Upload
others
View
41
Download
1
Embed Size (px)
Citation preview
3.STOHASTICKI PROCESI U EKONOMIJI
3.1. SISTEMI I PROCESI
Moguće definicije sistema:
Sistem je konačan deo beskonačnog prostora.
Sistem je skup elemenata i odnosa između njih.
Sistem je kompleks međusobno povezanih funkcija i njihovih komponenti. Sve što
nije uključeno u sistem predstavlja njegovu okolinu.
Karakteristike komponenti i način njihovog povezivanja (spajanja,
sporazumevanja, rasporeda i mnoštva drugih odnosa između njih) sačinjavaju i
određuju strukturu sistema.
Stalna modifikacija komponenti i njihovih međusobnih odnosa predstavlja
funkcionisanje sistema.
Struktura i funkcionisanje su dva aspekta posmatranja sistema.
Ukoliko su komponente sistema realne, onda su i sistemi u čiji sklop ulaze realni
(npr.: sistem nacionalne privrede, tražnja, elektronski računar, čovečiji organizam,
društvo, itd.)
Sistemi koji nisu realni nazivaju se apstraktni sistemi. Njihove komponente su
formalni simboli, međusobno povezani formalnim zakonitostima. Apstraktni
sistemi predstavljaju modele realnih sistema, najčešće su njihova imitacija u svrhu
analize funkcionisanja i predviđanja njihovog budućeg ponašanja.
Način uzajamnog delovanja između sistema i okruženja, u toku vremena, možemo
nazvati ponašanje sistema. (ili: Interakcija odnosa sistema i okruženja ispoljava se
u vidu ponašanja sistema.
Iako promena ponašanja često biva izazvana izvesnim delovanjem okoline, za
karakter ponašanja su odlučujuća unutrašnja struktura sistema, broj i vrsta
njegovih elemenata i odnosa koji elemente spajaju. Ovo uzajamno delovanje se
odvija preko ulaznih i izlaznih informacija, karakterisanih (predstavljenih)
vektorima čiji sastavni delovi izražavaju stanja pojedinih sastavnih delova ulaza
odnosno izlaza.
Prema broju sastavnih delova razlikujemo dvodimenzionalne, trodimenzionalne,
odnosno višedimenzionalne vektore. Skup vektora ulaza, odnosno izlaza,
nazivamo prostor ulaza odnosno prostor izlaza.
Redosled vektora u vremenu nazivamo trajektorija. Trajektorije na ulazu i izlazu
stoje u izvesnoj zavisnosti. Ako pored ulaznih i izlaznih stanja razlikujemo i
unutrašnja stanja, onda reakcije sistema možemo pratiti po trajektorijama
unutrašnjih stanja.
Konkretna trajektorija izlaza kao posledica trajektorije ulaza naziva se aktivnost ili
proces sistema. Drugačije rečeno: u svrhu funkcionisanja sistema, u njemu se
odvija (realizuje) skup međusobno uslovljenih aktivnosti i događaja. Ova zbivanja
u sistemu možemo nazvati procesom.
Presek ponašanja sistema i procesa u njemu, u određenom momentu, možemo
nazvati stanje sistema.
Grupisanje određenog broja komponenti nekog složenog sistema u jednu celinu,
radi lakšeg analiziranja sistema kao celine, naziva se agregacija sistema. Suprotan
postupak se naziva dezagregacija sistema.
Ako pojedine komponente u sastavu sistema dejstvuju na tačno određen način,
tako da se njegove buduće promene mogu pouzdano predvideti, sistem je
deterministički. Njegovo funkcionisanje se odvija po strogo određenom
(determinističkom) planu.
Ukoliko skup komponenata nema striktno određene veze, a samim tim ni fiksiranu
strukturu, pa su međusobni odnosi, kako sastavnih elemenata tako i podskupova
(podsistema), podložni uticaju slučajnih kombinacija brojnih faktora, njihovo
ponašanje biće slučajne prirode, sam skup će biti stohastički sistem, a procesi u
njemu stohastički procesi.
Primer:
Tražnja zavisi od dohotka potrošača, cene proizvoda, navika potrošača, itd.
Međutim, kako se ovaj sistem menja u zavisnosti od sastavnih komponenti i kakva
je veza između komponenti, ne može se utvrditi kao tačnost, već kao verovatnost.
Stohastičkim sistemima je svojstveno stohastičko ili probabilističko (verovatno)
ponašanje, koje se ne odvija po strogo određenom zakonu, već je zavisno od
slučajnih faktora.
Proučavanje karakteristika sistema omogućuje potpunije i preciznije sagledavanje
velikog broja pojava u vezi sa funkcionisanjem sistema, te doprinosi mogućnosti
upravljanja sistemima i njihovom usmeravanju ka osnovnom cilju upravljanja -
optimalizaciji sistema.
Ekonomski sistemi pripadaju grupi društvenih sistema. Bitne karakteristike ovih
sistema su složenost, dinamičnost i stohastičnost.
Na ekonomske sisteme utiču ljudi, menjaju ih i usmeravaju svojom svesnom
akcijom. To su u izvesnom smislu veštački stvoreni sistemi koje stvaraju ljudi i koji
su namenjeni ljudima.
Različiti ciljevi u ekonomskim sistemima izazivaju i različite akcije, što znatno
komplikuje i otežava upravljanje sistemom i njegovo funkcionisanje.
Usklađivanjem osnovnih ciljeva i akcija stvara se jedinstven sistem donošenja
odluka u kome su usklađeni ekonomski, organizacioni, sociološki i drugi interesi.
Ova jedinstvena ljudska akcija, određena planom i izražena upravljanjem,
obezbeđuje kontinuitet funkcionisanja sistema, tj. obezbeđuje progres.
Na upravljanje i razvoj većine ekonomskih sistema utiču odluke koje sadrže
elemente neizvesnosti. Kod ovih sistema svaki događaj menja verovatnoću
sledećih događaja, što znači da se radi o sistemima sa izrazito stohastičkim
ponašanjem.
Osnovni cilj svakog upravljanja je održavanje sistema što je moguće bliže stanju
optimalnosti, kao opštoj težnji društva da racionalno, efikasno i efektivno
rukovodi svojim razvojem.
Optimalni ekonomski sistem podrazumeva racionalno korišćenje svih
raspoloživih resursa, uz najveću efektivnost njihove proizvodne upotrebe, tj.
postizanje maksimalnih proizvodnih rezultata sa najmanjim ulaganjima.
Da bi se sistemom moglo upravljati mora da postoji cilj koji treba postići
upravljanjem, a koji je jasno određen izvesnom strategijom.
Pod strategijom se podrazumeva plan ponašanja sistema, uz uvažavanje raznih
situacija, okolnosti i ograničavajućih uslova.
