You are on page 1of 41

KONTINUIRANE SLUAJNE VARIJABLE

KONTINUIRANE SLUAJNE VARIJABLE


UVOD

Kontinuirana sluajna varijabla moe poprimiti neprebrojivo (beskonano) mnogo


vrijednosti.
Razlike diskretnih i kontinuiranih sluajnih varijabli:

- podruje vrijednosti diskontinuirane varijable predstavlja konano ili prebrojivo mnogo


diskontinuiranih (diskretnih) vrijednosti
- podruje vrijednosti kontinuirane varijable predstavlja neki interval na brojevnom pravcu
ili ak itav pravac
Za razliku od diskretnih sluajnih varijabli gdje svaka vrijednost varijable ima neku
konanu vjerojatnost, svaka mogua vrijednost kontinuirane sluajne varijable imat e
infinitezimalno malenu vjerojatnost (npr: visina studenata ili temperatura otopine).
Stoga, kod kontinuirane varijable vjerojatnost moemo pridruiti NEKOM INTERVALU, ali
pojedinana vrijednost varijable ima VJEROJATNOST NULA !

DISKRETNE SLUAJNE VARIJABLE


(kratka digresija!)
za diskretnu sluajnu varijablu koja moe poprimiti vrijednosti x1 , x2 , funkcija
vjerojatnosti je funkcija za koju vrijedi:

kumulativna funkcija raspodjele diskretne sluajne varijable X je funkcija sa


sljedeim svojstvima

F ( x0 )

p( x )

xi x0

ta funkcija pokazuje kolika je vjerojatnost da sluajna varijabla x poprimi bilo koju


vrijednost manju od x0 ili jednako x0
(kraj digresije!)

FUNKCIJA GUSTOE VJEROJATNOSTI


- kod diskretne varijable govorili smo o funkciji raspodjele vjerojatnosti koja je svakoj
vrijednosti varijable pridruivala odreenu vjerojatnost
- kod kontinuirane sluajne varijable uvodimo funkciju gustoe vjerojatnosti f(x), koja
ima slijedea svojstva:
1.

f ( x) 0
- ukoliko podruje vrijednosti kontinuirane sluajne varijable x
nije itav pravac, ve samo odreeni interval [a,b] te vrijedi da
je f(x)=0 za svaki vrijednost varijable izvan tog intervala, onda
b
moemo pisati :

2.

f ( x)dx 1

f ( x)dx 1
a

x2

3.

f ( x)dx Px

x1

x x2

-pri tome su x1 i x2 bilo koje dvije vrijednosti


varijable x koje zadovoljavaju nejednakost x1<x2

FUNKCIJA GUSTOE VJEROJATNOSTI

1.

f ( x) 0

2.

f ( x)dx 1

-ovo svojstvo je potrebno kako bi vjerojatnost bila normirana, odnosno ovim


svojstvom se zadovoljava uvjet da vjerojatnost sigurnog dogaaja bude 1 (odnosno to

je vjerojatnost da varijabla poprimi bilo koju vrijednost iz podruja svoje definicije)

FUNKCIJA GUSTOE VJEROJATNOSTI

x2

3.

f ( x)dx Px

x x2

x1

Vjerojatnost da kontinuirana sluajna varijabla poprimi vrijednost unutar segmenta

a X b je dana sa sljedeim integralom:


b

P(a X b) f ( x)dx F (b) F (a)


a

- nadalje, iz ovog uvjeta proizlazi jasno da je vjerojatnost pridruena tono


odreenoj vrijednosti xi kontinuirane varijable x jednaka nuli (integral je nula)

FUNKCIJA GUSTOE VJEROJATNOSTI


- grafika interpretacija navedenih svojstava

Funkcija gustoe vjerojatnosti nije vjerojatnost ve je to funkcija koja opisuje relativnu


vjerojatnost da kontinuirana sluajna varijabla poprimi odreenu vrijednost, odnosno

to je funkcija koja odreuje vjerojatnost da varijabla poprimi odreenu vrijednost


unutar odreenog intervala.

f(x)dx je element vjerojatnosti i predstavlja vjerojatnost da varijabla poprimi odreenu


vrijednost unutar intervala [x, x+dx]
Funkcija gustoe vjerojatnosti nije vjerojatnost, ali je tom funkcijom odreena vjerojatnost
koja pripada odreenom intervalu!

