You are on page 1of 19

SLUAJNE PROMJENLJIVE

Pri izvoenju nekog eksperimenta esto se moe uoiti neka veliina koja je promjenljiva i koja ima neke brojne vrijednosti, u zavisnosti od rezultata eksperimenta. Npr. kad bacamo numerisanu kocku, ne znamo koji e broj pasti na gornjoj strani kocke, ali oekujemo jedan od brojeva 1,2,3,4,5,6. Takve veliine zovemo sluajnim veliinama ili sluajnim promjenljivim. Definicija 1: Sluajna promjenljiva (sluajna varijabla, sluajna veliina, obiljeje) je funkcija koja svakom elementarnom dogaaju pridruuje neki realan broj. Sluajne promjenljive oznaavamo velikim slovima latinice: X , Y , Z ,..., a njihove vrijednosti malim slovima latinice x1 , x2 , x3 ,..., y1 , y2 ,...z1 , z2 ,... Dakle, ako je X sluajna promjenljiva, tada X : , pri emu je oznaka za prostor elementarnih dogaaja nekog eksperimenta. Oznakom RX oznaavamo skup svih vrijednosti koje moe da primi sluajna promjenljiva X. Ovaj skup moe biti konaan ili beskonaan. Iz Matematike I znamo da se meu beskonanim skupovima razlikuju prebrojivo beskonani i neprebrojivo beskonani. Sve elemente prebrojivo beskonanog skupa moemo poredati u niz (ekvivalentno: postoji bijekcija izmeu tog skupa i skupa prirodnih brojeva), dok se to ne moe uraditi kod neprebrojivo beskonanog skupa. Primjeri neprebrojivo beskonanog skupa su: skup realnih brojeva, skup iracionalnih brojeva, intervali, itd. Poznato je da su skupovi cijelih i racionalnih brojeva prebrojivi. Definicija 2: Ukoliko je RX konaan ili prebrojivo beskonaan skup, kaemo da je sluajna promjenljiva X diskretna (diskontinuirana), a ukoliko je RX neprebrojivo beskonaan skup, za X se kae da je neprekidna (kontinuirana) sluajna promjenljiva. Primjeri: a) Broj koji pada na gornjoj strani kocke u eksperimentu bacanja homogene numerisane kocke je oito diskretna sluajna promjenljiva, jer ima 6 razliitih vrijednosti. b) Novi se baca dva puta. Neka je X broj koji oznaava koliko puta je pao grb. Oito je = { PP, PG , GP, GG} i X ( GG ) = 2, X ( GP ) = X ( PG ) = 1, X ( PP ) = 0. Otuda je RX = {0,1, 2} . Dakle, X je diskretna sluajna promjenljiva. c) Kao primjere diskretnih sluajnih promjenljivih moemo pomenuti i: broj automobila koja prou na nekom putu u toku 24 sata, broj putnika u vozu, broj loih proizvoda ustanovljenih u kontroli kvaliteta, broj pretplatnika mobilne telefonije, itd. d) Primjeri neprekidnih sluajnih promjenljivih: vrijeme trajanja sijalice, visina i teina ovjeka, brzina kretanja automobila, itd. Diskretna sluajna promjenljiva Neka je X diskretna sluajna promjenljiva i neka je RX = { x1 , x2 ,..., xn } , n je konaan prirodan broj. Za proizvoljni broj i {1, 2,..., n} oznaimo sa X = xi
pi = P ( X = xi ) ( i = 1, 2,..., n ) . Tada moemo pisati:

dogaaj { : X ( ) = xi } dogaaj koji

ukljuuje sve elementarne dogaaje za koje promjenljiva X ima vrijednost xi , i = 1, 2,..., n. Neka je
x1 x2 ... xn X = . p1 p2 ... pn Oito je p1 + p2 + ... + pn = 1. ematski zapis (1) zovemo zakon raspodjele vjerovatnoa (ili krae: zakon vjerovatnoe) sluajne promjenljive X. To je pravilo po kojem svakoj vrijednosti sluajne (1)

promjenljive pridruujemo odgovarajuu vjerovatnou. Time je ukupna vjerovatnoa, jednaka jedinici, raspodijeljena na pojedine vrijednosti sluajne promjenljive. Zato se esto kae da ema (1) predstavlja raspodjelu sluajne promjenljive X. Sljedea definicija nije ograniena samo na diskretne sluajne promjenljive, tj. posmatramo proizvoljnu (diskretnu ili neprekidnu) sluajnu promjenljivu X. Definicija 3: Za svaki realni broj x definiemo funkciju F ( x ) = P ( X < x ) , pri emu je
X < x = { : X ( ) < x} dogaaj koji obuhvata sve elementarne dogaaje u kojima

promjenljiva X ima vrijednost koja je manja od zadanog realnog broja x. Ovu funkciju zovemo funkcijom raspodjele (distribucije) vjerovatnoa.
0, x x1 p , x < x x 2 1 1 x x ... x p + p , x < x x3 1 2 n 1 2 2 Ako je X = . , tada je F ( x ) = p1 p2 ... pn .......... p1 + p2 + ... + pn 1 , xn 1 < x xn 1, x > xn Teorem 1 (osobine funkcije raspodjele F ( x ) ):

1) 0 F ( x ) 1 ( x 2) 3)

4)

). P ( a X < b ) = F ( b ) F ( a ) za sve a, b , a < b. a < b F ( a ) F ( b ) , dakle, funkcija F ( x ) je neopadajua. F ( ) = 0, F ( + ) = 1.

