Matematika u raunarstvu

Materijal za II kolokvijum

STATISTIKA
Teorija vjerovatnoe i statistika predstavljaju granu matematike od izuzetno velike praktine vanosti. U okviru ovog poglavlja bie uvedeni osnovni pojmovi kroz dva primjera. Jedan primjer je analiza rezultata koji su sutdenti ostvarili na nekom ispitu, dok je u drugom primjeru analizirano ispitivanje javnog mnjenja putem ankete. Pretpostavimo da su nam dati rezultati koje su 100 studenata ostvarili na dva ispita. Svaki ispit je bodovan od 0 do 100 i broj poena je prikazan u tabelama 1 i 2.

100 95 90 88 87 86 86 85 83 82

81 81 81 81 81 79 79 79 77 77

77 77 77 76 76 76 75 74 73 73

72 71 70 69 69 69 68 68 68 68

68 68 67 66 66 66 66 65 65 65

65 65 65 64 64 64 63 63 63 63

63 62 62 62 62 62 62 60 60 60

60 59 58 58 58 57 56 56 55 54

54 53 53 52 52 51 50 50 50 49

48 48 44 43 43 40 39 36 35 30

Tabela 1 83 75 74 74 72 72 72 72 71 71 71 70 70 70 70 69 69 69 69 69 69 68 68 68 68 68 68 68 68 67 67 67 67 67 67 67 67 67 66 66 66 66 66 66 66 66 66 66 66 65 65 65 65 65 65 64 64 64 64 64 64 64 64 64 64 64 64 64 64 64 64 63 63 63 63 63 62 62 61 61 60 60 60 59 59 59 58 58 58 58 58 58 58 57 57 57 56 54 53 53

Tabela 2

28

Matematika u raunarstvu

Materijal za II kolokvijum

Prosjena vrijednost, varijansa i standardna devijacija Vidimo da se rezultati ova dva ispita dosta razlikuju, na prvom ispitu maksimalno je osvojeno 100 bodova a minimalno 30, dok je za sluaj drugog ispita (rezultati iz tabele 2) najvei broj poena 83 a najmanji 53. Minimalnu vrijednost skupa podataka X obiljeavamo sa min( X ) a maksimalnu sa max( X ) Pored ovih informacija ima smisla govoriti o prosjenom broju poena. Ukoliko sa xi oznaimo broj poena koje je osvojio student pod brojem i, pri emu i uzima vrijednosti 1,2,...,100 tada prosjeni broj poena, oznaimo ga sa P , moemo traiti kao:
P= x1 + x2 +...+ x99 + x100 100

Za prvi ispit dobijamo da je P 1 = 65.31 a za drugi ispit P 2 = 64.99 Gornje razmatranje moemo uoptiti tako da za proizvoljni skup od N brojeva xi , i = 1,2,..., N definiemo srednju (prosjenu) vrijednost skupa kao:
P= 1 N

x
i =1

Da prosjena vrijednost ne karakterie sve osobine skupa vidi se iz navedenih primjera. Naime oba ispita, iako sa bitno razliitim rezultatima imaju bliske prosjene vrijednosti. Postavlja se pitanje kako mjeriti koliko podaci iz nekog skupa odstupaju od prosjene vrijednosti. Jedan od naina je da pronaemo prosjenu vrijednost kvadrata odstupanja, odnosno da sraunamo izraz: V= ( P x1 ) 2 + ( P x2 ) 2 +...+ ( P x100 ) 2 100

Veliina sraunata na ovaj nain naziva se varijansom skupa. Za prvi ispit ona iznosi V1 = 180.63 a za drugi V2 = 24.99 . Varijanse se bitno razlikuju to ukazuje na inenicu da kod prvog ispita imamo puno vee rasipanje broja bodova oko srednje vrijednosti nego kod drugog ispita. U optem obliku za skup od N brojeva xi , i = 1,2,..., N ija je prosjena vrijednost P varijansa je:
V= 1 N
N

