P. 1
Vjerojatnost i Statistika - Skripta

Vjerojatnost i Statistika - Skripta

|Views: 2,653|Likes:
Published by Ismir Tukulija

More info:

Published by: Ismir Tukulija on Aug 22, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/15/2013

pdf

text

original

Sections

  • 1 Predgovor
  • Deskriptivna statistika
  • 2 Tabela frekvencija, histogram, kumulativna funkcija
  • 3 Aritmetiˇcka sredina, mod i medijan
  • 5 Varijanca. Standardna devijacija. ˇCebiˇsevljev teorem
  • 6 Usporedivanje razliˇcitih mjerenja. Usporedivanje razliˇcitih rezul-
  • 7 Linearna regresija
  • 8 Dogadaj. Vjerojatnost
  • 9 Diskretna sluˇcajna varijabla. Distribucija sluˇcajne varijable
  • 10 Funkcija vjerojatnosti. Funkcija distribucije vjerojatnosti
  • 11 Oˇcekivanje, varijanca i standardna devijacija diskretne sluˇcajne
  • 12 Diskretna uniformna distribucija
  • 13 Bernoullijev pokus. Bernoullijeva shema. Binomna distribu-
  • 14 Poissonova distribucija
  • 15 Kontinuirana sluˇcajna varijabla
  • 16 Normalna (Gaussova) distribucija. Standardna normalna dis-
  • Statistiˇcki testovi
  • 18 Testiranje hipoteze o oˇcekivanju uz poznatu varijancu

TEHNI

ˇ
CKO VELEU
ˇ
CILI
ˇ
STE U ZAGREBU
STRU
ˇ
CNI STUDIJ INFORMATIKE
VJEROJATNOST I STATISTIKA
Dr. Igor Urbiha, prof. vis. ˇsk.
Sadrˇzaj
1 Predgovor 3
I Deskriptivna statistika 4
2 Tabela frekvencija, histogram, kumulativna funkcija 4
3 Aritmetiˇcka sredina, mod i medijan 11
4 Kvartil. Percentil. Kvantil 14
5 Varijanca. Standardna devijacija.
ˇ
Cebiˇsevljev teorem 17
6 Usporedivanje razliˇcitih mjerenja. Usporedivanje razliˇcitih rezultata 22
7 Linearna regresija 24
II Vjerojatnost 30
8 Dogadaj. Vjerojatnost 30
9 Diskretna sluˇcajna varijabla. Distribucija sluˇcajne varijable. 55
10 Funkcija vjerojatnosti. Funkcija distribucije vjerojatnosti 59
11 Oˇcekivanje, varijanca i standardna devijacija diskretne sluˇcajne varijable 61
12 Diskretna uniformna distribucija 64
13 Bernoullijev pokus. Bernoullijeva shema. Binomna distribucija 68
14 Poissonova distribucija 72
15 Kontinuirana sluˇcajna varijabla 76
16 Normalna (Gaussova) distribucija. Standardna normalna distribucija 78
17 χ
2
–distribucija 83
III Statistiˇcki testovi 84
18 Testiranje hipoteze o oˇcekivanju uz poznatu varijancu 86
19 χ
2
test 92
2
1 Predgovor
Sadrˇzaj ovog nastavnog materijala odgovara sadrˇzaju kolegija Vjerojatnost i statistika koji se odrˇzava na dru-
goj godini struˇcnog studija informatike i druge godine struˇcnog studija raˇcunarstva na Tehniˇckom veleuˇciliˇstu
u Zagrebu. Podijeljen je na tri dijela koji obuhva´caju sljede´ce cjeline: deskriptivna statistika, uvod u vjero-
jatnost i uvod u statistiˇcke testove.
U prvoj cjelini se obraduje deskriptivna statistika gdje su dani osnovni postupci izraˇcunavanja sumarnih po-
dataka (aritmetiˇcka sredina, mod, medijan, varijanca, stadardadna devijacija, kvartili, percentili) za zadani
skup brojˇcanih podataka, kao i njihov grafiˇcki prikaz (histogram, pravac regresije).
U drugoj cjelini je dan uvod u vjerojatnost, uvedene su sluˇcajne varijable i obradene neke diskretne (uni-
formna, binomna i Poissonova distribucija) i kontinuirane distribucije (normalna i χ
2
distribucija).
U tre´coj cjelini su obradena dva statistiˇcka testa (testiranje hipoteze o oˇcekivanju uz poznatu varijancu i
χ
2
-test).
Namjena materijala, koji prati predavanja i vjeˇzbe, je upoznavanje studenata s osnovama vjerojatnosti i
osnovama statistike uz minimum teorije koja je dovoljna za definiranje potrebnih pojmova i za rjeˇsavanje
zadataka kao i izvor zadataka te kao takav moˇze biti koristan svim studentima Tehniˇckog veleuˇciliˇsta koji u
programu imaju isti ili sliˇcan kolegij.
Napomenuo bih da se skoro svi statistiˇcki izraˇcuni spomenuti u deskriptivnoj statistici mogu provesti na
ve´cini kalkulatora, dok se na boljim kalkulatorima nalaze programi za provodenje statistiˇckih testova ili se
oni mogu lako isprogramirati. Za sloˇzenije statistiˇcke postupke postoje posebni statistiˇcki programski paketi
namijenjeni osobnim raˇcunalima (npr. Statistica), a mogu se koristiti i tabliˇcni kalkulatori (npr. Open Office
Calc ili Microsoft Office Excel), koji imaju implementiranu ve´cinu potrebnih funkcija.
Dr. Igor Urbiha, prof. vis. ˇsk., 2008.
3
Dio I
Deskriptivna statistika
2 Tabela frekvencija, histogram, kumulativna funkcija
Dani su brojevi y
1
, y
2
, . . . , y
n
. Neka se medu njima pojavljuje f
1
brojeva x
1
, f
2
brojeva x
2
, . . ., f
r
brojeva
x
r
pri ˇcemu su brojevi x
1
, x
2
, . . . , x
r
medusobno razliˇciti.
Brojevi x
1
, x
2
, . . . , x
r
su razredi i obiˇcno su sortirani uzlazno (tj. vrijedi x
1
< x
2
< . . . < x
r
), a brojevi
f
1
, f
2
, . . . , f
r
su frekvencije.
Prvi korak u sredivanju danih brojeva je izrada tabele frekvencija:
x x
1
x
2
. . . x
r
f f
1
f
2
. . . f
r
Primijetimo da je suma svih frekvencija jednaka broju danih podataka n:
f
1
+f
2
+· · · +f
r
= n
Primjer 1.
Dani su sljede´ci brojevi: 6, 4, 4, 1, 6, 2, 6, 4, 5, 6, 4, 2, 3, 5, 5, 2, 2, 4, 4, 5.
Prebrojavanjem ustanovljavamo da su razredi 1, 2, 3, 4, 5, 6 pri ˇcemu se
broj 1 pojavljuje jednom,
broj 2 pojavljuje ˇcetiri puta,
broj 3 pojavljuje jednom,
broj 4 pojavljuje ˇsest puta,
broj 5 pojavljuje ˇcetiri puta i
broj 6 pojavljuje ˇcetiri puta pa pripadna tabela frekvencija izgleda ovako:
x 1 2 3 4 5 6
f 1 4 1 6 4 4
Grafiˇcki prikaz gornje tabele (u kojoj je frekvencija svakog podatka predstavljena pravokutnikom ˇcija je
visina upravo jednaka toj frekvenciji) se zove histogram.
4
6
-
1
2
3
4
5
6
1 2 3 4 5 6
Na x–osi se navode sve razliˇcite vrijednosti danih podataka (i samo one), a na y–osi njihove frekvencije.
U tabeli frekvencija se obiˇcno nalazi joˇs jedan redak s relativnim frekvencijama (u tabeli oznaˇcen s rf), a to
su frekvencije podijeljene brojem danih brojeva. Op´cenito to izgleda ovako:
x x
1
x
2
. . . x
r
f f
1
f
2
. . . f
r
rf
f1
n
f2
n
. . .
fr
n
U naˇsem primjeru imamo:
x 1 2 3 4 5 6
f 1 4 1 6 4 4
rf
1
20
4
20
1
20
6
20
4
20
4
20
ili
x 1 2 3 4 5 6
f 1 4 1 6 4 4
rf 0.05 0.20 0.05 0.30 0.20 0.20
Tabeli se najˇceˇs´ce dodaje joˇs jedan redak koji opisuje kumulativnu funkciju (u tabeli oznaˇcen s cf), a sastoji
se od parcijalnih suma relativnih frekvencija: Op´cenito to izgleda ovako:
x x
1
x
2
. . . x
r
f f
1
f
2
. . . f
r
rf
f1
n
f2
n
. . .
fr
n
cf
f1
n
f1
n
+
f2
n
. . .
f1
n
+
f2
n
+· · · +
fr
n
5
Primijetimo da zadnji broj u retku kumulativne funkcije mora biti toˇcno
1
1 jer je to suma svih relativnih
frekvencija:
f
1
n
+
f
2
n
+. . . +
f
r
n
=
f
1
+f
2
+· · · +f
r
n
=
n
n
= 1.
Oznaˇcimo k–ti broj u retku kumulativne funkcije s ϕ
k
, tj. ϕ
k
=
f1
n
+
f2
n
+· · · +
f
k
n
. Kumulativna funkcija je
funkcija cf : R →R koja je odredena vrijednostima u zadnjem retku tabele frekvencija ovako:
cf(x) =



0, ako je x < x
1
ϕ
k
, ako je x
k
≤ x < x
k+1
1, ako je x ≥ x
r
U naˇsem primjeru imamo:
x 1 2 3 4 5 6
f 1 4 1 6 4 4
rf 0.05 0.20 0.05 0.30 0.20 0.20
cf 0.05 0.25 0.3 0.6 0.8 1
cf(−100) = cf(−2) = cf(0) = cf(0.9) = 0, zbog −100, −2, 0, 0.9 < x
1
= 1
cf(1) = cf(1.5) = 0.05, jer je 1 = x
1
≤ 1, 1.5 < x
2
= 2
cf(4) = cf(4.99) = 0.6, jer je 4 = x
4
≤ 4, 4.99 < x
5
= 5
cf(6) = cf(6.5) = cf(10) = cf(100) = 1, zbog 6, 6.5, 10, 100 ≥ x
6
= 6
Graf kumulativne funkcije u naˇsem primjeru izgleda ovako:
6
-
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 2 3 4 5 6
1
Prilikom raˇcunanja se zbog greˇsaka zaokruˇzivanja moˇze dogoditi da umjesto 1 dobijemo neki njemu blizak broj poput 0.998
ili 1.0003, u ovisnosti o toˇcnosti kojom provodimo raˇcunanje.
6
Zadaci
Zadatak 1.
Dani su brojevi: 4, 6, 6, 2, 1, 3, 2, 7, 3, 6, 3, 4, 1, 1, 2, 2, 7, 6, 6, 6.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom, skicirajte histogram i graf
kumulativne funkcije. Izraˇcunajte cf(−1), cf(2), cf(5) i cf(8).
Rjeˇsenje.
zadanih brojeva ima: 20
razredi: 1, 2, 3, 4, 6, 7
broj razreda: 6
tabela frekvencija i kumulativna funkcija:
x 1 2 3 4 6 7
f 3 4 3 2 6 2
rf 0.15 0.2 0.15 0.1 0.3 0.1
cf 0.15 0.35 0.5 0.6 0.9 1
cf(−1) = 0, cf(2) = 0.35, cf(5) = 0.6, cf(8) = 1
histogram:
6
-
1
2
3
4
5
6
1 2 3 4 6 7
7
graf kumulativne funkcije relativnih frekvencija:
6
-
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 2 3 4 5 6 7
Zadatak 2. Dani su brojevi: 2, 2, 2, 4, 4, 5, 6, 5, 2, 6, 3, 1, 5, 5, 5, 2, 3, 4, 1, 3.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom, skicirajte histogram i graf
kumulativne funkcije. Izraˇcunajte cf(0), cf(1), cf(4) i cf(7).
Zadatak 3. Dani su brojevi: 4, 0, 5, 4, 8, 7, 2, 2, 3, 3, 5, 2, −1, 4, 8, 3, 1, 3, −1, 4, 2, 8, 2, 3, 8, 0, −1, 0,
1, 3, 2, 8, 7, 4, 2, 0, −1, 8, 1, 8.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom, skicirajte histogram i graf
kumulativne funkcije. Izraˇcunajte cf(−2), cf(0), cf(4) i cf(10).
Uz pomo´c tabele frekvencija moˇzemo brzo saznati ukupan postotak zadanih brojeva koji su manji od nekog
broja, kao i njihov ukupan broj.
x x
1
x
2
x
3
. . . x
r−1
x
r
f f
1
f
2
f
3
. . . f
r−1
f
r
rf
f1
n
f2
n
f3
n
. . .
fr−1
n
fr
n
cf ϕ
1
ϕ
2
ϕ
3
. . . ϕ
r−1
ϕ
r
Sada moˇzemo lagano, bez prebrojavanja, dobiti odgovore na sljede´ce osnovne tipove pitanja:
Koliko ukupno podatka i koliki postotak podataka ima vrijednost
1. manju od ili jednaku b, X ≤ b
2. ve´cu od a, X > a
pri ˇcemu se sloˇzenija pitanja dobivaju kombiniranjem ova dva.
Budu´ci je ϕ
k
=
f1+f2+···+f
k
n
, to znaˇci da je nϕ
k
broj podataka koji imaju vrijednost najviˇse x
k
. Dakle
odgovor na pitanje ”Koliko ukupno podataka ima vrijednost najviˇse x
k
?” je naprosto
2
n · ϕ
k
ili n · cf(x
k
).
2
Zbog greˇsaka zaokruˇzivanja ˇcesto ne´cemo dobiti cijeli broj, no on ´ce se jako malo razlikovati od prave vrijednosti koju onda
ne´ce biti problem odrediti.
8
Ako nas zanima postotak, a ne ukupan broj, onda je to 100 · cf(x
k
).
Primjer 2. Sljede´ca tabela prikazuje srednje dnevne temperature (
o
C) tijekom 28 dana.
temp. (
o
C) -4 -2 1 2 3 5 7 8 9 10 13
f 1 2 2 3 1 1 3 6 2 5 2
rf 0.036 0.071 0.071 0.107 0.036 0.036 0.107 0.214 0.071 0.179 0.071
cf 0.036 0.107 0.179 0.286 0.321 0.357 0.464 0.679 0.75 0.929 1.000
(a) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu
od najviˇse 5
o
C?
Medu promatranim danima njih 28 · cf(5) = 28 · 0.357 = 9.996 ≈ 10, odnosno 100 · cf(5) = 35.7% je
imalo srednju dnevnu temperaturu od najviˇse 5
o
C.
Op´cenito, odgovor na pitanje ”Koliko ukupno podataka ima vrijednost najviˇse b?” (X ≤ b) je n · cf(b).
Sliˇcno, ako nas zanima postotak, onda je to 100 · cf(b).
(b) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu
od najviˇse 0
o
C?
Medu promatranim danima njih 28 · cf(0) = 28 · 0.107 = 2.996 ≈ 3, odnosno 100 · cf(0) = 10.7% je
imalo srednju dnevnu temperaturu od najviˇse 0
o
C.
Ako nas zanima koliko podataka je imalo ve´cu vrijednost od nekog broja a (X > a), onda prvo nademo
koliko podataka je imalo vrijednost najviˇse a i pomo´cu tog podatka dobijemo traˇzeni (oduznemo ga od
broja svih podataka). Dakle odgovor na pitanje ”Koliko ukupno podataka ima vrijednost ve´cu od a?” je
n −n · cf(a) = n(1 −cf(a)). Ako nas zanima postotak, a ne ukupan broj, onda je to 100 · (1 −cf(a)).
(c) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu
ve´cu od 6
o
C?
Medu promatranim danima njih 28(1 − cf(6)) = 28 · (1 − 0.357) = 28 · 0.643 = 18.004 ≈ 18, odnosno
100(1 −cf(6)) = 64.3% je imalo srednju dnevnu temperaturu ve´cu od 6
o
C.
Ako nas zanima odgovor na pitanje ”Koliko ukupno podataka ima ve´cu vrijednost od a i manju od ili jedna-
ku b?” (a < X ≤ b), onda je odgovor n(cf(b) −cf(a)). Pripadni postotak je 100(cf(b) −cf(a)).
(d) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu
ve´cu od 1
o
C, ali ne ve´cu od 11
o
C?
Takvih dana ima 21, jer je 28(cf(11) − cf(1)) = 28(0.929 − 0.179) = 28 · 0.75 = 21, ˇsto ˇcini 75% svih
promatranih dana.
(e) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu
jednaku 7
o
C?
9
Ovo je specijalan sluˇcaj prethodnog, ˇsto znaˇci da nas zanima broj dana (i njihov postotak) koji su imali
temperaturu ve´cu od 5
o
C (to je razred koji prethodi zadanom) i ne ve´cu od 7
o
C. Takvih dana ima tri,
jer je 28(cf(7) −cf(5)) = 28(0.464−0.357) = 28· 0.107 = 2.996, ˇsto ˇcini 10.7% svih promatranih dana.
Naravno, traˇzeni podatak se moˇze direktno oˇcitati iz retka s relativnim frekvencijama (ako ga imamo
na raspolaganju).
Malo treba pripaziti u sluˇcaju kada je rijeˇc o najmanjem razredu (pa od njega ne postoji manji),
u naˇsem primjeru je to −4
o
C. Da bismo izraˇcunali broj dana i postotak dana koji su imali srednju
dnevnu temperaturu −4
o
C, primijetimo da je to isto kao da traˇzimo postotak dana koji su imali
srednju temperaturu od najviˇse −4
o
C, ˇcime smo problem sveli na sluˇcaj (b), dakle broj takvih dana
je 28cf(−4) = 28 · 0.036 = 1.008 ≈ 1, a postotak je 100cf(−4) = 3.6%.
upit ukupan broj postotak
X ≤ b n cf(b) 100 cf(b)
X > a n(1 − cf(a)) 100(1 −cf(a))
a < X ≤ b n(cf(b) −cf(a)) 100(cf(b) −cf(a))
Zadaci
Zadatak 4. Zadana je sljede´ca tabela frekvencija:
x −3 −2 −1 0 1 2 3
f 5 1 3 3 3 2 3
rf 0.25 0.05 0.15 0.15 0.15 0.1 0.15
cf 0.25 0.3 0.45 0.6 0.75 0.85 1
Koriste´ci se vrijednostima kumulativne funkcije relativnih frekvencija izraˇcunajte koliko ukupno po-
datka i koliko posto podataka ima vrijednost
(a) ve´cu od −2, X > −2
(b) manju od ili jednaku 2, X ≤ 2
(c) ve´cu od −3 i manju od ili jednaku 1, −3 < X ≤ 1
(d) jednaku 1, X = 1
Zadatak 5. Zadana je sljede´ca tabela frekvencija:
x −2 −1 1 2 3 4 5
f 2 4 2 2 5 4 1
rf 0.1 0.2 0.1 0.1 0.25 0.2 0.05
cf 0.1 0.3 0.4 0.5 0.75 0.95 1
Koriste´ci se vrijednostima kumulativne funkcije relativnih frekvencija izraˇcunajte koliko ukupno po-
dataka i koliko posto podataka ima vrijednost
(a) ve´cu od −2, X > −2
(b) manju od ili jednaku 3, X ≤ 3
(c) ve´cu od −1 i manju od ili jednaku 5, −1 < X ≤ 5
(d) jednaku 0, X = 0
10
3 Aritmetiˇcka sredina, mod i medijan
Umjesto mnogo brojeva x
1
, x
2
, . . . , x
n
(n moˇze biti jako velik) mi bismo ˇzeljeli izraˇcunati nekoliko brojeva,
ˇsto manje to bolje, koji bi nam dali neke korisne informacije o njima. Neki od takvih brojeva su aritmetiˇcka
sredina, mod i medijan.
Aritmetiˇcka sredina
Neka je dano n brojeva x
1
, x
2
, . . . , x
n
. Njihova aritmetiˇcka sredina, u oznaci x, se definira formulom:
x =
x
1
+x
2
+· · · +x
n
n
.
Aritmetiˇcka sredina brojeva 1, 1, 1, 1, 1, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5, 5, 6, 6, 6 je jednaka:
x =
1 + 1 + 1 + 1 + 1 + 2 + 2 + 3 + 3 + 3 + 4 + 4 + 4 + 5 + 5 + 5 + 5 + 6 + 6 + 6
20
=
68
20
= 3.4
Ako su poznate frekvencije danih brojeva,
x x
1
x
2
. . . x
n
f f
1
f
2
. . . f
n
onda se aritmetiˇcka sredina moˇze raˇcunati formulom:
x =
f
1
x
1
+f
2
x
2
+· · · +f
n
x
n
f
1
+f
2
+· · · +f
n
.
Aritmetiˇcku sredinu brojeva danim u tabeli frekvencija
x 1 2 3 4 5 6
f 5 2 3 3 4 3
raˇcunamo ovako:
x =
5 · 1 + 2 · 2 + 3 · 3 + 3 · 4 + 4 · 5 + 3 · 6
5 + 2 + 3 + 3 + 4 + 3
=
68
20
= 3.4.
Mod
Mod je onaj podatak u danom nizu brojeva x
1
, x
2
, . . . , x
n
koji se najˇceˇs´ce pojavljuje i to barem dvaput. Niz
brojeva moˇze imati jedan mod, viˇse modova ili niti jedan mod.
Niz 2, 3, 3, 5, 7, 7, 7, 8, 9 ima jedinstveni mod 7.
Niz 2, 3, 4, 5, 7, 8, 9, 11, 13 nema moda.
Niz 2, 3, 3, 3, 5, 7, 7, 7, 8 ima dva moda: 3 i 7.
U histogramu je mod odreden najviˇsim pravokutnikom jer visina pravokutnika je proporcionalna s brojem
pojavljivanja pripadaju´ceg podatka.
11
Primijetimo da je mod podatak koji nam daje viˇse informacija o zadanim podacima od aritmetiˇcke sredine.
Dok aritmetiˇcka sredina intuitivno predstavlja broj ”oko kojeg se gomila najviˇse podataka” (ˇsto ˇcak ne mora
biti toˇcno), za mod znamo da je to broj koji se najviˇse puta pojavljuje medu podacima.
Pogledajmo primjer s dva niza brojeva koji imaju istu aritmetiˇcku sredinu i nadimo njihove pripadne modove.
Primjer 1. Zadani su brojevi x
1
= 16000, x
2
= 4000, x
3
= 4000, x
4
= 4000. Njihova aritmetiˇcka sredina
je 7000, a mod je 4000.
Primjer 2. Zadani su brojevi x
1
= 10000, x
2
= 6000, x
3
= 6000, x
4
= 6000. Njihova aritmetiˇcka sredina
je takoder 7000, a mod je 6000.
Medijan
Neka su dani podaci x
1
, x
2
, . . . , x
n
sortirani uzlazno. Medijan, u oznaci ¯ x (”iks tilda”) se ugrubo definira
kao ”srednji broj” u nizu. Ako podataka ima neparan broj, tj. n = 2k +1, onda je ¯ x = x
k+1
, a to je upravo
srednji broj u nizu. Ako podataka ima paran broj, n = 2k, onda nema srednjeg broja pa se ¯ x definira kao
srednja vrijednost srednja dva broja u nizu, tj. ¯ x =
x
k
+x
k+1
2
.
¯ x =

srednji broj , n neparan
zbroj srednja dva broja
2
, n paran
=

x
k+1
, n = 2k + 1
x
k
+x
k+1
2
, n = 2k
11, 11, 16 , 17, 25 ¯ x = x
3
= 16
1, 4, 8, 8,10 , 16, 16, 19 ¯ x =
x4+x5
2
=
8+10
2
= 9
Ako brojeva ima puno, onda je traˇzenje medijana traˇzenjem srednjeg broja ili srednjih brojeva u nizu
nespretno, no ako imamo tablicu frekvencija s kumulativnom funkcijom na raspolaganju, onda ga moˇzemo
na´ci jako brzo. Mogu´ca su dva sluˇcaja.
• U retku s kumulativnom funkcijom postoji vrijednost koja je toˇcno jednaka 0.5, kao u sljede´coj tablici:
x 1 2 3 4 5 6
f 5 2 3 3 4 3
rf 0.25 0.1 0.15 0.15 0.2 0.15
cf 0.25 0.35 0.5 0.65 0.85 1
Medijan je u ovom sluˇcaju jednak srednjoj vrijednosti razreda kojoj pripada vrijednost kumulativne
funkcije 0.5 i sljede´ceg po redu razreda, u ovom sluˇcaju ¯ x =
3 + 4
2
= 3.5.
• U retku s kumulativnom funkcijom nema vrijednosti 0.5, kao u sljede´coj tablici:
x 1 2 3 4 5 6
f 6 2 4 2 3 3
rf 0.3 0.1 0.2 0.1 0.15 0.15
cf 0.3 0.4 0.6 0.7 0.85 1
Medijan je u ovom sluˇcaju jednak onom razredu kojem pripada najmanja vrijednost kumulativne
funkcije koja je ve´ca od 0.5, u ovom sluˇcaju ¯ x = 3.
12
Zadaci
Zadatak 1.
Dani su brojevi: 5, 1, 5, 3, 2, 3, 6, 5, 6, 1, 2, 5, 1, 6, 3, 1, 3, 4, 1, 6.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom te pronadite mod(ove) i medi-
jan.
Rjeˇsenje.
zadanih brojeva ima: 20
razredi: 1, 2, 3, 4, 5, 6
broj razreda: 6
tabela frekvencija i kumulativna funkcija:
x 1 2 3 4 5 6
f 5 2 4 1 4 4
rf 0.25 0.1 0.2 0.05 0.2 0.2
cf 0.25 0.35 0.55 0.6 0.8 1
Medu danim brojevima se broj 1 najviˇse puta pojavljuje (pripadaju´ca vrijednost u retku s frekvenci-
jama je najve´ca) pa je on jedinstveni mod.
Broja 0.5 nema medu vrijednostima kumulativne funkcije pa traˇzimo najmanju od 0.5 ve´cu vrijednost.
To je 0.55 koja pripada razredu 3 pa je medijan: ¯ x = 3.
Zadatak 2.
Dani su brojevi: 3, 4, 1, 5, 6, 2, 4, 5, 3, 5, 1, 1, 2, 1, 4, 6, 1, 5, 4, 6.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom te pronadite mod(ove) i medi-
jan.
Zadatak 3.
Dani su brojevi: 56, 65, 66, 60, 61, 66, 61, 63, 66, 61, 63, 57, 57, 64, 58, 57, 57, 65, 58, 67, 66, 58, 59,
57, 67, 57, 62, 66, 56, 62, 61.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom te pronadite mod(ove) i medi-
jan.
13
4 Kvartil. Percentil. Kvantil
Medijan se moˇze opisati kao ”srednji broj” u nizu, ˇsto znaˇci da je to broj sa svojstvom da je pola zadanih
brojeva, ili 50%, od njega manje. U nekim sluˇcajevima mogu biti zanimljivi brojevi sa svojstvom da je od
njih manje 25% ili 75% posto danih brojeva. Ta dva broja, u oznakama Q
1
i Q
3
redom, zajedno s medijanom
(kojeg u ovom kontekstu oznaˇcavamo Q
2
) se zovu kvartili, pri ˇcemu je Q
1
prvi, Q
2
drugi, a Q
3
tre´ci kvartil.
Broj koji ima svojstvo da je neki proizvoljan postotak r zadanih brojeva od njega manje oznaˇcavamo P
r

takve brojeve zovemo percentilima. Vrijedi: Q
1
= P
25
, (”dvadesetpeti percentil”) ¯ x = Q
2
= P
50
(”pedeseti
percentil”) i Q
3
= P
75
(”sedamdesetpeti percentil”).
Kvantil q
s
se definira preko percentila izrazom: q
s
= P
100s
, dakle imamo npr. q
0.5
= P
50
, q
0.23
= P
23
.
1. kvartil: Q
1
= P
25
= q
0.25
2. kvartil: Q
2
= P
50
= q
0.5
= ¯ x 3. kvartil: Q
3
= P
75
= q
0.75
medijan prve polovice podataka medijan medijan druge polovice podataka
Da bismo mogli brzo raˇcunati percentile, potrebno je prvo sastaviti tabelu frekvencija.
x x
1
x
2
x
3
. . . x
m−1
x
m
f f
1
f
2
f
3
. . . f
m−1
f
m
rf
f1
n
f2
n
f3
n
. . .
fm−1
n
fm
n
cf
f1
n
f1+f2
n
f1+f2+f3
n
. . .
f1+f2+···+fm−1
n
f1+f2+···+fm−1+fm
n
= 1
Postupak nalaˇzenja proizvoljnog percentila (ili kvantila) je u biti jednak postupku nalaˇzenju medijana
(opisanog na stranici 12), tj. pedesetog percentila. Trebamo na´ci percentil P
r
(tj. broj sa svojstvom da
r% svih podataka nisu od njega ve´ci). Potraˇzimo gdje se u retku kumulativne funkcije nalazi broj r/100 i
neka radi jednostavnosti redak kumulativne funkcije u tabeli frekvencija izgleda ovako:
cf ϕ
1
(=
f1
n
) ϕ
2
ϕ
3
. . . ϕ
m−1
ϕ
m
(= 1)
Dakle, broj ϕ
k
se u tabeli nalazi u retku kumulativne funkcije ispod razreda x
k
iz prvog retka. Razlikujemo
dva sluˇcaja.
• Broj r/100 je jedan od brojeva u retku kumulativne funkcije, tj. r/100 = ϕ
k
. Tada je
P
r
=
x
k
+x
k+1
2
.
• Broj r/100 se nalazi izmedu dvije susjedne vrijednosti ϕ
k
i ϕ
k+1
u retku kumulativne funkcije, tj.
ϕ
k
< r/100 < ϕ
k+1
. Tada je
P
r
= x
k+1
.
14
Primjer 1.
Potraˇzimo 35. percentil P
35
(tj. kvantil q
0.35
) uz pomo´c sljede´ce tabele.
x 1 2 3 4 5 6
f 5 2 3 3 4 3
rf 0.25 0.1 0.15 0.15 0.2 0.15
cf 0.25 0.35 0.5 0.65 0.85 1
Broj
35
100
= 0.35 se nalazi u retku kumulativne funkcije pa je traˇzeni percentil P
35
u ovom sluˇcaju
jednak srednjoj vrijednosti razreda kojoj pripada vrijednost kumulativne funkcije 0.35 i sljede´ceg po
redu razreda, u ovom sluˇcaju P
35
= q
0.35
=
2 + 3
2
= 2.5.
Primjer 2.
Potraˇzimo 75. percentil P
75
(tj. kvantil q
0.75
) uz pomo´c sljede´ce tabele.
x 1 2 3 4 5 6
f 6 2 4 2 3 3
rf 0.3 0.1 0.2 0.1 0.15 0.15
cf 0.3 0.4 0.6 0.7 0.85 1
Broj
75
100
= 0.75 se ne nalazi u retku kumulativne funkcije pa je traˇzeni percentil P
75
jednak onom
razredu kojem pripada najmanja vrijednost kumulativne funkcije koja je ve´ca od 0.75 (a to je 0.85), u
ovom sluˇcaju P
75
= q
0.75
= 5.
Iz definicije slijedi P
0
= q
0
= x
1
, a to je najmanji od zadanih brojeva. Stoti percentil P
100
= q
1
nije
definiran, no moˇzemo posebno definirati da je on jednak najve´cem od zadanih brojeva (x
m
) uve´can za 1, tj.
P
100
= q
1
= x
m
+ 1.
Primjer 3.
Sljede´ca tabela prikazuje srednje dnevne temperature (
o
C) tijekom 28 dana.
temp. (
o
C) -4 -2 1 2 3 5 7 8 9 10 13
f 1 2 2 3 1 1 3 6 2 5 2
rf 0.036 0.071 0.071 0.107 0.036 0.036 0.107 0.214 0.071 0.179 0.071
cf 0.036 0.107 0.179 0.286 0.321 0.357 0.464 0.679 0.75 0.929 1.000
Pronadimo sve kvartile i percentil P
10
.
Prvi kvartil Q
1
je jednak dvadesetpetom percentilu. Broja
25
100
= 0.25 nema u retku kumulativne
funkcije pa traˇzimo prvi od njega ve´ci, a to je 0.286. Toj vrijednosti kumulativne funkcije odgovara
razred 2 i to je traˇzena vrijednost, tj. imamo Q
1
= P
25
= 2.
Sliˇcno dobivamo da je medijan, odnosno drugi kvartil jednak P
50
= 8.
15
Broj
75
100
= 0.75 se nalazi u retku kumulativne funkcije pa je traˇzena vrijednost tre´ceg kvartila jednaka
aritmetiˇckoj sredini pripadaju´ceg i sljede´ceg po vrijednosti razreda: Q
3
= P
75
=
9+10
2
= 9.5.
Broja
10
100
= 0.1 nema u retku kumulativne funkcije pa traˇzimo prvi od njega ve´ci, a to je 0.107. Toj
vrijednosti kumulativne funkcije odgovara razred −2 i to je traˇzena vrijednost, tj. imamo P
10
= −2.
Zadaci
Zadatak 1.
Zadana je sljede´ca tabela frekvencija:
x −3 −2 0 1 2 3 4
f 1 2 5 3 2 3 4
rf 0.05 0.1 0.25 0.15 0.1 0.15 0.2
cf 0.05 0.15 0.4 0.55 0.65 0.8 1
Odredite
1. medijan ¯ x
2. prvi kvartil Q
1
3. percentil P
75
4. kvantil q
0.15
Zadatak 2.
Zadana je sljede´ca tabela frekvencija:
x −1 0 1 2 3 4 6
f 1 3 3 4 3 2 4
rf 0.05 0.15 0.15 0.2 0.15 0.1 0.2
cf 0.05 0.2 0.35 0.55 0.7 0.8 1
Odredite
1. medijan ¯ x
2. tre´ci kvartil Q
3
3. percentil P
35
4. kvantil q
0.75
16
5 Varijanca. Standardna devijacija.
ˇ
Cebiˇsevljev teorem
Jedan od brojeva koji nam moˇze dati neku informaciju o zadanim brojevima x
1
, x
2
, . . . , x
n
je, kako smo
vidjeli, njihova aritmetiˇcka sredina x:
x =
x
1
+x
2
+· · · +x
n
n
.
Ono ˇsto ne znamo je koliko zadani brojevi odstupaju od x. Kvadratno odstupanje v
j
podatka x
j
od arit-
metiˇcke sredine x se definira sa v
j
= (x
j
− x)
2
. Sada opet dobivamo mnogo brojeva i zato raˇcunamo arit-
metiˇcku sredinu svih kvadratnih odstupanja koju oznaˇcavamo sa σ
2
i zovemo varijanca (ili srednje kvadratno
odstupanje):
σ
2
=
v
1
+v
2
+· · · +v
n
n
=
(x
1
−x)
2
+ (x
2
−x)
2
+· · · + (x
n
−x)
2
n
.
Taj broj predstavlja srednje kvadratno odstupanje (ili rasprˇsenost) zadanih brojeva oko njihove aritmetiˇcke
sredine.
Standardna devijacija σ je jednaka drugom korijenu varijance:
σ =

σ
2
=

(x
1
−x)
2
+ (x
2
−x)
2
+· · · + (x
n
−x)
2
n
.
Primjer 1.
Zadani su brojevi x
1
= 16, x
2
= 4, x
3
= 4, x
4
= 4. Njihova aritmetiˇcka sredina je
x =
16 + 4 + 4 + 4
4
= 7,
pripadna kvadratna odstupanja su redom v
1
= (x
1
−x)
2
= (16 −7)
2
= 81, v
2
= (x
2
−x)
2
= (4 −7)
2
=
9 = v
3
= v
4
i varijanca je
σ
2
=
(16 −7)
2
+ (4 −7)
2
+ (4 −7)
2
+ (4 −7)
2
4
=
81 + 9 + 9 + 9
4
= 27.
Standardna devijacija je jednaka: σ =

27 ≈ 5.20.
Primjer 2.
Zadani su brojevi x
1
= 10, x
2
= 6, x
3
= 6, x
4
= 6. Njihova aritmetiˇcka sredina je
x =
10 + 6 + 6 + 6
4
= 7,
pripadna kvadratna odstupanja su redom v
1
= (x
1
−x)
2
= (10 −7)
2
= 9, v
2
= (x
2
−x)
2
= (6 −7)
2
=
1 = v
3
= v
4
i varijanca je
σ
2
=
(10 −7)
2
+ (6 −7)
2
+ (6 −7)
2
+ (6 −7)
2
4
=
9 + 1 + 1 + 1
4
= 3.
Standardna devijacija je jednaka: σ =

3 ≈ 1.73.
17
U oba primjera smo dobili iste aritmetiˇcke sredine (dakle samo pomo´cu njih ne moˇzemo uoˇciti po ˇcemu se ta
dva niza zadanih brojeva razlikuju), ali u prvom su zadani brojevi udaljeniji od njihove aritmetiˇcke sredine
(rasprˇseniji su) od onih u drugom, ˇsto je vidljivo iz varijance – ve´ca varijanca znaˇci da je rasprˇsenost ve´ca.
Pogledajmo kako moˇzemo dobiti jednostavniju formulu za raˇcunanje varijance.
σ
2
=
1
n
((x
1
−x)
2
+ (x
2
−x)
2
+· · · (x
n
−x)
2
)
=
1
n
(x
2
1
−2x
1
x +x
2
+x
2
2
−2x
2
x +x
2
+· · · +x
2
n
−2x
n
x +x
2
)
=
1
n
(x
2
1
+x
2
2
+· · · +x
2
n
−2x
1
x −2x
2
x −· · · −2x
n
x +x
2
+ x
2
+· · · +x
2
. .. .
n
)
=
1
n
(x
2
1
+x
2
2
+· · · +x
2
n
) −
2x
n
(x
1
+x
2
+· · · +x
n
) +
1
n
nx
2
=
1
n
(x
2
1
+x
2
2
+· · · +x
2
n
) −2xx +x
2
= x
2
−x
2
,
gdje je x
2
=
1
n

x
2
1
+x
2
2
+· · · +x
2
n

. Jednostavnije formule za raˇcunanje varijance i standardne devijacije
glase:
σ
2
= x
2
−x
2
, σ =

x
2
−x
2
. (1)
Primjer 3.
Nadite standardnu devijaciju brojeva 1, 2, 3, 6, 7 pomo´cu formule (1).
x =
1 + 2 + 3 + 6 + 7
5
= 3.8
x
2
=
1
2
+ 2
2
+ 3
2
+ 6
2
+ 7
2
5
=
1 + 4 + 9 + 36 + 49
5
= 19.8
σ
2
= x
2
−x
2
= 19.8 −14.44 = 5.36
σ =

σ
2
=

5.36 ≈ 2.32
Primjer 4.
Zadani su brojevi 2.3, 1.0, 0.2, 3.2, 2.5, 2.4, 1.3, 0.6, 0.5, 3.0, 1.6, 2.0, 1.4, 0.9, 2.2, 1.2, 0.7, 1.8, 0.6, 2.0,
2.0, 2.7, 2.0, 2.0, 2.5, 1.0, 1.8, 2.0, 1.2, 1.3. Predstavite zadane podatke tabelom frekvencija, napravite
histogram za grupiranje podataka u ˇsest grupa koje odgovaraju podjeli intervala koji sadrˇzi podatke
u ˇsest jednakih dijelova, izraˇcunajte aritmetiˇcku sredinu, varijancu i standardnu devijaciju zadanih
podataka.
Najmanji broj je 0.2, a najve´ci 3.2, dakle svi podaci se nalaze u intervalu [0.2, 3.2]. Duljina tog intervala
je 3.2 −0.2 = 3 pa je duljina svakog od ˇsest jednakih dijelova tog intervala
3
6
= 0.5. Tih ˇsest jednakih
dijelova su intervali [0.2, 0.7], [0.7, 1.2], [1.2, 1.7], [1.7, 2.2], [2.2, 2.7], [2.7, 3.2].
x 0.2 0.5 0.6 0.7 0.9 1.0 1.2 1.3 1.4 1.6 1.8 2.0 2.2 2.3 2.4 2.5 2.7 3.0 3.2
f 1 1 2 1 1 2 2 2 1 1 2 6 1 1 1 2 1 1 1
x ≈ 1.663, σ
2
≈ 0.583, σ ≈ 0.764
18
U sluˇcajevima kada ima puno razliˇcitih podataka s malim frekvencijama, nerijetko se podaci grupiraju
po intervalima. Ovdje ´cemo cijeli interval u kojem se nalaze podaci ([0.2, 3.2]) podijeliti na 6 jednakih
podintervala. Za aproksimaciju vrijednosti koje pripadaju nekom podintervalu ´cemo uzeti poloviˇste
podintervala, a za frekvencije ´cemo uzeti broj podataka koji se nalaze u pojedinom podintervalu.
Tako dobivamo manju i ˇcitljiviju tabelu, a aritmetiˇcka sredina, varijanca i standardna devijacija ovako
grupiranih podataka se obiˇcno ne razlikuju mnogo od pravih vrijednosti.
x 0.45 0.95 1.45 1.95 2.45 2.95
f 4 4 6 8 5 3
x ≈ 1.7, σ
2
≈ 0.5625, σ ≈ 0.75
6
-
1
2
3
4
5
6
7
8
0.45 0.95 1.45 1.95 2.45 2.95
Ako o nekim brojˇcanim podacima ne znamo niˇsta osim njihove aritmetiˇcke sredine i standardne devijacije,
onda na osnovu ta dva podatka ipak moˇzemo joˇs neˇsto saznati pomo´cu
ˇ
Cebiˇsevljevog teorema.
ˇ
Cebiˇsevljev teorem.
Neka su x aritmetiˇcka sredina i σ > 0 standardna devijacija nekog niza brojeva x
1
, x
2
, . . . , x
n
. Neka je
r ≤ n broj brojeva iz zadanog niza x
1
, x
2
, . . . , x
n
tako da je |x
i
−x| > kσ za neki broj k. Tada vrijedi:
r ≤
n
k
2
. (2)
Ako je k = 3 onda imamo r ≤
n
9
, tj. najviˇse jedna devetina (oko 11%) od svih n podataka se nalazi izvan
intervala [x −3σ, x + 3σ], tj. barem se 89% od svih n podataka nalazu unutar tog intervala.
Ako je k = 2 onda imamo r ≤
n
4
, tj. najviˇse jedna ˇcetvrtina (25%) od svih n podataka se nalazi izvan
intervala [x −2σ, x + 2σ], tj. barem se 75% od svih n podataka nalazu unutar tog intervala.
Ako je k = 1 onda imamo r ≤ n, tj. mogu´ce je sve – da svi brojevi budu izvan intervala (l = n) ili da svi
brojevi budu unutar njega (l = 0).
19
-
x x −σ x +σ x −2σ x + 2σ
? ?
75% ili viˇse
x −3σ x + 3σ
? ?
89% ili viˇse
Dakle aritmetiˇcka sredina x i standardna devijacija σ zajedno nam mogu dati dobar uvid u rasprˇsenost
podataka oko njihove aritmetiˇcke sredine (ako je σ > 1).
Koliko podataka se, u standardnim jedinicama, nalazi u intervalima [−1, 1], [−2, 2] i [−3, 3]?
z =
x −x
σ
⇒ x = x +z · σ
[−1, 1]
s.j.
= [x −σ, x +σ] ne moˇze se niˇsta konkretno re´ci
[−2, 2]
s.j.
= [x −2σ, x + 2σ] barem 75% brojeva je unutar intervala
[−3, 3]
s.j.
= [x −3σ, x + 3σ] barem 89% brojeva je unutar intervala
Primjer 5.
Koji je najmanji interval oko aritmetiˇcke sredine x = 10 za koji sa sigurnoˇs´cu moˇzemo tvrditi da sadrˇzi
barem 50% zadanih podataka, ako je σ = 1.75?
Rjeˇsenje.
Prema nejednakosti (2) iz
ˇ
Cebiˇsevljevog teorema i prema zahtjevu zadatka mora vrijediti
r ≤ n/k
2
= n/2,
dakle k
2
= 2, tj. k =

2 ≈ 1.414. Traˇzeni interval je [x − kσ, x + kσ] = [x −

2σ, x +

2σ] =
[7.525, 12.475].
20
Zadaci
Zadatak 1.
Dani su brojevi: 4, 3, 1, 5, 5, 1, 6, 4, 6, 1, 4, 6, 2, 3, 3, 6, 6, 4, 3, 3.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom te izraˇcunajte aritmetiˇcku
sredinu, varijancu i standardnu devijaciju.
Rjeˇsenje.
zadanih brojeva ima: 20
razredi: 1, 2, 3, 4, 5, 6
broj razreda: 6
tabela frekvencija i kumulativna funkcija:
x 1 2 3 4 5 6
f 3 1 5 4 2 5
rf 0.15 0.05 0.25 0.2 0.1 0.25
cf 0.15 0.2 0.45 0.65 0.75 1
aritmetiˇcka sredina: x = 3.8
varijanca: σ
2
= x
2
−x
2
= 17.3 −14.44 = 2.86
standardna devijacija: σ = 1.69
Zadatak 2.
Dani su brojevi: 6, 3, 2, 3, 2, 4, 6, 5, 6, 5, 4, 1, 4, 1, 4, 5, 3, 4, 2, 4.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom te izraˇcunajte aritmetiˇcku
sredinu, varijancu i standardnu devijaciju.
Zadatak 3.
Dani su brojevi: 94, 97, 103, 103, 96, 104, 99, 100, 97, 102, 95, 102, 103, 103, 95, 101, 99, 102, 103,
102, 100, 97, 96, 99, 98, 98, 102, 103, 96, 94, 97.
Odredite razrede, sastavite tabelu frekvencija s kumulativnom funkcijom te izraˇcunajte aritmetiˇcku
sredinu, varijancu i standardnu devijaciju.
Zadatak 4.
Koji je najmanji interval oko aritmetiˇcke sredine x = 12 za koji sa sigurnoˇs´cu moˇzemo tvrditi da sadrˇzi
barem 60% zadanih podataka, ako je σ = 1.3?
21
6 Usporedivanje razliˇcitih mjerenja. Usporedivanje razliˇcitih rezul-
tata
Usporedivanje razliˇcitih mjerenja
Mjerenja iste veliˇcine se mogu izvoditi razliˇcitim naˇcinima ili instrumentima i pojavljuje se potreba za
jednostavnim postupkom usporedivanja rezultata razliˇcitih mjerenja. U takvoj situaciji imamo dva niza
brojeva x
1
, x
2
, . . . , x
n
i y
1
, y
2
, . . . , y
m
i njima pripadaju´ce aritmetiˇcke sredine i standardne devijacije x, σ
x
i
y, σ
y
.
ˇ
Zeljeli bismo ocijeniti koje mjerenje je bilo toˇcnije. To op´cenito nije mogu´ce odrediti, ali je za oˇcekivati da
je toˇcnije ono mjerenje s manjim odstupanjima od aritmetiˇcke sredine (s manjim rasipanjem oko aritmetiˇcke
sredine), tj. s manjom standardnom devijacijom. U primjeru koji slijedi to ne moˇzemo odmah napraviti, jer
su vrijednosti u razliˇcitim mjernim jedinicama. Jedan naˇcin bi bio da jarde pretvorimo u metre, a drugi je
da usporedimo omjere standardne devijacije i aritmetiˇcke sredine. Mjerenje kod kojeg je taj omjer manji je
preciznije.
Dakle usporedujemo brojeve
σ
x
x
i
σ
y
y
i manji omjer odreduje preciznije mjerenje.
Primjer 1.
Dva niza mjerenja iste udaljenosti su dala sljede´ce podatke:
mjerenje A: 105m, 98m, 92m, 107m, 101m (u metrima)
mjerenje B: 109yd, 113yd, 107yd, 115yd, 111yd (u jardima; 1yd = 0.914m)
Aritmetiˇcka sredina i standardna devijacija tih dvaju mjerenja su redom:
mjerenje A: x = 100.6m, σ ≈ 5.3m,
σ
x