5) Ako je X diskretna sluajna promjenljiva data zakonom raspodjele (1), take prekida funkcije F ( x ) su upravo vrijednosti x1 , x2 ,..., xn sluajne promjenljive.
Dokaz:

1) Oigledno iz definicije funkcije F ( x ) . 2) Oznaimo sa A dogaaj X < a, sa B dogaaj X < b, a C neka je dogaaj a X < b. Tada je oito B = A C i A C = U , tj. dogaaji A i C se meusobno iskljuuju. Zato je P ( B ) = P ( A) + P ( C ) P ( C ) = P ( B ) P ( A) . To znai da je P ( a X < b ) = P ( X < b ) P ( X < a ) = F ( b ) F ( a ) . 3) Slijedi direktno iz 1), jer je P ( a X < b ) = F ( b ) F ( a ) 0 F ( b ) F ( a ) . 4) Dogaaj X < je nemogu, pa je zato F ( ) = P ( X < ) = 0, dok je s druge strane dogaaj X < + siguran, pa je F ( + ) = P ( X < + ) = 1. 5) Lijevi i desni limes funkcije F ( x ) u svim takama xi ( i = 1, 2,..., n ) nisu jednaki. Dakle, funkcija raspodjele vjerovatnoa F ( x ) diskretne sluajne promjenljive X nije neprekidna i ima onoliko taaka prekida koliko sluajna promjenljiva X ima vrijednosti. Ovo je oigledno i sa grafika funkcije F ( x ) .

Primjer: Protivvazduna odbrana gaa sa zemlje avion. Da se avion uniti potreban je jedan pogodak u prednji dio ili tri pogotka u zadnji dio aviona. Vjerovatnoa pogotka u prednji dio aviona je 0,3, a vjerovatnoa pogotka u zadnji dio je 0,7. Gaanje se izvodi sve dok se avion ne uniti. Neka je X sluajna promjenljiva koja nam daje broj pogodaka u avion, potrebnih za njegoov ruenje. Napisati zakon raspodjele vjerovatnoa promjenljive X i nai njenu funkciju raspodjele F ( x).

Imamo da je P ( X = 1) = 0,3 vjerovatnoa da je avion sruen jednim pogotkom;


P ( X = 2 ) = 0, 7 0,3 = 0, 21 vjerovatnoa da je avion sruen sa dva pogotka, najprije u zadnji, pa

onda u prednji dio; P ( X = 3) = 0, 7 2 0,3 + 0, 73 = 0, 49 vjerovatnoa da je avion sruen sa tri pogotka, to se moe uiniti na dva naina: da je pogoen sa 2 pogotka u zadnji dio i onda jednim u prednji dio ili sa tri pogotka u zadnji dio. x 1 0, 2 3 1 0,3, 1 < x 2 . Dakle, X = . Otuda se dobije da je F ( x ) = 0,51, 2 3 x < 0,3 0, 21 0, 49 x>3 1, Zadaci: 1. Novi se baca 5 puta. Neka je sluajna promjenljiva X broj koliko puta se pojavio grb. Nai njen zakon vjerovatnoe. 2. Iz kutije u kojoj su tri bijele i 7 crnih kuglica uzastopno se izvlai po jedna kuglica bez vraanja, sve dok se prvi put ne izvue crna kuglica. Nai zakon vjerovatnoe sluajne promjenljive X koja predstavlja broj izvuenih kuglica. 1 2 ... n ... 3. Odrediti konstantu c, tako da je X = zakon vjerovatnoe neke sluajne p1 p2 ... pn ...

c ( n = 1, 2,3,...) . 2n 4. 20 studenata je poloilo jedan ispit. Pri tome, estero je dobilo ocjenu 6, osmero je dobilo ocjenu 8, dvoje ocjenu 9, a etvero ocjenu 10. Ako se na sluajan nain izaberu dva studenta izmeu njih 20, nai zakon vjerovatnoe sluajne promjenljive X i F ( x ) , gdje je X
promjenljive, ako se zna da je pn =

srednja ocjena izraunata za dva izabrana studenta. 5. U posudi se nalazi 12 kuglica: 3 bijele, 4 plave i 5 crvenih. Iz posude se izvlae (bez vraanja u posudu) dvije po dvije kuglice, dok se ne izvuku dvije crvene kuglice ili dok se ne izvuku sve kuglice iz posude. Neka je X sluajna promjenljiva koja predstavlja broj izvlaenja kuglica iz posude. Nai zakon vjerovatnoe sluajne promjenljive X i F ( x ) . 6. Iz pila od 32 karte izvlae se 3 karte odjednom. Date su sluajne promjenljive: X je broj izvuenih asova, a Y je broj izvuenih dama ili kraljeva. Nai zakon raspodjele vjerovatnoa sluajnih promjenljivih X i Y. 7. Strijelac gaa u metu sve dok je ne pogodi i ima na raspolaganju neogranien broj metaka. Ako strijelac pogaa metu sa vjerovatnoom p = 0,3 , odrediti zakon vjerovatnoe sluajne promjenljive X koja predstavlja broj potroenih metaka.