KUMULATIVNA FUNKCIJA RASODJELE


Funkcija gustoe vjerojatnosti f(x) je derivacija kumulativne funkcije raspodjele F(x):
f(x) = F(x)

Odnosno, kumulativnu funkcija raspodjele F(x) moe se na ovaj nain definirati iz

funkcije gustoe vjerojatnosti f(x):

F ( x)

f ( x)dx

- vrijednost kumulativne funkcije raspodjele (F(x)) kontinuirane varijable x u nekoj toki x0,
(F(x0)) predstavlja vjerojatnost da varijabla x poprimi vrijednost jednaku ili manju vrijednosti x0
- u geometrijskoj interpretaciji to je povrina ispod krivulje

KUMULATIVNA FUNKCIJA RASODJELE


Kumulativna funkcija raspodjele (F) je funkcija koja potpuno opisuje raspodjelu
vjerojatnosti za kontinuiranu sluajnu varijablu X, a ima sljedea svojstva:

1) F je monotono rastua funkcija :


b a - F(b) F(a)
2) F je kontinuirana s desne strane:

lim F ( x) F (a)
x a

3) F je normirana i vrijedi:

lim F ( x) 0

lim F ( x) 1

- vrijednost kumulativne funkcije raspodjele (F(x)) kontinuirane varijable x u nekoj toki x0,
(F(x0)) predstavlja vjerojatnost da varijabla x poprimi vrijednost jednaku ili manju
vrijednosti x0

KUMULATIVNA FUNKCIJA RASODJELE

vrijednost funkcije F u toki x predstavlja vjerojatnost da sluajna varijabla X


poprimi vrijednost manju ili jednaku x

vjerojatnost da sluajna varijabla X poprimi vrijednost a X b je:

P (a X b) = P(X b) P(X a) = F(b) F(a)

gdje se koristi injenica da je {X a} U {a X b} = {X b}


podsjetnik - vjerojatnost da sluajna varijabla X poprimi tono odreenu
vrijednost x je:
P (X = x) = 0

KUMULATIVNA FUNKCIJA RASODJELE

Vrijednost kumulativne funkcije raspodjele F u toki x predstavlja vjerojatnost da


sluajna varijabla X poprimi vrijednost manju ili jednaku x

F ( x) P( X x)

f ( x)dx

KOMPLEMENTARNA KUMULATIVNA FUNKCIJA RASPODJELE

Vrijednost komplementarne kumulativne funkcije FC raspodjele predstavlja


vjerojatnost da sluajna varijabla X poprimi vrijednost veu od neke odreene
vrijednosti x:

FC ( x) P( X x) 1 F ( x)

f ( x)dx
x

KONTINUIRANA SLUAJNA VARIJABLA


saetak
Sluajna varijabla je kontinuirana ili ima kontinuiranu raspodjelu ako je njena
(kumulativna) funkcija raspodjele kontinuirana.

Raspodjela vjerojatnosti kontinuirane sluajne varijable se ne moe prikazati


funkcijom koja bi razliitim vrijednostima varijable pridruila neku odreenu
vjerojatnost.
Budui da oko svake vrijednosti kontinuirane sluajne varijable postoji neka
okolina koja sadri neprebrojivo beskonano mnogo vrijednosti, zbroj tih svih
vjerojatnosti ne bi bio konaan.
Stvarno znaenje imat e samo vjerojatnost da kontinuirana sluajna varijabla
poprimi vrijednost iz odreenog intervala.

MOMENTI
(oekivana vrijednost, varijancija, )

- definiranje oekivane vrijednosti i varijancije slino je onome koje smo nainili kod
diskretne sluajne varijable, s tom razlikom da smo ovdje sumu zamijenili integralom

openito

i x i f ( x)dx

- naziva se i-tim ishodinim momentom (uz uvjet da


navedeni integral apsolutno konvergira)

'i ( x )i f ( x)dx

- naziva se i-tim sredinjim (centralnim) momentom (uz


uvjet da navedeni integral apsolutno konvergira)

DIGRESIJA

DISKRETNE SLUAJNE VARIJABLE

srednja ili oekivana vrijednost diskretne sluajne varijable je

zbroj udaljenosti svih sluajnih varijabli od njihove srednje vrijednosti


jednak je nuli (analogija sa osnovama statistike i srednjom vrijednosti gdje
smo rekli da je srednja vrijednost ona za koju vrijedi da je oko nje suma
odstupanja nula)

Teorem

y a x b

DISKRETNE SLUAJNE VARIJABLE

varijanca diskretne sluajne varijable

varijanca govori o rasprenju sluajnih varijabli oko njihove srednje vrijednosti, a naziva se
jo i srednji kvadrat odstupanja

KRAJ DIGRESIJE

OEKIVANA VRIJEDNOST

1 xf ( x)dx

- srednja ili oekivana vrijednost kontinuirane sluajne


varijable x s pridruenom funkcijom gustoe vjerojatnosti f(x)

'1 ( x ) f ( x)dx 0

- odstupanje od srednje odnosno oekivane vrijednosti


(kao i kod diskretne varijable gdje smo definirali srednju
vrijednost kao vrijednost za koju je suma odstupanja
svih varijabli nula)