5.3m
100.6m
≈ 0.053
mjerenje B: x = 111yd, σ ≈ 2.82yd,
σ
x

2.82yd
111yd
≈ 0.025
Mjerenje B ima manji omjer i smatramo ga preciznijim.
Zadatak 1.
Dva niza mjerenja istog volumena su dala sljede´ce podatke:
mjerenje A: 101.5l, 101.3l, 98.7l, 99.4l, 101.2l (u litrama)
mjerenje B: 26.1gal, 26.1gal, 25.9gal, 26.7gal, 26.6gal (u galonima; 1gal = 3.7854l)
Odredite koje je od ova dva mjerenja preciznije.
22
Usporedivanje razliˇcitih rezultata
Tipiˇcna situacija u kojoj treba usporedivati razliˇcite rezultate su ispiti. Naime, ve´ci broj dobivenih bodova
ne znaˇci odmah i bolji uspjeh. Pogledajmo primjer.
Marko je dobio 85 bodova na testu na kojem je prosjeˇcna vrijednost bodova svih kandidata bila x = 79, a
σ = 8. Alen je dobio 75 bodova na testu, koji ne mora provjeravati isto gradivo, a na kojem je x = 70, a
σ = 5. Tko je postigao bolji rezultat od njih dvojice? Ne moˇzemo direktno usporedivati njihove bodove
zbog razliˇcitih x i σ, ˇsto znaˇci da njihove rezultate moramo prevesti u standardne jedinice. Ako je x jedan
od danih brojeva iz uzorka sa aritmetiˇckom sredinom x i standardnom devijacijom σ, onda se x prevodi u
standardnu jedinicu z formulom
z =
x −x
σ
.
U primjeru imamo redom:
Marko z =
85−79
8
= 0.75
Alen z =
75−70
5
= 1
U standardnim jedinicama ve´ca vrijednost oznaˇcava bolji rezultat pa zakljuˇcujemo da je Alen bolje rijeˇsio
test.
Zadatak 1.
Na jednom drugom testiranju je Marko dobio 95 bodova na testu na kojem je prosjeˇcna vrijednost
bodova svih kandidata bila x = 90, a σ = 6. Alen je dobio 86 bodova na testu, koji ne mora
provjeravati isto gradivo, a na kojem je x = 80, a σ = 8. Tko je postigao bolji rezultat od njih dvojice?
23
7 Linearna regresija
Zadani su parovi brojeva: (x
1
, y
1
),(x
2
, y
2
),. . ., (x
n
, y
n
). Postoji mogu´cnost da su te toˇcke grupirane oko
nekog pravca, ˇsto bi znaˇcilo da postoji linearna povezanost (korelacija) izmedu nizova brojeva x
1
, x
2
, . . . , x
n
i y
1
, y
2
, . . . , y
n
. Jednadˇzba tog pravca, kojeg zovemo pravac regresije je
y = ax +b
gdje su a i b nepoznati brojevi koje dobivamo metodom najmanjih kvadrata. Navedenom metodom dobivamo
sljede´ce formule za traˇzene brojeve a i b:
a =
n
¸
j=1
x
j
y
j
−nx · y
n
¸
j=1
x
2
j
−nx
2
=
1
n
n
¸
j=1
x
j
y
j
−x · y
1
n
n
¸
j=1
x
2
j
−x
2
=
xy −x · y
x
2
−x
2
=
xy −x · y
σ
2
x
,
b = y −ax,
gdje je xy =
1
n
n
¸
j=1
x
j
y
j
. Primijetimo da iz formule za b slijedi da se toˇcka (x, y) nalazi na traˇzenom pravcu.
Odstupanje zadanih podataka od pravca zadanog jednadˇzbom y = cx +d raˇcunamo po formuli
1
n
n
¸
k=1
(y
k
−(cx
k
+d))
2
.
Broj izraˇcunat tom formulom zovemo srednje kvadratno odstupanje zadanih podataka od tog pravca. Pravac
regresije je jedinstveni pravac kojem je srednje kvadratno odstupanje, (tj.,
1
n
n
¸
k=1
(y
k
−(ax
k
+b))
2
) najmanje
mogu´ce.
Koeficijent korelacije r je mjera linearne povezanosti nizova brojeva x
1
, . . . x
n
i y
1
, . . . y
n
, a raˇcunamo ga
prema formuli:
r =
n
¸
j=1
x
j
y
j
−nx · y

n
¸
j=1
x
2
j
−nx
2

n
¸
j=1
y
2
j
−ny
2
=
xy −x · y

x
2
−x
2

y
2
−y
2
=
xy −x · y
σ
x
σ
y
Uvijek vrijedi: −1 ≤ r ≤ 1 i ˇsto je |r| bliˇzi broju 1, to su zadani nizovi brojeva bolje linearno povezani. Ako
je r blizak nuli, onda je linearna povezanost slaba ili nikakva. Zgodno je znati da je predznak broja r isti
kao i predznak koeficijenta smjera pravca regresije.
24
Da bismo izraˇcunali a i b, prvo sastavljamo sljede´cu tabelu:
j x y x · y x
2
y
2
1 x
1
y
1
x
1
y
1
x
2
1
y
2
1
2 x
2
y
2
x
2
y
2
x
2
2
y
2
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n x
n
y
n
x
n
y
n
x
2
n
y
2
n
¸
n
¸
j=1
x
j
n
¸
j=1
y
j
n
¸
j=1
x
j
y
j
n
¸
j=1
x
2
j
n
¸
j=1
y
2
j
x y xy x
2
y
2
Vrijednosti iz zadnjeg retka uvrˇstavamo u pripadne formule.
Primjer 1.
Mjerenjem statistiˇckih obiljeˇzja x i y su dobiveni sljede´ci brojevi:
x 3 5 6 8 10
y 3 4 2 2 2
1. Prikaˇzite toˇcke (x
j
, y
j
) u pravokutnom koordinatnom sustavu.
2. Odredite jednadˇzbu pravca regresije i skicirajte ga zajedno s toˇckama.
3. Izraˇcunajte koeficijent korelacije.
4. Izraˇcunajte srednje kvadratno odstupanje podataka iz tabele od odgovaraju´cih vrijednosti za
pravac regresije.
Rjeˇsenje.
j x
j
y
j
x
j
· y
j
x
2
j
y
2
j
1 3 3 9 9 9
2 5 4 20 25 16
3 6 2 12 36 4
4 8 2 16 64 4
5 10 2 20 100 4
Σ 32 13 77 234 37
6.4 2.6 15.4 46.8 7.4
x =
32
5
= 6.4, y =
13
5
= 2.6, x · y = 16.64, xy = 15.4, x
2
= 46.8, y
2
= 7.4
y = ax +b; a =
xy −x · y
x
2
−x
2
; b = y −ax
y = −0.212 · x + 3.959
25
r =
xy −x · y

x
2
−x
2

y
2
−y
2
= −0.641, r
2
= 0.411
Srednje kvadratno odstupanje je: 0.3767 =
1
n
n
¸
k=1
(y
k
−(ax
k
+b))
2
.
0
1
2
3
4
5
0 2 4 6 8 10
-
6
3
+
+
+ + +
Posebno oznaˇcena toˇcka na pravcu ima koordinate (x, y) = (6.4, 2.6).
Primjer 2.
Dvije standardne igra´ce kockice, plavu i crvenu, bacamo 11 puta. Neka je x
k
broj koji je ”pao” na
plavoj kockici u k–tom bacanju, a y
k
suma brojeva koji su ”pali” na plavoj i crvenoj kockici u k–tom
bacanju.
Na plavoj kockici su pali redom sljede´ci brojevi: 3, 3, 2, 3, 4, 4, 2, 1, 1, 4, 3,
a na crvenoj: 2, 3, 1, 4, 3, 2, 4, 1, 2, 4, 4,
Nadite jednadˇzbu pravca regresije za toˇcke (x
k
, y
k
), k = 1, . . . , 11 i skicirajte ga u koordinatnoj ravnini
zajedno sa toˇckama. Izraˇcunajte koeficijent korelacije.
26
Rjeˇsenje.
j x
j
y
j
x
j
· y
j
x
2
j
y
2
j
1 3 5 15 9 25
2 3 6 18 9 36
3 2 3 6 4 9
4 3 7 21 9 49
5 4 7 28 16 49
6 4 6 24 16 36
7 2 6 12 4 36
8 1 2 2 1 4
9 1 3 3 1 9
10 4 8 32 16 64
11 3 7 21 9 49
Σ 30 60 182 94 366
2.73 5.45 16.55 8.55 33.27
x =
30
11
= 2.73, y =
60
11
= 5.45
y = 1.507 · x + 1.343, r = 0.85, r
2
= 0.71
srednje kvadratno odstupanje je 1.0041
0
2
4
6
8
-1 0 1 2 3 4
-
6
3
+
+
+
+ +
+ +
+
+
+
+
Posebno oznaˇcena toˇcka na pravcu ima koordinate (x, y) = (2.73, 5.45).
27
Primjer 3.
Zadane su sljede´ce toˇcke: (20, 82), (25, 98), (25, 98.6), (26, 101.8), (28, 106.8), (27, 107), (26, 105.2),
(28, 110.2), (30, 117.6), (29, 117) Nadite jednadˇzbu pravca regresije i skicirajte ga u koordinatnoj ravnini
zajedno sa zadanim toˇckama. Izraˇcunajte koeficijent korelacije.
Rjeˇsenje.
j x
j
y
j
x
j
· y
j
x
2
j
y
2
j
1 20 82 1640 400 6724
2 25 98 2450 625 9604
3 25 98.6 2465 625 9721.96
4 26 101.8 2646.8 676 10363.24
5 28 106.8 2990.4 784 11406.24
6 27 107 2889 729 11449
7 26 105.2 2735.2 676 11067.04
8 28 110.2 3085.6 784 12144.04
9 30 117.6 3528 900 13829.76
10 29 117 3393 841 13689
Σ 264 1044.2 27823 7040 109998.28
26.4 104.42 2782.3 704 10999.83
x =
264
10
= 26.4, y =
1044.2
10
= 104.42
Jednadˇzba pravca regresije je y = 3.638 · x + 8.375. Koeficijent korelacije je r = 0.98, r
2
= 0.97.
Srednje kvadratno odstupanje je 3.1134.
80
85
90
95
100
105
110
115
120
20 22 24 26 28 30
3
+
+
+
+
+ +
+
+
+
+
Posebno oznaˇcena toˇcka na pravcu ima koordinate (x, y) = (26.4, 104.42).
28
Zadaci
Zadatak 1. Zadane su sljede´ce toˇcke: (14, 24.8), (12, 31.6), (14, 28), (17, 20.8), (18, 20.6), (17, 22.2), (20, 17.2),
(17, 25.6), (22, 15.2), (21, 18.2) Nadite jednadˇzbu pravca regresije i skicirajte ga u koordinatnoj ravnini
zajedno sa zadanim toˇckama. Izraˇcunajte koeficijent korelacije.
Zadatak 2. Dvije standardne igra´ce kockice, plavu i crvenu, bacamo 11 puta. Neka je x
k
broj koji je ”pao”
na plavoj kockici u k–tom bacanju, a y
k
suma brojeva koji su ”pali” na plavoj i crvenoj kockici u
k–tom bacanju.
Na plavoj kockici su pali redom sljede´ci brojevi: 4, 5, 4, 1, 2, 4, 2, 2, 6, 3, 3,
a na crvenoj: 4, 5, 1, 3, 1, 6, 1, 5, 5, 1, 2,
Nadite jednadˇzbu pravca regresije za toˇcke (x
k
, y
k
), k = 1, . . . , 11 i skicirajte ga u koordinatnoj ravnini
zajedno sa toˇckama. Izraˇcunajte koeficijent korelacije.
29
Dio II
Vjerojatnost
8 Dogadaj. Vjerojatnost
Zaˇceci teorije vjerojatnosti su stvoreni sredinom 17. stolje´ca, kada je francuski plemi´c Chevalier de M´er´e
postavio nekoliko pitanja o vjerojatnosti nekih dogadaja prilikom kockanja Blaisu Pascalu. Na osnovu
rasprave koja je uslijedila, Pascal i Pierre de Fermat su razvili osnove teorije vjerojatnosti.
De M´er´e se kladio na sljede´ce dogadaje:
• U ˇcetiri bacanja simetriˇcne kockice ´ce pasti barem jedna ˇsestica.
• U dvadesetˇcetiri bacanja dviju simetriˇcnih kockica ´ce barem jednom pasti ˇsestica na obje kockice.
Vidjet ´cemo kasnije kako moˇzemo izraˇcunati vjerojatnosti navedenih dogadaja.
Teorija vjerojatnosti se bavi modeliranjem procesa kojima nije mogu´ce unaprijed predvidjeti ishod, kao ˇsto
je to npr. bacanje novˇci´ca na sluˇcajan naˇcin - znamo da ´ce pasti ili pismo ili glava, ali ne znamo sa sigurnoˇs´cu
ˇsto ´ce toˇcno pasti u jednom bacanju. Mogli bismo re´ci da je bacanje novˇci´ca sluˇcajni pokus s dva mogu´ca
ishoda koji su elementi skupa {p, g}.
Drugi primjer bi bio bacanje standardne igra´ce kockice sa ˇsest strana s jednim od brojeva 1, 2, 3, 4, 5, 6 (ili
odgovaraju´cim brojem toˇckica) na svakoj strani. Nakon ˇsto bacimo kockicu i nakon ˇsto ona mirno stane
na horizontalnoj podlozi, njena gornja strana ´ce uvijek odredivati jedan od brojeva iz skupa {1, 2, 3, 4, 5, 6}
(kaˇzemo da je npr. ”pao” broj 5), ali ne moˇzemo unaprijed znati koji od njih. Dakle na bacanje kockice
takoder moˇzemo gledati kao na sluˇcajni pokus sa ˇsest razliˇcitih ishoda. Neka je A = {2, 3, 5} i ako bacanjem
kockice padne broj 2, re´ci ´cemo da je nastupio dogadaj A.
Svaki od brojeva koji mogu pasti na kockici se smatra elementarnim dogadajem (intuitivno, elementarni
dogadaj se ne prikazuje preko jednostavnijih dogadaja, bilo zato ˇsto se to ne moˇze ili zato ˇsto nas to ne
zanima), a skup svih elementarnih dogadaja Ω zovemo prostor elementarnih dogadaja.
Dogadaj se definira kao bilo koji podskup prostora elementarnih dogadaja Ω, tj. ako je A ⊆ Ω, onda je skup
A dogadaj. Broj elemenata skupa A oznaˇcavamo s |A|. Za dogadaj A ´cemo re´ci da je nastupio ako je ishod
nekog sluˇcajnog pokusa jedan od elementarnih dogadaja iz A, npr. u primjeru s bacanjem kockice moˇzemo
promatrati dogadaje
A = pao je prost broj = {2, 3, 5} i
B = pao je neparan broj = {1, 3, 5}
pa ako je bacanjem kockice pao broj 2, onda je dogadaj A nastupio, a dogadaj B nije.
Kako su dogadaji skupovi, onda je s njima mogu´ce obavljati skupovne operacije kao ˇsto su komplement,
presjek, unija i razlika. Tako u gornjem primjeru moˇzemo npr. promotriti dogadaje
A = Ω \ A = nije pao prost broj = {1, 4, 6},
A ∩ B = pao je neparan i prost broj = {3, 5},
A ∪ B = pao je neparan ili prost broj = {1, 2, 3, 5} i
A \ B = pao je prost broj koji nije neparan = {2}.
30
Ω
A
dogadaj A
Ω
A
dogadaj A
Ω
A B
presjek dogadaja A i B: A ∩ B
Ω
A B
unija dogadaja A i B: A ∪ B
Ω
A B
razlika dogadaja A i B: A \ B
Ω
A B
A = (A \ B) ∪ (A ∩ B)
Primjer 1.
Promotrimo sve mogu´ce ishode bacanja dvaju novˇci´ca. Na svakom od njih moˇze pasti ili pismo ili glava
pa je prostor elementarnih dogadaja jednak Ω = {pp, pg, gp, gg}. (Radi jednostavnosti zamislimo da
su novˇci´ci razliˇcite veliˇcine i da prvo zapisujemo ishod bacanja ve´ceg od njih.)
Primjer 2.
Promotrimo sve mogu´ce ishode bacanja dviju standardnih kockica, crvene i plave. Jedan ishod je
predstavljen uredenim parom brojeva (c, p) gdje prva komponenta para predstavlja broj koji je pao na
crvenoj kockici, a druga komponenta predstavlja broj koji je pao na plavoj kockici. Prostor elemen-
tarnih dogadaja Ω je skup svih takvih parova brojeva Ω = {(1, 1), (1, 2), . . . , (6, 6)} kojeg se jednostavno
moˇze prikazati sljede´com tabelom:
31
c\p 1 2 3 4 5 6
1 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
2 (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
3 (3, 1) (3, 2) (3,3) (3,4) (3,5) (3,6)
4 (4, 1) (4, 2) (4,3) (4, 4) (4, 5) (4, 6)
5 (5, 1) (5, 2) (5,3) (5, 4) (5, 5) (5, 6)
6 (6, 1) (6, 2) (6,3) (6, 4) (6, 5) (6, 6)
Sljede´ci dogadaji su oznaˇceni u gornjoj tabeli:
A = manji od dva broja koji su pali je 3 = {(3, 3), (3, 4), (3, 5), (3, 6), (4, 3), (5, 3), (6, 3)} (oznaˇceni
pravokutnicima)
B = razlika ve´ceg i manjeg broja je 2 = {(3, 1), (4, 2), (5, 3), (6, 4), (1, 3), (2, 4), (3, 5), (4, 6)} (oznaˇceni
ovalima)
A∪ B = elementarni dogadaji oznaˇceni pravokutnicima ili ovalima
A∩ B = elementarni dogadaji oznaˇceni pravokutnicima i ovalima
Primjer 3.
Jedan ˇsahovski klub ima tri igraˇca K
1
, K
2
, K
3
medu kojima treba sluˇcajno izabrati dvojicu koji ´ce
predstavljati klub na turniru. Sluˇcajni pokus se sastoji od biranja dva igraˇca od njih tri. Svaki ishod
je predstavljen dvoˇclanim podskupom skupa {K
1
, K
2
, K
3
} pa je prostor elementarnih dogadaja skup
Ω = {{K
1
, K
2
}, {K
1
, K
3
}, {K
2
, K
3
}} koji ima tri elemenata.
Primjer 4.
Neka je sluˇcajni pokus registriranje broja zahtjeva za prikazivanje odredene web stranice tijekom
nekog odredenog vremenskog perioda (jedan minut, jedan sat, 24 sata, jedan mjesec...). Budu´ci
je nepoznat maksimalni broj zahtjeva, najzgodnije je za prostor elementarnih dogadaja uzeti skup
N
0
= {0, 1, 2, 3, . . .} koji je beskonaˇcan. Iako ´ce broj zahtjeva biti konaˇcan, teˇsko je, a i nepotrebno,
ograniˇciti taj broj. Naravno, uvijek moˇzemo za gornju granicu uzeti neki jako veliki broj za kojeg
moˇzemo biti sigurni da nikad ne´ce biti dosegnut, ali pokazuje se da je to nepotrebno kompliciranje, a
iz nekih teoretskih razloga je pogodnije za prostor elementarnih dogadaja uzeti navedeni beskonaˇcni
skup.
Zbog toga se koristi malo drugaˇcija definicija prostora elementarnih dogadaja od navedene.
Definicija.
Prostor elementarnih dogadaja nekog sluˇcajnog pokusa je skup Ω sa svojstvom da svakom ishodu pokusa
odgovara toˇcno jedan element iz tog skupa i da razliˇcitim ishodima odgovaraju razliˇciti elementi tog skupa.
Dogadaj je podskup prostora elementarnih dogadaja.
Ako nije navedeno drugaˇcije smatrat ´cemo da je skup svih elementarnih dogadaja Ω konaˇcan skup.
32
Zadaci
Zadatak 1.
Napiˇsite prostor elementarnih dogadaja koji sadrˇzi sve ishode bacanja triju novˇci´ca. Odredite sljede´ce
dogadaje:
A = pala su barem dva pisma
B = pale su najviˇse dvije glave
A∩ B =?
A∪ B =?
Zadatak 2.
Promotrimo sve mogu´ce ishode bacanja dviju standardnih kockica, crvene i plave. Jedan ishod je
predstavljen uredenim parom brojeva (c, p) gdje prva komponenta para predstavlja broj koji je pao na
crvenoj kockici, a druga komponenta predstavlja broj koji je pao na plavoj kockici. Odredite sljede´ce
dogadaje:
P
p
= produkt brojeva koji su pali na kockicama je prost broj
P
s
= suma brojeva koji su pali na kockicama je prost broj
A
6
= suma brojeva koji su pali na kockicama je 6
Zadatak 3.
U posudi se nalazi sedam zelenih i dvije ˇzute kuglice. Sluˇcajno se, bez vra´canja, jedna po jedna izvlaˇce
dvije kuglice. Odredite prostor elementarnih dogadaja za navedeni sluˇcajni pokus. Kako bi izgledao
prostor elementarnih dogadaja ako bi u posudi bila samo jedna ˇzuta kuglica?
ˇ
Sto ako kuglice vra´camo
u posudu nakon ˇsto ih izvuˇcemo?
33
Klasiˇcna definicija vjerojatnosti ’a priori’
Neka je Ω = {ω
1
, ω
2
, . . . , ω
m
} prostor elementarnih dogadaja vezan uz neki sluˇcajni pokus tako da su svi
elementarni dogadaji, kojih mora biti konaˇcan broj, jednako mogu´ci. Neka je A dogadaj, tj. A ⊆ Ω. Tada
se klasiˇcna definicija vjerojatnosti ’a priori’ dogadaja A definira formulom
P(A) =
m
A
m
=
|A|
|Ω|
=
broj povoljnih elementarnih dogadaja
broj svih elementarnih dogadaja
(3)
gdje je m
A
= |A| broj elementarnih dogadaja od kojih se sastoji dogadaj A, a m = |Ω| broj svih elementarnih
dogadaja iz prostora elementarnih dogadaja Ω (|Ω| je broj elemenata skupa Ω). Naravno, da bi formula imala
smisla, skup Ω mora biti konaˇcan.
Svojstva vjerojatnosti
1. Direktno iz definicije se dobiva
P(Ω) =
|Ω|
|Ω|
= 1 i P(∅) =
|∅|
|Ω|
= 0
2. Za svaki dogadaj A vrijedi ∅ ⊆ A ⊆ Ω iz ˇcega zbog 0 = |∅| ≤ |A| ≤ |Ω| dobivamo (dijeljenjem s |Ω|)
sljede´ce:
0 ≤ P(A) ≤ 1.
3. Ako su A i B dogadaji takvi da vrijedi A ⊆ B, onda vrijedi |A| ≤ |B| odakle (dijeljenjem s |Ω|)
dobivamo
P(A) ≤ P(B).
4. Ako je A ⊆ Ω dogadaj, onda je A = Ω\ A dogadaj suprotan dogadaju A i zbog |A| = |Ω| −|A| vrijedi
P(A) =
|A|
|Ω|
=
|Ω| −|A|
|Ω|
= 1 −P(A).
5. Ako su A i B disjunktni dogadaji (A ∩ B = ∅), A, B ⊆ Ω onda vrijedi |A ∪ B| = |A| +|B| pa imamo
P(A ∪ B) = P(A) +P(B).
6. Neka su A i B dogadaji, A, B ⊆ Ω. Sada se zbog A ∪ B = A ∪ (B \ A) i ˇcinjenice da je ta unija
disjunktna (pa se moˇze primijeniti prethodna jednakost) dobiva
P(A ∪ B) = P(A ∪ (B \ A)) = P(A) +P(B \ A).
Zbog B = (B \ A) ∪ (A ∩ B), ˇsto je takoder disjunktna unija, dobivamo:
P(B) = P((B \ A) ∪ (A ∩ B)) = P(B \ A) +P(A ∩ B),
ˇsto zajedno s prethodnom relacijom daje sljede´cu formulu za vjerojatnost unije dva proizvoljna dogadaja
(aditivna formula):
P(A ∪ B) = P(A) +P(B) −P(A ∩ B).
34
Primjer 1.
U posudi se nalazi sedam zelenih i tri plave kuglice. Iz posude se izvlaˇci jedna kuglica. Kolika je
vjerojatnost da ´ce izvuˇcena kuglica biti zelene boje?
Rjeˇsenje.
Prostor elementarnih dogadaja je skup Ω = {z
1
, z
2
, z
3
, z
4
, z
5
, z
6
, z
7
, p
1
, p
2
, p
3
}, a dogadaj ˇcija vjerojat-
nost nas zanima je A = {z
1
, z
2
, z
3
, z
4
, z
5
, z
6
, z
7
, }. Broj povoljnih elementarnih dogadaja je m
A
= 7,
broj svih dogadaja je m = 10 pa je vjerojatnost dogadaja A prema klasiˇcnoj formuli ’a priori’ jednaka
P(A) =
7
10
.
Primjer 2.
Kolika je vjerojatnost da ´ce bacanjem standardne simetriˇcne kockice pasti broj ve´ci od 2?
Rjeˇsenje.
Prostor elementarnih dogadaja je skup Ω = {1, 2, 3, 4, 5, 6}, a dogadaj ˇcija vjerojatnost nas zanima je
A = {3, 4, 5, 6}. Broj povoljnih elementarnih dogadaja je m
A
= 4, broj svih dogadaja je m = 6 pa je
vjerojatnost dogadaja A prema klasiˇcnoj formuli ’a priori’ jednaka
P(A) =
4
6
=
2
3
.
35
Principi prebrojavanja
Klasiˇcna formula vjerojatnosti ’a priori’ je jednostavna, ali ˇcesto nije lagano prona´ci brojeve koje treba u nju
uvrstiti. U tome nam pomaˇzu principi prebrojavanja u kombinatorici. Ima ih dva: princip sume i princip
produkta.
princip sume
Ako su A i B dogadaji koji ne mogu nastupiti istovremeno (tj. A∩B = ∅) onda dogadaj A∪ B moˇze
nastupiti na |A| + |B| naˇcina. (Princip sume vrijedi i ako je rijeˇc o konaˇcno mnogo dogadaja koji u
parovima ne mogu nastupiti istovremeno.)
Primjer 1.
U tri posude se nalazi redom 19, 23 i 21 bombon. Na koliko naˇcina se moˇze uzeti jedan bombon
iz svih tih posuda?
Jedan bombon iz svih posuda se moˇze uzeti na 19 + 23 + 21 = 63 naˇcina.
Primjer 2.
Promatramo dva dogadaja prilikom bacanja simetriˇcne kockice:
A = pao je broj ve´ci od 3 = {4, 5, 6},
B = pao je paran prost broj = {2}.
Kako niti jedan prost broj ve´ci od 3 nije paran, dogadaji A i B ne mogu nastupiti istovremeno
(A ∩ B = ∅) pa vrijedi |A ∪ B| = |A| +|B|, tj. dogadaj A ∪ B moˇze nastupiti na 4 naˇcina.
princip produkta
Ako su dogadaji A i B nezavisni, tj. mogu nastupiti neovisno jedan o drugom, onda kombinacije
dogadaja A i B mogu nastupiti na |A| · |B| naˇcina. (Princip produkta vrijedi i ako je rijeˇc o konaˇcno
mnogo dogadaja koji su u parovima nezavisni.)
Primjer 3.
U tri posude se nalazi redom 19, 23 i 21 bombon. Na koliko naˇcina se mogu uzeti tri bombona,
po jedan iz svake od tih posuda?
Tri bombona, po jedan iz svake od tih posuda, se moˇze uzeti na 19 · 23 · 21 = 9177 naˇcina.
Primjer 4.
Promatramo dva dogadaja prilikom bacanja dviju simetriˇcnih kockica, plave i crvene:
A = na plavoj kockici je pao paran broj = {2, 4, 6}
B = na crvenoj kockici je pao neparan prost broj = {3, 5}
Dogadaji A i B su oˇcito nezavisni (rezultat bacanja plave kockice nikako ne moˇze utjecati na
rezultat bacanja crvene i obrnuto). Sve kombinacije dogadaja A i B se mogu prikazati preko
skupa uredenih parova (p, c), gdje je p elementaran dogadaj iz skupa A, a c elementaran dogadaj
iz skupa B. Skup svih takvih kombiniranih dogadaja je kartezijev produkt skupova A i B,
A ×B = {(2, 3), (2, 5), (4, 3), (4, 5), (6, 3), (6, 5)} i broj njegovih elemenata je |A ×B| = |A| · |B|.
36
Faktorijeli. Binomni koeficijenti. Permutacije. Kombinacije
Uvedimo neke pojmove iz kombinatorike.
Faktorijeli
Umnoˇzak svih prirodnih brojeva od 1 do n se oznaˇcava n! i ˇcita se ”en faktorijela”. Dakle imamo:
n! = 1 · 2 · 3 · . . . · (n −1) · n. Posebno se definira 0! = 1. Za n ≥ 0 vrijedi: (n + 1)! = (n + 1) · n!
Primjer 1.
1! = 1, 2! = 1 · 2 = 2, 3! = 1 · 2 · 3 = 6, 4! = 1 · 2 · 3 · 4 = 3! · 4 = 24
Binomni koeficijenti
Za prirodne brojeve n i k, 0 ≤ k ≤ n, binomni koeficijent

n
k

(”en povrh ka”) definiramo sa

n
k

=
n!
k!(n −k)!
=
n · (n −1) · . . . · (n −k + 1)
1 · 2 · . . . · (k −1) · k
.
Posebno se definira

n
0

= 1, za n ≥ 0 .
Primjer 2.

5
2

=
5 · 4
1 · 2
= 10,

9
4

=
9 · 8 · 7 · 6
1 · 2 · 3 · 4
= 126
Vrijedi sljede´ca relacija

n
k

=
n!
k!(n −k)!
=
n!
(n −(n −k))!(n −k)!
=
n!
(n −k)!(n −(n −k))!
=

n
n −k

koja nam ubrzava raˇcunanje binomnih koeficijanata

n
k

kod kojih je n >
n
2
:

9
7

=

9
9 −7

=

9
2

=
9 · 8
1 · 2
= 36,

16
14

=

16
2

=
16 · 15
1 · 2
= 120.
Permutacije
Niz od n objekata se zove permutacija tih objekata. Npr. ABCDE, ACBED, DBCAE su tri permutacije
od pet slova.
Da bi izraˇcunali na koliko naˇcina moˇzemo n razliˇcitih objekata poredati u niz (tj. koliko ima permutacija
od n razliˇcitih elemenata) uoˇcimo da prvi element niza moˇzemo izabrati na n naˇcina. Drugi element niza
moˇzemo izabrati na n−1 naˇcin. Tre´ci element niza moˇzemo izabrati na n−2 naˇcina itd. Predzadnji element
niza moˇzemo izabrati na dva naˇcina (jer su ostali elementi ve´c izabrani), a zadnji element niza je jednoznaˇcno
odreden. Slijedi da n razliˇcitih elemenata moˇzemo poredati u niz na
n · (n −1) · (n −2) · . . . · 2 · 1 = n!
razliˇcitih naˇcina.
37
Kombinacije
Kombinacija od k elemenata n-teroˇclanog skupa je bilo koji njegov k-ˇclani podskup. Broj svih kombinacija
od k elemenata n-teroˇclanog skupa je

n
k

.
Medu deset igraˇca jednog ˇsahovskog kluba treba izabrati tim od njih ˇcetiri koji ´ce predstavljati klub na
turniru. Na koliko naˇcina se moˇze izabrati ˇcetveroˇclani tim ako se na raspolaganju ima deset igraˇca?
Odgovor: ˇcetveroˇclani tim se moˇze izabrati na

10
4

=
10 · 9 · 8 · 7
1 · 2 · 3 · 4
= 210 naˇcina.
Primjer 3.
U standardnomˇspilu od 32 karte se nalaze karte od ”sedmice” do ”asa” u sve ˇcetiri boje (pik, tref, herc
i karo). Iz ovog ˇspila karata izvlaˇci se bez vra´canja na sluˇcajan naˇcin 5 karata. Izraˇcunajte vjerojatnost
da su od pet izvuˇcenih karata
(a) sve karte iste boje,
(b) dva ”deˇcka”, dvije karte vrijednosti manje od ”desetke” i pik ”as”,
Rjeˇsenja.
(a) Karata iste boje ima osam, a pet karata iste boje od njih osam moˇzemo dobiti na

8
5

=

8
3

=
8 · 7 · 6
1 · 2 · 3
= 56 razliˇcitih naˇcina. Boja imamo ˇcetiri pa je broj povoljnih ishoda jednak 4 · 56 = 224
Pet karata iz ˇspila od 32 karte moˇzemo izabrati na

32
5

=
32 · 31 · 30 · 29 · 28
1 · 2 · 3 · 4 · 5
= 201376 razliˇcitih
naˇcina.
Traˇzena vjerojatnost je jednaka:
224
201376
≈ 0.00111.
(b) Dva ”deˇcka” od njih ˇcetiri moˇzemo izabrati na

4
2

=
4 · 3
1 · 2
= 6 razliˇcitih naˇcina.
Karte manje vrijednosti od ”desetke” su ”sedmice”, ”osmice” i ”devetke” kojih ukupno ima 4+4+
4 = 12, dakle dvije karte vrijednosti manje od ”desetke” moˇzemo izabrati na

12
2

=
12 · 11
1 · 2
= 66
naˇcina. Pik ”as” je jedna konkretna karta pa je moˇzemo izabrati na jedan naˇcin. Pet karata iz
ˇspila od 32 karte moˇzemo izabrati na 201376 razliˇcitih naˇcina. Traˇzena vjerojatnost je:
6 · 66 · 1
201376

0.0019665.
Zadaci
Zadatak 1. Djeˇcak u lijevom dˇzepu ima 7, a u desnom 5 razliˇcitih staklenih kuglica.
1. Na koliko naˇcina moˇze izvu´ci jednu kuglicu iz svojih dˇzepova?
Jednu kuglicu iz svojih dˇzepova moˇze izvu´ci na 7 + 5 = 12 naˇcina.
2. Na koliko naˇcina moˇze izvu´ci dvije kuglice, tako da jednu kuglicu izvuˇce iz lijevog, a drugu iz
desnog dˇzepa?
Iz lijevog dˇzepa jednu kuglicu moˇze izvu´ci na 7, a iz desnog na 5 naˇcina. Izvlaˇcenja su medusobno
nezavisna pa dvije kuglica na opisani naˇcin moˇze izvu´ci na 7 · 5 = 35 naˇcina.
38
3. Na koliko naˇcina moˇze izvu´ci dvije kuglice iz svojih dˇzepova?
Dvije kuglice od njih 12 moˇze izvu´ci na

12
2

=
12 · 11
1 · 2
= 66 naˇcina.
4. Na koliko naˇcina moˇze izvu´ci po dvije kuglice iz svakog od svojih dˇzepova?
Dvije kuglice iz lijevog dˇzepa moˇze izvu´ci na

7
2

=
7 · 6
1 · 2
= 21 naˇcin.
Dvije kuglice iz desnog dˇzepa moˇze izvu´ci na

5
2

=
5 · 4
1 · 2
= 10 naˇcina.
Po dvije kuglice iz svakog od svojih dˇzepova moˇze izvu´ci na 21 · 10 = 210 naˇcina.
Zadatak 2. U jednoj ladici se nalazi 19 koˇsulja, a u drugoj 7 kravata. Na koliko naˇcina se mogu kombinirati
jedna koˇsulja i jedna kravata?
Zadatak 3. Koliko nizova od ˇcetiri slova moˇzemo dobiti koriste´ci mala slova hrvatske abecede?
Koristimo princip produkta jer izbor slova na jednom mjestu ne ovisi o izboru slova na drugom. Na
svakom od ˇcetiri mjesta se moˇze na´ci trideset slova pa je traˇzeni broj jednak
30 · 30 · 30 · 30 = 30
4
= 810000.
Zadatak 4. Na automobilskim registarskim tablicama se nalazi niz od ˇcetiri znamenke i dva velika slova en-
gleske abecede (engleska abeceda ima 26 slova). Koliko je ukupno mogu´ce napraviti takvih registarskih
tablica?
Zadatak 5.
ˇ
Sifra za pristup nekoj bazi podataka mora imati barem 6 znakova, ali ne viˇse od 8 (znamenke
i mala slova engleske abecede), pri ˇcemu barem jedan znak mora biti znamenka. Koliko je razliˇcitih
ˇsifri na raspolaganju za pristup toj bazi podataka?
Da bi izraˇcunali traˇzeni broj, primijenit ´cemo princip sume na broj ˇsifri od 6, 7 i 8 znakova.
Promotrimo ˇsifre duljine 6. Primijetimo da je broj ˇsifri duljine 6 znakova koje imaju barem jednu
znamenku jednak broju svih ˇsifri duljine 6 koje moˇzemo dobiti od slova i znamenaka umanjen za broj
svih ˇsifri duljine 6 koje moˇzemo dobiti samo od slova. Broj svih ˇsifri duljine 6 koje moˇzemo dobiti od
slova (ima ih 26) i znamenaka (ima ih 10) dobivamo principom produkta: 36
6
.
Broj svih ˇsifri duljine 6 koje moˇzemo dobiti samo od slova je 26
6
.
Dakle, broj ˇsifri duljine 6 koje se mogu koristiti za pristup je: P
6
= 36
6
−26
6
.
Analogno dobivamo brojeve ˇsifri duljine 7 i 8: P
7
= 36
7
−26
7
, P
8
= 36
8
−26
8
.
Traˇzeni broj ˇsifri je: P
6
+P
7
+P
8
.
Zadatak 6. Izraˇcunajte 6!, 8! i 11!.
Zadatak 7. Izraˇcunajte

4
0

,

6
3

,

8
3

,

11
4

,

32
4

i

52
5

.
Zadatak 8. Izraˇcunajte

4
3

,

7
5

,

8
6

,

11
11

,

30
25

i

52
45

.
Zadatak 9. Ispiˇsite sve permutacije slova X, Y, Z.
Zadatak 10. Na koliko se naˇcina mogu bez ponavljanja poredati znamenke od 1 do 6 u niz?
39
Zadatak 11. Koliko ima permutacija slova A, B, C, D, E, F, G, H, I, J?
Zadatak 12. Koliko ima nizova od osam bitova (bajtova) koji u sebi imaju toˇcno tri jedinice?
Zadatak 13. Imate po jednu kovanicu vrijednosti pet kuna, dvije kune, jedne kune, pedeset lipa, dvadeset
lipa i deset lipa. Koliko razliˇcitih iznosa moˇzete dobiti pomo´cu tri kovanice?
Zadatak 14. U ˇspilu od 32 karte se nalaze karte od ”sedmice” do ”asa” (vrijednosti) u sve ˇcetiri boje (pik,
tref, herc i karo). Iz ovog ˇspila karata izvlaˇcite na sluˇcajan naˇcin 5 karata. Izraˇcunajte vjerojatnost da
su od pet izvuˇcenih karata
(a) toˇcno dvije ”dame” i toˇcno tri ”sedmice”
Dvije dame od njih ˇcetiri moˇzemo izabrati na

4
2

razliˇcita naˇcina. Neovisno o tome, tri sedmice
se, od njih ˇcetiri, mogu izabrati na

4
3

=

4
1

razliˇcita naˇcina. Dakle dvije dame i tri sedmice
se, prema principu produkta, mogu izabrati na

4
2

4
1

razliˇcitih naˇcina.
Ukupan broj naˇcina na koje moˇzemo odabrati pet karata od njih 32 je

32
5

pa je traˇzena
vjerojatnost jednaka

4
2

4
3

32
5
=

4
2

4
1

32
5
=
4 · 3
1 · 2
·
4
1
32 · 31 · 30 · 29 · 28
1 · 2 · 3 · 4 · 5
=
24
201376
≈ 0.000119
(b) toˇcno tri ”asa” i toˇcno tri herca
Ako imam pet karata od kojih su tri ”asa” i tri herca, onda je to mogu´ce jedino ako je jedan od
”aseva” u hercu. Dakle u tih pet karata imamo: jedan ”as” u hercu (jedna mogu´cnost), joˇs dva
asa (od preostala tri –

3
2

= 3 mogu´cnosti) i joˇs dva herca (od preostalih sedam –

7
2

= 21
mogu´cnost). Dakle broj naˇcina na koje moˇzemo dobiti takvih pet karata je 1· 3· 21 = 63. Traˇzena
vjerojatnost je
63

32
5

=
63
201376
≈ 0.0003.
(c) toˇcno tri iste boje i toˇcno ˇcetiri ”asa”
Traˇzena vjerojatnost je nula, jer prisustvo ˇcetiriju ”aseva” znaˇci da su prisutne sve ˇcetiri boje pa
je uvjet nemogu´ce ispuniti.
(d) toˇcno dva herca i toˇcno tri ”desetke” Razlikujemo dva sluˇcaja:
niti jedna ”desetka” nije u hercu: Tri ”desetke” od kojih niti jedna nije u hercu moˇzemo
izabrati na

3
3

= 1 naˇcin. Preostale dvije karte moraju biti u hercu, ali niti jedna ne smije
biti ”desetka” pa ih moˇzemo izabrati na

7
2

=
7 · 6
1 · 2
= 21 naˇcin. Ovakvih pet karata moˇzemo
dakle izvu´ci na ukupno 21 naˇcin.
40
jedna ”desetka” je u hercu: Ako je jedna ”desetka” u hercu, onda preostale dvije moˇzemo
izabrati na

3
2

=

3
1

= 3 naˇcina. Od preostalih dviju karata, jedna mora, a druga ne
smije biti u hercu i niti jedna od njih ne smije biti ”desetka”. Kartu u hercu moˇzemo izabrati
na

7
1

= 7 naˇcina, a onu drugu na 32 − 8 − 4 + 1 = 21 naˇcin; od ukupno 32 karte njih 8
su u hercu (−8), njih 4 su ”desetke” (−4), a kako ima jedna ”desetka” u hercu, nju smo dva
puta oduzeli zbog ˇcega je potreban +1 na kraju. Dakle ovakvih pet karata moˇzemo izvu´ci na
3 · 7 · 21 = 441 naˇcina.
Pomo´cu principa sume dobivamo da je broj naˇcina na koje moˇzemo dobiti pet karata iz zadatka
jednak 21 + 441 = 462. Traˇzena vjerojatnost je
462
201376
≈ 0.002294.
(e) ˇcetiri karte iste vrijednosti (poker)
Oznaˇcimo s N
v
broj naˇcina da od pet izvuˇcenih karata bude njih ˇcetiri iste vrijednosti v ∈
{7, 8, 9, 10, J, Q, K, A}. Prema principu sume, broj naˇcina na koji moˇzemo dobiti poker je suma
tih vrijednosti: N
7
+ N
8
+ N
9
+ N
10
+ N
J
+ N
Q
+ N
K
+ N
A
. Izraˇcunajmo N
v
za proizvoljnu
vrijednost v. Broj naˇcina da izvuˇcemo ˇcetiri karte iste vrijednosti je

4
4

, dakle 1. Peta karta
moˇze biti bilo koja od preostalih 32 −4 = 28 pa nju moˇzemo izvu´ci na

28
1

= 28 naˇcina. Dakle
imamo: N
v
= 1 · 28 = 28. Ukupan broj naˇcina da dobijemo poker je 8 · 28 = 224 pa je traˇzena
vjerojatnost
224

32
5

=
224
201376
≈ 0.00111.
(f) pet karata iste boje
Pet karata dane boje (od njih osam) se moˇze izvu´ci na

8
5

=

8
3

=
8 · 7 · 6
1 · 2 · 3
= 56 naˇcina. Boja
ima ˇcetiri, pa se pet karata iste boje moˇze izvu´ci na 4 · 56 = 224 naˇcina. Traˇzena vjerojatnost je
224