Neprekidna sluajna promjenljiva Ve ranije smo rekli da neprekidna sluajna promjenljiva ima neprebrojivo beskonano mnogo vrijednosti, tj. da je njen skup vrijednosti neki interval ili unija intervala. Definicija 3 (definicija funkcije raspodjele) vrijedi za sve vrste sluajne promjenljive, a isto tako i Teorem 1, stavke 1) 4), ukljuujui i dokaze tih tvrdnji.
Definicija 4: Sluajna promjenljiva X je neprekidna, ako je za svako x funkcija raspodjele F ( x ) = P ( X < x ) neopadajua i neprekidna, tako da je F ( ) = 0, F ( + ) = 1.

Obzirom da je funkcija F ( x ) monotona i neprekidna za sve x , ona je i diferencijabilna, tj. postoji njen izvod F ( x ) .
Definicija 5: Ako je F ( x ) , x , funkcija raspodjele vjerovatnoa sluajne promjenljive X, tada

funkciju

f ( x) = F( x) ( x

zovemo funkcijom gustine raspodjele vjerovatnoa sluajne

promjenljive X. Iz jednakosti f ( x ) = F ( x ) ( x

slijedi da je F ( x ) =

f ( t )dt ( x ) .

Teorem 2 (osobine funkcije gustine f ( x ) ):

1) f ( x ) 0 za sve x .
+

2)

f ( x ) dx = 1.
b a

3) P ( a < X < b ) = f ( x ) dx.


Dokaz:

1) Oigledno iz definicije 5. 2) Iz F ( x ) =

f ( t )dt ( x ) i F ( + ) = 1, dobija se odmah traena jednakost.

3) P ( a X < b ) = F ( b ) F ( a ) =

f ( x ) dx f ( x ) dx =

f ( x ) dx + f ( x ) dx = f ( x ) dx.
a

Primjeri:

a3 1 , x > a za proizvoljnu pozitivnu konstantu a moe biti a) Dokazati da funkcija F ( x ) = x3 0, x a funkcija raspodjele neke sluajne promjenljive X.

Rjeenje: Oito je lim F ( x ) = 0, lim F ( x ) = 1, lim F ( x ) = F ( a ) = 0, to dokazuje nau tvrdnju.


x x + xa

ax sin x, 0 x b) Odrediti konstantu a tako da je funkcija f ( x ) = funkcija gustine raspodjele 0, x < 0 ili x > vjerovatnoa neke sluajne promjenljive X i zatim nai funkciju raspodjele vjerovatnoa F ( x ) i

izraunati P < X < . 2 6


+

Rjeenje: Iz osobine

f ( x ) dx = 1 i f ( x ) = 0 za x ( , 0 ) ( , + ) slijedi da je

ax sin xdx = 1. Kako je


0

x sin xdx =
0

u=x du = dx

dv = sin xdx v = cos x

= x cos x

+ cos xdx = cos = ,


0 0

slijedi
a = 1 a =
x

.
u =t du = dt dv = sin tdt v = cos t = t cos t x 0 + cos tdt = x cos x + sin x, pa je
0
x

Dalje, t sin tdt =


0

0, x 0 F ( x ) = x cos x + sin x, x ( 0, ] . 1, x > I najzad, P < X < = F F = cos + sin cos + sin 2 2 2 2 6 6 6 6 2 6 3 1 1 3 6+ 3 = 1 6 2 + 2 = 2 + 12 = 12 .
Zadaci:

0, x 0 1. Ako je F ( x ) = 0,5 (1 cos x ) , 0 < x < funkcija raspodjele sluajne promjenljive X, nai 1, x > 3 funkciju gustine f ( x ) i izraunati P < X < . 4 2 2. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa: 4 k sin x, x 0, 2 f ( x) = . 0, x 0, 2 a) Izraunati k. b) Izraunati P < X < . 3 4 3. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa : f(x) = Ax2 e kx , x 0, k >0.

a) Odrediti konstantu A. b) Odrediti funkciju raspodjele F(x). 1 c) Odrediti P ( 0 < X < ). k 4. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa: 2 a 1 x , x ( 1,1) f ( x) = 0, x ( 1,1) 1 1 Izraunati konstantu a, te nai funkciju raspodjele F(x) i P < X < . 2 2 5. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa: k ( x + 3) , x 0,1 + 2 2 . f ( x) = 1+ 2x x 0, x 0,1 + 2 a) Izraunati k. b) Izraunati P ( 0 < X < 2 ) . 6. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa : sin x A sin x + cos x , x 0, 4 f ( x) = . x 0, 0, 4 a) Odrediti konstantu A. b) Odrediti P X > . 6 7. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa: 1 c arcsin x , x 1, 5 f ( x) = . 0, x 1, 5 Izraunati nepoznatu konstantu c i funkciju raspodjele F ( x ) .

Brojne karakteristike sluajnih promjenljivih Najvanija karakteristika sluajne promjenljive je matematiko oekivanje, koje se nekad zove i srednja vrijednost sluajne promjenljive.
x x ... x Definicija 6: Ako je X = 1 2 n diskretna sluajna promjenljiva, tada je matematiko p1 p2 ... pn

oekivanje sluajne promjenljive X jednako: E ( X ) = xi pi .


i =1

Ako je pak X neprekidna sluajna promjenljiva ija je funkcija gustine raspodjele vjerovatnoa
f ( x ) , tada je njeno matematiko oekivanje broj E ( X ) =
+

xf ( x ) dx.

