Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
12-Jan-11
1
Univerzitet u Beogradu, Građevinski fakultetDoktorske studije 2010/2011
Analiza rizika i pouzdanosti Analiza rizika i pouzdanosti u građevinarstvuu građevinarstvu
Dr Jasna Plavšić, docent
ić f
1
Dr Jovan Despotović, v. prof.
Gra
đevi
nski
faku
ltet B
eogr
ad
Analiza rizika i pouzdanosti Analiza rizika i pouzdanosti u građevinarstvuu građevinarstvu
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
2
12-Jan-11
2
Gra
đevi
nski
faku
ltet B
eogr
ad
Analiza rizika i pouzdanosti Analiza rizika i pouzdanosti u građevinarstvuu građevinarstvu
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
3
Gra
đevi
nski
faku
ltet B
eogr
ad
Analiza rizika i pouzdanosti Analiza rizika i pouzdanosti u građevinarstvuu građevinarstvu
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
4
12-Jan-11
3
Gra
đevi
nski
faku
ltet B
eogr
ad
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
5
Gra
đevi
nski
faku
ltet B
eogr
ad
Analiza rizika i pouzdanosti Analiza rizika i pouzdanosti u građevinarstvuu građevinarstvu Cilj
osposobljavanje kandidata za uvođenje i korišćenje probabilističkog pristupa u probleme građevinarstva
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, pristupa u probleme građevinarstva
upoznavanje studenata sa kvantitativnom analizom neizvesnosti i procenom rizika u inženjerskim zadacima
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
6
12-Jan-11
4
Gra
đevi
nski
faku
ltet B
eogr
ad
Analiza rizika i pouzdanosti Analiza rizika i pouzdanosti u građevinarstvuu građevinarstvu Sadržaj
Osnovni pojmovi iz verovatnoće
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Slučajne promenljive i njihova svojstva Raspodele verovatnoće Metode estimacije iz uzorka i testiranje statističkih hipoteza Regresiona analiza Analiza učestalosti pojave ekstremnih događaja Analiza rizika i pouzdanosti
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
7
Simulacione tehnike
Gra
đevi
nski
faku
ltet B
eogr
ad LiteraturaLiteratura
Kottegoda NT and Rosso R (1997) Statistics, Probability and Reliablity for Civil and Environmental Engineers, McGraw-Hill
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, Hill.
Jovanović S (1987) Primena matematičke statistike u hidrologiji, Građevinski fakultet u Beogradu.
Petković M (?), Elektronski fakultet u Nišu verovatnoca.pdf i statistika.pdf
http://www elfak ni ac rs/phptest/new/index php
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
8
http://www.elfak.ni.ac.rs/phptest/new/index.php(meni Studije/Predavanja i literatura)
12-Jan-11
5
Gra
đevi
nski
faku
ltet B
eogr
ad LiteraturaLiteratura
MIT Open Courses Probability and Statistics in Engineering
htt // it d / / i il d i t l i i /1 151
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, http://ocw.mit.edu/courses/civil-and-environmental-engineering/1-151-
probability-and-statistics-in-engineering-spring-2005/
Engineering Risk-Benefit Analysis http://ocw.mit.edu/courses/engineering-systems-division/esd-72-
engineering-risk-benefit-analysis-spring-2007/
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
9
1
II. Osnovni pojmovi iz verovatnoćeII. Osnovni pojmovi iz verovatnoće
1
Gra
đevi
nski
faku
ltet B
eogr
ad SadržajSadržaj
Osnovni pojmovi iz verovatnoće Slučajni događaji
Sk l t ih d đ j i d đ ji
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, Skup elementarnih događaja i događaji
Nemoguć događaj, komplementaran događaj, presek događaja, unija događaja
Verovatnoća Definicije verovatnoće Aksiomi verovatnoće Teorema zbira verovatnoće
bi
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
2
Osobine verovatnoće Uslovna verovatnoća i teorema proizvoda verovatnoća Nezavisni događaji Totalna verovatnoća i Bajesova teorema
2
Gra
đevi
nski
faku
ltet B
eogr
ad Osnovni pojmoviOsnovni pojmovi
Teorija verovatnoće matematička disciplina koja se bavi izučavanjem slučajnih pojava
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
slučajne pojave – empirijski fenomeni čiji ishodi nisu uvek strogo definisani (neizvesni su)
Eksperiment (opit) – osnovni model u teoriji verovatnoće pomoću koga se proučava veza između uzroka i posledica ako se eksperiment ponavlja mnogo puta pod istim uslovima, pojavljuje
se određena zakonomernost u skupu ishoda
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
3
verovatnoća – kvantitativna mera kojom se procenjuje mogućnost/ nemogućnost nastupanja ishoda
Gra
đevi
nski
faku
ltet B
eogr
ad Osnovni pojmoviOsnovni pojmovi
Eksperiment/opit stvarni ili zamišljeni eksperiment čiji je rezultat NEIZVESAN
(ispitivanje čvrstoće betona; pojava zemljotresa; pojava poplava)
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, ( sp t va je čv stoće beto a; pojava e jot esa; pojava pop ava)
Ishodi ili realizacije rezultati eksperimenta
Skup svih mogućih ishoda = prostor elementarnih događaja svi mogući rezultati eksperimenta
Slučajni događaj
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
4
j g j podskup skupa svih mogućih ishoda: A nemoguć događaj: A = siguran događaj: A =
3
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Operacije sa događajima/skupovimaSkup svih mogućih ishoda Ω
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
presek A B ili proizvod AB: realizuje se samo ako se realizuju A i B za AB = događaji se međusobno
isključuju (disjunktni ili nesaglasni događaji)
A
A B
B
Skup svih mogućih ishoda Ω
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
5
unija A B ili zbir A + B: realizuje se ako se realizuje A ili B A
A B
B
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Operacije sa događajima/skupovimaSkup svih mogućih ishoda Ω
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
razlika A \ B ili A – B: realizuje se ako se realizuje Ai ne realizuje se B
komplement ili suprotan
A
A – B
B
Skup svih mogućih ishoda Ω
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
6
komplement ili suprotan događaj AC: realizuje se akose A ne realizuje A
AC
4
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Operacije sa događajima/skupovima uopštenje preseka i unije
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
potpun skup događaja
n
n
ii
n
n
ii
AAAA
AAAA
211
211
n
AAAA
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
7
potpun skup disjunktnih događaja (AiAj = , i ≠ j)
ni
i AAAA 211
n
n
ii
n
ii AAAAA 21
11
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Polje događaja F – skup svih događaja koji odgovaraju jednom eksperimentu
F
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
F Ako A F, tada Ac F Ako A1 F i A2 F, tada A1 + A2 F
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
8
5
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Primer: Visina kiše kao slučajna promenljiva X
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Skup svih mogućih ishoda: 0 X < ∞
Skup svih mogućih ishoda
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
9
X0 10 20 30 40 50 60
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Primer: Opit: merenje visine kiše X
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Skup svih mogućih ishoda: 0 X < ∞ Ishod ili realizacija (osmatranja): X = 52.1 mm
Jedan ishod
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
10
X0 10 20 30 40 50 60
6
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Primer: Opit: merenje visine kiše X
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Skup svih mogućih ishoda: 0 X < ∞ Ishod ili realizacija (osmatranja): X = 52.1 mm Slučajni događaj:
X > 20 mm
Događaj X > 20
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
11
X0 10 20 30 40 50 60
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Primer: Opit: merenje visine kiše X
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Skup svih mogućih ishoda: 0 X < ∞ Ishod ili realizacija (osmatranja): X = 52.1 mm Slučajni događaj:
X > 20 mm, X 10 mm
Događaj X < 10
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
12
X0 10 20 30 40 50 60
7
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Primer: Opit: merenje visine kiše X
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Skup svih mogućih ishoda: 0 X < ∞ Ishod ili realizacija (osmatranja): X = 52.1 mm Slučajni događaj:
X > 20 mm, X 10 mm, 30 X 60 mm
Događaj 30 < X < 60
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
13
X0 10 20 30 40 50 60
Gra
đevi
nski
faku
ltet B
eogr
ad Slučajni događajiSlučajni događaji
Primer: Maksimalna visina dnevne kiše X i broj dana u mesecu Y sa kišom
većom od 10 mm
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, većom od 10 mm
Skup svih mogućih ishoda: 0 X < ∞, Y = 0, 1, 2, ..., 30(31)
20
30
Y
A = {30 < X < 60}
B = {10 < Y < 20}
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
14
X0
0
10
10
20 30 40 50 60
B {10 Y 20}
8
Gra
đevi
nski
faku
ltet B
eogr
ad Definicija verovatnoćeDefinicija verovatnoće
Klasična definicija verovatnoća događaja A je količnik broja nA (povoljnih) ishoda koji
dovode do realizacije događaja A i broja n svih ishoda
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, dovode do realizacije događaja A i broja n svih ishoda
intuitivno i iskustveno određivanje šanse za realizaciju događaja primer: izvlačenje jedne karte iz špila od 52 karte
t ji 52 ć i h d k ji đ b i klj č j ( k t
nnAP A}{
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
15
postoji 52 moguća ishoda koji se međusobno isključuju (sve karte su različite)