32
5

=
224
201376
≈ 0.00111.
Zadatak 15. U ˇspilu karata se nalaze karte od ”sedmice” do ”asa” (vrijednosti) u sve ˇcetiri boje (pik, tref,
herc i karo). Iz ovog ˇspila karata izvlaˇcite na sluˇcajan naˇcin 5 karata. Izraˇcunajte vjerojatnost da su
od pet izvuˇcenih karata
(a) toˇcno tri ”devetke” i toˇcno tri pika ;
(b) toˇcno dvije ”devetke” i toˇcno tri ”sedmice” ;
(c) toˇcno ˇcetiri iste boje i pik “as”,
(d) toˇcno dvije “sedmice” i toˇcno dva pika,
(e) toˇcno dvije iste boje i toˇcno ˇcetiri ”devetke”.
(f) toˇcno tri “sedmice” i toˇcno tri pika.
Zadatak 16. Imamo dvije kocke (na svakoj stranici po jedan broj od 1 do 6): jednu plavu i jednu crvenu.
Izraˇcunajte vjerojatnost da ´ce u dva bacanja (istovremeno bacamo obje kocke)
41
(a) zbroj biti paran oba puta,
(b) zbroj biti manji od 8 oba puta,
(c) umnoˇzak biti neparan broj toˇcno jednom,
(d) umnoˇzak biti prost broj barem jednom.
Zadatak 17. U posudi imamo sedam plavih, tri zelene i pet crnih kuglica. Sluˇcajno izvlaˇcimo ˇcetiri kuglice.
Izraˇcunajte vjerojatnost
(a) da ´ce sve kuglice biti iste boje,
(b) da ´ce barem dvije kuglice biti plave boje,
(c) da ´ce biti izvuˇcene kuglice toˇcno dviju boja,
(d) da ´ce sve kuglice biti razliˇcitih boja.
42
Aksiomi vjerojatnosti. Osnovna svojstva
Neka je Ω neprazan konaˇcan skup i P funkcija koja svakom skupu A ⊆ Ω pridruˇzuje realan broj. Funkciju
P zovemo vjerojatnost ako vrijede sljede´ca tri aksioma:
P
1
Za svaki A ⊆ Ω vrijedi P(A) ≥ 0. (P je nenegativna funkcija)
P
2
Za svaka dva disjunktna skupa A, B ⊆ Ω vrijedi P(A ∪ B) = P(A) +P(B). (P je aditivna funkcija)
P
3
P(Ω) = 1 (P je normirana funkcija.)
Pogledajmo neke posljedice ovih aksioma i dokaˇzimo neke ih.
1. P(∅) = 0
2. Ako je A ⊆ B ⊆ Ω onda vrijedi
P(A) ≤ P(B) i P(B \ A) = P(B) −P(A).
(monotonost vjerojatnosti)
3. Ako je A ⊆ Ω, onda vrijedi
P(A) ≤ 1.
4. za proizvoljne A, B ⊆ Ω vrijedi
P(A ∪ B) = P(A) +P(B) −P(A ∩ B).
5. Ako je A ⊆ Ω, onda vrijedi
P(A) = 1 −P(A)
Dokaz.
1. Ako uvrstimo A = Ω i B = ∅ u aksiom P
2
, dobivamo P(Ω) = P(Ω) + P(∅), iz ˇcega direktno slijedi
traˇzena relacija P(∅) = 0.
2. Ako je A ⊆ B, onda vrijedi B = A∪ (B \ A). Dogadaji A i B \ A su disjunktni pa prema aksiomu P
2
vrijedi P(B) = P(A) + P(B \ A) iz ˇcega slijedi jedna od traˇzenih relacija. Prema aksiomu P
1
vrijedi
P(B \ A) ≥ 0 pa vrijedi i druga traˇzena relacija.
3. Prema upravo dokazanom i zbog A ⊆ Ω dobivamo P(A) ≤ P(Ω). Primjena aksioma P
1
dovrˇsava dokaz
traˇzene relacije.
4. Vrijedi A∪ B = A ∪ (B \ (A ∩ B)). Sada zbog A∩ B ⊆ B i ve´c dokazanog dobivamo
P(A ∪ B) = P(A) +P(B \ (A ∩ B)) = P(A) +P(B) −P(A ∩ B).
5. Skupovi A i A su disjunktni i vrijedi A∪ A = Ω pa imamo
P(A) +P(A) = P(Ω) = 1, tj. P(A) = 1 −P(A).
43
Raˇcunanje vjerojatnosti dogadaja preko vjerojatnosti
elementarnih dogadaja
Problem izraˇcunavanja vjerojatnosti P(A) nekog dogadaja A (koji je podskup nekog prostora elementarnih
dogadaja Ω) se sada svodi na definiranje funkcije koja zadovoljava aksiome P
1
, P
2
i P
3
(i koju onda nazi-
vamo vjerojatnost). Jedan jednostavan naˇcin da se to uradi je da se odrede vjerojatnosti svih elementarnih
dogadaja ω ∈ Ω prema prirodi zadatka. To znaˇci da svakom elementarnom dogadaju pridruˇzujemo neki
broj, kojeg smatramo njegovom vjerojatnosti, paze´ci da budu ispunjeni svi aksiomi.
Promotrimo primjer bacanja simetriˇcne kockice. Elementarni dogadaji su predstavljeni padanjem nekog od
brojeva od jedan do ˇsest i vjerojatnosti svih tih elementarnih dogadaja su medusobne jednake.
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6})
Kako suma svih tih vjerojatnosti odgovara vjerojatnosti P(Ω) dogadaja Ω koja prema aksiomu P
3
mora biti
jednaka 1, onda vrijedi
P({1}) +P({2}) +P({3}) +P({4}) +P({5}) +P({6}) = 1,
odnosno
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) =
1
6
.
Primijetimo da vjerojatnosti elementarnih dogadaja moraju biti brojevi ve´ci od ili jednaki 0 i manji od ili
jednaki 1, inaˇce ne bi vrijedio aksiom P
1
.
Proizvoljan dogadaj A je podskup skupa koji se dobije kao unija svih elementarnih dogadaja:
A ⊆ {1, 2, 3, 4, 5, 6} = Ω
Neka je dogadaj A pao je broj ve´ci od dva. Njegova vjerojatnost P(A) se lagano raˇcuna klasiˇcnom formulom
a priori: broj povoljnih ishoda je ˇcetiri (pao je broj ve´ci od dva, dakle 3 ili 4 ili 5 ili 6), a broj svih ishoda je
ˇsest. Dakle
P(A) =
4
6
=
2
3
.
Uoˇcimo da vrijedi
P(A) =
4
6
=
1
6
+
1
6
+
1
6
+
1
6
= P({3}) +P({4}) +P({5}) +P({6}).
Dakle vjerojatnost dogadaja je jednaka sumi vjerojatnosti svih elementarnih dogadaja od kojih se on sastoji,
tj. preciznije:
P(A) = P({e
1
}) +P({e
2
}) +· · · +P({e
k
}),
pri ˇcemu je A = {e
1
, e
2
, . . . , e
k
}, tj. op´cenito vrijedi formula
P(A) =
¸
e∈A
P({e}). (4)
44
Zbog nenegativnosti vjerojatnosti dogadaja vrijedi P(A) ≥ 0, ˇsto znaˇci da vrijedi aksiom P
1
.
Primijetite da vrijedi i P(Ω) = 1, ˇsto znaˇci da je zadovoljen aksiom P
3
, ˇsto znaˇci da suma svih vjerojatnosti
pridruˇzenih elementarnim dogadajima mora biti 1.
Preostalo je joˇs da pokaˇzemo da vrijedi i aksiom P
2
, ˇsto je napravljeno u sljede´coj cjelini koja se bavi
aditivnom formulom.
Aditivna formula
Neka su dogadaji A i B disjunktni podskupovi prostora elementarnih dogadaja Ω. Tada se vjerojatnost
dogadaja A∪B moˇze izraˇcunati pomo´cu vjerojatnosti dogadaja A i B, kao ˇsto se to moˇze vidjeti iz sljede´ceg
primjera.
Primjer 1.
Neka je Ω = {1, 2, 3, 4, 5, 6}, tj. promatramo rezultate bacanja standardne kockice i
A =pao je broj manji od 3= {1, 2},
B =pao je broj ve´ci od 4= {5, 6}.
Zanima nas vjerojatnost dogadaja A∪B = {1, 2, 5, 6} izraˇzena preko vjerojatnosti P(A) i P(B). Sada
imamo:
P(A ∪ B) = P({1}) +P({2})
. .. .
P(A)
+P({5}) +P({6})
. .. .
P(B)
= P(A) +P(B).
Dakle u ovom primjeru smo vidjeli da se vjerojatnost unije dvaju dogadaja moˇze izraˇcunati preko
vjerojatnosti tih dvaju dogadaja.
Op´cenito bismo to pokazali ovako: neka su A ⊆ Ω i B ⊆ Ω disjunktni dogadaji (tj. A ∩ B = ∅).
ˇ
Zelimo
izraziti P(A ∪ B) pomo´cu P(A) i P(B). Iz formule (4) i zbog ˇcinjenice da su dogadaji A i B disjunktni
redom slijedi
P(A∪ B) =
¸
e∈A∪B
P({e}) =
¸
e∈A
P({e}) +
¸
e∈B
P({e}) = P(A) +P(B).
Dokazali smo formulu
P(A∪ B) = P(A) +P(B), uz uvjet A ∩ B = ∅ (5)
i pokazali da vrijedi aksiom P
2
. Ovime smo ujedno pokazali da klasiˇcna formula raˇcunanja vjerojatnosti ’a
priori’ predstavlja funkciju vjerojatnosti i da za nju vrijede sva svojstva koja smo dobili direktno iz aksioma.
To znaˇci da u situacijama kada su vjerojatnosti svih elementarnih dogadaja medusobno jednake moˇzemo
koristiti tu klasiˇcnu formulu.
No, ˇzeljeli bismo formulu za P(A ∪ B) koja bi uvijek vrijedila, bez dodatnih uvjeta. Pogledajmo sljede´ci
primjer.
Primjer 2.
Neka je, kao i u prethodnom primjeru, Ω = {1, 2, 3, 4, 5, 6} i
C =pao je broj ve´ci od 1 i manji od 5 = {2, 3, 4},
45
D =pao je broj ve´ci od 2 i manji od 6= {3, 4, 5}.
Zanima nas vjerojatnost dogadaja C ∪ D = {2, 3, 4, 5}. Sada imamo:
P(C ∪ D) = P({2}) +P({3}) +P({4})
. .. .
P(C)
+P({5}),
iz ˇcega vidimo da traˇzenu vjerojatnost ne moˇzemo dobiti samo preko vjerojatnosti dogadaja C i D pa
´cemo dobiveni izraz malo preurediti:
P(C ∪ D) = P({2}) +P({3}) +P({4})
. .. .
P(C)
+P({3}) +P({4}) +P({5})
. .. .
P(D)
−P({3}) −P({4})
pri ˇcemu smo P(C ∪ D) izrazili preko P(C) i P(D), ali i preko −P({3}) −P({4}). Budu´ci je {3, 4} =
C ∩ D, slijedi:
P(C ∪ D) = P(C) +P(D) −P(C ∩ D).
Ovdje smo dobili da se P(C ∪ D) moˇze izraˇcunati pomo´cu P(C), P(D) i P(C ∩ D), tj. vjerojatnost
unije dvaju dogadaja se moˇze izraˇcunati preko vjerojatnosti tih dvaju dogadaja i vjerojatnosti njihova
presjeka (ˇsto je takoder dogadaj).
Pokaˇzimo da to uvijek vrijedi. Prikaˇzimo A∪B kao uniju dvaju disjunktnih dogadaja i primijenimo upravo
dobivenu formulu (5). Ako dogadaji A i B nisu disjunktni, onda B sadrˇzi neke elemente koji se nalaze u A.
Dogadaj B\ A se sastoji od svih elemenata iz B koji nisu u A. To znaˇci da su dogadaji A i B\ A disjunktni.
Vrijedi A ∪ (B \ A) = A∪ B. Sada moˇzemo primijeniti gornju formulu (5):
P(A∪ B) = P(A ∪ (B \ A)) = P(A) +P(B \ A).
S druge strane je B = (A ∩ B) ∪ (B \ A) i ta unija je disjunktna pa opet primjenom formule (5) imamo:
P(B) = P(A ∩ B) +P(B \ A) ⇒ P(B \ A) = P(B) −P(A∩ B).
Sada koriˇstenjem zadnjih dviju dobivenih formula dobivamo vaˇznu aditivnu formulu
P(A∪ B) = P(A) +P(B) −P(A ∩ B). (6)
Aditivna formula vrijedi uvijek i to bez ikakvih uvjeta.
Analogna aditivna formula za vjerojatnost unije triju dogadaja se dobije uz pomo´c aditivne formule za uniju
dvaju dogadaja ovako:
P(A ∪ B ∪ C) = P((A ∪ B) ∪ C) = P(A∪ B) +P(C) −P((A ∪ B) ∩ C)) =
= P(A) + P(B) −P(A∩ B) +P(C) −P((A ∩ C) ∪ (B ∩ C)) =
= P(A) + P(B) +P(C) −P(A ∩ B) −(P(A ∩ C) +P(B ∩ C) −P((A ∩ C) ∩ (B ∩ C))) =
= P(A) + P(B) +P(C) −P(A ∩ B) −P(A ∩ C) −P(B ∩ C) +P(A ∩ B ∩ C)
46
Zadaci
Zadatak 1.
Ante i Branko gadaju metu. Vjerojatnost da Ante pogodi metu u jednom gadanju je
1
2
, a da je Branko
pogodi u jednom gadanju je
2
3
. Vjerojatnost da obojica pogode metu je
1
3
. Kolika je vjerojatnost da
´ce barem jedan od njih pogoditi metu u jednom gadanju?
Promotrimo sljede´ce dogadaje:
A =Ante je pogodio metu,
B =Branko je pogodio metu.
Tada je:
A∩ B = i Ante i Branko su pogodili metu,
A∪ B = barem jedan od njih dvojice je pogodio metu.
Prema uvjetima zadatka imamo redom: P(A) =
1
2
, P(B) =
2
3
, P(A ∩ B) =
1
3
. Traˇzimo P(A ∪ B).
Primjenom aditivne formule dobivamo:
P(A ∪ B) = P(A) +P(B) −P(A ∩ B) =
1
2
+
2
3

1
3
=
5
6
.
Dakle vjerojatnost da ´ce barem jedan od njih pogoditi metu u jednom gadanju je
5
6
.
Zadatak 2.
Baca se standardna igra´ca kockica sa ˇsest strana i promatraju se sljede´ci dogadaji:
A = pao je prost broj = {2, 3, 5} i
B = pao je neparan broj = {1, 3, 5}.
Izraˇcunajte vjerojatnosti P(A), P(B) i P(A ∪ B) klasiˇcnom formulom (3), a nakon toga izraˇcunajte
P(A∪ B) pomo´cu aditivne formule.
Zadatak 3.
Na drugoj godini veleuˇciliˇsta je provedena anketa o sportovima kojima se bave studenti. Ustanovljeno
je da 50% studenata igra koˇsarku, 40% studenata igra nogomet i 30% studenata igra ˇsah. Koˇsarku i
nogomet igra 17% studenata, nogomet i ˇsah igra 8% studenata, a ˇsah i koˇsarku igraju 15% studenata.
Sva tri sporta igra 5% studenata. Pomo´cu formule za vjerojatnost unije tri dogadaja odredite kolika
je vjerojatnost da se sluˇcajno odabrani student druge godine veleuˇciliˇsta bavi barem jednim od ta tri
sporta. Koliki postotak studenata se ne bavi niti jednim od ta tri sporta?
47
Uvjetna vjerojatnost
Vjerojatnost da na kockici padne barem pet je, kako znamo, jedna tre´cina. Zamislimo sada da smo bacili
kockicu i da nam netko kaˇze da je pao broj ve´ci od dva. Situacija se sada mijenja jer je oˇcito da je vjerojatnost
da je pao barem pet jednaka jednoj polovini: broj povoljnih ishoda je dva, a broj svih ishoda je ˇcetiri (3 ili
4 ili 5 ili 6).
Op´cenito ´ce nas zanimati kako izraˇcunati vjerojatnost nekog dogadaja A uz pretpostavku da je nastupio
neki drugi dogadaj B. Taj drugi dogadaj ”eliminira” neke elementarne dogadaje iz igre (u naˇsem primjeru
su to 1 i 2). Govori se o uvjetnoj vjerojatnosti dogadaja u oznaci: P(A|B) (vjerojatnost dogadaja A uz
uvjet da je nastupio dogadaj B). Klasiˇcnom formulom za raˇcunanje vjerojatnosti lagano raˇcunamo uvjetnu
vjerojatnost iz gornjeg primjera:
P({5, 6}|{3, 4, 5, 6}) =
2
4
=
1
2
.
Op´cenita formula za raˇcunanje uvjetne vjerojatnosti je
P(A|B) =
P(A ∩ B)
P(B)
, (7)
pri ˇcemu, naravno, mora vrijediti P(B) > 0. Primjenimo li je na naˇs primjer za A = {5, 6} i B = {3, 4, 5, 6},
imamo:
P(A|B) =
P(A ∩ B)
P(B)
=
P({5, 6})
P({3, 4, 5, 6})
=
2
6
4
6
=
1
2
.
Primjer 1.
Bacamo dvije kockice – crvenu i plavu. Nadite vjerojatnost da je na jednoj kockici pao broj dva, ako
je suma brojeva koji su pali na obje kockice jednaka ˇsest. Takoder nadite vjerojatnost da je na jednoj
kockici pao broj dva.
Rjeˇsenje. Neka je
A = na jednoj kockici je pao broj dva
B = suma brojeva koji su pali na obje kockice jednaka je ˇsest
Traˇzimo P(A|B) i P(A). Rezultat bacanja kockica moˇzemo predstaviti uredenim parom (broj na plavoj
kockici,broj na crvenoj kockici). Vjerojatnost svakog elementarnog dogadaja je 1/36. Sada imamo:
A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (1, 2), (3, 2), (4, 2), (5, 2), (6, 2)},
B = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} i A ∩ B = {(2, 4), (4, 2)}. Traˇzene vjerojatnosti su:
P(A|B) =
P(A∩ B)
P(B)
=
2
36
5
36
=
2
5
= 0.4, P(A) =
11
36
≈ 0.306.
48
Zadaci
Zadatak 1.
Stranice igra´ce kocke zalijepljene su neprozirnim papirom i to brojevi 1, 2, 3 bijelim, a 4, 5, 6 crvenim.
Kocka je baˇcena i kad se zaustavila na gornjoj stranici bio je crveni papir. Uz pomo´c formule za uvjetnu
vjerojatnost izraˇcunajte vjerojatnost da je na gornjoj strani bio paran broj.
A = pao je paran broj = {2, 4, 6},
B = na gornjoj strani je bio crveni papir = {4, 5, 6}, P(B) =
3
6
P(A∩ B) =
2
6
P(A|B) =
P(A∩ B)
P(B)
=
2
6
3
6
=
2
3
.
Zadatak 2.
Promotrimo sve obitelji s dvoje djece i pretpostavimo da su vjerojatnosti rodenja djevojˇcice (g) i
djeˇcaka (b) medusobno jednake. Takve obitelji moˇzemo opisati parovima iz skupa
Ω = {(b, b), (b, g), (g, b), (g, g)},
gdje npr. par (b, g) oznaˇcava obitelj s djeˇcakom i djevojˇcicom pri ˇcemu je djeˇcak stariji od djevojˇcice
(pa je oznaka djeˇcaka prvi element para). Sluˇcajno odabiranje obitelji s dvoje djece se moˇze predstaviti
sluˇcajnim izborom jednog od elemenata skupa Ω pri ˇcemu su svi izbori jednako vjerojatni. Sluˇcajno
izaberemo obitelj i ustanovljavamo da je u njoj djeˇcak. Kolika je vjerojatnost da je u njoj joˇs jedan
djeˇcak (tj. ukupno dva djeˇcaka)?
A = {(b, b), (b, g), (g, b)} = u obitelji ima jedan djeˇcak
B = {(b, b)} = u obitelji su dva djeˇcaka
Traˇzimo P(B|A).
P(B|A) =
P(A∩ B)
P(A)
=
P(B)
P(A)
=
1
4
3
4
=
1
3
.
Zadatak 3.
Slova rijeˇci ”lotos” napisana su na pet kartica koje su stavljene u kutiju. Sluˇcajno se izvlaˇce tri kartice
jedna za drugom. Kolika je vjerojatnost da ´ce biti izvuˇcena rijeˇc ”sto”?
A
1
= prvo izvuˇceno slovo je ’s’
A
2
= drugo izvuˇceno slovo je ’t’
A
3
= tre´ce izvuˇceno slovo je ’o’
A = A
1
∩ A
2
∩ A
3
P(A) = P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
∩ A
2
) =
1
5
·
1
4
·
2
3
=
1
30
Rezultat slijedi iz dvostruke primjene formule za uvjetnu vjerojatnost (7) prvi put na vjerojatnost
P((A ∩ B) ∩ C) i drugi put na vjerojatnost P(A ∩ B):
P(A ∩ B ∩ C) = P((A ∩ B) ∩ C) = P(A ∩ B)P(C|A ∩ B) = P(A)P(B|A)P(C|A ∩ B).
49
Zadatak 4.
U metu prvo gada Ante i potom Branko. Vjerojatnost da Ante pogodi metu je 0.6. Ako Ante promaˇsi,
Branko pogada metu s vjerojatnosti 0.3, no ako Ante pogodi, Branko pogada metu s vjerojatnosti 0.2.
1. Kolika je vjerojatnost da ´ce barem jedan od njih dvojice pogoditi metu?
2. Kolika je vjerojatnost da ´ce toˇcno jedan od njih dvojice pogoditi metu?
Potpuna vjerojatnost
Neka je Ω = A
1
∪ A
2
∪ · · · ∪ A
k
disjunktna unija skupova A
j
, j = 1, . . . , k (kaˇzemo da je skupovima
A
1
, A
2
, . . . , A
k
dana particija skupa Ω) i neka je B ⊆ Ω podskup skupa Ω (neki dogadaj). Tada je
B = B ∩ Ω = B ∩ (A
1
∪ A
2
∪ · · · ∪ A
k
) = (B ∩ A
1
) ∪ (B ∩ A
2
) ∪ · · · ∪ (B ∩ A
k
)
Skupovi B ∩ A
j
, j = 1, . . . , k su medusobno disjunktni pa vrijedi
P(B) = P(B ∩ A
1
) +P(B ∩ A
2
) +· · · +P(B ∩ A
k
).
Upotrijebimo li formulu (7), dobivamo:
P(B ∩ A
j
) = P(A
j
∩ B) = P(A
j
)P(B|A
j
)
iz ˇcega slijedi formula potpune (ili totalne) vjerojatnosti:
P(B) = P(A
1
)P(B|A
1
) +P(A
2
)P(B|A
2
) +· · · +P(A
k
)P(B|A
k
). (8)
Primjer 1.
U tvornici se nalaze tri stroja S
1
, S
2
i S
3
koji proizvode neku robu. Znamo sljede´ce:
• stroj S
1
proizvede 50% robe, od ˇcega je 3% s greˇskom,
• stroj S
2
proizvede 30% robe, od ˇcega je 4% s greˇskom i
• stroj S
3
proizvede 20% robe, od ˇcega je 5% s greˇskom
Nadite vjerojatnost da sluˇcajno izabrani predmet medu robom koju su proizveli ta tri stroja ima greˇsku.
Rjeˇsenje.
B = predmet ima greˇsku, A
j
= predmet je proizveden na stroju S
j
, j = 1, 2, 3. Traˇzimo P(B).
Uvrˇstavanjem u formulu potpune (ili totalne) vjerojatnosti (8) dobivamo:
P(B) = P(A
1
)P(B|A
1
)+P(A
2
)P(B|A
2
)+P(A
3
)P(B|A
3
) = 0.5· 0.03+0.3· 0.04+0.2· 0.05 = 0.037.
50
Bayesova formula
Neka je A
1
, A
2
, . . . , A
k
particija skupa Ω (= unija svih elementarnih dogadaja) i B ⊆ Ω neki dogadaj.
ˇ
Zelimo izraˇcunati P(A
j
|B), tj. vjerojatnost da je nastupio dogadaj A
j
, ako je nastupio dogadaj B. (Ako
zamislimo da su A
1
, A
2
, . . . , A
k
mogu´ci uzroci dogadaja B, onda P(A
j
|B) moˇzemo shvatiti kao vjerojatnost
da je dogadaj A
j
bio uzrok dogadaja B). Formula (7) nam daje
P(A
j
|B) =
P(A
j
∩ B)
P(B)
.
Opet iz formule (7) slijedi P(A
j
∩ B) = P(B ∩ A
j
) = P(A
j
)P(B|A
j
) pa imamo:
P(A
j
∩ B)
P(B)
=
P(A
j
)P(B|A
j
)
P(B)
.
Sada iskoristimo formulu potpune vjerojatnosti (8) da izraˇcunamo nazivnik i dobivamo Bayesovu formulu:
P(A
j
|B) =
P(A
j
)P(B|A
j
)
P(A
1
)P(B|A
1
) +P(A
2
)P(B|A
2
) +· · · +P(A
k
)P(B|A
k
)
. (9)
Dogadaje A
1
, A
2
, . . . , A
k
ˇcesto zovemo hipoteze (kao mogu´ce uzroke dogadaja B).
Primjer 1.
Uzmimo iste podatke kao u primjeru na stranici 50. Provjerom je medu proizvedenom robom pronaden
neispravan primjerak. Za svaki stroj nadite vjerojatnost da ga je on proizveo, tj. nadite vjerojatnosti
P(A
1
|B), P(A
2
|B) i P(A
3
|B).
Rjeˇsenje.
U prethodnom primjeru smo formulom potpune vjerojatnosti izraˇcunali P(B) = P(A
1
)P(B|A
1
) +
P(A
2
)P(B|A
2
) +P(A
3
)P(B|A
3
) = 0.037. Imamo redom:
P(A
1
|B) =
P(A1∩B)
P(B)
=
0.5·0.003
0.037
=
15
37
≈ 0.405 = 40.5%
P(A
2
|B) =
P(A2∩B)
P(B)
=
0.3·0.004
0.037
=
12
37
≈ 0.325 = 32.5%
P(A
3
|B) =
P(A3∩B)
P(B)
=
0.2·0.005
0.037
=
10
37
≈ 0.27 = 27%
Zadaci
Zadatak 1.
Za studente na trogodiˇsnjem studiju su jedne godine dobiveni sljede´ci podaci:
30% studenata su na 1. godini i 10% njih ima automobil
40% studenata su na 2. godini i 20% njih ima automobil
20% studenata su na 3. godini i 40% njih ima automobil
10% studenata su apsolventi i 60% njih ima automobil
Sluˇcajno biramo studenta i zanima nas sljede´ce:
1. Koja je vjerojatnost da on ima automobil?
2. Ako on ima automobil, koja je vjerojatnost da je on student 3. godine?
51
Rjeˇsenje.
Prvo treba odrediti dogadaje. Ω je skup svih studenata. A
1
⊆ Ω sadrˇzi sve studente s prve godine
(dakle P(A
1
) je vjerojatnost da je sluˇcajno izabrani student na prvoj godini). Sliˇcno se definiraju A
2
,
i A
3
. A
4
sadrˇzi sve apsolvente. B ⊆ Ω sadrˇzi sve studente koji imaju automobil.
1. Trebamo na´ci P(B). Rjeˇsenje nalazimo primjenom formule potpune vjerojatnosti (8).
P(B) = P(A
1
)P(B|A
1
) +P(A
2
)P(B|A
2
) +P(A
3
)P(B|A
3
) +P(A
4
)P(B|A
4
) =
= 0.3 · 0.1 + 0.4 · 0.2 + 0.2 · 0.4 + 0.1 · 0.6 =
= 0.03 + 0.08 + 0.08 + 0.06 = 0.25.
Dakle vjerojatnost da sluˇcajno izabrani student ima automobil je jedna ˇcetvrtina, odnosno jedna
ˇcetvrtina studenata ima automobil.
2. Trebamo na´ci P(A
3
|B). Rjeˇsenje nalazimo primjenom Bayesove formule (9). Nazivnik smo ve´c
izraˇcunali.
P(A
3
|B) =
P(A
3
)P(B|A
3
)
P(B)
=
0.2 · 0.4
0.25
=
0.08
0.25
=
8
25
= 0.32.
Zadatak 2.
Od studenata na jednom veleuˇciliˇstu 4% muˇskaraca i 1% ˇzena imaju visinu ve´cu od 190 cm. Nadalje,
60% studenata su ˇzene. Sluˇcajno odabrani student je viˇsi od 190 cm. Kolika je vjerojatnost da je taj
student ˇzena?
Rjeˇsenje.
Prvo moramo odrediti dogadaje:
A = {studenti i studentice viˇsi od 190 cm}
M = {studenti}
W = {studentice}
Traˇzena vjerojatnost je P(W|A) i dobivamo je primjenom Bayesove formule (9):
P(W|A) =
P(W)P(A|W)
P(W)P(A|W) +P(M)P(A|M)
=
0.01 · 0.6
0.01 · 0.6 + 0.04 · 0.4
=
0.006
0.022
=
3
11
≈ 0.27.
Zadatak 3.
Tvornice A i B proizvode mobilne telefone bez opcije ”foto-slikanja” i s ugradenom opcijom ”foto-
slikanja”. Tvornica A proizvodi 15% mobilnih telefona bez opcije ”foto-slikanja”, dok tvornica B
proizvodi 77% mobilnih telefona s opcijom ”foto-slikanja”. Tvornica B proizvodi tri puta viˇse mobilnih
telefona od tvornice A. Mobiteli se u istom omjeru isporuˇcuju istom zastupniku koji iskljuˇcivo zastupa
tvornice A i B. (Taj zastupnik prodaje mobilne telefone samo tih tvornica, a te tvornice ne prodaju
svoje mobilne telefone nigdje drugdje.) Izraˇcunajte vjerojatnost da je sluˇcajno izabran kupac mobitela
s opcijom ”foto-slikanja” kupio mobitel proizveden u tvornici A.
Zadatak 4.
Tvornice E i F proizvode gume za osobna i teretna vozila. Tvornica E proizvodi 45% guma za osobna
vozila, dok tvornica F proizvodi 59% guma za osobna vozila. Tvornica E proizvodi tri puta viˇse guma
od tvornice F. Gume se u istom omjeru isporuˇcuju istom zastupniku koji iskljuˇcivo zastupa tvornice
E i F. (Taj zastupnik prodaje gume samo tih tvornica, a te tvornice ne prodaju svoje gume nigdje
drugdje.) Izraˇcunajte vjerojatnost da je sluˇcajno izabran kupac guma za teretna vozila kupio gume
proizvedene u tvornici F.
52
Nezavisni dogadaji
Pojednostavljeno (i neprecizno) reˇceno, za dogadaje A i B kaˇzemo da su nezavisni ako dogadanje niti jednoga
od njih ne utjeˇce na vjerojatnost dogadanja drugoga. Preciznije: dogadaj B ne ovisi o dogadaju A ako vrijedi
P(B) = P(B|A). (10)
Iz formule (7) sada slijedi: P(A∩B) = P(A)P(B|A) = P(A)P(B). Kaˇzemo da su dogadaji A i B nezavisni
ako vrijedi
P(A∩ B) = P(A)P(B). (11)
Inaˇce kaˇzemo da su zavisni.
Napomena.
Ako vrijedi P(A∩B) = P(A)P(B) i ako je P(A)P(B) = 0, onda vrijedi i P(B) = P(B|A) i P(A) = P(A|B):
P(A∩B) = P(B∩A) = P(A)P(B) ⇒

P(A)P(B) = P(A∩ B) = P(B)P(A|B) ⇒ P(A) = P(A|B)
P(A)P(B) = P(B ∩ A) = P(A)P(B|A) ⇒ P(B) = P(B|A)
.
Napomena.
• Dva disjunktna dogadaja ne moraju biti nezavisni.
Bacamo standardnu kockicu. A = pao je paran broj, B = pao je neparan broj.
P(A) =
1
2
= P(B), A ∩ B = ∅ ⇒ P(A ∩ B) = 0 =
1
4
= P(A)P(B)
• Dva disjunktna dogadaja su nezavisna ako jedan od njih ima vjerojatnost nula.
0 = P(∅) = P(A ∩ B) = P(A)P(B) ⇒ P(A) = 0 ili P(B) = 0.
Primjer 1.
Novˇci´c bacamo tri puta za redom.
A = prvi put je pala glava = {GGG, GGP, GPG, GPP}
B = drugi put je pala glava = {GGG, GGP, PGG, PGP}
C = toˇcno dva puta za redom je pala glava = {GGP, PGG}
Provjerimo nezavisnost po dva dogadaja od gore navedenih. Prvo pronadimo vjerojatnosti zadanih
dogadaja klasiˇcnom formulom:
P(A) =
4
8
=
1
2
P(B) =
4
8
=
1
2
P(C) =
2
8
=
1
4
Zatim nadimo presjeke po dva dogadaja i vjerojatnosti novodobivenih dogadaja:
A∩ B = {GGG, GGP} ⇒ P(A ∩ B) =
2
8
=
1
4
A∩ C = {GGP} ⇒ P(A ∩ C) =
1
8
B ∩ C = {GGP, PGG} = C ⇒ P(B ∩ C) = P(C) =
1
4
Sada nam samo preostaje da provjerimo uvjet iz definicije nezavisnosti:
P(A∩ B) =
1
4
=
1
2
·
1
2
= P(A)P(B) ⇒ dogadaji A i B su nezavisni
P(A∩ C) =
1
8
=
1
2
·
1
4
= P(A)P(C) ⇒ dogadaji A i C su nezavisni
P(B ∩ C) =
1
4
=
1
8
=
1
2
·
1
4
= P(B)P(C) ⇒ dogadaji B i C nisu nezavisni
53
Zadaci
Zadatak 1.
Dva strijelca, Alen i Branko, gadaju metu. Poznato je da Alen pogada metu s vjerojatnoˇs´cu
1
2
, a
Branko s vjerojatnoˇs´cu
2
5
. Obojica gadaju metu. Nadite vjerojatnost da ´ce barem jedan od njih
pogoditi metu, ako su njihova gadanja mete nezavisni dogadaji.
Rjeˇsenje.
A = Alen je pogodio metu, P(A) =
1
2
,
B = Branko je pogodio metu, P(B) =
2
5
.
Traˇzimo P(A∪B) i zbog nezavisnosti znamo da vrijedi P(A∩B) = P(A)P(B) =
1
2
·
2
5
=
1
5
. Koriˇstenjem
aditivnog teorema dobivamo:
P(A ∪ B) = P(A) +P(B) −P(A ∩ B) =
1
2
+
2
5

1
5
=
7
10
.
Nezavisnost triju dogadaja se definira ovako:
Tri dogadaja A, B i C su nezavisna ako vrijedi:
• P(A ∩ B) = P(A)P(B), P(A ∩ C) = P(A)P(C), P(B ∩ C) = P(B)P(C) i
• P(A ∩ B ∩ C) = P(A)P(B)P(C)
Zadatak 2.
U uvjetima zadatka 8. na stranici 49 s obiteljima s dvoje djece treba ustanoviti jesu li nezavisni sljede´ci
dogadaji:
A = obitelj ima barem jednu djevojˇcicu = {(g, g), (g, b), (b, g)}
B = obitelj ima djevojˇcicu i djeˇcaka = {(g, b), (b, g)}
Zadatak 3.
Dva strijelca nezavisno jedan od drugoga gadaju metu. Vjerojatnost pogotka za jednog je 0.9, a za
drugog 0.8. Kolika je vjerojatnost da ´ce meta biti pogodena (tj. da ´ce barem jedan od njih pogoditi
metu)?
54
9 Diskretna sluˇcajna varijabla. Distribucija sluˇcajne varijable.
Sluˇcajna varijabla je formalizacija intuitivnog pojma dogadaja sa sluˇcajnim ishodima. Diskretna sluˇcajna
varijabla dakle modelira dogadaj s konaˇcno ili prebrojivo mnogo ishoda koji imaju svoje vjerojatnosti
dogadanja. Npr. bacamo novˇci´c deset puta. Sluˇcajna varijabla X povezana s ovom situacijom je broj pisama
koji su pali. Vrijednosti koje X moˇze poprimiti su iz skupa {0, 1, . . . , 10} pa je X diskretna sluˇcajna varijabla.
Primjeri diskretnih sluˇcajnih varijabli:
• broj djece u obitelji,
• broj posjetilaca u kinima petkom naveˇcer,
• broj pacijenata u ambulanti,
• broj neispravnih ˇzarulja u pakiranjima od deset komada,
• broj sekundi proteklo izmedu uzastopnih ulazaka kupaca u trgovinu.
Ishod pokusa ne mora biti broj, npr. kada bacamo novˇci´c, ishodi koje moˇzemo dobiti su ”pismo” ili ”glava”.
Mi, medutim, ˇcesto ˇzelimo ishode predstaviti brojevima da bi olakˇsali analizu pokusa. Sluˇcajna varijabla je
funkcija koja svakom ishodu pokusa pridruˇzuje neki broj.
Nas zanimaju samo oni prostori elementarnih dogadaja koji opisuju sluˇcajne pokuse s konaˇcno ili najviˇse
prebrojivo mnogo ishoda. Neka je Ω konaˇcan ili prebrojiv prostor elementarnih dogadaja.
Formalno, diskretna sluˇcajna varijabla je funkcija sa prostora elementarnih dogadaja Ω u skup realnih bro-
jeva, tj. funkcija X oblika
3
X : Ω →R.
Argumenti te funkcije su elementarni dogadaji prostora elementarnih dogadaja, a njene vrijednosti su realni
brojevi
4
. Tim vrijednostima sluˇcajne varijable su pridruˇzene vjerojatnosti u obliku distribucije (razdiobe).
Primjeri sluˇcajnih varijabli i distribucija:
• Bacanje pravilnog novˇci´ca se moˇze opisati sluˇcajnom varijablom X : {pismo, glava} → {0, 1} tako
da je
X(ω) =

0 , ω = pismo
1 , ω = glava
Pripadaju´ca distribucija je:
X ∼

0 1
1
2
1
2

3
Ako je skup Ω prebrojiv, onda se na funkciju X zadaju dodatni uvjeti, jer nisu sve funkcije oblika X : Ω → R sluˇcajne
varijable. Analiza takvih sluˇcajnih varijabli nadilazi okvire ovog materijala i ne´ce biti provedena. Primjeri koji se obraduju u
ovom materijalu ne zahtijevaju analizu sluˇcajnih varijabli tog tipa.
4
Intuitivno, sluˇcajna varijabla poprima vrijednosti na sluˇcajan naˇcin.
55
• Gadanje mete u jednom pokuˇsaju se moˇze opisati sluˇcajnom varijablom X : {uspjeh, neuspjeh} →
{0, 1} tako da je
X(ω) =

1 , ω = uspjeh
0 , ω = neuspjeh
Pripadaju´ca distribucija bi bila:
X ∼

0 1
q p

gdje je p vjerojatnost uspjeha (meta pogodena), a q vjerojatnost neuspjeha (meta promaˇsena).
• Sluˇcajnom varijablom X : {ω
1
, ω
2
, ω
3
, ω
4
, ω
5
, ω
6
} → R se moˇze opisati (modelirati) rezultat bacanja
simetriˇcne kockice sa ˇsest strana pri ˇcemu svaki broj ima istu vjerojatnost pojavljivanja. Moˇzemo
definirati X(ω
k
) = k. Pripadaju´ca distribucija je:
X ∼

1 2 3 4 5 6
1
6
1
6
1
6
1
6
1
6
1
6

• Vrijeme (u sekundama ili u minutama) izmedu dolaska dva uzastopna kupca u trgovinu se moˇze opisati
sluˇcajnom varijablom X : R →R tako da definiramo X(k) = k. Pripadaju´ca distribucija bi bila:
X ∼

0 1 2 3 . . . k . . .
p
0
p
1
p
2
p
3
. . . p
k
. . .

gdje je p
k
vjerojatnost da je izmedu dva uzastopna dolaska kupaca u trgovinu proteklo k sekundi
(minuta,. . . ).
Za op´ceniti (konaˇcan) prostor dogadaja Ω = {ω
1
, ω
2
, ω
3
, . . . ω
n
} i sluˇcajnu varijablu X : Ω → R bi pri-
padaju´ca distribucija izgledala ovako:
X ∼

x
1
x
2
x
3
x
4
. . . x
m
p
1
p
2
p
3
p
4
. . . p
m

pri ˇcemu za svaki i ∈ {1, 2, 3, . . . , n} postoji j ∈ {1, 2, 3, . . . , m} takav da je X(ω
i
) = x
j
, brojevi x
1
, x
2
, . . . x
m
su sortirani uzlazno, a brojevi p
1
, p
2
, . . . , p
m
predstavljaju sve vjerojatnosti pa mora vrijediti: 0 ≤ p
j
≤ 1,
j = 1, 2, . . . , m i p
1
+p
2
+· · · +p
m
= 1.
Broj p
j
je vjerojatnost da sluˇcajna varijabla X poprimi vrijednost x
j
, tj. P(X = x
j
) = p
j
. Preciznije reˇceno,
p
j
je vjerojatnost dogadaja kojeg ˇcine svi elementarni dogadaji koje sluˇcajna varijabla X preslikava u x
j
, tj.
p
j
= P({ω ∈ Ω|X(ω) = x
j
}) (ˇsto kra´ce zapisujemo s P(X = x
j
)).
Primjer 1.
Neka je zadan prostor elementarnih dogadaja Ω = {ω
1
, ω
2
, ω
3
, ω
4
, ω
5
} i neka su p
1
, p
2
, p
3
, p
4
, p
5
pri-
padaju´ce vjerojatnosti, tj. P(ω
j
) = p
j
, j = 1, 2, . . . , 5. Definirajmo funkciju X : Ω → R na sljede´ci
naˇcin:
X(ω
1
) = X(ω
3
) = x
1
, X(ω
2
) = x
3
, X(ω
4
) = X(ω
5
) = x
2
,
56
gdje su x
1
, x
2
i x
3
medusobno razliˇciti realni brojevi. Distribucija sluˇcajne varijable X je sada jednaka:
X ∼

x
1
x
2
x
3
p
1
+p
3
p
4
+p
5
p
2

Primjer 2.
Prostorom elementarnih dogadaja Ω = {ω
1
, ω
2
, ω
3
, ω
4
, ω
5
, ω
6
} opisujemo rezultate bacanja simetriˇcne
kockice sa ˇsest strana pri ˇcemu svaki broj ima istu vjerojatnost pojavljivanja. Zanima nas ho´ce li na
kockici pasti prost broj, sloˇzen broj ili broj koji nije ni sloˇzen ni prost. Sluˇcajnu varijablu koja odgovara
toj situaciji moˇzemo definirati ovako:
X(ω
1
) = 0, X(ω
2
) = X(ω
3
) = X(ω
5
) = −1, X(ω
4
) = X(ω
6
) = 1.
Pripadaju´ca distribucija je: X ∼

−1 0 1
1
2
1
6
1
3

.
Neka je f : R →R proizvoljna funkcija. Tada je Y = f ◦ X = f(X) sluˇcajna varijabla s distribucijom
Y ∼

f(x
1
) f(x
2
) f(x
3
) f(x
4
) . . . f(x
m
)
p
1
p
2
p
3
p
4
. . . p
m

Moˇze se dogoditi da za dvije razliˇcite vrijednosti x
j
i x
k
vrijedi f(x
j
) = f(x
k
). Tada moramo udruˇziti tako
dobivena dva ista razreda u jedan ˇcija je pripadna vjerojatnost p
j
+p
k
.
Primjer 3.
Zadana je sluˇcajna varijabla X ˇcija je distribucija X ∼

−1 0 1 2 3 4
1
12
1
4
1
6
1
12
1
6
1
4

. Distribucija
sluˇcajne varijable Y = f(X), gdje je f(x) = x + 2 je
Y = f(X) ∼

f(−1) f(0) f(1) f(2) f(3) f(4)
1
12
1
4
1
6
1
12
1
6
1
4

=

1 2 3 4 5 6
1
12
1
4
1
6
1
12
1
6
1
4

Distribucija sluˇcajne varijable Z = g(X), gdje je g(x) = x
2
je
Z ∼

(−1)
2
0
2
1
2
2
2
3
2
4
2
1
12
1
4
1
6
1
12
1
6
1
4

=

1 0 1 4 9 16
1
12
1
4
1
6
1
12
1
6
1
4

=

0 1 4 9 16
1
4
1
4
1
12
1
6
1
4

Primijetite male izmjene u zapisu distribucije koje su se pojavile zbog toga ˇsto su se dva razreda stopila
u jedan.
Zadaci
Zadatak 1.
Zadana je sluˇcajna varijabla X s distribucijom
X ∼

−2 1 3 4 5
7p p 6p p
2
17

57
Nadite pripadaju´ce vjerojatnosti.
Rjeˇsenje.
Suma vjerojatnosti mora biti jednaka 1, dakle mora vrijediti:
7p +p + 6p +p +
2
17
= 1 ⇒ 15p =
15
17
⇒ p =
1
17
Sve vjerojatnosti su brojevi iz intervala [0, 1] pa je zadana distribucija jednaka
X ∼

−2 1 3 4 5
7
17
1
17
6
17
1
17
2
17

Zadatak 2.
Zadana je sluˇcajna varijabla X s distribucijom
X ∼

−2 0 2 3 4
4p 2p 2p 5p 2p

Nadite pripadaju´ce vjerojatnosti.
Zadatak 3.
Odredite distribuciju sluˇcajne varijable D koja opisuje rezultate bacanja nesimetriˇcne kockice sa ˇsest
strana koja ”favorizira” brojeve 4, 5, 6 tako da je vjerojatnost da padne neki od tih brojeva dva puta
ve´ca od vjerojatnosti da padne bilo koji od brojeva 1, 2, 3.
Zadatak 4.
Zadana je sluˇcajna varijabla X s distribucijom
X ∼

−2 −1 0 1 3
1
8
1
16
3
8
1
8
5
16

Nadite distribucije sluˇcajnih varijabli Y = f(X), Z = g(X) i W = h(X) ako je f(x) = x−3, g(x) = x
3
i h(x) = (x −4)
2
.
58
10 Funkcija vjerojatnosti. Funkcija distribucije vjerojatnosti
Neka je zadana distribucija

x
1
x
2
x
3
x
4
. . . x
m
p
1
p
2
p
3
p
4
. . . p
m

.
pripadaju´cu funkciju vjerojatnosti f : R →R definiramo sa
f(x) =

p
k
, x = x
k
∈ {x
1
, x
2
, x
3
, x
4
, . . . , x
m
},
0 , x ∈ {x
1
, x
2
, x
3
, x
4
, . . . , x
m
}.
Pripadaju´cu funkciju distribucije vjerojatnosti F : R →R definiramo sa
F(x) =









0 , x < x
1
,
k
¸
j=1
p
j
, x
k
≤ x < x
k+1
, k = 1, 2, . . . , m−1,
1 , x
m
≤ x.
Napomena.
Pomo´cu funkcije vjerojatnosti (f) i funkcije distribucije vjerojatnosti (F) diskretne sluˇcajne varijable se
vjerojatnost dogadaja {ω|X(ω) ≤ b}, ili kra´ce {X ≤ b}, moˇze zapisati ovako:
P(X ≤ b) =
¸
X(ω
k
)≤b
p
k
= F(b).
59
Primjer 1.
Zadana je distribucija

2 3 4 5 6 7
0.2 0.3 0.1 0.2 0.05 0.15

. Skicirajte pripadaju´ce grafove funkcije
vjerojatnosti i funkcije distribucije vjerojatnosti .
Rjeˇsenje.
0.00
0.03
0.07
0.10
0.14
0.17
0.20
0.24
0.27
0.31
0.34
0 1 2 3 4 5 6 7 8
funkcija vjerojatnosti
0.00
0.11
0.22
0.33
0.44
0.55
0.66
0.77
0.88
0.99
1.10
0 1 2 3 4 5 6 7 8
funkcija distribucije vjerojatnosti
Zadatak 1.
Skicirajte pripadaju´ce grafove funkcije vjerojatnosti i funkcije distribucije vjerojatnosti za distribuciju

2 3 4 5 6 7
0.3 0.2 0.2 0.1 0.15 0.05

.
60
11 Oˇcekivanje, varijanca i standardna devijacija diskretne sluˇcajne
varijable
Neka je X diskretna sluˇcajna varijabla s distribucijom
X ∼

x
1
x
2
x
3
x
4
. . . x
m
p
0
p
1
p
2
p
3
. . . p
m

Oˇcekivanje diskretne sluˇcajne varijable X, u oznaci E(X), definira se sa
E(X) =
m
¸
k=1
x
k
p
k
= x
1
p
1
+x
2
p
2
+· · · +x
m
p
m
.
Primjer 1.
Neka je X diskretna sluˇcajna varijabla s distribucijom
X ∼

0 1 3 4 6
7
30
7
30
1
10
7
30
1
5

Oˇcekivanje sluˇcajne varijable X je jednako:
E(X) =
7
30
· 0 +
7
30
· 1 +
1
10
· 3 +
7
30
· 4 +
1
5
· 6 =
8
3
Varijanca diskretne sluˇcajne varijable X, u oznaci V ar(X), definira se sa
V ar(X) = E((X −E(X))
2
),
tj. varijanca V ar(X) se moˇze shvatiti kao oˇcekivanje sluˇcajne varijable Y = f(X), gdje je f(x) = (x−E(X))
2
.
Za raˇcunanje se koristi jednostavnija formula koja se moˇze izvesti iz definicije:
V ar(X) = E(X
2
) −E(X)
2
.
Primjer 1. (nastavak)
U gornjem primjeru bismo imali:
X
2

0 1 9 16 36
7
30
7
30
1
10
7
30
1
5

E(X
2
) =
7
30
· 0 +
7
30
· 1 +
1
10
· 9 +
7
30
· 16 +
1
5
· 36 =
181
15
Sada imamo:
V ar(X) = E(X
2
) −E(X)
2
=
181
15

8
3

2
=
223
45
.
Standardna devijacija diskretne sluˇcajne varijable je drugi korijen njezine varijance:
σ(X) =

V ar(X).
61
Primjer 1. (nastavak)
U naˇsem primjeru imamo:
σ(X) =

223
45
≈ 2.2261.
Primjer 2.
Oˇcekivanje sluˇcajne varijable X s distribucijom X ∼

−1 0 1 2 a
2p 2p
5
21
p
1
21

je E(X) =
3
7
. Odredite
nepoznanice a i p te izraˇcunajte varijancu i standardnu devijaciju sluˇcajne varijable X.
Rjeˇsenje.
Za vjerojatnosti u drugom retku distribucije mora vrijediti da im je suma jednaka 1 pa imamo:
2p + 2p +
5
21
+p +
1
21
= 1 ⇒ p =
1
7
.
Sada imamo sve vjerojatnosti u distribuciji: X ∼

−1 0 1 2 a
2
7
2
7
5
21
1
7
1
21

. Nepoznanicu a sada
lagano dobijemo pomo´cu poznatog oˇcekivanja:
E(X) = −1 ·
2
7
+ 0 ·
2
7
+ 1 ·
5
21
+ 2 ·
1
7
+a
1
21
=
3
7
⇒ a = 4
Sada smo u potpunosti odredili distribuciju sluˇcajne varijable: X ∼

−1 0 1 2 4
2
7
2
7
5
21
1
7
1
21

.
Varijanca i standardna devijacija se sada lagano raˇcunaju:
E(X
2
) = (−1)
2
·
2
7
+ 0
2
·
2
7
+ 1
2
·
5
21
+ 2
2
·
1
7
+ 4
2 1
21
=
13
7
,
σ(X) =

V ar(X) =

13
7
≈ 1.36277.
Zadaci
Zadatak 1.
Zadana je sluˇcajna varijabla X s distribucijom
X ∼