Teorem 3 (osobine matematikog oekivanja):

Neka je C proizvoljna realna konstanta, a X i Y proizvoljne sluajne promjenljive. 1) E ( C ) = C. 2) E ( CX ) = CE ( X ) . 3) E ( X + Y ) = E ( X ) + E (Y ) . 4) E ( X E ( X ) ) = 0. 5) a X b a E ( X ) b.


Definicija 7: Disperzija ili varijansa sluajne promjenljive X je broj 2 ( X ) = E

(( X E ( X )) ).
2

Kvadratni korjen iz ovog broja zovemo standardnim odstupanjem sluajne promjenljive X,

( X ) = 2 ( X ).
Koristei definiciju 7 i osobine matematikog oekivanja, moemo dobiti jednu praktinu formulu za disperziju sluajne promjenljive. Naime,

2 ( X ) = E ( X E ( X )) = E X 2 2 X E ( X ) + ( E ( X )) =
2 2

= E(X2

) ( ) 2E ( XE ( X ) ) + E ( ( E ( X ) ) ) = E ( X (
2 2 2

) 2E ( X ) E ( X ) + ( E ( X ))

= E ( X 2 ) ( E ( X )) . Dakle, 2 ( X ) = E ( X 2 ) ( E ( X ) ) . Ova formula vrijedi i za diskretnu i za neprekidnu sluajnu promjenljivu X. Pogledajmo kako bi se raunao broj E ( X 2 ) .
n x x ... x Ako je X = 1 2 n diskretna sluajna promjenljiva, tada je E ( X 2 ) = xi2 pi , a ako je X i =1 p1 p2 ... pn neprekidna sluajna promjenljiva ija je funkcija gustine raspodjele vjerovatnoa f ( x ) , tada je

E(X2) =

x f ( x ) dx.
2

Teorem 4 (osobine disperzije):

Neka je C proizvoljna realna konstanta. 1) 2 ( X ) 0. 2) 2 ( X ) = 0 X = C. 3) 2 ( CX ) = C 2 2 ( X ) . 4) 2 ( X + C ) = 2 ( X ) . 1 Definicija 8: Medijana sluajne promjenljive X, u oznaci Me, je rjeenje jednaine F ( x ) = . 2

Moda (modus) Mo diskretne sluajne promjenljive X je njena najvjerovatnija vrijednost. Ali, ako je X neprekidna sluajna promjenljiva, moda je ona vrijednost argumenta x za koju funkcija gustine raspodjele f ( x ) dostie svoj maksimum.
Rijeeni primjeri:

3 4 7 1 2 a) Data je sluajna promjenljiva X = . Izraunati E ( X ) , ( X ) , E ( 2 X 1) 0, 2 0,1 0,5 a 2 i ( 2 X + 1) . Najprije treba odrediti broj a. Naime, poto je 0, 2 + 0,1 + 0,5 + a = 1 a = 0, 2. Dalje slijedi: E ( X ) = 1 0, 2 + 3 0,1 + 4 0,5 + 7 0, 2 = 3,9. E ( X 2 ) = 12 0, 2 + 32 0,1 + 42 0,5 + 7 2 0, 2 = 18,9.
2

2 ( X ) = E ( X 2 ) ( E ( X ) ) = 18,9 3,92 = 3, 69.


E ( 2 X 1) = E ( 2 X ) E (1) = 2 E ( X ) 1 = 7,8 1 = 6,8.

2 ( 2 X + 1) = 2 ( 2 X ) = 22 2 ( X ) = 4 3, 69 = 14, 76.
b) Data je funkcija gustine tzv. uniformne raspodjele sluajne promjenljive X: 1 , x [ a, b ] . f ( x) = b a 0, x [ a, b ] Odrediti E ( X ) i 2 ( X ) .
E(X ) =
b

x 1 x2 b 1 b2 a 2 a + b dx = = = . ba ba 2 a ba 2 2 a
b

E(X2) =
2

x2 1 x3 b 1 b3 a 3 a 2 + ab + b 2 dx = = = . a b a b a 3 b a 3 3 a
2 2

a 2 + ab + b 2 a + b ( b a ) (X )= . = 3 12 2

c) Data je funkcija gustine raspodjele sluajne promjenljive X: 0,5sin x, x [ 0, ] f ( x) = . 0, x [ 0, ] Odrediti modu i medijanu. Da bismo nali modu, treba nai x [ 0, ] za koje izraz 0,5sin x dostie maksimum. Oigledno ako je sin x = 1, tj. x = . 2 2 0, x < 0 Poto je F ( x ) = 0,5 (1 cos x ) , 0 x , iz jednaine 0,5 (1 cos x ) = 0,5 slijedi da je 1, x > cos x = 0 x =

. Znai, Mo =

. Dakle, Me = Mo =

Zadaci:

1. Na slici je grafik funkcije ( x ) . 1

-2

-1

c ( x ) , x [ 2, 2] bude funkcija gustine sluajne Odrediti konstantu c tako da funkcija f ( x ) = 0, x [ 2, 2] promjenljive X. Zatim odrediti funkciju raspodjele F ( x ) , matematiko oekivanje E ( X ) i disperziju 2 ( X ) . 2. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa: ax x 2 x 2 1 , x [3,5] )( ) f ( x) = ( . 0, x [3,5] a) Izraunati konstantu a. b) Izraunati E(X). 3. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa: c , x [ 0,1] . f ( x ) = 4x x2 0, x [ 0,1] Izraunati konstantu c i matematiko oekivanje E(X). 4. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa : k arctgx , x [ 0,1] f ( x) = . , x [ 0,1] 0 a) Odrediti konstantu k. b) Odrediti E ( X ) i 2 ( X ) . 5. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa : 2 2 cos x, x f ( x ) = 2 2 0, ina e. Izraunati disperziju 2 ( X ) zadane sluajne promjenljive.