(P x )
i i =1 N

Gornji izraz se moe napisati i u sledeem obliku, koji je esto prikladiniji za raunanje:
V= 1 N 1 N

( P 2 2 Pxi + xi ) =
2

i =1 N

1 N

P2 2P
i =1

1 N

xi +
i =1

1 N

xi = P 2 2 P 2 +
2

i =1

1 N

x
i =1

V=

x
i =1

P2

29

Matematika u raunarstvu

Materijal za II kolokvijum

Dakle varijansu moemo lako sraunati ukoliko poznajemo prosjenu vrijednost skupa i ako pronaemo prosjenu vrijednost kvadrata elemenata skupa. S obzirom da varijansa predstavlja srednju vrijednost kvadrata greke ima smisla definisati jo jednu veliinu koja je jednaka kvadratnom korijenu varijanse i naziva se standardna devijacija:

= V
Za sluaj prvog ispita ona iznosi 1 = 13.44 a u drugom sluaju imamo 2 = 5 . Standardna devijacija dakle daje informaciju o tome za koliko se, u prosjeku, razlikuju elementi skupa od prosjene vrijednosti. Medijan vrijednost skupa esto se pri analizi podataka oekuje pojavljivanje ekstremnih vrijednosti, odnosno moe se desiti da neke vrijednosti analiziranog skupa iz nekih razloga enormno odstupaju od ostalih. U takvim sluajevima srednja vrijednost esto moe biti nepodobna za opisivanje ponaanja elemenata skupa, pa se uvodi pojam medijane kao one vrijednosti u skupu podataka koja ima osobinu da dijeli skup na dva jednako brojna podskupa, prvi sa elementima koji su vei od nje, i drugi sa manjim elementima. Na primjer, voltmetar koji mjeri napon mree ima osobinu da ponekad pokae netanu vrijednost, tako da su rezultati 7 mjerenja: 222V,15V, 251V, 210V, 215V, 231V, 1230V. Srednja vrijednost mjerenja je 340V, a medijana ovog skupa je 222V. Oigledno je u ovom sluaju medijana blia stvarnoj vrijednosti nego srednja vrijednost, a razlog tome su dva, najvjerovatnije netana, mjerenja koja su dala nerealne vrijednosti. Medijana proizvoljnog skupa X obiljeava se sa:
median( X )

Iako je po definiciji dosta slina sa prosjenom vrijednou raunanje medijan vrijednosti skupa ja puno komplikovanije. U najveem broju sluajeva podatke treba prvo sortirati i zatim uzeti podatak koji se u sortiranom nizu podataka nalazi u sredini. Drugi nain za izbjegavanje opisanih smetnji (one se nazivaju impulsnim smetnjama jer se javljaju rijetko, a kad se pojave njihov uticaj je veliki) je da se pri statistikoj analizi skupa podataka odbace po nekolike ekstremne vrijednosti Na primjer za skup od 100 mjerenja, eliminie se na primjer 5 najmanjih vrijednosti i 5 najveih vrijednosti i analizira se dobijeni skup. U navedenom primjeru, broj mjerenja je mali (7) pa ako odbacimo najmanju i najveu vrijednost tada prosjena vrijednost skupa postaje 225.8V to je prihvatljiv rezultat. Histogram skupa podataka Iz prethodnog razmatranja vidjeli smo da za neki skup podataka moemo sraunati odreene veliine koje na neki nain opisuju ponaanje elemenata skupa. Problemu opisivanja ponaanja velikog broja elemenata moemo pristupiti i na drugi nain. Podijelimo opseg moguih vrijednosti elemenata (za posmatrani primjer to je opseg od 0 do 100) na neki broj podopsega, recimo 10, i odredimo koliko elemenata skupa lei unitar svakog od podopsega. Na primjer za sluaj prvog ispita u opsegu od 50 do 59 imamo 18 vrijednosti. Broj elemenata 30