0 1 2 3 5
3
19
2
19
5
19
5
19
4
19

Izraˇcunajte oˇcekivanje, varijancu i standardnu devijaciju sluˇcajne varijable X.
(Rjeˇsenje: E(X) =
47
19
, V ar(X) =
964
361
)
Zadatak 2.
Zadana je sluˇcajna varijabla X s distribucijom
X ∼

−2 −1 1 2 3 5 7 8 9
3
28
5
28
1
28
1
14
1
7
1
28
3
28
1
14
1
4

Izraˇcunajte oˇcekivanje, varijancu i standardnu devijaciju sluˇcajne varijable X.
(Rjeˇsenje: E(X) =
111
28
, V ar(X) =
13691
784
)
62
Zadatak 3.
Zadana je sluˇcajna varijabla X s distribucijom
X ∼

−2 0 1 3 4
3p 3p 7p
1
11
7p

Izraˇcunajte pripadne vjerojatnosti i zatim izraˇcunajte oˇcekivanje, varijancu i standardnu devijaciju
sluˇcajne varijable X. (Rjeˇsenje: p =
1
22
, E(X) =
35
22
, V ar(X) =
2053
484
)
Zadatak 4.
Zadana je sluˇcajna varijabla X s distribucijom
X ∼

−2 −1 0 3 4
3p
1
4
3p p
1
2
p

Izraˇcunajte pripadne vjerojatnosti i zatim izraˇcunajte oˇcekivanje, varijancu i standardnu devijaciju
sluˇcajne varijable X. (Rjeˇsenje: p =
1
10
, E(X) = −
7
20
, V ar(X) =
1211
400
)
Zadatak 5.
Zadana je sluˇcajna varijabla X s oˇcekivanjem E(X) =
111
28
i distribucijom
X ∼

−1 2 3 a 8
2p 9p
1
7
1
4
6p

Izraˇcunajte nepoznatu vrijednost a i pripadaju´ce vjerojatnosti te zatim izraˇcunajte varijancu i stan-
dardnu devijaciju sluˇcajne varijable X. (Rjeˇsenje: p =
1
28
, a = 5, V ar(X) =
5403
784
)
Zadatak 6.
Oˇcekivanje sluˇcajne varijable X s distribucijom
X ∼

−2 −1 0 1 a
p p 2p
1
10
1
10

je E(X) = −
3
10
. Odredite nepoznanice a i p te izraˇcunajte varijancu sluˇcajne varijable X. (Rjeˇsenje:
p =
1
5
, a = 2, V ar(X) = 1.41)
63
12 Diskretna uniformna distribucija
Diskretna uniformna distribucija sluˇcajne varijable X je zadana s
X ∼

x
1
x
2
x
3
. . . x
n
1
n
1
n
1
n
· · ·
1
n

.
Jednostavno reˇceno, diskretna uniformna distribucija je karakterizirana konaˇcnim skupom vrijednosti koje
su sve jednako vjerojatne:
P(X = 1) = P(X = 2) = P(X = 3) = · · · = P(X = n) =
1
n
.
Grafovi funkcija vjerojatnosti i funkcije distribucije vjerojatnosti diskretne uniformne distribucije (bacanje
simetriˇcne kockice):
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0 1 2 3 4 5 6 7 8
funkcija vjerojatnosti
0.00
0.11
0.22
0.33
0.44
0.55
0.66
0.77
0.88
0.99
1.10
0 1 2 3 4 5 6 7 8
funkcija distribucije vjerojatnosti
Jednostavan naˇcin za dobivanje brojeva s uniformnom distribucijom je preko bacanja simetriˇcne igra´ce koc-
kice
5
koja bacanjem daje jednu od vrijednosti 1, 2, 3, 4, 5, 6, svaku od njih s istom vjerojatnosti jednakoj
1
6
. Rezultati bacanja pravilnog novˇci´ca, brojevi koji se dobivaju na standardnom ruletu kao i karte koje se
dobiju iz dobro promijeˇsanog ˇspila karata takoder imaju diskretnu uniformnu distribuciju.
Oˇcekivanje sluˇcajne varijable s diskretnom uniformnom distribucijom je jednako aritmetiˇckoj sredini svih
njenih vrijednosti:
E(X) =
n
¸
k=1
1
n
x
k
=
1
n
x
1
+
1
n
x
2
+
1
n
x
3
+· · · +
1
n
x
n
=
1
n
(x
1
+x
2
+x
3
+· · · +x
n
) = x.
5
U RPG igrama (naroˇcito u D&D-u) se kao izvor uniformno distribuiranih brojeva koriste sva Platonova tijela, tj. svi pravilni
poliedri – tetraedar, heksaedar (kocka), oktaedar, dodekaedar i ikosaedar. Oznake za te ”kockice” (redom d4, d6, d8, d12, d20)
moˇzemo shvatiti kao sluˇcajne varijable s pripadaju´com diskretnom uniformnom distribucijom. Koriste se i ”kockice” d2, d3,
d10 i d100 koje se ne mogu predstaviti Platonovim tijelima, ali ih je mogu´ce ili simulirati pomo´cu njih (d2 i d3 pomo´cu d4 i d6, s
tim da se d2 moˇze simulirati i bacanjem novˇci´ca) ili pomo´cu polupravilnih poliedara (d10). ”Kockica” d100 se moˇze predstaviti
pomo´cu dvije d10 ”kockice”, pri ˇcemu jedna odreduje znamenku jedinica, a druga znamenku desetica.
64
Varijanca sluˇcajne varijable s diskretnom uniformnom distribucijom je jednaka varijanci svih njenih vrijed-
nosti, analogna tvrdnja vrijedi i za standardnu devijaciju:
V ar(X) = E(X
2
) −E(X)
2
= x
2
−x
2
, σ(X) =

V ar(X).
Primjer 1.
Odredimo distribuciju sluˇcajne varijable X koja pred-
stavlja sumu brojeva koji se pojave nakon bacanja dviju
simetriˇcnih kockica, jedne s osam strana i brojevima od 1
do 8 na njima (d8) i jedne sa ˇcetiri strane i brojevima od 1
do 4 na njima (d4) (dakle X = d8 +d4).
Rjeˇsenje.
Distribucije sluˇcajnih varijabli d4 i d8 su redom:
d4 ∼

1 2 3 4
1
4
1
4
1
4
1
4

, d8 ∼

1 2 3 4 5 6 7 8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8

.
Vjerojatnost da npr. na kockicama padnu brojevi 1 i 7 je
1
4
·
1
8
=
1
32
, a vjerojatnost da je suma brojeva koji
padnu na te dvije kockice jednaka 8 je 4 ·
1
32
=
1
8
, jer se suma 8 moˇze dobiti na ˇcetiri naˇcina (8 = 1 + 7 =
2 +6 = 3 +5 = 4 +4). Traˇzenu distribuciju moˇzemo lagano dobiti iz sljede´ce tabele u kojoj su popisane sve
sume koje moˇzemo dobiti bacanjem ovih dviju kockica:
d4 \ d8 1 2 3 4 5 6 7 8
1 2 3 4 5 6 7 8 9
2 3 4 5 6 7 8 9 10
3 4 5 6 7 8 9 10 11
4 5 6 7 8 9 10 11 12
Broj pojavljivanja neke sume u gornjoj tabeli pomnoˇzen s gore dobivenom vjerojatnosti
1
32
daje pripadaju´cu
vjerojatnost pojavljivanja te sume. Distribuciju sluˇcajne varijable X sada nije problem napisati:
X ∼

2 3 4 5 6 7 8 9 10 11 12
1
32
2
32
3
32
4
32
4
32
4
32
4
32
4
32
3
32
2
32
1
32

.
Primjer 2.
U igri D&D igraˇci vode svoje likove kroz priˇcu u kojima se nerijetko moraju boriti. Tomislav vodi svog lika,
hrabrog Sir Robina i u sluˇcaju borbe se mora opredijeliti za jednu od sljede´ce dvije mogu´cnosti:
• borba s dvoruˇcnim maˇcem kojeg drˇzi objema rukama (i s kojim je iznimno spretan, ˇsto mu daje bonus
4 u napadu) ili
• s dva manja maˇca (s kojima nije toliko vjeˇst pa je bonus 0), ali s kojima moˇze napadati istovremeno,
dakle moˇze odjednom napasti dva puta.
Napad poˇcinje bacanjem ”kockice” s dvadeset strana, d20 (vidi fusnotu
5
na stranici 64); broju koji padne
se dodaje bonus i ako je rezultat ve´ci od ili jednak 15 onda je napad uspio
6
.
6
Ovo je pojednostavljena verzija preuzeta iz pravila za DnD, verzija 3.5; naime, ako na kockici d20 padne recimo 19 ili 20,
napad je izuzetno dobro uspio ˇsto znaˇci da bi napadaˇc mogao biti uspjeˇsniji u tom napadu nego ˇsto je to uobiˇcajeno. Radi
jednostavnosti, taj sluˇcaj se ne´ce uzeti u obzir.
65
Kolika je vjerojatnost da napad Sir Robina uspije ako on koristi dvoruˇcni maˇc, a kolika ako koristi dva manja
maˇca?
• Ako koristi dvoruˇcni maˇc, za uspjeˇsan napad mora zajedno s bonusom (4) dobiti barem 15 na kockici
d20, tj. na toj kockici mora dobiti barem 11. Od 20 mogu´cnosti njih 10 je povoljno pa je vjerojatnost
uspjeha jednaka
10
20
=
1
2
.
• Ako uzme dva manja maˇca, za uspjeˇsan napad mora dobiti barem 15 na kockici d20. Od 20 mogu´cnosti
njih 6 je povoljno pa je vjerojatnost uspjeha jednaka
6
20
=
3
10
.
U sluˇcaju uspjeˇsnog napada, napadaˇc je ozlijedio protivnika i onda se odreduje koliko jedinica zdravlja je
protivnik izgubio tim napadom.
• Ako je napad hrabrog Sir Robina dvoruˇcnim maˇcem uspio, onda napadnuti gubi d8+2 jedinice zdravlja,
tj. Tomislav baca d8 kockicu i broju koji padne doda 2.
• Ako je napad hrabrog Sir Robina s dva manja maˇca uspio, onda napadnuti gubi 2d6 + 1 jedinicu
zadravlja, tj. Tomislav baca dvije d6 kockice i sumi brojeva koji padnu doda 1.
Oˇcekivani broj jedinica zdravlja koje ´ce protivnik izgubiti u sluˇcaju jednog uspjeˇsnog napada je
• za napad dvoruˇcnim maˇcem jednak E(d8 + 2) = 6.5,
• za napad s dva manja maˇca jednak E(2d6 + 1) = 8,
ˇsto se lagano dobije iz pripadaju´cih distribucija za d8 i 2d6 (obje su dane u ovom poglavlju).
Da bismo dobili oˇcekivani broj jedinica zdravlja koje ´ce protivnik izgubiti u jednom napadu, moramo dobivena
oˇcekivanja pomnoˇziti
7
s vjerojatnostima da napad uspije:
• za napad dvoruˇcnim maˇcem imamo
1
2
· 6.5 = 3.25,
• za napad s dva manja maˇca imamo
3
10
· 8 = 2.4.
Zakljuˇcujemo da se u duljim borbama hrabrom Sir Robinu daleko viˇse isplati boriti dvoruˇcnim maˇcem, jer
´ce u prosjeku protivnik izgubiti viˇse jedinica zdravlja, ˇsto vodi brˇzoj i sigurnijoj pobjedi u borbi.
U nekim situacijama se medutim ne isplati uzeti oruˇzje koje garantira ve´ci oˇcekivani broj jedinica zdravlja
koje ´ce protivnik izgubiti u jednom napadu. Npr. mogu´ca je situacija gdje je u borbi za pobjedu nuˇzno
da u najviˇse tri napada protivnik izgubi viˇse od 30 jedinica zdravlja, inaˇce hrabri Sir Robin sigurno gubi
borbu. Tada sigurno ne´ce uzeti dvoruˇcni maˇc, jer je maksimalni broj jedinica zdravlja koje protivnik moˇze
izgubiti tri napada 30 ˇsto nije dovoljno i vodi u siguran poraz. S druge strane, ako uzme dva manja maˇca,
maksimalni broj jedinica zdravlja koje protivnik moˇze izgubiti u jednom napadu je 13 (dvije ˇsestice na dvije
kockice d6 plus 1) pa postoji mala vjerojatnost (izraˇcunajte je!) koja je ipak ve´ca od nule da hrabri Sir
Robin pobijedi u takvoj borbi.
7
Da ta dva broja trebamo pomnoˇziti pa da dobijemo ono ˇsto nas zanima je posljedica jednog kra´ceg vjerojatnosnog raˇcuna
koji je ovdje izostavljen.
66
Zadaci
Zadatak 1.
Napiˇsite distribuciju uniformne sluˇcajne varijable koja moˇze poprimiti sve cjelobrojne vrijednosti od 3
do 12.
Zadatak 2.
Pomo´cu uniformne distribucije (iako je najjednostavnija) se mogu dobiti druge sloˇzenije distribucije.
Odredite distribuciju sluˇcajne varijable X kojoj su vrijednosti zbroj brojeva koji padnu na dvije baˇcene
standardne kockice (u igri DnD se takva sluˇcajna varijabla oznaˇcava s 2d6). Izraˇcunajte E(X), V ar(X)
i standardnu devijaciju sluˇcajne varijable X.
Rjeˇsenje.
Vrijednosti koje poprima sluˇcajna varijabla X su redom 2, 3, . . . , 12. Vrijednost 2 se moˇze dobiti na
jedan naˇcin, vrijednost 3 = 1 + 2 = 2 + 1 na dva naˇcina, 4 = 1 + 3 = 2 + 2 = 3 + 1 na tri naˇcina itd.
Broj svih mogu´cnosti na koje mogu pasti dvije kockice je 36. Pripadne vjerojatnosti se lako izraˇcunaju
primjenom klasiˇcne formule vjerojatnosti i sad imamo:
X ∼

2 3 4 5 6 7 8 9 10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36

.
E(X) =
12
¸
k=2
kp
i
= 2
1
36
+ 3
2
36
+· · · + 7
6
36
+· · · + 12
1
36
= 7
E(X
2
) =
12
¸
k=2
k
2
p
i
= 2
2
1
36
+ 3
2
2
36
+· · · + 7
2
6
36
+· · · + 12
2
1
36
=
329
6
≈ 54.83
V ar(X) = E(X
2
) −E(X)
2
≈ 54.83 −49 = 5.83, σ(X) ≈ 2.42
Zadatak 3.
Odredite distribuciju sluˇcajne varijable X koja modelira bacanje dviju simetriˇcnih kockica, jedne stan-
dardne sa ˇsest strana i brojevima od 1 do 6 na njima i jedne sa ˇcetiri strane i brojevima od 1 do 4 na
njima te uzimanjem sume brojeva koji na njima padnu (dakle X = d6 +d4) .
Zadatak 4.
Odredite distribuciju sluˇcajne varijable X koja modelira bacanje dviju simetriˇcnih kockica, jedne stan-
dardne sa ˇsest strana i brojevima od 1 do 6 na njima i jedne sa ˇcetiri strane i brojevima od 1 do 4 na
njima i uzimanjem razlike brojeva koji na njima padnu (dakle X = d6 −d4) .
67
13 Bernoullijev pokus. Bernoullijeva shema. Binomna distribu-
cija
Bernoullijev pokus je eksperiment ˇciji ishod je sluˇcajan i u kojem su mogu´ca samo dva rezultata od kojih
jedan nazivamo ”uspjeh” (to je obiˇcno onaj koji nas zanima ili kojeg promatramo), a drugi ”neuspjeh”.
Obiˇcno je rijeˇc o eksperimentu s dva mogu´ca rezultata koji se uvijek mogu izraziti preko ”da ili ne” pitanja.
• Ako bacimo novˇci´c, ho´ce li ”pasti pismo”?
• Ho´ce li se roditi djevojˇcica?
• Jesu li neˇcije oˇci zelene boje?
• Je li potencijalni kupac odluˇcio kupiti proizvod?
• Ho´ce li strijelac pogoditi metu u jednom gadanju?
Vidimo da oznake ”uspjeh” i ”neuspjeh” sluˇze samo kao oznaˇcavanje rezultata i ne trebaju se shvatiti
doslovno.
Primjeri Bernoullijevih pokusa:
• Bacanje novˇci´ca. Ovdje padanje glave moˇze znaˇciti ”uspjeh”, a padanje pisma ”neuspjeh”. Naravno
da se moˇzemo odluˇciti i za obrnuto oznaˇcavanje. Poˇsteni novˇci´c po definiciji ima vjerojatnost uspjeha
jednaku 0.5.
• Bacanje standardne kockice, gdje padanje ˇsestice oznaˇcava ”uspjeh”, a sve ostalo ”neuspjeh”.
• Anketiranje sluˇcajnog glasaˇca da bi se ustanovilo ho´ce li glasati ”da” na predstoje´cem referendumu.
Matematiˇcki se takav pokus opisuje sluˇcajnom varijablom X koja poprima samo dvije vrijednosti, 0 i 1, pri
ˇcemu se 1 smatra ”uspjehom”. Ako je p vjerojatnost uspjeha (obiˇcno se s q = 1 − p oznaˇcava vjerojatnost
neuspjeha), onda je oˇcekivanje takve sluˇcajne varijable p, a standardna devijacija

p(1 −p):
E(X) = p · 1 +q · 0 = p
E(X
2
) = p · 1
2
+q · 0
2
= p
V ar(X) = E(X
2
) −E(X)
2
= p −p
2
= p(1 −p) = pq ⇒ σ(X) =

p(1 −p) =

pq
Bernoullijeva shema se sastoji od konaˇcnog ili beskonaˇcnog niza nezavisnih sluˇcajnih varijabli X
1
, X
2
, X
3
. . .
za koje vrijede sljede´ce tvrdnje:
• Za svaki k je vrijednost od X
k
ili 1 ili 0.
• Za svaki k je vjerojatnost da X
k
poprima vrijednost 1 jednaka istom broju p, tj. za svaki k vrijedi
P(X
k
= 1) = p.
Drugim rijeˇcima, Bernoullijeva shema je niz nezavisnih Bernoullijevih pokusa s istom distribucijom. Dvije
mogu´ce vrijednosti svake varijable X
k
se ˇcesto zovu ”uspjeh” i ”neuspjeh” (u nekim sluˇcajevima se koriste
izrazi ”pogodak” i ”promaˇsaj”, u ovisnosti o kontekstu).
68
Neke od sluˇcajnih varijabli povezanih s Bernoullijevom shemom su:
• Broj uspjeha u prvih n pokusa.
• Broj pokusa potrebnih da se dobije r uspjeha.
• Broj pokusa potrebnih da se dode do uspjeha.
Mi ´cemo obraditi samo prvu sluˇcajnu varijablu ˇcija distribucija se zove binomna distribucija.
Promotrimo sluˇcajnu varijablu X koja ”broji uspjehe” u Bernoullijevoj shemi u prvih n pokusa. Pre-
ciznije, X je sluˇcajna varijabla koja moˇze poprimiti vrijednosti iz skupa {0, 1, 2, . . . , n} i za koju vrijedi da
je P(X = k) vjerojatnost da je u n uzastopnih Bernoullijevih pokusa nastupilo toˇcno k uspjeha, 0 ≤ k ≤ n.
Neka je vjerojatnost uspjeha jednaka p i vjerojatnost neuspjeha q = 1 −p.
Bernoullijevi pokusi u Bernoullijevoj shemi su medusobno nezavisni pa je vjerojatnost da u nizu od n
sluˇcajnih pokusa njih k bude uspjeˇsno, a n−k neuspjeˇsno, jednaka umnoˇsku vjerojatnosti pojedinih pokusa.
Njih k je uspjeˇsno s vjerojatnoˇs´cu p, njih n − k je neuspjeˇsno s vjerojatnoˇs´cu q pa je pripadna vjerojatnost
jednaka
p · p · . . . · p
. .. .
k puta
· q · q · . . . · q
. .. .
(n−k) puta
= p
k
q
n−k
.
Takvih nizova od n pokusa od kojih je k uspjeˇsno ima koliko i naˇcina da se od n objekata (pokusa) izabere
njih k (koji su uspjeˇsni), a to je

n
k

. Dakle vjerojatnost da u nizu od n Bernoullijevih pokusa njih k bude
uspjeˇsno je jednaka
P
k
= P(X = k) =

n
k

p
k
q
n−k
.
Distribucija sluˇcajne varijable X se zove binomna distribucija, zadana je parametrima n i p i oznaˇcava se sa
X ∼ B(n, p) =

0 1 2 · · · n
P
0
P
1
P
2
· · · P
n

.
Oˇcekivanje sluˇcajne varijable s binomnom distribucijom se moˇze dobiti direktno iz definicije uz primjenu
binomnog teorema:
E(X) =
n
¸
k=0
kP(X = k) =
n
¸
k=1
k

n
k

p
k
q
n−k
=
n
¸
k=1
k
n!
k!(n −k)!
p
k
q
n−k
=
=
n
¸
k=1
np
(n −1)!
(k −1)!(n −k)!
p
k−1
q
n−k
= np
n−1
¸
k=0
(n −1)!
k!(n −k −1)!
p
k
q
n−k−1
= np
n−1
¸
k=0

n −1
k

p
k
q
n−k−1
= np
Varijanca jednog Bernoullijevog pokusa je pq. Pokusi u Bernoullijevoj shemi su medusobno nezavisni pa je
varijanca binomne sluˇcajne varijable jednaka zbroju varijanci pokusa, tj. imamo:
V ar(X) = npq i σ(X) =

npq.
69
Grafovi funkcija vjerojatnosti i funkcije distribucije vjerojatnosti binomne distribucije B(15, 0.4):
0.00
0.02
0.05
0.07
0.09
0.11
0.14
0.16
0.18
0.20
0.23
0 2 4 6 8 10 12 14 16
funkcija vjerojatnosti
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
0 2 4 6 8 10 12 14 16
funkcija distribucije vjerojatnosti
Zadaci
Zadatak 1. Koliko je oˇcekivanje, a kolika je standardna devijacija binomne sluˇcajne varijable X ∼ B(100, 0.4)?
E(X) = np = 100 · 0.4 = 40
σ(X) =

pq =

0.4 · 0.6 =

0.24 ≈ 0.490
Zadatak 2. Koliko je oˇcekivanje, a kolika je standardna devijacija binomne sluˇcajne varijable X ∼ B(75, 0.7)?
Zadatak 3. Strijelac pogada metu s vjerojatnoˇs´cu p = 0.4.
1. Kolika je vjerojatnost da ´ce u seriji od 11 gadanja toˇcno pet puta pogoditi metu? Rijeˇc je o
Bernoullijevoj shemi i binomnoj sluˇcajnoj varijabli X ∼ B(11, 0.4). Treba izraˇcunati vjerojatnost
P(X = 5):
P(X = 5) =

11
5

0.4
5
0.6
6
=
11 · 10 · 9 · 8 · 7
1 · 2 · 3 · 4 · 5
0.4
5
0.6
6
= 462 · 0.01024 · 0.046656 ≈ 0.2207
2. Kolika je vjerojatnost da ´ce u seriji od devet gadanja barem dva puta pogoditi metu? X ∼
B(9, 0.4), P(X ≥ 2) =?
P(X ≥ 2) = P(X = 2) +P(X = 3) + P(X = 4) + P(X = 5) + P(X = 6) +P(X = 7) +P(X =
8) +P(X = 9) = 1 −(P(X = 0) +P(X = 1))
P(X = 0) =

9
0

0.4
0
0.6
9
= 1 · 1 · 0.6
9
= 0.010077696
P(X = 1) =

9
1

0.4
1
0.6
8
= 9 · 0.4 · 0.6
8
= 0.060466176
P(X ≥ 2) = 1 −(P(X = 0) +P(X = 1)) = 1 −0.010077696 −0.060466176 = 0.929456128
3. Kolika je vjerojatnost da ´ce u seriji od sedam gadanja najviˇse tri puta promaˇsiti metu? X ∼
B(7, 0.4)
Najviˇse tri puta promaˇsiti u seriji od sedam gadanja je isto ˇsto i najmanje 7−3 = 4 puta pogoditi.
Dakle traˇzi se P(X ≥ 4) = P(X = 4) +P(X = 5) +P(X = 6) +P(X = 7)
70
P(X = 4) =

7
4

0.4
4
0.6
3
=

7
7−4

0.4
4
0.6
3
=

7
3

0.4
4
0.6
3
≈ 35 · 0.026 · 0.216 ≈ 0.197
P(X = 5) =

7
5

0.4
5
0.6
2
=

7
2

0.4
5
0.6
2
≈ 21 · 0.0102 · 0.36 ≈ 0.0771
P(X = 6) =

7
6

0.4
6
0.6
1
=

7
1

0.4
6
0.6 ≈ 7 · 0.00410 · 0.6 ≈ 0.0172
P(X = 7) =

7
7

0.4
7
0.6
0
=

7
0

0.4
7
≈ 1 · 0.00164 = 0.00164
P(X ≥ 4) = P(X = 4)+P(X = 5)+P(X = 6)+P(X = 7) ≈ 0.197+0.0771+0.0172+0.00164 =
0.293
Zadatak 4. Strijelac pogada metu s vjerojatnoˇs´cu 0.7 .
(a) Izraˇcunajte vjerojatnost da ´ce u seriji od 5 gadanja toˇcno tri puta pogoditi metu.
(b) Izraˇcunajte vjerojatnost da ´ce u seriji od 6 gadanja barem ˇcetiri puta promaˇsiti metu.
(c) Koliki je oˇcekivani broj pogodaka u seriji od 7000 gadanja?
Zadatak 5. Strijelac pogada metu s vjerojatnoˇs´cu 0.6 .
(a) Izraˇcunajte vjerojatnost da ´ce u seriji od 5 gadanja toˇcno ˇcetiri puta promaˇsiti metu.
(b) Izraˇcunajte vjerojatnost da ´ce u seriji od 6 gadanja barem ˇcetiri puta promaˇsiti metu.
(c) Koliki je oˇcekivani broj pogodaka u seriji od 5000 gadanja?
Zadatak 6. Bacamo simetriˇcan novˇci´c. Izraˇcunajte vjerojatnost da ´ce u seriji od 10 bacanja novˇci´ca barem
tri puta pasti pismo.
Zadatak 7. Baca se standardna igra´ca kockica. Uspjehom smatramo kad padne broj ˇsest.
1. Kolika je vjerojatnost uspjeha?
Vjerojatnost uspjeha je p =
1
6
.
2. Kolika je vjerojatnost da ´ce u ˇcetiri bacanja broj ˇsest pasti toˇcno jednom?
Neka je X binomna sluˇcajna varijabla s distribucijom X ∼ B(4,
1
6
). Traˇzena vjerojatnost je
jednaka
P(X = 1) =

4
1

p
1
q
3
= 4 ·
1
6
·

5
6

3
≈ 0.3858.
3. Kolika je vjerojatnost da ´ce u ˇcetiri bacanja broj ˇsest pasti barem jednom? (Jedan od de M´er´eovih
problema.)
Traˇzena vjerojatnost je jednaka
P(X ≥ 1) = P(X = 1) +P(X = 2) +P(X = 3) +P(X = 4) = 1 −P(X = 0) =
= 1 −

4
0

p
0
q
4
= 1 −

5
6

4
≈ 1 −0.482 = 0.518
Zadatak 8. Istovremeno se bacaju dvije standardne igra´ce kockice. Uspjehom smatramo situaciju u kojoj
su na obje kockice pale ˇsestice.
1. Kolika je vjerojatnost uspjeha?
2. Kolika je vjerojatnost da ´ce u 24 bacanja uspjeh nastupiti toˇcno jednom?
3. Kolika je vjerojatnost da ´ce u 24 bacanja uspjeh nastupiti barem jednom? (Jedan od de M´er´eovih
problema.)
71
14 Poissonova distribucija
Poissonova distribucija se primjenjuje na dogadaje za koje vrijede sljede´ci uvjeti:
1. dogadaji se mogu brojati nenegativnim cijelim brojevima,
2. dogadaji su medusobno nezavisni, tako da nastup jednog dogadaja ne utjeˇce na nastupe niti jednog
od sljede´cih dogadaja,
3. prosjeˇcan broj nastupa dogadaja u danom vremenskom periodu (ili na danoj povrˇsini ili u danom
volumenu) je poznat i konstantan,
4. mogu´ce je odrediti broj nastupa dogadaja (npr. broj stranaka u banci tokom nekog vremenskog peri-
oda), ali je besmisleno pitati koliko puta dogadaj nije nastupio (za razliku od binomne distribucije)
Za takve dogadaje, a oni su dosta ˇcesti, Poissonova distribucija daje, preko pripadaju´cih vjerojatnosti,
oˇcekivane frekvencije dogadaja.
Poissonova distribucija se moˇze koristiti i u ”suprotnom smjeru”, za testiranje sluˇcajnosti danih podataka.
Ako se podaci dovoljno dobro podudaraju s teoretskim vrijednostima dobivenim iz Poissonove distribucije,
onda je to jaka podrˇska tvrdnji da je sluˇcaj, a ne neˇsto drugo, uzrok dogadajima na osnovu kojih su dobiveni
ti podaci.
Poissonova distribucija je diskretna distribucija kojom se izraˇzava vjerojatnost pojave dogadaja unutar fi-
ksiranog vremenskog intervala ako je poznato prosjeˇcno vrijeme izmedu pojave dva uzastopna dogadaja i
ako su dogadaji medusobno neovisni. Takoder se moˇze koristiti za druge intervale kojima se izraˇzavaju uda-
ljenost, povrˇsina ili volumen. Tipiˇcni primjeri su vremena izmedu dolazaka uzastopnih kupaca u trgovinu i
broj bombi koje (neovisno i sluˇcajno) pogode sluˇcajno izabrano podruˇcje iz grupe podruˇcja jednakih povrˇsina.
Ovaj drugi primjer je koriˇsten za vrijeme Drugog svjetskog rata kada su njemaˇcke snage raketnim bombama
gadali London. Postavilo se pitanje jesu li neki dijelovi Londona u ve´coj opasnosti da budu pogodeni zbog
strateˇskih ciljeva (npr. tvornice) koji su se u njima nalazili. Drugim rijeˇcima, nije bilo jasno jesu li projektili
padali na London sluˇcajno, ili su pogadali unaprijed zadane ciljeve. Da dode do odgovora, britanski statistiˇcar
R. D. Clarke je podijelio dio grada koji je doˇsao pod udar projektila na 576(= 26 · 26) podruˇcja od kojih je
svako imalo povrˇsinu od jedne ˇcetvrtine kvadratnog kilometra. Za svako podruˇcje je odredio broj projektila
koji su ga pogodili i sastavio je sljede´cu tabelu u kojoj se vidjelo koliko je podruˇcja pogodilo dani broj
projektila.
broj pogodaka, k
0 1 2 3 4 5 ili viˇse
broj podruˇcja pogodenih k puta
229 211 93 35 7 1
teoretski broj pogodaka prema
Poissonovoj distribuciji
226.74 211.39 98.54 30.62 7.14 1.57
Ovime je Clarke pokazao da su projektili na London padali sluˇcajno prema predvidivom obrascu odredenim
Poissonovom distribucijom i time dokazao da strateˇski vaˇzniji dijelovi Londona nisu bili u ve´coj opasnosti od
drugih, odnosno da nema potrebe za evakuacijom iz onih podruˇcja grada u kojima se nalaze strateˇski ciljevi.
72
Poissonova distribucija je odredena parametrom λ ≥ 0, ˇcije znaˇcenje je oˇcekivani broj dogadaja tijekom
zadanog vremenskog intervala. Npr. ako se dogadaji pojavljuju svake 4 minute, a zanima nas njihovo
pojavljivanje tijekom vremenskog intervala od 10 minuta, onda se kao model uzima Poissonova distribucija
s parametrom λ = 10/4 = 2.5.
Da sluˇcajna varijabla X ima Poissonovu distribuciju se oznaˇcava s X ∼ Poi(λ).
Vjerojatnost da sluˇcajna varijabla X s Poissonovom distribucijom poprimi vrijednost k je jednaka
P(X = k) =
λ
k
e
−λ
k!
.
Vrijedi joˇs i: E(X) = λ, V ar(X) = λ, σ(X) =

λ.
0.00
0.04
0.08
0.12
0.16
0.20
0.24
0.28
0.32
0.36
0.40
0 1 2 3 4 5 6 7
funkcija vjerojatnosti
Poissonove distribucije za λ = 1
0.00
0.02
0.03
0.05
0.06
0.08
0.09
0.11
0.12
0.14
0.15
0 2 4 6 8 10 12 14 16 18 20
funkcija vjerojatnosti
Poissonove distribucije za λ = 8
-0.10
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
0 1 2 3 4 5 6 7
funkcija distribucije vjerojatnosti
Poissonove distribucije za λ = 1
-0.10
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
0 2 4 6 8 10 12 14 16 18 20
funkcija distribucije vjerojatnosti
Poissonove distribucije za λ = 8
73
Poissonova distribucija se koristi za modeliranje broja pojavljivanja razliˇcitih dogadaja u danom prostoru ili
vremenu poput:
• broja vozila koji produ nekom kontrolnom toˇckom (dovoljno dalekom od semafora) tijekom nekog
danog vremena,
• broja tipfelera napravljenih prilikom tipkanja jedne stranice teksta,
• broja telefonskih poziva upu´cenih nekoj telefonskoj centrali tijekom jedne minute,
• broja pristupa nekom web serveru tijekom jedne minute,
• broja pregaˇzenih ˇzivotinja nadenih na danoj duljini ceste,
• broja zvijezda u danom volumenu prostora,
• broja ˇzarulja koje pregore tijekom danog vremenskog intervala...
Poissonova distribucija Poi(λ) se koristi kao aproksimacija binomne distribucije B(n, p) u sluˇcajevima kada
je n velik i p malen, pri ˇcemu je λ = np.
Primjer 1.
Neka je X ∼ Poi(5). Izraˇcunajte P(X = 2), P(X = 5), P(X < 3) i P(X > 4).
1. P(X = 2) =
5
2
e
−5
2!
≈ 0.084224
2. P(X = 5) =
5
5
e
−5
5!
≈ 0.175467
3. P(X < 3) = P(X = 0) +P(X = 1) +P(X = 2) =
5
0
e
−5
0!
+
5
1
e
−5
1!
+
5
2
e
−5
2!
+
5
3
e
−5
3!

≈ 0.006738 + 0.033690 + 0.084224 = 0.124652
4. P(X > 4) = 1 −P(X ≤ 4) = 1 −(P(X = 0) +P(X = 1) +P(X = 2) +P(X = 3) +P(X = 4)) =
= 1 −

5
0
e
−5
0!
+
5
1
e
−5
1!
+
5
2
e
−5
2!
+
5
3
e
−5
3!
+
5
4
e
−5
4!

≈ 1 −0.440493 = 0.559507
Primjer 2.
Recepcija u hotelu prima u prosjeku dva telefonska poziva na sat.
ˇ
Zelimo izraˇcunati vjerojatnosti da
´ce broj poziva tokom jednog sata biti 0, 1, 2, 3, 4, 5 ili viˇse.
Rjeˇsenje.
Ako u prosjeku imamo dva poziva na sat, onda je je λ = 2. Dakle sluˇcajna varijabla koja modelira ovu
situaciju ima distribuciju X ∼ Poi(2). U sljede´coj tabeli su dane vjerojatnosti da ´ce tokom jednog
sata recepcija primiti 0, 1, 2, 3, 4, 5 ili viˇse poziva.
broj poziva 0 1 2 3 4 5 ili viˇse
P(X = 0) P(X = 1) P(X = 2) P(X = 3) P(X = 4) P(X ≥ 5)
vjerojatnost 0.13534 0.27067 0.27067 0.18045 0.09022 0.05265
74
Primjer 3.
U jednom vatrogasnom domu su izraˇcunali da u prosjeku dobivaju 2.1 laˇznu dojavu o poˇzarima na
dan. Uz pretpostavku da moˇzemo primijeniti Poissonovu distribuciju, izraˇcunajte vjerojatnost da ´ce
u jednom danu biti
1. niti jedna laˇzna dojava,
2. ˇcetiri laˇzne dojave,
3. najviˇse tri laˇzne dojave,
4. barem dvije laˇzne dojave.
Rjeˇsenje.
Ako je rijeˇc o Poissonovoj distribuciji, onda promatramo sluˇcajnu varijablu X ∼ Poi(2.1) pa imamo:
1. P(X = 0) =
2.1
0
e
−2.1
0!
= e
−2.1
≈ 0.12246,
2. P(X = 4) =
2.1
4
e
−2.1
4!
=≈ 0.099231
3. P(X ≤ 3) = P(X = 0) +P(X = 1) +P(X = 2) +P(X = 3) ≈ 0.83864,
4. P(X ≥ 2) = P(X = 2) + P(X = 3) + P(X = 4) + · · · = 1 − (P(X = 0) + P(X = 1)) ≈
1 −0.37961 = 0.62039.
Primjer 4.
Poznato je da je 5% ljudi ljevoruko. Izraˇcunajte vjerojatnost da se u grupi od 100 ljudi nalazi barem
dvoje ljevorukih.
Rjeˇsenje.
Koristit ´cemo Poissonovu distribuciju X ∼ Poi(5), jer je prosjeˇcan broj ljevorukih u grupi od 100 ljudi
jednak 100 · 0.05. Traˇzena vjerojatnost je pribliˇzno jednaka:
P(X ≥ 2) = 1 −(P(X = 0) +P(X = 1)) ≈ 0.96.
Zadaci
Zadatak 1.
Neka je X ∼ Poi(2.5). Izraˇcunajte P(X = 2), P(X = 3), P(X ≤ 3) i P(X > 5).
Zadatak 2.
Poznato je da se u izvjesnoj knjizi od 250 stranica nalazi 50 sluˇcajno rasporedenih ˇstamparskih greˇsaka.
Nadite vjerojatnost da se na stotoj stranici te knjige ne nalazi niti jedna ˇstamparska greˇska. Kolika
je vjerojatnost da se na toj stranici nalaze najviˇse dvije ˇstamparske greˇske? (Uputa: prosjeˇcan broj
ˇstamparskih greˇsaka po stranici je 50/250 = 0.2.)
Zadatak 3.
Za jednog konobara je ustanovljeno da mu u prosjeku iz ruku ispadne i razbije se 0.05 tanjura na sat.
Kolika je vjerojatnost da mu tokom jednog sata niti jedan tanjur ne´ce ispasti iz ruku?
75
15 Kontinuirana sluˇcajna varijabla
U mnogim sluˇcajevima nam za modeliranje sluˇcajnih procesa diskretne sluˇcajne varijable nisu dovoljne i to
naroˇcito onda kada ishodi sluˇcajnih procesa nisu izolirani brojevi, nego mogu poprimiti bilo koju vrijednost
iz nekog intervala realnih brojeva. Npr. ˇzarulje se testiraju tako da ih se drˇzi ukljuˇcenima sve dok ne pregore.
Sluˇcajna varijabla Y povezana s ovom situacijom mjeri vrijeme do pregaranja u recimo satima. Vrijednosti
koje moˇze Y poprimiti su nenegativni realni brojevi, dakle [0, +∞> pa je Y kontinuirana varijabla.
Primjeri kontinuiranih sluˇcajnih varijabli:
• visina ili teˇzina ljudi na nekom podruˇcju,
• koliˇcina ˇse´cera u jednom kilogramu groˇzda,
• vrijeme potrebno da se pretrˇci sto metara,
• vrijeme ˇcekanja na autobus na autobusnoj stanici.
Formalno, kontinuirana sluˇcajna varijabla je funkcija sa prostora elementarnih dogadaja u skup realnih bro-
jeva pri ˇcemu skup vrijednosti te funkcije moˇze biti cijeli interval (ili unija intervala) realnih brojeva ili cijeli
skup R.
Vjerojatnost svakog elementarnog dogadaja je kod kontinuirane sluˇcajne varijable jednaka nuli. Smisla ima
traˇziti vjerojatnost da sluˇcajna varijabla poprimi vrijednost iz nekog intervala, ˇsto se definira uz pomo´c
funkcije distribucije vjerojatnosti ili funkcije gusto´ce vjerojatnosti.
76
Funkcija gusto´ce vjerojatnosti kontinuirane sluˇcajne varijable
Funkcija gusto´ce vjerojatnosti kontinuiranih sluˇcajnih varijabli je funkcija f : R →R sa sljede´cim svojstvima:
1. funkcija f je nenegativna, tj. za svaki x ∈ R vrijedi f(x) ≥ 0
2.

b
a
f(t) dt = P(a ≤ X ≤ b)
3.

+∞
−∞
f(t) dt = 1
Kako je vjerojatnost da X poprimi neku konkretnu vrijednost jednaka nuli (ˇsto slijedi iz P(X = a) =

a
a
f(t) dt = 0), sve sljede´ce vjerojatnosti su medusobno jednake:
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b).
Funkcija distribucije vjerojatnosti kontinuirane sluˇcajne varijable
Funkciju distribucije vjerojatnosti F kontinuirane sluˇcajne varijable X definiramo formulom
F(x) = P(X ≤ x) =

x
−∞
f(t) dt,
gdje je f(x) pripadaju´ca funkcija gusto´ce vjerojatnosti. Iz navedenog i Newton–Leibnizove formule slijedi
P(a < X ≤ b) = F(b) −F(a)
i
F

(x) = f(x),
tj. funkcija distribucije vjerojatnosti kontinuirane sluˇcajne varijable je primitivna funkcija pripadne funkcije
gusto´ce vjerojatnosti.
77
16 Normalna (Gaussova) distribucija. Standardna normalna dis-
tribucija
Normalna distribucija, koja se ˇcesto zove Gaussova distribucija, je vrlo vaˇzan primjer kontinuirane distribu-
cije primjenjive u raznim podruˇcjima. Parametri te distribucije su dva broja, μ (oˇcekivanje) i σ
2
(varijanca).
Da neprekidna sluˇcajna varijabla X ima normalnu distribuciju s parametrima μ i σ
2
, oznaˇcavamo ovako:
X ∼ N(μ, σ
2
).
za standardnu normalnu distribuciju vrijedu μ = 0 i σ
2
= 1. Carl Friedrich Gauss je otkrio normalnu
distribuciju kada je analizirao neke astronomske podatke i tada je definirao jednadˇzbu njezine funkcije
gusto´ce:
f(x) =
1
σ


e

1
2
(
x−μ
σ
)
2
Funkcije gusto´ce vjerojatnosti za razliˇcite σ i μ:
-0.1
0
0.1
0.2
0.3
0.4
0.5
-4 -2 0 2 4
μ = −2
μ = 0
μ = 2
-
6
σ = 1
0
0.2
0.4
0.6
0.8
-4 -3 -2 -1 0 1 2 3 4
σ = 2
σ = 1
σ =
1
2
-
6
μ = 0
Funkcija distribucije vjerojatnosti se definira sa: F(x) =

x
−∞
f(t) dt.
78
Funkcije distribucije vjerojatnosti:
0
0.2
0.4
0.6
0.8
1
-4 -2 0 2 4
-
6
σ = 1, μ = −2
0
0.2
0.4
0.6
0.8
1
-4 -2 0 2 4
-
6
σ = 2, μ = 0
Vjerojatnost da sluˇcajna varijabla X ∼ N(μ, σ
2
) poprimi vrijednost manju od ili jednaku b je jednaka (vidi
lijevu sliku na stranici 80):
P(X ≤ b) =

b
−∞
f(x) dx = F(b)
gdje je F pripadaju´ca funkcija distribucije vjerojatnosti. Da bi izraˇcunali tu vjerojatnost, koristimo se
tabelom vrijednosti funkcije distribucije standardne normalne razdiobe N(0, 1), koja je dana na stranici 102.
Da bismo mogli koristiti tu tablicu, moramo prvo podatke vezane uz zadanu normalnu distribuciju prevesti
u odgovaraju´ce podatke iz standardne normalne distribucije formulom
x

=
x −μ
σ
pri ˇcemu vrijedi
F(x) = F

(x

)
gdje je F

funkcija distribucije vjerojatnosti standardne normalne razdiobe. Sada imamo:
P(X ≤ b) = F(b) = F

b −μ
σ

= F

(b

).
Pribliˇznu vrijednost za F

(b

) oˇcitavamo direktno iz tabele (ili s malo boljih kalkulatora).
Primjer 1.
Da bi naˇsli F

(1.23), radimo sljede´ce:
1. U prvom stupcu tabele traˇzimo broj 1.2.
79
2. U prvom retku tabele traˇzimo broj 0.03.
3. Traˇzena vrijednost je broj koji se nalazi u presjeku nadenog retka i stupca.
a 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1.0 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91308 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Sada imamo: F

(1.23) ≈ 0.89065.
Ako trebamo prona´ci vrijednost F

(x) gdje x ima viˇse od dvije decimale, onda x zaokruˇzujemo na dva dec-
imalna mjesta i u tabeli nalazimo traˇzenu vrijednost za taj zaokruˇzeni broj. Npr. F

(2.758) ≈ F

(2.76) ≈
0.99711.
Ako je x > 4.09, onda uzimamo da je F

(x) ≈ 1. Npr. F(5.12) ≈ 1.
Ako je x < 0, onda op´cenito vrijedi F(x) = 1−F(−x), ˇsto je posljedica identiteta P{X ≤ x}+P{X ≥ x} = 1
i P{X ≥ x} = P{X ≤ −x}. Npr. F

(−0.54) = 1 −F

(0.54) ≈ 1 −0.70540 = 0.2946.
Vjerojatnost da sluˇcajna varijabla X ∼ N(μ, σ
2
) poprimi vrijednost ve´cu od a i manju od ili jednaku b je
jednaka (vidi desnu sliku):
P(a < X ≤ b) =

b
a
f(t) dt = F(b) −F(a)
-0.05
0
0.05
0.1
0.15
-2 0 2 4 6 8 10 12 14
-
6
Oznaˇceno podruˇcje ima povrˇsinu
P(X ≤ 4).
-0.05
0
0.05
0.1
0.15
-2 0 2 4 6 8 10 12 14
-
6
Oznaˇceno podruˇcje ima povrˇsinu
P(−1 ≤ X ≤ 4).
80
Primjer 2.
Broj sunˇcanih dana u jednoj godini na otoku Hvaru normalno je distribuirana sluˇcajna varijabla X s
parametrima μ = 251 i σ
2
= 49. Izraˇcunajte vjerojatnost da je broj sunˇcanih dana u godini
(a) ve´ci od 256 , X > 256;
(b) izmedu 249 i 259, 249 < X ≤ 259 ?
Rjeˇsenje.
(a) P(X > 256) = 1 −P(X ≤ 256) = 1 −F(256) = 1 −F

256 −251
7


≈ 1 −F

(0.71) ≈ 1 −0.76115 = 0.23885,
(b) P(249 < X ≤ 259) = F(259) −F(249) = F

259 −251
7

−F

249 −251
7

≈ F

(1.14) −F

(−0.29)
= F

(1.14) −(1 −F

(0.29)) ≈ 0.87286 −(1 −0.61409) = 0.48695.
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
220 230 240 250 260 270 280
-
P(X > 256)
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
220 230 240 250 260 270 280
-
P(249 ≤ X ≤ 259)
Primjer 3.
Pretpostavimo da je temperatura zraka u travnju normalna distribuirana sluˇcajna varijabla T s μ = 20

C i
standardnom devijacijom σ = 3

C. Nadite vjerojatnost da je temperatura zraka u travnju
(a) manja od 18

C;
(b) izmedu 21

C i 23

C.
Rjeˇsenje.
(a) P(T ≤ 18) = F(18) = F

(
18−20
3
) ≈ F

(−0.67) ≈ 1 −0.74857 = 0.25143,
(b) P(21 < T ≤ 23) = F(23) −F(21) = F

(
23−20
3
) −F

(
21−20
3
) ≈ F

(1.00) −F

(0.33) ≈
≈ 0.84134 −0.62930 = 0.21204.
81
Zadaci
Zadatak 1.
Oˇcitajte iz tabele vrijednosti funkcije distribucije standardne normalne razdiobe N(0, 1) sljede´ce vrijed-
nosti: F