6. Funkcija gustine vjerovatnoe sluajne promjenljive X data je sa:

a , 0 x f ( x ) = cos x 3 0, inae. Odrediti nepoznatu konstantu a, te izraunati matematiko oekivanje E ( X ) i funkciju raspodjele
F ( x).

Najvanije raspodjele vjerovatnoa diskretne sluajne promjenljive


Binomna raspodjela Binomna raspodjela usko je vezana za Bernulijeve eksperimente (Bernulijevu emu). Naime, ako pretpostavimo da se neki eksperiment izvodi n puta uzastopno, pri emu je n proizvoljan prirodni broj i da su sva izvoenja meusobno nezavisna i ako je A neki dogaaj sa vjerovatnoom p, moemo posmatrati sluajnu promjenljivu X, definisanu kao broj realizacija dogaaja A pri n ponavljanja eksperimenta. Oito je tada RX = {0,1, 2,..., n} . Ranije smo izveli formulu: n P ( X = k ) = Pn ,k = p k q n k ( k = 0,1,..., n; q = 1 p ) . k 1 2 ..... n 0 Dakle, X = n . n 2 n2 n 1 n q npq p q ..... p 2 Ovu raspodjelu zovemno binomnom. Naziv je potekao iz injenice da su vjerovatnoe u toj n n raspodjeli lanovi binomnog razvoja 1 = ( q + p ) = q n + npq n 1 + p 2 q n 2 + ... + p n . 2 Parametri binomne raspodjele su: n n n n n n n! n! E ( X ) = k p k q n k = k p k q n k = k p k q n k = p k q nk k !( n k ) ! k =0 k =1 k =1 k =1 ( k 1) !( n k ) ! k k
n n 1 k 1 n k n 1 = np p q =np ( p + q ) = np. k =1 k 1
n n n n n n n! k n! E ( X 2 ) = k 2 p k q n k = k 2 p k q n k = k 2 p k q n k = p k q nk k k ! ! 1 ! ! k n k k n k ( ) )( ) k =0 k =1 k =1 k =1 ( n n n ( k 1 + 1) n ! p k q nk = ( k 1) n ! p k q nk + n! = p k q nk . k =1 ( k 1) !( n k ) ! k =1 ( k 1) !( n k ) ! k =1 ( k 1) !( n k ) !

n n 2 k 2 nk ( k 1) n ! p k q nk = n! 2 k nk p q = n n 1 p ( ) p q k = 2 ( k 1) !( n k ) ! k = 2 ( k 2 ) !( n k ) ! k =2 k 2 n2 = n ( n 1) p 2 ( p + q ) = n ( n 1) p 2 .

S1

S2

S1 =

n n 1 k 1 n k n 1 S 2 = np p q = np ( p + q ) = np. k =1 k 1 Dakle, E ( X 2 ) = n ( n 1) p 2 + np = n 2 p 2 np 2 + np, pa je

2 ( X ) = n 2 p 2 np 2 + np ( np ) = np np 2 = np (1 p ) = npq.
2

Poasonova* raspodjela * - Simeon Denis Poisson (1781. 1840.) francuski matematiar n Ako je broj n velik, teko je raunati binomni koeficijent . Zato se, umjesto binomne k raspodjele, za velike brojeve n (konkretno, ako je n 100 ) treba koristiti neka druga raspodjela. Pretpostavimo da u formuli za vjerovatnoe binomne raspodjele n P ( X = k ) = Pn ,k = p k q n k ( k = 0,1,..., n; q = 1 p ) , k imamo da n , p 0 i neka je = np. Tada je
n ( n 1) ... ( n k + 1) k n nk k Pn ,k = p k (1 p ) = k! n k
n

1 = n
k

1 k n n 1 n k +1 n = ... , kad pustimo da n , pa se dobije k k! n n n 1 1 n


1

lim 1 = e , k = 0,1, 2,... n k! k! n Otuda, kaemo da sluajna promjenljiva X ima Poasonovu raspodjelu ako je 1 2 ... 0 . 2 X = e e e ... 2 Moe se dokazati da je tada E ( X ) = 2 ( X ) = .
lim Pn ,k =
n k n k

Primjer: Poznato je da e pri izradi nekog proizvoda na jednoj maini biti 2% karta. Izraunati vjerovatnou da se nakon proizvedenih 110 proizvoda pojave tri neispravna proizvoda.

23 2 e 0,18. Ovdje je n = 100, p = 0, 02 = np = 2, pa je traena vjerovatnoa jednaka 3! Geometrijska raspodjela Na poetku se pretpostavi kao kod binomne raspodjele da se vie puta uzastopno izvodi isti eksperiment, da su sva izvoenja meusobno nezavisna i da imamo dogaaj A koji se pri svakom izvoenju realizira sa vjerovatnoom p, a ne realizira se sa vjerovatnoom q = 1 p. Neka je X sluajna promjenljiva koja nam daje broj ponavljanja eksperimenta sve dok se dogaaj A ne realizira. Oito je RX = {1, 2,3,...} i
P ( X = 1) = p, P ( X = 2 ) = qp, P ( X = 3) = q 2 p, itd.