Matematika u raunarstvu

Materijal za II kolokvijum

skupa koji lee u datom opsegu moemo prikazati tabelarno ili grafiki u obliku histograma. Histogram crtamo tako to na x-osi nanesemo granice opsega i za svaki opseg crtamo pravougaonik ija je visina proporcionalna broju studenata kod kojih je broj bodova u odabranom opsegu. Opseg Br. stud. 0-9 0 10-19 20-29 30-39 40-49 50-59 60-69 70-79 80-89 90-100 0
40 35 30 25 20 15 10 5 0 10 20 30 40 50 60 70 80 90 100

18

38

18

12

Slika 1. Tabelarni prikaz raspodjele broja bodova po opsezima i histogram podataka iz tabele 1.

Opseg Br. stud.

0-9 0

10-19 20-29 30-39 40-49 50-59 60-69 70-79 80-89 90-100 0

70 60 50 40 30 20 10 0

17

68

14

10

20

30

40

50

60

70

80

90

100

Slika 2. Tabelarni prikaz raspodjele broja bodova po opsezima i histogram podataka iz tabele 2.

31

Matematika u raunarstvu

Materijal za II kolokvijum

Vjerovatnoa Na osnovu podataka iz navednih tabela moemo izvui jo neke informacije. Neka je svakom opsegu broja bodova pridruena odgovarajua ocjena. Tada za veliki broj studenata moemo definisati vjerovatnou da je proizvoljno odabrani student dobio neku ocjenu, na primjer 9. Tu vjerovatnou mogli bismo definisati na osnovu razmotrenih podataka. Naime ocjena 9 se dobija ukoliko je broj bodova izmeu 80 i 89. Od posmatranih 100 studenata za njih 12 je broj bodova u navedenom intervalu. Znai pitamo se kolika je vjerovatnoa da od 100 studenata, birajui jednog studenta odaberemo ba nekoga od tih 12. Ta vjerovatnoa, oznaimo je sa p(8) iznosi:
p(8) = 12 = 0.12 100

a moemo je izraziti i u procentima pomoivi je sa 100. Tada kaemo da je vjerovatnoa da je proizvoljno odabrani student dobio ocjenu 8 dvanaest posto. Na slian nain moemo odrediti i vjerovatnoe pojavljivanja svih ostalih ocjena, pri emu za ocjemu 5 treba razmatrati sve one studente koji su osvojili manje od 50 bodova. Prikaimo te podatke tabelarno: Ocjena Vjerovatnoa 5 0.11 6 0.18 7 0.38 8 0.18 9 0.12 10 0.03

Tabela 3. Vjerovatnoe pojedinih ocjena na ispitu Podatke iz gornje tabele takoe moemo prikazati grafiki:
0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 5 6 7 8 9 10

Slika 3. Histogram vjerovatnoe pojavljivanja ocjena

Pojam vjerovatnoe je opti pojam koji se moe definisati na vie naina. Prvi nain je definicija vjerovatnoe a priori. Polazna taka je prepoznavanje skupa elementarnih 32

Matematika u raunarstvu

Materijal za II kolokvijum

dogaaja i definisanja njihovih vjerovatnoa. Najee je to skup jednako vjerovatnih dogaaja. Primjer za ovako definisanu vjerovatnou je bacanje kocke i posmatranje rezultata. Svaki se broj od 6 moguih javlja sa istom vjerovatnoom i suma svih tih 6 vjerovatnoa je jednaka 1 (sigurno e se pri bacanju kocke pojaviti neki od brojeva izmeu 1 i 6), pa moemo a priori rei da je vjerovatnoa pojavljivanja broja 2 pri bacanju kocke p(2) = 1 / 6 . Drugi nain definicije vjerovatnoe je vjerovatnoa a posteriori. Neka neki eksperiment moe uzeti jedan ishod iz skupa ishoda. Ponovimo taj eksperiment n puta i ispitajmo koliko se puta pojavio odreeni ishod A. Oznaimo taj borj sa n A . Tada moemo vjerovatnou pojavljivanja ishoda A definisati kao:
pn ( A) = nA . n

