z + k)n+1
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
(1) (1) = (2) 1.645,
(1)

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

realne argumente iz skupa [0.5, 2].
5
3
(1)
2
2
0.5
1.5
Nepotpune gama funkcije
Nepotpune gama funkcije (a, x), (a, x), P (a, x) i Q(a, x) definisane su sa
(a, x) =
Z
0
ta1 et dt,
(a, x) =
ta1 et dt,
366
Specijalne funkcije
P (a, x) =
(a, x)
,
(a)
Q(a, x) = 1 P (a, x)
za kompleksan broj a qiji je realan deo vei od nule. U primenama se

najqexe 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 ,
P (a + 1, x) = P (a, x)
xa ex
.
a(a)
Funkcije (a, x) moe da se predstavi beskonaqnim redom

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

za nekoliko vrednosti a (0.5, 1., 2., 4., 6., 8.).
1
a=8
P(a,x)
0.8
0.6
0.4
0.2
a=0.5
0
0
10
1
a=0.5
0.8
0.6
0.4
Q(a,x)
0.2
a=8
0
0
Beta funkcija
Beta funkcija B(a, b) je definisana sa

B(a, b) =
Z
0
ta1 (1 t)b1 dt,
a > 0, b > 0.
10
iQ
367
Specijalne funkcije
Smenom x = 1 t t vidimo da funkcija

sledei naqin
Z
B(a, b) =
Jednakost
B(a, b) =
B(a, b)
moe da se predstavi i na
xa1 dx
.
(1 + x)a+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

Bx (a, b) =
ta1 (1 t)b1 dt,
Ix (a, b) =
Bx (a, b)
.
B(a, b)
Za funkciju Bx vai 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

1
erf z =
et dt
je funkcija grexke (eng. error function) ili funkcija verovatnoe , a en komplement je funkcija erf c definisana sa
erf c(z) = 1 erf (z)
za koju vai
erf c(z) =
1 z2 X
(k + 1/2)
.
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
g(x) =
2 x2
e
,
x 0.
Veza sa funkcijom raspodele standardne normalne raspodele je

1
(x) =
2

x
x
1
1 + erf
= erf c
.
2
2
2
368
Specijalne funkcije
Ako X
: N (0, 1)
, tada je
x
P {|X| x} = erf ,
2
x > 0.
Funkcija erf moe da se izrazi preko nepotpune gama funkcije

erf x = P

1 2
,x ,
2
x 0.
Rimanova zeta funkcija
Funkcija : R R definisana sa
(x) =
X
1
,
kx
x>1
k=1
je Rimanova3 zeta funkcija. Ona moe da se predstavi i na sledei naqin

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

(2) =
2
,
6
(4) =
4
,
90
(6) =
6
,
945
(8) =
8
.
9450
Qesto se umesto (n) pixe n . Za parne argumente vai

(2n) =
22n1 2n |B2n
,
(2n)!
n N,
gde su B2n Bernulijevi4 brojevi koji su definisani jednakoxu
X
z
zn
=
Bn .
z
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
B2n = 2(1)n+1 (2n)!
dok je B2n+1 = 0 za n N .
k=1
1
,
(2k)2n
3 Georg Friedrich Bernard Riemann (1826-1866) - nemaqki matematiqar koji se smatra

jednim od tvoraca moderne matematike
4 Jacob Bernoulli (1655-1705) - xvajcarski matematiqar koji je otkrio binomnu
raspodelu
369
Specijalne funkcije
Beselove funkcije prve vrste
Funkcija Ja : C C definisana sa
Ja (z) =
z a X
k=1
z 2k
(1)k
,
k!(a + k + 1) 2
aR
je Beselova5 funkcija prve vrste . Za celobrojne vrednosti parametra a postoje razne rekurentne veze, na primer,
Jn1 (z) + Jn+1 (z) =
2n
Jn (z),
z
Jn1 (z) Jn+1 (z) = 2Jn0 (z),