(2.71), F

(1.789), F

(0.334), F

(5.23), F

(0.1212), F

(−0.34), F

(−1.3476), F

(−2.96243),
F

(−7.22).
Zadatak 2.
Broj sunˇcanih dana u jednoj godini na otoku Hvaru normalno je distribuirana sluˇcajna varijabla s
parametrima μ = 320 i σ
2
= 81. Kolika je vjerojatnost da je broj sunˇcanih dana u godini izmedu 290
i 322 ?
Zadatak 3.
Broj kiˇsnih dana u jednoj godini na otoku Hvaru normalno je distribuirana sluˇcajna varijabla s
parametrima μ = 20 i σ
2
= 4. Kolika je vjerojatnost da je broj kiˇsnih dana u godini izmedu 6 i
14 ?
Zadatak 4.
Pretpostavimo da je visina (u cm) studenata veleuˇciliˇsta normalno distribuirana sluˇcajna varijabla s
parametrima μ = 171cm i σ
2
= 26.01cm
2
. Izraˇcunajte vjerojatnost da je visina sluˇcajno odabranog
studenta
1. ve´ca od 168 cm,
2. izmedu 170cm i 173.cm.
Zadatak 5.
Pretpostavimo da je visina stanovnika Lastova, u cm, normalno distribuirana sluˇcajna varijabla s
parametrima μ = 169 i σ
2
= 10.89. Izraˇcunajte vjerojatnost da je visina sluˇcajno odabranog stanovnika
(a) manja ili jednaka 168cm,
(b) izmedu 165cm i 170cm.
Zadatak 6. Pokaˇzite da za svaku sluˇcajnu varijablu X ∼ N(μ, σ
2
) vrijedi
1. P(μ −σ < X ≤ μ +σ) ≈ 0.68,
2. P(μ −2σ < X ≤ μ + 2σ) ≈ 0.95,
3. P(μ −3σ < X ≤ μ + 3σ) ≈ 0.997.
82
17 χ
2
–distribucija
χ
2
–distribucija (hi kvadrat distribucija) ovisi o parametru k ∈ N kojeg zovemo stupanj slobode. Funkcija
gusto´ce vjerojatnosti χ
2
–distribucija s k stupnjeva slobode je dana s
f
k
(x) = c · x
k
2
−1
e

x
2
, x > 0
gdje je c > 0 konstanta koja ovisi o k takva da vrijedi


0
f
k
(t)dt = 1.
graf funkcija f
1
(x) i f
2
(x) graf funkcija f
3
(x), f
5
(x), f
10
(x) i f
15
(x)
k = 2
k = 1
0.0
0.2
0.4
0.6
0.8
1.0
0 2 4 6 8 10 12 14
graf funkcija F
1
(x) i F
2
(x)
k = 15
k = 3
0.0
0.2
0.4
0.6
0.8
1.0
0 2 4 6 8 10 12 14
graf funkcija F
3
(x), F
5
(x), F
10
(x) i F
15
(x)
Oznaka za sluˇcajnu varijablu X koja ima χ
2
–distribuciju s k stupnjeva slobode je X ∼ χ
2
k
. Oˇcekivanje
takve varijable je E(X) = k, varijanca D(X) = 2k, a standardna devijacija σ =

2k. Za k ≥ 30 vrijedi da
sluˇcajna varijabla X ∼ χ
2
k
ima pribliˇzno normalnu distribuciju N(k, 2k).
83
Dio III
Statistiˇcki testovi
Tipiˇcna situacija u kojoj se primjenjuju statistiˇcki testovi je kad imamo neku pretpostavku, koju nazivamo
hipotezom, o nekom statistiˇckom obiljeˇzju neke velike grupe ljudi (npr. zanimaju nas visine ili teˇzine svih
gradana Republike Hrvatske), o seriji nekih proizvoda (npr. neka njihova dimenzija, teˇzina, koliˇcina neis-
pravnih proizvoda, ...) itd. Takvu grupu ljudi ili seriju proizvoda zovemo populacija.
Gotovo uvijek je nemogu´ce mjerenje statistiˇckog obiljeˇzja provesti na cijeloj populaciji pa se mjerenje obavlja
na jednoj manjoj grupi ljudi ili manjem dijelu jedne serije proizvoda. Ta manja grupa na kojoj se obavlja
mjerenje se zove uzorak. Postoji teorija uzorka koja se bavi time kako odabrati dobar (nepristran) uzorak,
no time se ne´cemo baviti. Statistiˇcki testovi nam pomaˇzu da donesemo neki zakljuˇcak u vezi promatranog
statistiˇckog obiljeˇzja na cijeloj populaciji na osnovu mjerenja provedenog na uzorku.
Obradit ´cemo dva tipa statistiˇckih testova koji se odnose na testiranje hipoteze:
• testiranje hipoteze o oˇcekivanju normalno distribuirane varijable uz poznatu varijancu,
• χ
2
test.
Prilikom testiranja hipoteze uvijek imamo tzv. nul hipotezu (oznaˇcavamo je s H
0
) koju neposredno prov-
jeravamo testom. Rezultat testa moˇze biti njeno prihva´canje ili odbacivanje. U sluˇcaju kada nul hipotezu
odbacujemo, onda to znaˇci da prihva´camo alternativnu hipotezu (koju oznaˇcavamo s H
1
) koja moˇze, ali i ne
mora, biti negacija nul hipoteze.
Kod testiranja hipoteze moˇzemo napraviti dvije vrste greˇsaka.
• Greˇska prve vrste se dogada kada nul hipotezu odbacimo iako je ona istinita.
Na primjer, u kliniˇckom testiranju novog lijeka bi nul hipoteza mogla biti da novi lijek u prosjeku nije
bolji od lijeka koji se trenutno koristi. Greˇska prve vrste bi se pojavila ako bismo zakljuˇcili da ova dva
lijeka daju razliˇcite rezultate dok u stvari nema razlike u njihovim primjenama.
• Greˇska druge vrste se dogada kada nul hipotezu prihvatimo, iako ona nije istinita.
U gornjem primjeru bi ovaj tip greˇske nastao ako bismo zakljuˇcili da oba lijeka u prosjeku poluˇcuju
jednake rezultate u primjeni iako to nije istina.
Sljede´ca tabela prikazuje sve mogu´ce rezultate testiranja hipoteze:
H
0
odbaˇcena H
0
prihva´cena
H
0
istinita greˇska I vrste ispravna odluka
H
0
neistinita ispravna odluka greˇska II vrste
Greˇska prve vrste je ozbiljnija i vaˇznije je da obratimo paˇznju na to kako da izbjegnemo nju, nego greˇsku
druge vrste. Testovi hipoteze imaju jedan parametar, razinu znaˇcajnosti (oznaˇcava se s α), koji ima znaˇcenje
vjerojatnosti da ´cemo napraviti greˇsku prve vrste. Taj parametar treba biti ˇsto manji, ali ne moˇze biti nula;
uobiˇcajeno je da se za njega uzmu vrijednosti α = 0.05 ili α = 0.01. Ako ne odbacimo nul hipotezu, joˇs uvijek
je mogu´ce da je ona neistinita, jer uzorak moˇzda nije bio dovoljno velik da bi se mogla detektirati njena
84
neistinitost. Op´cenito, za zadanu razinu znaˇcajnosti α nije mogu´ce izraˇcunati vjerojatnost greˇske druge vrste
(oznaˇcava se s β), no zna se da ˇsto je jedna od te dvije vrijednosti manja, to je druga ve´ca. Jakost testa
hipoteze je njegova sposobnost da odbaci nul hipotezu kada je ona neistinita, preciznije, vjerojatnost da se
ne´ce dogoditi greˇska druge vrste, a to je 1 −β.
Vrijednost testa je broj kojeg dobijemo na osnovu uzorka. Kritiˇcna vrijednost je teoretska granica koja ovisi
o razini znaˇcajnosti (i ne ovisi o uzorku). Ona dijeli skup vrijednosti koje moˇze poprimiti vrijednost testa
na dva dijela. Ako vrijednost testa pripada kritiˇcnom podruˇcju, onda nul hipotezu odbacujemo, inaˇce je
prihva´camo.
85
18 Testiranje hipoteze o oˇcekivanju uz poznatu varijancu
Neka je X sluˇcajna varijabla s nepoznatim oˇcekivanjem μ i poznatom standardnom devijacijom σ, definirana
na nekoj populaciji. Testiranje hipoteze o oˇcekivanju uz poznatu varijancu se provodi tako da se koriste´ci
aritmetiˇcku sredinu uzorka izraˇcuna vrijednost testa koja se usporeduje s kritiˇcnom vrijednosti, iz ˇcega se
onda izvodi zakljuˇcak o prihva´canju ili odbacivanju nul hipoteze. Test se moˇze provesti ako je X sluˇcajna
varijabla s normalnom distribucijom N(μ, σ
2
).
Mogu´ce su tri vrste provodenja testa: lijevi, desni i obostrani. U svakom od njih raˇcunamo vrijednost testa
x−μ
σ

n. Moraju nam biti poznati razina znaˇcajnosti α (obiˇcno malen broj, najˇceˇs´ce 0.05 ili 0.01), varijanca
σ
2
sluˇcajne varijable X, a ako uzorak nije poznat, onda moramo znati veliˇcinu uzorka n, aritmetiˇcku sredinu
x uzorka i jesu li svi elementi uzorka manji od μ, ve´ci od μ ili u uzorku ima i brojeva koji su ve´ci od μ i
brojeva koji su od njega manji (da bismo mogli odrediti koji test trebamo provesti: lijevi, desni ili obostrani).
Nulhipoteza je u sva tri sluˇcaja ista.
lijevi

H
0
: μ = μ
0
nul hipoteza
H
1
: μ < μ
0
alternativna hipoteza
Ako je
x−μ
σ

n > z
α
= −z
1−α
onda nulhipotezu prihva´camo (ne odbacujemo) s razinom znaˇcajnosti α
jer vrijednost testa nije u kritiˇcnom podruˇcju. U suprotnom nulhipotezu odbacujemo (ne prihva´camo)
s razinom znaˇcajnosti α.
Lijevi test provodimo samo onda kada su sve vrijednost uzorka manje od μ
0
.
z
α vt
-
6
nul hipoteza se prihva´ca
(vt=vrijednost testa)
vt
z
α
-
6
nul hipoteza se odbacuje
desni

H
0
: μ = μ
0
nul hipoteza
H
1
: μ > μ
0
alternativna hipoteza
Ako je
x−μ
σ

n < z
1−α
onda nulhipotezu ne odbacujemo s razinom znaˇcajnosti α jer vrijednost testa
nije u kritiˇcnom podruˇcju. U suprotnom nulhipotezu odbacujemo s razinom znaˇcajnosti α = 0.05.
Desni test provodimo samo onda kada su sve vrijednost uzorka ve´ce od μ
0
.
86
vt
z
1−α
-
6
nul hipoteza se prihva´ca
z
1−α vt
-
6
nul hipoteza se odbacuje
obostrani

H
0
: μ = μ
0
nul hipoteza
H
1
: μ = μ
0
alternativna hipoteza
Ako je
x−μ
σ

n > z
α
2
= −z
1−
α
2
i
x−μ
σ

n < z
1−
α
2
onda nulhipotezu ne odbacujemo s razinomznaˇcajnosti
α jer vrijednost testa nije u kritiˇcnom podruˇcju. U suprotnom nulhipotezu odbacujemo s razinom
znaˇcajnosti α = 0.05.
Obostrani test provodimo samo onda kada su neke vrijednosti uzorka manje, a neke ve´ce od μ
0
.
z
α
2
vt
z
1−
α
2
-
6
nul hipoteza se prihva´ca
z
α
2
vt vt
z
1−
α
2
-
6
nul hipoteza se odbacuje
Vrijednosti z
a
oˇcitavamo iz tabele na strani 102.
87
Primjer 1.
Izvrˇsena je provjera rada stroja za proizvodnju matica. U tablici su popisana izmjerena odstupanja promjera
matica od propisane vrijednosti (izraˇzena u milimetrima). Uz pretpostavku da je vrijednost odstupanja
normalno distribuirana sluˇcajna varijabla s parametrima μ i σ
2
= 0.0036, odgovaraju´cim testom testirajte
hipotezu H
0
: μ = 0.29 uz razinu znaˇcajnosti α = 0.001.
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
0.27 0.35 0.21 0.28 0.27 0.27 0.31 0.24
Rjeˇsenje.
Prvo izraˇcunamo aritmetiˇcku sredinu uzorka:
x =
0.27 + 0.35 + 0.21 + 0.28 + 0.27 + 0.27 + 0.31 + 0.24
8
= 0.275 .
Vrijednost testa je:
x −μ
0
σ

n =
0.275 −0.29
0.06

8 ≈ −0.7071.
Koristit ´cemo obostrani test, jer u uzorku ima vrijednosti i ve´cih i manjih od μ
0
.

H
0
: μ = 0.29 mm nul hipoteza
H
1
: μ = 0.29 mm alternativna hipoteza
Trebamo izraˇcunati kritiˇcne vrijednosti z
α
2
i z
1−
α
2
. Znamo da vrijedi z
α
2
= −z
1−
α
2
pa je dovoljno na´ci samo
z
1−
α
2
= z
0.9995
kojeg traˇzimo u tabeli tako da nademo broj unutar tabele koji je najbliˇzi broju 0.9995 te u
poˇcetku stupca i poˇcetku retka u kojima se nalazi taj broj oˇcitavamo traˇzenu kritiˇcnu vrijednost z
0.9995
.
a 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
Dakle imamo da je z
0.9995
= 3.29 pa prema tome i z
0.0005
= −3.29. Kako je
z
1−
α
2
= −3.29 <
x −μ
0
σ

n = −0.7071 < z
0.9995
= 3.29,
(dakle vrijednost testa nije u kritiˇcnom podruˇcju) nul hipotezu prihva´camo s razinom znaˇcajnosti α = 0.001.
88
Primjer 2.
Izvrˇsena je provjera rada stroja za proizvodnju limenih ploˇca. U tablici su popisana izmjerena odstupanja de-
bljine ploˇca od propisane vrijednosti (izraˇzena u milimetrima). Uz pretpostavku da je vrijednost odstupanja
normalno distribuirana sluˇcajna varijabla s parametrima μ i σ
2
= 0.0016, odgovaraju´cim testom testirajte
hipotezu H
0
: μ = 1.15 uz razinu znaˇcajnosti α = 0.05 .
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
1.19 1.17 1.19 1.16 1.18 1.17 1.16 1.19
Rjeˇsenje.
Prvo izraˇcunamo aritmetiˇcku sredinu uzorka:
x =
1.19 + 1.17 + 1.19 + 1.16 + 1.18 + 1.17 + 1.16 + 1.19
8
= 1.17625.
Vrijednost testa je:
x −μ
0
σ

n =
1.17625 −1.15
0.04

8 ≈ 1.8562.
Koristit ´cemo desni test, jer u uzorku su sve vrijednosti ve´ce od μ
0
.

H
0
: μ = 1.15 mm nul hipoteza
H
1
: μ > 1.15 mm alternativna hipoteza
Treba izraˇcunati kritiˇcnu vrijednost z
1−α
= z
0.95
. Iz tabele dobivamo da je z
0.95
= 1.64 (najbliˇza vrijednost
u tabeli je 0.94950).
z
0.95 vt
-
6
nul hipoteza se ne prihva´ca
Vidimo da je vrijednost testa ve´ca od kritiˇcne vrijednosti ˇsto znaˇci da je u kritiˇcnom podruˇcju pa nul hipotezu
odbacujemo s razinom znaˇcajnosti α = 0.05.
89
Primjer 3.
Stroj za proizvodnju matica je provjeren tako da je izmjereno odstupanje promjera matice od propisane
vrijednosti (u mm). U tabeli su navedena odstupanja:
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
0.49 0.48 0.49 0.48 0.47 0.47 0.48 0.48
Uz pretpostavku da je vrijednost odstupanja normalno distribuirana sluˇcajna varijabla s parametrima μ i
σ
2
= 0.0016, testirajte hipotezu H
0
: μ = 0.5. Razina znaˇcajnosti neka je α = 0.01.
Rjeˇsenje.
Provodimo lijevo testiranje s razinom znaˇcajnosti α = 0.05. Iz podataka slijedi x = 0.48.

H
0
: μ = 0.5 mm nul hipoteza
H
1
: μ < 0.5 mm alternativna hipoteza
Vrijednost testa je
x −μ
σ

n =
0.48 −0.5

0.0016

8 ≈ −1.41.
z
α
= z
0.01
= −z
0.99
≈ −2.33 < −1.41.
Nulhipotezu prihva´camo s razinom znaˇcajnosti α = 0.01 jer se vrijednost testa nalazi van kritiˇcnog podruˇcja.
z
0.01 vt
-
6
nul hipoteza se prihva´ca
90
Zadaci
Zadatak 1.
Provedena je provjera rada stroja za proizvodnju limenih ploˇca. U tablici su popisana izmjerena
odstupanja debljine ploˇca od propisane vrijednosti (izraˇzena u milimetrima). Uz pretpostavku da
je vrijednost odstupanja normalno distribuirana sluˇcajna varijabla s parametrima μ i σ
2
= 0, 0025,
odgovaraju´cim testom testirajte hipotezu H
0
: μ = 1.20 uz razinu znaˇcajnosti α = 0.05. Navedite koji
test koristite i napiˇsite alternativnu hipotezu H
1
.
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
1.29 1.28 1.29 1.28 1.27 1.27 1.28 1.28 1.27 1.27
Zadatak 2.
Provedena je provjera rada stroja za proizvodnju vijaka. U tablici su popisana izmjerena odstupanja
promjera vijaka od propisane vrijednosti (izraˇzena u milimetrima). Uz pretpostavku da je vrijed-
nost odstupanja normalno distribuirana sluˇcajna varijabla s parametrima μ i σ
2
= 0.0064, testirajte
hipotezu H
0
: μ = 1, uz alternativnu hipotezu H
1
: μ < 1 . Razina znaˇcajnosti testa α = 0.01 .
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
0.91 0.92 0.90 0.91 0.91 0.91 0.94 0.91 0.99 0.91
Zadatak 3.
Provedena je provjera rada stroja za proizvodnju matica. U tablici su popisana izmjerena odstupanja
promjera matica od propisane vrijednosti (izraˇzena u milimetrima). Uz pretpostavku da je vrijednost
odstupanja normalno distribuirana sluˇcajna varijabla s parametrima μ i σ
2
= 0.0047, odgovaraju´cim
testom (ili lijevi ili desni ili obostrani) testirajte hipotezu H
0
: μ = 0.26, uz razinu znaˇcajnosti testa
α = 0.005 .
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
0.18 0.18 0.19 0.23 0.21 0.29 0.29 0.27
91
19 χ
2
test
Nakon ˇsto odredimo tabelu frekvencija nekih dobivenih podataka moˇzemo se zapitati odgovara li ona nekim
unaprijed poznatim oˇcekivanim frekvencijama, koje se zadaju preko distribucije neke sluˇcajne varijable.
Npr. ako bacimo simetriˇcnu kockicu 60 puta, zbog jednakih vjerojatnosti elementarnih dogadaja oˇcekujemo
da ´ce svi brojevi od 1 do 6 pasti podjednaki broj puta, tj. pribliˇzno 10 puta. Najˇceˇs´ce to ne´ce biti tako i neki
brojevi ´ce se pojaviti rjede, a neki ˇceˇs´ce. Ono ˇsto nas zanima je, da li je odstupanje od oˇcekivane frekvencije
zanemarivo, tj. nebitno (sluˇcajno), ili su odstupanja takva da bismo trebali posumnjati u simetriˇcnost kockice.
χ
2
test je metoda usporedivanja frekvencija kojom se provjerava razlikuju li se bitno primije´cene frekvencije
od oˇcekivanih. Test se koristi za testiranje nul hipoteze koja pretpostavlja da nema bitne razlike izmedu
primije´cenih i oˇcekivanih rezultata. Nul hipoteza se ili prihva´ca ili ne priva´ca nakon usporedivanja vrijednosti
χ
2
testa s odgovaraju´com kritiˇcnom vrijednosti.
ˇ
Sto je vrijednost χ
2
testa ve´ca, to je ve´ca vjerojatnost da se
nul hipoteza ne´ce prihvatiti pri ˇcemu se onda smatra da je i neki drugi faktor, a ne samo sluˇcaj, uzrokovao
velika odstupanja izmedu oˇcekivanih i primije´cenih rezultata.
Pretpostavimo da su eksperimentalni podaci o svim mogu´cim rezultatima nekog eksperimenta (ili o svim
ishodima jedne sluˇcajne varijable) i njihove frekvencije zapisani u ovakvoj tabeli:
X x
1
x
2
x
3
· · · x
m−1
x
m
f f
1
f
2
f
3
· · · f
m−1
f
m
(12)
Pretpostavljamo da sluˇcajna varijabla ˇcije ishode smo biljeˇzili u eksperimentu ima distribuciju

x
1
x
2
x
3
· · · x
m−1
x
m
p
1
p
2
p
3
· · · p
m−1
p
m

(13)
Tada, ako je n = f
1
+f
2
+· · · +f
m
dovoljno velik, tj. ako je np
j
≥ 5 za svaki j, moˇzemo primijeniti χ
2
test.
Njime provjeravamo nultu hipotezu (H
0
) koja glasi: distribucija mjerene veliˇcine X dane eksperimentalnim
podacima u tabeli (12) je jednaka teoretskoj distribuciji danoj tabelom (13). Formalnije reˇceno, nulta
hipoteza glasi:
H
0
: P(x
1
) = p
1
, P(x
2
) = p
2
, . . . P(x
m
) = p
m
.
Da bismo to provjerili sa razinom znaˇcajnosti α (obiˇcno je α = 0.05, α = 0.01 ili α = 0.1), izraˇcunavamo
vrijednost χ
2
testa ´ χ
2
k
, pri ˇcemu je k broj stupnjeva slobode: k = m−1.
´ χ
2
k
=
(f
1
−np
1
)
2
np
1
+
(f
2
−np
2
)
2
np
2
+· · · +
(f
m
−np
m
)
2
np
m
. (14)
U tabeli na stranici 101 traˇzimo kritiˇcnu vrijednost c tako da je P{χ
2
k
≤ c} = 1 −α = u presjeku retka koji
poˇcinje stupnjem slobode k i stupca koji poˇcinje s 1 − α. Ako je ´ χ
2
k
< c onda test potvrduje nulhipotezu s
razinom znaˇcajnosti α, a ako je ´ χ
2
k
≥ c, onda je ´ χ
2
k
u kritiˇcnom podruˇcju i test odbacuje hipotezu s razinom
znaˇcajnosti α.
92
´ χ
2
k
c
-
6
nul hipoteza se prihva´ca
´ χ
2
k
c
-
6
nul hipoteza se odbacuje
Primjer 1.
Igra´ca kockica je baˇcena 60 puta i dobiveni su sljede´ci rezultati:
X 1 2 3 4 5 6
f 5 7 5 14 13 16
ˇ
Zelimo provjeriti je li kockica simetriˇcna (odnosno ”poˇstena”) ili imamo razloga posumnjati u tu tvrdnju. To
znaˇci da ˇzelimo provjeriti odgovaraju li dobiveni brojevi teoretskoj distribuciji za simetriˇcnu kockicu danu
tabelom

1 2 3 4 5 6
1
6
1
6
1
6
1
6
1
6
1
6

Nulta hipoteza H
0
: kockica je ”poˇstena”, tj. distribucija vrijednosti koje se mogu dobiti njenim bacanjem
je jednaka teoretskoj.
Da bismo to provjerili primijenit ´cemo χ
2
test s razinom znaˇcajnosti α = 0.05. Imamo np
1
= · · · = np
6
= 10
(ˇsto je ve´ce od 5 pa moˇzemo primijeniti χ
2
test), broj stupnjeva slobode je k = 6 −1 = 5 i
´ χ
2
5
=
(5 −10)
2
10
+
(7 −10)
2
10
+
(5 −10)
2
10
+
(14 −10)
2
10
+
(13 −10)
2
10
+
(16 −10)
2
10
= 12
93
U tabeli na stranici 101 traˇzimo vrijednost
c takvu da je P{χ
2
5
≤ c} = 1 − 0.05 =
0.95 u presjeku retka koji poˇcinje stupnjem
slobode k = 5 i stupca koji poˇcinje s
0.95. Oˇcitavamo c = 11.07. Jer je ´ χ
2
5
=
12 ≥ 11.07 = c, tj. jer je ´ χ
2
5
u kritiˇcnom
podruˇcju, hipoteza se odbacuje s razinom
znaˇcajnosti α = 0.05.
-0.02
0
0.02
0.04
0.06
0.08
0.1
0.12
c ´ χ
2
5
0 5 10 15 20 25
-
6
p 0.005 0.001 0.025 0.050 0.100 0.900 0.950 0.975 0.990 0.995
m
1 0.000 0.000 0.001 0.004 0.016 2.706 3.841 5.024 6.635 7.879
2 0.010 0.002 0.051 0.103 0.211 4.605 5.991 7.378 9.210 10.597
3 0.072 0.024 0.216 0.352 0.584 6.251 7.815 9.348 11.345 12.838
4 0.207 0.091 0.484 0.711 1.064 7.779 9.488 11.143 13.277 14.860
5 0.412 0.210 0.831 1.145 1.610 9.236 11.070 12.832 15.086 16.750
6 0.676 0.381 1.237 1.635 2.204 10.645 12.592 14.449 16.812 18.548
7 0.989 0.599 1.690 2.167 2.833 12.017 14.067 16.013 18.475 20.278
Primjer 2.
Igra´ca kockica je baˇcena 60 puta i dobiveni su sljede´ci rezultati:
X 1 2 3 4 5 6
f 11 6 14 13 5 11
Zadatak je analogan prethodnom pa ´cemo iskoristiti izraˇcunatu vrijednost za c iz prethodnog zadataka;
trebamo provjeriti je li kockica simetriˇcna (odnosno ”poˇstena”) ili imamo razloga posumnjati u tu tvrdnju.
To znaˇci da ˇzelimo provjeriti odgovaraju li dobiveni brojevi teoretskoj distribuciji za simetriˇcnu kockicu.
Razina znaˇcajnosti je α = 0.05.
´ χ
2
5
=
(11 −10)
2
10
+
(6 −10)
2
10
+
(14 −10)
2
10
+
(13 −10)
2
10
+
(5 −10)
2
10
+
(11 −10)
2
10
= 6.8
Jer je ´ χ
2
5
< 11.07 = c, hipotezu ´cemo prihvatiti s razinom znaˇcajnosti od α = 0.05.
Zadatak 1.
Igra´ca kockica je baˇcena 120 puta i dobiveni su sljede´ci rezultati:
X 1 2 3 4 5 6
f 20 14 23 12 26 25
S razinom znaˇcajnosti α = 0.05 testirajte hipotezu da je kockica simetriˇcna.
94
Primjer 3.
Novˇci´c je baˇcen 100 puta i 60 puta je ispala glava. Moˇzemo li s razinom znaˇcajnosti α = 0.05 zakljuˇciti da
je novˇci´c simetriˇcan ili ne?
Tabela koja pripada eksperimentu je
X pismo glava
f 40 60
Nulta hipoteza je da se dani podaci slaˇzu s teoretskom distribucijom za bacanje simetriˇcnog novˇci´ca:

0 1
1
2
1
2

konstatiramo da smijemo provesti χ
2
test, jer je 100 ·
1
2
= 50 > 5. Broj stupnjeva slobode je k = 2 −1 = 1.
Sada raˇcunamo ´ χ
2
1
:
´ χ
2
1
=
(40 −50)
2
50
+
(60 −50)
2
50
= 4
Iz tabele vidimo da je za P{χ
2
1
≤ c} = 0.95 c = 3.841 i kako je ´ χ
2
1
> c, zakljuˇcujemo da s razinom znaˇcajnosti
α = 0.05 nultu hipotezu odbacujemo, tj. novˇci´c s razinom znaˇcajnosti α = 0.05 nije simetriˇcan.
Primjer 4.
U ljevaonici Irongate su se biljeˇzile nesre´ce koje su se dogadale tijekom radnog vremena po satima smjene.
Izvjeˇstaj o nesre´cama je dan sljede´com tabelom u kojoj je zabljeˇzeno n = 168 nesre´ca:
sat smjene 1 2 3 4 5 6 7 8
broj nesre´ca 19 17 15 24 20 26 22 25
Ono ˇsto zanima i upravu ljevaonice i sindikat radnika ljevaonice je moˇze li se na osnovu danih podataka
ustanoviti da postoji kritiˇcni sat smjene tijekom kojeg se nesre´ce dogadaju ˇceˇs´ce nego tijekom drugih sati.
Ako takav sat ne postoji, onda bi nesre´ce trebale biti ravnomjerno rasporedene po satima smjene, tj. trebale
bi imati sljede´cu distribuciju:

1 2 3 4 5 6 7 8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8

Kako je 168
1
8
= 21 > 5, moˇzemo primijeniti χ
2
test kojim ´cemo uz vrijednost razine znaˇcajnosti α =
0.05 provjeriti nul hipotezu da su vjerojatnosti dogadanja nesre´ca tijekom razliˇcitih sati smjene medusobno
jednake. Broj stupnjeva slobode je jednak broju sati u smjeni umanjen za jedan, tj. 7. Izraˇcunajmo vrijednost
testa:
´ χ
2
7
=
(19 −21)
2
21
+
(17 −21)
2
21
+· · · +
(22 −21)
2
21
+
(25 −21)
2
21
≈ 5.143
Kritiˇcnu vrijednost c za broj stupnjeva slobode 7 i razinu znaˇcajnosti α = 0.05 oˇcitavamo iz tabele i dobi-
vamo: c = 14.067.
Kako je ´ χ
2
7
< c, onda zakljuˇcujemo da test potvrduje nul hipotezu s razinom znaˇcajnosti α = 0.05.
95
-0.02
0
0.02
0.04
0.06
0.08
0.1
0.12
´ χ
2
7
c
0 5 10 15 20 25
-
6
nul hipoteza se prihva´ca
Primjer 5.
Provjerom su na uzorku od 556 sjemenaka, koje mogu biti po boji ˇzute ili zelene, a po obliku glatke ili
naborane, dobiveni podaci predstavljeni sljede´com tabelom
8
:
vrsta sjemenki ˇzute glatke zelene glatke ˇzute naborane zelene naborane
frekvencije 315 108 101 32
χ
2
testom uz razinu znaˇcajnosti α = 0.05 testirajte nul hipotezu prema kojoj bi se ove sjemenke trebale
pojaviti u omjeru 9 : 3 : 3 : 1.
Navedeni teoretski omjer se moˇze predstaviti distribucijom

ˇzute glatke zelene glatke ˇzute naborane zelene naborane
9
16
3
16
3
16
1
16

Budu´ci je 556 ·
1
16
= 34.75 > 5, moˇzemo primijeniti χ
2
test. Broj stupnjeva slobode je 3. Vrijednost testa je:
´ χ
2
3
=
(315 −312.75)
2
312.75
+
(108 −104.25)
2
104.25
+
(101 −104.25)
2
104.25
+
(32 −34.75)
2
34.75
≈ 0.47
Kritiˇcna vrijednost za broj stupnjeva slobode 3 i razinu znaˇcajnosti α = 0.05 je c = 7.815 i kako je ´ χ
2
3
< c,
zakljuˇcujemo da test potvrduje nul hipotezu s razinom znaˇcajnosti α = 0.05.
8
Uz pomo´c eksperimenata koji su ukljuˇcivali brojanje razliˇcitih vrsta sjemenaka poput ovih iz zadatka je ruski biolog Mendel
doˇsao do svojih zakona o nasljedivanju koji nose njegovo ime.
96
Zadaci
Zadatak 1. Tijekom tri uzastopna tjedna jedne godine su dobiveni sljede´ci podaci o ukupno 66 ozljeda
uzrokovanih ugrizima ˇzivotinja u nekoj bolnici:
tjedan 25. −31. kolovoza 1. −7. rujna 8. −14. rujna
broj ugriza 27 19 20
χ
2
testom uz vrijednost razine znaˇcajnosti α = 0.1 provjerite je li jedan od promatranih tjedana bio
bitno opasniji ˇsto se ˇzivotinjskih ugriza tiˇce od ostala dva.
Zadatak 2. Tijekom jedne dulje DnD igre je oktaedarska kockica (ili kra´ce d8; to je oktaedar, pravilno
poliedarsko tijelo s 8 strana na kojima su napisani brojevi od 1 do 8) baˇcena ukupno 168 puta.
Sljede´com tabelom su prikazani brojevi koji su dobiveni na taj naˇcin:
d8 1 2 3 4 5 6 7 8
frekvencije 29 22 18 19 20 23 12 25
χ
2
testom uz vrijednost razine znaˇcajnosti α = 0.01 provjerite ima li razloga sumnjati da kockica nije
simetriˇcna.
Zadatak 3. Sto sluˇcajno odabranih studenata je pitano koji je od brojeva 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 njima naj-
draˇzi. Rezultati ankete su prikazani u sljede´coj tabeli:
najdraˇzi brojevi 0 1 2 3 4 5 6 7 8 9
frekvencije 5 3 11 10 19 9 11 15 13 4
χ
2
testom uz vrijednost razine znaˇcajnosti α = 0.05 provjerite postoje li brojevi koje studenti vole viˇse
od ostalih.
Zadatak 4. U trgovini odje´com su dobili sljede´ce rezultate o kupovini 40 kravata koje se medusobno raz-
likuju samo po boji:
boja kravate plava crvena zelena ˇzuta
frekvencije 7 9 14 10
χ
2
testom uz vrijednost razine znaˇcajnosti α = 0.01 provjerite prodaju li se kravate nekih boja viˇse od
ostalih.
Zadatak 5. Iz telefonskog imenika su uzete zadnje znamenke sto uzastopnih telefonskih brojeva i dobivena
je sljede´ca tabela:
zadnja znamenka tel. broja 0 1 2 3 4 5 6 7 8 9
frekvencije 3 8 15 14 10 7 8 9 11 15
χ
2
testom uz vrijednost razine znaˇcajnosti α = 0.01 provjerite je li uzimanje zadnjih znamenaka brojeva
iz telefonskog imenika dobar naˇcin da se dobiju sluˇcajni brojevi.
Zadatak 6. Proizvodaˇc loptica za stolni tenis pakira po pet loptica u jednu kutiju . Loptice mogu biti ili
ispravne ili neispravne. Radi kontrole kvalitete proizvoda i naˇcina pakiranja loptica potrebno je odrediti
teoretsku distribuciju pakiranja neispravnih loptica po kutijama. Na sluˇcajan je naˇcin odabrano 70
kutija za koje su dobiveni sljede´ci podaci
97
broj neispravnih loptica x
i
0 1 2 3 4 5
broj kutija f
i
33 6 6 5 9 11
Na ovom uzorku testirajte nulhipotezu da broj neispravnih loptica po kutiji ima teoretsku distribuciju


0 1 2 3 4 5
4
18
1
9
3
9
3
18
1
18
4
18


uz razinu znaˇcajnosti α = 0.01.
Zadatak 7. Proizvodaˇc kockica za igranje je proizveo novu kockicu koja ima sedam strana na kojoj mogu
pasti brojevi od 1 do 7 i tvrdi da svaki od brojeva ima jednaku vjerojatnost pojavljivanja. Bacanjem
kockice je dobivena sljede´ca tabela frekvencija:
broj na kockici 1 2 3 4 5 6 7
frekvencija 8 14 17 11 13 18 19
Na ovim podacima testirajte tvrdnju proizvodaˇca, tj. testirajte nulhipotezu da je navedena kockica sa
sedam strana simetriˇcna, tj. ima teoretsku razdiobu

1 2 3 4 5 6 7
p p p p p p p

(prvo odredite p) uz razinu znaˇcajnosti α = 0.01.
Zadatak 8. U kockarnici se moˇze igrati jednostavna igra s jednim pravilom: bacaju se tri kockice i dobitak
je proporcionalan broju ˇsestica koje na njima padnu. Pra´cenjem jednog od igraˇca dobivena je sljede´ca
tabela:
broj ˇsestica na tri kockice 0 1 2 3
frekvencije 48 35 15 3
Upravi kockarnice su se navedeni podaci uˇcinili sumnjivim i ˇzele provjeriti igra li taj igraˇc s njihovim
kockicama koje su sigurno simetriˇcne, ili ih je on neprimjetno zamijenio sa svojim, nesimetriˇcnim
kockicama koje favoriziraju padanje ˇsestica. Vjerojatnost p
k
padanja k ˇsestica na tri kockice je jednaka
p
k
= P(X = k), gdje je X ∼ B(3,
1
6
).
Na danim podacima testirajte nulhipotezu da igraˇc igra sa simetriˇcnim kockicama, tj. da dobiveni
podaci imaju teoretsku razdiobu

0 1 2 3
p
0
p
1
p
2
p
3

uz razinu znaˇcajnosti α = 0.05. Na osnovu rezultata zakljuˇcite ho´ce li uprava ljubazno zamoliti tog
igraˇca da napusti kockarnicu ili ne´ce reagirati na njegove uspjehe.
98
U dosadaˇsnjim primjerima smo eksperimentalne podatke testirali prema teoretskim (oˇcekivanim) vrijednos-
tima. To se, naravno, moˇze raditi jedino ako je teoretska distribucija poznata. Sada ´cemo vidjeti primjere u
kojima se testiraju dvije grupe eksperimentalnih podataka jedna prema drugoj, tj. provjeravat ´cemo imaju
li dvije grupe podataka istu (ne nuˇzno poznatu) distribuciju.
Pretpostavimo da imamo dvije grupe eksperimentalnih podataka o svim mogu´cim rezultatima nekog eksper-
imenta i njihove frekvencije:
X x
1
x
2
x
3
· · · x
r−1
x
r
D
1
m
1
m
2
m
3
· · · m
r−1
m
r
m = m
1
+m
2
+· · · +m
r
D
2
n
1
n
2
n
3
· · · n
r−1
n
r
n = n
1
+n
2
+· · · +n
r
s
1
= m
1
+n
1
s
2
s
3
· · · s
r−1
s
r
= m
r
+n
r
N = s
1
+s
2
+· · · +s
r
= m+n
Nul hipoteza koju testiramo (s nekom razinom znaˇcajnosti α) je da dvije grupe podataka imaju istu dis-
tribuciju. Postupak je isti kao i u sluˇcaju testiranja prema teoretskoj distribuciji, jedino se ´ χ
2
k
drugaˇcije
raˇcuna. Prvo raˇcunamo vrijednosti p
j
, j = 1, . . . , r:
p
1
=
m
1
+n
1
N
=
s
1
N
, p
2
=
s
2
N
, . . . , p
r
=
s
r
N
.
Zatim raˇcunamo vrijednosti mp
j
i np
j
, j = 1, . . . , r i na kraju raˇcunamo ´ χ
2
k
; broj stupnjeva slobode je
k = r −1.
´ χ
2
k
=
(m
1
−mp
1
)
2
mp
1
+· · · +
(m
r
−mp
r
)
2
mp
r
+
(n
1
−np
1
)
2
np
1
+· · · +
(n
r
−np
r
)
2
np
r
(15)
Sada gledamo u istu tabelu kao i prije i traˇzimo takav c da vrijedi P{χ
2
k
≤ c} = 1−α i ako je c ≤ ´ χ
2
k
onda je ´ χ
2
k
u kritiˇcnom podruˇcju pa hipotezu odbacujemo, a ako je c > ´ χ
2
k
, onda je prihva´camo s razinom znaˇcajnosti α.
Primjer 6. Uˇcenici neke ˇskole su postigli sljede´ce uspjehe:
ocjena 1 2 3 4 5
djeˇcaci 40 48 85 42 35 250 = m
djevojˇcice 20 35 77 50 28 210 = n
60 83 162 92 63 460
ˇ
Zeljeli bismo ustanoviti jesu li djeˇcaci i djevojˇcice bili jednako uspjeˇsni, tj. jesu li distribucije tih dvaju
skupova podataka podataka jednake. Idemo redom. Broj stupnjeva slobode je k = 5 −1 = 4.
p
1
=
40 + 20
460
=
60
460
, p
2
=
83
460
, p
3
=
162
460
, p
4
=
92
460
, p
5
=
63
460
.
mp
1
= 250
60
460
≈ 32.61, mp
2
≈ 45.11, mp
3
≈ 88.04, mp
4
= 50, mp
5
≈ 34.24,
np
1
= 210
60
460
≈ 27.39, np
2
≈ 37.89, np
3
≈ 73.96, np
4
= 42, np
5
≈ 28.76.
´ χ
2
4

(40 −32.61)
2
32.61
+
(48 −45.11)
2
45.11
+
(85 −88.04)
2
88.04
+
(42 −50)
2
50
+
(35 −34.24)
2
34.24
+
(20 −27.39)
2
27.39
+
(35 −37.89)
2
37.89
+
(77 −73.96)
2
73.96
+
(50 −42)
2
42
+
(28 −28.76)
2
28.76
=
≈ 7.14
U tabeli nalazimo c takav da vrijedi P{χ
2
4
≤ c} = 0.95: c = 9.488. Kako je c > ´ χ
2
4
, hipotezu prihva´camo s
razinom znaˇcajnosti α = 0.05.
99
Zadaci
Zadatak 9.
Sto ljudi je dobilo cjepivo protiv gripe. Njih 40 je bilo mlade od 50 godina, a 60 starije. Neki od njih
nisu dobili gripu (N), neki su dobili blagi oblik (B), a neki jaki oblik (J) te gripe.
oblik gripe N B J
< 50 30 6 4 40
≥ 50 36 12 12 60
Koriste´ci χ
2
test uz razinu znaˇcajnosti α = 0.05 testirajte nul hipotezu da su reakcije na cjepivo bile
jednake u obje grupe.
Rjeˇsenje.
´ χ
2
2
≈ 2.65, P{χ
2
2
≤ c} = 0.95 ⇒ c ≈ 5.99 Hipoteza se ne odbacuje, jer je ´ χ
2
2
< c.
Zadatak 10.
Ishodi dviju sluˇcajnih varijabli X i Y su A, B, C i D. Mjerenjem se doˇslo do sljede´cih podataka o
frekvenciji ishoda tih dviju varijabli:
A B C D
X 24 46 14 17
Y 43 51 36 11
Koriste´ci χ
2
test uz razinu znaˇcajnosti α = 0.05 testirajte nul hipotezu da sluˇcajne varijable X i Y
imaju istu distribuciju. Provedite test uz vrijednost razine znaˇcajnosti od α = 0.01.
Zadatak 11.
U tabeli su popisane frekvencije ishoda dviju sluˇcajnih varijabli, X i Y .
2 3 4 5 6 7 8 9 10 11 12
X 1 6 7 14 18 18 9 10 10 5 2
Y 1 2 4 4 16 11 17 11 15 8 11
Koriste´ci χ
2
test uz razinu znaˇcajnosti α = 0.05 testirajte nul hipotezu da su da sluˇcajne varijable X
i Y imaju istu distribuciju.
100
Hi kvadrat razdioba χ
2
(n)
U tabeli se nalaze vrijednosti c za koje je P{χ
2
m
≤ c} = p.
p 0.005 0.001 0.025 0.050 0.100 0.900 0.950 0.975 0.990 0.995
m
1 0.000 0.000 0.001 0.004 0.016 2.706 3.841 5.024 6.635 7.879
2 0.010 0.002 0.051 0.103 0.211 4.605 5.991 7.378 9.210 10.597
3 0.072 0.024 0.216 0.352 0.584 6.251 7.815 9.348 11.345 12.838
4 0.207 0.091 0.484 0.711 1.064 7.779 9.488 11.143 13.277 14.860
5 0.412 0.210 0.831 1.145 1.610 9.236 11.070 12.832 15.086 16.750
6 0.676 0.381 1.237 1.635 2.204 10.645 12.592 14.449 16.812 18.548
7 0.989 0.599 1.690 2.167 2.833 12.017 14.067 16.013 18.475 20.278
8 1.344 0.857 2.180 2.733 3.490 13.362 15.507 17.535 20.090 21.955
9 1.735 1.152 2.700 3.325 4.168 14.684 16.919 19.023 21.666 23.589
10 2.156 1.479 3.247 3.940 4.865 15.987 18.307 20.483 23.209 25.188
11 2.603 1.834 3.816 4.575 5.578 17.275 19.675 21.920 24.725 26.757
12 3.074 2.214 4.404 5.226 6.304 18.549 21.026 23.337 26.217 28.300
13 3.565 2.617 5.009 5.892 7.041 19.812 22.362 24.736 27.688 29.819
14 4.075 3.041 5.629 6.571 7.790 21.064 23.685 26.119 29.141 31.319
15 4.601 3.483 6.262 7.261 8.547 22.307 24.996 27.488 30.578 32.801
16 5.142 3.942 6.908 7.962 9.312 23.542 26.296 28.845 32.000 34.267
17 5.697 4.416 7.564 8.672 10.085 24.769 27.587 30.191 33.409 35.718
18 6.265 4.905 8.231 9.390 10.865 25.989 28.869 31.526 34.805 37.156
19 6.844 5.407 8.907 10.117 11.651 27.204 30.144 32.852 36.191 38.582
20 7.434 5.921 9.591 10.851 12.443 28.412 31.410 34.170 37.566 39.997
21 8.034 6.447 10.283 11.591 13.240 29.615 32.671 35.479 38.932 41.401
22 8.643 6.983 10.982 12.338 14.041 30.813 33.924 36.781 40.289 42.796
23 9.260 7.529 11.689 13.091 14.848 32.007 35.172 38.076 41.638 44.181
24 9.886 8.085 12.401 13.848 15.659 33.196 36.415 39.364 42.980 45.558
25 10.520 8.649 13.120 14.611 16.473 34.382 37.652 40.646 44.314 46.928
26 11.160 9.222 13.844 15.379 17.292 35.563 38.885 41.923 45.642 48.290
27 11.808 9.803 14.573 16.151 18.114 36.741 40.113 43.195 46.963 49.645
28 12.461 10.391 15.308 16.928 18.939 37.916 41.337 44.461 48.278 50.994
29 13.121 10.986 16.047 17.708 19.768 39.087 42.557 45.722 49.588 52.335
30 13.787 11.588 16.791 18.493 20.599 40.256 43.773 46.979 50.892 53.672
40 20.707 17.917 24.433 26.509 29.051 51.805 55.758 59.342 63.691 66.766
50 27.991 24.674 32.357 34.764 37.689 63.167 67.505 71.420 76.154 79.490
60 35.534 31.738 40.482 43.188 46.459 74.397 79.082 83.298 88.379 91.952
70 43.275 39.036 48.758 51.739 55.329 85.527 90.531 95.023 100.425 104.215
80 51.172 46.520 57.153 60.391 64.278 96.578 101.879 106.629 112.329 116.321
90 59.196 54.156 65.647 69.126 73.291 107.565 113.145 118.136 124.116 128.299
100 67.328 61.918 74.222 77.929 82.358 118.498 124.342 129.561 135.807 140.170
110 75.550 69.790 82.867 86.792 91.471 129.385 135.480 140.916 147.414 151.948
120 83.852 77.756 91.573 95.705 100.624 140.233 146.567 152.211 158.950 163.648
150 109.142 102.113 117.985 122.692 128.275 172.581 179.581 185.800 193.207 198.360
200 152.241 143.842 162.728 168.279 174.835 226.021 233.994 241.058 249.445 255.264
101
Tabela vrijednosti funkcije distribucije F standardne normalne razdiobe N(0, 1)
U tabeli se nalaze vrijednosti p za koje je F(a) = P{X ≤ a} = p, a ≥ 0.
a 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.0 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91308 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997
4.0 0.99997 0.99997 0.99997 0.99997 0.99997 0.99997 0.99998 0.99998 0.99998 0.99998
Primjer 1.: Pribliˇzna vrijednost broja P{X ≤ 1.73} dana u tablici se nalazi u presjeku retka na ˇcijem je
poˇcetku broj 1.7 i stupca na ˇcijem je vrhu broj 0.03, tj. P{X ≤ 1.73} ≈ 0.95818.
Primjer 2.: Da nademo pribliˇznu vrijednost broja P{X ≤ −0.73} koristimo se identitetima P{X ≤
a} + P{X ≥ a} = 1 i P{X ≥ a} = P{X ≤ −a}. Slijedi: P{X ≤ −0.73} = P{X ≥ 0.73} = 1 − P{X ≤
0.73} ≈ 1 −0.76730 = 0.2327.
102
Tabela vrijednosti funkcije distribucije Studentove razdiobe t(n)
U tabeli su dane vrijednosti onih t
P
u kojima funkcija distribucije Studentove t razdiobe poprima vri-
jednosti P ∈ {0.750, 0.800, 0.900, 0.950, 0.975, 0.990, 0.995, 0.9975, 0.999, 0.9995} i to za stupnjeve slobode
n ∈ {1, 2, . . . , 29, 30, 40, 50, . . . , 120, 130, ∞}.
P 0.750 0.800 0.900 0.950 0.975 0.990 0.995 0.9975 0.999 0.9995
n
1 1.000 1.376 3.078 6.314 12.706 31.821 63.656 127.321 318.289 636.578
2 0.816 1.061 1.886 2.920 4.303 6.965 9.925 14.089 22.328 31.600
3 0.765 0.978 1.638 2.353 3.182 4.541 5.841 7.453 10.214 12.924
4 0.741 0.941 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 0.727 0.920 1.476 2.015 2.571 3.365 4.032 4.773 5.894 6.869
6 0.718 0.906 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 0.711 0.896 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 0.706 0.889 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 0.703 0.883 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 0.700 0.879 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 0.697 0.876 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 0.695 0.873 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 0.694 0.870 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 0.692 0.868 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 0.691 0.866 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 0.690 0.865 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 0.689 0.863 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 0.688 0.862 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 0.688 0.861 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 0.687 0.860 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 0.686 0.859 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 0.686 0.858 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 0.685 0.858 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.768
24 0.685 0.857 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 0.684 0.856 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 0.684 0.856 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 0.684 0.855 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.689
28 0.683 0.855 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 0.683 0.854 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.660
30 0.683 0.854 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 0.681 0.851 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
50 0.679 0.849 1.299 1.676 2.009 2.403 2.678 2.937 3.261 3.496
60 0.679 0.848 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
70 0.678 0.847 1.294 1.667 1.994 2.381 2.648 2.899 3.211 3.435
80 0.678 0.846 1.292 1.664 1.990 2.374 2.639 2.887 3.195 3.416
90 0.677 0.846 1.291 1.662 1.987 2.368 2.632 2.878 3.183 3.402
100 0.677 0.845 1.290 1.660 1.984 2.364 2.626 2.871 3.174 3.390
110 0.677 0.845 1.289 1.659 1.982 2.361 2.621 2.865 3.166 3.381
120 0.677 0.845 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
130 0.676 0.844 1.288 1.657 1.978 2.355 2.614 2.856 3.154 3.367
∞ 0.674 0.842 1.282 1.645 1.960 2.326 2.576 2.808 3.090 3.297
103
Literatura
[1] Neven Elezovi´c, Teorija vjerojatnosti, zbirka zadataka, Element, Zagreb, 1995.
[2] Nikola Sarapa, Vjerojatnost i Statistika, 1. dio, Kombinatorika,
ˇ
Skolska knjiga, Zagreb, 1993.
[3] Nikola Sarapa, Vjerojatnost i Statistika, 2. dio, Sluˇcajne varijable, Osnove statistike, 1996.
ˇ
Skolska
knjiga, Zagreb, 1993.
[4] Seymour Lipschutz, Jack Schiller, Schaum’s Outline of Introduction to Probability and Statistics,
McGraw-Hill, New York, 1998.
104
Indeks
ˇ
Cebiˇsevljev teorem, 19
aditivna formula, 46
aritmetiˇcka sredina, 11, 17
Bayesova formula, 51
Bernoullijev pokus, 68
Bernoullijeva shema, 68
binomni koeficijenti, 37
diskretna sluˇcajna varijabla
oˇcekivanje, 61
standardna devijacija, 61
varijanca, 61
distribucija
χ
2
ili hi kvadrat, 83
binomna, 69
diskretna uniformna, 64
normalna ili Gaussova, 78
Poissonova, 72
standardna normalna, 78
dogadaj, 30, 32
elementarni dogadaj, 30
faktorijeli, 37
frekvencija, 4
funkcija distribucije vjerojatnosti
diskretne sluˇcajne varijable, 59
kontinuirane sluˇcajne varijable, 77
funkcija gusto´ce vjerojatnosti, 77
funkcija vjerojatnosti, 59
histogram, 4
ishod, 30
koeficijent korelacije, 24
kombinacije, 38
kumulativna funkcija, 5
kvantil, 14
kvartil, 14
medijan, 12
mod, 11
nezavisni dogadaji, 53
percentil, 14
permutacije, 37
pravac regresije, 24
principi prebrojavanja
princip produkta, 36
princip sume, 36
prostor elementarnih dogadaja, 30, 32
relativna frekvencija, 5
sluˇcajna varijabla, 55
diskretna, 55
kontinuirana, 76
sluˇcajni pokus, 30
srednje kvadratno odstupanje, 17, 24
standardna devijacija, 17
statistiˇcki testovi, 84
χ
2
test, 92
usporedivanje dvije grupe eksperimentalnih po-
dataka, 99
usporedivanje eksperimentalnih podataka i zadane
distribucije, 92
testiranje hipoteze o oˇcekivanju uz poznatu var-
ijancu, 86
tabela
χ
2
razdioba, 101
standardna normalna razdioba, 102
studentova razdioba, 103
tabela frekvencija, 4
varijanca, 17
vjerojatnost
aksiomi, 43
klasiˇcna definicija ’a priori’, 34
potpuna ili totalna, 50
raˇcunanje vjerojatnosti dogadaja preko vjerojat-
nosti elementarnih dogadaja, 44
svojstva, 34
uvjetna, 48
105