Ovo je samo procjena vjerovatnoe i smatra se da kada n tei beskonanosti, tada pn ( A) tei stvarnoj vjerovatnoi ishoda A koju oznaavamo sa p( A) . Navedimo neke osobine vjerovatnoe obiljeiemo sa A neki dogaaj a sa p( A) njegovu vjerovatnou:

Vjerovatnoa dogaaja je nenegativna veliina, odnosno p( A) 0 za svaki dogaaj A, Vjerovatnoa nekog dogaaja ne moe biti vea od 1, odnosno p( A) 1 , Ukoliko su dogaaji A i B meusobno iskljuivi tada je p( A + B) = p( A) + p( B) , gdje pod zbirom dogaaja A i B smatramo dogaaj kada se desi dogaaj A ili dogaaj B.
Za dogaaj A kod koga je p( A) = 0 kaemo da je nemogu, a za dogaaj A kod koga je p( A) = 1 kaemo da je siguran dogaaj. Primjer sigurnog dogaaja je dogaaj da je proizvoljno izabrani student dobio ocjenu izmeu 5 i 10, dok je primjer nemogueg dogaaja dogaaj da je student dobio ocjenu 12. Diskretne sluajne promjenjive Vratimo se ponovo na analizu rezultata ispita. Ukoliko sluajno biramo nekog studenta tada je i ocjena koju je on dobio na ispitu veliina koja zavisi od tog sluajnog izbora i nazivaemo je sluajna promjenjiva. U posmatranom primjeru sluajna promjenjiva uzima vrijednosti od 5 do 10, odnosno konano mnogo diskretnih vrijednosti, pa se zbog toga naziva diskretna sluajna promjenjiva. U tabeli 3 je definisana raspodjela vjerovatnoa posmatrane sluajne promjenjive. Sluajna promjenjiva x je definisana ako je definisan skup njenih vrijednosti i pripadajua raspodjela vjerovatnoa. Vjerovatnoa da sluajna promjenjiva uzme bilo koju vrijednost iz skupa vrijednosti je jednaka jedinici, odnosno to je siguran dogaaj. Raspodjela vjerovatnoa moe biti zadata tako da za svaku moguu vrijednost sluajne promjenjive x, obiljeiemo je sa xi odredimo vjerovatnou njenog pojavljivanja p( xi ) , kao to je na primjeru ispita uraeno u tabeli 3. injenicu da sluajna promjenjiva mora uzeti jednu od moguih vrijednosti zapisujemo formulom:

33

Matematika u raunarstvu

Materijal za II kolokvijum

p( x ) = 1
i i

gdje se sumiranje obavlja po svim moguim vrijednostima sluajne promjenjive. Drugi nain zadavanja raspodjele vjerovatnoa je da za svaku vrijednost sluajne promjenjive definiemo vjerovatnou da sluajna promjenjiva ne premai tu vrijednost. Tu vjerovatnou oznaiemo sa P( x xi ) , a njene vrijednosti za posmatrani primjer analize ocjena na ispitu su date u tabeli 4. Ova vjerovatnoa se lako rauna sabirajui vjerovatnoe pojavljivanja svih vrijednosti sluajne promjenjive koje su manje ili jednake vrijednosti xi :

P( x xi ) =

x n xi

p( x )
n

Ocjena xi
P( x xi )

5 0.11

6 0.29

7 0.67

8 0.85

9 0.97

10 1

Tabela 4. Vjerovatnoe da ocjena na ispitu bude manja ili jednaka od zadate ocjene

Matematiko oekivanje, varijansa i standardna devijacija diskretne sluajne promjenjive