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

I0 (x) =
k=0
Jednakost
x2k
,
22k (k!)2
In (x) =
x n X
k=0
x 2k
1
.
k!(n + k)! 2
Ia (z) = ia Ja (iz),
daje vezu izmeu funkcija Ia i Ja , a za celobrojne vrednosti parametra a

postoje rekurentne veze, analogne vezama za Beselovu funkciju,
In1 (z) In+1 (z) =
2n
In (z),
z
In1 (z) + In+1 (z) = 2In0 (z),

n
In+1 (z) = In (z) + In0 (z).
z
Ja
Modifikovana Beselova funkcija

naqine
je jedno rexee diferencijalne jed-
z 2 y 00 (z) + zy 0 (z 2 + a2 )y(z) = 0.
5 Vilhelm
Bessel (1784-1846) - nemaqki astronom
370
10
Specijalne funkcije
Beselove funkcije druge vrste
Funkcija Na : C C definisana sa
1
(Ja (z) cos a Ja (z)),
sin a
Na (z) =
(Ja (z) cos a Ja (z)),

sin a
a 6 Z
aZ
je Beselova funkcija druge vrste , a funkcija Ka : C C definisana sa
Ia (z) Ia (z)
2
sin a
Ka (z) =
lim Ic (z) Ic (z) ,

2 ca
sin c
a 6 Z
aZ
je modifikovana Beselova funkcija druge vrste .

11
Hipergeometrijska funkcija M
Postoji vixe hipergeometrijskih funkcija koje se definixu pomou stepenih redova ili kao rexea nekih linearnih diferencijalnih jednaqina
drugog reda sa funkcionalnim koeficijentima.
Neka je (a)n oznaka za proizvod a(a + 1)(a + 2) (a + n 1), gde je a C
i n N . Hipergeometrijska funkcija M (a, b; ) definixe se sa
M (a, b; x) =
X
(a)n xn
,
(b)n n!
n=0
a 6= 0, 1, 2, . . .
i ona je jedno rexee jednaqine
xy 00 (x) + (b x)y 0 (x) ay(x) = 0.

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

(b)
M (a, b; x) =
(a)(ba)
a vai i jednakost
ext ta1 (1 t)ba1 dt,
M (a, b; x) = ex M (b a, b; x).
Za izvode funkcije M vai

M (n) (a, b; x) =
(a)n
M (a + n, b + n; x).
(b)n
371
Specijalne funkcije
Mnoge matematiqke funkcije mogu da se izraze pomou funkcije

primer,
a
. Na
x
(a, x) =
M (a, a + 1; x),
a

1
ex x n
M n + , 2n + 1; 2x .
In (x) =
n! 2
2
ex = M (a, a; x),
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
Ln (x) = n!
n
X
k=0
k
n x
(1)
k k!
k
je Lagerov6 polinom. Ma primer,

L0 (x) = 1,
L2 (x) = 2 4x + x2 ,
L1 (x) = 1 x,
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,
L1/2 (x) = M

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

Lcn (x) =
n
X
k=0
(1)k

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

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

xy 00 + (c + 1 x)y 0 + ny = 0.
6 E.
N. Laguerre (1834-1886) - francuski matematiqar
LITERATURA
[1] AbouRizk, S. M. and Halpin, D. W. (1992). Statistical properties of construction duration data, Journal of Construction Engineering and Managment,
118, 525-544.
[2] Ahmed, M. I., Sinclair, C. D. and Werritty, A. (1988). Log-logistic
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 estimate the parameters of a Pearson type III distribution. Hydrological Sciences,
36, 271-280.
[8] Bridges, T. C. and Haan, C. T. (1972). Reliability of precipitation probabilities estimated from the gamma distribution, Mounthly Weather Review,
100, 607-611.
[9] Bushiand, T. A. (1978). Some remarks on the use of daily rainfall models,
Journal of Hydrology, 36, 295-308.
[10] Chang, Y., Han, R. L., Pearson, C. L., Runyan, M. R., Ranade, M.
B. and Gentry, J. W. (1988). Applications of the log beta distribution to
the evolution of aerosol growth, Journal of Aerosol Science, 19, 879-882.
[11] Davidson, R. R. (1980). Some properties of a family of generalized logistic
distributions, in Statistical Climatology, Developments in Atmospheric Science,
Ed. by S. Ikeda, Elsevier 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). Parameter transferability for a daily rainfall disaggregation model, Journal of
Hydrology, 118, 209-228.
372
Literatura
373
[14] Ellingwood, B. and Redfield, R. K. (1984). Probability models for annual