Sadrˇaj z
1 Predgovor 3

I

Deskriptivna statistika

4
4 11 14 17 22 24

2 Tabela frekvencija, histogram, kumulativna funkcija 3 Aritmetiˇka sredina, mod i medijan c 4 Kvartil. Percentil. Kvantil ˇ 5 Varijanca. Standardna devijacija. Cebiˇevljev teorem s 6 Usporedivanje razliˇitih mjerenja. Usporedivanje razliˇitih rezultata c c 7 Linearna regresija

II

Vjerojatnost

30
30 55 59 61 64 68 72 76 78 83

8 Dogadaj. Vjerojatnost 9 Diskretna sluˇajna varijabla. Distribucija sluˇajne varijable. c c 10 Funkcija vjerojatnosti. Funkcija distribucije vjerojatnosti 11 Oˇekivanje, varijanca i standardna devijacija diskretne sluˇajne varijable c c 12 Diskretna uniformna distribucija 13 Bernoullijev pokus. Bernoullijeva shema. Binomna distribucija 14 Poissonova distribucija 15 Kontinuirana sluˇajna varijabla c 16 Normalna (Gaussova) distribucija. Standardna normalna distribucija 17 χ2 –distribucija

III

Statistiˇki testovi c

84
86 92

18 Testiranje hipoteze o oˇekivanju uz poznatu varijancu c 19 χ2 test

2

1

Predgovor

Sadrˇaj ovog nastavnog materijala odgovara sadrˇaju kolegija Vjerojatnost i statistika koji se odrˇava na druz z z goj godini struˇnog studija informatike i druge godine struˇnog studija raˇunarstva na Tehniˇkom veleuˇiliˇtu c c c c c s u Zagrebu. Podijeljen je na tri dijela koji obuhva´aju sljede´e cjeline: deskriptivna statistika, uvod u vjeroc c jatnost i uvod u statistiˇke testove. c U prvoj cjelini se obraduje deskriptivna statistika gdje su dani osnovni postupci izraˇunavanja sumarnih poc dataka (aritmetiˇka sredina, mod, medijan, varijanca, stadardadna devijacija, kvartili, percentili) za zadani c skup brojˇanih podataka, kao i njihov grafiˇki prikaz (histogram, pravac regresije). c c U drugoj cjelini je dan uvod u vjerojatnost, uvedene su sluˇajne varijable i obradene neke diskretne (unic formna, binomna i Poissonova distribucija) i kontinuirane distribucije (normalna i χ2 distribucija). c c U tre´oj cjelini su obradena dva statistiˇka testa (testiranje hipoteze o oˇekivanju uz poznatu varijancu i c χ2 -test). Namjena materijala, koji prati predavanja i vjeˇbe, je upoznavanje studenata s osnovama vjerojatnosti i z osnovama statistike uz minimum teorije koja je dovoljna za definiranje potrebnih pojmova i za rjeˇavanje s zadataka kao i izvor zadataka te kao takav moˇe biti koristan svim studentima Tehniˇkog veleuˇiliˇta koji u z c c s programu imaju isti ili sliˇan kolegij. c Napomenuo bih da se skoro svi statistiˇki izraˇuni spomenuti u deskriptivnoj statistici mogu provesti na c c c ve´ini kalkulatora, dok se na boljim kalkulatorima nalaze programi za provodenje statistiˇkih testova ili se c oni mogu lako isprogramirati. Za sloˇenije statistiˇke postupke postoje posebni statistiˇki programski paketi z c c namijenjeni osobnim raˇunalima (npr. Statistica), a mogu se koristiti i tabliˇni kalkulatori (npr. Open Office c c Calc ili Microsoft Office Excel), koji imaju implementiranu ve´inu potrebnih funkcija. c Dr. Igor Urbiha, prof. vis. ˇk., 2008. s

3

. . 2. y2 . . . xr medusobno razliˇiti. c c c Brojevi x1 . . a brojevi f1 . 3. . . kumulativna funkcija Dani su brojevi y1 . . fr Primijetimo da je suma svih frekvencija jednaka broju danih podataka n: f1 + f2 + · · · + fr = n Primjer 1. 2.. 5. . 5. 6 pri ˇemu se c broj 1 pojavljuje jednom. 2. 5. . 4. 2. . 3. Dani su sljede´i brojevi: 6. broj 2 pojavljuje ˇetiri puta. . . xr su razredi i obiˇno su sortirani uzlazno (tj.Dio I Deskriptivna statistika 2 Tabela frekvencija. 4. x2 . . . . . . c Prebrojavanjem ustanovljavamo da su razredi 1. yn . f2 brojeva x2 . 1. 4. vrijedi x1 < x2 < . 4. . f2 . c broj 3 pojavljuje jednom. . . . . 5. 2. xr . 4. < xr ). . 6. Prvi korak u sredivanju danih brojeva je izrada tabele frekvencija: x f x1 f1 x2 f2 . 4. histogram. s broj 4 pojavljuje ˇest puta. 4 . fr brojeva xr pri ˇemu su brojevi x1 . Neka se medu njima pojavljuje f1 brojeva x1 . 4. x2 . fr su frekvencije. c broj 5 pojavljuje ˇetiri puta i broj 6 pojavljuje ˇetiri puta pa pripadna tabela frekvencija izgleda ovako: c x f 1 1 2 3 4 1 4 5 6 4 6 4 Grafiˇki prikaz gornje tabele (u kojoj je frekvencija svakog podatka predstavljena pravokutnikom ˇija je c c visina upravo jednaka toj frekvenciji) se zove histogram. 5. 6. . 6.

f2 n xr fr f1 n + .. . xr ... . Op´enito to izgleda ovako: c x f rf x1 f1 f1 n x2 f2 f2 n . c U tabeli frekvencija se obiˇno nalazi joˇ jedan redak s relativnim frekvencijama (u tabeli oznaˇen s rf ). + f2 n fr n + ···+ fr n 5 .. a na y–osi njihove frekvencije. .05 0.20 0.. a sastoji c sc s c se od parcijalnih suma relativnih frekvencija: Op´enito to izgleda ovako: c x f rf cf x1 f1 f1 n f1 n f1 n x2 f2 f2 n . a to c s c su frekvencije podijeljene brojem danih brojeva. ..20 1 20 4 20 1 20 6 20 4 20 4 20 Tabeli se najˇeˇ´e dodaje joˇ jedan redak koji opisuje kumulativnu funkciju (u tabeli oznaˇen s cf ).30 0. . .. .20 0.. fr .6 6 5 4 3 2 1 1 2 3 4 5 6 Na x–osi se navode sve razliˇite vrijednosti danih podataka (i samo one). . fr n U naˇem primjeru imamo: s x f rf 1 1 2 4 3 1 4 6 5 4 6 4 ili x f rf 1 2 3 4 5 6 1 4 1 6 4 4 0.05 0.

. Kumulativna funkcija je c n n n funkcija cf : R → R koja je odredena vrijednostima u zadnjem retku tabele frekvencija ovako: ⎧ ⎨ 0.99) = 0.4 0.6 0.7 0.6 0. ako je x ≥ xr U naˇem primjeru imamo: s x f rf cf 1 2 3 4 5 6 1 4 1 6 4 4 0. zbog 6.05 0. −2.99 < x5 = 5 cf (6) = cf (6.+ = = = 1.8 1 cf (−100) = cf (−2) = cf (0) = cf (0. ϕk = f1 + f2 + · · · + fk . 10.3 0.20 0. c c 6 . jer je 4 = x4 ≤ 4.Primijetimo da zadnji broj u retku kumulativne funkcije mora biti toˇno1 1 jer je to suma svih relativnih c frekvencija: f1 f2 fr f1 + f2 + · · · + fr n + + .5 < x2 = 2 cf (4) = cf (4.9 0.3 0.05..0003.2 0.05 0.998 c s z z ili 1.20 0. 0. 100 ≥ x6 = 6 Graf kumulativne funkcije u naˇem primjeru izgleda ovako: s 6 1 0.6. 6. ako je x < x1 ϕk .9 < x1 = 1 cf (1) = cf (1. n n n n n Oznaˇimo k–ti broj u retku kumulativne funkcije s ϕk . tj.5 0. u ovisnosti o toˇnosti kojom provodimo raˇunanje. zbog − 100.05 0. 1.1 1 2 3 4 5 6 1 Prilikom raˇunanja se zbog greˇaka zaokruˇivanja moˇe dogoditi da umjesto 1 dobijemo neki njemu blizak broj poput 0.25 0. 0. jer je 1 = x1 ≤ 1.8 0.5) = 0. 4.5.20 0. ako je xk ≤ x < xk+1 cf (x) = ⎩ 1.9) = 0.5) = cf (10) = cf (100) = 1.30 0.

7 broj razreda: 6 tabela frekvencija i kumulativna funkcija: x f rf cf 1 2 3 4 6 7 3 4 3 2 6 2 0.35. 7. c Rjeˇenje. 3.9 1 cf (−1) = 0. 6. Izraˇunajte cf (−1). cf (2). cf (8) = 1 histogram: 6 6 5 4 3 2 1 1 2 3 4 6 7 7 . 6.15 0.6.1 0. 1. s zadanih brojeva ima: 20 razredi: 1. 6.15 0. 6. 2. 3. 4. sastavite tabelu frekvencija s kumulativnom funkcijom. Odredite razrede. 3. Dani su brojevi: 4.2 0. skicirajte histogram i graf kumulativne funkcije.6 0. 7. cf (5) i cf (8). 6.1 0. 6. 4. 3. 2.15 0. cf (5) = 0.3 0.35 0. 6. 2. 2.5 0. cf (2) = 0. 2. 1.Zadaci Zadatak 1. 1.

2.. 5. 8. 8. x f rf cf x1 f1 f1 n x2 f2 f2 n x3 f3 f3 n . cf (0). 4. 5. 4. X ≤ b 2. 3. 1.5 0. 8. 3. 1. bez prebrojavanja.. 2.3 0. 3. 3. 0. dobiti odgovore na sljede´e osnovne tipove pitanja: z c Koliko ukupno podatka i koliki postotak podataka ima vrijednost 1. 3. 2. ve´u od a. Dani su brojevi: 2. 2. skicirajte histogram i graf kumulativne funkcije. 2... 7. . 3.1 1 2 3 4 5 6 7 Zadatak 2. 6. 2. c 8 . 1.7 0. Dani su brojevi: 4. 7. cf (1). 0. 4. 2. 5. 0. 4. −1. −1. c Uz pomo´ tabele frekvencija moˇemo brzo saznati ukupan postotak zadanih brojeva koji su manji od nekog c z broja. c Zadatak 3.8 0. 4. 6.9 0. 5. 8. 5.6 0.. 3. 8. manju od ili jednaku b. 1.. Izraˇunajte cf (−2). kao i njihov ukupan broj. 2. 3. Odredite razrede. 2. −1. Izraˇunajte cf (0). . cf (4) i cf (7). 8. −1. 4. cf (4) i cf (10). 5. 1. 2. c z c s Budu´i je ϕk = f1 +f2 +···+fk . s 2 Zbog greˇaka zaokruˇivanja ˇesto ne´emo dobiti cijeli broj.graf kumulativne funkcije relativnih frekvencija: 6 1 0. to znaˇi da je nϕk broj podataka koji imaju vrijednost najviˇe xk . 2.4 0. sastavite tabelu frekvencija s kumulativnom funkcijom.. no on ´e se jako malo razlikovati od prave vrijednosti koju onda s z c c c ne´e biti problem odrediti.2 0. Dakle c n odgovor na pitanje ”Koliko ukupno podataka ima vrijednost najviˇe xk ?” je naprosto2 n · ϕk ili n · cf (xk ). Odredite razrede. 8. xr−1 fr−1 fr−1 n xr fr fr n ϕ1 ϕ2 ϕ3 ϕr−1 ϕr Sada moˇemo lagano.. . 0. 5. 3. 4. X > a c pri ˇemu se sloˇenija pitanja dobivaju kombiniranjem ova dva. sastavite tabelu frekvencija s kumulativnom funkcijom. skicirajte histogram i graf kumulativne funkcije.

7% je imalo srednju dnevnu temperaturu od najviˇe 5o C. (d) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu ve´u od 1o C.107 0. (o C) -4 -2 1 2 3 5 7 8 9 f 1 2 2 3 1 1 3 6 2 rf 0. odnosno 100(1 − cf (6)) = 64.75 = 21.036 0.3% je imalo srednju dnevnu temperaturu ve´u od 6o C. odgovor na pitanje ”Koliko ukupno podataka ima vrijednost najviˇe b?” (X ≤ b) je n · cf (b).071 0.464 0. onda je to 100 · cf (b).179) = 28 · 0. s Op´enito.996 ≈ 10.996 ≈ 3. ali ne ve´u od 11o C? c c Takvih dana ima 21.929 13 2 0. odnosno 100 · cf (5) = 35.679 0. onda je to 100 · (1 − cf (a)). ˇto ˇini 75% svih s c promatranih dana. onda je to 100 · cf (xk ).036 0.107 0.107 = 2.179 0. c temp. c Ako nas zanima odgovor na pitanje ”Koliko ukupno podataka ima ve´u vrijednost od a i manju od ili jednac ku b?” (a < X ≤ b). onda prvo nademo c koliko podataka je imalo vrijednost najviˇe a i pomo´u tog podatka dobijemo traˇeni (oduznemo ga od s c z broja svih podataka). odnosno 100 · cf (0) = 10.929 − 0.Ako nas zanima postotak. Primjer 2.179 0. jer je 28(cf (11) − cf (1)) = 28(0. (c) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu ve´u od 6o C? c Medu promatranim danima njih 28(1 − cf (6)) = 28 · (1 − 0.7% je imalo srednju dnevnu temperaturu od najviˇe 0o C.286 0. ako nas zanima postotak. c s Sliˇno.107 0.357) = 28 · 0. onda je odgovor n(cf (b) − cf (a)).75 10 5 0.000 (a) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu od najviˇe 5o C? s Medu promatranim danima njih 28 · cf (5) = 28 · 0.036 0. Sljede´a tabela prikazuje srednje dnevne temperature (o C) tijekom 28 dana. Ako nas zanima postotak.357 = 9. a ne ukupan broj.643 = 18.357 0. c (b) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu od najviˇe 0o C? s Medu promatranim danima njih 28 · cf (0) = 28 · 0. Pripadni postotak je 100(cf (b) − cf (a)).214 0. s Ako nas zanima koliko podataka je imalo ve´u vrijednost od nekog broja a (X > a).071 cf 0. (e) Koliki postotak promatranih dana i koji je njihov ukupan broj koji su imali srednju dnevnu temperaturu jednaku 7o C? 9 .071 0.321 0. a ne ukupan broj.036 0.071 1. Dakle odgovor na pitanje ”Koliko ukupno podataka ima vrijednost ve´u od a?” je c n − n · cf (a) = n(1 − cf (a)).004 ≈ 18.

1 0. Zadana je sljede´a tabela frekvencija: c x f rf cf −3 −2 −1 0 1 2 3 5 1 3 3 3 2 3 0. −1 < X ≤ 5 c jednaku 0. X ≤ 3 ve´u od −1 i manju od ili jednaku 5.15 0.4 0. X > −2 c manju od ili jednaku 3.15 0.1 0.2 0.6 0.05 0. ˇto znaˇi da nas zanima broj dana (i njihov postotak) koji su imali c s c temperaturu ve´u od 5o C (to je razred koji prethodi zadanom) i ne ve´u od 7o C.107 = 2.15 0.036 = 1.75 0.1 0.75 0. c c jer je 28(cf (7) − cf (5)) = 28(0.5 0. X = 0 10 .008 ≈ 1. X > −2 c manju od ili jednaku 2. Takvih dana ima tri. ˇto ˇini 10. Da bismo izraˇunali broj dana i postotak dana koji su imali srednju s z dnevnu temperaturu −4o C.1 0.3 0. X = 1 Zadatak 5.15 0.3 0.Ovo je specijalan sluˇaj prethodnog.357) = 28 · 0.464 − 0.45 0. X ≤ 2 ve´u od −3 i manju od ili jednaku 1.2 0.1 0.85 1 Koriste´i se vrijednostima kumulativne funkcije relativnih frekvencija izraˇunajte koliko ukupno poc c datka i koliko posto podataka ima vrijednost (a) (b) (c) (d) ve´u od −2. upit ukupan broj postotak X ≤b n cf (b) 100 cf (b) X >a n(1 − cf (a)) 100(1 − cf (a)) a < X ≤ b n(cf (b) − cf (a)) 100(cf (b) − cf (a)) Zadaci Zadatak 4.6%.25 0. s c Naravno.95 1 Koriste´i se vrijednostima kumulativne funkcije relativnih frekvencija izraˇunajte koliko ukupno poc c dataka i koliko posto podataka ima vrijednost (a) (b) (c) (d) ve´u od −2. primijetimo da je to isto kao da traˇimo postotak dana koji su imali srednju temperaturu od najviˇe −4o C.25 0. Zadana je sljede´a tabela frekvencija: c x f rf cf −2 −1 1 2 3 4 5 2 4 2 2 5 4 1 0. traˇeni podatak se moˇe direktno oˇitati iz retka s relativnim frekvencijama (ako ga imamo z z c na raspolaganju). dakle broj takvih dana s c c je 28cf (−4) = 28 · 0. ˇime smo problem sveli na sluˇaj (b).05 0.25 0. Malo treba pripaziti u sluˇaju kada je rijeˇ o najmanjem razredu (pa od njega ne postoji manji).996. a postotak je 100cf (−4) = 3. c c c u naˇem primjeru je to −4o C. −3 < X ≤ 1 c jednaku 1.7% svih promatranih dana.

6. 3. . 3. Niz c sc brojeva moˇe imati jedan mod. . . 13 nema moda. mod i medijan. c 11 . Neki od takvih brojeva su aritmetiˇka s c sredina. 5. se definira formulom: c x= x1 + x2 + · · · + xn . 1.4. 5. 2. z z c ˇto manje to bolje. x2 . u oznaci x. 3. 7. 2. . mod i medijan c Umjesto mnogo brojeva x1 . .3 Aritmetiˇka sredina. Njihova aritmetiˇka sredina. 5.4 20 20 Ako su poznate frekvencije danih brojeva. 9. 3. xn koji se najˇeˇ´e pojavljuje i to barem dvaput. 9 ima jedinstveni mod 7. 8 ima dva moda: 3 i 7. 7. 8. 5. 11. s U histogramu je mod odreden najviˇim pravokutnikom jer visina pravokutnika je proporcionalna s brojem pojavljivanja pripadaju´eg podatka. 1. koji bi nam dali neke korisne informacije o njima. 4. Niz 2. . 7. 8. fn onda se aritmetiˇka sredina moˇe raˇunati formulom: c z c x= f1 x1 + f2 x2 + · · · + fn xn . viˇe modova ili niti jedan mod. . 7. x2 . 6. xn . . 7. . . xn . 4. z s Niz 2. . . . n Aritmetiˇka sredina brojeva 1. 3. Niz 2. . 5. 7. f1 + f2 + · · · + fn Aritmetiˇku sredinu brojeva danim u tabeli frekvencija c x f 1 2 5 2 3 4 3 3 5 6 4 3 raˇunamo ovako: c x= 68 5·1+2·2+3·3+3·4+4·5+3·6 = = 3. 3. x f x1 f1 x2 f2 . xn (n moˇe biti jako velik) mi bismo ˇeljeli izraˇunati nekoliko brojeva. 1. 1. 3. Aritmetiˇka sredina c Neka je dano n brojeva x1 . 6 je jednaka: c x= 68 1+1+1+1+1+2+2+3+3+3+4+4+4+5+5+5+5+6+6+6 = = 3. 7. 3. 5. 5. 5+2+3+3+4+3 20 Mod Mod je onaj podatak u danom nizu brojeva x1 . 4. . 4. x2 . 3. .

4 3 4 0.15 0. onda je x = xk+1 . a mod je 4000.5 i sljede´eg po redu razreda. x3 = 6000. Njihova aritmetiˇka sredina c je 7000.7 5 6 3 3 0. 16. x = k 2 k+1 .5.1 0.Primijetimo da je mod podatak koji nam daje viˇe informacija o zadanim podacima od aritmetiˇke sredine. . .10 . 25 x = x3 = 16 1. 8. Medijan Neka su dani podaci x1 .2 0. n = 2k + 1 .5.1 0. 17. za mod znamo da je to broj koji se najviˇe puta pojavljuje medu podacima. onda je traˇenje medijana traˇenjem srednjeg broja ili srednjih brojeva u nizu z z nespretno.5. x4 = 4000.25 0. 8. onda nema srednjeg broja pa se x definira kao x +x srednja vrijednost srednja dva broja u nizu. u ovom sluˇaju x = 3. c c c • U retku s kumulativnom funkcijom postoji vrijednost koja je toˇno jednaka 0. tj.1 0.6 4 2 0. onda ga moˇemo z na´i jako brzo.15 0.2 0. x3 = 4000. 16 .85 1 Medijan je u ovom sluˇaju jednak onom razredu kojem pripada najmanja vrijednost kumulativne c funkcije koja je ve´a od 0. n = 2k. kao u sljede´oj tablici: c c x f rf cf 1 2 5 2 0. n paran 2 xk+1 xk +xk+1 2 .25 0.5 4 5 6 3 4 3 0. n = 2k 11. Mogu´a su dva sluˇaja. c c 12 . c Primjer 2. x4 = 6000. 11. Njihova aritmetiˇka sredina je takoder 7000. Medijan.85 1 Medijan je u ovom sluˇaju jednak srednjoj vrijednosti razreda kojoj pripada vrijednost kumulativne c 3+4 funkcije 0.65 0. . c Primjer 1.35 3 3 0. Ako podataka ima paran broj. n neparan = zbroj srednja dva broja .15 0. n = 2k + 1. kao u sljede´oj tablici: c x f rf cf 1 2 6 2 0. Zadani su brojevi x1 = 10000. x2 . x2 = 4000. x= srednji broj . 19 x = x4 +x5 2 = 8+10 2 =9 Ako brojeva ima puno. c s Pogledajmo primjer s dva niza brojeva koji imaju istu aritmetiˇku sredinu i nadimo njihove pripadne modove. x2 = 6000. a mod je 6000. s c Dok aritmetiˇka sredina intuitivno predstavlja broj ”oko kojeg se gomila najviˇe podataka” (ˇto ˇak ne mora c s s c biti toˇno). Zadani su brojevi x1 = 16000.15 0. xn sortirani uzlazno. no ako imamo tablicu frekvencija s kumulativnom funkcijom na raspolaganju.3 0. u ovom sluˇaju x = c c = 3. 2 • U retku s kumulativnom funkcijom nema vrijednosti 0.15 0. 16. 4.3 0. u oznaci x (”iks tilda”) se ugrubo definira kao ”srednji broj” u nizu. tj. .5. Ako podataka ima neparan broj. a to je upravo srednji broj u nizu.

57. 3. 65. 1. 62. 63. c Broja 0. 1. 61.Zadaci Zadatak 1. 5. 57. 13 . 3. 5. 2. 3. Zadatak 3.55 0. 3. 5. 64. 58. 2. 66. 3. Dani su brojevi: 5. 4. 5.5 ve´u vrijednost. 5. 5. 2. 1. 63. 60.25 0.8 1 s c Medu danim brojevima se broj 1 najviˇe puta pojavljuje (pripadaju´a vrijednost u retku s frekvencijama je najve´a) pa je on jedinstveni mod. s zadanih brojeva ima: 20 razredi: 1. sastavite tabelu frekvencija s kumulativnom funkcijom te pronadite mod(ove) i medijan. Odredite razrede. 62. 66. 61. 57. Dani su brojevi: 3. Zadatak 2. 4. 6. 6 broj razreda: 6 tabela frekvencija i kumulativna funkcija: x f rf cf 1 2 3 4 5 6 5 2 4 1 4 4 0. 1. 58. 6.2 0. 1. 6. 66. 66. 4. 4. 1. Odredite razrede. 67. 57. 59.2 0. 1.05 0. 5.35 0.55 koja pripada razredu 3 pa je medijan: x = 3. 57. 66. 6.6 0. sastavite tabelu frekvencija s kumulativnom funkcijom te pronadite mod(ove) i medijan. 5.1 0. 2. 6. 3. 67. 1. 4. Odredite razrede. 61. 6. Dani su brojevi: 56. 56. 2. 1. 65. 6. 61.25 0. 58.5 nema medu vrijednostima kumulativne funkcije pa traˇimo najmanju od 0. z c To je 0. 1. Rjeˇenje. 4. 57.2 0. sastavite tabelu frekvencija s kumulativnom funkcijom te pronadite mod(ove) i medijan.

. pri ˇemu je Q1 prvi. c c c Broj koji ima svojstvo da je neki proizvoljan postotak r zadanih brojeva od njega manje oznaˇavamo Pr – c takve brojeve zovemo percentilima. Vrijedi: Q1 = P25 .4 Kvartil. tj.75 medijan druge polovice podataka Da bismo mogli brzo raˇunati percentile. Kvantil Medijan se moˇe opisati kao ”srednji broj” u nizu.. q0. U nekim sluˇajevima mogu biti zanimljivi brojevi sa svojstvom da je od c njih manje 25% ili 75% posto danih brojeva. . dakle imamo npr....25 medijan prve polovice podataka 2.. Trebamo na´i percentil Pr (tj. Q2 drugi.5 = P50 . . tj. c x f rf cf x1 f1 f1 n f1 n x2 f2 f2 n f1 +f2 n x3 f3 f3 n f1 +f2 +f3 n . Tada je Pr = xk + xk+1 .23 = P23 . u oznakama Q1 i Q3 redom. potrebno je prvo sastaviti tabelu frekvencija. q0. 14 . Percentil.. broj ϕk se u tabeli nalazi u retku kumulativne funkcije ispod razreda xk iz prvog retka. Ta dva broja. Potraˇimo gdje se u retku kumulativne funkcije nalazi broj r/100 i c z neka radi jednostavnosti redak kumulativne funkcije u tabeli frekvencija izgleda ovako: cf ϕ1 (= f1 n) ϕ2 ϕ3 . 1. xm−1 fm−1 fm−1 n f1 +f2 +···+fm−1 n xm fm fm n f1 +f2 +···+fm−1 +fm n =1 Postupak nalaˇenja proizvoljnog percentila (ili kvantila) je u biti jednak postupku nalaˇenju medijana z z (opisanog na stranici 12). Tada je Pr = xk+1 . ϕk < r/100 < ϕk+1 . kvartil: Q3 = P75 = q0. tj.. r/100 = ϕk .. .5 = x medijan 3. zajedno s medijanom (kojeg u ovom kontekstu oznaˇavamo Q2 ) se zovu kvartili. c • Broj r/100 je jedan od brojeva u retku kumulativne funkcije. 2 • Broj r/100 se nalazi izmedu dvije susjedne vrijednosti ϕk i ϕk+1 u retku kumulativne funkcije. ˇto znaˇi da je to broj sa svojstvom da je pola zadanih z s c brojeva. od njega manje. ili 50%. (”dvadesetpeti percentil”) x = Q2 = P50 (”pedeseti percentil”) i Q3 = P75 (”sedamdesetpeti percentil”).. a Q3 tre´i kvartil. pedesetog percentila. ϕm−1 ϕm (= 1) Dakle. kvartil: Q1 = P25 = q0. kvartil: Q2 = P50 = q0. Kvantil qs se definira preko percentila izrazom: qs = P100s . Razlikujemo dva sluˇaja. broj sa svojstvom da c r% svih podataka nisu od njega ve´i).

107 0.35 3 4 5 6 3 3 4 3 0.35 se nalazi u retku kumulativne funkcije pa je traˇeni percentil P35 u ovom sluˇaju jednak srednjoj vrijednosti razreda kojoj pripada vrijednost kumulativne funkcije 0.15 0.357 7 3 0. percentil P35 (tj. c 15 . z c c x f rf cf 1 2 3 4 6 2 4 2 0.6 0.000 Pronadimo sve kvartile i percentil P10 . Broja 100 = 0.071 0. no moˇemo posebno definirati da je on jednak najve´em od zadanih brojeva (xm ) uve´an za 1. z c c x f rf cf 1 5 0.7 5 3 0.15 0.071 0. kvantil q0. odnosno drugi kvartil jednak P50 = 8. Potraˇimo 35.929 13 2 0.321 5 1 0. (o C) f rf cf -4 1 0.25 nema u retku kumulativne funkcije pa traˇimo prvi od njega ve´i.464 8 6 0. a to je najmanji od zadanih brojeva.65 0.1 0. Potraˇimo 75. a to je 0.15 0.107 1 2 0. z c P100 = q1 = xm + 1.35 i sljede´eg po c 2+3 = 2.85 6 3 0. c Iz definicije slijedi P0 = q0 = x1 . tj.4 0.286.75 ) uz pomo´ sljede´e tabele. redu razreda. kvantil q0.179 2 3 0.35 = c 2 Primjer 2.75 se ne nalazi u retku kumulativne funkcije pa je traˇeni percentil P75 jednak onom z razredu kojem pripada najmanja vrijednost kumulativne funkcije koja je ve´a od 0.071 0.15 0. percentil P75 (tj. u ovom sluˇaju P35 = q0.3 0.25 0.036 0.75 10 5 0.35 ) uz pomo´ sljede´e tabele.1 0. z Sliˇno dobivamo da je medijan.036 0.2 0.286 3 1 0.179 0. c temp. Sljede´a tabela prikazuje srednje dnevne temperature (o C) tijekom 28 dana.25 2 2 0.5.85).Primjer 1.75 (a to je 0. 25 Prvi kvartil Q1 je jednak dvadesetpetom percentilu. Primjer 3.214 0.3 0.107 0.036 -2 2 0.5 0.071 1. imamo Q1 = P25 = 2. u c ovom sluˇaju P75 = q0. tj.15 1 75 Broj 100 = 0.75 = 5. Toj vrijednosti kumulativne funkcije odgovara z c razred 2 i to je traˇena vrijednost.85 1 35 z c Broj 100 = 0.2 0.679 9 2 0. Stoti percentil P100 = q1 nije c definiran.036 0.1 0.

z Zadaci Zadatak 1. prvi kvartil Q1 3.15 0. a to je 0.55 0.107.35 0.05 0.75 se nalazi u retku kumulativne funkcije pa je traˇena vrijednost tre´eg kvartila jednaka z c aritmetiˇkoj sredini pripadaju´eg i sljede´eg po vrijednosti razreda: Q3 = P75 = 9+10 = 9. tj.2 0. Zadana je sljede´a tabela frekvencija: c x f rf cf Odredite 1.8 1 Zadatak 2.05 0.7 0.05 0. percentil P35 4.1 0.1 nema u retku kumulativne funkcije pa traˇimo prvi od njega ve´i. tre´i kvartil Q3 c 3.15 0. Zadana je sljede´a tabela frekvencija: c x f rf cf Odredite 1.1 0.75 −1 0 1 2 3 4 6 1 3 3 4 3 2 4 0.15 0.15 −3 −2 0 1 2 3 4 1 2 5 3 2 3 4 0.4 0. medijan x 2.8 1 16 .2 0. imamo P10 = −2.15 0. kvantil q0.15 0. percentil P75 4.2 0.65 0.55 0.05 0. Toj z c vrijednosti kumulativne funkcije odgovara razred −2 i to je traˇena vrijednost. medijan x 2.5. kvantil q0.2 0. c c c 2 10 Broja 100 = 0.75 Broj 100 = 0.15 0.25 0.1 0.

4 4 √ Standardna devijacija je jednaka: σ = 27 ≈ 5.20. x3 = 4. Cebiˇevljev teorem s Jedan od brojeva koji nam moˇe dati neku informaciju o zadanim brojevima x1 . Njihova aritmetiˇka sredina je c x= 16 + 4 + 4 + 4 = 7. Kvadratno odstupanje vj podatka xj od arits c metiˇke sredine x se definira sa vj = (xj − x)2 . σ2 = 17 . kako smo z vidjeli. x4 = 4. n Primjer 1. v2 = (x2 − x)2 = (4 − 7)2 = 9 = v3 = v4 i varijanca je 81 + 9 + 9 + 9 (16 − 7)2 + (4 − 7)2 + (4 − 7)2 + (4 − 7)2 = = 27. x2 .73. n Ono ˇto ne znamo je koliko zadani brojevi odstupaju od x. x4 = 6. . c Zadani su brojevi x1 = 10. σ2 = Primjer 2. Standardna devijacija. n n Taj broj predstavlja srednje kvadratno odstupanje (ili rasprˇenost) zadanih brojeva oko njihove aritmetiˇke s c sredine. . xn je. Zadani su brojevi x1 = 16. 4 4 √ Standardna devijacija je jednaka: σ = 3 ≈ 1. Standardna devijacija σ je jednaka drugom korijenu varijance: σ= √ σ2 = (x1 − x)2 + (x2 − x)2 + · · · + (xn − x)2 . 4 pripadna kvadratna odstupanja su redom v1 = (x1 − x)2 = (16 − 7)2 = 81. Njihova aritmetiˇka sredina je x= 10 + 6 + 6 + 6 = 7.5 ˇ Varijanca. v2 = (x2 − x)2 = (6 − 7)2 = 1 = v3 = v4 i varijanca je 9+1+1+1 (10 − 7)2 + (6 − 7)2 + (6 − 7)2 + (6 − 7)2 = = 3. x3 = 6. njihova aritmetiˇka sredina x: c x= x1 + x2 + · · · + xn . 4 pripadna kvadratna odstupanja su redom v1 = (x1 − x)2 = (10 − 7)2 = 9. Sada opet dobivamo mnogo brojeva i zato raˇunamo aritc metiˇku sredinu svih kvadratnih odstupanja koju oznaˇavamo sa σ 2 i zovemo varijanca (ili srednje kvadratno c c odstupanje): σ2 = (x1 − x)2 + (x2 − x)2 + · · · + (xn − x)2 v1 + v2 + · · · + vn = . . . x2 = 6. x2 = 4.

1.2 1 2 2 2 1 1 2 6 1 2.663. 1.5 0. a najve´i 3. 1. dakle svi podaci se nalaze u intervalu [0.0. z c σ2 = = = = = = 1 2 2 2 n ((x1 − x) + (x2 − x) + · · · (xn − x) ) 1 2 2 2 2 2 2 n (x1 − 2x1 x + x + x2 − 2x2 x + x + · · · + xn − 2xn x + x ) 2 2 1 2 2 2 n (x1 + x2 + · · · + xn − 2x1 x − 2x2 x − · · · − 2xn x + x + x + 1 2 2 n (x1 + x2 1 2 2 n (x1 + x2 x2 − x2 .2.0 2.583.5. 0. 7 pomo´u formule (1). 1.2].2]. σ ≈ 0. 2. 0. 2.44 = 5.2 1 1 2 1 1 1 x ≈ 1.2.0. Najmanji broj je 0.2.0.0.5 2. 3.7.2 1. 2.2. σ 2 = x2 − x2 . Predstavite zadane podatke tabelom frekvencija.8.2. 1. 2. 1.7.2].8 2. x f 0. izraˇunajte aritmetiˇku sredinu. 1.7. 1. 1.2]. 3.U oba primjera smo dobili iste aritmetiˇke sredine (dakle samo pomo´u njih ne moˇemo uoˇiti po ˇemu se ta c c z c c dva niza zadanih brojeva razlikuju).8 5 1 + 4 + 9 + 36 + 49 12 + 22 + 32 + 62 + 72 = = 19.2.3.3.32 x= Primjer 4. 1.8 x2 = 5 5 σ 2 = x2 − x2 = 19.7].0 3. ali u prvom su zadani brojevi udaljeniji od njihove aritmetiˇke sredine c (rasprˇeniji su) od onih u drugom.2. 3. Nadite standardnu devijaciju brojeva 1.2. Jednostavnije formule za raˇunanje varijance i standardne devijacije c 1 2 n x2 − x2 .7]. 0.7 3.3 1. [1.9. 2.36 √ √ σ = σ 2 = 5.4 2.2.0. napravite histogram za grupiranje podataka u ˇest grupa koje odgovaraju podjeli intervala koji sadrˇi podatke s z u ˇest jednakih dijelova.9 1. 0. 0. 1 n 1 + · · · + x2 ) − 2x (x1 + x2 + · · · + xn ) + n nx2 n n + · · · + x2 ) − 2x x + x2 n n · · · + x2 ) gdje je x2 = glase: x2 + x2 + · · · + x2 .3. 2.4 1.0 1. s s c c s c Pogledajmo kako moˇemo dobiti jednostavniju formulu za raˇunanje varijance.8 − 14.2 − 0. 2. 2.7. σ 2 ≈ 0. [0. 0. ˇto je vidljivo iz varijance – ve´a varijanca znaˇi da je rasprˇenost ve´a. Tih ˇest jednakih s 6 dijelova su intervali [0.0. 1. 1.2. 3. varijancu i standardnu devijaciju zadanih s c c podataka.7]. 2. [2. 2.0.6. c 1+2+3+6+7 = 3.36 ≈ 2. Duljina tog intervala c s je 3. [2.6.4. 3.7 1 1 2 1 0.5.6 0.7.5. 2. 2. Zadani su brojevi 2.0.0. 6.6.764 18 . 0.2 = 3 pa je duljina svakog od ˇest jednakih dijelova tog intervala 3 = 0.5.2 0. 2.2. 2.4.8. σ= (1) Primjer 3.6 1.3 2. [1.

3. Ako je k = 1 onda imamo r ≤ n.95 1.95 2. c x f 0. varijanca i standardna devijacija ovako c c grupiranih podataka se obiˇno ne razlikuju mnogo od pravih vrijednosti.2]) podijeliti na 6 jednakih c podintervala. barem se 89% od svih n podataka nalazu unutar tog intervala. x + 3σ]. tj. z s s c ˇ s ˇ Cebiˇevljev teorem. σ ≈ 0. a za frekvencije ´emo uzeti broj podataka koji se nalaze u pojedinom podintervalu. xn tako da je |xi − x| > kσ za neki broj k.45 1. c s c onda na osnovu ta dva podatka ipak moˇemo joˇ neˇto saznati pomo´u Cebiˇevljevog teorema.45 0.7. 19 . s c Ako je k = 2 onda imamo r ≤ n . Ovdje ´emo cijeli interval u kojem se nalaze podaci ([0. a aritmetiˇka sredina. . . c Tako dobivamo manju i ˇitljiviju tabelu.5625.95 1. xn .75 8 7 6 5 4 3 2 1 6 0.95 4 4 6 8 5 3 x ≈ 1. najviˇe jedna ˇetvrtina (25%) od svih n podataka se nalazi izvan 4 intervala [x − 2σ. .45 2. k2 (2) Ako je k = 3 onda imamo r ≤ n . tj. x2 .95 Ako o nekim brojˇanim podacima ne znamo niˇta osim njihove aritmetiˇke sredine i standardne devijacije. tj. Neka je c r ≤ n broj brojeva iz zadanog niza x1 . Za aproksimaciju vrijednosti koje pripadaju nekom podintervalu ´emo uzeti poloviˇte c s podintervala. . σ 2 ≈ 0.95 2. . tj.45 0. nerijetko se podaci grupiraju c c po intervalima. .45 2. x + 2σ]. barem se 75% od svih n podataka nalazu unutar tog intervala. najviˇe jedna devetina (oko 11%) od svih n podataka se nalazi izvan s 9 intervala [x − 3σ.2. Tada vrijedi: r≤ n . tj.45 1. s Neka su x aritmetiˇka sredina i σ > 0 standardna devijacija nekog niza brojeva x1 . . . mogu´e je sve – da svi brojevi budu izvan intervala (l = n) ili da svi c brojevi budu unutar njega (l = 0). x2 .U sluˇajevima kada ima puno razliˇitih podataka s malim frekvencijama.

= [x − 3σ. Traˇeni interval je [x − kσ. sc z z Koji je najmanji interval oko aritmetiˇke sredine x = 10 za koji sa sigurnoˇ´u moˇemo tvrditi da sadrˇi c barem 50% zadanih podataka. s ˇ s Prema nejednakosti (2) iz Cebiˇevljevog teorema i prema zahtjevu zadatka mora vrijediti r ≤ n/k 2 = n/2. 1]s. ako je σ = 1. 1]. k = [7. c Koliko podataka se. x + σ] [−2.475].j. 3]? z= x−x σ ⇒ x = x+z·σ ne moˇe se niˇta konkretno re´i z s c [−1.414. x + 3σ] barem 89% brojeva je unutar intervala Primjer 5. 2]s. 12.j. tj.89% ili viˇe s 75% ili viˇe s ? x − 3σ ? x − 2σ x−σ x x+σ ? x + 2σ ? x + 3σ Dakle aritmetiˇka sredina x i standardna devijacija σ zajedno nam mogu dati dobar uvid u rasprˇenost c s podataka oko njihove aritmetiˇke sredine (ako je σ > 1). u standardnim jedinicama. x + 2σ] = z 20 . √ √ √ 2 ≈ 1. 3]s. = [x − σ. x + 2σ] barem 75% brojeva je unutar intervala [−3. = [x − 2σ.j. nalazi u intervalima [−1. 2] i [−3.525. dakle k 2 = 2. x + kσ] = [x − 2σ.75? Rjeˇenje. [−2.