ako je igra fer (špil je dobro promešan), 52 ishoda su jednako verovatna npr. verovatnoća za izvlačenje trefa jednaka je 13/52 = 1/4
Gra
đevi
nski
faku
ltet B
eogr
ad Definicija verovatnoćeDefinicija verovatnoće
Klasična definicija posledica: za događaje koji se međusobno isključuju
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
k
ii
k
ii
BABA
APAP
BPAPn
nn
nn
nnABP
11}{}{
}{}{}{
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
16
9
Gra
đevi
nski
faku
ltet B
eogr
ad Definicija verovatnoćeDefinicija verovatnoće
Statistička definicija verovatnoća događaja A može se proceniti ako se posmatra uzorak od n
osmatranja u kome ima m vrednosti iz skupa A odnosno kao m /n; što
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, osmatranja u kome ima mn vrednosti iz skupa A, odnosno kao mn/n; što
je veći uzorak (što je veće n), to je mn/n bolja ocena verovatnoće događaja A
nmAP n
n lim}{
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
17
Gra
đevi
nski
faku
ltet B
eogr
ad Definicija verovatnoćeDefinicija verovatnoće
Uprošćena aksiomatska definicija (Kolmogorov, 1933) preslikavanje P{.} kojim se polje događaja slučajnog opita preslikava u
skup realnih vrednosti između 0 i 1 u skladu sa sledećim aksiomima:
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, skup realnih vrednosti između 0 i 1 u skladu sa sledećim aksiomima:
1° P{A} ≥ 0, za svako A F2° P{} = 13° Ako je: A1, A2 F, A1A2 = , tada je P{A1 + A2} = P{A1} + P{A2}
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
18
10
Gra
đevi
nski
faku
ltet B
eogr
ad Osobine verovatnoćeOsobine verovatnoće
Normiranost: 0 ≤ P{A} ≤ 1
V ć k / ć d đ j
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Verovatnoća praznog skupa/nemogućeg događaja:P{} = 0
Verovatnoća sigurnog događaja:P{} = 1
Potpuna (totalna) verovatnoća: ako se prostor verovatnoće podeli na M disjunktnih skupova odnosno događaja A1, A2, ...,
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
19
AM koji se međusobno isključuju, tada je P{A1} + P{A2} + ... + P{AM} = P{} = 1
Suprotna verovatnoća (verovatnoća suprotnog događaja): P{AC} = 1 – P{A}
Gra
đevi
nski
faku
ltet B
eogr
ad Osobine verovatnoćeOsobine verovatnoće
Teorema zbira verovatnoća (verovatnoća unije događaja):P{A B} = P{A} + P{B} – P{AB}
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
Verovatnoća podskupa: ako je A B, tada je P{A} ≤ P{B}
Bulova nejednakost:P{A1 + A2 + ... + An} ≤ P{A1} + P{A2} + ... + P{An}
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
20
11
Gra
đevi
nski
faku
ltet B
eogr
ad Uslovna verovatnoćaUslovna verovatnoća
Uslovna verovatnoća: verovatnoća događaja B pod uslovom da se desio događaj A:
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
prema klasičnoj definiciji verovatnoće
}{}{}|{
APABPABP
ABn
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
21
A
AB
A
AB
nn
nnn
APABPABP
}{}{}|{
Gra
đevi
nski
faku
ltet B
eogr
ad Uslovna verovatnoćaUslovna verovatnoća
Teorema proizvoda verovatnoća (verovatnoća preseka događaja)
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
iz definicije uslovne verovatnoće:
}{}|{}{}|{}{
}{}{}|{
}{}{}|{
BPBAPAPABPABP
BPABPBAP
APABPABP
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
22
uopštenje
}{}|{}|{}{}|{}){(}{ APABPABCPABPABCPCABPABCP
}|{}|{}|{}{}{ 12121312121 nnn AAAAPAAAPAAPAPAAAP
12
Gra
đevi
nski
faku
ltet B
eogr
ad Uslovna verovatnoćaUslovna verovatnoća
Nezavisnost događaja: događaj B ne zavisi od događaja A, pa je P{B|A} = P{B} i
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
}{}{}{ BPAPABP
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
23
Gra
đevi
nski
faku
ltet B
eogr
ad Uslovna verovatnoćaUslovna verovatnoća
Formula potpune (totalne) verovatnoće za disjunktne (međusobno isključive) događaje H1, H2, ..., Hn koji čine
skup svih mogućih ishoda verovatnoća događaja B je
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, skup svih mogućih ishoda ,verovatnoća događaja B je
n
iii
nn
n
n
HPHBP
HPHBPHPHBPHPHBPBHPBHPBHP
HHHBPBPBP
1
2211
21
21
}{}|{
}{}|{}{}|{}{}|{}{}{}{)}({}{}{
H H H
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
24
Hi – hipoteze (stanja sistema) B – uzorak P{Hi} – apriorne verovatnoće (poznate unapred) P{Hi|B} – aposteriorne verovatnoće
H1 H2 H3
Hi
Hn
...
B
13
Gra
đevi
nski
faku
ltet B
eogr
ad Uslovna verovatnoćaUslovna verovatnoća
Bajesova formula
BPBHPHPHBPBHP }{}|{}{}|{}{
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11,
n
iii
iiiii
iiii
HPHBP
HPHBPBP
HPHBPBHP
BPBHPHPHBPBHP
1}{}|{
}{}|{}{
}{}|{}|{
}{}|{}{}|{}{
H H H
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
25
H1 H2 H3
Hi
Hn
...
B
Gra
đevi
nski
faku
ltet B
eogr
ad Uslovna verovatnoćaUslovna verovatnoća
A priori verovatnoća može se odrediti “unapred”, dedukcijom, bez sprovođenja
eksperimenata
građ
evin
arst
vu, D
okto
rske
stu
dije
201
0/20
11, e spe e ata
npr. verovatnoća da pri bacanju novčića padne pismo je 1/2, da će se izvući as iz špila karata je 1/13, da pri bacanju kocke padne šestica je 1/6, itd.
A posteriori verovatnoća određuje se “naknadno”, na osnovu eksperimenata odnosno osmatranja npr. laboratorijsko ispitivanje čvrstoće na savijanje drvene grede:
9 lt t d k 165 k i t l i i đ 20 i 24 99
Anal
iza
rizik
a i p
ouzd
anos
ti u
g
26
9 rezultata od ukupno 165 eksperimenata nalazi se između 20 i 24.99 N/mm2 , pa se može zaključiti da je verovatnoća da je čvrstoća u ovom intervalu jednaka relativnoj frekvenciji od 9/165 = 0.055
18-Jan-11
1
III. Slučajne promenljiveIII. Slučajne promenljive
1
SadržajSadržaj
Slučajna promenljiva Definicija Raspodela verovatnoće Osobine slučajnih promenljivih Višedimenzionalne slučajne promenljive Funkcije slučajnih promenljivih
18-Jan-11
2
Slučajna promenljivaSlučajna promenljiva
Promenljiva koja uzima vrednosti na nedeterministički način, sa određenom verovatnoćom
Predstavlja preslikavanje prostora elementarnih događaja u skup realnih brojeva:
X: R
Slučajna promenljivaSlučajna promenljiva
Prekidna ili diskretna slučajna promenljiva koja uzima konačno ili prebrojivo mnogo
vrednosti najčešće uzima celobrojne vrednosti
broj dana u godini sa kišom većom od 10 mm broj dana u godini sa temperaturom ispod 0oC broj talasa velikih voda u godini sa maksimalnim protokom većim od neke
vrednosti
Neprekidna ili kontinualna slučajna promenljiva koja uzima vrednosti iz neprebrojivog skupaj p j j p j g p najčešće uzima vrednosti iz skupa realnih brojeva
visina kiše vodostaj (nivo vode) protok zapremine talasa velikih voda nivo podzemnih voda
18-Jan-11
3
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
Ishodi ili realizacije i događaji vezani za slučajnu promenljivu se dešavaju sa određenom verovatnoćom, tj prema RASPODELI VEROVATNOĆEtj. prema RASPODELI VEROVATNOĆE
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
DISKRETNA SLUČAJNA PROMENLJIVA Raspodela verovatnoće za diskretnu slučajnu promenljivu
}{
:3
3
2
2
1
1
ii xXPp
px
px
px
X
1321 i
ipppp
18-Jan-11
4
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
DISKRETNA SLUČAJNA PROMENLJIVA
Primer:
bacanje novčića
bacanje kocke
5.05.0
:GP
X
6/1
66/1
56/1
46/1
36/1
26/1
1:X
ocena na ispitu
05.0
1012.09
25.08
18.07
10.06
30.05
:X
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
DISKRETNA SLUČAJNA PROMENLJIVA
Grafički prikazp primer: ocena na ispitu
0.200.250.300.35
vatn
oća
0.000.050.100.15
5 6 7 8 9 10
ocena na ispitu
vero
v
18-Jan-11
5
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
DISKRETNA SLUČAJNA PROMENLJIVA
Primer događaja: ocena na ispitug j p verovatnoća da se padne ispit: P{X = 5} = 0.30 verovatnoća da se položi ispit: P{X > 5} = P{X ≥ 6} =
P{X = 6 ili X = 7 ili X = 8 ili X = 9 ili X = 10} =P{X = 6} + P{X = 7} + P{X = 8} + P{X = 9} + P{X = 10} =0.10 + 0.18 + 0.25 + 0.12 + 0.05 = 0.70iliP{X ≠ 5} = 1 – P{X = 5} = 1 – 0.30 = 0.70
t ć dlič 0.30
0.35
verovatnoća za odličnu ocenu:P{X ≥ 9} = P{X = 9} + P{X = 10} =0.12 + 0.05 = 0.17
0.00
0.05
0.10
0.15
0.20
0.25
5 6 7 8 9 10
ocena na ispituve
rova
tnoć
a
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
KONTINUALNA SLUČAJNA PROMENLJIVA
G ti d l t ć f( ) f( ) Gustina raspodele verovatnoće f(x)
Funkcija raspodele verovatnoće F(x)
1)(
duuf
x
f x( )
x
F x( )
P X x{ }
1
x
duufxXPxF )(}{)(
dxxdFxf )()(
0 x
P X x{ }
x
18-Jan-11
6
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
KONTINUALNA SLUČAJNA PROMENLJIVA Verovatnoće događaja
x
f x( )
x
P X x{ } = ( )F x P X x{ > } = 1 ( ) F x–
x
f x( )
x
0 x
F x( )
P X x{ } P X x{ }
P X x{ > }
x
1
0 x
F x( )
x
1
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
KONTINUALNA SLUČAJNA PROMENLJIVA Verovatnoće događaja
f x( )
P{x1 < X < x2} = = 1 – P{X < x1} – P{X > x2} = = 1– P{X > x2} – P{X < x1} = = P{X < x2} – P{X < x1} = F(x2) – F(x1)
P x X x{ < }1 = ( ) F x 1– ( )F x
x
f( )
x2x1
F x( )1
P x X x{ < }1
x2x10 x
F x( )1
F x( )2
1
18-Jan-11
7
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
KONTINUALNA SLUČAJNA PROMENLJIVA Primer: eksponencijalna raspodela:
1.2
xxux
ux
x
eedueduufxXPxF
xexf
1)(}{)(
0,)(
000
233.0135.0368.011)1()2(}21{
632.0368.011)1(}1{12
1
eeFFXP
eFXP0
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7
x
f(x)
1
000.1050.0085.0233.0632.0}3{}32{}21{}1{
050.011)3(1}3{
085.0050.0135.011)2()3(}32{
3
23
XPXPXPXP
eFXP
eeFFXP
00.1
0.20.3
0.40.50.6
0.70.8
0.9
0 1 2 3 4 5 6 7
xF
(x)
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
Primer: maksimalni godišnji protoci na Savi kod Sremske Mitrovice – raspodela iz uzorka
40
50
60
70
kven
cije 40
50
60
70
frekvkumul. frekv.