extreme water equivalent ground snow, Monthly Weather Review, 112, 11531159.
[15] Evans, M. A. and Gross, S. D. (1994). Burr distribution tables for a approximation p - values and critical values by maching skewness and kurtosis,
Pakistan Journal of Statistics, 10, 547-573.
[16] Ferrer, J. and Ardiles, L. (1993). Frequency analysis of daily rainfall annual maximum series in Spain, Seminaire annuel, UNESCO.
[17] Folks, J. L. and Chhikara, R. S. (1978). The inverse Gaussian distribution
and its statistical application - a review, J. R. Statist. Soc. B, 40, 263-289.
[18] Golenko-Ginzburg, D. (1988). The distribution of activity time in PERT,
Journal of the Operational Research Society, 39, 767-771.
[19] Graham, V. A. and Hollands, K. G. T. (1990). Method to generate synthetic hourly solar radiation globally, Solar Energy, 44, 333-341.
[20] Green, J. R. (1970). A generalized probability model for sequences of wet
and dry days, Mounthly Weather Review, 98, 238-241.
[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). Suitability of two-parameter gamma
and three-parameter beta distributions as synthetic unit hydrographs in Anatolia. Hydrological Science - Journal - des Sciences Hydrologiques, 35, 2, 167-184.
[24] Hoshi, K. and Leeyavanija, U. (1986). A new approach to parameter estimations of gamma-type distributions, Journal of Hydroscience and Hydraulic
Engineering, 4, 79-95.
[25] Janc, N (1985). Statistical characteristics of storm winds in Belgrade, Republicki hidrometeoroloski zavod SR Srbije, Beograd.
[26] Janc, N (1987). Statisticka obrada jakih kisa na podrucju Beograda, Republicki hidrometeoroloski zavod SR Srbije, Beograd.
(2002). Statistiqke metode u meteorologiji

i ineerstvu, Savezni hidrometoroloxki zavod, Beograd.
[27] Jevremovi, V., Malixi, J.
[28] Johnson, N.L., Kotz, S. and Balakrishnan, N. (1994). Continuous Univariate Distributions, Vol.1, John Wiley & Sons, New York.
[29] Johnson, N.L., Kotz, S. and Balakrishnan, N. (1995). Continuous Univariate Distributions, Vol.2, John Wiley & Sons, New York.
374
Literatura
[30] Katsoulis, B. D. (1993). A survey on the Assessment of wind energy potential

in Greece, Theoretical and Applied Climatology, 47, 51-63.
[31] Koppes, L. J. and Grover, N. B. (1992). Relationship between size of
parent at cell division and relative size of progeny in Escherichia Coli, Archives
of Microbiology, 157, 402-405.
[32] Lauritzen, S. L., Thommesen, C. and Andersen, J. B. (1990). A stochastic model in mobile communicatin, Stochastic Processes and Their Applications,
36, 165-172.
[33] Lavergnat, J. and Gole, P. (1998). A stochastic raindrop time distribution
model, Journal of Applied Meteorology, 37, 805-818.
[34] Lowery, M. D. and Nash, J. E. (1970). A comparison of methods of fitting
the double exponential distribution, Journal of Hydrology, 10, 259-275.
[35] Lunetta, G. (1963). Di una generalizzazione dello schema della curva normale,
Annali della Fcolta di Economia e Commercio di Palermo, 17, 237-244.
[36] Magnussen, S. (1992). A distribution model for heritability, Genome, 35,
931-938.
[37] Malixi J., Unkaxevi, M.
(1997). Statistiqke raspodele u klima-
tologiji, Univerzitet u Beogradu.
[38] 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.
[39] Mielke, P. W. (1975). Convenient beta distribution likelihood techniques
for describing and comparing meteorological data. Department of Statistics,
Colorado State University.
[40] Mielke, P. W. and Johnson, E. S. (1973). Three parameter kappa distribution maximum likelihood estimates and likelihood ratio tests. Mounthly
Weather Review, 101, 701-707.
[41] Milyutin, E. R. and Yaromenko, Yu. I. (1991). Statistical characteristics of atmospheric transparency index over titled routes, Meteorologiya i
Gidrologiya, 12, 72-76.
, D. S. (1972). Uvod u specijalne fukcije, Gradjevinska knjiga,
[42] Mitrinovic
Beograd.
[43]
Mladenovi, P. (1995). Verovatnoa i statistika , Vesta, Matematiqki