Za diskretnu sluajnu promjenjivu i njenu raspodjelu vjerovatnoa moemo definisati nekolika pojma koji su ekvivalentni statistikim pojmovima srednje vrijednosti, varijanse i standardne devijacije. Tako se za promjenjivu x i raspodjelu vjerovatnoa p( xi ) = vjerovatnoa da sluajna promjenjiva x uzme vrijednost xi definie matematiko oekivanje sluajne promjenjive x kao: E ( x ) = xi p( xi )
i

varijansa: V ( x ) = E (( x E ( x )) 2 ) = ( xi E ( x )) 2 p( xi )
i

V ( x ) = E ( x 2 2 xE ( x ) + E ( x ) 2 ) = E ( x 2 ) 2 E ( x ) E ( x ) + E ( x ) 2 = E ( x 2 ) E ( x ) 2 i standardna devijacija:

( x) = V ( x)
U navedenim formulama sabiranje se vri po svim moguim vrijednostima promjenjive x.

Za primjer koji razmatramo je: E ( x ) = 7.11 , V ( x ) = 1.54 i ( x ) = 1.24

34

Matematika u raunarstvu

Materijal za II kolokvijum

Kontinualne sluajne promjenjive

Ukoliko sluajna promjenljiva uzima vrijednosti iz konanog skupa nazivamo je diskretnom sluajnom promjenjivom. Ako je skup vrijednosti sluajne promjenjive kontinualan, nazivamo je kontinualnom sluajnom promjenjivom. Primjer kontinualne sluajne promjenjive je napon elektroenergetske mree. Naime, napon varira oko svoje nominalne vrijednosti i moe uzeti bilo koju vrijednost, s tim to je u najveem broju sluajeva on blizak vrijednosti 220V. Za kontinualnu sluajnu promjenjivu njenu raspodjelu vjerovatnoa ne moemo prikazati na identian nain kao u opisanom sluaju diskretne sluajne promjenjive jer je vjerovatnoa da napon uzme neku fiksnu vrijednost, recimo tano 220V veoma mala, teoretski jednaka nuli, pa se stoga za kontinualnu sluajnu promjenjivu x raspodjela vjerovatnoa definie kao funkcija koja za proizvoljno odabranu vrojednost x0 daje vjerovatnou da sluajna promjenjiva ne premai vrijednost x0 . Tu vjerovatnou oznaavamo sa P ( x < x0 ) . Na ovaj nain je definisana funkcija Px ( x0 ) i ona se naziva funkcijom raspodjele vjerovatnoa sluajne promjenjive x. Izvod ove funkcije po promjenjivoj x0 , u oznaci p( x0 ) naziva se funkcijom gustine vjerovatnoe. Naveemo nekolike osobine funkcije gustine raspodjele vjerovatnoa p( x ) i funkcije raspodjele vjerovatnoa P( x ) kontinualne sluajne promjenjive x: 1. P( x ) je neopadajua funkcija, p( x ) je nenegativna funkcija 2.
x

lim P( x ) = 0, lim P( x ) = 1
x +

3.

p( x )dx = 1

4. P(a < x < b) = P(b) P(a ) = p( x )dx , gdje je sa P (a < x < b) oznaena vjerovatnoa da
a

z
b

sluajna promjenjiva uzme neku vrijednost izmeu vrijednosti a i b. Matematiko oekivanje i varijansa kontinualne sluajne promjenjive x se raunaju kao: E ( x) =

xp( x )dx , V ( x ) = ( E ( x ) x ) 2 p( x )dx =

x 2 p( x )dx E ( x ) 2

Gausova raspojela Razliite sluajne promjenjive imaju i razliite raspodjele vjerovatnoa. Primijeeno je da je u velikom broju sluajnih procesa prisutna takozvana Gausova raspodjela vjerovatnoa kod koje je funkcija gustine raspodjele vjerovatnoa:
G 1 p( x ) = e H 2