Klasa od
Klasa do
Frekv. n
Kumul. frekv. F = Σn
2400 2800 1 1
2800 3200 3 4
3200 3600 14 18
3600 4000 14 32
4000 4400 15 47
1 3
14 14 15
5
11
3 3 10
10
20
30
2400 2800 3200 3600 4000 4400 4800 5200 5600 6000 6400
x
frek
0
10
20
304400 4800 5 52
4800 5200 11 63
5200 5600 3 66
5600 6000 3 69
6000 6400 1 70
18-Jan-11
8
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
Primer: maksimalni godišnji protoci na Savi kod Sremske Mitrovice – raspodela iz uzorka
0 5
0.6
0.7
0.8
0.9
1
venc
ije
0 5
0.6
0.7
0.8
0.9
1
rel. frekv.kumul. rel. frekv.
Klasa od
Klasa do
Rel. frekv. n* = n/N
Kumul. rel. frekv. F* = F/N
2400 2800 0.014 0.014
2800 3200 0.043 0.057
3200 3600 0.200 0.257
3600 4000 0.200 0.457
4000 4400 0.214 0.671
0.014 0.043
0.200 0.200 0.214
0.071
0.157
0.043 0.043 0.0140
0.1
0.2
0.3
0.4
0.5
2400 2800 3200 3600 4000 4400 4800 5200 5600 6000 6400
x
rel.
frekv
0
0.1
0.2
0.3
0.4
0.5
4400 4800 0.071 0.743
4800 5200 0.157 0.900
5200 5600 0.043 0.943
5600 6000 0.043 0.986
6000 6400 0.014 1
Zakon raspodele verovatnoćeZakon raspodele verovatnoće
Primer: maksimalni godišnji protoci na Savi kod Sremske Mitrovice – raspodela iz uzorka
4.E-04
5.E-04
6.E-04
7.E-04
8.E-04
9.E-04
1.E-03
stin
a ra
spod
ele
Klasa od
Klasa do
Gustina f *= n*/Δx
Kumul. rel. frekv. F* = F/N
2400 2800 3.57E-05 0.014
2800 3200 1.07E-04 0.057
3200 3600 5.00E-04 0.257
3600 4000 5.00E-04 0.457
4000 4400 5.36E-04 0.671
0.E+00
1.E-04
2.E-04
3.E-04
2400 2800 3200 3600 4000 4400 4800 5200 5600 6000 6400
x
gus
4400 4800 1.79E-04 0.743
4800 5200 3.93E-04 0.900
5200 5600 1.07E-04 0.943
5600 6000 1.07E-04 0.986
6000 6400 3.57E-05 1
18-Jan-11
9
Osobine raspodela verovatnoće Osobine raspodela verovatnoće ––Numeričke karakteristike slučajnih promenljivihNumeričke karakteristike slučajnih promenljivih Matematičko očekivanje (srednja vrednost, sredina)
za kontinualnu raspodelu
za diskretnu raspodelu
Operator očekivanja
dxxfxXE X )(][
ix
iiX xXPxXE }{][
Operator očekivanja
dxxfxgXgE )()()]([
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Matematičko očekivanje osobine
za nezavisne promenljive X1 i X2
][][ XcEcXE
][][][ YEXEYXE
cXEcXE ][][
][][][ 2121 XEXEXXE ][][][ 2121 XEXEXXE
18-Jan-11
10
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Momenti raspodele momenti oko koordinatnog početka
momenti oko sredine
dxxfxXE rrr )(]['
dxxfxXE rrr )()(])[(
ix
iri
rr xXPxXE }{]['
ix
ir
ir
r xXPxXE }{)(])[(
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Momenti raspodele Veze između dve vrste momenata
r
j
jrj
jrrr j
rXE
0')1(])[(
4223444
32333
22222222
1
364][
23][
2]2[][
0][
EXEXEXXEEXEXXE
EXEXEXXXEXEEXXE
r
j
jrj
rr j
rXE
0]['
42234
44
323
33
22
22
1
64'
3'
'
'
EXEXEXEX
18-Jan-11
11
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Disperzija ili varijansa
])[(]var[][ 22 XEXXD
za kontinualnu promenljivu
za diskretnu promenljivu
XPXD }{)(][ 2
dxxfxXD )()(][ 22
ix
ii xXPxXD }{)(][2
2
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Standardna devijacija
][XD
Koeficijent varijacije
][
2/1
2vC
18-Jan-11
12
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Disperzija ili varijansa osobine
za nezavisne promenljive X1 i X2
0][ cD
][][][ YDXDYXD
][][ XDcXD
][][ 2 XDccXD
][][][ YDXDYXD
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Srednja vrednost – mera centralne tendencije težište gustine raspodele
f x( )
težište gustine raspodele
Medijana – još jedna mera centralne tendencije:
dxxfx )('1
50)()()( Me
dfdfMF
x
f x( )
0 50.5
Mod – maksimalna ordinata gustine raspodele
5.0)()()( Me
dxxfdxxfMeF
max)( fMof Me x
0.5
18-Jan-11
13
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Disperzija – mera odstupanja od srednje vrednosti, mera varijabilnosti slučajne promenljive
dxxfxDX )()( 22 f x( )malo
veliko
x
veliko
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Asimetrija raspodele treći momenat: pozitivna negativna
koeficijent asimetrije:
dxxfx )()( 33
33
2/32
3
sC
f x( )
asimetrijaCs > 0
asimetrijaCs < 0
x
18-Jan-11
14
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Spljoštenost raspodele četvrti momenat:
koeficijent spljoštenosti:
dxxfx )()( 44
44
22
4
kC
eksces: u odnosu na normalnu raspodelu (Ck = 3)
3 kCe
Osobine raspodela verovatnoćeOsobine raspodela verovatnoće
Ocena iz uzorka srednja vrednost:
it tičk di N1
aritmetička sredina
standardna devijacija
momenti oko sredine
i
ixNx
1
N
ii xxN
S1
2)(1
1
N
i
rir xxN
m1
)(1iN 1
18-Jan-11
15
Standardizovana slučajna promenljivaStandardizovana slučajna promenljiva
Standardizovana slučajna promenljiva ili normirano odstupanje od srednje vrednosti
X
XXXD
XEXX
][
][*
1][1][1*][
0)][(1][1*][
XDXDXD
XEXEXE
X
XX
XX
1][][][ 22
XDXDXD
XX
X
Višedimenzionalna slučajna promenljivaVišedimenzionalna slučajna promenljiva
Dve ili više slučajnih promenljivih koje se zajedno (simultano) posmatraju
Zajednička raspodela više promenljivih je višedimenzionalna raspodela koja definiše verovatnoće sa kojima se javljaju vrednosti slučajnih promenljivih
Funkcija raspodele 2D slučajne promenljive:
}{),( yYxXPyxF YX }{)(, yyYX
18-Jan-11
16
Višedimenzionalna slučajna promenljivaVišedimenzionalna slučajna promenljiva
Raspodela 2D slučajne promenljive diskretnog tipa jijiYX yYxXPyxp }{),(,
xx yyjiYXYX
x yjiYX
i j
i j
yxpyYxXPyxF
yxp
),(}{),(
1),(
,,
,
2D raspodela
Višedimenzionalna slučajna promenljivaVišedimenzionalna slučajna promenljiva
Raspodela 2D slučajne promenljive diskretnog tipa marginalne raspodele
)(),(
)(),(
,
,
jYx
jiYX
iXy
jiYX
ypyxp
xpyxp
i
j
2D raspodela
marginalne raspodele
18-Jan-11
17
Višedimenzionalna slučajna promenljivaVišedimenzionalna slučajna promenljiva
Raspodela 2D slučajne promenljive diskretnog tipa uslovna raspodela
Y = 1
)(),(
}{}{
}|{)|( ,|jY
jYX
j
jjjYX yp
yxpyYP
yYxXPyYxXPyxp
uslovna raspodela Xza Y = 1
2D raspodelaY = 1
0.1350 0.8054 0.0562 0.0034 1.0000
Višedimenzionalna slučajna promenljivaVišedimenzionalna slučajna promenljiva
Raspodela 2D slučajne promenljive kontinualnog tipa
b d
d dfdYbXP )(}{
a b
YXYX
YX
a cYX
dxdyyxfbYaXPbaF
dxdyyxf
dxdyyxfdYcbXaP
),(}{),(
1),(
),(}{
,,
,
,
f(x,y
)
18-Jan-11
18
Višedimenzionalna slučajna promenljivaVišedimenzionalna slučajna promenljiva
Raspodela 2D slučajne promenljive kontinualnog tipa marginalne raspodele
uslovne raspodele
dxyxfyf
dyyxfxf
YXY
YXX
),()(
),()(
,
,
)(),(
)|(
)(),(
)|(
,|
,|
yfyxf
yxf
xfyxf
xyf
Y
YXYX
X
YXXY
Funkcije slučajnih promenljivihFunkcije slučajnih promenljivih
Funkcije čiji su argumenti slučajne promenljive Neka je X slučajna promenljiva sa raspodelom fX(x) Ako je Y = g(X) neka funkcija slučajne promenljive, i neka je
inverzna funkcija X = h(Y) = g–1(Y) Tada je Y slučajna promenljva sa raspodelom fY(y)
)]([||)]([)()( yhfJyhfyhdydyf XXY
Primer:
bcyf
byf
bdydx
bcYXcbXY
XY1)(
1;;
18-Jan-11
19
Funkcije slučajnih promenljivihFunkcije slučajnih promenljivih
Funkcije više slučajnih promenljivih Neophodno formulisati višedimenzionalnu raspodelu Npr. zbir dve slučajne promenljive: Z = X + Y
dyyyzfdxxzxfzFzf
dydxyxf
XzYPzYXPzZPzF
YXYXZZ
xz
YX
Z
),(),()()(
),(
}{}{}{)(
,,
,
z
,,
x
y
y = z – x
y < z – x
1
Teorijske raspodele verovatnoTeorijske raspodele verovatnoćće e u hidrologijiu hidrologiji
Normalna i log-normalna raspodela
Gumbelova raspodela
Pirson III i log-Pirson III raspodela
Normalna raspodelaNormalna raspodela
gustina raspodele:
funkcija raspodele:
∞
2
Normalna raspodelaNormalna raspodela