Openito, P ( X = k ) = q k 1 p ( k = 1, 2,3,...)

Dobijenu raspodjelu zovemo geometrijskom, jer vjerovatnoe te raspodjele ine geometrijsku p p progresiju. Oito je p + qp + q 2 p + q 3 p + ... = = = 1. 1 q p 1 q Moe se pokazati da je E ( X ) = , 2 ( X ) = 2 . p p

Najvanije raspodjele vjerovatnoa diskretne sluajne promjenljive


Normalna raspodjela Normalnu raspodjelu prvi je uveo i koristio njemaki matematiar Gaus (Karl Friedrich Gauss, 1777. 1855.). Ova raspodjela ima najvei znaaj meu svim raspodjelama, jer mnoge sluajne promjenljive imaju upravo normalnu raspodjelu, a osim toga mnoge druge raspodjele se mogu aproksimirati sa normalnom ili se moe napraviti transformacija sluajne promjenljive kojom se ona dovodi na normalnu raspodjelu. Kaemo da sluajna promjenljiva X ima normalnu raspodjelu sa parametrima m i 2 i tada piemo: X N m, 2 , ako je njena gustina raspodjele data formulom

1 2 f ( x) = e 2 ( x ). 2 Funkcija raspodjele sluajne promjenljive sa normalnom raspodjelom glasi:

( x m )2

1 F ( x) = 2

( t m )2
2 2

dt ( x

).

Na slici je prikazan grafik funkcije f ( x ) =

1 e 2

( x m )2
2 2

( x ).

1 Ova funkcija ima maksimum u taki m, . Apscisna osa (x osa) joj je horizontalna 2 asimptota, jer je oito lim f ( x) = 0. Grafik je osno simetrian u odnosu na pravu x = m. Imajui u
x

vidu da je

f ( x ) dx = 1 i da je to upravo povrina koju zatvara kriva


m

sa x osom, zbog pomenute

osne simetrije je

f ( x ) dx =

f ( x ) dx = 0,5. Osim toga,

X N m,

P ( m < X < m + ) 0,68 P ( m 2 < X < m + 2 ) 0,954 P ( m 3 < X < m + 3 ) 0,997

Neka je I =

na polarne koordinate: x = r cos y = r sin . Tada se oblast D transformie na oblast D : 0 2 0 r a, pri emu a . Slijedi:

x2 2 dx.

Tada je I 2 =

x2 y2 + 2 dx e 2 dy

= e
D

x2 + y 2 2 dxdy ,

gdje je D =

. Preimo

I = lim r e
2 a D

r2 2 d dr

= lim

d r e
0 0

r2 2 dr

= 2 lim e
a

r2 2

a2 0 2 = 2 lim e e = 2 . a 0 a
+ 0

I Otuda je I = 2 . Zbog parnosti podintegralne funkcije, oito je = 2 1 ( x ) = e t t x 1dt ( x > 0 ) i = , dakle 2 0

x2 2 dx

2 . 2

Ovaj rezultat moemo dobiti i pomou gama funkcije. Naime, znamo da je

=
0

1 t e t 2 dt

x2 x2 x2 2 e e 2 t= . = dt = = xdx = 2 e 2 dx e 2 dx = = 2 x 2 2 t 0 0 0 0 dt = xdx 2
t

x2

Izraunaemo sada matematiko oekivanje i disperziju za sluajnu promjenljivu koja ima normalnu raspodjelu.
1 Imamo da je E ( X ) = 2
+

xe

( x m )2
2 2

dx.

U ovom integralu uzeemo smjenu:


1 E(X ) = 2
+

xm

= t dx = dt. Dalje je
+

( t + m ) e

t2 2 dt

2 2

te

t2 2 dt

m + 2

t2 2 dt.

Oito E(X ) =
E X2

je

te

t2 2 dt

= 0,

zbog

neparnosti

podintegralne

funkcije.

Zato

je

m m I = 2 = m. Osim toga je 2 2
+

( )

1 = 2
+

xe
2

( x m )2
2 2

dx =

xm

= t dx = dt

+ t 2 t2 t2 + + 1 1 2 2 2 2 2 2 = = t e dt + 2 m te dt +m e dt . ( t + m ) 2 2 0 2 Zbog parnosti podintegralne funkcije imamo da je


t2 2 2 e dt

t2 2 t e 2 dt

=2
0

t2 2 t e 2 dt

u =t du = dt

dv = te

t2 2 dt t2 2

v = e

t2 a a t2 = 2 lim te 2 + e 2 dt a 0 0

a2 2 . = 2 lim ae 2 + a 2

Poto je lim ae
a

a2 2

= lim

a
a e2
2

= lim

1
a2 ae 2

= 0 (primjenili smo Lopitalovo pravilo), slijedi da je

2 2 2 2 2 2 2 2 2 2 m + 2 2 = + m , tako da je ( X ) = + m m = . 2 Prema tome, X N m, 2 E ( X ) = m, 2 ( X ) = 2 .