Dani su brojevi: 4. 1. 103. 103. 96. 3. varijancu i standardnu devijaciju. 6. 102. Rjeˇenje. 3. 97. 6. 3.2 0. 4. 4. 6. Zadatak 4. 2. 2.1 0. Odredite razrede. 6.69 Zadatak 2. 4.2 0. 3. 4. 4. 103. 5. 5.3? 21 . 102. 1. Zadatak 3.44 = 2. 3. 94. 5. 6 broj razreda: 6 tabela frekvencija i kumulativna funkcija: x f rf cf 1 2 3 4 5 6 3 1 5 4 2 5 0. Odredite razrede. 97. 95. sastavite tabelu frekvencija s kumulativnom funkcijom te izraˇunajte aritmetiˇku c c sredinu. 103. sc z z Koji je najmanji interval oko aritmetiˇke sredine x = 12 za koji sa sigurnoˇ´u moˇemo tvrditi da sadrˇi c barem 60% zadanih podataka. 1.8 c varijanca: σ 2 = x2 − x2 = 17. 97. 103. 104. 4. 3. 2. 103. 3. 5. 102.25 0. ako je σ = 1. 6. sastavite tabelu frekvencija s kumulativnom funkcijom te izraˇunajte aritmetiˇku c c sredinu. 99. 97.3 − 14. 2. varijancu i standardnu devijaciju. 96. s zadanih brojeva ima: 20 razredi: 1. 3. 99.15 0.05 0.65 0. 5. 102. 1. 98. Odredite razrede.45 0. 102. 96. 4. 6.25 0. 2. Dani su brojevi: 94. 101. 5. 1. 100.Zadaci Zadatak 1. sastavite tabelu frekvencija s kumulativnom funkcijom te izraˇunajte aritmetiˇku c c sredinu. 99. 4. 4. 98.75 1 aritmetiˇka sredina: x = 3. 3. 4. Dani su brojevi: 6. 6. 95. 100. varijancu i standardnu devijaciju.86 standardna devijacija: σ = 1.15 0.

ali je za oˇekivati da c c c c je toˇnije ono mjerenje s manjim odstupanjima od aritmetiˇke sredine (s manjim rasipanjem oko aritmetiˇke c c c sredine). Mjerenje kod kojeg je taj omjer manji je c preciznije. . σx i y.3l.7854l) Odredite koje je od ova dva mjerenja preciznije.2l (u litrama) mjerenje B: 26. . σ 5. 26. σy . Dva niza mjerenja iste udaljenosti su dala sljede´e podatke: c mjerenje A: 105m. 115yd. σ ≈ 5. 1gal = 3.9gal.025 mjerenje B: x = 111yd. U primjeru koji slijedi to ne moˇemo odmah napraviti. 98m. 101. xn i y1 . Usporedivanje razliˇitih rezulc c tata Usporedivanje razliˇitih mjerenja c Mjerenja iste veliˇine se mogu izvoditi razliˇitim naˇinima ili instrumentima i pojavljuje se potreba za c c c jednostavnim postupkom usporedivanja rezultata razliˇitih mjerenja.4l. y2 . 101.7l.1gal.6m 2.7gal. 92m. 101m (u metrima) mjerenje B: 109yd. 25.3m ≈ ≈ 0. 26. jer z su vrijednosti u razliˇitim mjernim jedinicama. 22 .3m.82yd. . .1gal. To op´enito nije mogu´e odrediti.053 x 100.6gal (u galonima. 1yd = 0.6 Usporedivanje razliˇitih mjerenja. 111yd (u jardima. . σ ≈ 2.5l. ˇ Zeljeli bismo ocijeniti koje mjerenje je bilo toˇnije. ym i njima pripadaju´e aritmetiˇke sredine i standardne devijacije x.6m. 107yd. tj. U takvoj situaciji imamo dva niza c c c brojeva x1 . ≈ x 111yd Mjerenje B ima manji omjer i smatramo ga preciznijim. Zadatak 1. Dva niza mjerenja istog volumena su dala sljede´e podatke: c mjerenje A: 101.82yd σ ≈ 0. . 26. a drugi je c c da usporedimo omjere standardne devijacije i aritmetiˇke sredine. 107m. s manjom standardnom devijacijom.914m) Aritmetiˇka sredina i standardna devijacija tih dvaju mjerenja su redom: c mjerenje A: x = 100. 98. Jedan naˇin bi bio da jarde pretvorimo u metre. 99. x2 . σx σy Dakle usporedujemo brojeve i i manji omjer odreduje preciznije mjerenje. x y Primjer 1. . . 113yd.

koji ne mora provjeravati isto gradivo. koji ne mora provjeravati isto gradivo. Alen je dobio 86 bodova na testu. a σ = 8. Tko je postigao bolji rezultat od njih dvojice? Ne moˇemo direktno usporedivati njihove bodove z zbog razliˇitih x i σ. σ U primjeru imamo redom: Marko z = Alen z = 85−79 8 = 0. c Marko je dobio 85 bodova na testu na kojem je prosjeˇna vrijednost bodova svih kandidata bila x = 79. ve´i broj dobivenih bodova c c c ne znaˇi odmah i bolji uspjeh. Pogledajmo primjer. ˇto znaˇi da njihove rezultate moramo prevesti u standardne jedinice. a na kojem je x = 80. a σ = 5.Usporedivanje razliˇitih rezultata c Tipiˇna situacija u kojoj treba usporedivati razliˇite rezultate su ispiti. Naime. Zadatak 1. a c σ = 8.75 75−70 5 =1 U standardnim jedinicama ve´a vrijednost oznaˇava bolji rezultat pa zakljuˇujemo da je Alen bolje rijeˇio c c c s test. a na kojem je x = 70. Alen je dobio 75 bodova na testu. onda se x prevodi u c standardnu jedinicu z formulom z= x−x . a σ = 6. Ako je x jedan c s c od danih brojeva iz uzorka sa aritmetiˇkom sredinom x i standardnom devijacijom σ. Na jednom drugom testiranju je Marko dobio 95 bodova na testu na kojem je prosjeˇna vrijednost c bodova svih kandidata bila x = 90. Tko je postigao bolji rezultat od njih dvojice? 23 .

. yn ).. onda je linearna povezanost slaba ili nikakva. . Primijetimo da iz formule za b slijedi da se toˇka (x. . (tj. y2 . (xn . xn s c i y1 . . y) nalazi na traˇenom pravcu. . c z j=1 Odstupanje zadanih podataka od pravca zadanog jednadˇbom y = cx + d raˇunamo po formuli z c 1 n n k=1 (yk − (cxk + d))2 . 2 σx b = y − ax. Broj izraˇunat tom formulom zovemo srednje kvadratno odstupanje zadanih podataka od tog pravca. y1 ). xn i y1 . . ˇto bi znaˇilo da postoji linearna povezanost (korelacija) izmedu nizova brojeva x1 . .. . Pravac c n 1 (yk − (axk + b))2 ) najmanje regresije je jedinstveni pravac kojem je srednje kvadratno odstupanje. . to su zadani nizovi brojeva bolje linearno povezani. yn . .7 Linearna regresija Zadani su parovi brojeva: (x1 . 24 .(x2 . Postoji mogu´nost da su te toˇke grupirane oko c c nekog pravca. Ako s z je r blizak nuli. . Jednadˇba tog pravca. c Koeficijent korelacije r je mjera linearne povezanosti nizova brojeva x1 .. . Navedenom metodom dobivamo sljede´e formule za traˇene brojeve a i b: c z n xj yj − nx · y a= j=1 n j=1 1 n = n xj yj − x · y 1 n j=1 n j=1 = x2 − x2 j xy − x · y x2 −x 2 = x2 − nx2 j xy − x · y . Zgodno je znati da je predznak broja r isti kao i predznak koeficijenta smjera pravca regresije. . yn . x2 . kojeg zovemo pravac regresije je z y = ax + b gdje su a i b nepoznati brojevi koje dobivamo metodom najmanjih kvadrata. y2 ). a raˇunamo ga c prema formuli: n xj yj − nx · y r= j=1 n j=1 x2 − nx2 j n j=1 = 2 yj − ny2 xy − x · y x2 − x2 y 2 − y2 = xy − x · y σx σy Uvijek vrijedi: −1 ≤ r ≤ 1 i ˇto je |r| bliˇi broju 1. n k=1 mogu´e. . . gdje je xy = 1 n n xj yj . .

z c 3.212 · x + 3. . n xn xj yn yj xn yn xj yj n x2 n x2 j x2 x2 1 x2 2 .4. x · y = 16. .8. c 4. n x·y x1 y1 x2 y2 .4 2 x2 yj j 9 9 25 16 36 4 64 4 100 4 234 37 46. .4 x= 32 5 = 6. z c 2. . .4 2.6 15.6. prvo sastavljamo sljede´u tabelu: c c j 1 2 .4. . a = . . Odredite jednadˇbu pravca regresije i skicirajte ga zajedno s toˇkama. Izraˇunajte srednje kvadratno odstupanje podataka iz tabele od odgovaraju´ih vrijednosti za c c pravac regresije. . . y = xy − x · y 13 5 = 2. . n y y1 y2 . y 2 = 7. b = y − ax 25 . n x x1 x2 . x2 = 46.8 7. j=1 j=1 j=1 x y xy j=1 x2 j=1 y2 Vrijednosti iz zadnjeg retka uvrˇtavamo u pripadne formule. . n 2 yn 2 yj y2 2 y1 2 y2 . s Primjer 1.959 y = ax + b.64. Mjerenjem statistiˇkih obiljeˇja x i y su dobiveni sljede´i brojevi: c z c x y 3 3 5 4 6 2 8 2 10 2 1.Da bismo izraˇunali a i b. Prikaˇite toˇke (xj . Izraˇunajte koeficijent korelacije. Rjeˇenje. . s j 1 2 3 4 5 Σ xj yj xj · yj 3 3 9 5 4 20 6 2 12 8 2 16 10 2 20 32 13 77 6.4 x2 − x2 y = −0. xy = 15. yj ) u pravokutnom koordinatnom sustavu.

r=

xy − x · y x2 − x2 y2 − y2

= −0.641, r2 = 0.411 1 n
n

Srednje kvadratno odstupanje je: 0.3767 =

(yk − (axk + b))2 .

k=1

5 6 4 + 3 2 + + + +

3

1 0 2 4 6 8 10

0

Posebno oznaˇena toˇka na pravcu ima koordinate (x, y) = (6.4, 2.6). c c Primjer 2. Dvije standardne igra´e kockice, plavu i crvenu, bacamo 11 puta. Neka je xk broj koji je ”pao” na c plavoj kockici u k–tom bacanju, a yk suma brojeva koji su ”pali” na plavoj i crvenoj kockici u k–tom bacanju. Na plavoj kockici su pali redom sljede´i brojevi: 3, 3, 2, 3, 4, 4, 2, 1, 1, 4, 3, c a na crvenoj: 2, 3, 1, 4, 3, 2, 4, 1, 2, 4, 4, Nadite jednadˇbu pravca regresije za toˇke (xk , yk ), k = 1, . . . , 11 i skicirajte ga u koordinatnoj ravnini z c zajedno sa toˇkama. Izraˇunajte koeficijent korelacije. c c

26

Rjeˇenje. s j 1 2 3 4 5 6 7 8 9 10 11 Σ xj yj xj · yj 3 5 15 3 6 18 2 3 6 3 7 21 4 7 28 4 6 24 2 6 12 1 2 2 1 3 3 4 8 32 3 7 21 30 60 182 2.73 5.45 16.55 x= y = 1.507 · x + 1.343,
30 11 2 x2 yj j 9 25 9 36 4 9 9 49 16 49 16 36 4 36 1 4 1 9 16 64 9 49 94 366 8.55 33.27 60 11

= 2.73, y =

= 5.45

r = 0.85, r2 = 0.71

srednje kvadratno odstupanje je 1.0041

8

6 +

+ + +

6

+

3

+ +

4 + 2 + 0 1 2 3 4 +

0 -1

Posebno oznaˇena toˇka na pravcu ima koordinate (x, y) = (2.73, 5.45). c c

27

Primjer 3. Zadane su sljede´e toˇke: (20, 82), (25, 98), (25, 98.6), (26, 101.8), (28, 106.8), (27, 107), (26, 105.2), c c z (28, 110.2), (30, 117.6), (29, 117) Nadite jednadˇbu pravca regresije i skicirajte ga u koordinatnoj ravnini zajedno sa zadanim toˇkama. Izraˇunajte koeficijent korelacije. c c Rjeˇenje. s j 1 2 3 4 5 6 7 8 9 10 Σ
2 xj yj xj · yj x2 yj j 20 82 1640 400 6724 25 98 2450 625 9604 25 98.6 2465 625 9721.96 26 101.8 2646.8 676 10363.24 28 106.8 2990.4 784 11406.24 27 107 2889 729 11449 26 105.2 2735.2 676 11067.04 28 110.2 3085.6 784 12144.04 30 117.6 3528 900 13829.76 29 117 3393 841 13689 264 1044.2 27823 7040 109998.28 26.4 104.42 2782.3 704 10999.83 264 10 1044.2 10

x=

= 26.4, y =

= 104.42

Jednadˇba pravca regresije je y = 3.638 · x + 8.375. Koeficijent korelacije je r = 0.98, r2 = 0.97. z Srednje kvadratno odstupanje je 3.1134. 120 + 115 110 105 100 95 90 85 + 80 20 22 24 26 28 30 + + +3 + + + + +

Posebno oznaˇena toˇka na pravcu ima koordinate (x, y) = (26.4, 104.42). c c

28

2. 22. Dvije standardne igra´e kockice. 4. (21. a yk suma brojeva koji su ”pali” na plavoj i crvenoj kockici u k–tom bacanju.6). 6. 5. (20.6). c a na crvenoj: 4. c c Zadatak 2. 31. 3. 1. 28). 1. (22.2) Nadite jednadˇbu pravca regresije i skicirajte ga u koordinatnoj ravnini z zajedno sa zadanim toˇkama. bacamo 11 puta. 3.2). plavu i crvenu. 1. . 1. 17. Zadane su sljede´e toˇke: (14. yk ). . Na plavoj kockici su pali redom sljede´i brojevi: 4. 25. k = 1. c c (17. 2.2). 4. 1. 20. (12.6). Izraˇunajte koeficijent korelacije. 15. Izraˇunajte koeficijent korelacije. (14. 3. . 5.8). 5.2). (18. Neka je xk broj koji je ”pao” c na plavoj kockici u k–tom bacanju. Nadite jednadˇbu pravca regresije za toˇke (xk . 2. 20. 24. (17.8). . 18. 6. 5. 11 i skicirajte ga u koordinatnoj ravnini z c zajedno sa toˇkama. 2. (17. c c 29 .Zadaci Zadatak 1.

kao ˇto c s je to npr. bacanje novˇi´a na sluˇajan naˇin . ali ne moˇemo unaprijed znati koji od njih.Dio II Vjerojatnost 8 Dogadaj. 3. ”pao” broj 5). c z c Teorija vjerojatnosti se bavi modeliranjem procesa kojima nije mogu´e unaprijed predvidjeti ishod.znamo da ´e pasti ili pismo ili glava. A ∩ B = pao je neparan i prost broj = {3. 5} i A \ B = pao je prost broj koji nije neparan = {2}. c c c s Vidjet ´emo kasnije kako moˇemo izraˇunati vjerojatnosti navedenih dogadaja. unija i razlika. stolje´a. 5} i ako bacanjem z c s c kockice padne broj 2. presjek. De M´r´ se kladio na sljede´e dogadaje: e e c • U ˇetiri bacanja simetriˇne kockice ´e pasti barem jedna ˇestica. 3. a skup svih elementarnih dogadaja Ω zovemo prostor elementarnih dogadaja. elementarni dogadaj se ne prikazuje preko jednostavnijih dogadaja. c c Svaki od brojeva koji mogu pasti na kockici se smatra elementarnim dogadajem (intuitivno. onda je dogadaj A nastupio. Drugi primjer bi bio bacanje standardne igra´e kockice sa ˇest strana s jednim od brojeva 1. 6}. a dogadaj B nije. onda je s njima mogu´e obavljati skupovne operacije kao ˇto su komplement. re´i ´emo da je nastupio dogadaj A. Mogli bismo re´i da je bacanje novˇi´a sluˇajni pokus s dva mogu´a s c c c cc c c ishoda koji su elementi skupa {p. ako je A ⊆ Ω. g}. Nakon ˇto bacimo kockicu i nakon ˇto ona mirno stane c c s s na horizontalnoj podlozi. 30 . c c c s • U dvadesetˇetiri bacanja dviju simetriˇnih kockica ´e barem jednom pasti ˇestica na obje kockice. Neka je A = {2. onda je skup A dogadaj. 5. Dakle na bacanje kockice z z takoder moˇemo gledati kao na sluˇajni pokus sa ˇest razliˇitih ishoda. 2. 6 (ili c s odgovaraju´im brojem toˇkica) na svakoj strani. Tako u gornjem primjeru moˇemo npr. tj. 5. u primjeru s bacanjem kockice moˇemo c z promatrati dogadaje A = pao je prost broj = {2. Na osnovu rasprave koja je uslijedila. Dogadaj se definira kao bilo koji podskup prostora elementarnih dogadaja Ω. Za dogadaj A ´emo re´i da je nastupio ako je ishod c c c nekog sluˇajnog pokusa jedan od elementarnih dogadaja iz A. 3. c s Kako su dogadaji skupovi. 5} i B = pao je neparan broj = {1. ali ne znamo sa sigurnoˇ´u cc c c c sc ˇto ´e toˇno pasti u jednom bacanju. Vjerojatnost Zaˇeci teorije vjerojatnosti su stvoreni sredinom 17. Pascal i Pierre de Fermat su razvili osnove teorije vjerojatnosti. njena gornja strana ´e uvijek odredivati jedan od brojeva iz skupa {1. Broj elemenata skupa A oznaˇavamo s |A|. 4. promotriti dogadaje z A = Ω \ A = nije pao prost broj = {1. 5} pa ako je bacanjem kockice pao broj 2. 4. 3. 2. npr. 3. 2. kada je francuski plemi´ Chevalier de M´r´ c c c e e postavio nekoliko pitanja o vjerojatnosti nekih dogadaja prilikom kockanja Blaisu Pascalu. bilo zato ˇto se to ne moˇe ili zato ˇto nas to ne s z s zanima). 5}. 3. 6} c (kaˇemo da je npr. 4. A ∪ B = pao je neparan ili prost broj = {1.

. Na svakom od njih moˇe pasti ili pismo ili glava c cc z pa je prostor elementarnih dogadaja jednak Ω = {pp. . 2). . (6. gp.) cc c c c Primjer 2. 6)} kojeg se jednostavno moˇe prikazati sljede´om tabelom: z c 31 .Ω A Ω A dogadaj A dogadaj A Ω A B Ω A B presjek dogadaja A i B: A ∩ B unija dogadaja A i B: A ∪ B Ω A B Ω A B razlika dogadaja A i B: A \ B A = (A \ B) ∪ (A ∩ B) Primjer 1. (1. Promotrimo sve mogu´e ishode bacanja dviju standardnih kockica. p) gdje prva komponenta para predstavlja broj koji je pao na crvenoj kockici. pg. 1). Jedan ishod je c predstavljen uredenim parom brojeva (c. (Radi jednostavnosti zamislimo da su novˇi´i razliˇite veliˇine i da prvo zapisujemo ishod bacanja ve´eg od njih. . gg}. crvene i plave. a druga komponenta predstavlja broj koji je pao na plavoj kockici. Promotrimo sve mogu´e ishode bacanja dvaju novˇi´a. Prostor elementarnih dogadaja Ω je skup svih takvih parova brojeva Ω = {(1.

(3. 6) (3. 4). teˇko je.. 4). {K1.3) (4. (4.3) (5. jedan mjesec. Budu´i c je nepoznat maksimalni broj zahtjeva. 3). 1) (6. 2) (2. c c Jedan ˇahovski klub ima tri igraˇa K1 . 5) (2. 2) 3 (1. 2) (6.3) (6. Zbog toga se koristi malo drugaˇija definicija prostora elementarnih dogadaja od navedene. (1.). 6). 6) (6.. 3). Primjer 4. 2. 4) (5. 5) 6 (1. 3)} (oznaˇeni c pravokutnicima) B = razlika ve´eg i manjeg broja je 2 = {(3. 2) (3. 1) (5. K3 medu kojima treba sluˇajno izabrati dvojicu koji ´e s c predstavljati klub na turniru. Svaki ishod c c je predstavljen dvoˇlanim podskupom skupa {K1 . . 5) (5. K2 . K3 }} koji ima tri elemenata.5) (4. (5. Sluˇajni pokus se sastoji od biranja dva igraˇa od njih tri. 1) (3. 1). K2 }. 3). a z c c iz nekih teoretskih razloga je pogodnije za prostor elementarnih dogadaja uzeti navedeni beskonaˇni skup. c Definicija. (3. 5) (6.} koji je beskonaˇan. c Ako nije navedeno drugaˇije smatrat ´emo da je skup svih elementarnih dogadaja Ω konaˇan skup. . 6)} (oznaˇeni c c ovalima) c A ∪ B = elementarni dogadaji oznaˇeni pravokutnicima ili ovalima A ∩ B = elementarni dogadaji oznaˇeni pravokutnicima i ovalima c Primjer 3. Neka je sluˇajni pokus registriranje broja zahtjeva za prikazivanje odredene web stranice tijekom c nekog odredenog vremenskog perioda (jedan minut. 4) (2. Naravno. 4). 3). 24 sata. 3) (2. najzgodnije je za prostor elementarnih dogadaja uzeti skup N0 = {0. K3 } pa je prostor elementarnih dogadaja skup c Ω = {{K1 . . {K2 . 5). (6. uvijek moˇemo za gornju granicu uzeti neki jako veliki broj za kojeg c z moˇemo biti sigurni da nikad ne´e biti dosegnut. (5. K3 }. 6) (5.6) (4. (2. 5). 1) (2. c c c s ograniˇiti taj broj. c Prostor elementarnih dogadaja nekog sluˇajnog pokusa je skup Ω sa svojstvom da svakom ishodu pokusa odgovara toˇno jedan element iz tog skupa i da razliˇitim ishodima odgovaraju razliˇiti elementi tog skupa.4) (4. 2) (5. 2). jedan sat. 2) (4. (4. 1) (4. 3). ali pokazuje se da je to nepotrebno kompliciranje. 1.3) 4 (1. 5) (3. a i nepotrebno. (3. 3) (3. 3. c c c Dogadaj je podskup prostora elementarnih dogadaja. 6) (2.c\p 1 2 3 4 5 6 1 (1. 4) (3. 1) 2 (1. 6) Sljede´i dogadaji su oznaˇeni u gornjoj tabeli: c c A = manji od dva broja koji su pali je 3 = {(3. 4) 5 (1. 4) (6. (6. c c 32 . Iako ´e broj zahtjeva biti konaˇan. K2 . (4. (3.

Odredite sljede´e s z cc c dogadaje: A = pala su barem dva pisma B = pale su najviˇe dvije glave s A ∩ B =? A ∪ B =? Zadatak 2.Zadaci Zadatak 1. crvene i plave. Odredite prostor elementarnih dogadaja za navedeni sluˇajni pokus. Sluˇajno se. Promotrimo sve mogu´e ishode bacanja dviju standardnih kockica. Jedan ishod je c predstavljen uredenim parom brojeva (c. Napiˇite prostor elementarnih dogadaja koji sadrˇi sve ishode bacanja triju novˇi´a. jedna po jedna izvlaˇe z c c c c dvije kuglice. Odredite sljede´e c dogadaje: Pp = produkt brojeva koji su pali na kockicama je prost broj Ps = suma brojeva koji su pali na kockicama je prost broj A6 = suma brojeva koji su pali na kockicama je 6 Zadatak 3. bez vra´anja. p) gdje prva komponenta para predstavlja broj koji je pao na crvenoj kockici. U posudi se nalazi sedam zelenih i dvije ˇute kuglice. a druga komponenta predstavlja broj koji je pao na plavoj kockici. Kako bi izgledao ˇ prostor elementarnih dogadaja ako bi u posudi bila samo jedna ˇuta kuglica? Sto ako kuglice vra´amo z c u posudu nakon ˇto ih izvuˇemo? s c 33 .

ˇto zajedno s prethodnom relacijom daje sljede´u formulu za vjerojatnost unije dva proizvoljna dogadaja s c (aditivna formula): P (A ∪ B) = P (A) + P (B) − P (A ∩ B). A. Direktno iz definicije se dobiva P (Ω) = |∅| |Ω| = 1 i P (∅) = =0 |Ω| |Ω| 2. Tada c c se klasiˇna definicija vjerojatnosti ’a priori’ dogadaja A definira formulom c P (A) = |A| broj povoljnih elementarnih dogadaja mA = = m |Ω| broj svih elementarnih dogadaja (3) gdje je mA = |A| broj elementarnih dogadaja od kojih se sastoji dogadaj A.Klasiˇna definicija vjerojatnosti ’a priori’ c Neka je Ω = {ω1 . 34 . Naravno. A ⊆ Ω. . Zbog B = (B \ A) ∪ (A ∩ B). B ⊆ Ω onda vrijedi |A ∪ B| = |A| + |B| pa imamo P (A ∪ B) = P (A) + P (B). 4. Za svaki dogadaj A vrijedi ∅ ⊆ A ⊆ Ω iz ˇega zbog 0 = |∅| ≤ |A| ≤ |Ω| dobivamo (dijeljenjem s |Ω|) c sljede´e: c 0 ≤ P (A) ≤ 1. Ako su A i B dogadaji takvi da vrijedi A ⊆ B. Ako su A i B disjunktni dogadaji (A ∩ B = ∅). B ⊆ Ω. . Sada se zbog A ∪ B = A ∪ (B \ A) i ˇinjenice da je ta unija disjunktna (pa se moˇe primijeniti prethodna jednakost) dobiva z P (A ∪ B) = P (A ∪ (B \ A)) = P (A) + P (B \ A). kojih mora biti konaˇan broj. dobivamo: s P (B) = P ((B \ A) ∪ (A ∩ B)) = P (B \ A) + P (A ∩ B). tj. ˇto je takoder disjunktna unija. a m = |Ω| broj svih elementarnih dogadaja iz prostora elementarnih dogadaja Ω (|Ω| je broj elemenata skupa Ω). 3. da bi formula imala smisla. A. onda je A = Ω \ A dogadaj suprotan dogadaju A i zbog |A| = |Ω| − |A| vrijedi P (A) = |Ω| − |A| |A| = = 1 − P (A). Neka je A dogadaj. |Ω| |Ω| 5. . Neka su A i B dogadaji. ω2 . Ako je A ⊆ Ω dogadaj. c 6. onda vrijedi |A| ≤ |B| odakle (dijeljenjem s |Ω|) dobivamo P (A) ≤ P (B). c Svojstva vjerojatnosti 1. jednako mogu´i. . ωm } prostor elementarnih dogadaja vezan uz neki sluˇajni pokus tako da su svi c elementarni dogadaji. skup Ω mora biti konaˇan.

a dogadaj ˇija vjerojatnost nas zanima je c A = {3. Kolika je c vjerojatnost da ´e izvuˇena kuglica biti zelene boje? c c Rjeˇenje. Broj povoljnih elementarnih dogadaja je mA = 4. 6}. Kolika je vjerojatnost da ´e bacanjem standardne simetriˇne kockice pasti broj ve´i od 2? c c c Rjeˇenje. s Prostor elementarnih dogadaja je skup Ω = {1.Primjer 1. z5 . broj svih dogadaja je m = 10 pa je vjerojatnost dogadaja A prema klasiˇnoj formuli ’a priori’ jednaka c P (A) = 7 . 6 3 35 . a dogadaj ˇija vjerojatnost nas zanima je A = {z1 . 5. }. 5. z7 . p2 . 6}. z2 . z3 . z5 . 2. Broj povoljnih elementarnih dogadaja je mA = 7. Iz posude se izvlaˇi jedna kuglica. U posudi se nalazi sedam zelenih i tri plave kuglice. 4. z3 . z2 . 10 Primjer 2. z4 . broj svih dogadaja je m = 6 pa je vjerojatnost dogadaja A prema klasiˇnoj formuli ’a priori’ jednaka c P (A) = 2 4 = . z6 . s c Prostor elementarnih dogadaja je skup Ω = {z1 . 4. 3. p1 . z7 . z6 . z4 . p3 }.

(6. U tri posude se nalazi redom 19. c po jedan iz svake od tih posuda? Tri bombona. c Promatramo dva dogadaja prilikom bacanja dviju simetriˇnih kockica. 3). Skup svih takvih kombiniranih dogadaja je kartezijev produkt skupova A i B. z c princip produkta Ako su dogadaji A i B nezavisni. (4. tj. Ima ih dva: princip sume i princip z produkta. c Promatramo dva dogadaja prilikom bacanja simetriˇne kockice: A = pao je broj ve´i od 3 = {4. U tome nam pomaˇu principi prebrojavanja u kombinatorici. a c elementaran dogadaj iz skupa B. gdje je p elementaran dogadaj iz skupa A. (6. Na koliko naˇina se moˇe uzeti jedan bombon c z iz svih tih posuda? Jedan bombon iz svih posuda se moˇe uzeti na 19 + 23 + 21 = 63 naˇina. A × B = {(2. Kako niti jedan prost broj ve´i od 3 nije paran. dogadaj A ∪ B moˇe nastupiti na 4 naˇina. mogu nastupiti neovisno jedan o drugom. princip sume z Ako su A i B dogadaji koji ne mogu nastupiti istovremeno (tj. (Princip produkta vrijedi i ako je rijeˇ o konaˇno c c c mnogo dogadaja koji su u parovima nezavisni. 5} c z Dogadaji A i B su oˇito nezavisni (rezultat bacanja plave kockice nikako ne moˇe utjecati na rezultat bacanja crvene i obrnuto). 6} B = na crvenoj kockici je pao neparan prost broj = {3. 5). se moˇe uzeti na 19 · 23 · 21 = 9177 naˇina. 36 . plave i crvene: A = na plavoj kockici je pao paran broj = {2. onda kombinacije dogadaja A i B mogu nastupiti na |A| · |B| naˇina. U tri posude se nalazi redom 19. (2. z c Primjer 2. 5). po jedan iz svake od tih posuda. tj.) Primjer 3. c). 23 i 21 bombon. c B = pao je paran prost broj = {2}. z c Primjer 4.) Primjer 1. 3). (Princip sume vrijedi i ako je rijeˇ o konaˇno mnogo dogadaja koji u c c c parovima ne mogu nastupiti istovremeno. 5)} i broj njegovih elemenata je |A × B| = |A| · |B|. 23 i 21 bombon. (4. Na koliko naˇina se mogu uzeti tri bombona. 3). 4. A ∩ B = ∅) onda dogadaj A ∪ B moˇe nastupiti na |A| + |B| naˇina. Sve kombinacije dogadaja A i B se mogu prikazati preko skupa uredenih parova (p. 5. dogadaji A i B ne mogu nastupiti istovremeno c (A ∩ B = ∅) pa vrijedi |A ∪ B| = |A| + |B|. ali ˇesto nije lagano prona´i brojeve koje treba u nju c c c uvrstiti. 6}.Principi prebrojavanja Klasiˇna formula vjerojatnosti ’a priori’ je jednostavna.

· (n − k + 1) n! = . . Drugi element niza c c z c moˇemo izabrati na n − 1 naˇin. . . Faktorijeli Umnoˇak svih prirodnih brojeva od 1 do n se oznaˇava n! i ˇita se ”en faktorijela”. 5·4 = 10. Binomni koeficijenti. Posebno se definira 0! = 1. koliko ima permutacija c c z c od n razliˇitih elemenata) uoˇimo da prvi element niza moˇemo izabrati na n naˇina. c c 37 . 3! = 1 · 2 · 3 = 6. Za n ≥ 0 vrijedi: (n + 1)! = (n + 1) · n! Primjer 1. Da bi izraˇunali na koliko naˇina moˇemo n razliˇitih objekata poredati u niz (tj. · (n − 1) · n. binomni koeficijent n k = n · (n − 1) · . · (k − 1) · k n 0 n k (”en povrh ka”) definiramo sa Posebno se definira Primjer 2. 4! = 1 · 2 · 3 · 4 = 3! · 4 = 24 Binomni koeficijenti Za prirodne brojeve n i k. 2! = 1 · 2 = 2. ACBED. . DBCAE su tri permutacije od pet slova. . 5 2 = = 1. Slijedi da n razliˇitih elemenata moˇemo poredati u niz na n · (n − 1) · (n − 2) · . Dakle imamo: z c c n! = 1 · 2 · 3 · . . 1! = 1. Npr. 0 ≤ k ≤ n. 1·2 16 14 = kod kojih je n > = n 2: 16 2 16 · 15 = 120. 1·2 Permutacije Niz od n objekata se zove permutacija tih objekata. ABCDE. . Permutacije. a zadnji element niza je jednoznaˇno z c c c c z odreden. za n ≥ 0 . Tre´i element niza moˇemo izabrati na n − 2 naˇina itd. Kombinacije Uvedimo neke pojmove iz kombinatorike. 1·2 9 4 = 9·8·7·6 = 126 1·2·3·4 Vrijedi sljede´a relacija c n k = n! n! n! = = = k!(n − k)! (n − (n − k))!(n − k)! (n − k)!(n − (n − k))! n k n n−k koja nam ubrzava raˇunanje binomnih koeficijanata c 9 7 = 9 9−7 = 9 2 = 9·8 = 36. · 2 · 1 = n! razliˇitih naˇina. k!(n − k)! 1 · 2 · .Faktorijeli. . Predzadnji element z c c z c niza moˇemo izabrati na dva naˇina (jer su ostali elementi ve´ izabrani).

Na koliko naˇina se moˇe izabrati ˇetveroˇlani tim ako se na raspolaganju ima deset igraˇa? c z c c c 10 10 · 9 · 8 · 7 = 210 naˇina.00111. herc s c i karo). c z c c 38 . Izraˇunajte vjerojatnost s c c c c c da su od pet izvuˇenih karata c (a) sve karte iste boje. U standardnom ˇpilu od 32 karte se nalaze karte od ”sedmice” do ”asa” u sve ˇetiri boje (pik. Iz ovog ˇpila karata izvlaˇi se bez vra´anja na sluˇajan naˇin 5 karata. k c s c c Medu deset igraˇa jednog ˇahovskog kluba treba izabrati tim od njih ˇetiri koji ´e predstavljati klub na turniru. tref. s (a) Karata iste boje ima osam. Izvlaˇenja su medusobno z z c c c nezavisna pa dvije kuglica na opisani naˇin moˇe izvu´i na 7 · 5 = 35 naˇina. a drugu iz c z c c desnog dˇepa? z Iz lijevog dˇepa jednu kuglicu moˇe izvu´i na 7. Boja imamo ˇetiri pa je broj povoljnih ishoda jednak 4 · 56 = 224 c c c 1·2·3 32 32 · 31 · 30 · 29 · 28 = 201376 razliˇitih c Pet karata iz ˇpila od 32 karte moˇemo izabrati na s z = 5 1·2·3·4·5 naˇina. a iz desnog na 5 naˇina. z z c c 2. dakle dvije karte vrijednosti manje od ”desetke” moˇemo izabrati na z = = 66 2 1·2 naˇina. Djeˇak u lijevom dˇepu ima 7. c Rjeˇenja. 201376 4 4·3 (b) Dva ”deˇka” od njih ˇetiri moˇemo izabrati na c c z = = 6 razliˇitih naˇina. c Odgovor: ˇetveroˇlani tim se moˇe izabrati na c c z = 4 1·2·3·4 Primjer 3. dvije karte vrijednosti manje od ”desetke” i pik ”as”. c 224 Traˇena vjerojatnost je jednaka: z ≈ 0. Pet karata iz c z c 6 · 66 · 1 ˇpila od 32 karte moˇemo izabrati na 201376 razliˇitih naˇina. a pet karata iste boje od njih osam moˇemo dobiti na z 8 5 = 8 3 = 8·7·6 = 56 razliˇitih naˇina. Broj svih kombinacija c c n od k elemenata n-teroˇlanog skupa je c . c c 2 1·2 Karte manje vrijednosti od ”desetke” su ”sedmice”. Zadaci Zadatak 1.Kombinacije Kombinacija od k elemenata n-teroˇlanog skupa je bilo koji njegov k-ˇlani podskup. ”osmice” i ”devetke” kojih ukupno ima 4+4+ 12 12 · 11 4 = 12. Na koliko naˇina moˇe izvu´i jednu kuglicu iz svojih dˇepova? c z c z Jednu kuglicu iz svojih dˇepova moˇe izvu´i na 7 + 5 = 12 naˇina. (b) dva ”deˇka”. Pik ”as” je jedna konkretna karta pa je moˇemo izabrati na jedan naˇin. Na koliko naˇina moˇe izvu´i dvije kuglice. c z c 1. tako da jednu kuglicu izvuˇe iz lijevog.0019665. a u desnom 5 razliˇitih staklenih kuglica. Traˇena vjerojatnost je: s z c c z ≈ 201376 0.

Z. Izraˇunajte 6!. . 7 i 8 znakova. Na koliko naˇina moˇe izvu´i dvije kuglice iz svojih dˇepova? c z c z 12 12 · 11 = 66 naˇina.3. z z c c Zadatak 2. Na koliko naˇina se mogu kombinirati s c jedna koˇulja i jedna kravata? s Zadatak 3. Koliko nizova od ˇetiri slova moˇemo dobiti koriste´i mala slova hrvatske abecede? c z c Koristimo princip produkta jer izbor slova na jednom mjestu ne ovisi o izboru slova na drugom. c z c s Promotrimo ˇifre duljine 6. 3 5 6 11 25 i i 52 . ali ne viˇe od 8 (znamenke s i mala slova engleske abecede). . pri ˇemu barem jedan znak mora biti znamenka. U jednoj ladici se nalazi 19 koˇulja. c 2 1·2 5 5·4 Dvije kuglice iz desnog dˇepa moˇe izvu´i na z z c = = 10 naˇina. c Zadatak 7. 4 4 3 3 0 4 7 8 11 30 . 45 Zadatak 9. Ispiˇite sve permutacije slova X. s z Dakle. c 2 1·2 Po dvije kuglice iz svakog od svojih dˇepova moˇe izvu´i na 21 · 10 = 210 naˇina. a u drugoj 7 kravata. Na koliko se naˇina mogu bez ponavljanja poredati znamenke od 1 do 6 u niz? c 39 . Koliko je ukupno mogu´e napraviti takvih registarskih c tablica? ˇ Zadatak 5. . Izraˇunajte c Zadatak 8. P8 = 368 − 268 . Sifra za pristup nekoj bazi podataka mora imati barem 6 znakova. Zadatak 4. s Zadatak 10. . Na koliko naˇina moˇe izvu´i po dvije kuglice iz svakog od svojih dˇepova? c z c z 7 7·6 Dvije kuglice iz lijevog dˇepa moˇe izvu´i na z z c = = 21 naˇin. . Broj svih ˇifri duljine 6 koje moˇemo dobiti od s z s z slova (ima ih 26) i znamenaka (ima ih 10) dobivamo principom produkta: 366 . Y. Koliko je razliˇitih c c ˇifri na raspolaganju za pristup toj bazi podataka? s Da bi izraˇunali traˇeni broj. 5 52 . Na automobilskim registarskim tablicama se nalazi niz od ˇetiri znamenke i dva velika slova enc gleske abecede (engleska abeceda ima 26 slova). c Dvije kuglice od njih 12 moˇe izvu´i na z c = 2 1·2 4. primijenit ´emo princip sume na broj ˇifri od 6. 8! i 11!. broj ˇifri duljine 6 koje se mogu koristiti za pristup je: P6 = 366 − 266 . z s Zadatak 6. Broj svih ˇifri duljine 6 koje moˇemo dobiti samo od slova je 266 . s Traˇeni broj ˇifri je: P6 + P7 + P8 . Izraˇunajte c 32 11 8 6 4 . Primijetimo da je broj ˇifri duljine 6 znakova koje imaju barem jednu s s znamenku jednak broju svih ˇifri duljine 6 koje moˇemo dobiti od slova i znamenaka umanjen za broj s z svih ˇifri duljine 6 koje moˇemo dobiti samo od slova. . s Analogno dobivamo brojeve ˇifri duljine 7 i 8: P7 = 367 − 267 . Na svakom od ˇetiri mjesta se moˇe na´i trideset slova pa je traˇeni broj jednak c z c z 30 · 30 · 30 · 30 = 304 = 810000.

pedeset lipa. D. c c 32 5 pa je traˇena z se. C. onda je to mogu´e jedino ako je jedan od c ”aseva” u hercu. od njih ˇetiri. dvadeset lipa i deset lipa.Zadatak 11.000119 = 32 · 31 · 30 · 29 · 28 201376 1·2·3·4·5 = = (b) toˇno tri ”asa” i toˇno tri herca c c Ako imam pet karata od kojih su tri ”asa” i tri herca. dvije kune. Traˇena 63 = 63 ≈ 0. tri sedmice c c razliˇita naˇina. Ovakvih pet karata moˇemo c z biti ”desetka” pa ih moˇemo izabrati na z = 2 1·2 dakle izvu´i na ukupno 21 naˇin. vjerojatnost je 201376 32 5 (c) toˇno tri iste boje i toˇno ˇetiri ”asa” c c c Traˇena vjerojatnost je nula. J? Zadatak 12. G. mogu izabrati na c 4 3 = 4 1 4 2 razliˇita naˇina. ali niti jedna ne smije c 3 7 7·6 = 21 naˇin. B. herc i karo). I. Dakle dvije dame i tri sedmice c c 4 2 4 1 razliˇitih naˇina.0003. F. Dakle u tih pet karata imamo: jedan ”as” u hercu (jedna mogu´nost). Izraˇunajte vjerojatnost da s c c c c su od pet izvuˇenih karata c (a) toˇno dvije ”dame” i toˇno tri ”sedmice” c c Dvije dame od njih ˇetiri moˇemo izabrati na c z se. U ˇpilu od 32 karte se nalaze karte od ”sedmice” do ”asa” (vrijednosti) u sve ˇetiri boje (pik. Iz ovog ˇpila karata izvlaˇite na sluˇajan naˇin 5 karata. Koliko ima permutacija slova A. s c tref. jer prisustvo ˇetiriju ”aseva” znaˇi da su prisutne sve ˇetiri boje pa z c c c je uvjet nemogu´e ispuniti. c (d) toˇno dva herca i toˇno tri ”desetke” Razlikujemo dva sluˇaja: c c c niti jedna ”desetka” nije u hercu: Tri ”desetke” od kojih niti jedna nije u hercu moˇemo z 3 izabrati na = 1 naˇin. Koliko razliˇitih iznosa moˇete dobiti pomo´u tri kovanice? c z c Zadatak 14. H. mogu izabrati na Ukupan broj naˇina na koje moˇemo odabrati pet karata od njih 32 je c z vjerojatnost jednaka 4 2 32 5 4 3 4 2 32 5 4 1 4·3 · 4 24 1·2 1 ≈ 0. Preostale dvije karte moraju biti u hercu. c c 40 . Dakle broj naˇina na koje moˇemo dobiti takvih pet karata je 1 · 3 · 21 = 63. Neovisno o tome. Imate po jednu kovanicu vrijednosti pet kuna. jedne kune. joˇ dva c s 3 7 asa (od preostala tri – = 3 mogu´nosti) i joˇ dva herca (od preostalih sedam – c s = 21 2 2 c c z z mogu´nost). Koliko ima nizova od osam bitova (bajtova) koji u sebi imaju toˇno tri jedinice? c Zadatak 13. E. prema principu produkta.

Traˇena vjerojatnost je c z c c z 224 = 224 ≈ 0. J. jednak 21 + 441 = 462. Boja c 5 3 1·2·3 ima ˇetiri. 32 5 (f) pet karata iste boje z c Pet karata dane boje (od njih osam) se moˇe izvu´i na 8 8 8·7·6 = = = 56 naˇina. c c (b) toˇno dvije ”devetke” i toˇno tri ”sedmice” . a kako ima jedna ”desetka” u hercu. Traˇena vjerojatnost je 201376 z (e) ˇetiri karte iste vrijednosti (poker) c Oznaˇimo s Nv broj naˇina da od pet izvuˇenih karata bude njih ˇetiri iste vrijednosti v ∈ c c c c {7. od ukupno 32 karte njih 8 c c 1 su u hercu (−8). njih 4 su ”desetke” (−4). c c c (f) toˇno tri “sedmice” i toˇno tri pika. onda preostale dvije moˇemo z 3 3 izabrati na = = 3 naˇina. Ukupan broj naˇina da dobijemo poker je 8 · 28 = 224 pa je traˇena c z 224 vjerojatnost 224 = 201376 ≈ 0. Prema principu sume. a druga ne c 2 1 smije biti u hercu i niti jedna od njih ne smije biti ”desetka”. Izraˇunajmo Nv za proizvoljnu 4 vrijednost v. 10. A}. Peta karta 4 28 moˇe biti bilo koja od preostalih 32 − 4 = 28 pa nju moˇemo izvu´i na z z c = 28 naˇina. 201376 32 5 Zadatak 15. c c (c) toˇno ˇetiri iste boje i pik “as”.002294. Izraˇunajte vjerojatnost da ´e u dva bacanja (istovremeno bacamo obje kocke) c c 41 . 9. jedna mora. K. c c (e) toˇno dvije iste boje i toˇno ˇetiri ”devetke”. tref.00111. Izraˇunajte vjerojatnost da su s c c c c od pet izvuˇenih karata c (a) toˇno tri ”devetke” i toˇno tri pika . s c herc i karo). a onu drugu na 32 − 8 − 4 + 1 = 21 naˇin. nju smo dva puta oduzeli zbog ˇega je potreban +1 na kraju. U ˇpilu karata se nalaze karte od ”sedmice” do ”asa” (vrijednosti) u sve ˇetiri boje (pik. Kartu u hercu moˇemo izabrati z 7 na = 7 naˇina.jedna ”desetka” je u hercu: Ako je jedna ”desetka” u hercu. dakle 1.00111. c c Zadatak 16. broj naˇina na koji moˇemo dobiti poker je suma c z c tih vrijednosti: N7 + N8 + N9 + N10 + NJ + NQ + NK + NA . pa se pet karata iste boje moˇe izvu´i na 4 · 56 = 224 naˇina. Iz ovog ˇpila karata izvlaˇite na sluˇajan naˇin 5 karata. Od preostalih dviju karata. c c (d) toˇno dvije “sedmice” i toˇno dva pika. Broj naˇina da izvuˇemo ˇetiri karte iste vrijednosti je c c c . c Pomo´u principa sume dobivamo da je broj naˇina na koje moˇemo dobiti pet karata iz zadatka c c z 462 ≈ 0. Dakle c 1 imamo: Nv = 1 · 28 = 28. Q. Imamo dvije kocke (na svakoj stranici po jedan broj od 1 do 6): jednu plavu i jednu crvenu. 8. Dakle ovakvih pet karata moˇemo izvu´i na c z c 3 · 7 · 21 = 441 naˇina.

c (b) da ´e barem dvije kuglice biti plave boje. (c) umnoˇak biti neparan broj toˇno jednom. Sluˇajno izvlaˇimo ˇetiri kuglice. c c c (d) da ´e sve kuglice biti razliˇitih boja. tri zelene i pet crnih kuglica.(a) zbroj biti paran oba puta. U posudi imamo sedam plavih. c c c Izraˇunajte vjerojatnost c (a) da ´e sve kuglice biti iste boje. z c (d) umnoˇak biti prost broj barem jednom. z Zadatak 17. c c 42 . (b) zbroj biti manji od 8 oba puta. c (c) da ´e biti izvuˇene kuglice toˇno dviju boja.

onda vrijedi P (A) ≤ 1. Ako je A ⊆ B ⊆ Ω onda vrijedi P (A) ≤ P (B) i P (B \ A) = P (B) − P (A). tj. P (A) = 1 − P (A). iz ˇega direktno slijedi c traˇena relacija P (∅) = 0. Dogadaji A i B \ A su disjunktni pa prema aksiomu P2 vrijedi P (B) = P (A) + P (B \ A) iz ˇega slijedi jedna od traˇenih relacija. Primjena aksioma P1 dovrˇava dokaz traˇene relacije. (monotonost vjerojatnosti) 3. Osnovna svojstva Neka je Ω neprazan konaˇan skup i P funkcija koja svakom skupu A ⊆ Ω pridruˇuje realan broj. dobivamo P (Ω) = P (Ω) + P (∅). za proizvoljne A. onda vrijedi P (A) = 1 − P (A) Dokaz. Skupovi A i A su disjunktni i vrijedi A ∪ A = Ω pa imamo P (A) + P (A) = P (Ω) = 1. 43 . onda vrijedi B = A ∪ (B \ A). B ⊆ Ω vrijedi P (A ∪ B) = P (A) + P (B). 5. 4. Prema aksiomu P1 vrijedi c z P (B \ A) ≥ 0 pa vrijedi i druga traˇena relacija. Vrijedi A ∪ B = A ∪ (B \ (A ∩ B)). Ako je A ⊆ B. Ako je A ⊆ Ω. z s 3. Ako uvrstimo A = Ω i B = ∅ u aksiom P2 . (P je nenegativna funkcija) P2 Za svaka dva disjunktna skupa A. (P je aditivna funkcija) P3 P (Ω) = 1 (P je normirana funkcija. 5. B ⊆ Ω vrijedi P (A ∪ B) = P (A) + P (B) − P (A ∩ B). Prema upravo dokazanom i zbog A ⊆ Ω dobivamo P (A) ≤ P (Ω). z 4. P (∅) = 0 2. z 1. Sada zbog A ∩ B ⊆ B i ve´ dokazanog dobivamo c P (A ∪ B) = P (A) + P (B \ (A ∩ B)) = P (A) + P (B) − P (A ∩ B). z 2.Aksiomi vjerojatnosti.) Pogledajmo neke posljedice ovih aksioma i dokaˇimo neke ih. Ako je A ⊆ Ω. 1. Funkciju c z P zovemo vjerojatnost ako vrijede sljede´a tri aksioma: c P1 Za svaki A ⊆ Ω vrijedi P (A) ≥ 0.