parametri:μ – srednja vrednost (μ = μ’1)σ – standardna devijacija (σ2 = μ2)
x
f(x)
μ
F(x)
x
1
0
0.5
μμ – parametar
lokacije
σ – parametar razmere
σ1
σ2
σ1
σ2
Normalna raspodelaNormalna raspodelaStandardna normalna raspodela
smena:
gustina i funkcija raspodele:
parametri:
σμ−
=xz
1,0 =σ=μ
z
φ(z)
0
Φ(z)
z
1
0
duuzz
∫∞−
⎥⎦
⎤⎢⎣
⎡−
π=Φ
2exp
21)(
2
0.5
0
⎥⎦
⎤⎢⎣
⎡−
π=ϕ
2exp
21)(
2zz
3
Normalna raspodelaNormalna raspodela
važna osobina: simetričnost → Cs = 0
z
φ(z)
0
Φ(z)
z
1
0
0.5
0z–z
φ(–z)= φ(z)
z–z
Φ(–z)Φ(z)
1 – Φ(–z) = Φ(z)
1 – Φ(z) = Φ(–z)
Normalna raspodelaNormalna raspodela
Veza između normalne i standardne normalne raspodele:
⎟⎠⎞
⎜⎝⎛
σμ−
Φ=⎭⎬⎫
⎩⎨⎧
σμ−
≤=
=⎭⎬⎫
⎩⎨⎧
σμ−
≤σμ−
=
=μ−≤μ−=≤=
xxZP
xXP
xXPxXPxF }{}{)(⎟⎠⎞
⎜⎝⎛
σμ−
Φ=xxF )(
σμ−
=Φ=xzzxF ),()(
4
Normalna raspodelaNormalna raspodela
Određivanje parametara na osnovu uzorka
Postupak proračuna
F = NORMSDIST(z)z = NORMSINV(F)
F = NORMSDIST(z)z = NORMSINV(F)
)()(TAB xFzFS
xxzx XZx
=⎯⎯ →⎯−
=→
xZX SzxxzzFxF ⋅+=→⎯⎯ →⎯=TAB)()(
xSx
=σ=μ
LogLog--normalna raspodelanormalna raspodela
Primena normalne raspodele na logaritmovane podatkeako slučajna promenljiva Y = log X prati normalnu raspodelu, tada X prati log-normalnu raspodeluparametri: srednja vrednost i standardna devijacija logaritmovanog niza
Veza sa standardnom normalnom raspodelomYY σμ ,
)(log}log{}10{}{)(
xFxYPxPxXPxF
Y
Y
=≤==≤=≤=
⎟⎠⎞
⎜⎝⎛
σμ−
Φ==xxFxF Y
log)(log)(
σμ−
==Φ==yzxyzyFxF Y ,log),()()(
5
LogLog--normalna raspodelanormalna raspodela
Određivanje parametara na osnovu uzorka
Postupak proračuna
F = NORMSDIST(z)z = NORMSINV(F)
F = NORMSDIST(z)z = NORMSINV(F)
yY
Y
Sy
=σ=μ
)()()(log TAB xFyFzFS
yyzxyx XYZy
==⎯⎯ →⎯−
=→=→
yyZX xSzyyzzFxF 10)()(
TAB =→⋅+=→⎯⎯ →⎯=
Gumbelova raspodelaGumbelova raspodela
gustina raspodele:
funkcija raspodele:
inverzna funkcija raspodele:
drugi nazivi:dvostruko eksponencijalna raspodelaraspodela ekstremnih vrednosti I tipa
∞
6
Gumbelova raspodelaGumbelova raspodela
parametri:α – parametar razmereu – parametar lokacije
osobine:srednja vrednost μ(u,α)standardna devijacija σ(u,α)
koef. asimetrije Cs = 1.14
x
f(x)
u
α1
α2 > α1
u – parametar lokacije
α – parametar razmere
απ
=σ
α+=μ
6
5772.0u
Gumbelova raspodelaGumbelova raspodela
Standardna Gumbelova raspodela
smena:
parametri:
gustina raspodele:
funkcija raspodele:
inverzna funkcija raspodele:
∞
7
GumbelovaGumbelova raspodelaraspodela
Veza između obične i standardne Gumbelove raspodele:
⎟⎠⎞
⎜⎝⎛
α−
=⎭⎬⎫
⎩⎨⎧
α−
≤=
=⎭⎬⎫
⎩⎨⎧
α−
≤α−
=
=−≤−=≤=
uxGuxYP
uxuXP
uxuXPxXPxF }{}{)(⎟⎠⎞
⎜⎝⎛
α−
=uxGxF )(
α−
==uxyyGxF ),()(
Gumbelova raspodelaGumbelova raspodela
Određivanje parametara na osnovu uzorka
Postupak proračuna
F = EXP(–EXP(–y))y = –LN(–LN(F))
F = EXP(–EXP(–y))y = –LN(–LN(F))
x
x
SSxu
78.045.0
=α−=
)()( xFeyFuxyx Xe
Yy==→
α−
=→−−
α⋅+=→−−=→= yuxFyyFxF YX )lnln()()(
8
Familija gama raspodelaFamilija gama raspodelaDvoparametarska gama raspodela
gustina raspodele:
parametri:α – parametar oblikaβ – parametar razmere
0,)(
1)( /1
≥⎟⎟⎠
⎞⎜⎜⎝
⎛βαΓβ
= β−−α
xexxf x
00.10.20.30.40.50.60.70.80.9
1
0 1 2 3 4 5 6 7 8
x
f(x)
00.10.20.30.40.50.60.70.80.9
1
0 1 2 3 4 5 6 7 8
x
f(x)
β = 1 α = 2
α = 1
α = 2
α = 4
β = 1
β = 2β = 4
Pirsonova raspodela III tipaPirsonova raspodela III tipa
Troparametarska gama raspodela
gustina raspodele:
parametri:α – parametar oblikaβ – parametar razmereγ – parametar lokacije
osobine:asimetrična; za Cs = 0 postaje normalna raspodelamomenti:
0,)(
1)( /)(1
≥⎟⎟⎠
⎞⎜⎜⎝
⎛βγ−
αΓβ= βγ−−
−α
xexxf x
α=
αβ=σ
γ+αβ=μ
2sC
9
Pirsonova raspodela III tipaPirsonova raspodela III tipa
Određivanje parametara na osnovu uzorka
Postupak proračuna
Csx > 0: F = GAMMADIST((x – c)/b,a,1,TRUE)x = c + b * GAMMAINV(F,a,1)
Csx < 0: F = 1 – GAMMADIST((x – c)/b,a,1,TRUE)x = c + b * GAMMAINV(1 – F,a,1)
Csx > 0: F = GAMMADIST((x – c)/b,a,1,TRUE)x = c + b * GAMMAINV(F,a,1)
Csx < 0: F = 1 – GAMMADIST((x – c)/b,a,1,TRUE)x = c + b * GAMMAINV(1 – F,a,1)
αβ−=γ⋅
=β=α xcS
csxx
sx
,2
,42
)( za TAB xFcS
xxKx Xsxx
P ⎯⎯⎯⎯ →⎯−
=→
xPPsx
X SKxxKcxF ⋅+=→⎯⎯⎯⎯ →⎯ za TAB)(
KP – faktorfrekvencije
LogLog--Pirson III raspodelaPirson III raspodela
Log-Pirson III raspodelaako slučajna promenljiva Y = log X prati Pirson III raspodelu, tada X prati log-Pirson III raspodeluprimena Pirson III raspodele na logaritmovane podatke
10
LogLog--Pirson III raspodelaPirson III raspodela
Određivanje parametara na osnovu uzorka
Postupak proračuna
Csy > 0: F = GAMMADIST((y – c)/b,a,1,TRUE)y = c + b * GAMMAINV(F,a,1)
Csy < 0: F = 1 – GAMMADIST((y – c)/b,a,1,TRUE)y = c + b * GAMMAINV(1 – F,a,1)
Csy > 0: F = GAMMADIST((y – c)/b,a,1,TRUE)y = c + b * GAMMAINV(F,a,1)
Csy < 0: F = 1 – GAMMADIST((y – c)/b,a,1,TRUE)y = c + b * GAMMAINV(1 – F,a,1)
αβ−=γ⋅
=β=α ycS
csyy
sy
,2
,42
)()(log za TAB
xFyFc
SyyKxyx XY
sy
yP =⎯⎯⎯⎯ →⎯
−=→=→
yyPP
syX xSKyyK
cxF 10)(
za TAB=→⋅+=→⎯⎯⎯⎯ →⎯
0
1000
2000
3000
4000
5000
6000
7000
1950 1960 1970 1980 1990 2000
Q (m
3 /s)
PrimerPrimerSava – Sremska Mitrovica
originalni niz X
logaritmovani niz Y = log X
broj podataka 51 51
srednja vrednost 4187 3.6147
standardna devijacija 781.3 0.07936
koeficijent varijacije 0.187 0.022
koeficijent asimetrije 0.623 0.196
11
PrimerPrimer
Proračun parametara raspodela
Normalna raspodela:
Log-normalna raspodela:
Gumbelova raspodela:
X Y = log X
broj podataka 51 51
srednja vrednost 4187 3.6147
standardna devijacija 781.3 0.07936
koeficijent asimetrije 0.623 0.196/sm3.781
/sm41873
3
==σ
==μ
xS
x
07936.06147.3
==σ==μ
yY
Y
Sy
/sm4.6093.78178.078.0
/sm38353.78145.0418745.03
3
=⋅=⋅=α
=⋅−=⋅−=
x
x
S
Sxu
PrimerPrimer
Proračun parametara raspodela
Pirson III raspodela:
Log-Pirson III raspodela:
X Y = log X
broj podataka 51 51
srednja vrednost 4187 3.6147
standardna devijacija 781.3 0.07936
koeficijent asimetrije 0.623 0.196
/sm1678623.0
3.781241872
3.2432
623.03.7812
31.10623.044
3
22
=⋅
−=−=γ
=⋅
=⋅
=β
===α
sx
x
sxx
sx
cS
x
cSc
804.2196.007936.026147.3
2
007771.02
196.007936.02
31.104196.044
22
=⋅
−=−=γ
=⋅
=⋅
=β
===α
sy
y
syy
sy
cS
y
cSc
12
PrimerPrimer
Proračun teorijskih raspodelaprotok za F(x) = 0.95
Normalna raspodela:
Log-normalna raspodela:
/sm54723.781645.14187
645.1)95.0(95.0)(3
XL TAB,
=⋅+=⋅+=
=⎯⎯⎯ →⎯=
x
X
Szxx
zxF
/sm556210
74524.307936.0645.16147.3645.1)95.0(95.0)(
3
XL TAB,
==
=⋅+=⋅+==⎯⎯⎯ →⎯=
y
y
X
x
SzyyzxF
PrimerPrimer
Proračun teorijskih raspodelaprotok za F(x) = 0.95
Gumbelova raspodela:
Pirson III raspodela:
/sm56454.609970.23835
970.2)95.0lnln()95.0(95.0)(3=⋅+=α⋅+=
=−−=→=
yux
yxFX
/sm55953.781802.14187
802.1)623.0,95.0(819.1)7.0,95.0(,797.1)6.0,95.0(95.0)(
3
TAB
=⋅+=⋅+=
=========⎯⎯ →⎯=
xP
sxP
sxPsxPX
Skxx
cFkcFkcFkxF
/sm55953.243098.161678
098.1695.0)(
3
XL
=⋅+=β⋅+γ=
===βγ−
⎯→⎯=
ux
uxxFX 1)10.311,.95,GAMMAINV(0
13
PrimerPrimer
Proračun teorijskih raspodelaprotok za F(x) = 0.95
Log-Pirson III raspodela:
/sm561710
74953.307936.0699.16147.3
699.1)196.0,95.0(
700.1)2.0,95.0(,673.1)1.0,95.0(95.0)(
3
TAB
==
=⋅+=⋅+=
===
======⎯⎯ →⎯=
y
yP
syP
syPsyPX
x
SkyycFk
cFkcFkxF
/sm561700777.066.1218041.2
66.12195.0)(
3
XL
=⋅+=β⋅+γ=
===βγ−
⎯→⎯=
uy
uyxFX 1)104.31,.95,GAMMAINV(0
PrimerPrimer
Sava – Sremska MitrovicaRezultati proračuna kvantila od 95%
Raspodela Protok sa F(x) = 0.95
(m3/s)
Normalna 5472
Log-normalna 5562
Gumbelova 5645
Pirson III 5595
Log-Pirson 3 5617
Diskretne raspodele_tekst.doc
1
DISKRETNE RASPODELE VEROVATNOĆE
Diskretne raspodele se koriste za opisivanje slučajnih promenljivih koje mogu uzeti celobrojne vrednosti.