Utvrđivanje cilja sastoji se iz određivanja optimalne strategije koja obezbeđuje
postizanje maksimuma željenog efekta. U tom pravcu je potrebno odrediti
kriterijum efektivnosti, koji, pored toga što uzima u obzir ocenu trenutnog stanja,
vodi računa i o budućem razvoju sistema.
Način ponašanja sistema, prelaz iz jednog stanja u drugo, može se matematički
zahvatiti i prikazati na taj način što se posmatrani odnosi i procesi prikazuju kao
stanja koja dolaze jedno za drugim u vremenu i kao operacije koje određeno
stanje prevode - transformišu u sledeća. Ovaj postupak matematičkog izučavanja
ponašanja sistema i procesa u njemu se naziva modeliranje.
Modeliranje je postupak zasnovan na konstrukciji modela koji služi kao sredstvo
za dobijanje saznanja o poznavanju određenog objekta ili sistema i analizu
strukture sistema i njegovog ponašanja.
Konstrukcija modela može se vršiti logički ili u obliku apstraktnih sistema
znakova, tj. primenom matematike.
Uopšteno rečeno, model je približna slika (predstava) stvarnosti, tj. nekog
stvarnog predmeta ili neke stvarne situacije. Razlikujemo: fizičke, likovne
(vizuelne) i apstraktne (simboličke), tj. logičko-matematičke modele.
Model u naučnoistraživačkom smislu je oblik predstavljanja izvesnih objekata,
pojava, događaja, sistema ili problema koji su predmet istraživanja, s ciljem da se
predvidi njihovo buduće stanje, ponašanje i razvoj.
Modeliranje se upotrebljava tamo gde je nemoguće (ili je vrlo teško) izvoditi
zaključke direktno iz originala. Model takvu mogućnost pruža tako što
reprezentuje sistem odnosno njegovu strukturu i ponašanje. Na modelu se
pojedini procesi mogu ubrzati, pa tako ispitati kako bi pojedine komponente
funkcionisale.
Ako model i original imaju izomorfnu strukturu, onda je reč o modelu strukture, a
ako imaju izomorfno ponašanje, onda je reč o modelu ponašanja.
Dva sistema su slična (izomorfna), ako su slične strukture i sličnog ponašanja.
Za istraživanje i izučavanje ekonomskih pojava, modeliranje ima poseban značaj,
jer se u oblasti ekonomije uglavnom ne mogu koristiti klasični metodi
eksperimentisanja. Kao model bira se takav sistem koji prikazuje ponašanje
približno analogno ponašanju realnog sistema.
Od posebnog značaja je upotreba matematičkih modela i kvantitativnih
(matematičko-statističkih) metoda u procesu odlučivanja, naročito u fazama
pripreme odluke. Smisao uvođenja matematike u proces pripreme i donošenja
odluke je da se, korišćenjem, relevantnih informacija i uvažavanjem postojanja i
stalnog menjanja faktora koji deluju na posmatrani sistem (učestvuju u
posmatranom procesu), smanji rizik u odlučivanju do te mere da se, odabirom
najpovoljnije alternative, mogu očekivati željeni rezultati sa velikim stepenom
izvesnosti.
3.2. STOHASTIČKE PROMENLJIVE
3.2.1. Pojam stohastičnosti i stohastičke promenljive
Napred je rečeno da je ekonomskim sistemima svojstveno stohastičko ponašanje i
da se u njima odvijaju procesi na koje utiču brojni promenljivi faktori. To su
sistemi koje karakterišu stohastičke funkcije vremena, prostora ili drugih
parametara u kojima se kretanje (razvoj) potčinjava zakonu verovatnoće. U njima
dolazi do izražaja promenljivost različite vrste od nepostojanosti ljudskog duha,
raznovrsnosti ukusa i htenja do promenljivosti tržišnih odnosa društveno-političke
situacije i drugih parametara.
Stohastičnost je termin (pojam) koji upotrebljavamo kada želimo da izrazimo
nešto što je ostvarljivo u funkciji verovatnoće.
Stohastička, aleatorna ili slučajna promenljiva je ona koja može uzimati vrednosti
samo sa određenom verovatnoćom. (Lat.: Aleator = Kockar)
Slučaj je događaj koji se pod datim uslovima u datom času, ne mora nužno desiti
(realizovati). Slučajni događaji se ravnaju prema zakonu velikih brojeva.
Za slučajnu promenljivu kažemo da je prekidna, diskretna ili diskontinuirana, ako
na slučaj može uzeti konačno mnogo vrednosti (Broj neispravnih proizvoda koje
mašina proizvede za 1 čas, Broj automobila koji prođe ulicom za 1 čas, i dr.).
Za slučajnu promenljivu kažemo da je neprekidna ili kontinuirana, ako može uzeti
bilo koju vrednost jednog intervala (a, b), tj. da se neprekidno raspoređuje duž
celog intervala (a, b) ili celog skupa realnih brojeva tj. intervala (- ∞, +∞). To su
npr.: starost, težina i visina kod skupa ljudi; brzina kretanja vozila; vreme izrade
proizvoda; težina (masa) proizvoda i dr.
3.2.2. Zakon verovatnoće stohastičke promenljive
Verovatnoća da će diskretna aleatorna promenljiva X uzeti vrednosti i
x iznosi
ip , tj.
nipxXP ii ,...,2,1,)( ===
Dakle, diskretna aleatorna promenljiva X je ona koja na slučaj uzima vrednosti
niza nxxx ,..., 21 sa odgovarajućim verovatnoćama nppp ,..., 21 , pri čemu je .11
=∑=
n
i
ip
Skup parova vrednosti ( )ii px , pri čemu je .11
=∑=
n
i
ip , naziva se zakon rasporeda
(razdeobe) verovatnoće ili kraće zakon verovatnoće diskretne slučajne
promenljive X .
Zakon verovatnoće slučajne promenljive je ustvari, pravilo po kome svakoj
vrednosti promenljive pridružujemo odgovarajuću verovatnoću i na taj način
ukupnu verovatnoću, koja je jednaka jedinici, raspoređujemo na pojedine brojne
vrednosti slučajne promenljive.
Grafičko predstavljanje Zakona verovatnoće diskretne promenljive vrši se pomoću
histograma verovatnoća ili poligona verovatnoća.
Primer:
Ocene ( )ix 6 7 8 9 10
Verovatnoće pojavljivanja ( )ip 0,325 0,35 0,2 0,1 0,025
)(xP
0,4
0,3
0,2
0,1
6 7 8 9 10 x
Verovatnoće pojavljivanja su ustvari relativne frekvencije rF , dobijene ovako:
(fr)i =
∑=
n
i
i
i
f
f
1
, pri čemu je fi oznaka za apsolutnu frekvenciju.