fakultet, Beograd.
[44] Mooley, D. A. and Rao, G. A. (1971). Distribution function for seasonal

and annual rainfall over India, Mounthly Weather Review, 99, 796-799.
Literatura
375
[45] Naghettini, M., Potter, K. W. and Illangasekare, T. (1996). Estimating the upper tail of flood-peak frequency distributions using hydrometeorological information, Water Resources Research, 32, 1729-1740.
[46] 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.
[47] Phein, H. N. and Hira, M. A. (1983). Log Pearson type 3 distribution:
parmeter estimation, Journal of Hydrology, 64, 25-37.
[48] Roldan-Canas, J., Garcia-Guzman, A. and Losada-Villasante, A.
(1982). A stochastic model for wind occurence, Journal of Applied Meteorology,
21, 740-744.
[49] 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.
[50] Sakamoto, C. M. (1973). Application of the Poisson and negative binomial models to thunderstorm and hail days probabilities in Nevada, Mounthly
Weather Review, 101, 350-355.
[51] Schickedanz, P. T. and Krause, G. F. (1970). A test for the scale parameters of two gamma distributions using the generalized likelihood ratio, Journal
of Applied Meteorology, 9, 13-16.
[52] Simpson, J. (1972). Use of the gamma distribution in single-cloud rainfall
analysis, Monthly Weather Review, 100, 309-311.
[53]
(1987). Ekstremne vrednosti suxnih perioda tokom vegetacione sezone u Beogradu i okolini,
Republiqki hidrometeoroloxki zavod SR Srbije, Beograd.
Spasov, P, Zelenhasi, E. i Mariqi, M.
[54] Stedinger, J. R. (1980). Fitting log normal distributions to hydrologic data,

Water Resources Research, 16, 481-490.
[55] Subbotin, M.T. (1923). On the law of frequency of errors, Mathematicheskii
Sbornik, 31, 296-301.
[56] Suzuki, E. (1980). A summarized 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 Climatology, Ed. Ikeida S., 1-20, Elsevier Scientific Publishing Company.
[57] 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.
[58] 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.
376
Literatura
[59] 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.
[60]
(1990). Analiza verovatnoe pojave hidroloxkih veliqina ,

Nauqna kiga, Beograd.
Vukmirovi, V.
[61] 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.
[62] Wiley, J. A., Herschokoru, S. J. and Padiau, N. S. (1989). Heterogenity
in the probability of HIV transmission per sexual contact: the case of maleto-female transmission in penile-vaginal intercourse, Statistics in Medicine, 8,
93-102.
[63] Wilks, D. S. (1989). Rainfall intensity, the Weibull distribution and estimation of daily surface runoff, Journal of Applied Meteorology, 28, 52-58.
[64] Wilks, D. S. and Shen, K. W. (1991). Threshold relative humidity duration
forecasts for plant disease prediction. Journal of Applied Meteorology, 30, 463477.
[65] 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 Raspodela

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Atlas Raspodela

Uploaded by

Copyright:

Available Formats

ATLAS

dr Dragan ori, dr Vesna Jevremovi,

, Matematiqki fakultet, Beograd

2007, Autori i Graevinska kiga

Narodna biblioteka Srbije, Beograd

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

Sluqajne promen ive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

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

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

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

Loglogistiqka [LLG3(a, b, c)] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238

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

Dodatak - specijalne funkcije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363

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

izvod funkcije jedne promen ive

parcijalni izvod funkcije f po x

neodreeni integral funkcije f

skup realnih brojeva

gustina sluqajne promen ive X

sreda vrednost uzorka X1 , . . . , Xn

Sluqajne promenive i funkcije raspodela

Pojam sluqajne promen ive uveo je Karl Pirson 1 1909. godine.

raspodela , sluqajne promenive X.

Specijalno, za x R moemo da uzmemo B = (, x].