U nekim slučajevima eksperimenti mogu da se sastoje od jednog jedinog opita čiji se ishod može svrstati u dve kategorije. Takvi opiti se nazivaju Bernulijevim opitima, a iz njih su prostekli probabilistički modeli kao što su binomna, geometrijska i negativna binomna raspodela. Niz Bernulijevih opita čini Bernulijev proces. Bernulijeva raspodela
Raspodela za slučajnu promenljivu sa dva ishoda (uspeh/neuspeh) u jednom eksperimentu (tzv. Bernulijev opit), pri čemu se ta dva ishoda međusobno isključuju i čine potpun skup događaja. Osnovne postavke su:
− Moguća su samo dva ishoda, koji se nazivaju uspeh i neuspeh. − Verovatnoća pojave uspeha p (ili neuspeha 1 – p) je konstantna. − Opiti su nezavisni (tj. ishod jednog opita ne zavisi od ishoda drugih opita).
Zakon raspodele:
⎩⎨⎧
≠≠=−
===−
1,01,0
0,)1(
}{1
xxxpp
xXPpxx
x
odnosno
1,010
,0,
,1}{
≠≠==
⎪⎩
⎪⎨
⎧ −==
xxxx
pp
xXP
Svojstva raspodele:
pEXDXI
ppDXpEX
D −==
−==
1
)1(
Parametar:
xp =
Generatorska funkcija momenata:
t
x
txX eppxXPetM ⋅+−=== ∑
=)1(}{)(
1
0
Binomna raspodela
Posmatra se niz od n Bernulijevih opita, od kojih svaki ima dva ishoda (uspeh/neuspeh) sa verovatnoćom uspeha p i verovatnoćom neuspeha 1 – p. U n opita se može javiti x uspeha i (n – x)
neuspeha na ⎟⎟⎠
⎞⎜⎜⎝
⎛xn
načina. Binomna raspodela je raspodela za slučajnu promenljivu X koja predstavlja broj
uspešnih opita x od ukupno n opita. Značajna osobina binomnih slučajnih promenljivih je ta da je njihov zbir takođe binomna slučajna
promenljiva. Ako je X1 binomna slučajna promenljiva sa parametrima p i n1, a X2 sa parametrima p i n2, onda je Y = X1 + X2 binomna promenljiva sa parametrima p i n = n1 + n2. Ova definicija važi i za zbir više promenljivih.
Diskretne raspodele_tekst.doc
2
Zakon raspodele:
nxppxn
xXPp xnxx ,,1,0,)1(}{ K=−⎟⎟⎠
⎞⎜⎜⎝
⎛=== −
Svojstva raspodele:
pIpnpDX
npEX
D −=−=
=
1)1(
Generatorska funkcija momenata:
nt
x
txX eppxXPetM ])1[(}{)(
1
0⋅+−=== ∑
=
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0 5 10 15 20
x
p(x)
n = 5n = 10n = 20n = 30
p = 0.3
00.050.1
0.150.2
0.250.3
0.350.4
0.45
0 5 10 15 20
x
p(x)
p = 0.1p = 0.3p = 0.5p = 0.8
n = 10
Parametri:
− ako je poznat parametar n (broj opita):
nxp =
− ako je parametar n nepoznat najpre se računa:
DIx
pxn
−==
1
Diskretne raspodele_tekst.doc
3
a zatim se tako sračunat parametar n zaokružuje na celobrojnu vrednost i računa parametar p:
nxp =
Zakon raspodele u Excelu:
p(x) = BINOMDIST(x, n, p, FALSE) Negativna binomna raspodela
Posmatramo Bernulijeve opite koji se nastavljaju sve dok se ne javi tačno r uspeha, a broj opita x do ostvarenja ovog zahteva predstavlja slučajnu promenljivu X. To znači da se posle x – 1 opita javilo tačno r – 1 uspeha, dok se u x-tom opitu javio r-ti uspeh.
Negativna binomna raspodela ima i alternativni oblik ako se umesto ukupnog broja opita x do r-tog uspeha posmatra slučajna promenljiva Y koja predstavlja broj neuspeha y = x – r do r-tog uspeha. Zakon raspodele:
rxpprx
xXPp rxrx ≥−⎟⎟⎠
⎞⎜⎜⎝
⎛−−
=== − ,)1(11
}{
ili, za Y = X – r:
0,)1(1
1}{ ≥−⎟⎟
⎠
⎞⎜⎜⎝
⎛−+−
=== yppr
yryYPp yry
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0 5 10 15 20
y
p(y)
r = 1r = 2r = 4r = 8
p = 0.3
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0 5 10 15 20
y
p(y)
p = 0.2p = 0.5p = 0.6p = 0.8
r = 5
Diskretne raspodele_tekst.doc
4
Svojstva raspodele:
pI
pprDY
pprEY
ppI
pprDX
prEX
DY
DX
1,)1(,)1(
1,)1(,
2
2
=−
=−
=
−=
−==
Parametri: najpre se računa:
1+==
DXIxxpr ili
11 −=
−=
DYIy
pypr
a zatim se tako sračunat parametar r zaokružuje na celobrojnu vrednost i računa parametar p:
xrp = ili
ryrp+
=
Zakon raspodele u Excelu:
p(y) = NEGBINOMDIST(y, r, p) Poasonova raspodela Dobija se kao granični slučaj binomne raspodele ako je p malo, a n veliko (n → ∞ i p → 0). Proizvod np = Λ je očekivani broj uspeha u nizu od n Bernulijevih opita, kada n → ∞ (Λ je prosečan broj uspeha u beskonačnom broju opita).
Za male vrednosti Λ Poasonova raspodela je pozitivno asimetrična, dok za velike vrednosti Λ teži ka simetričnosti.
Zbir dve Poasonove slučajne promenljive je takođe Poasonova slučajna promenljiva. Ako su X1 i X2 Poasonove promenljive sa parametrima Λ1 i Λ2, onda je Y = X1 + X2 Poasonova promenljiva sa parametrom Λ = Λ1 + Λ2. Ova definicija važi i za zbir više promenljivih. Zakon raspodele:
0,!
}{ ≥Λ===λ−
xxexXPp
x
x
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 5 10 15 20
x
p(x)
lam = 0.5lam = 1.2lam = 2.5lam = 10
Diskretne raspodele_tekst.doc
5
Svojstva raspodele:
1==
Λ==
EXDXI
DXEX
D
Parametar:
x=Λ Zakon raspodele u Excelu:
p = POISSON(x, lambda, FALSE) Poasonov proces
Parametar Λ Poasonove raspodele se posmatra kao prosečan broj javljanja u nekom intervalu vremena t. Tada t/Λ=λ predstavlja prosečni intenzitet javljanja uspeha u jedinici vremena. Ukoliko je intenzitet javljanja λ konstantan tokom celog intervala vremena t, a time i prosečan broj javljanja Λ, u pitanju je homogen Poasonov proces. Ako se interval vremena t podeli na n podintervala Δt (t = nΔt), verovatnoća pojave jednog uspeha u podintervalu Δt približno je jednaka λΔt. Kada 0→Δt , ova verovatnoća postaje tačna verovatnoća. Dakle, u jedinici vremena može se javiti najviše jedan uspeh, odnosno, verovatnoća pojave više od jednog uspeha jednaka je nuli. Pored toga, ishod u jednom Δt ne zavisi od ishoda u drugom Δt, jer su to disjunktni intervali vremena. Dakle, pojava uspeha u podintervalu Δt predstavlja Bernulijev opit.
U ovako opisanom Poasonovom procesu, slučajna promenljiva predstavlja broj događaja u nekom intervalu vremena.