Primer:
Ocene ( )ix 6 7 8 9 10 6-10
Broj studenata ( )if 26 28 16 8 2 80
Verov. (Rel. frekv.) ( ) iir pf = 0,325 0,35 0,2 0,1 0,025 1
Relativne i apsolutne frekvencije su pokazatelji učestalosti pojedinih vrednosti
obeležja u prošlosti kao stvarnosti, dakle, dobijeni kao rezultat stvarnog
dešavanja. Isti podaci, tj. relativne frekvencije mogu poslužiti za predviđanje
učestalosti pojavljivanja pojedinih vrednosti obeležja u budućnosti, pa se tretiraju
kao verovatnoće pojavljivanja vrednosti obeležja u budućnosti, pod
pretpostavkom da nisu u značajnijoj meri promenjeni faktori i uslovi koji utiču na
posmatranu pojavu, tj. obeležje.
- . - . - . -
U slučaju neprekidne aleatorne promenljive, verovatnoće pripadaju pojedinim
intervalima vrednosti slučajne promenljive. Verovatnoće za pojedine zadate
vrednosti i
x ravne su nuli, pa se govori o funkciji gustine verovatnoće )(xf .
Prema tome, verovatnoća da će se vrednost slučajne kontinuirane promenljive X
nalaziti u intervalu ( )dxxx +, iznosi dxxf ⋅)( , odnosno ( ) .)( dxxfdxxXxP ⋅=+<<
Funkcija )(xf je zakon verovatnoće neprekidne slučajne promenljive X , a naziva
se i funkcija gustine verovatnoće, kojom je određena verovatnoća koja pripada
svakom intervalu ( )dxxx +, .
Ako x varira u intervalu ),( ba i nema vrednosti izvan toga intervala, onda prema
zakonu verovatnoće mora biti:
( ) =<< bxaP ∫ =b
a
dxxf 1)( ,
a ako x varira u intervalu ( ),,∞∞− onda važi:
( ) =∞<<∞− xP ∫+∞
∞−
= 1)( dxxf
Grafički se gustina rasporeda verovatnoće predstavlja krivom verovatnoće.
Celokupna površina ispod krive iznosi 1.
Verovatnoća da će se vrednost neprekidne slučajne promenljive x nalaziti u
intervalu ),( βα jednaka je površini između krive i ose X , duž intervala ),( βα ,
određenog integralom ∫β
α
dxxf )( , pri čemu važi:
( ) =<<≤ βα xP0 ∫ ≤β
α
1)( dxxf
3.2.3. Funkcija rasporeda (distribucije) stohastičke promenljive
Funkcija rasporeda (distribucije) )(xF , slučajne promenljive X daje verovatnoću
da će vrednost promenljive X iznositi najviše x , tj.
( )xXPxF ≤=)( gde je )(xF neopadajuća funkcija po x .
- . - . -
Funkcija rasporeda diskretne slučajne promenljive X je:
( ) ( ) ( ) ( ) .)(1
2121 ∑=
=+++==++=+==≤=k
i
ikkk ppppxxPxxPxxPxxPxF KK
Ovo je u stvari zbirna verovatnoća, tako da vrednosti )(xF predstavljaju
kumulirane verovatnoće, pri čemu je: ).()( 1−−= iii xFxFp
Dijagram funkcije rasporeda prekidne promenljive je stepenastog oblika.
Primer:
Ocene ( )ix 6 7 8 9 10
Verovatnoće pojavljivanja
( )ip
0,325 0,35 0,2 0,1 0,025
Kumulirane verovatnoće 0,325 0,675 0,875 0,975 1,000
)( ixF
1,0 0,975 1,0
0,875
0,8
0,675
0,6
0,4
0,325 0,2
6 7 8 9 10 ix
- . - . -
Funkcija rasporeda neprekidne slučajne promenljive X , sa zakonom
verovatnoće )(xf , je: ( ) =≤= xxPxF )( ∫∞−
x
dxxf )( , pri čemu je: =−∞)(F 0, a
=∞)(F 1,
∫b
a
dxxf )( = )()( aFbF − .
Ako je )(xF u tački x neprekidna, onda je zakon verovatnoće )(xf jednak prvom
izvodu od )(xF , tj. =′= )()( xFxfdx
xdF )(.
3.2.4. Parametri rasporeda slučajne promenljive
Najvažniji parametri rasporeda slučajne promenljive su: očekivana vrednost
(matematička nada) i varijansa.
3.2.4.1. Očekivana vrednost slučajne promenljive
Očekivana vrednost prekidne slučajne varijable X je:
=)(xE ∑=
n
i
iri fx1
)( = ∑=
n
i
ii px1
= µ .
Aritmetičkoj sredini x =∑=
=n
i
iri fx1
)(
∑
∑
=
=
n
i
i
n
i
ii
f
fx
1
1
kod empirijskih distribucija (jer su irf )( u stvari empirijske ili a posteriori
verovatnoće) odgovara očekivana vrednost =)(xE µ kod rasporeda slučajnih
promenljivih.
Dakle, aritmetička sredina x je pokazatelj o srednjoj vrednosti obeležja u
prošlosti, kao nečem ostvarenom (na osnovu stvarnih frekvencija).
=µ )(xE je pokazatelj o očekivanoj vrednosti proseka, tj. o očekivanoj
(verovatnoj) srednjoj vrednosti, odnosno matematičkoj nadi da će toliko iznositi
srednja vrednost (na osnovu relativnih frekvencija, kao verovatnoća pojavljivanja).
Očekivana vrednost, Matematička nada ili Matematičko očekivanje diskretne
slučajne promenljive X se može objasniti i ovako:
Pretpostavimo da slučajna promenljiva X uzima vrednosti iz konačnog skupa
brojeva { },,, 21 nxxx K a iA označava događaj .,,2,1; nixX i K== Ako registrujemo
vrednosti slučajne promenljive X u N opita, onda je aritmetička sredina dobijenih
vrednosti:
nnnn x
N
mx
N
mx
N
m
N
xmxmxm⋅++⋅+⋅=
+++K
K
22
112211
Pri čemu je im oznaka za učestalost (frekvenciju) događaja iA ( )ni ,,2,1 K= u N
opita.
Sa uvećanjem broja opita, ova vrednost (aritmetička sredina) se grupiše oko
određenog broja koji nazivamo matematičko očekivanje slučajne promenljive X:
=)(xE ∑=
=n
i
ii APx1
)( ∑=
n
i
ii px1
,
N
mpAP i
ii ==)( je oznaka za verovatnoću realizacije događaja iA , tj. događaja da
će promenljiva X uzeti vrednost .ix
Očekivana vrednost neprekidne slučajne promenljive X je:
=µ =)(xE ∫+∞
∞−
dxxxf )( .
3.2.4.2. Varijansa slučajne promenljive
Varijansa ili centralni momenat drugog reda diskretne slučajne promenljive X je
očekivana vrednost promenljive ( )2µ−x , tj.
( )( )=−2
µxE ∑=
=⋅−n
i
ii px1
22)( σµ
i pokazuje prosek kvadrata odstupanja vrednosti slučajne promenljive od
očekivane vrednosti µ .
Očekivanoj vrednosti varijanse =2σ ( )( )2µ−xE u budućnosti kao verovatnoj
vrednosti odgovara varijansa:
2σ =
∑
∑
=
=
⋅−
n
i
i
n
i
ii
f
fxx
1
1
)(
kao pokazatelj o nečem što se desilo u prošlosti.
Varijansa neprekidne slučajne promenljive X je:
∫+∞
∞−
⋅−=−= dxxfxxE )()())(( 222 µµσ
- . - . -
Centralni momenat r-tog reda je:
( ) ri
n
i
r
i
r MpxxE =⋅−=− ∑=1
)()( µµ , za prekidnu slučajnu promenljivu X , a
( ) ∫+∞
∞−
−=− dxxfxxE rr )()()( µµ , za neprekidnu slučajnu promenljivu X .
- . - . -
Pošto iir pf →)( kada ∞→n , to se u praktičnoj primeni svaki parametar slučajne
promenljive može aproksimirati odgovarajućim parametrom dobijenim iz
empirijske distribucije frekvencija.
Rezime (u vezi sa Primerom)
1. Obavljen je ispit (npr. iz Matematike, u junskom roku) za 80 studenata (zbir
frekvencija). Ocene (promenljiva, obeležje): 6,7,8,9,10 (vrednosti promenljive) je
postiglo (ostvarilo): 26,28,16,8 i 2 studenta (frekvencija, učestalost), što u %
iznosi: 32,5%=0,325; 35%=0,35; 20%=0,2; 10%=0,1 i 2,5%=0,025 (relativne
frekvencije). Ostvarena je srednja ocena (aritmetička sredina):
x = =
∑
∑
=
=n
i
i
n
i
ii
f
fx
1
1
∑∑
=
=
=n
i
i
in
i
iriri
f
fffx
1
1
)(,)(
15,7=x
Ovde je ocena jedna deterministička promenljiva.
2. Na osnovu rezultata obavljenog ispita, u narednom odgovarajućem roku (jun),
za novu generaciju (sa približno istom strukturom završene srednje škole i uspeha
u njoj i uz nepromenjeni program predmeta koji se polaže) možemo očekivati da
će studenti (ne zna se koliko će ih pristupiti ispitu) ostvariti ocene 6,7,8,9 i 10
(vrednosti promenljive) sa verovatnoćama 0,325, 0,35, 0,2, 0,1 i 0,025; tj.
Očekuje se da će ocenu 6 ostvariti približno 32,5%; ocenu 7 približno 35%; ocenu
8 približno 20%; ocenu 9 približno 10% i ocenu 10 približno 2,5% studenata; te da
se može očekivati srednja (prosečna) ocena (očekivana vrednost) 7,15 koja se
računski dobije ovako:
=)(xE 15,7025,0101,092,0835,07325,061
=⋅+⋅+⋅+⋅+⋅=∑=
n
i
ii px
pri čemu su ip verovatnoće koje prate promenljivu X i njene vrednosti ix ,
dobijene empirijski iz relativnih frekvencija ( ).)( iri fp =
Ovde je ocena jedna stohastička promenljiva.
3.2.5. Dvodimenzionalna slučajna promenljiva
Ako je neka pojava okarakterisana sa dve ili više slučajnih promenljivih, onda se
radi o tzv. dvodimenzionalnoj odnosno višedimenzionalnoj slučajnoj promenljivoj.
Sistem od n aleatornih promenljivih (n-dimenzionalna slučajna promenljiva)
interpretira se kao skup slučajnih tačaka u n-dimenzionalnom prostoru.
Vrednosti dvodimenzionalne slučajne promenljive ( )yx, predstavljaju se tačkama
u ravni X Y� i ova "promenljiva", kao i jednodimenzionalna, može biti prekidna
(diskretna) i neprekidna (kontinuirana).
Prekidna dvodimenzionalna slučajna promenljiva ( , )X Y uzima konačan skup
parova vrednosti ( ) ( )mjniyx ji ,,2,1;,,2,1,, KK == , dok neprekidna promenljiva
ovih vrednosti ima neprebrojivo mnogo.
ijp je oznaka za verovatnoću da će diskretna aleatorna promenljiva X uzeti
vrednost ix , a istovremeno promenljiva Y uzeti vrednost jy , tj.
( ) ( ).,,2,1;,,2,1;, mjnipyYxXP ijji KK =====
Skup trojki ( )ijji pyx ,, je zakon verovatnoće prekidne dvodimenzionalne slučajne
promenljive ( , )X Y . To je u stvari zakon verovatnoće združene distribucije
promenljivih X i Y , pri čemu je: ∑∑= =
=n
i
m
j
ijp1 1
1 .
Zakon verovatnoće dvodimenzionalne neprekidne aleatorne promenljive ( , )X Y
je neprekidna funkcija ( )yxf , , za koju važi:
∫ ∫ =b
a
d
c
dxdyyxf 1),( ako je bxa << i ;dyc << odnosno:
∫ ∫+∞
∞−
+∞
∞−
= 1),( dxdyyxf , ako je ∞<<∞− x i ∞<<∞− y .
- . - . -
Razmatranja koja se odnose na dvodimenzionalnu slučajnu promenljivu, mogu se
uopštiti i upotrebiti na analizu višedimenzionalne slučajne promenljive.
3.3. POJAM I KARAKTERISTIKE STOHASTIČKIH PROCESA
Stanje sistema se menja iz časa u čas, u nekom sistemu značajnije, a u nekom
neznatno, tako da u malim vremenskim intervalima deluje kao da se sistem ne
menja. Međutim, sagledavanjem stanja sistema u dovoljno velikim razmacima
dobije se slika o promenama u ponašanju sistema i procesima u njemu.
Ako neki sistem S tokom vremena prelazi iz stanja u stanje pod uticajem slučajnih
faktora, tako da se ne može unapred decidno predvideti kako taj sistem menja
stanje, onda se kaže da se u sistemu S odvijaju slučajni (stohastički) procesi.
Neka je ( )X t slučajna promenljiva koja od parametra t (najčešće vreme) zavisi u
tom smislu da je za svaku vrednost parametra t definisana svojim zakonom
verovatnoće i neka zakon verovatnoće zavisi i od niza vrednosti ( )x t τ< koje je
slučajna promenljiva poprimila u tzv. prethodnim (ranijim) stanjima. ( )X t i
t T∈ sa prethodno navedenim svojstvima čine celinu koju nazivamo stohastički
proces, slučajni proces, stohastička funkcija ili slučajna (aleatorna) funkcija.
Primer 1.
Pratimo kretanje nekog autobusa na relaciji od mesta A do mesta B i merimo
brzinu kretanja po danima u istim "momentima" ili na istim tačkama puta.
Napomene:
1. Dani mogu biti npr. i svi ponedeljci, utorci, ... u jednoj sezoni. 2. Krive u dijagramu predstavljaju opite ili opservacije. 3. ( )
kX t je slučajna promenljiva sa skupom svojih vrednosti (vektor stanja):
{ },...)(,...,)(,)( 552211 kkkkkk xtXxtXxtX === , u trenutku k
t
Primer 2.
Pratimo veličinu tražnje za proizvodom P na više posmatranih (istraživanih) tržišta,
u određenom vremenskom periodu.
Veličina tražnje na 3. tržištu u trenutku tk
Napomene:
1. ( )k
X t je slučajna promenljiva (tražnja za proizvodom P u trenutku k
t , na 5.
posmatranih tržišta, sa skupom svojih vrednosti (tražnja, pojedinačno za svako od 5 tržišta u trenutku
kt ):
{ },)(,)(,)(,)(,)( 5544332211 kkkkkkkkkk xtXxtXxtXxtXxtX ===== u trenutku k
t .
2. Za 0t t= , biće:
{ } { }504030201005040302010 ,,,,),(),(),(),(),()( xxxxxtXtXtXtXtXtX == .
10 20 30 40 50, , , ,x x x x x su elementi vektora početnog stanja, tj. vektora x 0t .
3. ( )kX t je srednja vrednost slučajne promenljive ( )k
X t , pri čemu je:
X ( )k
t =∑=
⋅5
1
)(i
kii txp = ∑=
⋅5
1i
iki xp
Ako su sve verovatnoće međusobno jednake, onda je:
X ( )k
t = ∑=
5
1
)(5
1
i
ki tx = ∑=
⋅5
15
1
i
ikx
Za konkretan primer:
X ( )k
t je oznaka za prosek tražnje na svih pet tržišta, u trenutku k
t .
4. X ( )t je funkcija (kriva) koja prikazuje prosečno kretanje srednjih vrednosti
slučajnih promenljivih ( ) 1, 2,3, 4,5.i
X t i =
Rezime:
Ako fiksiramo vreme na k
t t= , tada se proces ( )X t svodi na aleatornu promenljivu
( )k
X t , pa ovaj slučaj predstavlja tzv. presek stohastičkog procesa ili presek
aleatorne funkcije.
Prema tome, trenucima 1 2, , , , ,k n
t t t tK K odgovara niz od n aleatornih promenljivih.
1( )X t , 2( )X t , ..., ( )k
X t , ..., ( )n
X t , a svaka od njih u posmatranom trenutku uzima
niz svojih vrednosti, i to:
{ } { },...,),...(),()( 211112111 xxtxtxtX ==
{ } { },...,),...(),()( 221222212 xxtxtxtX ==
{ } { },...,),...(),()( 2121 nnnnn xxtxtxtX ==
uz početno stanje u trenutku 0tt =
{ } { },...,),...(),()( 201002010 xxtxtxtX ==
- . -
Pod stohastičkim procesom (aleatornom funkcijom) podrazumevamo skup
slučajnih promenljivih X koje zavise od vremena t, tj. promenljivih
( )( ) 1, 2, ,jX t j n= K , pri čemu je svaka promenljiva okarakterisana skupom svojih
vrednosti ijj xtX =)( .
Dakle, stohastički proces je skup slučajnih promenljivih koje svoje vrednosti
ostvaruju u preseku opservacija procesa u određenom trenutku. Niz vrednosti
slučajne promenljive, u posmatranom trenutku, karakteriše stanje procesa u
tom trenutku.
- . -
Radi definisanja zakona rasporeda verovatnoće stohastičkog procesa, izabere
se n vremenskih trenutaka u jednom intervalu (0, t), pa se za svako ti dobija
aleatorna promenljiva )( jtX sa svojim zakonom verovatnoće. Prema tome,
zakon verovatnoće stohastičkog procesa je određen zakonom verovatnoće
stohastičkih promenljivih )( jtX , koji ga čine procesom ili koje ga generišu.
Posmatrajmo aleatornu promenljivu )( jtX u trenutku jt . Ova aleatorna
promenljiva ima svoj zakon verovatnoće ( , )j
f x t koji zavisi od jt . Funkcija
( , )j
f x t daje informaciju o stanju stohastičkog procesa u trenutku tj. Za
izabrana dva trenutka jt i
kt . imamo bolju informaciju, tj. dvodimenzionalni
zakon verovatnoće ( , ; , )j k
f x t x t . Odabirom većeg broja trenutaka dobijamo sve
bolju informaciju o procesu, a najpovoljniju ako izaberemo sve trenutke
; 1, 2, , ,i
t i n= K koje prati n-dimenzionalni zakon verovatnoće
1 2( , ; , ; ; , ).n
f x t x t x tK Teorijski je moguće broj trenutaka uvećavati u beskonačno,
a praktično se odabira konačan broj trenutaka.
- . -
Među značajne karakteristike stohastičkih procesa ubrajamo i Očekivanu vrednost (srednju vrednost), Varijansu, Korelacionu funkciju, Autokorelacionu funkciju, Korelacioni koeficijent i Autokorelacioni koeficijent.
Očekivana vrednost stohastičkog procesa ( )X t je:
( )( )E X t = ( ) ( )t X tµ =
( )X t je jedna nealeatorna funkcija realnog parametra t, koja je za fiksno k
t
jednaka broju ( )kX t , tj. srednjoj vrednosti aleatorne promenljive ( )k
X t , koja
nastaje u preseku stohastičkog procesa (vidi sliku) *
Dakle, ( ( ))E X t predstavlja srednju funkciju oko koje variraju realizacije
procesa, a mera odstupanja (disperzije) ( )X t od ( )X t dobije se preko varijanse
stohastičkog procesa:
( ) ( )( )2
2 ( )t E X t X tσ = − .
Varijansa stohastičkog procesa predstavlja srednje kvadratno odstupanje
stohastičkog procesa, odnosno opservacija stohastičkog procesa, od svoje
( )X t je srednja funkcija i pokazuje prosečno odvijanje stohastičkog procesa ( )x t , tj. prosečno kretanje.
( )kX t je srednja vrednost stohastičke promenljive ( )k
x t i predstavlja prosečno stanje stohastičkog procesa u trenutku
kt , tj. srednja vrednost preseka stohastičkog procesa u trenutku
kt .
srednje opservacije, odnosno srednje funkcije. Varijansa stohastičkog procesa
je, takođe, jedna nealeatorna funkcija parametra t.
( )X t i ( )2tσ su važne karakteristike, ali ne moraju biti dovoljne za proučavanje
i precizan opis stohastičkih procesa. Naime, može se desiti da dva stohastička
procesa ( )X t i ( )Y t imaju iste srednje vrednosti (funkcije) i varijanse, tj. da je
( )X t ( )Y t= i da je )(2txσ ( )2
y tσ= , a da je karakter ovih procesa ipak različit (vidi
slike)
U svrhu utvrđivanja različitog karaktera takvih i drugačijih procesa definišu se i
određuju Korelaciona funkcija i Autokorelaciona funkcija.
Korelacionu funkciju definišemo kao:
( ) ( ) ( )( )( ) ( ), ( ) ( ) - ( ) , ( ) - ( ) ,XYK t K X t Y t E X t X t Y t Y t= =
a pomoću nje ispitujemo stepen zavisnosti dve stohastičke funkcije (procesa) ( )X t
i ( )Y t .
Autokorelaciona funkcija stohastičkog procesa ( )X t pokazuje stepen zavisnosti
između dva preseka jt t= i
kt t= , stohastičkog procesa i definiše se kao:
),())()(()),()(((),),(())((),(()( kjXkkjjkjkjXX ttKtXtXtXtXEtttXKtXtXKtK =−−===
Ona, po definiciji, predstavlja korelacioni momenat odgovarajućih preseka
stohastičkog procesa ( )X t , za svaki par vrednosti: ,j k
t t T∈ , odnosno predstavlja
kovarijansu stohastičkih promenljivih ( )j
X t i ( )k
X t . Ako je j kt t= , onda
autokorelaciona funkcija postaje varijansa, kao specijalni slučaj autokorelacione
funkcije.*
Pomoću varijansi i pomoću korelacionih i autokorelacionih funkcija moguće je
odrediti srednju kvadratnu grešku (standardnu grešku - odstupanje) u slučaju
vremenskog pomaka (time lag), kao:
( )2
2 2 2 ( , ) ( ) - ( ) ( , ) 2 ( , ) ( , )j k j k XX j k XY j k YY j k
t t E X t Y t K t t K t t K t tσ = = − +
Dalje možemo odrediti korelacioni koeficijent dve aleatorne funkcije ( )X t i ( )Y t .
))(),(( tYtXr = )()(
)(
tt
tK
yx
XY
σσ ⋅
i autokorelacioni koeficijent aleatorne funkcije ( )X t u presecima jt t= i
kt t= :
),( kjX ttr =( , )
( ) ( )
X j k
X j X k
K t t
t tσ σ⋅
*
Reč je o varijansi stohastičke promenljive ( )j kX t t= , a ne o varijansi stohastičkog procesa, dakle reč je o broju a ne
o funkciji.
Stohastičke procese koji u toku vremena ne pokazuju značajnije promene
nazivamo stacionarnim stohastičkim procesima.
Karakteristike ovih procesa su:
(1) Zakon verovatnoće im ostaje nepromenjen, pri promeni vremenskog momenta
kt u momenat
kt τ+ .
Stohastički proces je strogo (striktno) stacionaran, ako su funkcije rasporeda
stohastičkih promenljivih za t i t τ+ identične, tj. ako važi:
))(),...,(),...,(),(())(),...,(),...,(),(( 2121 ττττ ++++= nknk tXtXtXtXFtXtXtXtXF
svako 0τ > i 1 2, , ..., , ..., .k n
t t t t T∈
(2) ( )X t = ( )( )E X t µ= je konstantna i nezavisna od vremena t.
( ) ( )( ) ( )2
2 2
X( ) konst. K ,X X j k jt E X t X t t t tσ σ τ= − = = = + ( )XK τ=
Posebnu vrstu stohastičkih procesa predstavljaju procesi ( )X t sa rastućom
stacionarnošću ili procesi homogeni u vremenu, koji imaju karakteristiku da su
razlike:
( ) - ( ) i ( ) ( ) k j k j
X t X t X t X tτ τ+ + − stohastičke promenljive istog rasporeda
verovatnoća.
Nestacionarne stohastičke procese karakteriše evolucija u toku vremena.
Ekonomske pojave i procese aproksimiramo stacionarnim stohastičkim procesima
i onim nestacionarnim koji postepeno prelaze na postojaniji režim.
Za stohastički proces ( )X t kažemo da je Ergodičan ili da poseduje ergodičnu
osobinu ako prosečne vrednosti koje se dobiju na osnovu jednog niza opservacija
(uzorka), u vremenu u kome se proces posmatra, mogu da se smatraju
aproksimacijama odgovarajućih prosečnih vrednosti procesa u celini. Tako se
prosečna (očekivana) vrednost ( )( )E X t stohastičkog procesa ( )X t izračunava kao
granična vrednost srednje vrednosti jednog niza (uzorka) opservacija,
dozvoljavajući da se T uvećava u beskonačno, tj.:
( )1
lim ( ) ( )T
Tt o
X t E X tT→∞
=
=
∑
Procesi sa diskretnim skupom T, tj. procesi sa diskretnim prostorima stanja,
nazivaju se lanci.
Ako je ( )X t za fiksno t slučajna diskretna promenljiva, onda je reč o diskretnom
stohastičkom procesu. U protivnom se radi o neprekidnom stohastičkom
procesu.
Prilog 1
Zakon velikih brojeva
Spoznaja o delovanju ovoga zakona omogućava uočavanje pravilnosti i zakonitosti
u nastupanju posmatranog događaja. Karakteristika delovanja zakona velikih
brojeva je u posmatranju nastupanja događaja u velikom broju slučajeva, jer se
samo u masi ispoljavaju pravilnosti i zakonitosti. Nastupanje događaja
pojedinačno i u malom broju predstavlja slučaj, a nastupanje istog događaja u
masi se ispoljava kao zakonitost. Tako npr. ako u posmatranoj godini od
konkretne grupe ljudi od 8 lica iste starosti umre šestoro (75%), ne treba izvući
zaključak da je verovatnoća smrti za ljude posmatrane starosti 75%. Međutim,
posmatranje grupe od npr. 80.000 ljudi iste starosti može rezultirati u formiranju
verovatnoće smrti lica posmatrane starosti.
Delovanje Zakona velikih brojeva najbolje ilustruju primeri iz eksperimenata koji
su vršeni u svrhu proučavanja vezanih za ovaj zakon.
1. primer:
Vršeni su eksperimenti bacanja novčića i praćena pojava grba na gornjoj strani, pri svakom bacanju. Rezultate eksperimenata prikazuje sledeća tabela:
Istraživač Broj bacanja Pojava grba
(Događaj A)
Relativna učestalost
W(A)
Bifon 4040 2048 0,50693=50,693%
K. Pirson 12000 6019 0,50158=50,158%
K. Pirson 24000 12012 0,5005=50,05%
2. primer
Prati se pojava broja 1 na gornjoj površini pri bacanju numerisane kocke
(brojevima 1 do 6). Rezultate prikazuje sledeća tabela:
Broj bacanja Broj pojav. 1 (Događaj B) Relativna učestalost
W(B)
50 5 0,1=10%
100 13 0,13=13%
500 88 0,176=17,6%
1000 159 0,159=15,9%
5000 822 0,1644=16,44%
Primetimo da broj pojavljivanja grba teži ka %502
1= , a pojavljivanje broja 1 teži ka
%67,1616,06
1≈=
Prilog 2
Račun verovatnoće
Razlikujemo pojam klasične definicije verovatnoće od pojma empirijske (a posteriori) definicije verovatnoće. Vršimo neki eksperiment E. Među ishodima eksperimenta javljaju se događaji A, B, C,.... Neka je n oznaka za broj svih jednako mogućih ishoda eksperimenta E, a m oznaka za broj ishoda eksperimenta E koji dovode do realizacije (nastupanja) događaja A (tzv. broj povoljnih ishoda za nastupanje događaja A). Klasična definicija verovatnoće: Verovatnoća realizacije (nastupanja) događaja A, u oznaci P(A), je odnos broja povoljnih mogućnosti za nastupanje događaja A i svih jednako mogućih ishoda nekog eksperimenta E, tj.
( )m
P An
=
S obzirom na veličine i odnos brojeva m i n mogući su ovi slučajevi:
(1) m n= , onda je ( ) 1P A = , pa je tada reč o tzv. sigurnom događaju.
(2) 0m = , onda je ( ) 0P A = , pa je reč o tzv. nemogućem događaju.
(3) 0 m n< < , tj. 0 1m
n< < , odnosno 0< ( ) 1P A < , pa je tada reč o tzv. slučajnom ili
verovatnom događaju.
Nejednakost 0 ( ) 1P A≤ ≤ obuhvata sva tri slučaja.
( )m
P An
= je matematičko očekivanje nastupanje događaja A u budućnosti.
Za razliku od pojma klasične definicije verovatnoće, koja podrazumeva
izračunavanje verovatnoće pre eksperimenta i nezavisno od toga da li će se
eksperiment vršiti, a posteriori (empirijska) verovatnoća ili relativna učestalost
događaja A, u oznaci ( )W A , se izračunava posle eksperimenta i odnos je broja
ishoda u eksperimentu u kojima se realizovao (nastupio) događaj A i broja svih
ishoda (ukupno izvršenih pokušaja), tj. ( )m
W An
=
Primećujemo da pri velikom broju pokušaja bude ( )W A ≈ ( )P A , tj. ako n → ∞ , onda
( )W A → ( )P A . U primerima koje smo iskoristili za objašnjenje zakona velikih
brojeva:
( )W A → ( )P A1
0,52
= =
( )W B → ( )P B1
0,166
= = &
Ako je ( )P A verovatnoća da će se realizovati događaj A, onda je ( )CP A
verovatnoća realizacije suprotnog događaja, tj. verovatnoća da se neće realizovati
događaj A, pri čemu je ( ) 1 ( )CP A P A= − .
Prilog 3.
Statistički rasporedi (distribucije)
Prikupljeni statistički podaci, grupisani u obliku numeričkih serija, nazivaju se
empirijski rasporedi frekvencija ili kraće empirijski rasporedi.
Empirijske distribucije (rasporedi) se nikada ne poklapaju u potpunosti sa
Teorijskim rasporedima, ali im se mogu manje ili više približiti, pa se empirijskim
rasporedima mogu aproksimirati odgovarajući teorijski modeli rasporeda.
Teorijski raspored (teorijska razdeoba) pokazuje očekivane (verovatne)
frekvencije nastupanja pojedinih vrednosti obeležja tj. vrednosti slučajne
promenljive).
Empirijski raspored frekvencija pokazuje strukturu masovnih (varijabilnih) pojava
kao stvarnost (kao realizovanu mogućnost).
Teorijske razdeobe mogu biti prekidne i neprekidne.
U statističkoj praksi se najčešće koriste sledeći modeli teorijskih rasporeda:
- diskretni: Binomni, Poisonov (Poisson), Hipergeometrijski.
- neprekidni: Normalni, t-raspored (ili studentov raspored), Snedekorov
(Snedecor) F-raspored i χ2 -raspored (Hi kvadrat raspored).
Za modeliranje stohastičkih ekonomskih sistema i procesa su posebno značajni
modeli diskretnih rasporeda, a naročito Poisonov.
Poisonov raspored je specijalni slučaj binomnog rasporeda.
BINOMNI RASPORED
Ako neprekidna slučajna promenljiva X na slučaj uzima konačan broj uzastopnih
celih vrednosti 0,1,2,..., n i ako između tih vrednosti i odgovarajućih verovatnoća
postoji veza:
( ) ,x n x
nP X p q
x
− = ⋅
p je oznaka za verovatnoću nastupanja događaja, a q oznaka za suprotnu
verovatnoću, tj. verovatnoću nenastupanja događaja, pri čemu je
=1 1,q p p q− ⇔ + = onda se za ( )P X kaže da je binomna verovatnoća, a za
raspored po kome se ova verovatnoća pridružuje (raspoređuje) vrednostima
promenljive, da je binomni raspored.
Za Binomni raspored je važna pretpostavka nezavisnost nastupanja događaja, tj.
konstantnost u veličini p (izvučena - realizovana jedinica se vraća i ima izgleda
(šansu) da bude ponovo "izvučena").
Binomni raspored je određen parametrima n i p, tj. važi ( ),B n p . Pošto je
0,1, 2, ,x n= K to relacija ( )P X sadrži u sebi n+1 verovatnoću, čiji zbir daje 1, tj.
∑=
=n
ox
xP 1)( .
Prema tome, kažemo da skup svih parova ( )( ), ( ) 0,1,2, ,x P x x n= K čini binomni
raspored, tj. da slučajna promenljiva X sa zakonom verovatnoće
, x n xn
x p qx
−
⋅
ima binomni raspored.
Očekivana vrednost binomne raspodele je:
∑=
− =
⋅==
n
ox
xnxnpqp
x
nxxE )()(µ
(Vidi: Dodatak 1.)
Varijansa binomnog rasporeda je:
npqqpx
nnpx
xnxn
ox
=⋅⋅
⋅−= −
=
∑ ))((22σ
U slučaju p q≠ , Binomni raspored je asimetričan, a u slučaju 1
2p q= = je
simetričan i tada važi:
1( ) = 2
2
x n x x x n
n
n n n n nP X p q p q
x x x x x
− = ⋅ ⋅ = ⋅ = =
( )1
2 2
nE x n= =
2 1
4 4
nnσ = =
POISSONOV RASPORED
Kada u Binomnom rasporedu p→0 i n→∞, pri čemu np ostaje konačan broj,
Binomni raspored teži ka Poissonovom, za koji važi:
( )P X = mx
xnx
ne
x
mqp
x
n −−
∞→⋅=
!lim ,
0m np= > .
m je parametar Poissonovog rasporeda
Poissonov raspored je specijalni slučaj Binomnog rasporeda, za slučaj da je
verovatnoća nastupanja događaja vrlo mala (p→0), dok je broj opita
(eksperimenata) teorijski beskonačan (n→∞), a praktično vrlo velik. U praksi se
koristi kada je n>50, a p vrlo malo. Za primer može poslužiti kontrola kvaliteta
robe u velikoj količini, u kojoj je verovatnoća, da se pronađe neispravan proizvod,
vrlo mala.
Zakon verovatnoće Poissonovog rasporeda slučajne promenljive X je:
))(,()!
,( xPxex
mx
mx
=⋅ − ,
pri čemu je ∑∞
=
=ox
xP 1)(
Očekivana vrednost Poissonovog rasporeda je:
mnpxE === )(µ
Varijansa Poissonovog rasporeda je:
nppnpnpq =−== )1(2σ , zbog ,110 →−⇒→ pp tj.
µσ === mnp2
Rekurentni obrazac za izračunavanje verovatnoća po Poissonovom rasporedu
( 1)P x + = ⋅+1x
m( )P X
Prvo se izračuna:
(0)P = mmo
eem −− =⋅
!0,
zatim dalje:
Dodaci uz Prilog 3.
Dodatak 1.
1. način
∑=i
ii xpxE )(
Za n = 0, biće:
ooqpo
oxE
oo =⋅⋅⋅
== )(µ
x
( )P X
Za n = 1, biće:
pqpoqpo
xEoo
111
11)( =⋅⋅⋅
+⋅⋅⋅
==µ
1
x 2
x
1
( )P x 2
( )P x
Za n=2, biće:
ppqpppqqpqpoqpo
xEoo
2)(222022
21
1
22)(
222 =+=++=⋅⋅⋅
=⋅⋅⋅
+⋅⋅⋅
==µ ,
Za n=3, biće:
pqppppqqp
pqppqqpqpqpoqpo
xEoo
3)(3)2(3
363033
32
2
31
1
33)(
222
3223223
=+=++=
=+++=⋅⋅⋅
+⋅⋅⋅
=⋅⋅⋅
+⋅⋅⋅
==µ
...
Za n = n , biće:
∑=
− =⋅
⋅==
n
ox
xnxnpqp
x
nxxE )()(µ , jer je ∑
=
− ==+=⋅
n
ox
nnxnxqpqp
x
n11)()
( )P X
2. način:
*) 1,1
1
1
))!1()1(()!1(
)!1(()
)!()!1(
)!1(()
)!(!
!()()(
1
11)1(11
)1(11
1
1
1 1
−=⋅⋅
−⋅=⋅⋅
−
−⋅=
=⋅⋅−−−⋅−
−⋅=⋅⋅⋅
⋅−⋅−⋅
−⋅⋅=⋅⋅
−⋅=⋅
⋅==
∑ ∑
∑
∑ ∑ ∑
=
−
=
−−−−−−
−−−−
=
−−
= = =
−−
xsqps
nnpqp
x
nnp
qpxnx
nnpqpp
xnxx
nnxqp
xnx
nxqp
x
nxxE
n
x
n
os
snsxnx
xnxn
x
xnx
n
ox
n
x
n
x
xnxxnxµ
npnpqpnp nn =⋅=+⋅= −− 11 1)(µ
-------------------------------------------------------------------------------------------------------------
∑=
n
ox
je zamenjen sa ∑=
n
x 1
zbog toga što je prvi član uvek jednak nuli
Dodatak 2.
2σ = ∑=
⋅−n
ox
xPxEx ))())((( 2
2σ = ))((2∑
=
−
⋅−
n
ox
xnxqp
x
nnpx
Za n=0, biće:
2σ = oqpo
ooo
oo =⋅⋅
⋅− 2
)(
Za n=1, biće:
2σ = pqqppqpqqpqppqpo
pooo =+=⋅+=⋅⋅
⋅⋅−+⋅
⋅⋅− )(
1
1)11(
1)1(
221212
za n=2, biće:
2σ =
pqqppqpqqp
qppqpqqpqppqqpqp
qpqppqqppqpqpqqp
qppqppqpo
pooo
2)(222
)(2)(22222
24284)(24
2
2)22(
1
2)21(
2)2(
22
22332222
32232222222
2211222
=+=+=
=+++=+++=
=+−+=⋅⋅+−+
⋅⋅
⋅−+⋅⋅
⋅⋅−+⋅
⋅⋅−
...
Za n=n, biće
2σ = npqqpx
nnpx
n
ox
xnx =⋅
⋅−∑
=
−))((
2
Dodatak 3.
1. način
=−⋅⋅
=
=
−
−⋅⋅
+−⋅⋅−⋅−⋅=
∞→
∞→
−
∞→
!
)1(lim
)1(
)1(
!
)1(...)2()1(limlim
x
ppn
p
pp
x
xnnnnqp
x
n
nxx
n
x
nx
n
xnx
n
(zbog n - 1 → n, n - 2 → n,... i 1 - p →p)
,!!
)())
/1
11((
!
)(lim /1 m
xnp
xnpp
x
ne
x
me
x
np
px
np −−
∞→⋅=⋅=−= npm =
2. način
=⋅−=
=−⋅−⋅⋅−
−⋅⋅−−⋅=
=−⋅⋅+−⋅⋅−−
−⋅+−⋅⋅−−
=
∞→
−
∞→
−
∞→
−
∞→
−
∞→
1)1(!
lim
))1()1(!
)1
1(...)2
1)(1
1(1(lim
)1(!
)(
!
)1(...)2)(1(lim
0)1(!
)1(...)2)(1(limlim
nx
n
xnx
n
xnx
n
xnx
n
xnx
n
n
m
x
m
ppx
m
n
x
nn
px
np
x
xnnnn
pPx
xnnnnqp
x
n
=⇒=→
n
m p m np i 1 p - 1 zbog
mx
mmnx
ne
x
m
mnx
m −
∞→⋅=−⋅=
!))
/
11((
!lim
/