F x IJ K

35

Matematika u raunarstvu

Materijal za II kolokvijum

gdje je srednja vrijednost, odnosno matematiko oekivanje sluajne promjenjive, a njena varijansa. Odnosno ako je x sluajna promjenjiva koja se podvrgava Gausovoj raspodjeli, tada je: E ( x) = i V ( x) = 2 Interesantno e biti prikazati histogram sa slike 1 zajedno sa pripadajuom Gausovom funkcijom gistine raspodjele vjerovatnoe sluajne promjenjive ija je srednja vrijednost jednaka srednjem broju bodova a varijansa jednaka varijansi broja bodova. Ranije smo sraunali da su ovi podaci za razmatrani sluaj 65.31 i 13.44, odnosno pripadna funkcija raspodjele kontinualne sluajne promjenjive je:
G 1 p( x ) = e H 13.44 2

F x 65.31IJ 13.44 K

Grafik ove funkcije, zajedno sa histogramom vjerovatnoe da se broj bodova nae u nekom od 10 opsega izmeu 0 i 100 su prikazani na slici 4. Vidmo dosta slinosti, odnosno moemo zakljuiti da je broj bodova koji je neki student dobio na ispitu sluajna promjenjiva ija je raspodjela vjerovatnoa priblino Gausova. Gausova raspodjela je od izuzetnog znaaja jer se moe dokazati da ako je neka sluajna promjenjiva x suma veeg broja promjenjivih ije su raspodjele proizvoljne, tada sa poveanjem broja sabiraka raspodjela promjenjive x tei Gausovoj. Tako se dosta esto sluajna promjenjiva sa Gausovom raspodjelom na raunaru dobija preko sume od 10-12 sluajnih promjenjivih ija se raspodjela moe lake realizovati na raunaru. Najee je to uniformna raspodjela koja e biti opisana u nastavku.

0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0

10

20

30

40

50

60

70

80

90

100

Slika 4. Histogram vjerovatnoa broja bodova i kriva gustine vjerovatnoe odgovarajue kontinualne sluajne promjenjive

36

Matematika u raunarstvu

Materijal za II kolokvijum

Uniformna raspodjela Pored Gausove raspodjele, poznate su i druge raspodjele vjerovatnoa. Ranije je pomenuta uniformna raspodjela, kod koje se definiu donja i gornja vrijednost a i b sluajne promjenjive i smatra se da ona sa jednakim vjerovatnoama uzima bilo koju vrijednost izmeu vrijednosti a i b. Na slici 5 je prikazana uniformna raspodjela sluajne promjenjive koja uzima vrijednosti od 0 do 1. Kada sluajna promjenjiva x ima uniformnu raspodjelu tada je:
E ( x ) = (a + b) / 2 i V ( x ) = (b a ) / 12

0.5

Slika 5. Uniformna raspodjela vjerovatnoa

Binomna raspodjela Raspodjela koja se esto koristi je i binomna raspodjela. U njenoj definiciji se polazi od dogaaja koji mogu imati dva mogua ishoda A i B. Vjerovatnou ishoda A obiljeimo sa p a vjerovatnou ishoda B sa q. Na primjer moe se posmatrati bacanje novia pri emu je ishod A glava a ishod B pismo. Oigledno je p+q=1, jer se jedan od dva ishoda mora desiti. Posmatrajmo sada ponavljanje ovakvog dogaaja, i sa n oznaimo broj ponavljanja. Od tih n dogaaja ishod A se pojavio recimo x puta, a ishod B n-x puta. Ukoliko posmatramo x kao sluajnu promjenjivu tada vjerovatnoa da promjenjiva x uzme vrijednost k:
p( k ) =

FG nIJ p q H kK
k

n k

gdje je

FG nIJ = n(n 1)(n 2)...(n k + 1) H k K k (k 1)(k 1)...2 1

matematiko oekivanje ove sluajne promjenjive je E ( x ) = np a standardna devijacija

( x ) = npq = np(1 p) .
Posmatrajmo sada srednji broj pojavljivanja ishoda A, i oznaimo ga sa y. On se u konkretnom sluaju dobija kada broj k podijelimo sa n. Na ovaj nain definisana je sluajna promjenjiva y = x / n kod koje je E ( y ) = p , i ( y ) = p(1 p) / n .