Postulati Poasonovog procesa mogu se matematički izraziti na sledeći način:
Verovatnoća da se u intervalu vremena 0→Δt javi više od jednog uspeha jednaka je nuli:
0}1)()({lim0
=Δ
>−Δ+→Δ t
tXttXPt
Verovatnoća pojave jednog uspeha u intervalu vremena 0→Δt jednaka je:
λ=Δ
=−Δ+→Δ t
tXttXPt
}1)()({lim0
ili
)(}1)()({ tottXttXP Δ+Δλ==−Δ+
Verovatnoća da se u intervalu vremena 0→Δt ne javi nijedan uspeh jednaka je onda:
))((1}0)()({ tottXttXP Δ+Δλ−==−Δ+
Zbog nezavisnosti broja javljanja u disjunktnim vremenskim intervalima, verovatnoća da se u intervalu vremena (0, t + Δt) ne javi nijedan uspeh jednaka je:
))]((1}[0)({}0)()({}0)({}0)({
tottXPtXttXPtXPttXP
Δ+Δλ−====−Δ+⋅===Δ+
U skraćenoj notaciji:
)](1[)(),()()( 0000 tottPtttPtPttP Δ−Δλ−⋅=Δ+⋅=Δ+
Preuređivanjem gornjeg izraza dobija se:
)())(()()(
000 tP
tto
ttPttP
ΔΔ
+λ−=Δ
−Δ+
Diskretne raspodele_tekst.doc
6
Prelaskom na granične vrednosti sledi:
)()()()(
lim 0000
0tP
dttdP
ttPttP
tλ−==
Δ−Δ+
→Δ
Rešenje gornje diferencijalne jednačine uz početni uslov 0)0(0 =P je:
tetP λ−=)(0
Na sličan način, verovatnoća da se u intervalu vremena (0, t + Δt) javi jedan uspeh jednaka je:
)]([)()](1[)(),()(),()()(
01
10011
tottPtottPtttPtPtttPtPttP
Δ+Δλ⋅+Δ−Δλ−⋅==Δ+⋅+Δ+⋅=Δ+
odakle sledi:
)()()()()(
lim 01111
0tPtP
dttdP
ttPttP
tλ+λ−==
Δ−Δ+
→Δ
Indukcijom sledi za proizvoljan broj uspeha k:
)()()(
1 tPtPdttdP
kkk
−λ+λ−=
odakle se dobija:
!)()( t
k
k ekttP λ−λ=
Nehomogen Poasonov proces. U nehomogenom Poasonovom procesu intenzitet javljanja λ nije konstantan, već se menja u vremenu, pa se označava sa λ(t). Tada priraštaji procesa X(t1) – X(t2) prate Poasonovu raspodelu sa parametrom:
∫ λ=Λ2
1
)(t
tdtt
Ovi priraštaji predstavljaju niz nezavisnih slučajnih promenljivih. Geometrijska raspodela
Ako se posmatra slučaj kada se Bernulijevi opiti nastavljaju sve dok se ne pojavi jedan uspeh (r = 1), negativna binomna raspodela postaje geometrijska raspodela. Ona opisuje događaj da se u n – 1 opita nije javio nijedan uspeh, dok se u n-tom opitu javio uspeh. Verovatnoća takvog događaja je:
K,3,2,1,)1(}{ 1 =−== − nppnXP n
Očekivanje i varijansa geometrijske raspodele su:
21]var[
1][
ppX
pXE
−=
=
Primena geometrijske raspodele na povratni period. Neka su Yi maksimalni godišnji protoci za godine i = 1, 2, ..., koji predstavljaju međusobno nezavisne i jednako raspoređene događaje. U svakoj godini razmatra se da li će maksimalni godišnji protok biti veći od neke vrednosti y, što predstavlja niz Bernulijevih opita. Pretpostavimo da je u nekoj godini došlo do prevazilaženja protoka y, pa opite počinjemo od naredne godine. Postavljamo pitanje sa kojom verovatnoćom će doći do ponovnog prevazilaženja protoka y za n godina. Ovakav model odgovara geometrijskoj raspodeli, a to je da tokom
Diskretne raspodele_tekst.doc
7
n – 1 godine maksimalni godišnji protoci budu manji od y, a u n-toj godini da dođe do prevazilaženja. Slučajna promenljiva koju sada razmatramo je vreme čekanja T između dva prevazilaženja protoka y. Dakle:
K,3,2,1,)]()][(1[}]{[}{)1(}{ 111 =−=≤⋅>=−== −−− nyFyFyYPyYPppnTP nYYnn
Prosečno vreme čekanja između dva prevazilaženja protoka y je veličina:
)(11
}{11][~
yFyYPpTET
Y−=
>===
Ova veličina predstavlja povratni period velikih voda sračunat na osnovu funkcije raspodele maksimalnih godišnjih protoka. Njegova definicija je dakle: to je prosečan broj godina u kome će doći do tačno jednog prevazilaženja protoka y. Osobina nedostatka memorije geometrijske raspodele. Ukoliko se u nizu od k ili više opita javilo k neuspeha, raspodela ukupnog broja opita k + l potrebnih pre nego što dođe do prvog uspeha ostaje ista. Ovo se može pokazati na sledeći način:
}{)1()1(
)1()1()1(
}{}{}|{ lXPp
pp
pppp
kXPlkXPkXlkXP lk
lk
knn
lknn
≥=−=−−
=−
−=
≥+≥
=≥+≥+
∞=
∞+=
∑∑
1
Neke teorijske raspodele za kontinualne slučajne promenljive
Uniformna raspodela Funkcija gustine raspodele:
bxaab
xf ≤≤−
= ,1)(
Funkcija raspodele:
bxaabaxxF ≤≤
−−
= ,)(
Svojstva raspodele:
12)(,
2
2abDXbaEX −=+=
Normalna raspodela Funkcija raspodele:
∫∞− ⎭
⎬⎫
⎩⎨⎧
σμ−
−πσ
=x
dxxxF 22
2)(exp
21)(
Funkcija standardizovane normalne raspodele:
∫∞− ⎭
⎬⎫
⎩⎨⎧−
π=Φ
z
dzzz2
exp21)(
2
gde je:
σμ−
=xz
Parametri:
x=μ , xS=σ
Funkcija raspodele u Excelu:
F = NORMDIST(x,a,b,TRUE) ili F = NORMSDIST(z)
Inverzna funkcija raspodele u Excelu:
x = NORMINV(F,a,b) ili x = a + b*NORMSINV(F)
Log-normalna raspodela Funkcija raspodele:
∫ ⎪⎭⎪⎬⎫
⎪⎩
⎪⎨⎧
σ
μ−−
πσ=
x
y
y
y
dxx
xxF
02
2
2
)(lnexp1
21)(
2
Sa smenom:
xy ln=
log-normalna raspodela se svodi na normalnu raspodelu promenljive Y. Sa smenom
y
yyzσ
μ−=
log-normalna raspodela se svodi na standardizovanu normalnu raspodelu. Parametri na osnovu metode momenata:
)1ln(,2
ln 222
vxyy
y Cx +=σσ
−=μ
Parametri na osnovu metode maksimalne verodostojnosti:
yy =μ , yy S=σ
Funkcija raspodele u Excelu:
F = LOGNORMDIST(x,mi_y,sigma_y) ili F = NORMSDIST(z)
Inverzna funkcija raspodele u Excelu:
x = LOGINV(F, mi_y,sigma_y) ili x = EXP(mi_y + sigma_y *NORMSINV(F))
Napomena: U lognormalnoj raspodeli može da se radi i sa dekadnim logaritmima umesto sa prirodnim (smena xy log= ). Medjutim, Excelove funkcije LOGNORMDIST i LOGINV rade samo sa prirodnim logaritmima, tako da kada se radi sa transformacijom preko dekadnih logaritama treba koristiti funkcije za standardizovanu normalnu raspodelu NORMSDIST i NORMSINV. Gumbelova raspodela Funkcija raspodele:
⎭⎬⎫
⎩⎨⎧
⎥⎦⎤
⎢⎣⎡
α−
−−=uxxF expexp)(
Inverzna funkcija raspodele:
)]lnln([ Fux −−α+=
Smenom
α−
=uxy
dolazi se do funkcije standardizovane Gumbelove raspodele:
[ ]{ }yxF −−= expexp)( čija je inverzna forma
)lnln( Fy −−=
Parametri:
xSxu 45.0−= , xS78.0=α
3
Pirson 3 raspodela Funkcija raspodele:
∫ ⎭⎬⎫
⎩⎨⎧ −−⎟
⎠⎞
⎜⎝⎛ −
αΓ=
−x
c
a
dxb
cxb
cxb
xF exp)(
1)(1
Ako se Pirson 3 raspodela i njena inverzna funkcija odredjuju iz tablica, tada se koristi faktor frek-vencije
xP S
xTxTk −= )()(
koji je tabulisan u zavisnosti od vrednosti funkcije raspodele i koeficijenta asimetrije. Parametri:
24
sxCa = ,
2sxxCSb = , abxc −=
Funkcija raspodele u Excelu: u Excelu figuriše samo dvoparametarska gama raspodela GAMMADIST (x,a,b,kum), čija je primena ograničena samo za pozitivne vrednosti koeficijenta asimetrije Csx i para-metra b. Ovu funkciju onda treba koristiti na sledeći način:
− za Csx > 0 i b > 0:
F = GAMMADIST((x-c)/b,a,1,TRUE)
− za Csx < 0 i b < 0:
F = 1 – GAMMADIST((x-c)/b,a,1,TRUE) Inverzna funkcija raspodele u Excelu:
− za Csx > 0 i b > 0:
x = c + b * GAMMAINV(F,a,1)
− za Csx < 0 i b < 0:
x = c + b * GAMMAINV(1-F,a,1) Log-Pirson 3 raspodela Log-Pirson 3 raspodela se koristi analogno Pirson 3 raspodeli uz transformaciju:
xy ln= ili xy log=
Eksponencijalna raspodela Funkcija raspodele:
⎭⎬⎫
⎩⎨⎧−−=
axxF exp1)(
Inverzna funkcija raspodele:
)1ln( Fax −−=
Parametri:
xa =
4
Funkcija raspodele u Excelu:
F = EXPONDIST(x,a,TRUE) Dvoparametarska Vejbulova raspodela Funkcija raspodele:
⎪⎭
⎪⎬⎫
⎪⎩
⎪⎨⎧
⎟⎠⎞
⎜⎝⎛−−=
b
axxF exp1)(
Inverzna funkcija raspodele: bFax /1)]1ln([ −−=
Parametri: parametar b se računa numerički iz izraza
22 1)/11(
)/21()( vxCbbbf +=
+Γ+Γ
=
a parametar a kao:
)/11( bxa+Γ
=
Gama funkcija u Excelu:
Γ(x) = EXP(GAMMALN(x)) Funkcija raspodele u Excelu:
F = WEIBULL(x,b,a,TRUE) Studentova t-raspodela Funkcija raspodele:
( )( ) ∫∞−
+ν−
ν
+ν
⎟⎟⎠
⎞⎜⎜⎝
⎛ν
+Γνπ
Γ=
t
dtttF2
12
2
21
1)(
Parametri:
ν = broj stepeni slobode = N – 1
Kada ∞→ν , Studentova raspodela teži normalnoj raspodeli. Funkcija raspodele u Excelu:
− za t > 0:
F = 1 – TDIST(t, ν, 1)
− za t < 0:
F = TDIST(| t |, ν, 1) Inverzna funkcija raspodele u Excelu:
t = TINV(2(1-F), ν)
Za potrebe proračuna kritičnih vrednosti tα/2 i t1– α/2 u okviru t-testa, gornji izraz se svodi na:
5
t1– α/2 = TINV(α, ν)
dok je tα/2 = –t1– α/2 zbog simetrije ove raspodele. Hi-kvadrat raspodela Funkcija raspodele:
∫ −−νν νΓ=x
x dxexxF0
2/12/2/ )2/(2
1)(
Parametri:
ν = broj stepeni slobode
Funkcija raspodele u Excelu:
F = 1 – CHIDIST(x, ν) Inverzna funkcija raspodele u Excelu:
x = CHIINV(1-F, ν)
Za potrebe proračuna kritičnih vrednosti χ2 u okviru hi-kvadrat testa za zadati prag značajnosti α, gornji izraz se svodi na:
21, α−νχ = CHIINV(α, ν)
Ocena parametara.doc
1
OCENE PARAMETARA
Populacija se sastoji o svih mogućih osmatranja neke slučajne promenljive ili procesa.
Uzorak je podskup populacije.
Slučajni uzorak je onaj koji je reprezentativan za populaciju.