Definicija 3 Funkcija FX : R R definisana sa

funkcija raspodele , sluqajne prome-

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

Pearson (1857 -1936) - engleski matematiqar i statistiqar

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

Nezavisnost sluqajnih veliqina

Za dve ili vixe sluqajnih promen ivih definixe se pojam nezavisnosti.

Na sliqan naqin se definixe nezavisnost tri ili vixe sluqajnih

za svaka dva realna broja x i y.

Neprekidne sluqajne promenive

Za razliku od diskretnih sluqajnih veliqina, koje mogu imati najvixe

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

U ovom Atlasu zastup ene su uglavnom neprekidne raspodele koje imaju

Definicija 7 Dve sluqajne promenive su jednake u raspodeli ako imaju

U smislu ove definicije, oznaka X =d Y znaqi da je

za svaki realan broj x.

Prema definiciji imamo da je

za svaki realan broj x. To znaqi da se funkcija raspodele za Y moe

gde je g gustina raspodele za X . Pri tome je

gX (x) = g(x; 0, 1).

Postoje i familije raspodela koje sadre vixe tipova raspodela, pri

Razvijajui matematiqku teoriju evolucije Pirson je otkrio jednostavnu

Gustine raspodela ove familije su eksponencijalne funkcije date sa

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.

Osnovne numeriqke karakteristike

Neke numeriqke karakteristike, kao xto su oqekivae, varijansa, modus

Osnovna karakteristika sluqajne promen ive je ena oqekivana vrednost.

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

Jox jedna karakteristika sluqajne promen ive je

Definicija 10 Za neprekidnu sluqajnu promenivu mod je taqka u kojoj

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

Jox jedna mera odstupaa od oqekivae vrednosti je

Definicija 13 Ako je m oqekivae, a standardna devijacija sluqajne

Obzirom da matematiqko oqekivae i varijansa ne moraju postojati za

Aymler Fisher (1890 -1962) engleski statistiqar

Definicija 15 Za neprekidnu sluqajnu promenivu X kvantil reda 1/2

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

dr Dragan ori, dr Vesna Jevremovi,

2007, Autori i Graevinska kiga

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

neodreeni integral funkcije f

sreda vrednost uzorka X1 , . . . , Xn

Specijalno, za x R moemo da uzmemo B = (, x].

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

za svaki realan broj x. To znaqi da se funkcija raspodele za Y moe

Postoje i familije raspodela koje sadre vixe tipova raspodela, pri

Razvijajui matematiqku teoriju evolucije Pirson je otkrio jednostavnu

Neke numeriqke karakteristike, kao xto su oqekivae, varijansa, modus

Osnovna karakteristika sluqajne promen ive je ena oqekivana vrednost.

Jox jedna mera odstupaa od oqekivae vrednosti je

Obzirom da matematiqko oqekivae i varijansa ne moraju postojati za

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

Sp oxtenost je takoe ista za sve raspodele istog tipa.

Elwood Shannon (1916 -2001) - ameriqki matematiqar i ineer

Pomou karakteristiqne funkcije mogu se odrediti momenti sluqajne

Qesto se koristi i sledee svojstvo karakteristiqne funkcije.

Na osnovu veza izmeu funkcija i M ,

sledi da se i pomou generatrise momenata mogu dobiti momenti za X .

u sluqaju da je poznato matematiqko oqekivae m posmatrane raspodele,

Naravno, vano je znati svojstva ocena.

tada momenti jednoznaqno odreuju tu raspodelu. Samim tim, poznavae

koji odreuje nepoznate parametre. Meutim, kako parametre oceujemo

Metoda maksimalne verodostojnosti moe se primeniti i u sluqaju da

Ovaj sistem je uglavnom nelinearan i najqexe se rexava numeriqkim

Gustina sluqajne promen ive f (X) se moe odrediti i ako je f deo po

Za nalaee matematiqkog oqekivaa sluqajne promen ive

Ameriqki statistiqar Taki 5 je 1962. godine predloio transformaciju

za pogodno izabranu vrednost konstante ima priblino normalnu raspodelu.

Engleski statistiqar onson 8 je 1949. godine predloio transformacije

Modelirae neprekidne sluqajne promen ive zavisi od karakteristika

Ova metoda zasniva se na jednoj jednostavnoj qienici: ako je X sluqajna