37

Matematika u raunarstvu

Materijal za II kolokvijum

Granice pouzdanosti statistikog eksperimenta Postavimo problem ovako: Sprovodi se anketa meu graanima jedne zemlje. Anketno pitanje je tipa da/ne. Ispitivano je 100 ljudi i odgovor da se pojavio 46 puta. Namee se zakljuak da moemo procijeniti da je vjerovatnoa pojavljivanja odgovora da 0.46. Ispitajmo koliko je ovaj rezultat pouzdan. Rezultat se poklapa sa sluajnom promjenjivom y, a za nju imamo da je njena standardna devijacija:

( y) =

p(1 p) 0.46 0.54 = = 0.05 n 100

Veliina standardne devijacije daje informaciju o tome koliko posmatrana sluajna promjenjiva odstupa od svoje oekivane vrijednosti. Na osnovu ove veliine moemo odrediti neki interval ( E ( y ) a , E ( y ) + a ) , i traiti vjerovatnou da se stvarna vrijednost (kada bi anketu proirili na itavu populaciju) nalazi u ovom opsegu. Drugim rijeima moemo odrediti pouzdanost rezultata ankete. Pretpostavimo da anketu izvodimo na sledei nain: odredimo 10 grupa od po 100 ljudi, njih anketiramo, pronaemo ukupnu varijansu i srednju vrijednost tako dobijenih promjenjivih y. Formirajmo sada novu promjenjivu z koja je jednaka prosjenoj vrijednosti svih promjenjivih y. Promjenjiva z ima raspodjelu koja je problino Gausova, to je ranije napomenuto (ona predstavlja sumu 10 sluajnih promjenjivih). Za Gausovu raspodjelu se intervali pouzdanosti mogu tano odrediti, i dati su u tabeli 5, gdje je = E ( z ) i = ( z ) . a
P( a < z < + a )

2 3
Ovjde je:
G 1 P( a < z < + a ) = e H a 2

68% 95% 99.7%

Tabela 5. Intervali pouzdanosti za Gausovu raspodjelu

+a

F z IJ K dz
2

to grafiki moemo predstaviti povrinom ispod krive gustine raspodjele vjerovatnoa:

0.4 0.3 p(z) 0.2 0.1 0

-a

+a

38

Matematika u raunarstvu

Materijal za II kolokvijum

S obzirom da je ( z ) = p(1 p) / n = 0.016 , pri emu je n = 1000 moemo zakluiti da e rezultat aknketiranja itave populacije biti u granicama od 0.428 do 0.492 sa vjerovatnoom od 95% (uzeli smo interval 2 ). Ukoliko zadrimo istu vjerovatnou pouzdanosti rezultata, za poetni primjer sa 100 anketiranih osoba dobijaju se granice pouzdanosti od 0.36 do 0.46. Ovdje treba napomenuti da bi rezultati bili vjerodostojni moraju sluajne promjenjive y biti meusobno nezavisne. To se postie ispravnim odabirom populacije za sprovoenje ankete, odnosno vodi se rauna o mjestu boravka ispitanika, o godinama, o kolskoj spremi, polu, ... Problem moemo formulisati i na drugi nain. Traimo koliko ispitanika treba ukljuiti u anketu tako da je rezultat ankete sa vjerovatnoom 99.7% u intervalu 0.01 oko neke oekivane vrijednosti. Ovdje moramo pretpostaviti oekivani odgovor na anketi i neka on iznosi 0.50. Tada imamo da je: 3 = 0.01 , odnosno = 0.00333 . Kako je = p(1 p) / n to je n = p(1 p) / 2 , odnosno n = 22500 . Znai trebali bi anketirati 22500 ljudi, da bi se ostvarile zadate granice pouzdanosti ankete.

39