Ako se zna (ili pretpostavi) da populacija ima određeni tip raspodele verovatnoće, ali su parametri te raspodele nepoznati, tada se oni moraju oceniti na osnovu slučajnog uzorka osmatranja.
Neka je (X1, X2, ..., Xn) slučajan uzorak dužine n iz neke raspodele sa nepoznatim parametrom θ. Statistika je bilo koja funkcija osmatranja iz uzorka koja ne sadrži nepoznate parametre raspodele (npr. srednja vrednost, medijana, standardna devijacija...). Ocena parametra θ je statistika
),,,(ˆˆ 21 nXXX Kθ=θ .
Ocena nekog parametra može biti tačkasta ili intervalna.
Postoje različite metode za dobijanje tačkastih ocena parametara (metoda momenata, metoda maksimalne verodostojnosti i mnoge druge). Cilj svake metode je da se dobije što bolja ocena parametra prema određenom kriterijumu (neki kriterijumi su: pristrasnost ocene, stabilnost ocene, efikasnost ocene, najmanja varijansa itd).
Svaka ocena parametra je slučajna promenljiva.
Intervali poverenja
Intervalne ocene parametara se nazivaju intervali poverenja. Interval poverenja je interval u kome se tačna vrednost parametra θ može naći sa određenom (unapred zadatom) verovatnoćom:
β=θ
Ocena parametara.doc
2
nXnD
nxD
nx
nDxD
n
ii
n
ii
2
21
21
][1][11][ σ=⋅==⎥⎦
⎤⎢⎣
⎡= ∑∑
==
Da bi se formirao interval poverenja od 90% za aritmetičku sredinu, traže se donja i gornja granica intervala poverenja koje odgovaraju vrednostima funkcije normalne raspodele od 5% i 95%.
0
μ
z
x_
-1.645
-1.645 /σ n
1.645
1.645 /σ n
90%5% 5%
Testovi.doc
1
Testiranje statističkih hipoteza
U opštem slučaju procedura testiranja se sastoji od sledećih koraka:
− Formulisanje nulte hipoteze H0 koja se testira. − Formulisanje alternativne hipoteze Ha (hipoteza koja se usvaja ako se nulta hipoteza odbaci). − Izbor statističkog testa i odgovarajuće test-statistike sa poznatom raspodelom. − Utvrđivanje regiona prihvatanja H0 za tu vrstu testa i za usvojeni prag značajnosti α. − Proračun vrednosti test-statistike. Ako je sračunata vrednost izvan regiona prihvatanja, odbaciti H0. Postoje dve vrste statističkih testova:
− parametarski i − neparametarski. Parametarski testovi se zasnivaju na testiranju neke karakteristike niza (srednja vrednost, varijansa) i uključuju određene pretpostavke o nizu:
a) podaci su međusobno nezavisni; b) podaci potiču iz normalno raspoređenih populacija; c) te populacije moraju imati istu varijansu. Za neparametarske testove, koji ne koriste statistike niza, obično je dovoljna prva pretpostavka. Statistički testovi mogu biti jednostrani i dvostrani, u zavisnosti od toga da li se region prihvatanja/odbacivanja hipoteze proteže na jedan ili na oba kraja raspodele.
0 z1 /2−αzα/2
1 − α
region prihvatanja Ho
α/2 α/2
Primer regiona prihvatanja u dvostranom testu
• Testovi homogenosti i slučajnosti nizova Najčešće korišćeni parametarski testovi su z-test i t-test za testiranje srednje vrednosti i F-test za testiranje varijanse. Među neparametarskim testovima to su testovi Men-Vitni (Mann-Whitney) i Kolmogorov-Smirnov. Pod homogenošću hidrološkog niza podrazumeva se da on potiče iz jedne populacije veličine koja se razmatra. Tipičan primer nehomogenog niza je niz godišnjih maksimuma proticaja među kojima su oni nastali usled jakih letnjih pljuskova i oni nastali usled prolećnog otapanja snega. Slučajnost niza znači da elementi niza moraju biti međusobno nezavisni.
• Testovi saglasnosti (dobrog prilagođavanja) teorijskih i empirijskih raspodela U testovima saglasnosti porede se empirijske (osmotrene) i teorijske frekvencije slučajne promenljive koje pripadaju određenim klasama, ili se porede empirijske i teorijske kumulativne relativne frevencije. Nulta hipoteza u testovima saglasnosti jeste da su empirijska i teorijska raspodela saglasne, a alternativna hipoteza je da ove dve raspodele nisu saglasne.
Testovi.doc
2
Jedan parametarski test za testiranje homogenosti statističkih nizova: testiranje jednakosti dve srednje vrednosti sa poznatim varijansama (z-test) Ovaj test testira jednakost srednjih vrednosti dva uzorka. Koristi se se za veliki uzorak. Pretpostavlja se da dva uzorka potiču iz dve normalno raspoređene populacije, X1: N(μ1, σ1) i X2: N(μ2, σ2). Uzorak X1, dužine N1, ima srednju vrednost 1x i standardnu devijaciju S1, dok uzorak X2, dužine N2 ima srednju vrednost 2x i standardnu devijaciju S2. Nulta i alternativna hipoteza glase:
210 : μ=μH
21: μ≠μaH
Ako se posmatra razlika srednjih vrednosti dva uzorka, ona takođe predstavlja normalno raspoređenu slučajnu promenljivu:
)//,(: 2221
212121 NNNXX σ+σμ−μ−
Pod uslovom da važi hipoteza H0 ( 021 =μ−μ ), standardizovana normalna promenljiva za razliku srednjih vred-nosti uzoraka glasi:
2221
21
21
// NSNS
xxz
+
−=
Promenljiva z ima raspodelu N(0,1). Ovaj test je dvostrani test, jer vrednost z može biti i pozitivna i negativna. Za zadati prag značajnosti α, region prihvatanja hipoteze H0 je:
2/12/ α−α 8, statistika U približno prati normalnu raspodelu sa srednjom vrednošću i varijansom:
12)1(,
22121221 ++=σ=μ
NNNNNNUU
a statistika
U
UUuσμ−
=
prati standardnu normalnu raspodelu N(0,1). Region prihvatanja nulte hipoteze za prag značajnosti α je:
2/12/ α−α
Testovi.doc
3
Jedan test za testiranje saglasnosti raspodela: Test Kramera-Mizesa Test Kramera-Mizesa (Cramer-von Mises) takođe poredi empirijsku i teorijsku raspodelu kroz statistiku:
∫∞
∞−−=ω )()]()([ 22 xdFxFxF tte
Ako je niz uređen u rastućem redosledu i Fe(xi) = i/N, gornja statistika postaje:
∑=
⎥⎦⎤
⎢⎣⎡ −−+=ω
N
iit N
ixFNN 1
2
22 5.0)(1
121
Za velike uzorke (N > 40) statistika Nω2 ima definisanu raspodelu koja ne zavisi od dužine uzorka N i može se koristiti za određivanje kritičnih vrednosti.
Testovi_primeri.doc
1
Vežba #3 Intervalne ocene parametara
i Testiranje statističkih hipoteza
PRIMER 1. Interval poverenja za srednju vrednost čvrstoće betona (Primeri 5.7 i 5.9 iz literature [1]) Ispitivanjem 40 betonskih kocki dobijena je srednja vrednost čvrstoće betona od 60.14 MPa i standardna devijacija od 5.015 MPa. Pretpostavlja se da je čvrstoća betona normalno raspoređena.1
A. Pretpostavlja se da standardna devijacija od 5.015 MPa predstavlja standardnu devijaciju populacije. Odrediti interval poverenja od 95% za procenjenu srednju vrednost čvrstoće betona.
Rešenje. Srednja vrednost X dobijena iz uzorka dužine n slučajne promenljive X koja prati normalnu raspodelu sa parametrima μ i σ2 takođe je normalno raspoređena sa srednjom vrednošću μ i disperzijom σ2/n, što se može pokazati na sledeći način (gde je uzeto u obzir da su osmatranja Xi međusobno nezavisna):
( )
μ==⋅=
=+++=⎥⎦⎤
⎢⎣⎡ +++=
][])[(1
][][][1)(1][ 2121
XEXEnn
XEXEXEn
XXXn
EXE nn KK
( )n
XDn
XDnn
XDXDXDn
XXXn
DXD
n
n
2
2212
21
][1])[(1][][][1
)(1][
σ==⋅=+++=
=⎥⎦⎤
⎢⎣⎡ +++=
K
K
Dakle, ako X ~ N(μ, σ2), tada X ~ N(μ, σ2/n), pa je interval poverenja od 95% definisan na sledeći način:
95.0}96.1/
96.1{ =<σ
μ−
Testovi_primeri.doc
2
1~/
−μ−
ntnSX
Kako je i Studentova raspodela simetrična pa važi tn–1(1 – α/2) = –tn–1(α/2), tada je interval poverenja za srednju vrednost od 95% definisan na sledeći način:
95.0}023.2/
023.2{)}975.0(/
)975.0({ 11 =<μ−
Testovi_primeri.doc
3
Kako je za zadati prag značajnosti od 5%:
96.196.1 2/12/ =
Testovi_primeri.doc
4
PRIMER 3. Testiranje saglasnosti empirijske raspodele niza čvrstoće betona sa normalnom raspodelom (Primeri 5.29, 5.32 iz literature [1]) Nizu od n = 40 vrednosti čvrstoće betona prilagođava se normalna raspodela sa srednjom vrednošću 60.14 i standardnom devijacijom 5.015 (tabela).
Kao empirijska raspodela uzorka koristi se kumulativna relativna frekvencija Fe(xi) = i / n. Normalna raspodela se prračunava pomoću standardizovane normalne raspodele kao:
⎟⎠
⎞⎜⎝
⎛ −Φ=
Sxx
xF iiN )(
Standardizovana normalna raspodela računa se u Excelu pomoću funkcije NORMSDIST(z).
i x Fe(x) FN(x)
1 49.9 0.025 0.021 2 50.7 0.05 0.030 3 52.5 0.075 0.064 4 53.2 0.1 0.083 5 53.4 0.125 0.090 6 54.4 0.15 0.126 7 54.6 0.175 0.135 8 55.8 0.2 0.194 9 56.3 0.225 0.222
10 56.7 0.25 0.247 11 56.9 0.275 0.259 12 57.8 0.3 0.321 13 57.9 0.325 0.328 14 58.8 0.35 0.395 15 58.9 0.375 0.403 16 59 0.4 0.410 17 59.6 0.425 0.457 18 59.8 0.45 0.473 19 59.8 0.475 0.473 20 60 0.5 0.489 21 60.2 0.525 0.505 22 60.5 0.55 0.529 23 60.5 0.575 0.529 24 60.5 0.6 0.529 25 60.9 0.625 0.560 26 60.9 0.65 0.560 27 61.1 0.675 0.576 28 61.5 0.7 0.607 29 61.9 0.725 0.637 30 63.3 0.75 0.736 31 63.4 0.775 0.742 32 64.9 0.8 0.829 33 64.9 0.825 0.829 34 65.7 0.85 0.866 35 67.2 0.875 0.920 36 67.3 0.9 0.923 37 68.1 0.925 0.944 38 68.3 0.95 0.948 39 68.9 0.975 0.960 40 69.5 1 0.969
Test Kolmogorov-Smirnova. Prema testu Kolmogorov-Smirnova, traži se najveće odstupanje teorijske i empirijske raspodele:
|)()(|maxmax iNiex xFxFD i−=
Testovi_primeri.doc
5
U ovom primeru Dmax= 0.099 (videti sliku). Kritična vrednost testa Dn za prag značajnosti od 5% i n = 40 može se dobiti pomoći približne asimptotske formule:
215.040
3581.13581.1===
nDn
Kako je Dmax < Dn, može se usvojiti hipoteza o saglasnosti teorijske i empirijske raspodele.