VARIJANCIJA

2 ( x 1 ) f ( x)dx
2

- varijancija (ili drugi sredinji moment) kontinuirane


sluajne varijable x s pridruenom funkcijom gustoe
vjerojatnosti f(x)

- standardna devijacija pozitivna vrijednost drugog korijena


varijancije

NEKE KONTINUIRANE RASPODIJELE

KONTINUIRANA JEDNOLIKA (PRAVOKUTNA) RAZDIOBA

Neka je x varijabla definirana na intervalu [a, b], a funkcija f(x) pripadajua funkcija

gustoe vjerojatnosti za koju vrijedi da na intervalu [a, b] ima vrijednost f(x)=C (C je


konstanta), dok za vrijednosti izvan intervala [a, b] vrijedi f(x)=0.
S obzirom na prethodno navedena svojstva funkcije gustoe vjerojatnosti, mora vrijediti:

1
ba

Za navedenu kontinuiranu sluajnu varijablu x s pripadajuom funkcijom gustoe f(x)=1/(b-a)


kaemo da ima pravokutnu ili jednoliku raspodjelu.

Odnosno, kontinuirana sluajna varijabla ima kontinuiranu jednoliku (pravokutnu) raspodjelu


na intervalu [a, b] ako je njena funkcija gustoe vjerojatnosti na tom segmentu konstantna, a
izvan njega jednaka 0.

KONTINUIRANA JEDNOLIKA (PRAVOKUTNA) RAZDIOBA

Kolika vjerojatnost pripada intervalu [x1, x2] sluajne kontinuirane varijable x

raspodijeljene po jednolikoj (pravokutnoj) raspodjeli?


x2

openito:

f ( x)dx Px

x x2

x1

1
x2 x1
Px1 x x2 f ( x)dx
dx

b a x1
ba
x1
x2

konkretno:

- grafika interpretacija:

x2

NORMALNA (GAUSSOVA) RASPODIJELA


Za kontinuiranu sluajnu varijablu x vrijedi da ima Gaussovu ili normalnu raspodjelu
ukoliko je njena funkcija gustoe vjerojatnosti:

1
e
f ( x; , ) f ( x)
2

1 x 2

Pripadajua kumulativna funkcija raspodjele u tom sluaju je :

1
F ( x; , ) F ( x)
2

1 x

dx

NORMALNA (GAUSSOVA) RASPODIJELA

- Gaussova raspodjela je simetrina s obzirom na pravac x=


- krivulja je zvonolika oblika s dvije toke infleksije T1 (-) i T2 (+), to implicira da
e krivulja biti to ua (a time i via jer je normirana na 1) to je manja (slijedea slika)
- asimptotski se pribliava osi x

NORMALNA (GAUSSOVA) RASPODIJELA

NORMALNA (GAUSSOVA) RASPODIJELA

Ukoliko uvedemo novu varijablu:

Dobit emo pojednostavljeni izraz:

1
(u )
e
2

1 2
u
2

NORMALNA (GAUSSOVA) RASPODIJELA


Gaussova raspodjela je centrirana u nuli i za =1 dobijemo jedininu ili standardnu
normalnu raspodjelu:

1
(u )
e
2

1 2
u
2

f ( x)

(u)

za koju su pripadajue vrijednosti tabelirane.


Pripadajua kumulativna raspodjela ili Gaussov integral pogreke:

1
(u )
2

1 2
u
2

du

Iz standardne normalne raspodijele jednostavno izraunamo ogovarajue vrijednosti za

inicijalnu funkciju f(x):

f ( x)

(u)

NORMALNA (GAUSSOVA) RASPODIJELA

Notacija :
Gaussova ili normalna raspodjela sa srednjom vrijednosti i varijancijom 2:
N(, 2)
Sluajna varijabla X ima Gaussovu ili normalnu raspodjelu:

X ~ N(, 2)
(jedinina) standardna Gaussova ili normalna raspodjela
N (0, 1)

NORMALNA (GAUSSOVA) RASPODIJELA

Ako je X ~ N(, 2), tada je (X )/ ~ N (0, 1).

Ako je X ~ N(, 2), tada je aX + b ~ N(a+b, a22).

