4.

Normalna sluajna varijabla

4.1. Osnovno o normalnoj sluajnoj varijabli

U 18. stoljeu je De Moivre koritenjem novootkrivenog diferencijalnog i integralnog rauna pokazao da se binomna sluajna varijabla dobro aproksimira jednom neprekidnom sluajnom varijablom i da je ta aproksimacija bolja to je broj ponavljanja pokusa vei. Ta nova sluajna varijabla je neprekidna sluajna varijabla i zove se normalna sluajna varijabla. Dakle, Bnp N (, ), = np, = npq. Funkcija gustoe te normalne sluajne varijable dana je s
1 x 2 1 f (x) = e 2 ( ) . 2

esto se eksponencijalna funkcija ex oznaava se kao exp(x) da se komplicirani eksponenti lake itaju. U toj oznaci, prethodnu gustou moemo zapisati kao 1 1 f (x) = exp 2 2 x
2

Usporedimo to se dogaa s porastom n pri aproksimaciji binomne varijable normalnom i to na primjeru kad se n promijeni s 2 na 20.
PrX 0.6156 PrX 0.1947

2 1 0 1 2 3 X B2,0.3 N (0.6, 0.42)

5 B20,0.3 N (6, 4.2)

10

15

Ova aproksimacija posljedica je centralnog graninog teorema, koji u slobodnoj interprataciji kae Teorem 4.1 (Centralni granini teorem). Zbroj velikog broja jednakih nezavisnih sluajnih varijabli jednak je normalnoj sluajnoj varijabli N (, ).

34

4. Normalna sluajna varijabla

Ako dobroj primjeujete, nigdje se ne govori samo o binomnoj razdiobi, jer teorem vrijedi i ire.

4.2.

Tablice za normalnu sluajnu varijablu

Dosad smo vidjeli da je gustoa normalne sluajne varijable komplicirana eksponencijalna funkcija. elimo li izraunati vjerojatnost da je normalna sluajna varijabla N (, ) manja ili jednaka nekom broju a, onda emo morati poznavati funkciju distribucije sluajne varijable N , tj. morat emo raunati integral Pr(X a) = 1 f (x) dx = 2
a a

e 2 (

x 2

) dx,

to je netrivijalni integral (ne postoji analitika formula za njegov zapis), iako se on moe numeriki izraunati. Primijetite da prethodni integral ovisi o tri parametra, a, i , pa bi tablice za to bile komplicirane. Umjesto toga, tabelira se samo funcija distribucije normalne sluajne varijable N (0, 1), a sve ostale normalne sluajne varijable jednostavnom transformacijom svode se na tu normalnu sluajnu varijablu. Normalna sluajna varijabla N (0, 1) ima funkciju gustoe
1 2 1 f (z) = e 2 z . 2

Primijetite da smo u prethodnoj formuli varijablu pisali slovom z, to e nam kasnije koristiti kod zamjene varijabli.

f (z) F (z) 0 z

elimo li izraunati
b

Pr(a Z b) =
a

f (z) dz = F (b) F (a),

pri emu veliine F (a) i F (b) nalazimo u tablicama. Bilo koja normalna sluajna varijabla N (, ) transformira se na standardnu normalnu varijablu N (0, a) tzv. Z-transformacijom Z= X .

4.2. Tablice za normalnu sluajnu varijablu

35

Primjer 4.2. Neka je X N (150, 20). Koliko je Pr(100 X 170)? Prevedimo ovu normalnu sluajnu varijablu na N (0, 1) i rezulat oitajmo iz tablica: Pr(100 X 170) = Pr X 170 150 100 150 20 20 = Pr(2.5 Z 1) = F (1) F (2.5) = 0.841 0.006 = 0.835.

Moemo oitavati i iz tonije napisanih tablica, samo moramo paziti jer su one integrali od nule, a ne od , tj. tabelirano je F (a) F (0)! Dakle, imamo F (1) = 0.5 + 0.34134 = 0.84134 F (2.5) = 0.5 F (2.5) = 0.5 0.49379 = 0.00621, pa je F (b) F (a) = 0.84134 0.00621 = 0.83513. Primjer 4.3. Neka je X broj glava u 100 bacanja novia. Naite Pr(X > 60). Tona vrijednost bila bi Pr(X > 60) = 100 61 1 2
100

100 62

1 2

100

+ +

100 100

1 2

100

to je poprilino dugotrajan posao. elimo li to priblino izraunati, onda je X = B100, 1 N (np, npq) = N (50, 5),
2

pa je Pr(X > 60) Pr(N > 60) = Pr N 60 50 > 5 = Pr(Z > 2) = 1 F (2) = 1 0.977 = 0.023.

(Po preciznijim tablicama F (2) = 0.5 + 0.47725 = 0.97725.) Bolje je uzeti malo drugaiju aproksimaciju binomne varijable normalnom, tako je je X = 61 jednako vjerojatan kao i svi drugi X-ovi Pr(X > 60) Pr(N > 60.5) = Pr N 60.5 50 > 5 = Pr(Z > 2.1) = 1 F (2.1) = 1 0.98213 = 0.01787.

Na slian nain moemo izraunati i Pr(X = 60) Pr(59.5 < N < 60.5) = Pr 59.5 50 N 60.5 50 < < 5 5 = Pr(1.9 < Z < 2.1) = F (2.1) F (1.9) = 0.98213 0.97128 = 0.01085.

36

4. Normalna sluajna varijabla

Za normalnu varijablu N (, ), katkad se trae sve vrijednosti x za koje je Pr(|X | < k), k = 1, 2, 3.

Prevedimo problem na standardnu normalnu razdiobu: Pr(|X | < k) = Pr(k < X < k) = Pr k < = F (k) F (k) = 2(F (k) F (0)). Za k = 1 imamo Pr(|X | < ) = 2 0.34134 = 0.68268. X <k

68.268% +

Za k = 2 imamo Pr(|X | < 2) = 2 0.47725 = 0.9545.

95.45% 2 + 2

Za k = 3 imamo Pr(|X | < 3) = 2 0.49865 = 0.9973.

99.73% 3 + 3

Ova posljednja injenica esto se naziva i pravilo 3, jer vrlo visokom vjerojatnou normalna razdioba ima vrijednosti u rasponu 3, + 3 .