61.1; 0.675
61.1; 0.576
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
45 50 55 60 65 70 75
x
F(x)
emp. rasp.norm. rasp
Testiranje normalnosti preko koeficijenta asimetrije. Normalna raspodela je simetrična, tj. njen koeficient asimetrije jednak je nuli (Cs,N = 0). Koeficijent asimetrije podataka iz uzorka jednak je cs = 0.027. Fišerova asimptotska varijansa uzoračkog koeficijenta asimetrije iznosi:
)3)(1)(2()1(6]var[++−
−=
nnnnncs
što je u ovom primeru za n = 40:
2374.014.043413839406]var[ ==⋅⋅⋅⋅
=sc
Za prag značajnosti od 5%, može se pretpostaviti da su granice intervala poverenja za koeficijent asimetrije normalne raspodele ±0.374, na osnovu čega se može zaključiti da uzorački koeficijent asimetrije ne odstupa značajno od nule.
Testiranje normalnosti na dijagramu normalne verovatnoće. Dijagram (papir) normalne verovatnoće dobija se kada se koodinatni sistem x–F transformiše u koordinatni sistem x–z(F), gde je z(F) inverzna standardna normalna raspodela.
Na dijagramima verovatnoće ne može da se koristi kumulativna relativna frekvencija kao empirijska raspodela, već se koriste odgovarajući oblici tzv. kompromisne verovatnoće (engl. plotting position). Ovde je korišćena Vejbulova kompromisna verovatnoća:
Testovi_primeri.doc
6
1)(
+=
nixF ie
0.001 0.01 0.02 0.05 0.1 0.2 0.990.980.950.90.80.5 0.999
40
45
50
55
60
65
70
75
80
-4.0 -3.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0
z
x
emp. rasp.norm. rasp
F(z)
PRIMER 4. Testiranje saglasnosti empirijskih učestalosti jakih vetrova sa Poasonovom raspodelom (zadatak 5.19 na str. 334 iz literature [1]) Veliki talasi u primorskim područjima u kojima se planira izgradnja stvaraju materijalnu štetu i probleme sa erozijom. Merenja visina talasa su veoma retka, ali su prikupljeni sledeći podaci z lokalnih novina i od stanovništva:
Broj dana sa jakim vetrom 0 1 2 3 4 5 6 Učestalost 25 13 6 3 2 1 0
Skicirati histogram broja dana sa jakim vetrom na osnovu podataka iz 50-godišnjeg perioda. Testirati hipotezu da pojava visokih talasa i jakog vetra prati Poasonovu raspodelu pomoću hi-kvadrat testa. Koja je verovatnoća da je broj pojava veći od jednog dana godišnje? Rešenje Na osnovu n = 50 godina sa podacima, prosečan broj dana sa jakim vetrom jednak je
94.050471
==== ∑∑
∑
kkk
kk
kkk
fxNf
fxx
Parametar Poasonove raspodele ocenjuje se kao srednja vrednost slučajne promenljive, odnosno
94.0ˆ ==λ x Proračun frekvencija prema Poasonovoj raspodeli:
Testovi_primeri.doc
7
nxexfk
x
kP
k
⋅λ
=λ−
)!()(
Broj dana sa jakim vetrom 0 1 2 3 4 5 6 Učestalost, osmotrena 25 13 6 3 2 1 0 Učestalost, Poasonova raspodela 19.5 18.4 8.6 2.7 0.6 0.1 0.0
Hi-kvadrat test podrazumeva da se spoje klase u kojima ima manje od 5 elemenata u klasi. Tako se dobija ukupno 4 klase (donja tabela).
Broj dana sa jakim vetrom 0 1 2 3-6 Učestalost, osmotrena 25 13 6 6 Učestalost, Poasonova raspodela 19.5 18.4 8.6 3.5
Kontrolna statistika testa tada je jednaka:
727.5)(
,
2,2 =
−=χ ∑
k kP
kPk
fff
S obzirom da Poasonova raspodela ima jedan parametar, broj stepeni slobode za hi-kvadrat raspodelu jednak je 2114 =−−=ν . Kritična vrednost hi-kvadrat testa za prag značajnosti 05.0=α iznosi:
991.5)2,05.0(),( 22 =χ=ναχ
Kako je kontrolna statistika manja od kritične vrednosti, tj.
),(22 ναχ
−
λ−λ−λ−
e
eeeXPXPXPXP
2.3.2011
1
anos
ti u
građ
evin
arst
vu.
ltet U
nive
rzite
ta u
Beo
grad
u VI. VI. Korelacija i rKorelacija i regresiona analizaegresiona analiza
Analiza rizika i pouzdanosti
Jasn
a Pl
avšić:
Ana
liza
rizi
ka i
pouz
dD
okto
rske
stu
dije
, Građe
vins
ki fa
kul
Osnovni pojmoviOsnovni pojmovi
Povezanost dve ili više promenljivih može biti od velike koristi u građevinarstvu (najčešće za procenu
jedne veličine na osnovu druge koja se meri/osmatra)
anos
ti u
građ
evin
arst
vu.
ltet U
nive
rzite
ta u
Beo
grad
u
jedne veličine na osnovu druge koja se meri/osmatra)
Funkcionalna veza je najjača veza svakoj vrednosti jedne veličine odgovara tačno određena
vrednost druge veličine
Korelaciona ili stohastička veza je slabija veza između veličina koje su podložne odstupanjima
Jasn
a Pl
avšić:
Ana
liza
rizi
ka i
pouz
dD
okto
rske
stu
dije
, Građe
vins
ki fa
kul između veličina koje su podložne odstupanjima
2.3.2011
2
Osnovni pojmoviOsnovni pojmovi
Funkcionalana zavisnost primer 1: površina kruga je u funkcionalnoj vezi sa
poluprečnikom kruga:
anos
ti u
građ
evin
arst
vu.
ltet U
nive
rzite
ta u
Beo
grad
u
poluprečnikom kruga:
primer 2: starost stabla i broj godova
X – broj godova stabla
Y – starost stabla
F k i l i tS
A = r2π
Jasn
a Pl
avšić:
Ana
liza
rizi
ka i
pouz
dD
okto
rske
stu
dije
, Građe
vins
ki fa
kul
Milan Kilibarda
Funkcionalna zavisnost:
Y= f (X)
Ako znamo broj godova tada tačno znamo i starost stabla.
Starost stablau godinama
Brojgodova stabla
KorelacijaKorelacija
Stohastička zavisnost ili korelacija kada se ne može utvrditi
anos
ti u
građ
evin
arst
vu.
ltet U
nive
rzite
ta u
Beo
grad
u
kada se ne može utvrditi funkcionalna zavisnost
postoji eksperimentalni skup podataka izmerenih vrednosti parova X i Y
grafički prikaz zavisnosti i međuzavisnosti između X i Y je dijagram rasipanja
Jasn
a Pl
avšić:
Ana
liza
rizi
ka i
pouz
dD
okto
rske
stu
dije
, Građe
vins
ki fa
kul
Milan Kilibarda
2.3.2011
3
KorelacijaKorelacija
Stohastička zavisnost ili korelacija primer 1: X = telesna visina i Y = telesna težina
anos
ti u
građ
evin
arst
vu.
ltet U
nive
rzite
ta u
Beo
grad
u
primer 2: X = broj sati koje je osoba provela trenirajući i Y = telesna težina
ali: ishodi bacanja dve kocke – nekorelisane veličine
Jasn
a Pl
avšić:
Ana
liza
rizi
ka i
pouz
dD
okto
rske
stu
dije
, Građe
vins
ki fa
kul
Milan Kilibarda
KorelacijaKorelacija
Mere linearne povezanosti dve promenljive
anos
ti u
građ
evin
arst
vu.
ltet U
nive
rzite
ta u
Beo
grad
u
Kovarijansa
razlikom između E(XY) i EX·EY može se meriti jačina linearne vezeizmeđu promenljivih X i Y
Koeficijent korelacije
EYEXXYEEYYEXXEYX )()])([(),cov(
Jasn
a Pl
avšić:
Ana
liza
rizi
ka i
pouz
dD
okto
rske
stu
dije
, Građe
vins
ki fa
kul Koeficijent korelacije
YX
YXDYDXYXYX
),cov(),cov(),(
2.3.2011
4
KorelacijaKorelacija
Mere linearne povezanosti dve promenljive Korelaciona matrica više promenljivih
k j X t i i d ži
anos
ti u
građ
evin
arst
vu.
ltet U
nive
rzite
ta u
Beo
grad
u
ako je X matrica m nizova dužine n:
tada je korelaciona matrica m promenljivih:
mnnn
m
m
xxx
xxxxxx
,2,1,
,22,21,2
,12,11,1
X
Jasn
a Pl
avšić:
Ana
liza
rizi
ka i
pouz
dD
okto
rske
stu
dije
, Građe
vins
ki fa
kul
jiij
ii
jiij mjiXX
1
,,2,1,),,(
mmmm
m
m
,21
22221
11211
]corr[
XC gde je:
RegresijaRegresija
Regresiona analiza: pronalaženje jednačine zavisnosti jedne promenljive od druge ili više njih
anos
ti u
građ
evin
arst
vu.
ltet U
nive
rzite
ta u
Beo
grad
u
Opšti model
X – nezavisna promenljiva (prediktor ili opisna prom.) Y – zavisna promenljiva (odzivna ili prom. odgovora) ε – slučajna greška / odstupanje /rezidual sa normalnom
),0(:,)( 2 NxfY
Jasn
a Pl
avšić:
Ana
liza
rizi
ka i
pouz
dD
okto
rske
stu
dije
, Građe
vins
ki fa
kul
Milan Kilibarda
ε slučajna greška / odstupanje /rez