E X2 =

( )

1 2

Neka je X N ( m,

) . Tada je P ( a < X < b ) =


a

1 f ( x )dx = 2

e
a

( x m )2
2 2

dx.

Posmatrajmo sluajnu promjenljivu: T =

X m

. Oito je:

E (T ) =

E ( X m) =
1

1 E ( X ) E ( m ) = (m m) = 0 i

2 (T ) =

2 ( X ) = 1.
2

1 x2 e ( x ) . Ovu To znai da je T N ( 0,1) . Njena funkcija gustine raspodjele je ( x ) = 2 funkciju zovemo normiranom (ili standardizovanom) normalnom krivom gustine, a samu raspodjelu N ( 0,1) zovemo normiranom normalnom raspodjelom.

a< X <b

am

<

X m

<

bm

t2

, pa ako stavimo da je
t2

am

= t1 i

bm

= t2 , tada je

1 P ( a < X < b ) = P ( t1 < T < t2 ) = ( t )dt = 2 t1

e
t1

t2 2

dt.

1 Funkciju ( t ) = 2

e
0

x2 2

dx ( t

zovemo Laplasovom funkcijom. Ukoliko je t > 0, tada je

oito ( t ) jednako povrini dijela ravni odreenog krivom ( x ) , x osom i pravom x = t. Ako je pak t < 0, tada je ( t ) jednako povrini dijela ravni odreenog krivom ( x ) , x osom i pravom

x = t. Funkcije ( x ) i ( x ) se esto koriste u teoretskim i praktinim izraunavanjima vjerovatnoe, ali


imaju primjenu i u statistici, pa su napravljene tablice njihovih vrijednosti. Zbog njihovih osobina, dovoljno je poznavati vrijednosti funkcije ( x ) za 0 x 4, a za funkciju ( x ) dovoljno je znati vrijednosti za 0 x 3.
Teorem (osobine funkcije ( t ) ):

1) ( 0 ) = 0 . 2) ( + ) = 0,5. 3) ( t ) je neparna funkcija na skupu realnih brojeva


Dokaz:
.

1) Vai oigledno. 1 x2 2) Poto je ( x ) = e 2 je 1 1= 2


1 2
+ +
2

(x )
Zbog
+

funkcija gustine raspodjele sluajne promjenljive T, imamo da parnosti podintegralne funkcije je onda

e
x2 2

x2 2

dx = 1.

1 dx = 2 2
2

e
0

x2 2

dx = 2 ( + ) ( + ) = 0,5.

t x smjena : x = u 1 1 2 3) ( t ) = e dx = = dx = du 2 0 2 Teorem je dokazan.

e
0

( u )2
2

( du ) = ( t ) ,

za sve t .

Pogledajmo sada kakve veze ima normalna raspodjela N ( m, 2 ) sa Laplasovom funkcijom. Ve 1 smo dokazali da X N ( m, ) P ( a < X < b ) = 2
2 t2 t2 2 0 t2 2 t2 t2 2 t2 t2 2 t1 t2 2 t2

e
t1

t2 2

dt.

Poto je e dt = e dt + e dt = e dt e dt , slijedi da je
t1 t1 0 0 0

P ( a < X < b) =
(1)

1 2

t2

e
0

t2 2

dt

1 2

e
0

t1

t2 2

dt = ( t2 ) ( t1 ) , odnosno:

bm am P (a < X < b) = . U specijalnom sluaju kada je a = , b , bm bm P ( a < X < b ) = P ( < X < m ) + P ( m < X < b ) = 0,5 + ( 0 ) = 0,5 + , to

se formalno uklapa u formulu (1), jer je bm am bm bm = ( ) = + 0,5. Ako je a , b = +, tada je am am P ( a < X < b ) = P ( a < X < m ) + P ( m < X < + ) = ( 0 ) + 0,5 = 0,5 . I ovaj sluaj se uklapa u formulu (1), jer je bm am am am = ( + ) = 0,5 . Najzad, ako je a = , b = +, tada je oito P ( a < X < b ) = 1, dok je bm am = ( + ) ( ) = 0,5 + 0,5 = 1. Prema tome, formula (1) vrijedi openito za a, b = {, +} . Sada emo vidjeti vezu izmeu binomne i normalne raspodjele. U Bernulijevoj emi izvodi se n nezavisnih eksperimenata. Imamo dogaaj A ija je vjerovatnoa p, q = 1 p vjerovatnoa da se dogaaj A nee realizirati (pri jednom izvoenju eksperimenta), pa ako oznaimo sa n broj n realizacija dogaaja A, znamo da je P ( n = m ) = p m q1 m , m = 0,1,..., n. Ve smo rekli da je ova k formula vrlo nepraktina za raunanje ako je n velik ( n > 100 ) i ako je p malen broj. Za proizvoljno m np m {0,1,..., n} neka je xm = . npq
Teorem 2 (lokalni teorem Moavr Laplas): Pn ,m = P ( n = m )
1 ( xm ) npq

(n ),

tj.

lim

P ( n = m ) = 1. 1 ( xm ) npq

To praktino znai da je za velike brojeve n vjerovatnoa P ( n = m ) priblino jednaka


1 ( xm ) . npq

Primjer: Jedan eksperiment se ponavlja 340 puta. Dogaaj A se realizira pri svakom izvoenju eksperimenta sa vjerovatnoom p = 0,12. Izraunati vjerovatnou dogaaja da e se A realizirati 60 puta. Oitavaju se vrijednosti: n = 340, m = 60, p = 0,12, q = 0,88. Zatim raunamo 60 340 0,12 xm = 3, 20. Iz tablica se oita ( 3, 2 ) = 0, 0024. Najzad, 340 0,12 0,88 1 1 P ( n = 60 ) ( xm ) = 0, 0024 0, 0004. npq 60 0,12 0,88 Preporuuje se ovako raunati vjerovatnoe Pn ,m ukoliko je n 50 i npq > 10.