Ako su X1 i X2 neovisne sluajne varijable koje imaju normalne raspodjele: X1 ~ N(1, 12) i X2
~ N(1, 22 )
onda vrijedi da su (X1 + X2) te (X1 - X2 ) takoer normalne raspodijele:
X1 + X2 ~ N(1+1, 12+22)
X1 - X2 ~ N(1-1, 12-22)

NORMALNA (GAUSSOVA) RASPODIJELA


vjerojatnost
- neka je x kontinuirana sluajna varijabla ija je funkcija gustoe vjerojatnosti
Gaussova raspodjela: x ~ N(, 2)

f ( x)

1
e
2

1 x 2

- vjerojatnost da ta varijabla poprimi neku vrijednost iz intervala (x1, x2) jest:

P( x1 x x2 )

1
2

- uvedemo supstituciju :

x2

1 x 2

x1

dx

NORMALNA (GAUSSOVA) RASPODJELA


vjerojatnost
- i dobijemo jedininu Gaussovu raspodjelu za varijablu u (u~N (0, 1)) te je pripadajua
vjerojatnost :

1
P( x1 x x2 )
2

u2

1 2
u
2

u1

du

u1

x1

u2

x2

- pretpostavimo da je x1= (time je u1=0), pripadajua vjerojatnost je tada:

1
P(u2 ) P( x x2 )
2

u2

1 2
u
2

du

- sa slike vidimo kolika je pripadajua vjerojatnost

NORMALNA (GAUSSOVA) RASPODIJELA


vjerojatnost
- postoje tablice s tabeliranim vrijednostima vjerojatnosti za razliite vrijednosti u2

- zbog simetrinosti Gaussove raspodijele u tablici se nalaze samo pozitivne vrijednosti u

NORMALNA (GAUSSOVA) RASPODIJELA


vjerojatnost
Primjer:
x ~ N(=20, 2=4), izraunajte:
a) vjerojatnost da je sluajna kontinuirana varijabla x vea od 17 i manja od 21,5.
b) vjerojatnost da x poprimi bilo koju vrijednost manju od 21,5
c) vjerojatnost da poprimi vrijednost veu od 21,5.
jer se traene vrijednosti
varijable nalaze s lijeve i
RJEENJE:
s desne strane oekivane
a) traena vjerojatnost je P(17 < x < 21,5) = P(u1) + P(u2)
vrijednosti
izvrimo supstituciju i izraunamo:

u1= (|17-20|)/2 = 1,50;

u2= (|21,5-20|)/2 = 0,75

iz tablice oitamo:
P(u1) = P(1,50) = 0,43319
P(u2) = P(0,75) = 0,27337
P(17 < x < 21,5) = P(u1) + P(u2)= 0,43319 + 0,27337 = 0,70656

b) P(x < 21,5) = 0,5+ P(u2) = 0,77337


c) P(x > 21,5) = 0,5- P(u2) = 0,22663

koristimo injenicu da je Gaussova raspodjela


simetrina te je vjerojatnost da je x varijabla
negativna jednaka 0,5.

NORMALNA (GAUSSOVA) RASPODIJELA


vjerojatnost
- u primjeni se esto nailazi na sluajeve u kojima se trai vjerojatnost za intervale poput:
( u < x < + u )

-iz tablice vidimo da pri normalnoj raspodijeli 95,45 % vrijednosti varijable x

zadovoljava nejednakost: 2 < x < + 2 (99,73 % za 3 < x < + 3 )

NORMALNA (GAUSSOVA) RASPODIJELA


SREDINJI GRANINI TEOREM
Teorem: Zadano je N meusobno nezavisnih sluajnih varijabli, opisanih proizvoljnim
gustoama vjerojatnosti. Ako od tih varijabli napravimo novu sluajnu varijablu oblika

zbroja (X 1 =1/N(X1+X2++XN), tada je raspodjela gustoe vjerojatnosti te nove varijable


dana Gaussovom raspodjelom. Ova je tvrdnja utoliko tonija to je N vei broj (ukoliko
populacija osnovne varijable nije raspodijeljena po Gaussovoj raspodijeli poeljno je da je

N barem vei od 30).

TEOREM: Neka je dana populacija sa srednjom vrijednou i standardnom devijacijom .


Neka je x srednja vrijednost od n sluajno odabranih nezavisnih opservacija iz te populacije.
Distribucija uzorkovanja srednje vrijednosti pribliava se normalnoj sa oekivanjem i
standardnom devijacijom (n)-1/2 kada n

NORMALNA (GAUSSOVA) RASPODIJELA


SREDINJI GRANINI TEOREM

Ovaj se teorem naziva sredinji (centralni) granini teorem. Njime Gaussova raspodjela
dobiva iznimno vano mjesto u statistikoj teoriji. Prvi ga je postavio Laplace 1812, a
strogi dokaz daoje Lyapunov 1901.

- pri tome je srednja vrijednost srednjih vrijednosti uzoraka jednaka je srednjoj vrijednosti
populacije: x =

- standardna devijacija srednjih vrijednosti uzoraka je manja od standardne devijacije


populacije, a jednaka je standardnoj devijaciji populacije podijeljenoj s drugim korijenom
ukupnog broja podataka u uzorku: