, . .',.

'Vj~)ROV ATNOCA I

ST ArFI,S!fIKA U HIDROLOGIJI

Dr Husno Hrelja

profesor Gradevinskog fakulteta u Sarajevu

GRADEVINSKI F AKULTET UNIVERZITETA U SARAJEVU Sarajevo, 2000.

Dr Husno Hrelja

Vjerovatnoca i statistika u hidroiogi,ji

Recenzenti:

Dr sc. Ognjen Bonacci Dr sc. Dusan Trninic Mr sc. Branko Vucijak

lzdavac:

Gradevinski fakultet Univerziteta 1I Sarajevu

Naslovna strana:

Autor

Stampa:

SZR "Birograf" Sarajevo

Kornpjuterska obrada teksta i crteza:

J ozo Stefan] uk, grad. i nz ..

Tiraz:

300 prirnjeraka

HREL.JA, Husno

Vjerovatnoca i statistika u hidrologiji II-jusl1o Hrelja. Sarajevo: Gradevinski faku ltet Univcrziteta, 2000. - X, 299 str. : graf. prikazi ;25cm

CIP - Katalogizacija u publikaciji Nacionalna i univerzitetska biblioteka Bosne i Herccgovine, Sarajevo

519.2:556] (075.8) 556:519.2) (075.8)

Bibliografija: str. 277-279

ISBN 9958-9641-2-0

COBISS/BiH-ID 8121350

Odobreno za stampu odlukorn Nastavno-naucnog vijeca Gradevinskog fakulteta Univerziteta u Sarajevu, broj 02-01-592-5/00 od 17.07.2000. godine.

<i(llho!iko se zak~Jll/malemalile pnin/enj1t/u s/oarnos/ onr n/s« si.'lllI'lU;· a ak~) SlI Si.'lUL'llf; se ne m0.'lu pnin/eniHna s/oarnost. "

(urns/e;

1ZVOD 1Z RECENZIJE

.... Mogu s/obodno reel daja do sada nisam naisao na ovako visoku matematicku razinu objasnjavanja i primjene vjerojainosti i statistike u hidrologiji. U toj cinjenici leii i najveca vrijednost ove /ayige uz napomenu da takav pristup moze stvoriti probleme ciiaocima cije znanje matematike ne dosize odredeni nivo. Gradivo u knjizi cjelovito pokriva nastavni program te daje cje/ovitipregled kako teorije vjerojatnosti i statistike tako i njihove primjene u inzenjerskoj hidroloskoj praksi. Knjiga ce moci posluziti ne samo studentima dodiplomcima koji ce na osnovi nje duboko uti u teorijske i prakiicne aspekte problematike, vec i inzenjerima prakticarima ali i studentima postdiplomantima koji tijekom skolovanja i prakse zasigurno nisu imali prilike da svoja znanja steknu iz ovako temeljno formiranog udzbenika .

... Na osnovi svega navedenog prihvacam u cjelosti ovu knjigu te smatram da ce ona odigrati vrlo pozitivnu ulogu ne samo kao sveucilisni udibenik vec kao knjiga koja ce utjecati na povezivanje teorije vjerovatnoce i statistike s iniinjerskom hidroloskom praksom.

Prof.dr sc. Ognjen Bonacci

... Razmatrana knjiga je djelo koje cjelovito i sistematicno pokriva nastavnu materiju iz predmeta Hidrologija na gradevinskim fakultetima. Knjigaje pisano moderno i razumljivo. U njojje uravnoteien teoretski dio sa mnogobrojnim zadacima koji .I'U izradeni sa stvarnim podacima iz podrucja hidrologije i meteorologije .

... Ovo djelo ispunjava zahtjeve znanstveno-nastavne literature za naveden! predmet. Na osnovi svega iznesenog djelo ocjenjujem izuzetnim, te ovaj rukopis preporucujem za objavljivanje kao knjigu-udibenik za predmet Hidrologija na gradevinskimfakultetima.

Dr. SC. Dusan Trninic

lako je knjiga namjenjena prvenstveno studentima dodiplomskih studija gradevinskih fakulteta ito hidrotehnickog smjera, mora se istaci da ona ima dovoljnu matematicku razinu poopcenosti, narocito u prvim poglavljima, te daje ona stoga od visoke vrijednosti i za .I've druge studente cijt nastavni plan sadrii elemente statistike i vjerovatnoce, kao i studentima

postdiplomskih studija hidrotehnickog usmjerenja, odnosno inienjerim« \',' ;; .

susrecu sa hidroloskim problemima. Knjiga vanredno detaljno prikazuje najvaznije statisticke metode, koje su ujedno i rcdovito pracene prakticnim primjerima, sto omogucava cak i korisniku sa niiom razinom predznanja iz matematike da shvati i primjeni obradenu problem atiku. lako je knjiga prevenstveno koncipirana kao udzbenik, a koju ulogu posve ispunjava svojom odlicno razradenom gradom i veoma dobrim primjerima koji prate teoretske osnove, ona svakako prevazilazi okvire obicnog udzbenika i predstavlja znacajan iskorak k svezi prirodnih i tehnickih nauka, tj. osnova Cislo matematske teorije vjerovatnoce i statistike sa inzenjerskom hidrologijom u svijetu koji sve tesce inzistira na multidisciplinarnom pristupu bilo kojoj problematici, ova se vrijednost svakako mora posebno naglasiti.

Mr. sc. Brano Vucijak

SADRZAJ

PllEDGOVOIl IX

1. UVOD 1

1.1. TEORIJA V.lEROVATNOCE :

1.2. MATEMATSKA STATJSTIKA L

2. SLUCAJNE POJA VE I NJUIOVE RASPODJELE :

SLUCA.lNI DOGADAJI (

2.2. VJEROVA'rNOCA ~

2.3. SLUCAJNE PROMJENLJIVE lL

2.4. RASPODJELE SLUCAJNIH PROMJENLJIVIH I (

2.4.1. Diskretna slucajna promjenljiva J (

2.4.2. Kontinualna slucajna promjenlj iva 21

2.4.3. Visedimenzionalne slucajne promjenljive 2:

2.S. POVRATNI PERIOD 3:

2.6. POPULACIJA I UZORAK 3:

3. NUMERICKE KARAKTERISTIKE

SLUCAJNE PROMJENLJIVE 3~

3.1. SREDNJE VRIJEDNOSTI L1'

3.2. POKAZATEUI DISPERZLJE S(

.J.~. STATISTICKI MOMENT!l POKAZATEUI

DISPERZIJE Vi;EG I:{ElJA ," S'

4. EMPIRIJSKE RASPODJELE SLUCAJNIH

PROMJENLJIVIH , 6:

4.1. KRIVE UCESTALOSTlJ KUMULATIVNE

UCESTALOSTI SLUCAJNE PROMJENUIVE 6:

4.2. LINI.lA TRAJAN.lA I L1NIJA UCESTALOSTI... 7(

4.3. EMPIRI.lSKA FUNKCIJA RASPODJELE V.lEROVATNOCE 7(

4.4. PARAMETRI EMPIRIJSKIH RASPODJELA 8

4.4.1. Empirijski statisticki momenti 8:

VJEROVATNOCA f STATfSTIKA U HfDROLOGfJI

SADRZAJ

4.4.2. Parametri centralne tendencije 85

4.4.3. Pararnetri disperzije 86

4.4.4. Parametri asimetrije 88

5. TEORIJSKE FUNKCIJE RASPODJELE

VJEROV ATNOCE 89

5.1. OCJENA PARAMETARA TEORIJSKIH

FUNKCIJA RASPODJELE. 92

5.1.1. Metoda mornenata 92

5.1.2. Metoda najvece vjerodostojnosti 93

5.1.3. Metoda najrnanj ih kvadrata 93

5.1.4. Graficka metoda 94

5.2. FUNKCIJE RASPODJELE ZA DISKRETNU

SLUCAJNU PROMJENLJIVU 95

5.2.1. Binomna funkcija raspodjele 95

5.2.2. Geometrijska funkcija raspodjele 100

5.2.3. Poasonova funkcija raspodjele ,.' 103

5.3. FUNKCIJE RASPODJELE ZA KONTINUALNU

SLUCAJNU PROMJENLJIVU 106

5.3.1. Gausova iii Norrnalna funkcija raspodjele vjerovatnoce 106

5.3.2. Analiza vjerovatnoce pornocu faktora frekvencije 123

5.3.3. Predstavljanje funkcija raspodjele na dijagramu vjerovatnoce 124

5.3.4. Log - normalna funkcija rspodjele vjerovatnoce 129

5.3 .5. Gama funkcije raspodjele vjerovatnoce 140

5.3.6. Dvostruka funkcija eksponencijalne raspodjele

najvecih vrijednosti 156

6. TEORIJA STATISTICKOG OCJENJIVANJA

NA OSNOVUUZORKA 167

6.1. RASPODJELA ARITMETICKIH SREDINA UZORKA 168

6.2. RASPODJELA V ARllANSI UZORKA 171

6.3. STATISTICKE PROCJENE PARAMETARA l72

6.4. INTERVALI POVJERENJA PARAMETARA

OSNOVNOG SK.UPA J 73

6.4.1. Interval povjerenja aritmeticke sredine

osnovnog skupa sa poznatom varijansom 175

6.4.2. Interval povjerenja aritmeticke sredine

osnovnog skupa sa nepoznatom varijansom 178

6.4.3. Interval povjerenja varijanse osnovnog skupa 180

vi V,JEROVATNOCA I STATISTIKA U HIDROLOGfJ!

6.5. INTERVAL POVJERENJA ZA FUNKCIJU

RASPODJELE VJEROV ATNOCE 18

7. TESTlRANJE STATISTICKIH HIPOTEZA

I DOBROTE PRILAGODA V ANJA , 19

7.1. GENERALNE POSTAVKE 19

7.2. TESTlRAN.JE SAGLASNOSTI EMPIRIJSKIH I

TEORUSKIH FUNKClJA RASPODJELE VJEROV ATNOCE 20

7.2.1. HI kvadrat test 20

7.2.2.' Kolmqgorov - Smimovljev test 20

8. KOH.ELACIJA I REGH.ESI.JA 21

8.1. STOJ-IASTICKA POVEZANOS·r 21

8.2. DEFINICIJE KORELACLJE I REGRESIJE 21

8.3. LINEARNA REGRESIJA DVODIMENZIONALNE

SLUCAJNE PROMJENLJIVE 21

8.4. LlNEARNA KORELACIJA DVODIMENZIONALNE

SLUCAJNE PROMJENLJIVE 23

8.5. V ARlJACJJE OKO REGRESIONE LINIJE 24

8.6. INTERVAU POVJERENJA ZA ORDINATU

REGRESIONE LINIJE 24

8.7. SIGNIFIKANTNOST KOEFIClJENTA

LlNEARNE KORELAClJE 24

8.8. NELlNEARNA KORELAClJA I REGRESIJA 25

8.8.1. Indeks krivo!inijske korelacije 25

8.8.2. Transformacije u cilju linearizovanja

krivolinijskih zavisnosti 25

8.8.3. Razvijanje funkcije u red 25

8.9. VISESTRUKA L1NEARNA KORELACIJA J REGRESIJA 26

8.9.1. Odredivanje koeficijenta korclacije za

linearnu visestruku regresiju 26

LITEH.A TUn.A 27

STATISTICKE TABELE .. , 28

INDEX 29

V.JEROVATNOC/1 J STATISTIKA U HlDROLOGJ.J!

PREDGOVOR

Neizvjesnost je uvijek jedan elernenat u procesu vodoprivrednih pa i vecine drugih planiranja. Ona se javlja zato sto vrijednosti niza faktora koji uticu na perfonnanse vodoprivrednih sistema ne mogu biti poznate sa sigurnoscu u trenutku kada se taj sistem planira i gradi. Moze se reci, na primarna pitanja vodoprivrede odgovor je samo moguc iz sredenog saznanja 0 vodama i uz uvid u moguce, vjerovatne razvoje vodoprivrednih procesa. To je i osnovni razlog sto su vjerovatnoca i statistika postale neizbjezan aparat u rukama svih inzenjera, pa medu njirna i inzenjera koj i se bave projektovanjem, izgradnjorn i upravljanjem vodoprivrednim sisternima.

Prikaz baznih principa primjene teorije vjerovatnoce i maternatske statistike i njihovih mogucnosti pri rjesavanju razlicitih problernau hidrologiji, odnosno sire gledano u planiranju i projektovanju vodoprivrednih sistema, je namjera autora ove knjige. Tako koncipirana knjiga rnogla.bi biti od koristi da kao uvod 1I tu materiju, olaksa daljnje stud iranje u tim oblastima, odnosno izucavanje mnogih drugih primjena tih nauka u hidrologiji.

Gradivo II knjizi razvrstano je i upotpunjeno tako da citalac dobije zaokruzenu cjelinu iz teorije vjerovatnoce i matematske statistike. Citalac ove knj ige ce vjerovatno irnati poteskoca da odredi sta spada 1I teoriju vjerovatnoce a sta 1I matematsku statisiiku, sto je i razurnljivo jer mnogi pojmovi matematske statistike spadaju i u teoriju vjerovatnoce, ali i obrnuto.

Knjiga je nastala kao rezultat dugogodisnjeg rjesavanja raznovrsnih hidroloskih zadataka u okviru vodoprivredne struke u sklopu kojih je primjena matematske statistike i teorije vjerovatnoce neizbjezna i iz predavanja koja sam drzao duzi niz godina na Gradevinskom fakultetu Univerziteta u Sarajevu. Ta su predavanja 1I mnogome inspirirala ovu knjigu; upravo u kontaktu sa studentirna najbolje je doslo do izrazaja gdje je potreban drugaciji pristup da se postigne sto bolje razumjevanje.

Knjiga nije napisana 1I onom smislu kako je to slucaj sa knjigama iz ove oblasti za maternaticare, ona se zadrzala na nivou uvodnog i elementarnog udzbenika, jer je I ona namjenjena u prvom redu studentima hidrotehnickog usmjerenja Gradevinskog fakulteta gdje je U okviru predmeta Hidrologija, znacajan fond cas ova posvecen upravo primjeni metoda rnatematske statistike i teorije vjerovatnoce, Nadalje, u ovoj

se knj izi obraduje elemeutarna matamatska statistika i teorija vjerovatnoce, koje bezuslovno zahtijevaju i elementarni pristup. Odredeni pojmovi su, medutirn, definisani, dati su matematski izrazi, objasnjeni su postupci i prikazana njihova

VJEROVATNOCA I STAT/STIKA U HIDROLOGf.Jf

ix

prrmjena u Hidrologiji sa primjerirna. Izbor terna teorije vjerovatnoce i matematske statistike koje Stl prikazane u knj izi prvenstveno je baziran na iskustvu i ocjeni autora, te dobrirn dijelorn slijedi organizaciju knjige "Prirnjena metoda matematicke statistike u hidrologiji" autora S . Jovanovica 1201.

Zbog zelje autora da knjiga predstavljajednu relativno zaokruzenu cjelinu, obim vecine poglavlja prevazilazi fond casova koji je rezervisan za OVll oblast predrneta Hidrologija. Medutim, obimnija knjiga ne moze predstavljati problem za stuclente. Naprotiv, ona moze pomoci onirna koj i zele cia prodube znanja iz ove oblasti iIi rade diplornske radove iz predmeta Hidrologija. Nadalje, ona studentima moze korisno posluziti cia po diplorniranju unaprijede rnetode hidrolosk ih proracuna u praksi, odnosno cia je 1110gu koristiti i gradevinski inzenjeri u hidrotehnickoj praksi koji nemaju sire hidrolosko obrazovanje au prilici su da rjesavaju i neke od hidroloskih problema.

Zamisljena je tako da citaoca uvede II osnovne clemente koje ove oblasti izucavaju i odgovarajuce teoretske pod loge, kako bi se pokazalo kako se teorija modifikuje U odgovarajucu prakticnu primjenu. Iz tog razloga knjiga obuhvata prirnjere rjesavanja znacajnog broja prakticnih hidroloskih problema i to mozda detaljnije nego je to uobicaieno II knjigama ove namjene. Postupci rjesavanja zadataka i procedure proracuna su detaljnije obrazlozene, sto se strucnjacima koji su duze II koutaktu sa tretiranorn materijom moze uciniti pretjeranim detaljisanjem. Medutirn, iz iskustva autora, studenti koj i se po prvi put susrecu sa ovorn problematikorn (a kojima je ova knjiga 1I prvom redu namijenjena) imaju poteskoca upravo sa procedurama proracuna i analiza.

Velikirn dijelom knjigaje i sukcesor skripti pripremljenih za slusaoce predrneta Hidrologija koje je pripremio autor ove knjige II toku posljednje decenije na Gradevinskorn fakultetu Univerziteta u Sarajevu.

Recenzentima ove knj ige zahvaljujem na kritickim primjedbama i korisnim sugestijama.

Za konacan izgled ove knjige pobriuuo se moj saradnik, inzenjer Jozo Stefanjuk koji je dao nesebican doprinos na njenoj izvanrednoj tehnickoj pripremi i obradi.

Autor se unaprijed zahvaljuje citaocima koji mu ukazu na eventualne propuste kao i na zaostale greske u tekstu,

Sarajevo, 2000.

Au/or

x

V.JEROVATNOCA / STAT/STIKA U HID1WLOGf.fI

UVOD

"v; od rneae zahl;jeuole da proreknem {udude da,!ada;e. :lGd &£, na ness-eon, poznooao zakone lib pojauo, mo'!oo {;h 10m za.h~'euu "davolji;; samo "2 pomoc nerozmniu;£ raourra ; morae &£ no ;;ro;il odusloli od fo'!o ria oam ori;ouonin; ko;;o Imam "red" da 1£ ne poznam, Ino'!" da oam odoooorrm odma.b. ~Xa;(f"rI;'i;'e /e pri lome ria de mol ori;OUOI' &Ii /spraoan. "

(.'}Joincare)

1

UVOD

Neizvjesnost je uvijek jedan elernenat 1I procesu vodoprivrednih pa i vecine drugih planiranja. Ona se javlja zato sto vrijednosti niza faktora koj i uticu na performanse vodoprivrednih sistema ne mogu biti poznate sa sigurnoscu u trenutku kada se taj sistern planira i gradi. Uspjeh i perforrnanse sistema zavise od buducih meteoroloskih, demografskih, socijalnih, tehnickih i politickih uslova koji uticu i determinisu buduce troskove, dobiti, uticaje na okolinu i drustvenu prihvatljivost.

Moze se reci, na primarna pitanja vodoprivrede, odgovor je sarno moguc iz sredenog saznanja 0 vodama, i uz uvid u moguce vjerovatne razvoje vodoprivrednih procesa. To je i osnovni razlog sto su vjerovatnoca i statistika postale neizbjezan aparat u rukama svih inzenjera, pa medu njima i inzenjera koji se bave projektovanjem, izgradnjom i upravljanjem vodoprivrednim sistemima. One suprodrle u niz naucnih, strucnih i privrednih oblasti, svuda gdje se rasuduje na slican nacin: od sakupljanja podataka, preko njihovog sredivanja i utvrdivanja vjerovatnih zakonitosti, uz procjenu povjerenja u njih, dolazi se do saznanja 0 buducem razvoju procesa.

U vodoprivrednoj praksi redovno se traze odgovori na niz pitanja kao 8tO su: na koji proticaj treba dimenzionirati regulisano korito vodotoka, preliv na brani iii glavni kolektor kisne kanalizacije, itd., iii do koje kote treba podizati nasipe, dokle moze da se podigne podzemna voda i slicno. Slicna pitanja namecu se i kod niza objekata koji nisu vodoprivredni, ali su u dodiru sa vodom. Tako se mogu postaviti slijedeca pitanja: koji se maksimalni vodostaj moze ocekivati kod mosta i koji proticaj treba da prode ispod njega/; koliki proticaj treba da propusti propust ispod puta iii pruge, da li i koliko cesto se moze ocekivati plavljenje puta? Dokle moze da se podigne nivo podzemne vode i kakav je tada njegov utica] na temelje zgrade?

Vrijednosti svih ovih velicina zavise od buducih dogadaja cije vrijednosti se ne mogu odrediti prije nego sto se dogadaj desio. Odgovori na postavljena pitanja i

VJEROVATNOCA I STAT/STIKA U fflDROLOGIJI

UVOD

slicna, presudni su za projektovanje vodoprivrednih i niza drugih objekata, Podaci sa kojima se raspolaze, metodi i kriterijumi koji se primjenjuju, manja iii veca pouzdanost, odnosno neizvjesnost, odreduju kakvi ce se uslovi nametnuti u projektovanju objekata.

Mnoge pojave i procesi u prirodi rezultiraju kao posljedica velikog broja faktora, ciji pojedinacni uticaji se ne mogu vrednovati, zbog cega se ne rnogu ni predvidjeti velicina odnosno vrijerne odigravanja neke pojave. Da bi se mogle sagledati mogucnosti i sanse za pojavljivanje neke velicine razrnatranog hidroloskog procesa, u hidrologiji se koriste rnetode matematske statistike i teorije vjerovatnoce. Drugim rijecima, svi faktori hidroloskog rezirna Sll rezultat slucajnih procesa koji se odigravaju u prirodi, U takvirn okolnostirna, primjena teorije vjerovatnoce i statistike za opisivanje ovih faktora se namece kao neophodan, acini se i jedini pravilan pristup.

Primjeri tih procesa su pojave kao sto Sll padavine, isparavanje, oticaj, nivoi podzemne vode, transport nanosa, nivoi jezera, akurnuliranje j topljenje snijega i leda, osobine kvaliteta vode, osobine poroznih sredina, geornorfoloski oblici rijecnih slivova itd.

1.1. 'fEORIJA VJEROVATNOCE

Teorija vjerovatnoce je grana matematike koja istrazuje slucajne pojave /38/ Ona je clio sireg poglavlja maternatike, teorije mjera. Teorija vjerovatnoce postaje sve vaznija, Na teoriji vjerovatnoce zasniva se, izmedu ostalog, i statistika, vazno pomagalo II mnogim naukama, na prirnjer II fizici, astronornij i, rneteorologij i, geodeziji, psihologiji, biologiji, medicini, tehnickirn i ekonornskim naukama itd., ne govoreci 0 samoj statistici kao nauci. Teorija vjerovatnoce jedna je od najmladih grana matematike. Dok za gotovo sve ostale grane maternatike nalazirno pocetke vee u anticko doba, 0 teoriji vjerovatnoce nisu ni Grci ni ostali narodi, kojima zahvaljujemo tolike doprinose II matematici nista znali. Osnivacima teorije vjerovatnoce srnatraju se cuveni matematicari Pascal i Fermat. Za pocetak teorije vjerovatnoce uzirna se obicno godina J 654/38/.

Kako je hidrologija II osnovi skup pojava koje se odnose na raspodjele u vrernenu i prostoru slucajnih promjenljivih kolicina i kvaliteta vode, teorija vjerovatnoce je glavna grana rnatematike koja se moze primjeniti na hidroloske pojave. Teorija vjerovatnoce je sinonimna sa racunorn vjerovatnoce, koja se bavi dogadaj irna u smislu da su vjerovatnoce novih i obicno slozenijih ili mjesovitih slucajnih dogadaja proracunate iz vjerovatnoca prostih iii elementarnih dogadaja.

Savremena teorija vjerovatnoce je bazirana na aksiornu da su vjerovatnoce elementarnih dogadaja poznate. Kako su one dobivene, obicno nije stvar teorije vjerovatnoce, Vjerovatnoce clementarnih slucajnih dogadaja su izvedene bilo logickim derivacijama, iii eksperimentalnim rnetodarna, iii metodama osrnatranja, U

2

VJEROVATNOCA I STAT/STIKA U HIDROLOGf.}f

UVOD

gore datim kratkim definicijama teorije vjerovatnoce pojavljuju se njeni osnovni pojmovi slucajna po java, slucajni dogadaj, elementarni dogadaj i drugi, 0 cemu ce detaljno biti rijeci u narednirn poglavljima.

Hidroloske promjenljive koje opisuju hidroloske pojave kao sto su padavine, isparavanje, oticanje, transport nanosa, su (naprirnjer za slucaj oticanja) trenutni proticaj, dnevnii mjesecni proticaj rijeke, godisnji proticaj rijeke. Pri tome se trenutni proticaj u rijeci, intezitet padavina, trenutni pronos nanosa smatraju osnovnim hidroloskirn promjenljivim, dokse izvedenim hidroloskirn promjenljivim srnatraju dnevne, mjesecne, sezonske, godisnje i slicne vrijednosti, najvise vrijednosti, najnize vrijednosti.

, Jedan od osnovnih ciljeva primjene teorije vjerovatnoce u hidrologiji je razvijanje i upotreba metoda i prakticnih postupaka za odredivanje karakteristika izvedenih slucajnih promjenljivih. Pri tome su osnovne hidroloske promjenljive obicno date kao kontinualne serije, ukljucujuci vrijednosti jednake nuli, dok su izvedene prornjenljive prvenstveno date u obliku diskretnih serija.

Moze se reci da su se osnove teorije vjerovatnoce pojave razvile u vezi sa igrama na srecu u 17. vijeku. Kod igara na srecu podrazurnijeva se neka akcija (okretanje ruleta, bacanje kocke, bacanje kovanog novca, izvlacenje karte i slicno) cij i ishod se ne moze sa sigurnoscu predvidjeti. Medutim, jasno je da, iako je neizvjestan svaki pojedini eksperirnent, postoji predvidljivo ocekivanje u velikom broju ponovljenih opita. Na primjer, zna se da ce u velikorn broju ponovljenih bacanja novcica, polovina opita rezultirati u G (glava) a druga polovina u P (pismo). Upravo ova predvidljivost ishoda u velikom broju ponovljenih opita ornogucava da se kockarnice, osiguravajuci zavodi i slicne ustanove upustaju U ovakvu vrstu djelatnosti ida, naravno, zaraduju,

Pojava pisma ili grba je slucajna, Ne postoji u tom slucaju nikakva jednacina koja povezuje uzrok -- bacanje novcica i posljedicu pojavljivanje grba iii pisma, Medutim, kod velikog broja bacanja ocekujerno da novcic priblizno podjednak broj puta pada tako da na njegovoj gornjoj strani bude iii pismo iii grb. Zato zakljucujemo da je vjerovatnoca pojave pisma priblizno podjednaka vjerovatnoci pojave grna, fL, zakliucak da pojam vjerovatnoce dolazi II obzir samo kod slucajnih dogadaja.

Ovaj klasicni prilaz teoriji vjerovatnoce tesko se moze na hidrolosk .

promjenljive, cak i ako se cine pokusaji da se idealizuje prirodna hidroloska sredin. kao sto je pojarn savrsene kocke, novcica iii spila karata, U hidrologiji, medutirn, taj prilaz'se moze primjeniti samo na izuzetne slucajeve.

VJEROVATNOCA f STATISTIKA U HfDROLOGIJI

3

UVOD

1.2. MATEMATSKA STATISTIKA

Dvije od niza definicija matematske statistike bile bi:

Matematska statistika je nauka koja se bavi proucavanjem zakona slucajnih dogadaja na osnovu teorije vjerovatnoce matematskom obradom podataka mjerenja masovnih pojava /8/.

Matematska statistika je analiza statistickih podataka pomocu matematskih metoda, prevenstveno pomocu teorije vjerovatnoce /38/.

Obzirom daje prvobitno statistika bila nauka koja se bavila masovnim pojavama u ljudskorn drustvu, njeno ime odatle i potice, kao neka vrsta nauke 0 drzavi (Iatinska rijec status - drzava).

Posto se hidroloski podaci vecinom daju kao ogranicene kolicine podataka u obliku uzorakd, matematska statistika je glavna disciplina koja omogucava dobivanje potpune informacije iz podataka i izvodenje zakljucaka 0 karakteristikama hidroloskih populacija', Osnovni ciljevi u upotrebi matematske statistike, odnosno statistickih metoda su analize ishoda realnih iii zarnisljenih eksperimenata iIi osmatranja slucajnih pojava. Medutim, jedan od glavnih zadataka tih analiza je konstrukcija matematskog rnodela koji opisuje osobine slucajnih promjenljivih, Model omogucava predvidanja osobina buducih ishoda ponovljenih eksperirnenata iii osmatranja. Drugim rijecima, svrha primjene maternatske statistike na hidroloske promjenljive koje Sll opazene u proslosti, je cia se odrede vjerovatnoce sa koj ima bi se ove promjenljive mogle javiti 1I buducnosti. Pri tome se kao probabilisticki model koristi jedna od teorijskih funkcija raspodjela vjerovatnoce ciji se parametri ocjenjuju iz uzorka koji se dobija osmatranjern izucavane slucajne promjenljive.

Uobicajeno je cia se nailazi na stavove, a cak i uvjerenja medu hidrolozima, da se matematska statistika upotrebljava samo onda kada nije moguce tacno ili potpuno rijesiti neki problem. Moguce je, medutim, pokazati da deterrninisticko rjesenje nije nista drugo nego posebno rjesenje opstih probabilistickih iii statistickih rjesenja, od koj ih je prvo cesto mnogo lakse nego drugo /43/.

Kada u praksi istrazujemo statisticke podatke, imarno rijetko priliku da obuhvatimo sve podatke koji se odnose na odredenu populaciju. U pravilu, takva je populacija prevelika i nije lahko obuhvatiti sve njezine jedinice. Radi toga se cesto pri istrazivanju statistickih zakonitosti moramo zadovoljiti posmatranjern samo dijela citave populacije i rnoramo stvoriti zakljucak na osnovu toga dijela, Odabiranje odredenog broja jedinica izjedne vel ike populacije naziva se uzorak.

Za pravilnu primjenu matematske statistike 1I analizi hidroloskih slucajnih pojava, prethodno je potrebno razmotriti i pravilno shvatiti pojmove kao sto Sll slucajna po java, slucajna promjenljiva, uzorak, populacija i sl., 0 cernu ce biti detaljnije govora II nastavku .

• 0 ovim pojmovima biti ce detaljnije rijeci u poglavlju 2.6.

4

VJE1?OVATNOCA / STATlSTIKA U HIDROLOGIJI

SLUCAJNE POJAVE

"Q/ pni'odi£f;Qt!e nGji·azbciliJib i sbjepihl'OjQUO d/e/oil jedna na druyu, obl'JlooO/ll sej isuok'a oJn/i;; nos/ no sebi pecal ShIOO/iws;'; zao/se od na;i'azIlooJ'J'l1i/ih, le{ko uhooiljii)ib llZI'Oka) .maze cia se (/eJ'aua ({ova;;;;" ifi "ona£o ".7fb· /z UZGjQI11f10'l d/e/ouanjQ lib' s/ui5a/"iJJ' po/aua aastare zakonoln/el'lU; JUlzn; jJl'oces, li J1ji/;~()o/ osnoo/ leie oc/t'e<ienl; 17(1211/ Zo.£OI]I; .io/e na.~/.b'a oIJi~'iua) lI!Ol'J;,/lldi pooeza.aosf; Ine(/usobf]U l/s/~ul/ejJOji po/aoa; nJih'aUlI op6elulos! J/ed/nsloo, })

('J(ozenlaf)

2

SLUCAJNE POJA VE I NJIHOVE RASPOD.JELE

Niz hidroloskih pojava javlja se na povrsini zemlje kao sto Sli to padavine, isparavanje, infiltracija, zadrzavanje vode, akumuliranje snijega i leda i njihovo otapanje, povrsinski oticaj, transport nanosa i druge. Sve ove pojave opisuju se hidroloskim promjenlj ivim kao sto Sl1 to naprimjer trenutni proticaj, dnevni i rnjesecni proticaj, dnevne i mjesecne padavine i isparavanje, godisnji pronos nanosa, itd.

Ove a i niz drugih promjenljivih u hidrologiji nazivaju se slucajnim, jer su pod kontrolom izuzetno velikog broja uzrocnih faktora koji se kombinuju na razne nacine svake godine da bi proizveli razlicite vrijednosti hidroloskih promjenlj ivih iz godine u godinu. Drugim rijecirna, najcesce je nemoguce iscrpiti sve uzrocne faktore koji su . ukljuceni u realizaciju neke hidroloske slucajne pojave. Dakle, neophodno je razlikovati izraze hidroloska po java i hidroloska promjenljiva koja opisuje te pojave. Nadalje, u nastavku ovog poglavlja kod razmatranja slucajnih prornjenljivih, pravice se i razlika izmedu osnovne i izvedene slucajne hidroloske promjenljive. Trenutni proticaj u rijeci, intezitet padavina, trenutni pronos nanosa, itd., su osnovne hidroloske promjenljive. Dnevne, mjesecne, sezonske, godisnje i slicne vrijednosti, navise vrijednosti, najnize vrijednosti i slicno jesu promjenlj ive izvedene iz osnovne promjenljive.

Jedan od osnovnih ciljeva savremene primjene metoda maternatske statistike i teorije vjerovatnoce je upravo razvijanje iii upotreba metoda i prakticnih postupaka za odredivanje karakteristika izvedenih slucajnih promjenljivih iz karakteristika osnovnih slucajnih prornjenljivih.

VJEROVATNOCA I STATISI1KA U HIDROLOGlJI

5

SLUCAJNE POJAVE

Obzirom da svaka nauka 0 slucajnim pojavama ima neke posebne karakteristike koje traze pravilnu primjenu teorerna i formula teorije vjerovatnoce to se, kao prvo, u nastavku raspravlja 0 pojmovima slucajnog dogadaja, vjerovatnoce i slucajne promjenljive, te opstim definicijama raspodjele vjerovatnoce,

2.1. SLUCAJNI DOGADAJI

U maternatskoj statistic! upotrebljavaju se dva osnovna pojma: vjerovatnoca i slucajni dogadaj (slucaj).

Slucajni dogadaj je svaki dogada] koji ne mora bezuslovno nastupiti u odredenom trenutku /38/ U pravilu se smatra slucajem dogadaj koji nastupa kao posljedica tolikih mnogih uzroka, da nismo u rnogucnosti tacno izracunati kada i gdje ce odredeni dogadaj nastupiti.

Ovakvo shvacanje slucaja srnatra se subjektivistickim, jer seslucaj svodi na subjektivnu nemogucnost predvidanja jednog dogadaja. Prerna novijim razrnatranjima slucaja srnatra se da slucaj postoji objektivno, tj. neovisno 0 nama.

Kada promatramo fizikalne pojave uocavamo odredene zakonitosti, koje nam omogucavaju predvidanja odredenih dogadaja. Uopce u fizici i tehnici rnozemo izracunati uz koje ce se uslove odredene pojave odvijati, Kod slucajnog dogadaja te mogucnosti nernamo, ali smo ipak u stanju da slucajni dogadaj mjerimo. Mjerimo ga pomocu njegove vjerovatnoce. Vjerovatnoca je, dakle, II odredenorn smislu mjera slucaja. Dakle, moie se reci, da je slucajni dogadaj onaj dogadaj, cije je pojavljivanje vezano uz odredenu vjerovatnocu.

Teorija vjerovatnoce se bay! dogadajima i prornjenljivirn kod slucsjnih pojava. Svako mjerenje slucajne promjenljive, bez obzira 0 dobivenoj vrijednosti promjenljive, naziva se osmatranje, realizacija iii ishod. Slucajni dogada] je vrijednost promjenl] ive dobivene mjerenjern.

Dva ilustrativna primjera hidroloskih slucajnih dogadaja su: kisni i beskisni dan (dan se smatra kisnim kada postoje padavine) kao dva diskretna slucajna dogadaja i nivo prirodnog jezera kao slucajna prornjenljiva koja teorijski ima beskonacan broj mogucih slucajnih dogadaja,

U hidrologiji je realizacija (ostvarenje) nekog slucajnog dogadaja obicno izrazena nekim brojern (naprirnjer broj kisnih dana LI odredenoj godini), Te brojne vrijednosti koje moze imati neka slucajna prornjenljiva nazivaju se "skup vrijednosti slucajne promjenljive",

Utica] svakog slucajnog faktora iz kombinacije uzrocnih faktora na slucajnu prornjenljivu mijenja se od jednog do drugog osmatranja, tako da se vrijednost promjenlj ive pojedinog rezultata ne moze jedinstveno predvidjeti, Iako izgleda da ne postoji pravilnost u realizacijama slucajne promjenljive, analize velikog broja osrnatranja u sustini otkrivaju pravilnosti cije su karakteristike odredene vjerovatno-

6

V.JEROVATNOCA I STAT/STIKA U HlDROLOGJJ/

SL UCAJN E POJA VE

com. Simp karakteristicnih slucajnih prornjenljivih slucajne pojave predstavlja njen opis.

U prirodi, nairne, vlada zakonitost. Svaka pojava, svaki dogadaj, desava se na posve odredeni nacin, svaki dogadaj nije nista drugo nego posljedica uzroka. Medutim, postavlja se pitanje cia Ii 51110 II rnogucnosti svaku prirodnu pojavu opisati forrnulorn, odnosno odrediti zakon po kome se ta pojava desava? Odgovor na to pitanje je negativan, jer dogadaji koji se desavaju u pravilu su posljedica ne jednog uzroka, vee niza uzroka. Ako tih uzroka ima previse, onda vise l1is1110 u mogucnosti da obuhvatimo sve te uzroke. Medutim, i bez obzira na to cia Ii smo u mogucnosti obuhvatiti uzroke jedne pojave iii nismo, cinjenica je cia u prirodi postoje pojave koje ne moraju nuzno uslijediti. To, naravno, ne znaci cia takva pojava nerna svoje uzroke, ali ti su uzroci toliko zamrseni, cia ih u pravilu nismo u mogucnosti ispitati. Maksimalni proticaj najvece godisnje velike vode je slucajna promjenljiva slucajne pojave rijecnog oticaja, Taj proticaj je pod kontrolom vclikog broja uzrocnih faktora koji se kornbinuju na razne nacine svake godine tokom sezone velikih voda cia bi proizveli razlicite najvece proticaje iz godine u godinu,

Svi moguci slucajni dogadaj I jedne osmatrane prornjenljive mogu se reducirati na simp prostih ili elementarnih dogadaja. Kornbinacije elementarnih dogadaja daju skupove koji su - svi drugi dogadaji - obicno nazvani slozeni dogadaji, Svi clement] i slozeni dogadaji uzeti zajeduo predstavljaju prostor uzorka, a svi njegovi podskupovi su moguci slucajni dogadaji. Zbog toga, II svakorn pojedinom prostoru uzorka mora se odrediti sta sadrzi simp elementarnih dogadaja. Matematske operacije sa skupovima ovdje nisu izlozene. Predpostavljeno je da su poznate, bar II njihovim najjednostavnijim osobinama.

U cilju lakseg razumjevanja materije koja ce se razrnatrati u nastavku, neophodno je, bez teoretskog dokazivanja, istaci neke od definicija u vezi sa dogadaj ima, pri cemu se on i Illogu opisati jezikorn skupova i gclje se rijeci simp i dogadaj mogu zamjenjivati jedna drugorn,

Elementarni dogada]. U mnogim situacijama u kojima se moze primjeniti teorija vjerovatnoce, srece se pojam izvodenje ponovljenih opita, tj, ponavljanje nekog eksperimenta pod "istirn uslovima", Prilikorn ponavljanja opita u datirn uslovima, ishod /realizacija varira od opita do opita; ovaj ishod se obicno naziva elementarnim dogadajem, 0).

Skup svih elementarnih dogadaja, oc! kojih se prilikorn izvodenja nekog ispitivanja jedan mora ostvariti, nazi va se prostorom elementarnih dogadaja i oznacava se sa n iii sa Q ~~ {O)}, cia bi se pokazalo da ga cine elementi 0).

Izmedu dogadaja jednog prostora n = {O)}, postoje izvjesni oclnosi koj i su sadrzani u nekoliko slijedecih najvaznijih definicija, koje predstavljaju clemente algebre skupova.

VJEROVATNOCA / STAT/STIKA U HfDROLOGfJI

7

SLUC";AJNE POJAVE

1. Aka je svaki elernenat CD skupa A (A dio prostora £1 il i podskup ad £1) istovremeno i elernenat skupa B, skup A se naziva podskupom skupa B, sto se oznacava sa

AcB

2. Aka skup A nerna elemenata, naziva se prazan skup i oznacava sa

A=O

3. Unija skupova Ai B je skup elemenata ad kojih svaki pripada bilo skupu A bilo skupu B i oznacava se sa

AuB

Unijaje ilustrovana na slici 2.1.

:AnB

AuB

Slika 2.1 Ilustracija unije i presjeka dogadaja A i B

4. Na slici 2.1 je vidljivo da dva dogadaja A i B (koji nisu iskljucivi dogadaji) imaju i skup zajednickih tacaka koji se naziva presjek skupova A i B, a oznacava se sa

AnB

Medusobno iskljucivi dogadaji 8U oni koji se ne mogu istovremeno ostvariti. Naprimjer, proticaj u rijeci ne moze biti manji od 3 nhs i veci od 5 /1//8 u isto vrijeme.

Imajuci u vidu oznake date na slici 2.1 vaze slijedece relacije:

Posto Sll A r-B i A* medusobno iskljucivi dogadaji, moze se pisati 14, 9, 291

(2.1 )

8

VJEROVATNOCA I STATISTIKA U HIDROLOGI.J!

SLUCAJNE POJAVE

P[B]= P[A n B]+ P[B']

(2.2)

'(2.3)

Kornbinirajuci gornje jednakosti dobije se

P[A U B}= P[A]+ P[B]- P[A n B]

(2.4)

5: Dva skupa (dogadaja) se medusobno iskljucuju ako nemaju ni jedan zajednicki elemenat. Takvi skupovi se nazivaju disjunktni skupovi. Nj ihov presjek je prazan skup, odnosno

AnB =0.

2.2. V JEROV ATNOCA

Objektivna definicija vjerovatnoce, koja je definicija jedino i prihvatljiva u hidrologiji, trazi da se za svaki slucajni dogadaj veie jedan broj za vjerovatnocu koji mora biti izmedu nule i jedinice, ukljucujuci nulu i jedinicu (aksiom).

U hidroloskoj literaturi takode se susrecu izrazi kao sto su razumna vjerovatnoca, razuman rizik, iIi razumno ocekivanje, ne specifirajuci brojku izmedu nule i jedinice kojom bi se definisala razumna vjerovatnoca, rizik iii ocekivanje. Ovi pojmovi bez prikljucenih brojeva obicno znace razlicite stvari za razlicite pojedince. To nije prihvatljivo, jer predstavlja subjektivnu definiciju vjerovatnoce, koja je ugIavnom odbacena u prirodnim naukama 143/.

Da bi se teorija vjerovatnoce primjenila na neku prirodnu nauku, kao 5tO je hidrologija, treba biti bazirana na aksiomima koji se moraju zadovoljiti bar priblizno. Tako postoje tri osnovna istorijska prilaza teoriji vjerovatnoce 143/: klasicni (Laplasov), statisticki prilaz i prilaz baziran na teorijama skupova i mjera.

Klasicni prilaz teoriji vjerovatnoce

Klasicni prilaz se zasniva na pojmu isto vjerovatnih iii jednako mogucih (vjerovatnih) elementarnih slucajnih dogadaja.

U smislu klasicne definicije vjerovatnoca jednog dogadaja je omjer broja za njega povoljnih slucajeva prema broju svih jednako mogucih slucajeva.

Tako definiranu vjerovatnocu nazivamo vjerovatnoca a priori.

VJEROVATNOCA I STATISTIKA U HIDROLOGIJI

9

SLUCAJNE POJAVE

Klasicnu definiciju vjerovatnoce (vjerovatnoce apriori) dao je Laplas 1812. godine. Ova definicija ima nekoliko znacajnih nedostataka 19/:

a. Klasicna definicija vjerovatnoce sluzi se pojmorn podjednako rnogucih dogadaja, sto znaci dogadaja sa jednakorn vjerovatnocom realizacije. Iz toga je ocigledno, ako ne znamo sta je to vjerovatnoca cia takoder ne znamo ni sta su podjednako vjerovatni dogadaj i iii jednako moguci i obrnuto.

b. Klasicna definicija zahtijeva da simp dogadaja kako povoljnih i svih rnogucih bude konacan. Prosti prirnjer slucajnog odabiranja polozaja tacke na duzi daje beskonacno mnogo mogucnosti, te klasicna definicija gubi smisao.

c. Klasicna definicija zahtijeva poznavanje skupa povoljnih i svih mogucih dogadaja vezanih za odredeni eksperiment, sto se u praksi rijetko dogada.

U matematickom obliku vjerovatno6u a priori mozerno pisati ovako

m

P(X) '" ---

n

(2.5)

gdje P(X) znaci vjerovatnoca dogadaja m broj povoljnih slucajeva za dogadaj X,

an broj svih jednako mogucih slucajeva.

Neka je dogadaj X pojavljivanje grba na gornjoj strani novcica pri jed nom njegovom bacanju, Vjerovatnoca pojave tog dogadaja je P (x) = min = 1/2, jer jc rnoguc sarno jedan za njega povoljan slucaj (m =" 1) od elva jednako moguca slucaja (n = 2), a to su pojavljivanje grba iii pisma.

Vjerovatnoca a priori moze se upotrijebiti samo kod konacnog broja mogucih dogadaja. Kao sto je vee receno, gornja definicija krije u sebi teskocu koju ne mozemo ukloniti, To je pojam jednako rnogucih slucajeva, Sta su to jednako moguci slucajevi? To su slucajevi koj i su jednako vjerovatni. Prema tome definirarno vjerovatnocu pomocu vjerovatnoce. Medutim, osim ovoga prigovora postoji jos jedan. Ako bismo, naime, dopustili teoretsku mogucnost jednako mogucih slucajeva, prakticki stvar nailazi na mnogo vece poteskoce, ako uocimo da jednako mogucih slucajeva stvarno niti nema, Ako bacimo kocku, srnijemo li tvrditi cia su svi slucajevi jednako moguci? To bi se moglo tvrditi kada bi kocka hila idealno geometrijsko tijelo, koje bi irnalo sest zaista jednakih ploha. Medutim, takve kocke ne postoje, a ne postoje analogni uslovi niti za ostale igre na koje se oslanja zapravo prvobitna definicija vjerovatnoce.

Obzirorn da je tesko pronaci hidroloske prornjenljive za koje se ova] prilaz rnoze sa punirn znacenjem primjeniti, on se u hidrologiji prirnjenjuje samo izuzetno.

Takva i slicna razmisljanja dovela su do toga da se naslo da klasicna definicija pojrna vjerovatnoce a priori nije uvijek upotrebljiva, pa se zbog toga pokusala naci podesn ija definicija. Nastojalo se pojarn vjerovatnoce definirati naknadno, tj. a

10

VJEROVATNOCA 1 STATISTIKA U HIDROLOGl.J1

SLUCA.JNE PO.JAVE

posteriori, dakle na osnovu stecenog iskustva. Takva vjerovatnoca cesoe se naziva statisticka vjerovatnoca.

Statisticki prilaz teoriji vjerovatnoce

Ovaj prilaz je privlacan sa stanovista fizicke stvarnosti, jer su II hidrologiji poznate same ucestalosti raznih dogadaja,

Vjerovatnoca a posteriori, odnosno statisticka vjerovatnoca, jeste vjerovatnoca koja se dobiva posmatranjem odredenih dogadaja, Do te vjerovatnoce dolazimo na osnovu ovih razmatranja.

Predpostavimo jedan dogadaj koji smatramo povoljnim. Nacinimo N pokusa, koji se svi vrse pod istim uslovom, pa neka II N pokusa nastupi neki povoljan dogadaj f puta. Onda se omjer

f f (X) =---

r N

(2.6)

tj. ornjer slucajeva kad je nastupio povoljan dogadaj prerna svirn pokusirna naziva relativna frekvencija.

Relativna frekvencija povo!jnog dogadaja u nizu pokusa obavljenih uz iste uslove, tezi, kada broj pokusa raste, prerna granici koja je jednaka vjerovatnoci tog dogadaja. To se pise ovako

P (X) == lim -!:_ N~oo N

(2.7)

Predpostavljamo, dakle, da ovakva grarucna vrijednost postoji, Odakle to znamo? To znamo iz iskustva, to je iskustvena cinjenica. Nairne, ako se ucini mnogo pokusa, opazitice se, ako broj pokusa postaje sve vee], da se (fIN) stvarno priblizuje jednoj granici.

Takav jedan pokus izvrsio je 1850. godine R. Wolf 138/. On je bacao dvije kocke, pri cemu je trazio vjerovatnocu da padne takva kombinacija u kojoj bi na gornjim stranama bila dva razlicita broja.

Prema definiciji a priori vjerovatnoce, ta vjerovatnoca iznosi

peX) = 30/36 = 0,8333 ...

(Postoji 30 kombinacija da na gornjoj strani kocaka budu razliciti brojevi, jer od mogucih 36 kornbinacija sest kombinacija su sa istim brojevima na gornjoj strani: 11; 22; 33; 44; 55; 66).

V.JEROVATNOCA I STAT/STIKA U HIDROLOGJ.JI

II

SLUCAJNE POJAVE

Wolfje nacinio 100 pokusa i dobio relativnu frekvenciju 0,88

1000 pokusa 0,836

10000 pokusa 0,8351

100000 pokusa 0,835333

Ti pokusi su potvrdili ocekivanu vrijednost, pri cernu ne treba ni ocekivati da ce vjerovatnoca biti tacno 0,833333 ... , jer ta vjerovatnoca vrijedi same za idealne kocke, a kocke kojima je Wolfeksperimentisao nisu bile idealne.

Formulu P(X) = fiN, odnosno vjerovatnocu P(X) (na osnovu definicije vjerovatnoce a priori), mozemo shvatiti i kao relativnu frekvenciju, tako da sve postavke koje se izvode za vjerovatnocu a priori, vaze i za relativne frekvencije, a samim tim i za vjerovatnoce a posteriori.

Izraz P(X) =f!N je broj koji ne moze biti manji od nule, niti veci od 1. Vrijedi dakle,

0::::; P(X)::::; 1

(2.8)

Slucaj da bude P(X) = 0 nastupa ako jef= 0 a slucaj daje P(X) = I nastupa ako

jef= N.

Ako je jedan dogadaj nemoguc, onclajef= 0 pa prema tome i P(X) O. Prema tome je vjerovatnoca nemoguceg dogadaja jednaka nuli.

Iz cinjenice cia je P(X) = 0 jos ne slijedi cia je dogadaj i nernoguc, Ima dogadaja koji irnaju vjerovatnocu nula, a cia ipak nisu nernoguci. Tako isto, ako se za jedan dogadaj zna da ce se sigurno dogoditi, oncla je njegova vjerovatnoca jednaka I. Medutim, iz cinjenice da je vjerovatnoca jednog dogadaja jednaka I, jos ne slijedi da je on siguran.

Treba, medutirn, razlikovati prakticno znacenje vrijednosti 0 i I kod vjerovatnoce apriori i statisticke vjerovatnoce. Ako je statisticka vjerovatnoca jednaka nuli, to ipak ne mora da znaci da se dogadaj ne moze dogoditi, nego same da se on u toku svih posmatranja nije dogodio. Isto tako ako je statisticka vjerovatnoca jednaka I, to ne znaci da se dogadaj mora u svim ogledima uvijek realizovati.

Totalna vjerovatnoca. Ako povoljan dogadaj moze nastupiti na vise nacina koji se medusobno iskljucuju (ne mogu nastupiti istovremeno) i gdje svaki nacin ima svoju vjerovatnocu, onda se moze pokazati cia je u tom slucaju vjerovatnoca takvog dogadaja jednaka zbiru vjerovatnoca za svaki pojedini dogadaj, i naziva se totalna vjerovatnoca.

To se moze dokazati ovako /38/:

Neka postoj i skup sa n elemenata. Medu tim elementima neka je}. elemenata prve vrste,./i elemenata druge vrste itd. Dogadaj XI je dogadaj ako nastupi elemenat prve vrste. Dogadaj XI ima vjerovatnocu

12

VJEROVATNOCA I STATISTIKA U HlDROLOGIJI

SLUCAJNE POJAVE

(2.9)

Analogno dogadaj X2 irna vjerovatnocu

(2.10)

Ako se sa x nazove dogadaj da nastupiili Xl iii X2, onda takav dogadaj ima vjerovatnocu

(2.11 )

Sloiena vjerovatnoca. Vjerovatnoca da ce istovremeno nastupiti vise dogadaja koj i su medusobno nezavisni (uze shvaceno - ishod jednog ne zavisi od ishoda drugoga) jednakaje proizvodu vjerovatnoca svakog pojedinog dogadaja.

(2. J 2)

Uslovna vjerovatnoca. U izvjesnim okolnostima, dva dogadaja su II vezi u tom smislu 5tO ostvarenje jednog od njih, na prirnjer, dogadaja x2' povlaci, odnosno

uslovljava ostvarenje dogadaja Xl' Kada se radi 0 ovakvim, slozenim dogadajima, cesto je od interesa da se odredi vjerovatnoca da ce nastupiti dogadaj Xl' znajuci da se slucajni dogadaj x2 ostvario. Za oznacavanje ove vjerovatnoce, koristi se slijedeci simbol:

sto se cita "vjerovatnoca dogadaja Xl pod uslovom da se ostvario dogadaj x2". Ova vjerovatnoca se naziva uslovna vjerovatnoca dogadaja Xl'

Pod uslovom daje Xl nX2 *~, p(x\)*O, P(X2)*0 i p(Xj nxJ*O uslovna vjerovatnoca se odreduje kao:

(2.13)

Isto tako

(2.14)

VJEROVATNOCA 1 STATISTIKA U HIDROLOGIJI

13

SLUCAJNE POJA VE

Na osnovu relaeija (2.13) dogadaja XI i x2 kao:

(2. I 4) dobije se vjerovatnoca proizvoda dva

(2.15)

Dakle, vjerovatnoca ~a ce se XI i x2 desiti istovremeno (tj., da ce se realizovati i dogadaj XI i dogadaj x2), jednak je proizvodu vjerovatnoce jednog od tih dogadaja i uslovne vjerovatnoce drugog, pod uslovorn cia se pry! realizovao, Ovo se odnosi na dogadaje koji su medusobno zavisni, Medutirn, ako su dogadaji uzajamno nezavisni, vazi:

(2.16)

Prilaz teoriji vjerovatnoce pomocu skupova i mjera

Prilaz vjerovatnoci preko skupova, sa vjerovatnocom doznacenom svakorn slucajnom dogadaju, .Ie preovladujuci aksiomatski prilaz u nauci, i dobro zadovoljava matematsku logiku. On predpostavlja poznate vjerovatnoce elernentarnih dogadaja, sto je rijedak slucaj u hidrologiji gdje se 1110gu dobiti samo relativne ucestalosti sa raznim stepenimatacnosti.

2.3. SLUC:AJNE PROMJENLJIVE

Kao sto je poznato, pod velicinorn se podrazumjeva sve 0110 sto se 1110ze izmjeriti i izraziti brojem, Ako se jedna vel icina u toku nekog procesa ne mijenja, naziva se konstantom. Velicine koje se u toku nekog procesa mijenjaju nazivaju se promjenljivim velicinama. Ilustrativan prirnjer ]e prornjena pritiska vode na odredenu povrsinu sa prornjenom dubine, Njene se prornjene mogu tacno izracunati sa1110 ukoliko se poznaje kako se mijenja dubina vode,

Medutim, 1I hidrologiji postoji vrlo veliki broj promjenljivih velicina, cije se vrijednosti ne mogu sa sigurnoscu predvidjeti. Takve prornjenljive velicine nazivaju se slucajne velicine, iii slucajne promjenljive.

Dakle slucajna promjenljiva je promjenljiva koja je zavisna 0 slucaju i koja je vezana uz funkciju vjerovatnoce, Prerna tome slucajna promjenljiva maze poprirniti razne vrijednosti, svaku vrijednost S odredenom vjerovatnocorn, odnosno funkcijom vjerovatnoce.

Moguce je navesti niz prirnjera slucajnih prornjenljivih u hidrologiji kao sto su: proticaj jedne rijeke na nekom profilu (nernoguce ga je sa izvjesnoscu predvidjeti ni

14

VJEROVATNOCA 1 STATISTIKA U HIDROLOGlJI

SLUCAJN E POJA VE

u jednorn trenutku vremena u buducnosti), visina padavina na odredenoj teritorij i u toku nekog perioda, itd,

U daljnjern izlaganju slucajne prornjenljive ce biti oznacavane velikim slovima X, 1~ Z, a njihove odgovarajuce vrijednosti malirn x. y. z.

Za istrazivanje osobina slucajnih promjenljivih koje se odnose na raspodjele kolicine vode u vremenu i prostoru na raspolaganju su cetiri tipa podataka 143/:

1. Istorijski hidroloski podaci ili osmatranja procesa po vremenu sa dobivanjem tzv. kontinualne ili diskretne hidroloske vremenske serije,

2. Podaci terenskih osmatranja duz linije, iii mjerenja hidroloskih pojava po povrsini iii u prostoru, kao sto su odredivanje dubine vodopropusnih slojeva sa podzemnorn vodom, odred ivanje karakteristika nanosa duz rijecnog korita i slicna mjerenja,

3. Laboratorijski iii terenski eksperimentalni poclaci koji se odnose na hidrologiju a dobiveni su metodarna slicnim kao pri dobivanju podataka pri hidraulickim eksperirnentima,

4. Sirnultana rnjerenja dvije ili vise slucajnih promjenljivih sa ciljem da se utvrdi veza izrnedu till prornjenljivih, uglavnom za svrhe prenosenja statistickih inforrnacija izmedu promjenljivih.

Slucajne prornjenljive mogu biti prekidne (diskretne) iii neprekidne (kontinualne).

Vecina hidroloskih analiza ukljucuje kontinualne hidroloske prornjenljive koje su obradivane bili kao kontinualne ili su na odgovarajuci nacin ucinjene diskretnim. Kontinualne hidroloske promjenljive su iii sarno sa pozitivnirn vrijednostima ill one imaju obje, pozitivne i negativne vrijednosti. Proticaji stalnih rijecnih tokova, isticanje iz jezera, nivoi podzemne vode iii oticaj, sadrza] kiseonika u vodi vna vlarastvorene materije u podzemnoj vodi, itd. SI.: kontinuaillc prornjenljive.

Broj kisnih dana u nekorn mjesecu j . diskretne slucajne promjenljive.

Treba napomenuti da se najcesce kontinualne slucajne prornjenljive zamijenjuju diskretnim zbog toga !;10 su II tehnike rnjerenja nedovoljno savrsene da mogu rnjeriti kontinualne vrijednosti (vodostaj se mjeri sa tacll()i;{~1) 1 e111, visina kise sa tacnoscu 0,1 IIm\ i sl.). Drugi razlog sto se kontinualne velicine opisuju diskretnim je taj sto se Iakse radi sa diskretnim vrijednostima, pri cernu ne dolazi do gubljenja znacajnih informacija 0 karakteru slucajne promjenlj ive.

VJEROVATNO('A I STAT/STIKA (j HIDROLOGIJ!

15

SLUCAJNE POJAVE

2.4. RASPODJELE SLUCAJNIH PROMJENLJIVIH

2.4.1. Diskretna slucajna promjenljiva

Funkcija raspodjele gustine vjerovatnoce. Ako promjenljiva X moze uzimati jednu od vrijednosti Xj, X2, ... , Xn sa odgovarajucim vrijednostima vjerovatnoca PI, P2, ... , Pn prj cemu je PI + P2 + ... + P« = 1, tada se za X kaze da predstavlja diskretnu (prekidnu) slucajnu promjenljivu iii aleatornu promjenljivu iii stohasticku promjenljivu sto se pregledno pise kao

gdje se promjenljiva Xi naziva tekucorn vrijednosti, a

(2.17)

zakon vjerovatnoca ili funkcija raspodjele gustine vjerovatnoce, slucajne promjenljive X

. Teorija vjerovatnoce je bazirana na osnovnim aksiornima cia svaki elementarni slucajni dogadaj X" irna kao rnjeru vjerovatnocu Pi sa ovirn osobinarna:

• O:s: Pi :s: 1, iii Pi je pozitivan broj izmedu nule i jeclinice, ukljucujuci i te dvije granice, i

• L Pi = 1, i = 1,2, ... ,11, iii suma vjerovatnoca svih elementarnih dogadaja je uvijekjeclinica.

Kumulativna (integralna) funkcija raspodjele vjerovatnoce. Vjerovatnoca kada se slucajna promjenljiva nalazi u intervalu - 00 < X < X .Ie funkcija od x

F(x ) = p[-oo < X:s: x]= p[X:s: x]

(2.18)

koja se naziva integral nom funkcijom vjerovatnoce iii kumulativnom funkcijom raspocljele vjerovatnoce slucajne prornjenljive,

Ova funkcija je monotone neopadajuca funkcija definisana za svako x iz intervala (- 00, + 00).

Na osnovu prethoclnog pravila

P[a<X:S:b]=F(b)-F(a):2:0, a c b

(2.19)

jer vjerovatnoca ne moze biti negativna odakle se neposredno clobija

16

VJEROVATNOCA 1 STATISTlKA U HIDROLOGIJI

SLUCAJNE POJAVE

F(a)S:F(b) za a<b

(2.20)

Monotonija i ogranicenost kumulativne funkcije raspodjele (0 s: F (x) s: 1) povlace egzisteneiju granicnih vrijednosti:

F(-oo):::P(XS:-OO)= lim F(x):::O

X-+-CIJ

jer je dogadaj eX s: - (0) nemoguc i

F ( +(0) ::: P [X S; +001::: lim F (x) ::: 1

X-++CIJ

(2.21)

(2.22)

jer je dogadaj ex s: + (0) siguran, zbog toga sto se taj dogadaj sastoj i u tome da slucajna promjenljiva pri realizaciji posmatranog eksperimenta, uzme proizvoljnu

vrijednost. '

Ako je kumulativna funkcija raspodjele vjerovatnoce neprekidna u tacci x == a, tadaje vjerovatnoca da slucajna promjenljiva bude X == a, jednaka nuli

P [X a] 0

jerje

P[X:::a]:::limP[a<XS;b]=

b->a

::: lim[F(b) F(a)]::: F(a) - F(a)::: 0

b->a

Posljedica:

Zato kod neprekidne funkcije F(x) vaze jednakosti:

P[a < X < b]= P [a S; X < b]= P[a < X s: bI::: = P[a s: X s: b]= F(b)-F(a)

Za diskretnu slucajnu promjenljivu

kumulativna funkcija raspodjele irna oblik

VJEROVATNOC'A / STAT/STIKA U HfDROLOGfJI

(2.23)

(2.24)

(2.25)

(2.26)

17

SLUCAJNE Po./AVE

F(x) == p[X:S; x]== LPi

Xi<X

(2.27)

Graficko prikazivanje funkcije raspodjele gustine vjerovatnoce. Graficki se zakon vjerovatnoce Pi == p[X == Xi] moze prikazati u obliku krivulje, poligona i histogra-

ma vjerovatnoce,

Q.

/ krivulja vjerovatnoce

'i: _.16.//

poligon vjerovatncce

x

Stika 2.2 Graficko prikazivanje funkcije raspodjele gustine vjerovatnoce

Ako se II koordinatnom sistemu na apscisnoj osi nanese skup tekucih vrijednosti Xi, a na ordinatnoj osi vrijednosti Pi, dobije se skup tacaka (Xi, pJ

I. Krivulja vjerovatnoce dobija se ako se tacke (Xi, Pi) spoje jednom krivom Iinijorn,

2. Poligon vjerovatnoce se dobija ako se tacke (Xi, Pi) spoje pravcima,

3. Histogram vjerovatnoce se dobija ako se crtaju pripadajuci pravougaonici visine Pi i osnovice jednake jedinicnim intervalirna 1I cijim se sredinama nalaze odgovarajuce tekuce vrijednosti Xi tako da je zbir povrsina pravougaonika jednak jedinici.

18

VJEROVATNOCA 1 STAT1STlKA U HIDROLOGlJl

SLUCAJNE POJAVE

PRIMJER 2.1.

Neka je na metalnom novcicu sa G oznacena pojava grba a sa P po java pisma.

Baca se jedan novcic. Ako se sa X oznaci broj pojavljivanja pisma, treba izracunati odgovarajuce vrijednosti vjerovatnoca u dva moguca slucaja.

Slucajna prornjenljiva rnoze zauzeti same dvije diskretne vrijednosti, tj.

gdje a znaci da se na gornjoj strani nije pojavilo pismo, aIda se na gornjoj strani pojavilo pismo. Imajuci u vidu klasicnu (a priori) definiciju vjerovatnoce, P(X) = min, odgovarajuce vrijednosti vjerovatnoca su:

PI =p[X=Xt =0]=112 P2=P[X=X2=1] 112

Odgovarajuci graficki prikaz funkcije raspodjele gustine vjerovatnoce dat .Ie na slici 1.

Kumulativna funkcija raspodjele vjerovatnoce F (x) = P [X s x] slucajne promjenljive X.

F(x)=P[Xsx]=p[-<Xl<Xsx]= LPi

xjsx

• zax<O, F(x)=P[Xsx]=O,jerjedogadaj nemoguc

• zax=O, F(x)=P[XsO]=PI = 1 2

• za O::;x<l, F(x)=P[Xsx)=Pt =_!_ 2

• za x= 1, F(x)=P[Xs1]=P[X=0]+P[X=1]=PI +P2 =±+ ~ =1

• zax> 1, F{x)=P[Xsx]= IPi =p, +P2 =1

Odgovarajuci graficki prikaz kumulativne funkcije raspodjele vjerovatnoce prikazan je na slici 2.

VJEROVATNOCA 1 STAT/STIKA U HIDROLOGlJJ

19

SU;C'AJNE POJAVE

Pi=P[X=X;]

1/2
'/P1="2 1
P2=2
xi
- - - 1/21-----~

F(x) = P [X 0; xl

o

x

Slika 1. Graficki prikazfunkcije raspodjele gustine vjerovatnoce

Slika 2. Kumulativna funkcija raspodjele vjerovatnoce

PRIMJER 2.2.

U'periodu od 33 godine (1950. 1982. godina) na kisomjernoj stanici Sarajevo registrovan je broj javljanja kisa kratkih trajanja (pod kisom kratkog trajanja smatrana je kisa trajanja od 10 do 60 minuta). Registrovani podaci dati su u donjoj tabeli. Definiraii vjerovatnoce slucajne promjenljive i odgovarajuce funkcije raspodjele vjerovatnoce.

Broj pljuskova u godini 4 5 I 9 10 Jf 12 13114 Ukupno
x, godina
Broj godina 2 I .3 6 .3 6 1 I 3 N 33
./j Slucajna prornjenljiva je u ovom slucaju poprirnila J 1 diskretnih vrijednosti (a posteriori odredeno) ito:

X={x1 =4,x2 =5, ... ,x11 =14pljuskovaugodini}

Imajuci u vidu statisticku definiciju vjerovatnoce P (X) == jlN odgovarajuce vjerovatnoce racunaju se kao:

Pi:=:P[X=XJ=N i F(xJ= p[X:::; Xi]= LPi ;

j=l

2

F (x 2 ) = p [X :::; x 2 = 5] == L Pi j=!

PI + P2 :=: 0,061 + 0,030:=: 0,091

20

VJEI?OVATNOCA I STAT/STIKA U HlDROLOGIJJ

SLUc":AJN E POJA V E

Xi Pi F(Xi) Xi Pi F(Xi) Xi Pi F(Xi) Xi Pi F(Xj)
4 0.061 0.061 7 0.061 0.243 10 0.182 0.607 13 0.030 0.910
5 0.030 0.091 8 0.091 0.334 11 0.091 0.698 14 0.091 1.000
6 0.091 0.182 9 0.091 0.425 12 0.182 0.880 Funkci]a gustine raspodjele vjerovatnoce i kumulativna funkcija raspocljele vjerovatnoce prikazani su na slikama 1 i 2.

Potrebno je napomenuti (sto je razmatrano i u tacci 2.2) cia za ovaj primjer slijecli cia je p[X < xI = 4]= 0 i P[X > xII = 14]= 0 sto ne znaci da su ti clogadaji nernoguci (naravno, moze se pojaviti godina sa manje od 4 pljuska iii goclina sa vise ocl 14 pljuskovaj.-samo se takvi dogadaji nisu pojavili u posmatranom eksperimentu (perioclu osmatranja ocl N= 33 gocline).

0,20 0,15 0,10 0,05

°

Pi
I I I I Xi Stika 1. Graficki prikaz funkcije gustine raspodjele vjerovatnoce

1,00 0,75 0,50 0,25

o

Slika 2. Graficki prikaz kumulativne Junkcije raspodjele vjerovatnoce

Gore sracunate vjerovatnoce se u inzenjerskoj hidroloskoj praksi vrlo cesto izrazavaju i u procentima (od 0 do 100 %).

2.4.2. Kontinualna slucajna promjenljiva

Ako tekuca varijabla Xi slucajne promjenljive X moze uzimati ma koju vrijednost iz jednog intervala, tj. moze cia se neprekiclno rasporeduje duz toga intervala tacla se za X kaze da je neprekidna (kontinualna) slucajna promjenljiva.

Diferencijalni zakon raspodje/e. Neka se posmatra neprekidna slucajna promjenljiva X sa kumulativnom funkcijorn raspodjele vjerovatnoce F(x) za koju se pretpostavlja da je neprekidna i diferencijabilna funkcija. Vjerovatnoca da slucajna promjenljiva velicina bude u intervalu (x do x + Ax)

VJEROVATNOCA I STATISTIKA U HlDROLGOlJl

21

SLUCAJNE POJAVE

p[x<X:s:x+L\xJ=F(x+L\x) F(x)

jednaka je prirastaju funkcije raspodjele u tome intervalu, a izraz

P [x < X :s: x + L\x J L\x

zove se gustina vjerovatnoce u oblasti L\x.

Granicna vrijednost

I· p[x<X:s:x+L\x] l' F(x+L\x) F(x) F'() f(·)

IlTI = IITI --'-------'---"--'- =0 < X =:: X

L\x -->0 L\x Ax -,0 L\x

(2.28)

(2.29)

(2.30)

daje funkciju F'(X) = fex) koja se zove funkcija raspodjele gustine vjerovatnoce neprekidne slucajne promjenlj ive.

x

f(x) ,Jf(x)dx F(x)= p[X:S: x]

x

-00 0

Stika 2.3 Graficki prikaz funkcije raspodjele gustine vjerovatnoce za neprekidnu slucajnu promjenljivu

Posto je poznato da je funkcija F(x) monotone neopadajuca, tj.

f'(x) = F'(X):?; 0

onda funkcija vjerovatnocej'(x) ne rnoze biti negativna.

x

F(x)=::P[X:S:x]=p[-oo:S:x]= Jf(x)dx

F(-oo)= lim F(x)=O

x-s--co

(2.31 )

(2.32)

(2.33)

22

VJEROVATNOCA f STAT/STIKA U HfDROLOGfJI

SLUCAJNE POJAVE

F(+<Xl)= lim F(x)=P(-<Xl<X<+<Xl)=l

x-++oo

(2.34)

+00

Jf(x)dx=l

(2.35)

Funkcijay = F(x) ima dvije asirnptote:

y=o za X~-<Xl i y=l za X~+<Xl

(2.36)

Kumulativna funkcija raspodjele vjerovatnoce ima i slijedeca svojstva:

(2.37)

x,

b. P (XI < X < X2) = F (X2) - F (XI) = Jf(x}dx

(2.38)

Funkcija raspodjele gustine vjerovatnoce je diferencijalna kriva kumulativne funkcije raspodjele vjerovatnoce:

dF(x) d x) )

--=- Jf(x dx=f(x

dx dx -00

(2.39)

-(fJ 0

Slika 2.4 Graficki prikaz kumulativne funkcije raspodjele vjerovatnoce za neprekidnu slucajnu promjenljivu

VJEROVATNOCA I STATIS71KA U HfDROLOGIJI

23

SLUC:AJNE POJAVE

PRIMJER 2.3.

Definirati funkciju gustine raspodjele vjerovatnoce i kumulativnu funkciju raspodjele vjerovatnoce zafunkciju koja je svuda jednaka nuli osim u intervalu (a, b) gdje je konstanta, tj.

f(x)=c, u intervalu (a, b)

f(x)=O, za x s;a i x e.b

Da bi ova funkcija bila funkcija gustine raspodjele vjerovatnoce, mora zadovoljiti slijedeci uslov (vidi jednacinu 2.35):

+00

ff(x)dx=!

-00

odakle slijedi vrijednost konstante c

b I

fCdx == c(b - a) =: I => C:=:-a b-a

Kada je odredena vrijednost konstante c, zakon gustine raspodjele vjerovarnoce ima slijedeci oblik:

f(x}=: 0,

x?b

f{x)=

b-a

ciji dijagram je dat na slici I.

Kumulativna funkcija vjerovatnoce definirati co se podjelom intervala - C/) < x < +00 u tri podintervala:

a<x<b

1. x ::;a,

x

F{x)=: ff(x)dx =: 0

2. a <x <b,

x. a X x dx x-a

F(x)== f f(x)dx == ff(x)dx + ff(x)dx = 0 + f-' == _-

"b-·a b·-a

-<Xl

a

x a '. b .r

3. x e.b, F(x)= ff(x)dx= fl(x)dx + fI(x)dx+ ff(x)dx

-<Xl

a

dx

0+ +0=1

a b a

24

VJEROVATNOCA ! STAT/STIKA U HfDROLOGlJI

f(x)

b ~ a -------r-------,

x

a

SLUCAJN E POJA VE

F(x)

1 ---------------------7/"""---

x

a

Stika 1. Dijagramfunkcije gustine raspodjele vjerovatnoce

Slika 2. Dijagram kumulativne funkc ije vjerovatnoce

Dakle, kumulativna funkcija vjerovatnoce ima oblik

F(x)=O, x s a

() x - a

F x ::= ,

b-a

a<x<b

F(x)::=l, x ab

ciji dijagramje dat na slici2.

2.4.3. Visedimenzionalne slucajne promjenljive

Kada jedan dogadaj (opit, osmatranje) ima vise obiljezja onda se on moze opisati sa odgovarajucim brojem slucajuih promjenljivih.

Ako su istrazivane (osmatrane) dvije prornjenljive X i Y koje se zajednicki pojavljuju tako da postoji vjerovatnoca P(X Xi, Y Yi) = Pij slucaj je dvodimenzionalne slucajne prornjenljive. Ako je ukljuceno vise od dvije promjenljive, kao sto su XI, X2, ... , X;l' tako da postoj i vjerovatnoca P(XI = Xio X2 = X2, .•. , Xn = xn) 1I pitanju je slucaj visedimenzionalne slucajne prornjenlj ive.

Slucajevi dvodimenzionalne slueajne promjenJjive su na primjer zajednicka pojava promjenljive padavina na dvije stan ice, iii promjenljive padavina i odgovarajuce promjenljive oticanja u rijecnom slivu. To Sll takode razne osobine iste pojave kao sto je zajednicka pojava trajanja i ukupnih padavina olujnih kisa na datoj stanici za dato vrijeme godine, i slicno /43/.

Klasicni slucajevi visedirnenzionalne slucajne promjenljive u hidrologiji su: oticaj i mnoge odgovarajuce promjenljive padavina i rijecnog sliva; otapanje snijega i odgovarajuce promjenljive akumuliranog snijega, klimatskih faktora, ocekivanih padavina u toku sezone topljenja snijega i druge; kvalitet vode i odgovarajuce prornjenljive oticanja, doticaj podzemne vode, karakteristike rijecnog sliva i druge /43/.

VJEROVATNOCA I STAT/STIKA U HfDROLOGfJ!

25

SLUC'AJNE POJAVE

Visedimenzionalne slucajne promjenljive i njihove odgovarajuce raspodjele (funkcija gustine i kumulativna funkcija vjerovatnoce) vazne su za hidrologiju, jer su razne veze dvije iii vise hidroloskih promjenljivih prije stohasticke nego deterrninisticke prirode. Upotreba analize visestruke korelacije i drugih analiza visedimenzionalne slucajne promjenljive (0 cemu ce biti detaljnije rijeci u narednim poglavljirna) su savremene metode ustanovljavanja statistickih hidroloskih veza.

Kao i kod jednodimenzionalne slucajne promjenljive, slucajevi dvodimenzionaIne i visedimenzionalne slucajne promjenljive mogu biti sastavljeni samo od diskretnih vrijednosti iii samo od kontinualnih vrijednosti promjenljivih. U daljnjem izlaganjurazrnatrace se dvodimenzionalna slucajna promjenljiva sa obiljezjima Y i Y.

Nekaje diskretna slucajna promjenljiva X = { XI, X2, ... , xl11} a slucajna prornjenljiva Y = { YJ, Y2, ... , YIl}, tada se funkcija zajednicke gustine raspodjele vjerovatnoce moze napisati kao:

p [X = Xi' Y = Y j ] = p [(X = Xi) !\ (v :::: Y j )] = P ij :::: f (x i , Y j )

(2.40)

zai= 1,2, ... .m i j= 1,2, ... .n.

Osnovni uslovi koje mora zaelovoljiti funkcija f (Xi' Y j) kao i za jednodimenzionalnu slucajnu prornjen Ij ivu su:

• f(xj'Yj):2:0 vi 1,2, ... ,111 ij=I,2, ... ,11

+ ~±f(Xi'Yj)=1

i=l j=I .

Kumulativna funkcija raspoeljele vjerovatnoce se definise slicno kao i za jednodimenzionalnu slucajnu promjenljivu, tj.

(2.41 )

F (x, y) je realna jednoznacna funkcija. Ona je funkcija raspodjele vjerovatnoce onda i samo onda kada je neopadajuca i neprekidna bar sa lijeve strane U odnosu na oba argumenta x i Y i kada pri XI < X2 i YI < Y2 za svaki par (Xl, YI) i (X2' Y2) je ispunjen slijede6i uslov (vidi sliku 2.5) 119/:

(2.42)

26

VJEROVATNOCA J STAT/STIKA U HIDROLOGIJJ

SLUCAJNE POJAVE

y

x

Stika 2.5 Graficka ilustracija zadovoljenja uslova (2.42)

za dvodimenzionalnu slucajnu promjenljivu '

Kada se radi 0 kontinualnoj iii neprekidnoj dvodimenzionalnoj slucajnoj promjenljivoj Cx, y), to je ona nenegativna funkcijaf(x, y) za kojuje

(2.43)

kurnulativna funkcija raspodjele vjerovatnoce, a f (x, y) funkcija raspodjele gustine vjerovatnoce. Pri tome moraju biti zadovoljeni uslovi:

-00 -Cf)

+00 +00

f Jf(x,y)dxdy=1

(2.44)

a za neprekidnost u tacci (x, y)

a2F(x,y) =f(x )

axOy ,y

f(x,y)= lim

Llx->O.6y-+O

(2.45)

P [x < X :::; x + !'ix, y < Y :::; Y + !'iy] !'ix6.y

(2.46)

Marginalna vjerovatnoca. Za razliku od jednodimenzlonalne slucajne promjenljive, kod analize dvodimenzionalne slucajne promjenljive javlja se interes da se sagleda funkcija raspodjele samo jedne slucajne promjenljive, zanernarujuci pri tome pitanje koje su se vrijednosti druge slucajne promjenljive pojavile pri tome. Takva vjerovatnoca se zove marginalna vjerovainoca.

VJEROVATNOCA I STAT/STIKA U HfDROLOGIJ!

27

SLUCAJNE POJAVE

Funkcije marginafne raspodjele gustine vjerovatnoce za slucajnu promjenljivu X, lex;), i = J, 2, ... , m, defin iSL! se kao:

f(x;)=P[X==x;]==p;. ==p(X==X;'Y=YI)+

+ r(x ==xl'Y == Y2)+ ... + p(X == xi,Y == y,J=

"

== Pi,! + P;,2 + ... + Pi,,, == LPi,j

.H

(2.47)

Simbol oznacavanja Pi. znaci da se traz! vjerovatnoca za odredenu vrijednost slucajne prornjenljive X (X == Xi) i sve moguce realizacije druge slucajne prornjen Ij ive Y sto se oznacava tackcm (e).

Slicno fllnkcijal(Yi) zaj = 1,2, ... , n se definise kao:

f{yJ= r[y == yJ= P.j 0= p(X == XI' Y == yJ+

+p(X == X2' Y == yJt- ... + p(X ='xm,Y = yJ=

111

== PI,j + P2,j + ' .. + Pm,j =: LPi,J i=1

(2.48)

Jedan od vrlo cestih, ilustrativnih prikaza dvodimanzionalne slucajne prornjen!jive l (Xi' yJ= Pi,j je tzv. tabelarni prikaz (tabela 2. J).

Tabela 2.1 Tabelami prikaz dvodimenzionalne slucajne promjenljive
[X XI X2 Xi Xm p.j
, ',t '\,'
YI ,I P 1,1 P 2,1 P i.1 P m,1 P .1
Y2j,r,1 P'1,2 P 2,2 P i,2 P m,2 P .2
Yj P Ij P 2j P i,j P mj P oj
YII ~\'" PIli P 211 P i.u PlIl.Il .~'L
Pi. PI. P 2. Pi. P m. Uslovna vjerovatnoca. Kod analize dvodimenzionalne slucajne promjenljive, vrlo cesto se upotrebljava i koneept tzv. uslovne vjerovatnoce, 0 kojoj je vee bilo rijeci u tacci 2.2. Primjenjujuci izraz (2.13), odnosno (2.14) vjerovatnoca pojave neke

28

VJEROVATNOCA ! STAT/STIKA U HIDROLOGfJI

SLUCAJNE POJAVE

vrijednosti (iii nekih vrijednosti) jedne slucajne promjenljive pod uslovom (iii dato) da se pojavi fiksna vrijednost druge slucajne promjenlj ive, maze se definirati kao:

p[X=Xj,y=yJ p[y =yJ

(2.49)

(2.50)

PRIMJER 2.4.

Za dva akumulaciona bazena koja obezbjeduju vodu za navodnjavanje jednom irigacionom sistemu, osmatranjem je prikupljen niz od stotinu podataka koji predstavljaju broj pojava stanja istovremene ispunjenosti akumulacija, tj. zapremina vode u razmatranim akumulacijama (tabela 1.).

Tabela 1.

"'e' i=1 i=2 i=3 i=4 i = 5 i = 6 i= 7
hm~, Vi (11m 3 p.j
1 3 5 7 9 11 13
j=l 1 01100 11100 III 00 31100 21100 01/00 11100 8/100 P.l
J=2 3 ]1100 21100 31JOO 51/00 31100 21100 21100 181100 P·2
j=3 5 21100 41/00 91]00 ]21/00 81100 5//00 2I!00 421100 P'3
J=4 7 JlJOO 31/00 51]00 61100 41100 21100 II/OO 221100 p."
j=5 9 JlJOO 1/100 21100 31]00 21]00 III 00 01]00 101/00 p.s
Pi. 51] 00 /11100 201]00 291/00 ]91]00 J()I]OO 61]00 1001/00
PI- P2. P3' p". ps, P6_ P7. Odrediti:

I. Marginalne vjerovatnoce Pie P«].

2. Uslovne vjerovatnoce

P[w20Iv=9]=? P[v=1lIw=5]=?

Kao sto je vee receno u tekstu zadatka brojevi u gornjoj tabeli predstavljaju broj pojava stanja istovremene ispunjenosti akumulacije, odnosno zapremine vode. To

VJEROVATNOCA / STAT/STIKA U HIDROLOGIJI

29

SLUCAJNE POJAVE

prakticno znaci da je na prirnjer za i = 4 i j = 3 od ukupno 100 osrnatranja bilo 12 osrnatranja kada je prva akumulacija (cija zapremina je oznacena sa v) imala zapreminu od v = 7 hm ', dok je istovremeno druga akumulacija (cija zaprern ina je oznacena sa 11') irnala zapreminu od w = 5 hrn '. Obzirorn da je osmotreno ukupno 100 istovrernenih-stanja, prerna statistickoj definicij i vjerovatnoce, vjerovatnoce istovremene ispunjenosti akumulacija se definiraju kao:

, . 4" 3 d 71 3· 51 3 v' sto za I = 1 J == ,0 nosno v == rm 1 W = 1111' znact

P4,3 =12/100=0,12.

Na isti nacin definirane su sve vjerovatnoce unutar tabele 1. Marginalna vjerovatnoca Pi .. definira se prema izrazu (2.47) kao:

Pi.::::f(V;) p[V==v;]==p(V==vi,W=wj)+ +p(V=vi,W wJ+ ... +p(V=vj,W::::wll)==

.5

== Pi I + Pi 2 + ... + Pi 11 :::: "Pi J"

" . ~ ,

H

Tako je na primjer

5

PI. :::: LPl,.i == PI,I + PI,2 + PI,3 + PI,4 + PI,S :::: .j=!

== 0/100 + 1/100 + 2/100 + 1/100 + 1/100:::: 5/1 00

Znaci vjerovatnoca da ce zapremin. prve akumualcije biti jednaka v == 1 hrn',

bez obzira na stanje zapremine druge akurnulacije (14' = 1 h'113 iii W ~~ .... , iIi

W = 9 hrrr') iznosi 51100, odnosno 0,05.

Identicnim postupkom definira se P.j' kao:

P.j =f(wJ=P[W=wJ=p(V:=vl,W=wJ+

+ p(V:::: v2' W = wJ+ ... + p(V = vITI' W = w J=

7

= PI,j + P2,j + ... + Pm,j =: LPi,j 1=1

Tako je na primjer

30

VJEROVATNOCA I STAT/STIKA U HlDROLOGfJ!

SLUCAJNE POJA VE

7

P.3 = .LPi,3 =Pl,3 + PZ,3 + ... + P7,3 == 1=1

= 2/1 00 + 4/100+ ... + 21100 == 421100

Uslovna vjerovatnoca p[w;::O/v=9]=?

Prema izrazu (2.50) trazena vjerovatnoca iznosi:

5 5

p[Y W ] LLPi,i

p[w;::0/v=9]== =Vi, =Wi_= i~5j~1 _

p[Y = V;] PS.

PS.I + PS,2 + PS,3 + PS,4 + PS,5 == 19/100 = 1

P5. 19/100

Do ovog odgovora 1110gl0 se doci i intuitivno, Zapravo, pitanje je glasilo: ako je poznato da je zapremina prve akumulacije v 9 hm'', kolika je vjerovatnoca da se pojavila jedna od osmotrenih vrijednosti zapremina druge akumulacije, Vjerovatnoca je jednaka 1, jer se u osmotre.iom uzorku za v = 9 hm3 mora pojaviti jedna od zaprernina druge akumulacije (w = I hm3 iii w = 3 hm'' iii ... iii w = 9 hrrr'). Treba imati u vidu da iako je statisticka vjerovatnoca ovog dogadaja jednaka J, to ne znaci da se ovaj dogadaj mora realizovati u buducim eksperimentima (osmatranjima) istovrernenog stanja zapremina akumulacija, tj. daje to siguran dogadaj.

Uslovna vjerovatnoca p[v = ll/w:= 5]:=? Prerna izrazu (2.49) trazena vjerovatnoca glasi:

6 "

P [v = J 1/ w = 5] =

[v == Vi' w:= w;]

p[W=wJ -

P6,3

5/100

5/42

P.3 421l 00

Znaci vjerovatnoca da je zapremina prve akumulacije v = 11 hm', ako je poznato daje zaprernina druge akumulacije w 5 hm'', iznosi 5/42.

* **

VJEROVATNOCA I STATISTIKA U HIDROLOGlJI

31

SLUCA.JNE POJA VB

Kada se radi 0 dvodimenzionalnoj kontinualnoj slucajnoj promjenljivoj cx, y), kumulativna funkcija raspodjele vjerovatnoce za slucajnu promjenljivu X se definise kao:

(2.51)

a marginalna funkcija raspodjele gustine vjerovatnoce kao:

+<Xl

~(x)= f f(x,y)dy

(2.52)

-<Xl

Analogno za slucajnu promjenljivu Y:

(2.53 )

+<Xl

y](y) f f(x,y)dx

(2.54)

--<Xl

I1ustrativan pnmJer dvodimenzionalne kontinualne slucajne promjenljive je brzina vjetra. Marginalna raspodjela vjerovatnoce na prirnjer brzine vjetra mogla bi se napraviti za svaki od pravaca vjetra,

2.5. POVRXI1'fI PERIOD

U hidroloskoj praksi se umjesto vjerovatnoce

(2.55)

cesto koristi slijedeca vjerovatnoca od (D(x)= p[X?:: x]= 1- P[X S x]= 1- F(x). Reciprocna vrijednost od cD (x), tj.

( . J I

T x) == cD (x) p[x ?:: x]

(2.56)

II hidrologiji se naziva povratnim periodom, a vjerovatnoca cD(x) vjerovatnoca prevazi lazenja,

Treba imati u vidu da se, obzirom na jednacinu 2.23, moze pisati F(x)+cD(x) == I.

32

V.JEROVATNOCA I STATISTIKA U HIDROLOGI.JI

SLUCAJNE POJAVE

Ako se X odnosi na neku prornjenljivu vezanu za jednu godinu, sto je cest slucaj u hidrologiji (naprimjer maksimalni iii srednji godisnji proticaji), onda se povratni. period izrazava u godinarna

1 1

-(-) =-(-) =T(x)

<Dx 1-Fx

[god ina ]

(2.57)

Tako, naprimjer, vjerovatnoci <D (x) = 0,0 I odgovara povratni period

T(x)= _1(_) = 1 = 100 godina

<]) x 0,01

(2.58)

Obzirorn da je <D (x) = P [X:::: x], T (x) se definise kao prosjecni interval vremena (u godinarna) tokorn kojeg ce se jedanput javiti X:::: x. Kada se, reeimo radi 0 maksimalnim godisnjim protieajima, cesto se kaze, 100 - godisnja velika voda, pri cemu se podrazumijeva trenutni proticaj Qmnx koj i se II prosjeku javlja jed nom u 100 godina.

Generalno, termin povratni period, koji se u literaturi obicno oznacava sa T, je vrijeme koje u prosjeku protekne izmedu dva dogadaja koji su jednaki iii prevazilaze odredenu vrijednost. Drugacije receno, N·- godisnji dogac1aj, za koji se ocekuje da ce biti dostignut iii prevaziden, u prosjeku, svakih N - godina, ima povratni period T, od N godina.

To nadalje ne podrazumjeva da se N - godisnj! dogac1aj pojavljuje pravilno.

Medutirn, postoji vjerovatnoca njegovogjavljanja u bilo kom odredenorn vrernenu.

Ako vjerovatnoca P [X 50 x] predstavlja vjerovatnocu da x nece biti dostignuto ili prevazideno u odredenom periodu vrernena, tada ce P [X 50 x], predstavljati vjerovatnocu da x nece biti dostignuto iii prevazideno u n takvih perioda.

Za jednu nezavisnu slucajnu promjenljivu i koristenjem definicije slozene vjerovatnoce (jednacina 2.12), 1110ze se pisati:

odnosno

p[X::::X]n =1-[l-P(X::::x)]n

Kako je T =- [1 ]" slijedi

P X::::x

VJEROVATNOCA / STAT/STlKA U HIDROLOG/JI

33

SLUCAJNE POJAVE

[I TI J"

p[X~x]., =1

Tako na prirnjer, vjerovatnoca da ce se javiti X ;? X20, U odredenom 3 - godisnjem periodu, gdje je X20 vrijednost maksimalnog godisnjeg proticaja povratnog periodajavljanja od T= 20 godina, iznosi:

U tabeli 2.2 se daju vjerovatnoce javljanja (u %) nekog dogadaja x, razlicitih povratnih perioda javljanja T, U odredenom periodu od n godina /25/.

Tabela 2.2 Vjerovatnocejavljanja ('Yo) nekog dogadaja x. razlicitih povratnih perioda javljanja T (godina), U odredenom periodu od n godina

f='
Duzina Povratni period javljanja
perloda T (godina)
n (god.) 5 to 20 50 tOO 200 500 1000
I 20 10 5 2 ! I 0,5 0,2 0,1
l-r-: ,
2 +-33 19 10 4 2 1 0,4 0,2 __
3 45 27 14 6 3 1,5 0,6 0,3
5 .-_
63 41 22 10 5 2,5 I 0,5
10 '87 -- 65 40 18 9 5 2 I
1--
20 98 88 64 33 17 10 4 2
~- 99,8 96 78 45 24 14 6 3
60 99,8 95 70 43 26 II 6
100 99,4 87 60 39 18 9
206- ---_,
98,2 74 63 33 18
500 I 99,6 92 63 39
1000 99,3 96 63 Na primjer, iz tabele 2.2 se maze uociti da postoji vjerovatnoca od 1 % da ce se dogadaj povratnog perioda javljanja od T = 200 godina javiti u slijedece dvije godine (n = 2) i vjerovatnoca ad 8 % (100 - 92), da se on nece pojaviti 11 slijedecih 500 godina.

34

VJEROVATNOCA I STAT/STIKA U HIDROLOGIJI

SLUCAJNE POJAVE

2.6. POPULACIJA r UZORAK

Populacijom iii osnovnim skupom se naziva simp 6iji elernenti, objekti iii pojave irnaju izvjesne zajednicke karakteristike,

Svaki podskup iz populacij~.pr~dst~vlja -r= iz t~ populacije. Kod slueajnog uzorka, svaki elemenat populacije una jednaku I nezavlsnu sansu da ude 1I uzorak, Iii drugacije receno, konacna kolicina podataka koja je prikupljena za sllleajnl1 prornjenljivu bilo iz beskonacne iii iz konacne populacij- cini uzorak koji je izvl1cen iz doticne populacije.

Populacija moze biti konacna iii beskonacna (prostorno i vremenski), Beskonacna populacija se definise kao posjedovanje beskonacnog broja potencijalnih osmatranja (ishoda, eksperimenata,· opita) i beskonacnog broja potencijalnih real izacija uzoraka bilo koje velicine, Bilo koje snimanje iii bilo koji pokusaj osmatranja ne rnoze iscrpiti sve vrijednosti iii sve realizacije beskonacne populacije,

Za velike konacue populacije, ekonomicnost pribavljanja informacija ne dopusta do kraja sprovodljiv prilaz za dobivanje podataka za cijelu konacnu populaciju, iako je to moguc posao /43/.

Hidroloske slucajne promjenljive u vecini Silicajeva imaju beskonacne populacije, tako da nismo 1I mogucnosti da analiziramo citavu populaciju vee (skoro uvijek) samo njen uzorak, Pri tome, uzorak bi morao dobro reprezentovati, populaciju, tj. morao bi biti reprezentativni uzorak, Da bi se kod statistickih izucavanja dobio reprezentativni, slucajni uzorak, do statistickih podataka se dolazi pornocu statistickih eksperimenata. Pri tome se vrsi planiranje eksperimenata, kako bi se sa ogranicenim brojem ispitivanja (tj. sa uzorkom optirnalne velicine) mogli donijeti zakljucci 0 osobinarna populacije. Kako je vee receno slucajnirn Uzorkom nazivamo podskup koji se sastoji od elemenata sajednakom vjerovatnocom izbora. Ako neki elementi populacije (osnovnog skupa) irnaju vecu vjerovatnocu od drugih da budu izabrani.uzorak nije slueajan nego se naziva pristrasnim uzorkorn.

Medutini, u hidrologiji planiranje eksperimenata ima nesto drugaciji smisao od onog u mnogim drugim naucnim disciplinama. U hidrologiji planiranje eksperime_ nata znaci blagovremeno i dugotrajno osmatranje relevantnih hidroloskih slucajnih promjenljivih (vodostaj, proticaj, padavine, snjezni pokrivac, temeparature vode i zraka, isparavanje, itd.). Drugim rijecima, uzorak je rezultat ponovljenih mjerenja iii osmatranja, au nekim slucajevima i skup rezultata proracuna koji se provode u cilju simuliranja odredenog procesa.

Prikupljanje, sistematizacija i prikaz ovih podataka, na bazi koj ih se mogu izraditi pouzdane analize neophodne za dcnosenje zakljucaka u pogledu vodnog rezima cesto zahtijevaju decenije sistematicnog, strpljivog i marljivog rada, a takode i znatna materijalna sredstva. Da bi nasa zakljucivanja bila sto pouzdanija, nastoji se da se odredena karakteristika .populacije utvrdi na bazi sto veceg uzorka, S ti~ da

VJEROVATNOCA 1 STATlSTIKA U HlDROLOGIJI

35

SLuC':AJNE POJAVE

/

troskovi vezani za ovo utvrdivanje budu II granicama prihvatljivih - dakle radi se 0 optirnizacij i.

Osmatrane promjenljive su iIi LI obliku uzorka diskretnih vrijednosti iIi u obliku kontinualnih registrovanja. Najcesce SLl to diskretne iii kontinualne serije osmatrane po vremenu (vremenske serije) iIi duz neke linije.

Glavni problem .u hidrologiji, kao i U ostalirn prirodnim naukarna, je zakljucivanje 0 svojstvima populacije na osnovu svojstava uzoraka. To je posredno most izmedu uzorka sa kojim se raspolaze i svih buducih uzoraka koji se mogu pojaviti II slucaju vremenskih serija. Osnovni problem je u tome da karakteristike uzorka daju procjene za karakteristike populacije slucajne promjenljive (slika 2.6).

POPULACIJ~

LUZORAK

o er:: o N :::J

'0 :::J o :::J Q)

:;

(/)

ZAKLJUCIVANJE (inferencija)

N - raspolozivl uzorak;

No- period anallze podataka, vodoprivrednih planiranja, projektovanja i izgradnje objekata;

Nj - velicina uzorka ekvivalenta

ekonornskorn vijeku objekta za kojeg se rnoze izvesti skup uzoraka, svaki sa razlicitorn funkcijom gustine raspodjele gusto6e

Slika 2.6 Sematski prikaz problema statistickog zakljucivanja vezanog na vremensku seriju u hidrologiji /43/

Naravno jasno je da se u hidrologiji u najvecern broju slucajeva beskonacne populacije kao sto su na primjer godisnje padavine i godisnje oticanje ne rnogu osmatrati. Medutim, kada se radi 0 velikirn konacnim populacijarna, onda ekonorni-

36

VJEROVATNOC'A 1 STATISTIKA U HIDROLOGJJJ

SLUCAJNE POJAVE

cnost pribavljanja informacija 0 razmatranoj promjenljivoj ne dopusta do kraja sprovodljiv prilaz za dobivanje podataka za cijelu konacnu populaciju, iako je to moguczadatak. Na primjer, populacija svih slivova rijeka povrsine 10 km2 pravilno definisanih i bez preklapanja povrsina u jednorn podrucju je konacna populacija. Ekonomski .ie neizvodljivo da se vrse mjerenja na svim tim slivovima. Posto se hidroloski podaci vecinom elaju kao ogranicene kolicine podataka u obliku uzoraka, matematicka statistika je glavna discipline koja omogucava dobivanje potpune informacije iz podataka i izvodenje zakljucaka 0 karakteru slucajne prornjenljive.

Uzorak slucajne prornjenljive se obicno analizira na elva osnovna nacina 143/:

(i) razrnatranje i istrazivanje podataka uzorka vrse se bez ikakva obzira na osobine nj ihove populacije (deskriptivna statistika), i

(ii) iz podataka koje sadrzi uzorak izvoele se zakljucci 0 osobinama njihove populacije (tzv. inferencijalna statistika), lake je koristenje deskriptivne statistike svakidasnja hidroloska praksa daleko bolja analiza hidroloskih statistickih podataka osniva se na primjeni inferencijalne stastistike. Predpostavljajuci buduce ocekivane hidroloske karakteristike 1I obliku procjenjenih osobina populacije, i dodjeljivanjem gresaka, koje SlI neizbjezno udruzene sa tim procjenama karakteristika, iz uzorka se moze izvuci prikladna hidroloska informacija zadonosenje zakljucaka.

U statistickoj hidrologiji se prakticno sve analize vrse na bazi slucajnog uzorka, odnosno slucajnog - hronoloskag nita u korne SlI svi clanovi medusobno nezavisni. Za takve hidroloske procese, (proces je svaki fenornen koji je podvrgnut neprekidnim prornjenama, narocito u pogledu vremena) redosljed pojavljivanja vrijednosti u procesu je nepoznat i mogucnost njegovog javljanja slijedi jedan odredeni zakon vjerovatnoce 1I korne su promjenljive cisto slucajne velicine,

Ovakvi procesi se nazivaju probabilistickim za razliku od stohastickih procesa koji se razlikuju od probabilistickih po tome sto njihovo ponasanje zavisi od vremena,

Drugim rijecima, odgovarajuci aparat matematske statistike se moie primjeniti samo pod uslovom da su vrijednosti hidroloskih velicina u izucavanom uzorku nezavisno rasporedene u vremenu 120, 431.

VJEROVATNOCA J STATISTIKA U HlDROLOGIJJ

37

NUMERICKE KARAKTERIS7~'KE

-, .. c.)hJCa/ f'rouodi soe, bez "arlzol'o i bez ihahua rGZmIJ/;ClfljO, i lJpr(wo za ,rio /e s/'/ep, 011 popllnjooa hadfo SUI:;; I'Jjeha, naoodn/aoa sua I'0/;o i dale suahom uJdnu /raoe njemu po/rebon ob£'o.h hap/;'ica oode. "

(7Jer/rand)

3

NUMERICKE KARAKTERISTIKE SLUCAJNE PROMJENLJIVE

U ranijim razmatranjima je zakljuceno da je za pouzdano sagledavanje ponasanja nekog hidroloskog procesa neophodno prikupiti sto vise hidroloskih podataka (mjerenja padavina, osmatranja vodostaja, mjerenja proticaja, i sl.). Iz ovoga proizilazi da se hidroloske obrade i analize zasnivaju na velikom broju podataka, odnosno na velikim uzorcima slucajne hidroloske promjenljive. Pri tome, pod hidroloskom obradom i analizom podrazumjevamo proceduru pomocu koje se iz velikog uzorka odreduju neke tzv, numericke karakteristike slucajne promjenljive koje ukazuju na ponasanje uzorka. Upravo 0 tim numerickim karakteristikama uzorka ce biti govora u nastavku.

Grupisani i negrupisani hidroloski podaci. S obzirom na velicinu uzorka, te na nacin i tacnost mjerenja hidroloskih velicina, realno je ocekivati da se u velikom uzorku vise puta ponovi jedna te ista velicina, Na primjer, u 50 godina od po 365 dana osmatranja, vodostaj i koj i se ocitavaju sa tacnoscu 1 em, cak i na vodotocima gdje oscilacije mogu biti i po 10m, mora biti znacajan broj ponavljanja. Na slican nacin se ponasaju i drugi hidroloski procesi (broj kisnih dana II godini, temperature vazduha lit se ocitanje vrsi na 0,1 "C, itd.). Kako je broj podataka veoma veliki, neophodno je da se pnkupljenc ::~.r,:,;m"('i_je obrade j :-::I klasifjcimju i koncentrisu. Prethodno razmatranje ukazuje na to da se hidroloski podaci (rezultati osmatranja hidroloske slucajne promjenljive) mogu predstaviti u dva oblika: kao negrupisani podaci i kao grupisani podaci.

Kod negrupisanih podataka oni su, predstavljeni jednim skuporn iIi nizom osmotrenih vrijednosti slucajne promjenljive (Xi, i = I, 2, ... , N). Na primjer to mogu biti vrijednosti dnevnih vodostaja na nekoj vodomjernoj stanici za period od godinu dana (N= 365 dana).

X {xj},i=I,2, ... ,N.

VJEROVATNOCA J STAT/STIKA U HlDROLOGJJI

39

NUMERl(~KE KARAKTERISTIKE

Kod grupisanih podataka oni se predstavljaju jednim skuporn podataka sa dva obiljezja i to vrijednoscu slucajne promjenlj ive i ukupnirn brojem ponavljanja te vrijednosti slucajne prornjenljive u razrnatranom uzorku, kao:

Y={Yi,fJ, i = 1,2, ... , n.

Broj ponavljanja prornjenljive naziva se apsolutna ucestalost iii apsolutna frekvencija i obicno se oznacava sa!

Frekvencija se cesee izrazava u fermi tzv. relativne frekvencije z, koja se racuna kao odnos apsolutne frekvencijefi broja elemenata u uzorku N

f =_!_

r N

(3.1 )

Naravno, kod negrupisanih podataka vrijednost apsolutne frekvencije iznosi .Ii = 1, a relativne 1. = UN.

PRIMJER 3.1.

Registrovane podatke 0 broju pojavljivanja pljuskova na kisomjernoj stanici Sarajevo iz primjera 2.2., predstaviti u dva oblika: kao negrupisane i kao grupisane podatke.

Negrupisani podaci

Broj Broj Broj Broj Broj
Godina pojav- Godina pojav- godina I rja~- godlna pojav- Godina pojav
I.iivan.ia ljivan]a ljivan]a Ijivanj:
1950 4 1957 14 1964 12 1971 5 1978 13
1951 12 J958 10 1965 8 1972 14 1979 10
1952 9 1959 12 1966 6 1973 8 1980 7
-
1953 9 1960 10 1967 8 1974 II 1981 12
1954 4 1961 10 1968 10 1975 10 1982 9
1955 12 1962 II 1969 11 1976 7
1963 14 1970 6 1977 12 --
1956 6 Grupisani podaci

Broj pljuskova 4 5 6 7 8 9 10 1 1 12 13 14 L:
u godini "
godilla 2 1 3 2 3 3 6 3 6 1 3 33 40

VJEROVATNOCA I STAT/STIKA U HIDROLOGlJ!

NUMER1C'KE KARAKTER1STIKE

3.1. SREDNJE VRIJEDNOSTI

Teznja okupljanja slucajne promjenljive oko neke centricno locirane vrijednosti slucajne promjenljive predstavlja redovnu pojavu kod funkcije raspodjele gustine vjerovatnoce. Te centricno locirane vrijednosti nazivaju se desktriptorima koj i daju mjere centralne tendencije iii srednjim vrijednostima. To su: aritmeticka sredina (ili jednostavno srednja vrijednost), geometrijska sredina, harmonijska sredina, medijana, mod (modus) i drugi. Od svih srednjih vrijednosti aritmeticka sredina iii kako se vrlo cesto naziva ocekivana vrijednost je najces6e upotrebljavani deskriptor centralne tendencije iz kog razloga ce mu se posvetiti nesto veca paznja.

Ocekivana vrijednost (srednja vrijednost)

Upotreba ocekivane vrijednosti iii srednje vrijednosti kao nacina predstavljanja niza vrijednosti slucajne promjenljive X jednim jedinim brojem, moze se smatrati jednim od najstarij ih elemenata statistike.

Ako je zadana diskretna slucajna promjenljiva

onda zbir proizvoda mogucih vrijednosti tekuce varijable (Xi) odgovarajucih

vjerovatnoca (Pi) definise srednju vrijednost

n

i-! = E(X)= LPjXi (3.2)

i=1

koja se naziva srednja vrijednost iii matematicko ocekivanje iii ocekivana vrijednost slucajne promjenljive (X).

Obzirorn na vee izrecenu konstataciju da hidroloske slucajne promjenljive u vecini slucajeva imaju beskonacne populacije (osnovne skupove), potrebno je uvesti, odnosno razlikovati posebne oznake karakteristicnih velicina populacije i uzorka, iako se svi izrazi, 0 kojima ce biti detaljnije rijeci u nastavku, odreduju na identican nacin, bilo za populaciju bilo za uzorak. Dakle zbog toga, ukoliko se radi o odredivanju srednje vrijednosti ogranicene populacije, onda se ona obicno oznacava sa x.

Ako se u (3.2) zamijeni statisticki oblik vjerovatnoce

VJEROVATNOCA I STATlSTlKA UHIDROLOGIJI

41

NUMERICKE KARAKTERISTIKE

f. 11

Pi = _!_ gdje je N = Ifj

N i=1

dobija se oblik za ocekivanu vrijednost

(3.3)

koja se naziva ponderisanom (slozenom, vaganom, mjerenom) srednjom vrijednoH:u za grupisane podatke slucajne prornjenljive.

Kod negrupisanih podataka slucajne promjenljive apsolutne frekvencije jednake

su jedinici (.Ii = I,N = .ffi = n) te formula (3.3) za ocekivanu vrijednost dobija

l 1=1

oblik

N

LXi ~ = E (X ) = __i:j_ = ---'---"--~-'_'_

N N

(3.4)

PRIMJER 3.2.

a. Odrediti srednju vrijednost broja pojavljivanja pljuskova u jednoj godini na kisomjernoj stanici Sarajevo (primjer 2.2).

b. Odrediti srednje vrijednosti zapremina akumulacija v i w (primjer 2.4.)

ad a. Prema formuli (3.2):

11 II

X = E(X)= LPiXi = LPiXi = PI XI + P2X2 -1- ... + PllXl1 =

j;1 j;1

=0,061· 4 + 0,030·5 + ... + 0,091·14 =9,58

Prema fonnuli (3.3)

1

=-(4.2+ 5·1 + ... + 14·3)=9,58

33

Prema formuli (3.4) za negrupisane podatke date u primjeru 3.1.

42

VJEROVATNOC'A I STAl1STlKA U HIDROLOGIJI

NUMERICKE KARAKTERISTIKE

1 N 1 33 1

x=E(X)=-L:x; =-L:x; =-(4+12+ ... +9)=9,58

N ~ 33 ;~ 33

Znaci, praktican odgovor na pitanje koliko prosjecno pljuskova u jednoj godini se javlja na kisomjernoj stanici Sarajevo glasi: na kisomjernoj stanici Sarajevo u prosjeku, svake godine javlja se priblizno 10 pljuskova (kisa trajanja od 10 do 60 rninuta), vecih od neke vrijednosti.

ad b. Prema formuli 3.2

5 11 6 3

=-1+--3+"'+--13 =707 hm

100 100 100 '

17 27 57

W = E(W) = L:L:p;w + L:L:P;w +". + L:L:p;w

j=l ;~I J J j~2;~J J J j=fi i=I J J

5

L:P.jwj =

J~l

8 18 10 3

1 + -- 3 + ". + 9 = 5,66 hm

100 100 100·

* **

Ako je zadana neprekidna slucajna promjenljiva

x = {X,dP = f(x)dx, :EeX)dX = 1}

(3.5)

onda se ocekivana (srednja) vrijednost definise nesvojstvenim integralom

+00

J-l=E(X)= Ixf(x)dx

(3.6)

koji ce sigurno postojati ako je X ograniceno. Formula (3.6) se dobije iz izraza (3.2) kada se tekuca promjenljiva (Xj) zamijeni neprekidnom varijablom (x), odgovaraju6a vjerovatnoca (Pi) sa diferencijalom vjerovatnoce dp = f(x)dx i suma integralom,

VJEROVATNOCA I STATISTIKA U HIDROLOGIJI

43

NUMERICKE KARAKTERISTIKE

PRIMJER 3.3.

Odrediti srednju vrijednost za funkciju iz primjera 2.3, sa funkcijom gustine raspodjele vjerovatnoce

f(x)= 0,

za x s a

x::o:b

f(x) = J

b a

za a c x x b

Na osnovu formule (3.5)

+00 , 1 b a + b

~l=E(x)= fxf (x)dx =-- fxdx:=-r-

_a.) b-a a 2

* **

Svojstva ocekivane (srednje) vrijednosti /8, 19/

1. XI < IJ. <XN

2. Akojexl=X2='''=XN=a,tadaje

~l=E(a)=a

(3.7)

U slucaju diskretne slucajne promjenljive

(3.8)

Kada se radi 0 neprekidnoj slucajnoj prornjenljivoj, za X = a slijedi

E(X)= ~I xf(x)dx= ~I af(x)dx=a~If(x)dx=a, Clf(X)dx=l) (3.9)

3. E (aX) = a E (X)

(3. J 0)

44

VJEROVATNOCA 1 STATlSTlKA U HIDROLOGfJI

NUMERICKE KARAKnlUSTIKE

4. Matematicko ocekivanje zbira (razlike) slucajnih promjenljivih velicina jednako je zbiru (razlici) matematickih ocekivanja pojedinih slucajnih prornjenljivih velicina

(3.11 )

Ovo svojstvo se moze uopstiti na konacan broj sabiraka

(3.12)

5. E(XY)== E(X)E(Y) i.li J.1xy == J.1xJ.1y

(3.13)

6. Ako se u jednom uzorku slucajna promjenljiva X sa srednjom vrijednoscu X, transformise u novu slucajnu promjenljivu Y preko veze Y = aX + b, tada ce srednja vrijednost slucajne promjenlj ive Y biti

fly ==a~lx + b, odnosno E{aX + b)==aE(X)+ b, gdje su a j b konstante.

(3.14)

7. Zbir odstupanja tekucih vrijednosti uzorka od njegove srednje vrijednosti jednakje nuli

N N N N N N

L (Xi - fl)= LXi - Lfl == LXi - NJ.l == LXi - LXi == 0

i=1 i=l i=1 i=l i=1 i=1

(3.15)

8. Srednja vrijednost odstupanja tekucih vrijednosti od srednje vrijednosti slucajne promjenljive uzorka jednaka je nuli

(3.16)

9. Zbir kvadrata i srednja vrijednost kvadrata odstupanja tekuce vrijednosti slucajne promjenljive uzorka od njegove srednje vrijednosti je minimalan.

(3.17)

VJEROVATNOCA I STATISTIKA U HIDROLOGJJ1

45

NUMERlCKE KARAKTERISTIKE

Izjednacavanjem prvog izvoda sa nulom

(3.18)

dobija se

(3.19)

tj. funkcija a '= a (z) postaje minimalna kadaje z = u.jer je drugi izvod

(3.20)

uvijek pozitivan. Prerna tome; istovremeno su u minimumu i zbir kvadrata odstupanja i srednja vrijednost toga odstupanja,

U slucaju neprekidne slucajne promjenljive

(3.21 )

odnosno anulirajuci izvod pod znakom integrala

b

p'(z) =-2 f(x-z)f(x)dx=O,

(3.22)

dobija se

b b

f xf(x)dx = z ] f{x)dx::: z

(3.23)

a

a

tj. funkcija P = P (z) postaje minimalna kada je z= u.jer je

(3.24)

Ova osobina srednje vrijednosti, koja vazi kod x E (-00, +00), zauzirna jedno od najvaznijih mjesta u statistici. Tu osobinu formulisao je Gaus, 1775. pod imenom metoda (princip) najmanjih kvadrata: suma kvadrata gresaka mora biti minimalna (ako pod greskom podrazumjevamo odstupanje tekuce vrijednosti od srednje vrijednosti slucajne promjenljive). Na taj nacin kao najreprezentativnija odnosno najvjerovatnija vrijednost tekuce promjenljive uzima se srednja vrijednost slucajne promjenljive.

46

VJEROVATNOCA l STATlSTIKA U HlDROLOGlJI

NUMERICKE KARAKTERISTIKE

Medijana i mod

Medijanom se naziva ona vrijednost slucajne promjenljiveXkoja dijeli funkciju raspodjele gustine vjerovatnoce na dva jednaka dijela, odnosno vrijednost slucajne promjenljiveXza kojuje

F(x) p[x ~ x]=_!_ 2

(3.25)

Ako se medijana oznaci sa Me, onda za X = Me vazi relacija (slika 3.1):

Me 1 ~

F(Me)= f f(x)dx =-

_," 2

(3.26)

gdje je f(x) funkcija raspodjele gustine vjerovatnoce.

F(x)

F(x) =: 1

x

Stika 3.1 Graficka ilustracija definicije medijane

PRIMJER 3.4.

Odrediti medijanu zc funkciju iz primjera 2.3, sa funkcijom gustine raspodjele vjerovatnoce

f(x)=O, za x s a i x z b

f(x)=_I_, za a c x c b b-a

Na osnovu formule (3.25)

VJEROVATNOCA I STAT/STIKA UHIDROLOGlJI

47

NUMERICKE KARAKTERlSTIKE

I x 1 x x a

F(x)=Me=---= ff(x)dx=-- fdx=--

2 _if.> b - a_if.> b a

odakle slijedi

a+b

x ---=Me

2

* **

Kako je funkcija F(x) neopadajuca i raste od ° do 1, jednacina (3.26) ima uvijek barem jedno rjesenje.

Gornje relacije vaze za kontinualnu slucajnu promjenljivu. Kada se radi 0 diskretnoj slucajnoj promjenljivoj medijana se definise na slijedeci nacin 130, 201.

Medijana je poziciona srednja vrijednost slucajne promjenljive uredenog skupa slucajne promjenljive za koju postoji podjednaki broj elemenata skupa sa manjom i sa vecom vrijednoscu slucajne promjenljive.

Ureden skup slucajne promjenljive (slucajni uzorak)je simp ureden povelicini, odnosno

Vrijednost medijane Me odreduje se zavisno od toga cia li se radi 0 uredenorn skupu sa parnim iii neparnim brojern elemenata,

Neparan broj elemenata skupa (N = 2k + I)

Me:=: X(NII)I2' gdjeje N ukupan broj elernenata skupa

(3.27)

Paran broj elemenata skupa (N = 2k)

(3.28)

gdje .Ie N ukupan broj elernenata skupa.

48

VJEROVATNOCAI STATlSTlKA U HIDROLOGIJl

NUMERICKE KARAKTERlSTlKE

PRIMJER 3.5.

Odrediii medijanu za funkciju, odnosno uzorak slucajne promjenljive iz primjera 3.1. Prethodno je potrebno od datog skupa napraviti uredeni skup, tj.

Redni broj
elementa 1 2 3 4 5 6 7 8 9 10 11
Broj
'f--1J!1-uskova 4 4 5 6 6 6 7 7 8 8 8
Ret/It; broj
elementa 12 13 14 15 16 17 18 19 20 21 22
Ero,; ~
l--J!!1f:lskova . 9 9 9 10 10 10 10 10 10 11 11
Redni bro]
elementa 23 24 25 26 27 28 29 30 31 32 33
Em} 112
pliuskova 11 12 12 12 12 12 13 14 14 14 Obzirorn da se radi 0 skupu sa neparnim brojem elemenata eN = 33), vrijednost medijane je

Me == X(N+l)/2 == xl7 = 10

* **

Mod. Po definiciji mod Mo je ona vrijednost slucajne promjenljive X koja se najcesee javlja, tj. koja ima najvecu vrijednost raspodjele gustine vjerovatnoce (slika 3.2).

Kod diskretne slucajne promjenljive mod je ona vrijednost slucajne promjenljive cija je vjerovatnoca najveca.

f(x)

«xi -------

x

x = Mo

Stika 3.2 Graficka ilustracija definicije moda

VJEROVATNOCA 1 STA71STIKA U HIDROLOGIJI

49

NUMER/CKE KARAKTER1S7'fKE

Znacajno je napomenuti da se kod simetricnih funkcija gustine raspodjele vjerovatnoce poklapaju srednja vrijednost, medijana i mod. Kod asimetricnih funkcija raspodjele gustine vjerovatnoce, ove vrijednosti su rasporedene kao na slici 3.J.

f (x)

x

Slika 3.3 Graficka ilustracija mogucih odnosa srednje vrijednosti, medijane i moda

3.2. POKAZATELJI DISPERZIJE

Kao sto se moglo zapaziti iz prethodnih izlaganja, srednja vrijednost predstavlja, odnosno u neku ruku zamijenjuje citav skup slucajnih promjenljivih. Medutirn, taj reprezentativn i broj suvise uproscuje statisticki skup tako da se moze dobiti nejasna slika 0 samorn skupu. Na primjer, slijedeca dva uzorka slucajnih prornjenljivih

(38,40,42) i (2,40, 78)

imaju istu srednju vrijednost (vidi formulu 3.4)

_ 1 N 120

x=-Lx; =-=40

N ;=1 3

Medutim, ocigledno je da izmedu ova dva uzorka postoje znatne razlike, Kod prvog uzorka clanovi ne odstupaju mnogo od srednje vrijednosti (-2, 0, +2), dok kod drugog znatno odstupaju (-38, 0, 38). Kazerno da slucajne promjenljive u dva uzorka imaju razlicit varijabiiitet, odnosno varijaciju iii disperziju.

Da bi se ova varijabla nekako i brojcano iskazala, uveden je pojam pokazatelja disperzije. Pri tome se tezilo da njihova vrijednost zavisi od svih vrijednosti uzorka, da ima neko konkretno znacenje sa prostim i ocevidnirn svojstvima, da njihovo lzracunavanje nije komplikovano i da Sll pogodne za daljnje operacije /8/.

50

VJEROVATNOCA 1 STATISTIKA U HIDROLOGlJI

NUMERJCKE KARAKTERfSTfKE

Od vise pokazatelja disperzije koji se primjenjuju II statistici u nastavku ce biti rijeci samo 0 srednjem apsolutnom odstupanju, varijansi, standardnoj devijaciji i koeficijentu varijacije.

Srednje apsolutno odstupanje

Ako je zadana diskretna slucajna promjenlj iva, izraz

O(X) E(lx-).tI)= I;pd xi ).ti

i

(3.29)

predstavlja srednje apsolutno odstupanje, gdje smo uzeli apsolutne vrijednosti odstupanja I X - III , a ne obicne vrijednosti (X - u), jer je E (X - ~L) = 0 (jednacina 3.16).

Ako se 1I izrazu (3.29) zamijeni statisticki oblik vjerovatnoce

(3.30)

dobija se ponderisano srednje apsolutno odstupanje

n

I;fi /Xi - ~ll

o (X) = _,_i=_,_l _

N

(3.31 )

Ako je zadana neprekidna slucajna promjenljiva, srednje apsolutno odstupanje ima oblik

+co

O(X) = fix - ).tlf(x)dx

(3.32)

-co

Varijansa i standardna devijacija

Obzirom da su operacije sa apsolutnim vrijednostima komplicirane, gotovo po pravilu, se racuna kvadratno odstupanje tekucih vrijednosti od srednje vrijednosti slucajne prornjenljive.

U svojstvu 9. srednje vrijednosti (tacka 3.1) pokazano je da je srednje kvadratno odstupanje tekuce vrijednosti (Xj) od srednje vrijednosti (u) minimum (metoda najmanj ih kvadrata).

VJEROVATNOCA f STATfSTlKA U HIDROLOGfJI

51

NUMERICKE KARAKTERISTIKE

Za diskretnu slucajnu promjenljivu

ovaj minimum

Var(X):::: (X -j.t? :::: E(X - ~l)2 :::: cr2 :::: L: (Xi - ~l)2 Pi i

(3.33)

predstavlja varijansu. Drugi pozitivan korijen varijanse

(3.34)

naziva se standardna devijacija, koja se najcesce upotrebljava kao osnovna mjera disperzije,

Standardnu devijaciju slucajnog uzorka obicno oznacavamo sa S.

PotPU!10 je jasno da ukoliko standardna devijacija jednog uzorka podataka irna vecu vrijednost time je veci varijabilitet tih podataka. Ukoliko je standardna devijacija rnanja, utoliko je bolja grupisanost podataka oko srednje vrijednosti,

. Ako se na osnovu pravi la za izracunavanje srednj ih vrijednosti izvrsi transformacija izraza (3.33), dobija se:

Var{X)::::cr2 ::::E(X-~lY =E(X2 _2j.tX .. Q(2)=

= E(X2)- E(2j.tX)+ E~(2)= E(X2)- 2j.tE(X) + ~l2 :::: ::::E(X2) 2~l~l+j.t2 =E(X2)_~l2.

(3.35)

Ako se u izrazu (3.33) zamijeni statisticki oblik vjerovatnoce

{', Pi =~-,

n

N:=: L:fi j=1

(3.36)

dobija se tzv. ponderisani oblik varijanse

(3.37)

za grupisane podatke.

52

VJEROVATNOCA f STATISTIKA U HIDROLOGJJf

NUMER/CKE KARAKTERISTIKE

Ako se u izrazu (3.37) zamijeni

n

fj=l i N=L::rj=n i=l

(3.3 8)

dobija se tzv. neponderisani oblik varijanse

2 1 N ( )2 1 N 2 2

a =-2:: Xi -11 =-2::Xi -~L

N i=1 N ;=1

(3.39)

za negrupisane podatke.

]>RIMJER 3.6.

Odrediti varijansu i standardnu devijaciju broja pljuskova u jednoj godini na kisomjernoj stanici Sarajevo (primjer 2.2).

Prema formuli (3.33), odnosno formuli (3.35) varijansa iznosi

() 2 n ( -)2 !!_, 2 -- 2

Var X =S L Xi -X Pi =.L:XiPi X zz:

;=1 ;=1

= (X~PI + X~P2 + ... + X~I PII)- x2 =

(42 ·0,061 + 52 ·0,030 + ... + 142 .0,091)- 9,582 = 7,68

a standardna devijacija

s = +~ Var(X) = 2,77

Prema formuli (3.37), varijansa iznosi

s = +~ Var{X) = 2,77

VJEROVA1NOCA I STAT/STIKA U HIDROLOG/JI

53

NUMERIC:KE KARAKTERISTIKE

Prema formuli (3.39) za negrupisane podatke date u primjeru 3.1

(x) 2 1 ~ 2 ~2 I (2 2 . 2) -2

Val' X =S =-L.;X; -x = XI +X2 +",+X33 -X =

N ;=1 N

=_1_(42 + 122 + ... +92)-9,582 =7,68 33

S = +J Var(X) = 2,77

* **

Ako je zadana neprekidna slucajna prornjen Ij iva

X = {X,dP = f(x)dx, ~~(X)dX = I}

varijansa ima oblik

+00

Var(X)=a2 =E(X-p_)2 = f(x-IlYf(x)dx=

-l-co

fx2f{x)dX -'112

(3.40)

PRIMJER 3.7.

Odrediti varijansu i standardnu devijaciju za funkciju iz primjera 2.3, sa funkcijom gustine raspodjele vjerovatnoce

f(x)=O, za x s a x z b

f(x)=_l_, za a c x c b b-a

Na osnovu formule (3.40) i prethodno odredene srednje vrijednosti u primjeru 3.3

54

VJEROVATNOCA f STAT/STlKA U HIDROLOGJJ!

NUMERICKE KARAKTERISTIKE

a+b 11=--

2

b b ( )2

- 2 2 2] 2 as- b

Var(X) = c == f x f(x)dx - ~l = ---- f x dx -- ---

a b--aa 2

3 b x

=---

b-a 3

a

Standardna devijacija

cr==+JVar(X) = (b-a)

6

* **

Neke znacajne osobine varijanse koje mogu korisno posluziti II analizama, bez navodenja dokaza, su 1]9,38/:

I. Varijansa konstante C jednaka je nuli

Var(C)=O (3.41)

2. Ako se u jednorn uzorku slucajna _X I\} sa varijansom cr;

transformise u novu slucajnu promjenljivu Y = X + b = {Yi == Xi + b, Pi} gdje je b konstanta, varijansa se nece promijeniti

Var(Y) Var(X + b)== Var{X)

(3.42)

3. Ako se u jednom uzorku slucajna

iva X {Xi, Pi} sa varijansom cr~

transformise u novu slucajnu promjenljivu Y = aX = {Yi = axi, pd, nova varijansa bice

(3.43)

4. Ako se u jednom uzorku slucajna promjenljiva X {Xi, pd sa varijansom cr~ transforrnise u novu slucajnu promjenljivu

VJEROVATNOCA 1 STATlSTlKA U HIDROLOGlJI

55

NUMERfCKE KARAKTERISTIKE

Y=aX+b={yJ={ax; -i b.p.]

(3.44)

nova varijansa bice

(3.45)

5. Varijansa sume nezavisnih slucajnih velicina jednaka je sumi njihovih varijansi

Var(X + Y)= Var(X)+ Var{Y)

(3.46)

6. Ako su Xi Y nezavisne slucajne velicine, onda je varijansa njihove razlike jednaka zbiru varijansi

Var(X - Y)= Var(X) + Var{Y)

(3.4 7)

Koeficijent varijacije (relativna mjera varijacije)

Kako se srednja vrijednost i standardna devijacija jednog uzorka izrazavaju istim mjernirn jedinicama, da bi smo mogli uporedivati disperzije razlicitih uzoraka, sa razlicitim mjernim jedinicama, potrebno je raspolagati jednom relativnom mjerom disperzije koja je neimenovani broj. Takva relativna mjera je koeficijent

. varijacije koj i predstavlja odnos izrncdu standardne devijacije i sreclnje vrijednosti

=100~ [%]

~l

(3.48)

5tO se moze izraziti i u procentima,

Tako na primjer, ako je Cy = 35 % to znaci cia je velicina standardne devijacije jednaka 35 % oel velicine srednje vrijednosti.

Sto je koeficijent varijacije veci, relativno je vece rasipanje oko srednje vrijednosti uzorka,

56

VJEROVATNOC.'II I STAT/STIKA U HfDROLOGIJI

NUMERICKE KARAKTEIUSTIKE

3.2. STATISTICKI MOMENTI I POKAZATELJI DISPERZIJE VISEG REDA

Kadaje bilo govora 0 srednjim vrijednostima i pokazateljima disperzije, mogle su se uociti slijedece relacije:

+00

1= Jf(x)dx

(3.49)

-00

+00

Il E(X)=Jxf(x)dx

-00

(3.50)

+""

(j2 = Var{X)= fx2r{x)dx __ x2

(j2 =IX~Pi _x2 i

(3.51 )

Slicno gornjim izrazirna, za odstupanje od srednje vrijednosti, ovi odnosi se mogu napisati U obliku

+'"

f(x -1l)Of(x)dx =1

(3.52)

+<XJ

J(x Il)r{x)dx = 0

(3.53)

-<Xl

-<Xl

Lahko je zapaziti da u gornjim izrazima stepen od x ili (x - u), sa kojim se mnozi vjerovatnoca prije sabiranja odnosno integriranja ima vaznu ulogu. Ona se moze jasnije uociti ako se formiraju slijedeci uopsteni izrazi:

-<Xl

+<Xl

I(xj -IlYPi, J (X-flyr(x)dx

i -<Xl

(3.55)

+00

IX:Pi' f xrf(x)dx,

V.JEROVATNOCA I STATISTlKA U HfDROLOGfJI

57

NUMERI(~KE KARAKTERISTIKE

Gornj i izrazi se ZOVll statistlcki momenti i daju zajednicku formu raznim numerickim karakteristikama slucajne prornjenljive i ujcdno omogucavaju uvodenje novih karakteristika za osobine uzorka slucajne promjenljive.

Statisticki momenti imaju analognu definiciju sa momentima u mehanici.

Ucestalost iii gustina vjerovatnoce slucajne promjenljive moze se srnatrati kao rnasa, a mornenti se uzimaju oko neke pogodne tacke iii vrijednosti slucajne promjenljive, Teorijski broj statistickih rnomenata moze da bude beskonacan. U hidroloskoj praksi se, medutim, upotrebljavaju najeesce samo prva tri, odnosno cetir] statisticka momenta, jer se tacnost u procjenj ivanju mornenata viseg red a iz podataka sadrzanih tI uzorku rapidno smanjuje sa povecanjem njihovog reda.

Statisticki momenti se obicno dijele na obicne statisticke momente i centralne statisticke momente.

Obicn! statisticki momentl. Ako je zadana diskretna slucajna promjenljiva, tada izraz

l11r=E(xr)=i:X:1\' r==1,2,3, ...

;~f

(3.56)

predstavlja obican momenat r-tog reda prekidne slucajne prornjenljive. Ako s~ u izrazu (3.56) zamijeni statisticki oblik vjerovatnoce

11

N = IJi i=1

(3.57)

dobija se ponclerisani obicni mornenat r-tog reda

1 n r

m =-LX' f r N i=1 I I

(3.58)

za grupisane podatke, iii ako se u izrazu (3.57) zamijeni

n

N = IJi =;:: n i=l

(3.59)

dobije se neponderisani obicni momenat r-tog reda

1 N

m =--LX' r N ;=1 I

(3.60)

za negrupisane podatke.

58

VJEROVATNOCA I STATISTIKA U HfDROLOGlJl

NUMERICKE KARAKTERISTIKE

Ako je zadana neprekidna slucajna prornjenljiva, tada izraz

+00

I11r = f xl'f(x)dx, r= 1,2,3, ....

(3.61)

-00

predstavlja obican I11Ol11enat z-tog reda neprekidne slucajne prornjen lj ive.

Lahko je uociti da prvi obicni statisticki I11Ol11enat (r = 1) upravo predstavlja ocekivanu (srednju) vrijednost slucajne prornjenljive, tj.

(3.62)

Centralni statisticki momenti. Ako je zadana diskretna slucajna promjenljiva, tad a izraz

11

M, E(X-~IY=2:(xi-~IYPi' 1'=1,2,3, ... 1=1

(3.63)

predstavlja centralni statisticki momenat r-tog recla, prekiclne slucajne promjenljive.

Ako se u izrazu (3.63) zamijeni statisticki oblik vjerovatnoce

Pi

(3.64)

dobija se ponderisani centralni momenat r-tog recla

(3.65)

za grupisane podatke, iii ako se 1I izrazu (3.64) zamijeni

11

N=2:fj=n i=1

(3.66)

dobije se neponderisani centralni momenat r-tog reda

(3.67)

za negrupisane podatke,

VJEROVATNOCA 1 STATlSTlKA U HlDROLOGIJJ

59

NUMERICKE KARAKTERISTlKE

Ako je zadana neprekidna slucajna promjenljiva, tada centralni momenat r-tog reda irna oblik

+00

Mr= J(x-)1Yf(x)dx, r=I,2,3, ...

(3.68)

-00

Ako je funkcija raspodjele gustine vjerovatnoce f (x) simetricna u odnosu na pravu (x = )1) tada su svi centralni neparni mornenti (r ueparno) jednaki nuli

+00

M2k+1 = f (x - )1)2k+1 f{x)dx = 0

(3.69)

-00

Integral neparne funkcije na sirnetricnom intervalu jednak .Ie nuli. Znacajno je napornenuti da .Ie centralni momenat nultog reda:

(3.70)

jednak jedinici, dokje centralni momenat prvog reda:

(3.71 )

Centralni momenat drugog reda:

(3.72)

je zapravo varijansa.

Veza izmedu obicnib i centra/nih momenata. Zbog lahkoce racunanja u hidroloskoj praksi se preko datih izraza obicno racunaju obicni statisticki momenti, dok se centralni statisticki momenti dobiju iz njihovih slijedecih odnosa:

1. Drugi centralni mornenat izrazen pornocu drugog obicnog momenta

(3.73)

2. Trecl centralni momenat mozerno izraziti pomocu prvog, drugog i treceg obicnog momenta

60

VJEROVATNOCA lSTATfSTlKA U HlDROLOGIJ/

NUMEJVCKE KARAKTERISTIKE

M3 E(X-~l)3 =E(X3 -3X2V+3X~l2 _).13)=

== E(X3)- 3~lE(X2)+ 3V 2E(X)- E~3)=

(3.74)

Koeficijent asimetrije

Za ocjenu oblika funkcije gustine raspodjele vjerovatno6e uzimaju se centralni statisticki mornenti U odnosu prema standardnoj devijaciji na odredeni stepen (zbog dovodenja na bezdimenzionalni izraz) i tako dobijamo odredene koeficijente sa indeksima 1, 2, 3 i 4. Tako su vrijednosti tih koeficijenata

(3.75)

jer je drugi centralni momenat zapravo varijansa

(3.76)

(3.77)

Treci koeficijent CX3, koj i se u hidroloskoj praksi obicno oznacava sa cs, zove se koeficijent asimetrije funkcije gustine raspodjele vjerovatnoce.

Kako je ranije pokazano, ako su neparni centralni momenti jednaki nuli, funkcija gustine raspodjele vjerovatnoce je simetricna na osu simetrije (x = u), Prema tome ako je Cs = 0, kaze se da je funkcija gustine raspodjele vjerovatno6e simetricna U odnosu 11a (x = ).1). Tada se ujedno medijana, mod i srednja vrijednost poklapaju ujednoj tacci ).1 = Mo = Me (slika 3.4).

VJEROVATNOCA / STAT/STIKA U HIDROLOGIJI

61

NUMERJCKE KARAKTERISTIKE

Ako je Cs < 0 onda je asimetricnost negativna iii lijevostrana. Tada je f-t < Mo < Me. Ako je pak Cs > 0 asimetricnost je pozitivna iii desnostrana. Tada je u > Mo > Me (slika 3.4).

Cs = 0

f(x)

Cs> 0

f(x)

f(x)

Cs < 0

Mo= Me= ~t

Mo F Me

x

Slika 3.4 Graficka ilustracija uticaja koeficijenta asimetrije na oblik funkcije raspodjele vjerovatnoce

Sto je koeficijent asirnetrije veci po svojoj apsolutnoj vrijednosti gustina raspodjele vjerovatnoce je sve vise asirnetricna. U hidroloskoj praksi se obicno srnatra da ,asimetricnosti nerna ako je 0 < I Cs I < 0, J; asimetricnost je mala ako je 0,1 < I Cs I < 0,25; asimetricnost je srednja ako je 0,25 < I Cs I < 0,5 i asimetricnost je jaka ako je I Cs I > 0,5.

62

VJblWVATNOCA J STAT/STIKA U HIDROLOGJJI

EMPIR1JSKE RASPODJELE

"J(O(/'ieJauamo jJl'Ob/em /z Cis/e ma/emal/he, problem ie 'La nos l'1jeJen kad Ie dob/veIl e'jZak/on rezul/a/. ']J,.; '7eJauan;l' sial/dick//' zaJalaha moramo se za(louo~lIi Pl'.ib//inJin rezu/ia/oll2, l'ezu//aiOll1 ISo/lie oezan u z izu/esflll !!reJ'i'~l, za 1'0;(1 Z11GJIW cia a z l1e;;~1 v/ero/a/no,d J~2/ onotarSil'O!lO o,ne(lel2i;;~9'l'an;ca. }J

4

EMPIRIJSKE RASPOD.JELE SLUCAJNIH PROMJENLJIVIH

4.1. KRIVE UCESTALOSTI I KUMULATIVNE UCESTALOSTI SLUCAJNE PROMJENLJIVE

Najveci dio statisticke informacije u hidrologiji proizilazi iz osmatranih podataka sadrzanih u uzorcima ogranicenih velicina 143/. Empirijske raspodjele ucestalosti uzorka, kao procjene raspodjele populacije, cesto su jed ina raspoloziva informacija.Kroz ovo poglavlje ukratko se prikazuju prakticne metode za dobivanje tih ernpirijskih raspodjela sa njihovim prikazirna i kvalitativnorn analizorn.

U poglavtju 3., kada je bilo rijeci 0 numerickim karakteristikama slucajne prornjenljive, odnosno 0 grupisanju hidroloskih podataka (rezultata osrnatranja hidroloske slucajne prornjenljive) govoreno je 0 pojmu apsolutne i relativne ucestalosti ili.frekvenc!Je slucajne promjenljive.

Relativna frekvencija fir predstavljena je odnosom apsolutne frekvencijej. (broja pojavljivanja slucajne promjenljive Xi u razmatranorn uzorku), i ukupnog broja elemenata u uzorku, N, tj.:

fr (x. ) = _fi (x J

I I N

(4.1)

Kriva ucestalosti predstavlja zavisnost .Ii = <p(xJ, odnosno r = 'I' (xi) (slika

I

4.1 ).

VJEROVATNOCA I STATISTIKA U HIDROWGfJI

63

EMPIRJJSKE RASPOD.JELE

f,(Xi) f(Xi)

I

II

Xi

Xi

Slika 4.1 Kriva ucestalosti slucajne promjenljive X,

Slika 4. I. po svom obliku jasno podsjeca na ranije razmatranu funkciju gustine raspodjele vjerovatnoce slucajne promjenljive,

Imajuci u vidu definiciju statisticke vjerovatnoce (tacka 2.2) p(X)= lim fiN,

N->oo

za dovoljno veliki uzorak, ona to zapravo i jeste, samo joj se daje prefiks empirijska, zbog toga sto je ocijenjena iz uzorka, a u hidrologij i se naziva kriva ucestalosti, odnosno najcesce linija ucestalosti.

Kumulativna empirijska ucestalost se dobije sumiranjern apsolutnih iii relativnih ucestalosti, kao:

(4.2)

Izraz (4.2) predstavlja punu analogiju sa kumulativnom funkcijom raspodjele vjerovatnoce F (Xi)' samo je oznacena sa Fe (Xi) da bi se dalo do znanja da je

ocjenjena iz uzorka (slika 4.2).

Xi

Slika 4.2 Kriva kumulativne empirijske ucestalosti slucajne promjenljive Xi

64

V.JEROVATNOCA / STAT/STIKA U HIDROWGIJI

EMPIRfJSKE RASPODJELE

Kada je uzorak relativno dugacak, odnosno javlja se veliki broj razlicitih vrijednosti slucajne promjenljive, tako da je njegov tabelarni iii graficki prikaz relativno nepregledan (na primjer 50 godina dnevnih osmatranja vodostaja-dakle 50 x 365 = J 8325 vrijednosti) tada se vrs! grupisanje podataka u tzv. klasne intervale. Nairne, grupisanjem u klasne intervale u hidroloskim proracunima se u stvari najcesce vrsi diskretizacija uzorka neprekidne hidroloske slucajne promjenljive. Pri tome se diskretizacija vrs] na vise nacina, Na primjer, kod vecine hidroloskih procesajavljaju se odredene sezonske varijacije iii prornjene tokom godine. U cilju ocjene karakteristika tih procesa u odredenim godisnjim sezonama formiraju se uzorci koji predstavljaju rezultate prethodne obrade podataka osmatranja u tim sezonama (na prirnjer srednji dnevni, srednji dekadni i srednji rnjesecni proticaji, srednji godisnji proticaji i sl.).

Elementi uzorka iz neprekidne slucajne promjenlj ive mogu se dobiti i bez prethodne obrade, na primjer uzirnanjern najvecih osrnotrenih vodostaja ili proticaja 1I svakoj godini, sezoni iii odredenorn mjesecu i sl. Nadalje, obzirorn na nezaobilaznu ulogu racunara u hidroloskim analizama, kontinualne serije se moraju zamijeniti diskretnim serijarna (vrijednosti slucajnepromjenliive na odabranim, obicno jednakirn intervalirna I1t iii 111).

Procedura organizovanja podataka 1I klasne intervale sastoji se u slijedecem: raspon varijacije (obseg) uzorka, Jxmax - xminJ, (razlika izrnedu najmanje i najvece

vrijednosti 1I uzorku) podijeli se na izvjestan broj podintervala koji se nazivaju klasni intervali iii klase. Zatim se po odgovarajucim klasama utvrduje broj podataka (elemenata) koji predstavlja apsolutnu ucestalost iii frekvenciju ji, i-te klase (klasnog intervala), pri cemu mora biti zadovoljen uslov da je:

,

k

IJi =N; i=!

( 4.3)

gdje .Ie k - broj klasnih intervala.

Reprezentativnu vrijednost klasnog intervala predstav1ja srednja vrijednost klase, koja se najcesce definise kao srednja vrijednost gornje i donje gran ice klase. Razlika izmedu donje i gornje graniee klase naziva se sirinorn klasnog intervala, 11x. Najcesce se sirina klasnog interval a uzima ista, iako u nekirn situacijama, karakter izucavane slucajne promjenljive uslovljava da se uzimaju intervali razlicite sirine.

Iako se, kao sto je gore receno, ucestalost odnosi na klasni interval, u prakticnim razmatranj ima se uzima da se apsolutna i relativna ucestalost odnose na srednju vrijednost klase.

Apsolutne i relativne ucestalosti ovise od velicine intervala klase i od polozaja granica klase. Sto .Ie veci interval klase to su vece te ucestalosti. Da bi se izbjegla ta zavisnost od velicine klase i polozaja granica klase, i da bi se zamijenio pojam

VJEROVATNOCA I STATISTIKA U HIDROLOGIJI

65

EMP1RIJSKE RASPODJELE

ucestalosti diskretnih elernentarnih dogadaja sa ucestalostima koje su vezane na konacne intervale kontinualnih promjenljivih, uvodi se pojam gustine ucestalosti (frekvenc ij e), kao:

( ) f'(x) f_(x)

<p x _ == -' __ -'-_ = _'---_!_

" L\x Nzsx,

(4.4)

koja se naziva gustinom frekvencije (ucestalosti). Njenim uvodenjern se eliminise uticaj sirine klasnog intervala na ucestalost, sto je znacajno ako klasni intervali nisu iste sirine. Slicno kao za apsolutne i relativne ucestalosti, za gustinu frekvencije mora biti zadovoljen uslov:

k

L:cp, (x,) L\xi = 1

i~l

(4.5)

Ako se broj podatakaNpove6ava, a sirina klasnog intervalaAx smanjuje, tada je

I· () I' f(x) -f-'()

1111 cp X == 1111 ------ == x

N -e-co N ->00 N L\x

(4.6)

t.1. <p (x) postajefimkcija gustine raspodjele vjerovatnoce (kontinualna kriva).

Prerna tome, .f~(x)=<P(.X)6X, gdjeje (p(x) srednja ordinata krivef(x) za

interval sirine 6x, predstavljace vjerovatnocu da se slucajna promjenljiva X nade u intervalu sirine 6x. Vjerovatnoca je, dakle, jednaka povrsini koju granice ordinate krivef(x) na donjoj i gornjoj granici intervala sirine 6x. To se moze napisati (slika 4.3) kao:

Xb

p[xa <X<xb]= jf(x)dx=<p(X)6X=fr(x)

(4.7)

gdje su Xa i Xb donja i gornja granica klasnog intervala sirine Ax, a .x srednja vrijednost klase.

Kada je rijec 0 broju klasnih intervala na koj i se dijeli uzorak, u hidrologij i se obicno ne uzima manje od 7 10 niti vise od 25 klasa. U principu veci broj klasa ornogucava da se detaljnije prouci ucestalost slucajne promjenljive, ali to vazi samo za slucaj kada je Nveliko. Kod malog uzorka mora se uzeti manji broj klasa. Prema Jevdevicu /43/ potreban broj klasa, k, treba odrediti prema jednom od dva slijedeca izraza:

k=510gN iii k= 1 + 1,331nN

(4.7)

66

VJEROVATNOCA I STA71STIKA U HIDROLOGJJJ

EMPJRfJS'KE RASPODJELE

gdje je k broj klasa a N velicina uzorka. Najpogodnije je da granice klasa budu cijeli brojevi, pri CCl11U se obicno uzima da u odredenu klasu spadaju vrijednosti koje su vece od donje gran ice a manje ilijednake gornjoj granici klasnog intervala.

PIUMJER 4.1.

(p(x)

Stika 4.3 Grafickiprikaz raspodjele gustine frekvencije

U tabeli 1. (kolone 1 i 2) je data klasificirana serija srednjih dnevnih vrijednosti proticaja rijeke Neretve na vodomjernoj stanici Zitomislii:i za 1947. godinu (N = 365 vrijednosti slucajne promjenljive). Odrediti krivu ucestalosti, kumulativnu krivu ucestalosti, te krivu gustine ucestalosti (frekvencije).

Da bi se dobile vrijednosti 1I kolonama 1 i 2, uzorak od 365 vrijednosti proticaja (slucajne promjenljive) je prethodno podijeljen u klasne intervale. Broj klasnih intervala je odreden kao:

k = 5 log N == 13; k = 1 + 1,33 In N == 9 ; Usvojeno 11 klasnih intervala

Interval varijacije I QlllllX - Qminl = 11070 - 301 = 1040 m3/s podijeljen je na II klasnih intervala sirine tlQ = 100 1113/S.

Proracun odgovarajucih frekvencija (ucestalosti) dat je II tabeli 4.1., kolone 4 do

9.

Krive apsolutne i relativne ucestalosti date su na slici I, apsolutne i relativne kumulativne ucestalosti na slici 2, a gustine frekvencije na slici 3.

VJEROVATNOCA / STAT/STIKA U HIDROLOG!.J!

67

EMPfRJJSKE RASPODJELE

Tabela 1. Proracun elemenata za konstrukciju krivih ucestalosti i kumulativnih krivih ucestalosti proticaja rijeke Neretve no v.s. ZitomisliCi

Sred. Sirlna Frekvencija (ucestalost) Kumulativna ucestalost
Klasni vrij. klase <[ll= L<!)i
Interval klase f..Q fi f;' =f/N f/Nf..Q Hi Lft
QSI' E;tTI:493 (xl 0-2) (x l 0-2)
I 2 3 6 7 8 9
0-100 50 100 0.48493 177 0.48493 0.48493
100-200 150 100 75 0.20548 0.20548 252 0.69041 0.69041
200-300 250 100 33 0.09041 0.09041 285 0.78082 0.78082
300-400 350 100 27 0.07397 0.07397 312 0.85479 0.85479
400-500 450 100 17 0.04657 0.04657 329 0.90136 0.90136
500-600 550 100 10 0.02739 0.02739 339 0.92876 0.92876
600 .. 700 650 ]00 8 0.02192 0.02192 347 0.95068 0.95068
~-800 750 100 7 0.01918 0.01918 354 0.96985 0.96985
800-900 850 100 6 0.01644 0.01644 360 0.98629 0.98629
,,_ 0.00822
900-1000 950 100 3 0.00822 363 0.99450 0.99450
1000 .. 1100 1050 100 2 0.00548 0.00548 365 1.00000 1.00000
L: 365 I I fj {
I
180 0,45
160 0,40
140 0,35
120 0,30
100 0,25
80 0,20
60 0,15
40 0,10
20 0,05
0 Q [m3/sj Slika 1. Krive apsolutne i relativne ucestalosti proticaja rijeke Neretve na V.S. Zitomislici

68

VJEROVATNOCA I STATfSTIKA U HfDROLOGIJI

L:fi
400
350
300
250
200
150
100
50
0 EMPJRIJSKE RASPODJELE

365

I

f i i

I , !,

i . i 1100

- + -1- "',-

I Iii

, II

I! II Ii I!

d i 1

I Ii

i I I:

+----'--f--'---._;__l_ : : i !

100 200 300 400 500 600 700 800 90010001tlOO

Qmax

o

[

i ! t .-1- -t-

i : ...... r I \

i .".j.."\J I"' I I

J; I 'I- "fn I I

/1 i !.:.. il i i

/ ! ' '

I

1,00

0,80

0,60 0,40

0,20

Slika 2. Kumulativne (sumarne) krive apsolutne i relativne ucestalosti proticaja rijeke Neretve na v.s. Zitomislici

<Pi
0,50.102
0,45.10.2
0,40.10-2
0.35.10-2
0,30.10-2
0,25.10-2
0,20.10-2
0,15.10-2
0,10.10-2
0,05.10.2
0 -

-

I

o 100 200 300 400 500 600 700 800 90010001100 Q [m3/s1

Slika 3. Kriva gustine frekvencije (ucestalosti) proticaja rijeke Neretve na v.s. Zitomislici

VJEROVATNOCA / STAT/STIKA U HIDROLOGIJI

69

EMI'IRIJSKE RASPODJELE

4.2. LINIJA TRAJANJA I LINIJA UCESTALOSTI

Sredivanje opazenih podataka i nj ihovo pregledno prikazivanje obavlja se postupcima koj i su sustinski prirnjene statistickih metoda, uz izvjesno prilagodavanje prakticnim potrebama. Izvjesni prikazi i pojmovi su postali redovno sredstvo izlaganja i sporazumijevanja u hidrologiji. To je, prije svega, tzv. "linija trajanja" i "linija ucestalosti ",

Za razliku od uzorka datog u prirnjeru 4.1., konstruisana je kriva ucestalosti i kumulativne ucestalosti srednjih dnevnih vodostaja rijeke Neretve na vodomjernoj staniei Zitomisli6i za 1947. godinu dakle 365 vrijednosti slucajne promjenljive.

Da bi se to uradilo, interval varijacije vodostaja prethodno je podijeljen U odredeni broj klasnih intervala od, reeimo 25 em. Tada se moze izvrsiti prebrojavanje da bi se utvrdio broj dana kadaje vodostaj bio takve velicine da pada u odredenu klasu iii klasni interval. Ovo prebrojavanje se moze izvrsiti po mjesecima, a onda i za citavu godinu, Na taj nacin su dobijene vrijednosti apsolutnih ucestalosti, f, promjenljive h, date u tabeli 4.1.

Grafickim nanosenjern vrijednosti vodostaja h nasuprot ucestalosti t. dobije se empirijska kriva ucestalosti (ernpirijska posto je ocijenjena iz uzorka) koja se u hidroloskoj praksi naziva linija ucestalosti (slika 4.4).

Dakle linija ucestalosti je empirijska funkcija koja predstavlja broj pojava (iii , proeenat pojava) nekog hidroloskog procesa u odredenom klasnom intervalu. Za ovajprimjer toje broj pojava vodostaja.

Na vee poznat nacin odredena je i kumulativna kriva ucestalosti, ali za razliku od prethodnog primjera, oformljen je ureden uzorak iii skup slucajne promjenljive po opadajucoj vrijednosti. Kada je u poglavlju 3. govoreno 0 numerickim karakteristikama slucajne prornjenljive, porninjan je i ureden skup slucajne prornjenljive, odnosno skup ureden po velicini kod koga je:

(4.9)

Upravo na taj nacin je i predstavljen uzorak vodostaja dat II tabeli 4, J.

Ako se sada saberu vrijednosti apsolutnih ucestalosti od najvise vrijednosti nanize, tj.

i

If j =: Pi = Ti (dana), i=! .

iii

(4. J 0)

70 VJEROVATNOCA fSTATISTlKA U H1DROLOGlJI

EMPIR!JSKE RASPODJELE

dobivene vrijcdnosti predstavljaju tzv. liniju trajanja (u OVOIl1 slucaju vodostaja) (slika 4.5). Ona LI sustini prcdstavlja ernpirijsku funkciju vjerovatnoce prevaz.ilazenja odredene vrijcdnosti h i u hidroloskoj praksi se zove linija trajanja vodostaja. Prerna tome, ona se maze formal no definisati na slijedeci nacin:

Linija trajanja predstavlja empirijsku funkciju koja pokazuje koliko je neka zadata velicina i .I've vrijednosti vece od te velicine trajala u danima ili procentima.

Tabela 4.2 Broj pojavljenih vodostaja rijeke Neretve na v.s. ZitomisliCi (l947.godina) po mjesecima i klasnim intervalima

,
Vod. Ucestalost pojave po mjesecima fi,1< (dana) Ukup, Traja-
i od - do ucest, nje
II Mjesec k fi To
,
(em) 1 2 3 4 s 6 7 8 9 10 Ii 12 (dana) (dana)
1 400-425 I I 2 2 I
~ e-}75-400 I 2 3 5
3 350-375 4 I I 5 10
_i_ 325-350 2 3 1 6 16
- --- ~c1_ ---
5 300_::325 4 2 8 24
._-- .- - ---.- ---_-
Ji_ 275-300 3 2 1-_) 29
___::_:___- 4 ---- I---- 1- --
7 250-275 4 I I 10 39
8 225-250 I 5 1 I 8 47
9 200-225 4 10 6 I 21 68
10 175-200 5 5 I 4 14 82
11 150-175 2 14 2 18 100
12 125-150 2 4 9 1 lQ_ 26 126
13 100-125 8 3 12 2 I 1 5 32 158
14 75-100 19 1 10 4 2 6 42 200
e-15 50-75 24 10 2 10 46 246
16 25-50 21 31 14 II 77 323
17 0-25 16 26 42 365
2.; .JI .co _, _,v _, JV 31 31 30 31 30 31 365 VJEROVATNOCA I STAT/STIKA U HlDROLOGIJ/

71

EMP/R/JSKE RASPODJELE

h

[em] 5001--~--~---~-----1---r--~---+---+--4---~----~---~

no 60 40 20 0 f [dana]

o

10 20 30 40 50 60 70 no 90100

T[%]

o

50100150 200 250 300 350 T[dana]

Stika 4.4 Linija trajanja i ucestalosti vodostaja rijeke Neretve na V.S. Zitomislici (za J 947. godinu)

Treba uociti da je linija trajanja dobivena sumiranjern vrijednosti ucestalosti t.

tako da postoji puna analogija izrnedu nje funkcije prevazilazenja

<j> (x) = P [X ~ x] koja je definirana kao:

w(x;)= i:f(xJ

H

za ono j za koje je Xj > Xi

(4.12)

za diskretnu slucajnu promjenljivu, i

(4.13)

za kontinualnu slucajnu promjenljivu.

Naravno, ako je poznata linija trajanja tad a se moze odrediti linija ucestalosti tako sto se izvrsi oduzimanje vrijednosti trajanja na granicama klasnih intervala, tj.

(4.14)

odakle jasno sl ijedi da je

( 4.15)

72

VJEROVATNOCA / STAT/STIKA U HIDROLOCfJf

EMPJRlJSKE RASPODJELE

Potrebno je uociti da linija trajanja vodostaja ima odreden, odnos prema nivogramu (slika 4.5). Nairne, ako se nivogram presjece konstantnorn velicinom vodostaja hi, tada ce trajanje vodostaja hi i svih vodostaja koji ga prevazilaze biti dato zbirom vremena pojedinih prevazilazenja sto se vidi iz slike 4.5.

I II III IV V VI VII VIII IX X XI XII

relativno trajanje [%J

25 50 75 100

~ =*100

o

[t]

IT]

o

Slika 4.5 Odnos nivograma i linije trajanja vodostaja

Ako se ima u vidu prethodna slika, moze se slikovitije reci: vrijeme T oznacava koliko je bio u vodi podiok na vodomjernoj letvi koji oznacava posrnatrani vodostaj h.

Izraz trajanje ima svojsmisao prema slijedecern objasnjenju: ako je vodostaj hi, onaj od koga pocinje pop lava, onda je T; =, T (hi) trajanje poplave, jer izrazava koliko dana u posmatranoj godini traje poplava bez obzira na hronoloski red i broj navrata i prekida.

Ima jos niz prakticnih primjera na kojima se uvida kako se izraz trajanje odornacio mada je to ono, kao sto je vee receno, sto se u statistici nazi va empirijska kumulativna funkcija (kriva) ucestalosti raspodjele, jer ukazuje na to kako su vrijednosti podataka raspodjeljene u odnosu na neku odredenu vrijednost (koliko ill irna vecu, odnosno manju od posmatrane).

Treba uociti da je na slid 4.5. pored apcise T ucrtana jos jedna (sa gornje strane) oznacena sa 1: gdje je

trajanje (T)

(4.16)

1: =: relativno trajanje == ukupno trajanje osmatranja (To)

Na slici 4.5 To = 1 godina, ati ono moze da bude i niz godina iii mjesec dana, a moze se ograniciti same na izvjestan period godine (naprimjer Ijetnji) za niz godina.

VJEROVATNOCA / STAT/STIKA U HIDROLOGIJJ

73

EMPIRIJSKE RASPODJHE

Prema tome, T znaci nesto odredeno tek ako se uz to naznaci iTo. Relativno trajanje je stoga veoma pogodno, jer ono uvijek daje odnos prerna ukupnom vrernenu posmatranja, 0110 izrazava da je odredeni vodostaj bio prevaziden naprimjer 0,25 (25 %) vremena posmatranja.

Naravno, procedura za odredivanje linije trajanja proticaja 1I potpunosti je identicna vee izlozenom za linijutrajanja vodostaja. Znaci, ona se dobije iz hidrograma (proticaj u funkciji vremena) na isti nacin kako se trajanje vodostaja dobije iz nivograma (sto je objasnjeno na slici 4.5). Medutirn, liniju trajanja proticaja, za poznatu jednoznacnu vezu proticaj - vodostaj (kriva proticaja) moguce je dobiti iz linije trajanja vodostaja. Odgovarajuca graficka procedura pokazana je na slici 4.6.

Q h [m3/s] [em]

1000 5001t----·----·I.- .. ---·-··· .. -·-·-f-··--···--·· +···-····-··--·----1·- .. · .. ·--'-··- + .. · __ ;;r .. !· .. · .. ·c .. +

o

o o

'100

20 30

400 600

200 250 3501' [dana)

40 50 60 70 80 90100');,.[%]

BOO 1000 1200 14001600 Q [m3/s)

Slika 4.6 Konstrukcija linije trajanja proticaja rijeke Neretve na v.s. Zitomislici pomocu poznate linije trajanja vodostaja i krive proticaja

Pokazana procedura odnosila se na liniju trajanja za jednu godinu. Naravno, ponavljanjem ove procedure rnoze se dobiti onoliki broj linija trajanja koliko godina osmatranja se nalazi na raspolaganju. lz veceg broja ovih linija trajanja se mogu definirati jos neke bitne i karakteristicne vrijednosti a to su:

"V .... , Tjl+Tj2+· .. +Tjn

prosjecna ImIJa trajanja Tj =" ,

n

(4.17)

74

VJEROVATNOCA 1 STATISTIKA U HIDROLOGIJI

EMPIRJ.JSKE RASPODJELE

anvelopa minimalnih trajanja min T; = min {Tj,}, Tj,2, ... ,Tj,n} (4.18)

anvelopa maksimalnih trajanja max Tj = max {Tj,l' Tj,2 , ... , Tj,n} (4.19)

h ~ .

.. \/ - L.T. za godinu 2

.. .> \

\ ..... \.

... , ./- L.T. za godinu 1

\ .. '\ //

\. ',/

'\~\,.

, "

/- prosjscna L.T.

T[%J

o 10 20 30 40 50 60 70 80 90 100

Slika 4. 7 Definiranje prosjecne linije trajanja za visegodisnji vremenski period

Prosjecna linija trajanja za visegodisnji vremenski period prikazana na slici 4,7 dobivena je tzv. osrednjavanjern po proticaju (za dato T se dobija srednji proticaj Qi) kao:

Qi J + Q; 2 + ... -I- Qi n

Q -" .

i-

II

Medutim, u hidroloskoj praksi se podjednako koristi i drugi nacin, tzv. osrednjavanje po vremenu (za dato Q se dobije srednje 1;), prema jednacini 4.17.

Konacno, treba imati u vidu da je zapremina vode koja protekne tokom godine ekvivalentna ukupnoj povrsini ispod linije trajanja proticaja, tj.

t=Tk

W = f Q(t)dt = QTk, (=0

(4.20)

odakle slijedi daje prosjecni proticaj, Q:

VJEROVATNOCA I STATISTIKA U HIDROLOGlJ!

75

EMPIR!JSKE RASPODJELE

(4.21)

o

Slika 4.8 Odnos prosjecnog proticaja i linije trajanja proticaja

4.3. EMPIRIJSKA FUNKCIJA RASPODJELE VJEROVATNOCE

U tacki 4.1 i 4.2 je govoreno 0 grupisanju podataka po klasnim intervalirna, da bi se konstruisale krive ucestalosti i kumulativne krive ucestalosti izucavanih velicina (slucajnih promjenljivih).

Ako je velicina uzorka mala onda je ovakav nacin nepodesan, pa se elementi uzorka ne grupisu nego se ureduju tako da se dobije niz kod koga vrijednosti elernenata rastu iii opadaju, pocevsi od prvog elernenta niza, sto se naziva uredeni uzorak (vidi poglavlje 3.).

To je naprimjer slucaj kada se proucavaju ekstremne vrijednosti hidroloskih procesa kao sro su maksirnalne padavine, maksimalne temparature, maksimalni iii minimalni proticaji. Tada seuzorak formira tako da se iz svake godine izdvoji same jedna, razmatrana ekstrernna vrijednost. Tako se za uobicajene uslove razrnatranih podataka dobije uzorak od 30 do 70 vrijednosti, a u najboljern slucaju od 100 do 200 vrijednosti. Takav uzorak se moze smatrati relativno kratkim, a u njemu se rjede pojavljuje ponavljanje istih velicina. Tada i nema puno opravdanja razvrstavati vrijednosti uzorka u pojedine klasne intervale, nego se uzorak tretira na nesto drugaciji nacin nego kadaje uzorak dugacak.

Primjera radi, neka se raspolaze sa uzorkom maksimalnih proticaja od svega 11 vrijednosti (N = 11).

76

VJEROVATNOCA / STAT/STIKA U HIDROLOGIJI

EMPIRIJSKE RASPODJELE

Tabela 4.2. Uzorak i uredeni uzorak maksimalnih proticaja rijeke Lim na VS. Rudo

bGO~in' Qmax Redni Qmfix Qmax
(m3/s) broj m .J, miN r miN
2 3 4 5 6 7
1966 480 I 994 111 1 453 1111
!--.
1967 662 2 971 2/11 480 2111
c---- 488
1963 822 3 822 3/1 J 3111
1969 994 4 743 4/11 625 4111
1970 727 5 727 5/11 662 5111
H71 722 6 722 611 1 722 6111
1972 743 7 662 7/11 727 7/11
1973 488 8 625 8/11 743 8/1 I
1974 971 9 488 9/11 822 9111
1975 625 10 480 1011 1 971 10111
1976 453 11 453 J 1111 994 111 II
~- -- . - - Da bi se pristupilo analizi datog uzorka, neophodno ga je prvo urediti (ureden uzorak). To se uobicajeno radi tako.da se uzorak uredi po opadajucim vrijednostima tako cia je xll1 :2: xlll+1 za m = 1, 2, ... , N (kolona 4 tabele 4.2), iii pak po rastucirn

vrijednostima tako cia je xm ::; xm+1 za m == 1, 2, ... , N (kolona 6 tabele 4.2).

Za tako ureden uzorak definira se ernpirijska kumulativna funkcija ucestalosti. Poclsjetimo se cia je II tacki 2.2 aposteriori (statisticka) vjerovatnoca odredena

kaooclnos brojnosti podskupa koji ima neku karakteristiku na primjer pripada

podskupu A - i brojnosti cjelokupnog skupa.

Drugim rijecirna, neka se dogadaj A(A E 0) sastoji ocl m elementarnih clogadaja 0), tj.:

A = {O) . v = 1 m}· . m < n

V'"

(4.22)

Ako se sa cp (A) oznaci funkciju cija je osobina cia je

rp (A) = m

(4.23)

i na isti nacin

(P (0) = n

(4.24)

tacla se, prema statistickoj definiciji vjerovatnoce, pod vjerovatnocom P (A) dogadajaA EO, podrazumijeva kolicnik:

VJEROVATNOCA f STAT/STIKA U HfDROLOG!Jf

77

EMPJRfJSKE RASPODJELE

(4.25)

Kako je uvijek cp(A) S; n , to vjerovatnoca svakog dogadaja A zadovoljava nejednakost:

o , peA) S; 1

(4.26)

Kod nemoguceg dogadaja (A =~) je <p (A) = 0, paje i peA) = O. Naprotiv, ako je <p (A) = n, onda je P (A) = I (siguran dogadaj).

U tom smislu neka km predstavlja brojnost skupa sa karakteristikama da je slucajna prornjenljiva veca iii jednaka od zadane vrijednosti Qil" tada se moze napisati:

[ ] ( ) k1 In

> _() __ . _11_- __

P Q -. QI11 - I Om - N - N '

m=I,2, ... ,N

(4.27)

Vrijednosti empirijske funkcije su date u koloni 5 tabele 4.2. lz kolone 5 je ujedno vidljivo da je km m, odnosno jednako rednom broju slucajne promjenljive u uredenom uzorku (za niz ureden po opadajucim vrijednostima),

Analogan rezultat bi se dobio da je uzorak ureden po rastucim vrijednostima, samo bi se dobilo

(4.28)

Dakle, ako se elementi uzorka urede take da se dobije niz kod kojeg vrijednosti elernenata rastu:

(4.29)

iii opadaju

(4.30)

gdje je N obim uzorka, onda se takav niz naziva uredeni uzorak. N iz (4.29) ima empirijsku funkciju raspodjele:

78

VJEROVATNOCA J STATISTlKA U HfDROLOGfJJ

EMPlR!JS'KE RASPODJELE

r O,X<Xj im/N,x::;x", l J,X?:XN

(4.3 J)

gdje je m = J, 2, ... , N rang vrijednosti X.

Fe (x) je jedna monotona i neopadajuca funkcija.

Ako je u pitanju niz (4.29) i ako je N vrlo veliko, onda:

Fe (xrrJ= p{x::; xm)= miN au slucaju niza (4.30):

(4.32)

<D e (X:11 ) = P (x > X:11 ):= 1 - Fe (X:11 ) = miN

(4.33)

pri cernu je xm ;c X~l .

Prerna tome vjerovatnoce Fe (Xm) i <De (x'm) su iste za m-ti clan niza Xm urecienog po prvom nacinu i m-ti clan niza x'm uredenog po drugorn nacinu, pri cemu je Xm:f::.X'J1l.

Sracunate vjerovatnoce F; (xm), odnosno <De (Xm) sadrze u sebi odredene protivurjecnosti koje se ogledaju u cinjenici da iz vrijednosti Fe (Xm), odnosno <De (X '111) proizilazi zakljucak da se u buducnosti ne moze javiti ni jedna vrijednost slucajne promjenljive koja je manja od Xmill (u ovom primjeru 453 m3/s), posto je

<D e (x ~ ) = p [x > X ~ J = 1 .

Slicna suprotnost se ocituje kod izracunate vrijednosti Fe (XN) =

= P [X::; XN] = 1, tj. implicitno se podrazurnjeva tvrdnja da i u buducnosti sve razrnatrane pojave moraju biti manje iii jednake vrijednosti XN (u datom primjeru 994 m3/s), sto naravno ne mora da bude tacno.

Posto je uzorak po pravilu ogranicenog obima, Fe (xm), odnosno <De (x'm) se razlikuje od teorijske raspodjele.

Da bi se prevazisla ova nelogicnost, u literaturi je preporuceno da se umjesto izraza Fe (Xm) == Pm m l N iii <1\ (xm) = Pm = m l N koriste korigovani obrasci, odnosno za proracun ernpirijske 'funkcije raspodjele umjesto (4.32 i 4.33) koriste formule od kojih su najpoznatije lSI:

p = m

m N+l

(Weibull)

(4.34)

VJEROVATNOCA I STAT/STIKA U HIDROLOGIJI

79

EMPfRIJSKE RASPODJELE

p = m - 0,5 (Hazen)

m N

(4.35)

p == 111 - 0,3 (Cegodajev)

m N + 0,4

(4.36)

p = 111 - 0,44 (Gringorten)

m N + 0,12

(4.37)

i druge, gdje je m (m = I, 2, ... , N) redni broj clana Xm U uredenorn uzorku a N velicina uzorka,

Formula Weibulla ima najbolje teoretsko opravdanje /5/.

Generalno svi ovi obrasci se 1110gU izraziti preko slijedeceg obrasca:

p := m a

m 1'1 + 1- 2a

(4.38)

gdje je:

m - redni broj (pozicija) slucajne promjenljive u uredenorn uzorku,

N ukupni broj elernenata uzorka,

a - korekcioni faktor koji ima svrhu da ornoguci korektniju procjenu empirijske vjerovatnoce najvecih i najrnanjih vrijednosti slucajne promjenljive (Weibull, a 0; Cegcdajev, a = 0,3; Hazen, a == 0,5; Gringorten, a = 0,44; itd.).

Osirn gornjih, u praksi najcescih formula, u upotrebi se mogu naci i slijedeci obrasci /4/:

2m - I

p == ------- (Hazen)

m21'1

(4.39)

I-OSliN

P = ----' - (Beard)' m I

(4.40)

p = m-3/8_ (Blom)

m N + 1/3

(4.41 )

Formula se primjenjuje samo za m = I, dok se ostale vrijednosti linearno interpoliraju izmedu ove vrijednosti i vrijednosti od 0,5 za medijanu uzorka.

80

V,IEROVATNOC'A 1 STATISTlKA U HIDROLOGJJJ

EMPfRIJSKE RASPODJELE

p == 3m -_2_

m 3N +1

(Tukey)

(4.42)

PRIMJER 4.2.

Sracunajti empirijske funkcije raspodjele vjerovatnoce za uzorak maksimalnih godisnjih proticaja rijeke Lim na vodomjernoj stanici Rudo za period od 1966. do 1980. godine (N = 15 godina)

Redni Proticaj o.: Empirijske vjerovatnoce We (Qm) .
Godina broj Qnuu: Obrazac autora
m (m3/s) J Weihull Grlngorten Hazen CeKoda;ev
1966 1 480 1540 0.06250 0.03703 0.03333 0.04545
1967 2 662 994 0.12500 0.10317 0.10000 0.//039
1968 3 822 971 0.18750 0.16931 0.16666 0.17532
1969 4 994 822 0.25000 0.23545 0.23333 0.24026
1970 5 727 744 0.31250 0.30158 0.30000 0.30519
1971 6 722 727 0.37500 0.36772 0.36666 0.37013
1972 7 744 722 0.43750 0.4338p_ 0.43333 0.43506
1973 8 488 662 0.50000 0.50000 0.50000 0.50000
0:56250 ._-
1974 9 971 625 0.56614 0.56666 0.56493
1975 10 625 6Jl 0.62500 0.63227 0.63333 0.62987
1976 11 453 608 0.68750 0.69841 0.70000 0.69480
1977 12 6// 596 0.75000 0.76455 0.76666 0.75974
1978 13 596 488 0.81250 0.83068 0.83333 0.82467
1979 14 1540 480 0.87500 0.89682 0.90000 0.88961
1980 15 608 453 0.93750 0.96296 0.96666 0.95454 Sve gore upotrebljene formule daju (gotovo) iste vrijednosti za vrijednosti m oko sredine, ali razlicite za krajnje vrijednosti m.

4.4. PARAMETRI EMPIRIJSKIH RASPODJELA

Tabelarni pregled ucestalosti (frekvencija) i odgovarajuce graficke predstave (kriva trajanja i ucestalosti) predstavljaju jedan vid organizovanja podataka serija hidrorneteoroloskih osmatranja. Nj ihove numericke karakteristike dobijaju se pomocu izvjesnih parametara koji se obicno grupisu na slijedeci nacin 143, 301:

1. Parametri koji karakterisu centralnu tendenciju i lokaciju raspodjele ucestalosti: srednja vrijednost, medijana, mod i drugi,

V.JEROVATNOCA fSTATJSl1KA U HfDROLOGfJI

81

EMPIRlJSKE RASPODJELE

2. Parametri kojima se mjeri disperzija vrijednosti slucajne prornjenljive oko srednje vrijednosti: interval varijacije, varijansa, standardna devijacija, i drugi,

3. Parametri kojima se precrzrra asirnetrija spljostenost krive ucestalosti: mjere asirnetrije, mjere spljostenosti, itd.

4.4.1. Empirijski statisticki momenti

jJ poglavlju 3. vee je bilo govora 0 pojmovima obicnih statistickih momenata (koji se odnose na koordinatni pocetak) i centra/nih statistickili momenata (koji se racunaju u odnosu na srednju vrijednost). Analogno teorijskim mornentirna koji su opisani u poglavlju 3. ovdje se definisu empirijski statisticki momenti, definisani na osnovu podataka slucajnog uzorka slucajne promjenljive.

Posto se slucajni uzorak bira iz osnovnog skupa, odnosno populacije, potrebno je uvesti posebne oznake karakteristicnih velicina populacije i uzorka. U tom smislu, broj elemenata, srednja vrijednost, varijansa, obican i centralni momenat populacije oznacavaju se sa (poglavlje 3)

2

N, u, (J , m l" i M r

a za uzorak se uvode oznake

Ako su x" X2, ... , Xn vrijednosti slucajne promjenljive X, pod obicnim e

empirijskim mornentorn r-tog reda, koji su oznaceni sa 171r, podrazumjeva se

aritmeticka sredina r-tog stepena od Xi, tj.

n

Lxi

11 i=1

(4.43)

Kao sto se moze uociti izraz je identican izrazu (3.59) koji se odnosi na definiciju teorijskog obicnog tzv. neponderisanog momenta r-tog reda,

Kada se radi 0 podacima koji su grupisani uk klasa, pa!; predstavlja apsolutnu ucestalost neke slucajne promjenljive Xi, tada je:

J k

" f.x! L. 1 1

n i=1

(4.44)

82

VJEROVATNOCA 1 STAT/STIKA U HIDROLOGIJI

EMPIRIJS'KE RASPODJELE

gdje Xi predstavlja srednju vrijednost klase, a k broj klasa.

Ako se izraz (4.44) napise na slijedeci nacin:

(4.45)

pa kada n ~ OCJ , tada relativne ucestalosti fi! n postaj u vjerovatnoce p (Xi), dobije se:

m~ Ixfp(Xi):=E(Xr }:=mr

i=l

(4.46)

Prvi momenat (r = 1) je prema (4.43):

mf

1 11 --"---=-----'-'-. := - 2.: x i x

n i=l

(4.4 7)

n

tj. aritmeticka sredina uzorka. Isti rezultat se dobije koristenjem izraza (4.45).

Pod centralnim empirijskim momentom M~, reda r podrazumijeva se velicina kojaje definisana slijedecom relacijom:

(4.48)

iii, za grupisane podatke:

elk "( -)1'

M r := 2.: fj xi - x

n i=l

(4.49)

gdje je k - broj klasa LI koj i je grupisan uzorak, Xj- srednja vrijednost klase, a n

predstavlja SLlmLl apsolutnih ucestalosti: "

k n:= 2.:fi i=l

(4.50)

Ako u izrazu (4.49) n ~ OCJ tada relativne ucestalosti fi! n postaju vjerovatnoce p(x;), pa se dobije:

M~:=I (xi -XYP(Xi)=Mr

i=l

(4.51)

V.JEROVA7'NOC'A 1 STATlSTlKA U HIDROLOGlJ!

83

EMPIRJJSKE RASPODJELE

Kao sto se moze uociti, izraz (4.51) je identican izrazu (3.62) koji se odnosi na definiciju teorijskog centralnog momenta r-tog reda. Drugim rijecima, vidi se da empirijski momenti za veliko n teie odgovarajucim teorijskim momentima.

Centralni momenti se mogu izraziti p0l1106u obicnih mornenata, na slijedeci nacin:

(4.52) (4.53)

(4.54) (4.55)

sto je pokazano jednacinarna 3.73 i 3.74.

Gornj i izrazi cesto olaksavaju prakticne proracune. Na primjer varijansa koja predstavlja vrijednost drugog centralnog momenta moze se lakse sracunati preko izraza:

1"

Var(X) M2::: --I(Xi

n i=1

(4.56)

Lahko je zapaziti da je drugi centralni momenat (r = 2) jednak varijansi uzorka, i sluzi kao mjera rasprostiranja vrijednosti Xi oko srednje vrijednosti X . Dakle, za r=2

e 2 1 ~f ( -)2

M2=S =-L., i xi-x

n i=1

(4.57)

ili za negrupisane podatke prema (4.48):

(4.58)

Naprijed definirani momenti od velike su vaznosti za ispitivanje statistickih uzoraka. Medutim, moze se uociti da nulti i prvi centralni statisticki momenat ni u kojem pogledu ne karakteriziraju statisticki uzorak, jer su za sve uzorke jednaki jedan, odnosno nula ..

Prvi centralni momenat od vaznosti, koj i nam rnoze karakterizirati uzorak, je drugi momenat M1. Taj momenat, kao sto je to i ranije pomenuto, kada je bilo rijeci o teorijskim statistickim momentima, naziva se varijansa i pokazuje kolika je prosjecna vrijednost kvadrata odstupanja za svako pojedino Xi od srednje vri-

84

VJEROVATNOCA ! STAT/STIKA U HIDROLOGI.!!

EMPIRIJSKE RASPOD.JELE

jednosti. Ako je ta prosjecna vrijednost velika, znaci da su tacke Xi dosta siroko rasporedene oko X . Prema tome, M2 daje mjeru rasprostiranja (disperzije) tacaka Xi oko X. Orugim rijecima, velika odstupanja dace velikiM2, a mala odstupanja mali M2•

4.4.2. Parametri centralne tendencije

Srednja vrijednost. Kao sto je vee receno u poglavlju 3" uobicajeno je da se srednja vrijednost naziva najtipicnijim brojem u jednom skupu vrijednosti, Medutim, to nikako ne znaci da i sama srednja vrijednost mora biti jedna od vrijednosti slucajne prornjenlj ive X.

Ako je dat niz vrijednosti slucajne promjenlj ive X

(4.59)

tada se pod srednjorn vrijednoscu (aritmetickorn sredinom) koja se oznacava sa x, podrazumijeva slijedeci izraz:

1 n

X = ---':_____:::__---'-----~ = - I x i

n i=l

( 4,60)

n

Sa ovim izrazom se vee susrelo u poglavlju 3 (jednacina 3.4), te u ovom poglavlju (jednacina 4.47).

Medijana. Kao sto je vee receno u poglavlju 3" medijana je ona vrijednost slucajne prornjenljive X koja funkciju gustine raspodjele vjerovatnoce dijeli na dva jednaka dijela, odnosno vrijednost X za koju je:

F(x)=O,5

(4.61)

Ako se medijana oznaci sa Me, onda za X = Me vazi slijedeca relacija:

Me 00

f f(x)dx= Jf(x)dx

-00 Me

(4.62)

ddje jej (X) zakon funkcije gustine raspodjele vjerovatnoce,

Mod. Treca mjera centralne tendencije naziva se mod, i ona predstavlja onu vrijednost slucajne promjenlj ive X koja se najcesce javlja, tj. ima najvecu vrijednost funkcije gustine raspodjele ucestalosti j (x).

V.JEROVATNOCA I STATlSTIKA U HlDROLOGl.fl

85

EMPIRI.JSKE RASPODJELE

Treba po novo napomenuti da se kod simetricnih funkcija ucestalosti (raspodjela vjerovatnoce) poklapaju srednja vrijednost, mod i medijana.

4.4.3. Parametri disperzije

Interval varijacije. Prvi parametar koji bi mogao posluziti kao mjera za velicinu varijabiliteta (uzajamne razlike izrnedu vrijednosti slucajne promjenljive) jeste interval varijacije

r = Ix max - X mini

v I I

(4.63)

Medutim, rna koliko bio privlacan ovakav nacin mjerenja disperzije zbog svoje jednostavnosti, on 1I opstern slucaju nije pogodan za tu svrhu. Ta nepogodnost dolazi zbog toga sto interval varijacije zavisi jedino od najmanje i najvece vrijednosti slucajne promjenlj ive X

Prosjecna devijacija: Jedna od rnjera varijabiliteta je prosjecna devijacija (odstupanje), 0, za negrupisane podatke:

(4.64)

gdje je x srednja vrijednost uzorka, a I xi - x I apsolutna vrijednost odstupanja od srednje vrijednosti.

Za grupisane podatke, dobija se tzv. ponderisano srednje apsolutno odstupanje

I k

0=--· "f. 'Ix, xl

/-'1 1

n i=!

(4.65)

Izraz je identican izrazu (3.31) koji se odnosi na definiciju teorijskog srednjeg apsolutnog odstupanja.

Standardna devijacija. Najcesce koristena rnjera varijabiliteta je standardna devijacija iii srednje kvadratno odstupanje, koja se dobije kao kvadratni korijen iz varijanse:

In, -)2 1 n 2 -2

Var(X)=-L;(Xi-X =-L;Xj-X

n i=] n i=1

(4.66)

86

VJEROVATNOC'A I STATlSTIKA U HIDROLOGlJI

EMPIRIJSKE RASPODJELE

s(x)= J Var{X)

(4.67)

ili, za grupisane podatke:

( 4.68)

gdje je k broj klasa u koji je grupisan uzorak, a 11 predstavlja sumu apsolutnih

ucestalosti

k

n = I:fj j=l

(4.69)

Ako u izrazu (4.68) 11 -> 00, tada relativne ucestalosti fi / n postaju vjerovatnoce p(Xj), pa se dobije izraz koj i je jednak izrazu (3.33) iz poglavlja 3., kada je govoreno o teorijskim aspektima varijanse i standardne devijacije.

Iz izraza (4.66) i (4.68) je potpuno jasno cia ukoliko standardna devijacija jednog uzorka irna VCCll vrijednost utoliko je veci varijabilitet tih podataka, Ukoliko je standardna devijacija manja, utoliko je bolja grupisanost podataka oko srednje vrijednosti.

Koeficijent varijacije. Cesto koristena mjera varijacije je koeficijent varijacije c; ili relativna mjera devijacije, gdjeje po definiciji

s

c =

v -

X

(4.70)

Koeficijent varijacije cesto igra veliku ulogu u hidroloskirn analizama. Ona je narocito izrazena kada treba usporediti dva uzorka, narocito u pogledu rasipanja, s obzirom da je standardna devijacija izrazena kao apsolutna mjera. Nairne, iako nam standardna devijacija daje mjeru rasipanja pojedinih vrijednosti slucajne prornjenIjive od prosjecne vrijednosti, ipak ta mjera ne daje posve jasnu sliku tog rasipanja. Drugim rijecima, ako se razmatra uzorak u kome su vrijednosti slucajne promjenljive odredene velikim brojevima, onda ce i standardna devijacija biti izrazena velikim brojem. Ako, nasuprot tome, se razmatra uzorak u kome su vrijednosti slucajne promjenljive izrazene rnalim brojevima, onda ce i standardna devijacija biti

malena. .

VJEROVATNOCA 1 STATISTIKA U HIDROLOGIJI

87

EMPIRIJSKE RASPODJELE

4.4.4. Parametri asimetrije

Od parametara asirnetrije pomenuti ce se koeficijent asimetrije Co mjera

spljostenosti E.

Koeficijent asimetrije. Treci centralni rnornenat M, podijeljeusa S 3 (zbog dovodenja na bezdimenzionalni izraz) naziva se koeficijent asimetrije:

(4.71 )

Kako se oblik funkcije raspodjele odrazava na koeficijent asimetrije Co pokazano je u poglavlju 3. (slika 3.4.).

Mjera spljostenosu: Iako krive raspodjele gustine ucestalosti u obliku zvona, sa priblizno istim vrijednostima za koeficijent asirnetrije Cs rnogu bit! veoma slicne, cesto je razlika u tome sto su njihovi vrsni dijelovi ostriji iii blazi, Ova karakteristika se opisuje sa tzv. mjerom spljostenosti E:

EM~

(4.72)

88

VJEROVATNOCA I STATISTIKA U HIDROLOGfJ!