Ako je X sluajna promjenljiva koja ima binomnu raspodjelu sa parametrima n, p, q, znamo da je X np E ( X ) = np i 2 ( X ) = np ( X ) = npq . Tada sluajna promjenljiva ima oekivanje npq jednako 0 i disperziju jednaku 1. Sam nain formiranja te sluajne veliine je analogan nainu kako smo dobili normiranu normalnu sluajnu promjenljivu T.
Teorem 3 (integralni teorem Moavr Laplas): Ako je u Bernulijevoj emi p ( 0,1) , tada je
b x n np 1 b = e 2 dx. lim P a n npq 2 a b x2 n np 1 b e 2 dx za velike brojeve n. S Posljednja formula znai praktino da je P a npq 2 a obzirom na definiciju Laplasove funkcije ( x ) imamo da je
2

a x b x 2 2 e e dx e dx = ( b ) ( a ) . sada bez problema moemo izraunati i a 0 0 a np n np b np P ( a n b ) . Naime, a n b , pa je npq npq npq

1 2

x2 2

1 dx = 2

a np n np b np b np a np P ( a n b ) = P . = npq npq npq npq npq


Primjer: Vjerovatnoa izrade karta kod proizvodnje jednog vijka je 0,05. Ako se u jednoj seriji proizvede 100 vijaka, izraunati vjerovatnou da je od toga bilo: a) manje od 5 loih. b) od 5 do 10 loih

Oitavamo podatke: n = 100, p = 0, 05, q = 0,95 np = 5, npq = 4, 75. 55 05 a) P ( 0 n < 5 ) = = ( 2, 2942 ) = 0, 489. 4, 75 4, 75
0

10 5 55 b) P ( 5 n 10 ) = = ( 2, 2942 ) = 0, 489. 4, 75 4, 75
Zadaci:

1. Novi je baen 10000 puta. Nai vjerovatnou da se grb pojavio 4950 puta. 2. Novi je baen 10000 puta. Nai vjerovatnou da se grb pojavio od 4950 do 5100 puta. 3. Ispaljeno je 50 metaka s vjerovatnoom pogotka 0,6 po svakom metku. Kolika je vjerovatnoa da e cilj pogoditi: a) 25 metaka, b) od 10 do 30 metaka, c) manje od 15 metaka, d) vie od 28 metaka? 4. Pri izradi nekih proizvoda prosjeno 10% otpada na kart. Koja je vjerovatnoa da se pri izradi 400 proizvoda nae vie od 299 ispravnih?

Studentova raspodjela
Definicija: Kaemo da sluajna promjenljiva X ima Studentovu raspodjelu ako je njena funkcija gustine raspodjele data formulom n +1 n +1 2 2 x 1 2 1+ ( 2) f ( x ) = ( x , n ). n n n 2 Dobila je ime po engleskom matematiaru Williamu Sealy Gossetu, koji je pisao radove pod pseudonimom Student. Parametar n koji se pojavljuje u ovoj raspodjeli zove se broj stepeni slobode. Funkcija f ( x ) je oito parna i pozitivna, x osa joj je asimptota.

Moe se pokazati da je E ( X ) = Me = Mo = 0 i 2 ( X ) =
2

n , ako X ima Studentovu raspodjelu. n2 Teorem: Studentova raspodjela tei ka normalnoj N ( 0,1) raspodjeli kad n , tj.
1 x2 f x = e 2 lim ( ) n ( ) 2

( x ).

Ve za n > 30 Studentova raspodjela se moe s dovoljnom tanou aproksimirati normalnom raspodjelom.

2 (Hi kvadrat) raspodjela Definicija: Kaemo da sluajna promjenljiva X ima 2 (hi kvadrat) raspodjelu ako je njena
funkcija gustine raspodjele data formulom 1 fn ( x ) = x n2e x n 2n 2 Parametar n zovemo broj stepeni slobode.

( x > 0, n ) .

Ako sluajna promjenljiva X ima 2 raspodjelu, tada je E ( X ) = n, 2 ( X ) = 2n, Mo = n 2 (ako je


n > 2 ).

Teorem: Ako su X 1 , X 2 ,..., X n nezavisne sluajne promjenljive sa normalnom raspodjelom


2 2 N ( 0,1) , tada sluajna promjenljiva X 12 + X 2 + ... + X n ima 2 raspodjelu sa n stepeni slobode.

Kao i kod Studentove raspodjele, kad n , 2 raspodjela tei ka normalnoj. Ve za n > 30 2 raspodjela moe se zamijeniti normalnom sa dovoljno velikom tanou.
Teorem: Ako sluajna promjenljiva T ima Studentovu raspodjelu sa n stepeni slobode, tada postoje X sluajne promjenljive X, koja ima normalnu i Y koja ima 2 raspodjelu, tako da je T = . Y n