2. a broj svih ishoda je c c ˇest. dakle 3 ili 4 ili 5 ili 6). 3. . tj. 6 Primijetimo da vjerojatnosti elementarnih dogadaja moraju biti brojevi ve´i od ili jednaki 0 i manji od ili c jednaki 1. e2 . . To znaˇi da svakom elementarnom dogadaju pridruˇujemo neki broj. ek }. 6 6 6 6 6 Dakle vjerojatnost dogadaja je jednaka sumi vjerojatnosti svih elementarnih dogadaja od kojih se on sastoji. P2 i P3 (i koju onda nazivamo vjerojatnost). preciznije: P (A) = P ({e1 }) + P ({e2 }) + · · · + P ({ek }). Njegova vjerojatnost P (A) se lagano raˇuna klasiˇnom formulom c c c a priori: broj povoljnih ishoda je ˇetiri (pao je broj ve´i od dva. 4. kojeg smatramo njegovom vjerojatnosti. inaˇe ne bi vrijedio aksiom P1 . c Proizvoljan dogadaj A je podskup skupa koji se dobije kao unija svih elementarnih dogadaja: A ⊆ {1. c pri ˇemu je A = {e1 . . paze´i da budu ispunjeni svi aksiomi. op´enito vrijedi formula c P (A) = e∈A P ({e}). onda vrijedi P ({1}) + P ({2}) + P ({3}) + P ({4}) + P ({5}) + P ({6}) = 1. 6 3 Uoˇimo da vrijedi c P (A) = 4 1 1 1 1 = + + + = P ({3}) + P ({4}) + P ({5}) + P ({6}). Dakle s P (A) = 2 4 = . c Promotrimo primjer bacanja simetriˇne kockice. . tj.Raˇunanje vjerojatnosti dogadaja preko vjerojatnosti c elementarnih dogadaja Problem izraˇunavanja vjerojatnosti P (A) nekog dogadaja A (koji je podskup nekog prostora elementarnih c dogadaja Ω) se sada svodi na definiranje funkcije koja zadovoljava aksiome P1 . 6} = Ω Neka je dogadaj A pao je broj ve´i od dva. odnosno P ({1}) = P ({2}) = P ({3}) = P ({4}) = P ({5}) = P ({6}) = 1 . (4) 44 . Elementarni dogadaji su predstavljeni padanjem nekog od c brojeva od jedan do ˇest i vjerojatnosti svih tih elementarnih dogadaja su medusobne jednake. Jedan jednostavan naˇin da se to uradi je da se odrede vjerojatnosti svih elementarnih c c z dogadaja ω ∈ Ω prema prirodi zadatka. s P ({1}) = P ({2}) = P ({3}) = P ({4}) = P ({5}) = P ({6}) Kako suma svih tih vjerojatnosti odgovara vjerojatnosti P (Ω) dogadaja Ω koja prema aksiomu P3 mora biti jednaka 1. 5.

Iz formule (4) i zbog ˇinjenice da su dogadaji A i B disjunktni c c redom slijedi P (A ∪ B) = e∈A∪B P ({e}) = e∈A P ({e}) + e∈B P ({e}) = P (A) + P (B). 3. Sada imamo: P (A ∪ B) = P ({1}) + P ({2}) + P ({5}) + P ({6}) = P (A) + P (B). 2. tj. kao i u prethodnom primjeru. ˇ Op´enito bismo to pokazali ovako: neka su A ⊆ Ω i B ⊆ Ω disjunktni dogadaji (tj. c 45 . 4. ˇeljeli bismo formulu za P (A ∪ B) koja bi uvijek vrijedila. Tada se vjerojatnost dogadaja A ∪ B moˇe izraˇunati pomo´u vjerojatnosti dogadaja A i B. 5. Ovime smo ujedno pokazali da klasiˇna formula raˇunanja vjerojatnosti ’a c c priori’ predstavlja funkciju vjerojatnosti i da za nju vrijede sva svojstva koja smo dobili direktno iz aksioma. 5. c No. z To znaˇi da u situacijama kada su vjerojatnosti svih elementarnih dogadaja medusobno jednake moˇemo c koristiti tu klasiˇnu formulu. B =pao je broj ve´i od 4= {5. Pogledajmo sljede´i z c primjer. 3. promatramo rezultate bacanja standardne kockice i A =pao je broj manji od 3= {1. 4. ˇto znaˇi da suma svih vjerojatnosti s c s c pridruˇenih elementarnim dogadajima mora biti 1. ˇto znaˇi da vrijedi aksiom P1 . 3. Aditivna formula Neka su dogadaji A i B disjunktni podskupovi prostora elementarnih dogadaja Ω. 6} izraˇena preko vjerojatnosti P (A) i P (B). Ω = {1. 2. 4}. Primjer 1. ˇto znaˇi da je zadovoljen aksiom P3 . ˇto je napravljeno u sljede´oj cjelini koja se bavi s z s c aditivnom formulom.Zbog nenegativnosti vjerojatnosti dogadaja vrijedi P (A) ≥ 0. P (A) P (B) Dakle u ovom primjeru smo vidjeli da se vjerojatnost unije dvaju dogadaja moˇe izraˇunati preko z c vjerojatnosti tih dvaju dogadaja. 5. z Preostalo je joˇ da pokaˇemo da vrijedi i aksiom P2 . 2}. 6} i C =pao je broj ve´i od 1 i manji od 5 = {2. 2. 6}. Neka je. Zelimo c izraziti P (A ∪ B) pomo´u P (A) i P (B). Primjer 2. Neka je Ω = {1. c z Zanima nas vjerojatnost dogadaja A ∪ B = {1. Dokazali smo formulu P (A ∪ B) = P (A) + P (B). A ∩ B = ∅). 6}. kao ˇto se to moˇe vidjeti iz sljede´eg z c c s z c primjera. s c Primijetite da vrijedi i P (Ω) = 1. uz uvjet A ∩ B = ∅ (5) i pokazali da vrijedi aksiom P2 . bez dodatnih uvjeta.

slijedi: P (C ∪ D) = P (C) + P (D) − P (C ∩ D). Sada imamo: P (C ∪ D) = P ({2}) + P ({3}) + P ({4}) +P ({5}). Vrijedi A ∪ (B \ A) = A ∪ B. S druge strane je B = (A ∩ B) ∪ (B \ A) i ta unija je disjunktna pa opet primjenom formule (5) imamo: P (B) = P (A ∩ B) + P (B \ A) ⇒ P (B \ A) = P (B) − P (A ∩ B). s Pokaˇimo da to uvijek vrijedi. 3. onda B sadrˇi neke elemente koji se nalaze u A. vjerojatnost unije dvaju dogadaja se moˇe izraˇunati preko vjerojatnosti tih dvaju dogadaja i vjerojatnosti njihova z c presjeka (ˇto je takoder dogadaj). ali i preko −P ({3}) − P ({4}). P (D) i P (C ∩ D). P (C) iz ˇega vidimo da traˇenu vjerojatnost ne moˇemo dobiti samo preko vjerojatnosti dogadaja C i D pa c z z ´emo dobiveni izraz malo preurediti: c P (C ∪ D) = P ({2}) + P ({3}) + P ({4}) + P ({3}) + P ({4}) + P ({5}) −P ({3}) − P ({4}) P (C) P (D) pri ˇemu smo P (C ∪ D) izrazili preko P (C) i P (D). tj. Analogna aditivna formula za vjerojatnost unije triju dogadaja se dobije uz pomo´ aditivne formule za uniju c dvaju dogadaja ovako: P (A ∪ B ∪ C) = P ((A ∪ B) ∪ C) = P (A ∪ B) + P (C) − P ((A ∪ B) ∩ C)) = = P (A) + P (B) − P (A ∩ B) + P (C) − P ((A ∩ C) ∪ (B ∩ C)) = = P (A) + P (B) + P (C) − P (A ∩ B) − (P (A ∩ C) + P (B ∩ C) − P ((A ∩ C) ∩ (B ∩ C))) = = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C) (6) 46 . 4} = c c C ∩ D. c Zanima nas vjerojatnost dogadaja C ∪ D = {2. z c c Ovdje smo dobili da se P (C ∪ D) moˇe izraˇunati pomo´u P (C). Budu´i je {3. 5}. Aditivna formula vrijedi uvijek i to bez ikakvih uvjeta. Sada koriˇtenjem zadnjih dviju dobivenih formula dobivamo vaˇnu aditivnu formulu s z P (A ∪ B) = P (A) + P (B) − P (A ∩ B). 4. To znaˇi da su dogadaji A i B \ A disjunktni. 5}. Prikaˇimo A ∪ B kao uniju dvaju disjunktnih dogadaja i primijenimo upravo z z dobivenu formulu (5). z c Dogadaj B \ A se sastoji od svih elemenata iz B koji nisu u A. 4.D =pao je broj ve´i od 2 i manji od 6= {3. Sada moˇemo primijeniti gornju formulu (5): z P (A ∪ B) = P (A ∪ (B \ A)) = P (A) + P (B \ A). Ako dogadaji A i B nisu disjunktni.

Vjerojatnost da Ante pogodi metu u jednom gadanju je 1 . s s s Sva tri sporta igra 5% studenata. P (B) = . A ∪ B = barem jedan od njih dvojice je pogodio metu. Ustanovljeno c s je da 50% studenata igra koˇarku. 3. c 6 Zadatak 2. Na drugoj godini veleuˇiliˇta je provedena anketa o sportovima kojima se bave studenti. B =Branko je pogodio metu. 5} i B = pao je neparan broj = {1. Pomo´u formule za vjerojatnost unije tri dogadaja odredite kolika c je vjerojatnost da se sluˇajno odabrani student druge godine veleuˇiliˇta bavi barem jednim od ta tri c c s sporta. Koliki postotak studenata se ne bavi niti jednim od ta tri sporta? 47 . Koˇarku i s s s nogomet igra 17% studenata. Kolika je vjerojatnost da 3 3 ´e barem jedan od njih pogoditi metu u jednom gadanju? c Promotrimo sljede´e dogadaje: c A =Ante je pogodio metu. Tada je: A ∩ B = i Ante i Branko su pogodili metu. nogomet i ˇah igra 8% studenata. a nakon toga izraˇunajte c c c P (A ∪ B) pomo´u aditivne formule. 3. P (A ∩ B) = . 2 1 1 z Prema uvjetima zadatka imamo redom: P (A) = . P (B) i P (A ∪ B) klasiˇnom formulom (3). a ˇah i koˇarku igraju 15% studenata. 2 3 3 Primjenom aditivne formule dobivamo: P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 5 1 2 1 + − = . Vjerojatnost da obojica pogode metu je 1 . 2 3 3 6 Dakle vjerojatnost da ´e barem jedan od njih pogoditi metu u jednom gadanju je 5 . a da je Branko 2 pogodi u jednom gadanju je 2 . 40% studenata igra nogomet i 30% studenata igra ˇah. Traˇimo P (A ∪ B). Baca se standardna igra´a kockica sa ˇest strana i promatraju se sljede´i dogadaji: c s c A = pao je prost broj = {2. Ante i Branko gadaju metu. Izraˇunajte vjerojatnosti P (A). 5}.Zadaci Zadatak 1. c Zadatak 3.

(2. 2). kako znamo. Situacija se sada mijenja jer je oˇito da je vjerojatnost z c c da je pao barem pet jednaka jednoj polovini: broj povoljnih ishoda je dva. 6}) = = P (B) P ({3. (2. 36 48 . 4. jedna tre´ina. (2. 4). (6. 4. Klasiˇnom formulom za raˇunanje vjerojatnosti lagano raˇunamo uvjetnu c c c vjerojatnost iz gornjeg primjera: P ({5. 2)}. (2. Op´enito ´e nas zanimati kako izraˇunati vjerojatnost nekog dogadaja A uz pretpostavku da je nastupio c c c neki drugi dogadaj B. (3. Govori se o uvjetnoj vjerojatnosti dogadaja u oznaci: P (A|B) (vjerojatnost dogadaja A uz uvjet da je nastupio dogadaj B). 6}) = 1 2 = . a broj svih ishoda je ˇetiri (3 ili c 4 ili 5 ili 6). P (B) (7) pri ˇemu. Neka je s A = na jednoj kockici je pao broj dva B = suma brojeva koji su pali na obje kockice jednaka je ˇest s Traˇimo P (A|B) i P (A). 4). 4). Rezultat bacanja kockica moˇemo predstaviti uredenim parom (broj na plavoj z z kockici. Rjeˇenje.4. 5. (5. 3). (4. 2)}. (4. 6}|{3. 1)} i A ∩ B = {(2. (2. 5. 2). Takoder nadite vjerojatnost da je na jednoj s kockici pao broj dva. (1. 2). 5). (5. 5. naravno. Traˇene vjerojatnosti su: z P (A|B) = P (A ∩ B) = P (B) 2 36 5 36 = 2 = 0.306. 4 2 Op´enita formula za raˇunanje uvjetne vjerojatnosti je c c P (A|B) = P (A ∩ B) . Zamislimo sada da smo bacili c kockicu i da nam netko kaˇe da je pao broj ve´i od dva. 1). B = {(1. 5 P (A) = 11 ≈ 0.Uvjetna vjerojatnost Vjerojatnost da na kockici padne barem pet je. 2). mora vrijediti P (B) > 0. 5). 2). 6). ako je suma brojeva koji su pali na obje kockice jednaka ˇest. c s imamo: P (A|B) = P (A ∩ B) P ({5. (3.broj na crvenoj kockici). 6}) 2 6 4 6 = 1 . (2. Bacamo dvije kockice – crvenu i plavu. Primjenimo li je na naˇ primjer za A = {5. 3). 2 Primjer 1. 4. Sada imamo: A = {(2. 6}. Taj drugi dogadaj ”eliminira” neke elementarne dogadaje iz igre (u naˇem primjeru s su to 1 i 2). 2). (4. Vjerojatnost svakog elementarnog dogadaja je 1/36. 6} i B = {3. Nadite vjerojatnost da je na jednoj kockici pao broj dva.

3 Zadatak 3. 5. b)} = u obitelji su dva djeˇaka c Traˇimo P (B|A). Takve obitelji moˇemo opisati parovima iz skupa c Ω = {(b. 49 . Stranice igra´e kocke zalijepljene su neprozirnim papirom i to brojevi 1. b). Kolika je vjerojatnost da ´e biti izvuˇena rijeˇ ”sto”? c c c A1 = prvo izvuˇeno slovo je ’s’ c A2 = drugo izvuˇeno slovo je ’t’ c c c A3 = tre´e izvuˇeno slovo je ’o’ A = A1 ∩ A2 ∩ A3 1 1 1 2 · · = 5 4 3 30 Rezultat slijedi iz dvostruke primjene formule za uvjetnu vjerojatnost (7) prvi put na vjerojatnost P ((A ∩ B) ∩ C) i drugi put na vjerojatnost P (A ∩ B): P (A) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩ A2 ) = P (A ∩ B ∩ C) = P ((A ∩ B) ∩ C) = P (A ∩ B)P (C|A ∩ B) = P (A)P (B|A)P (C|A ∩ B). g)}. 6 crvenim.Zadaci Zadatak 1. (b. b). Kolika je vjerojatnost da je u njoj joˇ jedan c s djeˇak (tj. P (B) = P (A ∩ B) = 2 6 P (A|B) = P (A ∩ B) = P (B) 2 6 3 6 3 6 = 2 . (b. par (b. Sluˇajno odabiranje obitelji s dvoje djece se moˇe predstaviti c c z sluˇajnim izborom jednog od elemenata skupa Ω pri ˇemu su svi izbori jednako vjerojatni. 5. g) oznaˇava obitelj s djeˇakom i djevojˇicom pri ˇemu je djeˇak stariji od djevojˇice c c c c c c (pa je oznaka djeˇaka prvi element para). (g. Uz pomo´ formule za uvjetnu c c vjerojatnost izraˇunajte vjerojatnost da je na gornjoj strani bio paran broj. (g. b). a 4. 6}. c A = pao je paran broj = {2. Promotrimo sve obitelji s dvoje djece i pretpostavimo da su vjerojatnosti rodenja djevojˇice (g) i c z djeˇaka (b) medusobno jednake. gdje npr. Sluˇajno c c c izaberemo obitelj i ustanovljavamo da je u njoj djeˇak. c Kocka je baˇena i kad se zaustavila na gornjoj stranici bio je crveni papir. 6}. Slova rijeˇi ”lotos” napisana su na pet kartica koje su stavljene u kutiju. g). (g. 3 bijelim. g). 4. B = na gornjoj strani je bio crveni papir = {4. Sluˇajno se izvlaˇe tri kartice c c c jedna za drugom. z P (B|A) = P (B) P (A ∩ B) = = P (A) P (A) 1 4 3 4 = 1 . ukupno dva djeˇaka)? c c A = {(b. 3 Zadatak 2. 2. b)} = u obitelji ima jedan djeˇak c B = {(b.

.3 · 0. k (kaˇemo da je skupovima z A1 . 50 (8) . Kolika je vjerojatnost da ´e toˇno jedan od njih dvojice pogoditi metu? c c Potpuna vjerojatnost Neka je Ω = A1 ∪ A2 ∪ · · · ∪ Ak disjunktna unija skupova Aj . U metu prvo gada Ante i potom Branko.037. . Traˇimo P (B). Tada je B = B ∩ Ω = B ∩ (A1 ∪ A2 ∪ · · · ∪ Ak ) = (B ∩ A1 ) ∪ (B ∩ A2 ) ∪ · · · ∪ (B ∩ Ak ) Skupovi B ∩ Aj .05 = 0. od ˇega je 4% s greˇkom i c s • stroj S3 proizvede 20% robe. s Branko pogada metu s vjerojatnosti 0. c s c s • stroj S2 proizvede 30% robe. . Kolika je vjerojatnost da ´e barem jedan od njih dvojice pogoditi metu? c 2.04 + 0. Branko pogada metu s vjerojatnosti 0. S2 i S3 koji proizvode neku robu. 3. no ako Ante pogodi. j = 1. . Znamo sljede´e: • stroj S1 proizvede 50% robe. Ako Ante promaˇi. . . j = 1. c U tvornici se nalaze tri stroja S1 . s z B = predmet ima greˇku.2. k su medusobno disjunktni pa vrijedi P (B) = P (B ∩ A1 ) + P (B ∩ A2 ) + · · · + P (B ∩ Ak ). od ˇega je 5% s greˇkom c s Nadite vjerojatnost da sluˇajno izabrani predmet medu robom koju su proizveli ta tri stroja ima greˇku. 2. . Vjerojatnost da Ante pogodi metu je 0. Primjer 1. Rjeˇenje. . od ˇega je 3% s greˇkom. . Upotrijebimo li formulu (7).2 ·0. j = 1.03 + 0.3. 1. A2 . . dobivamo: P (B ∩ Aj ) = P (Aj ∩ B) = P (Aj )P (B|Aj ) iz ˇega slijedi formula potpune (ili totalne) vjerojatnosti: c P (B) = P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + · · · + P (Ak )P (B|Ak ).6.Zadatak 4. Aj = predmet je proizveden na stroju Sj . Ak dana particija skupa Ω) i neka je B ⊆ Ω podskup skupa Ω (neki dogadaj). s Uvrˇtavanjem u formulu potpune (ili totalne) vjerojatnosti (8) dobivamo: s P (B) = P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) = 0. .5 · 0. .

Formula (7) nam daje P (Aj |B) = P (Aj ∩ B) . . tj. Rjeˇenje. koja je vjerojatnost da je on student 3. P (A2 |B) i P (A3 |B). godini i 10% njih ima automobil 40% studenata su na 2.5·0. . c c Primjer 1. Uzmimo iste podatke kao u primjeru na stranici 50. Imamo redom: P (A1 |B) = P (A2 |B) = P (A3 |B) = P (A1 ∩B) P (B) P (A2 ∩B) P (B) P (A3 ∩B) P (B) = = = 0. Ak ˇesto zovemo hipoteze (kao mogu´e uzroke dogadaja B). . A2 .004 0. onda P (Aj |B) moˇemo shvatiti kao vjerojatnost da je dogadaj Aj bio uzrok dogadaja B).5% ≈ 0. . . vjerojatnost da je nastupio dogadaj Aj . Za svaki stroj nadite vjerojatnost da ga je on proizveo. nadite vjerojatnosti P (A1 |B). godini i 40% njih ima automobil 10% studenata su apsolventi i 60% njih ima automobil Sluˇajno biramo studenta i zanima nas sljede´e: c c 1. ako je nastupio dogadaj B. tj. ˇ Zelimo izraˇunati P (Aj |B). .Bayesova formula Neka je A1 . . Ak particija skupa Ω (= unija svih elementarnih dogadaja) i B ⊆ Ω neki dogadaj. P (B) P (B) Sada iskoristimo formulu potpune vjerojatnosti (8) da izraˇunamo nazivnik i dobivamo Bayesovu formulu: c P (Aj |B) = P (Aj )P (B|Aj ) . . Ako on ima automobil.5% ≈ 0. s U prethodnom primjeru smo formulom potpune vjerojatnosti izraˇunali P (B) = P (A1 )P (B|A1 ) + c P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) = 0. godini i 20% njih ima automobil 20% studenata su na 3. .037 0.037 0.037 = = = 15 37 12 37 10 37 ≈ 0.405 = 40. P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + · · · + P (Ak )P (B|Ak ) (9) Dogadaje A1 . Provjerom je medu proizvedenom robom pronaden neispravan primjerak.005 0.037. A2 . P (B) Opet iz formule (7) slijedi P (Aj ∩ B) = P (B ∩ Aj ) = P (Aj )P (B|Aj ) pa imamo: P (Aj )P (B|Aj ) P (Aj ∩ B) = . . Za studente na trogodiˇnjem studiju su jedne godine dobiveni sljede´i podaci: s c 30% studenata su na 1.003 0. . . A2 . Koja je vjerojatnost da on ima automobil? 2. Ak mogu´i uzroci dogadaja B.3·0. godine? 51 . (Ako c c z zamislimo da su A1 .2·0.27 = 27% Zadaci Zadatak 1.325 = 32.

4 · 0. (Taj zastupnik prodaje mobilne telefone samo tih tvornica.022 11 Zadatak 3.006 3 P (W )P (A|W ) = = = ≈ 0.01 · 0. Tvornica E proizvodi tri puta viˇe guma s od tvornice F . c s P (B) = P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) + P (A4 )P (B|A4 ) = = 0.6 = = 0. c s c 2.08 + 0.1 + 0.03 + 0. z z 1. Trebamo na´i P (B). P (A3 |B) = P (B) 0.) Izraˇunajte vjerojatnost da je sluˇajno izabran kupac guma za teretna vozila kupio gume c c proizvedene u tvornici F . Zadatak 4. A1 ⊆ Ω sadrˇi sve studente s prve godine z c c (dakle P (A1 ) je vjerojatnost da je sluˇajno izabrani student na prvoj godini).1 · 0. 52 . Tvornica B proizvodi tri puta viˇe mobilnih s telefona od tvornice A. Dakle vjerojatnost da sluˇajno izabrani student ima automobil je jedna ˇetvrtina.4 + 0. Ω je skup svih studenata.3 · 0.04 · 0. dok tvornica F proizvodi 59% guma za osobna vozila.27.25 25 Zadatak 2.4 0. Sluˇajno odabrani student je viˇi od 190 cm.Rjeˇenje. Nazivnik smo ve´ c izraˇunali.6 0. Nadalje.6 + 0. Sliˇno se definiraju A2 . Rjeˇenje nalazimo primjenom formule potpune vjerojatnosti (8). Mobiteli se u istom omjeru isporuˇuju istom zastupniku koji iskljuˇivo zastupa c c tvornice A i B. dok tvornica B proizvodi 77% mobilnih telefona s opcijom ”foto-slikanja”. P (W )P (A|W ) + P (M )P (A|M ) 0. (Taj zastupnik prodaje gume samo tih tvornica. c 0. s Prvo moramo odrediti dogadaje: A = {studenti i studentice viˇi od 190 cm} s M = {studenti} W = {studentice} Traˇena vjerojatnost je P (W |A) i dobivamo je primjenom Bayesove formule (9): z P (W |A) = 0. a te tvornice ne prodaju svoje gume nigdje drugdje. odnosno jedna c c ˇetvrtina studenata ima automobil. Kolika je vjerojatnost da je taj z c s student ˇena? z Rjeˇenje. Tvornica E proizvodi 45% guma za osobna vozila. Rjeˇenje nalazimo primjenom Bayesove formule (9). Gume se u istom omjeru isporuˇuju istom zastupniku koji iskljuˇivo zastupa tvornice c c E i F .01 · 0.25. Tvornice A i B proizvode mobilne telefone bez opcije ”foto-slikanja” i s ugradenom opcijom ”fotoslikanja”.08 8 P (A3 )P (B|A3 ) = = = = 0. i A3 . s Prvo treba odrediti dogadaje. Trebamo na´i P (A3 |B).4 0.2 + 0.08 + 0.2 · 0. a te tvornice ne prodaju svoje mobilne telefone nigdje drugdje. Od studenata na jednom veleuˇiliˇtu 4% muˇkaraca i 1% ˇena imaju visinu ve´u od 190 cm.32. Tvornica A proizvodi 15% mobilnih telefona bez opcije ”foto-slikanja”. A4 sadrˇi sve apsolvente.25 0. c s s z c 60% studenata su ˇene.06 = 0. Tvornice E i F proizvode gume za osobna i teretna vozila.) Izraˇunajte vjerojatnost da je sluˇajno izabran kupac mobitela c c s opcijom ”foto-slikanja” kupio mobitel proizveden u tvornici A. B ⊆ Ω sadrˇi sve studente koji imaju automobil.2 · 0.

A ∩ B = ∅ ⇒ P (A ∩ B) = 0 = 1 = P (A)P (B) 2 4 • Dva disjunktna dogadaja su nezavisna ako jedan od njih ima vjerojatnost nula. GGP } ⇒ P (A ∩ B) = 2 = 1 8 4 A ∩ C = {GGP } ⇒ P (A ∩ C) = 1 8 B ∩ C = {GGP. Bacamo standardnu kockicu. P GG} c Provjerimo nezavisnost po dva dogadaja od gore navedenih. GP G. cc Novˇi´ bacamo tri puta za redom. Prvo pronadimo vjerojatnosti zadanih c dogadaja klasiˇnom formulom: P (A) = P (B) = P (C) = 4 8 4 8 2 8 (11) P (A)P (B) = P (A ∩ B) = P (B)P (A|B) ⇒ P (A) = P (A|B) . • Dva disjunktna dogadaja ne moraju biti nezavisni. B = pao je neparan broj. za dogadaje A i B kaˇemo da su nezavisni ako dogadanje niti jednoga c z od njih ne utjeˇe na vjerojatnost dogadanja drugoga. GP P } B = drugi put je pala glava = {GGG. P GP } C = toˇno dva puta za redom je pala glava = {GGP. c z Napomena. A = prvi put je pala glava = {GGG. P GG. onda vrijedi i P (B) = P (B|A) i P (A) = P (A|B): P (A ∩ B) = P (B ∩ A) = P (A)P (B) ⇒ Napomena. Inaˇe kaˇemo da su zavisni. P (A)P (B) = P (B ∩ A) = P (A)P (B|A) ⇒ P (B) = P (B|A) = = = 1 2 1 2 1 4 Zatim nadimo presjeke po dva dogadaja i vjerojatnosti novodobivenih dogadaja: A ∩ B = {GGG. Ako vrijedi P (A∩B) = P (A)P (B) i ako je P (A)P (B) = 0. Primjer 1. Kaˇemo da su dogadaji A i B nezavisni z ako vrijedi P (A ∩ B) = P (A)P (B). P GG} = C ⇒ P (B ∩ C) = P (C) = P (A ∩ B) = P (A ∩ C) = P (B ∩ C) = 1 4 1 8 1 4 1 4 Sada nam samo preostaje da provjerimo uvjet iz definicije nezavisnosti: = = = 1 2 1 2 1 8 · 1 = P (A)P (B) ⇒ dogadaji A i B su nezavisni 2 · 1 = P (A)P (C) ⇒ dogadaji A i C su nezavisni 4 = 1 · 1 = P (B)P (C) ⇒ dogadaji B i C nisu nezavisni 2 4 53 . 0 = P (∅) = P (A ∩ B) = P (A)P (B) ⇒ P (A) = 0 ili P (B) = 0.Nezavisni dogadaji Pojednostavljeno (i neprecizno) reˇeno. (10) Iz formule (7) sada slijedi: P (A ∩ B) = P (A)P (B|A) = P (A)P (B). Preciznije: dogadaj B ne ovisi o dogadaju A ako vrijedi c P (B) = P (B|A). A = pao je paran broj. GGP. GGP. P (A) = 1 = P (B).

P (B ∩ C) = P (B)P (C) i • P (A ∩ B ∩ C) = P (A)P (B)P (C) Zadatak 2. B i C su nezavisna ako vrijedi: • P (A ∩ B) = P (A)P (B). da ´e barem jedan od njih pogoditi c c metu)? 7 1 2 1 + − = . b). s A = Alen je pogodio metu.9. 5 2 Traˇimo P (A∪B) i zbog nezavisnosti znamo da vrijedi P (A∩B) = P (A)P (B) = 1 · 5 = 1 .Zadaci Zadatak 1. Rjeˇenje. P (A ∩ C) = P (A)P (C). (b. 2 5 5 10 54 . Vjerojatnost pogotka za jednog je 0. g). a sc 2 Branko s vjerojatnoˇ´u 2 . Dva strijelca nezavisno jedan od drugoga gadaju metu. Alen i Branko. P (A) = 1 . P (B) = 2 . g)} c B = obitelj ima djevojˇicu i djeˇaka = {(g. a za drugog 0. Koriˇtenjem z s 2 5 aditivnog teorema dobivamo: P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = Nezavisnost triju dogadaja se definira ovako: Tri dogadaja A. Obojica gadaju metu. Poznato je da Alen pogada metu s vjerojatnoˇ´u 1 . 2 B = Branko je pogodio metu. Nadite vjerojatnost da ´e barem jedan od njih sc 5 c pogoditi metu. (g. b). g)} c c Zadatak 3. ako su njihova gadanja mete nezavisni dogadaji. Dva strijelca.8. na stranici 49 s obiteljima s dvoje djece treba ustanoviti jesu li nezavisni sljede´i c dogadaji: A = obitelj ima barem jednu djevojˇicu = {(g. gadaju metu. (b. Kolika je vjerojatnost da ´e meta biti pogodena (tj. U uvjetima zadatka 8.

sluˇajna varijabla poprima vrijednosti na sluˇajan naˇin. glava} → {0. . Sluˇajna varijabla je c z s c funkcija koja svakom ishodu pokusa pridruˇuje neki broj. z • broj sekundi proteklo izmedu uzastopnih ulazaka kupaca u trgovinu. z Nas zanimaju samo oni prostori elementarnih dogadaja koji opisuju sluˇajne pokuse s konaˇno ili najviˇe c c s prebrojivo mnogo ishoda. Npr. medutim. 1. c • broj pacijenata u ambulanti. c Formalno. jer nisu sve funkcije oblika X : Ω → R sluˇajne c varijable. c z Primjeri sluˇajnih varijabli i distribucija: c • Bacanje pravilnog novˇi´a se moˇe opisati sluˇajnom varijablom X : {pismo. npr. Diskretna sluˇajna c c c varijabla dakle modelira dogadaj s konaˇno ili prebrojivo mnogo ishoda koji imaju svoje vjerojatnosti c cc c dogadanja. kada bacamo novˇi´. diskretna sluˇajna varijabla je funkcija sa prostora elementarnih dogadaja Ω u skup realnih broc jeva. c c Sluˇajna varijabla je formalizacija intuitivnog pojma dogadaja sa sluˇajnim ishodima. onda se na funkciju X zadaju dodatni uvjeti. . bacamo novˇi´ deset puta. Tim vrijednostima sluˇajne varijable su pridruˇene vjerojatnosti u obliku distribucije (razdiobe). Argumenti te funkcije su elementarni dogadaji prostora elementarnih dogadaja. ˇesto ˇelimo ishode predstaviti brojevima da bi olakˇali analizu pokusa. ω = glava Pripadaju´a distribucija je: c X∼ 0 1 2 1 1 2 3 Ako je skup Ω prebrojiv. Distribucija sluˇajne varijable. c c c 55 . Primjeri koji se obraduju u c c ovom materijalu ne zahtijevaju analizu sluˇajnih varijabli tog tipa. . funkcija X oblika3 X : Ω → R. c 4 Intuitivno. Sluˇajna varijabla X povezana s ovom situacijom je broj pisama koji su pali. ishodi koje moˇemo dobiti su ”pismo” ili ”glava”. • broj posjetilaca u kinima petkom naveˇer. cc z Mi.9 Diskretna sluˇajna varijabla. Analiza takvih sluˇajnih varijabli nadilazi okvire ovog materijala i ne´e biti provedena. z c Primjeri diskretnih sluˇajnih varijabli: c • broj djece u obitelji. Neka je Ω konaˇan ili prebrojiv prostor elementarnih dogadaja. Ishod pokusa ne mora biti broj. tj. • broj neispravnih ˇarulja u pakiranjima od deset komada. 10} pa je X diskretna sluˇajna varijabla. ω = pismo 1 . a njene vrijednosti su realni brojevi4 . 1} tako cc z c da je X(ω) = 0 . Vrijednosti koje X moˇe poprimiti su iz skupa {0. .

Za op´eniti (konaˇan) prostor dogadaja Ω = {ω1 . p2 . . 2. brojevi x1 . ω2 .. . . . 3. . c c s c pj = P ({ω ∈ Ω|X(ω) = xj }) (ˇto kra´e zapisujemo s P (X = xj )). Primjer 1. . Pripadaju´a distribucija bi bila: c c X∼ 0 p0 1 p1 2 p2 3 p3 . . Neka je zadan prostor elementarnih dogadaja Ω = {ω1 . p4 . 5. xm c su sortirani uzlazno. . c c Broj pj je vjerojatnost da sluˇajna varijabla X poprimi vrijednost xj . gdje je pk vjerojatnost da je izmedu dva uzastopna dolaska kupaca u trgovinu proteklo k sekundi (minuta. pm pri ˇemu za svaki i ∈ {1. P (ωj ) = pj . . tj. . . . . . . . X(ω4 ) = X(ω5 ) = x2 . ω3 . 2. 56 . .. . ω6 } → R se moˇe opisati (modelirati) rezultat bacanja c simetriˇne kockice sa ˇest strana pri ˇemu svaki broj ima istu vjerojatnost pojavljivanja. 3. ω2 .. m i p1 + p2 + · · · + pm = 1. . s z • Sluˇajnom varijablom X : {ω1 . . p2 . pk . xm . j = 1. ωn } i sluˇajnu varijablu X : Ω → R bi pric c c padaju´a distribucija izgledala ovako: c X∼ x1 p1 x2 p2 x3 p3 x4 p4 . . ω2 . Definirajmo funkciju X : Ω → R na sljede´i c c naˇin: c X(ω1 ) = X(ω3 ) = x1 . ω5 } i neka su p1 . tj. . . . x2 . X(ω2 ) = x3 . ω3 . ω = neuspjeh Pripadaju´a distribucija bi bila: c X∼ 0 1 q p gdje je p vjerojatnost uspjeha (meta pogodena). . neuspjeh} → s z c {0. ω4 . . Pripadaju´a distribucija je: c X∼ 1 1 6 2 1 6 3 1 6 4 1 6 5 1 6 6 1 6 • Vrijeme (u sekundama ili u minutama) izmedu dolaska dva uzastopna kupca u trgovinu se moˇe opisati z sluˇajnom varijablom X : R → R tako da definiramo X(k) = k. pm predstavljaju sve vjerojatnosti pa mora vrijediti: 0 ≤ pj ≤ 1.. . . . p5 pripadaju´e vjerojatnosti.. a q vjerojatnost neuspjeha (meta promaˇena). ω3 . .. 2. . . tj. j = 1.• Gadanje mete u jednom pokuˇaju se moˇe opisati sluˇajnom varijablom X : {uspjeh. P (X = xj ) = pj . ω = uspjeh 0 . k . ω4 . Moˇemo c s c z definirati X(ωk ) = k. ω5 . 2. n} postoji j ∈ {1. pj je vjerojatnost dogadaja kojeg ˇine svi elementarni dogadaji koje sluˇajna varijabla X preslikava u xj . ). . . .. p3 . 1} tako da je X(ω) = 1 . m} takav da je X(ωi ) = xj . Preciznije reˇeno. a brojevi p1 .

ω4 . ω2 . f (xm ) p1 p2 p3 p4 .. Neka je f : R → R proizvoljna funkcija. Distribucija sluˇajne varijable X je sada jednaka: c c X∼ x1 p1 + p3 x2 p4 + p5 x3 p2 Primjer 2. . Sluˇajnu varijablu koja odgovara z z c toj situaciji moˇemo definirati ovako: z X(ω1 ) = 0. c Primjer 3. sloˇen broj ili broj koji nije ni sloˇen ni prost. pm z Moˇe se dogoditi da za dvije razliˇite vrijednosti xj i xk vrijedi f (xj ) = f (xk ). ω3 . c Prostorom elementarnih dogadaja Ω = {ω1 . Zadana je sluˇajna varijabla X ˇija je distribucija X ∼ c c sluˇajne varijable Y = f (X). Tada moramo udruˇiti tako z c dobivena dva ista razreda u jedan ˇija je pripadna vjerojatnost pj + pk . Zadana je sluˇajna varijabla X s distribucijom c X∼ −2 1 7p p 3 4 6p p 2 17 5 57 . Zadaci Zadatak 1. Tada je Y = f ◦ X = f (X) sluˇajna varijabla s distribucijom c Y ∼ f (x1 ) f (x2 ) f (x3 ) f (x4 ) .gdje su x1 . ω5 .. . gdje je f (x) = x + 2 je c Y = f (X) ∼ f (−1) f (0) f (1) f (2) f (3) f (4) 1 12 1 4 1 6 1 12 1 6 1 4 −1 1 12 0 1 4 1 1 6 1 12 2 3 1 6 4 1 4 . gdje je g(x) = x2 je c Z∼ (−1)2 1 12 02 1 4 12 1 6 22 1 12 32 1 6 42 1 4 = 1 12 1 0 1 4 1 1 6 1 12 4 9 1 6 16 1 4 = 0 1 4 1 1 4 1 12 4 9 1 6 16 1 4 Primijetite male izmjene u zapisu distribucije koje su se pojavile zbog toga ˇto su se dva razreda stopila s u jedan. Distribucija = 1 12 1 2 1 4 3 1 6 1 12 4 5 1 6 6 1 4 Distribucija sluˇajne varijable Z = g(X). x2 i x3 medusobno razliˇiti realni brojevi. Zanima nas ho´e li na s c c kockici pasti prost broj. X(ω4 ) = X(ω6 ) = 1. Pripadaju´a distribucija je: X ∼ c −1 1 2 0 1 6 1 1 3 . ω6 } opisujemo rezultate bacanja simetriˇne kockice sa ˇest strana pri ˇemu svaki broj ima istu vjerojatnost pojavljivanja. X(ω2 ) = X(ω3 ) = X(ω5 ) = −1.

58 . s Suma vjerojatnosti mora biti jednaka 1. 3. c Rjeˇenje. g(x) = x3 i h(x) = (x − 4)2 . Odredite distribuciju sluˇajne varijable D koja opisuje rezultate bacanja nesimetriˇne kockice sa ˇest c c s strana koja ”favorizira” brojeve 4. 5. Zadana je sluˇajna varijabla X s distribucijom c X∼ −2 −1 1 8 1 16 0 3 8 1 1 8 5 16 3 c Nadite distribucije sluˇajnih varijabli Y = f (X). dakle mora vrijediti: 7p + p + 6p + p + 15 1 2 = 1 ⇒ 15p = ⇒p= 17 17 17 Sve vjerojatnosti su brojevi iz intervala [0.Nadite pripadaju´e vjerojatnosti. Zadana je sluˇajna varijabla X s distribucijom c X∼ −2 0 2 3 4p 2p 2p 5p 4 2p c Nadite pripadaju´e vjerojatnosti. 1] pa je zadana distribucija jednaka X∼ −2 7 17 1 17 1 6 17 3 1 17 4 2 17 5 Zadatak 2. Zadatak 3. 6 tako da je vjerojatnost da padne neki od tih brojeva dva puta ve´a od vjerojatnosti da padne bilo koji od brojeva 1. c Zadatak 4. Z = g(X) i W = h(X) ako je f (x) = x − 3. 2.

. x2 . xk ≤ x < xk+1 . x3 . ⎪ ⎨ pj . Napomena. x3 . . . x ∈ {x1 . m − 1. 59 . . . x2 . xm ≤ x. . . x < x1 .10 Funkcija vjerojatnosti. moˇe zapisati ovako: c z P (X ≤ b) = X(ωk )≤b pk = F (b). pripadaju´u funkciju vjerojatnosti f : R → R definiramo sa c f (x) = pk . . . pm Neka je zadana distribucija . 2. Pomo´u funkcije vjerojatnosti (f ) i funkcije distribucije vjerojatnosti (F ) diskretne sluˇajne varijable se c c vjerojatnost dogadaja {ω|X(ω) ≤ b}. x4 . . k = 1. F (x) = ⎪ j=1 ⎪ ⎪ ⎩ 1 . . 0 . Funkcija distribucije vjerojatnosti x1 p1 x2 p2 x3 p3 x4 p4 . . . . x = xk ∈ {x1 . . x4 . ili kra´e {X ≤ b}. xm . Pripadaju´u funkciju distribucije vjerojatnosti F : R → R definiramo sa c ⎧ ⎪ ⎪ k 0 . xm }. xm }. .

20 0.33 0.88 0.31 0.00 0 1 2 3 4 5 6 funkcija vjerojatnosti 7 8 1.Primjer 1.14 0.2 0. Zadana je distribucija Rjeˇenje.05 .3 0.05 0. 60 .24 0.55 0.10 0.15 0.11 0.2 0.1 0.27 0.44 0. Skicirajte pripadaju´e grafove funkcije c 0.07 0. s .2 0.99 0.1 0.00 0 1 2 3 4 5 6 7 8 funkcija distribucije vjerojatnosti Zadatak 1.17 0.3 0.66 0.03 0.22 0.77 0. 2 3 4 5 6 7 0.15 vjerojatnosti i funkcije distribucije vjerojatnosti .2 0.34 0. Skicirajte pripadaju´e grafove funkcije vjerojatnosti i funkcije distribucije vjerojatnosti za distribuciju c 2 3 4 5 6 7 0.10 0.

. xm . z c c Za raˇunanje se koristi jednostavnija formula koja se moˇe izvesti iz definicije: c z V ar(X) = E(X 2 ) − E(X)2 . gdje je f (x) = (x−E(X))2 . Neka je X diskretna sluˇajna varijabla s distribucijom c X∼ 7 30 0 7 30 1 1 10 3 7 30 4 6 1 5 Oˇekivanje sluˇajne varijable X je jednako: c c 7 7 1 7 1 8 E(X) = ·0+ ·1+ ·3+ ·4+ ·6 = 30 30 10 30 5 3 Varijanca diskretne sluˇajne varijable X. tj.11 Oˇekivanje. definira se sa c V ar(X) = E((X − E(X))2 ). Primjer 1. . Primjer 1. definira se sa c c m E(X) = k=1 xk pk = x1 p1 + x2 p2 + · · · + xm pm . . pm Neka je X diskretna sluˇajna varijabla s distribucijom c X∼ Oˇekivanje diskretne sluˇajne varijable X. (nastavak) U gornjem primjeru bismo imali: X2 ∼ E(X 2 ) = Sada imamo: V ar(X) = E(X 2 ) − E(X)2 = 181 − 15 8 3 2 7 30 0 7 30 1 1 10 9 16 7 30 36 1 5 7 7 1 7 1 181 ·0+ ·1+ ·9+ · 16 + · 36 = 30 30 10 30 5 15 = 223 . varijanca i standardna devijacija diskretne sluˇajne c c varijable x1 p0 x2 p1 x3 p2 x4 p3 . u oznaci V ar(X). 61 . varijanca V ar(X) se moˇe shvatiti kao oˇekivanje sluˇajne varijable Y = f (X). 45 Standardna devijacija diskretne sluˇajne varijable je drugi korijen njezine varijance: c σ(X) = V ar(X). u oznaci E(X). .

V ar(X) = 13 7 ≈ 1. 21 21 7 −1 2 7 Sada imamo sve vjerojatnosti u distribuciji: X ∼ lagano dobijemo pomo´u poznatog oˇekivanja: c c E(X) = −1 · 0 2 7 5 21 1 2 1 7 1 21 a . (nastavak) U naˇem primjeru imamo: s σ(X) = Primjer 2. Zadaci Zadatak 1. varijancu i standardnu devijaciju sluˇajne varijable X. c c Rjeˇenje. V ar(X) = 13691 ) s 28 784 62 . c c c (Rjeˇenje: E(X) = 47 . V ar(X) = 964 ) s 19 361 Zadatak 2. Zadana je sluˇajna varijabla X s distribucijom c X∼ 3 19 0 2 19 1 5 19 2 5 19 3 4 19 5 Izraˇunajte oˇekivanje. Nepoznanicu a sada 2 5 1 1 3 2 +0· +1· +2· +a = ⇒a=4 7 7 21 7 21 7 −1 2 7 Sada smo u potpunosti odredili distribuciju sluˇajne varijable: X ∼ c Varijanca i standardna devijacija se sada lagano raˇunaju: c E(X 2 ) = (−1)2 · σ(X) = 2 7 0 2 7 5 21 1 2 1 7 1 21 4 . Zadana je sluˇajna varijabla X s distribucijom c X∼ −2 −1 3 28 5 28 1 28 1 1 14 2 3 1 7 1 28 5 3 28 7 1 14 8 9 1 4 Izraˇunajte oˇekivanje.36277.2261. c c c (Rjeˇenje: E(X) = 111 . varijancu i standardnu devijaciju sluˇajne varijable X. + 02 · 2 7 + 12 · 5 21 + 22 · 1 7 1 + 42 21 = 13 7 . Odredite 5 1 7 2p 2p 21 p 21 nepoznanice a i p te izraˇunajte varijancu i standardnu devijaciju sluˇajne varijable X. s Za vjerojatnosti u drugom retku distribucije mora vrijediti da im je suma jednaka 1 pa imamo: 2p + 2p + 1 1 5 +p+ =1⇒p= . 223 ≈ 2.Primjer 1. 45 Oˇekivanje sluˇajne varijable X s distribucijom X ∼ c c −1 0 1 2 a je E(X) = 3 .

V ar(X) = 1. Oˇekivanje sluˇajne varijable X s distribucijom c c X∼ −2 −1 0 p p 2p 1 10 1 1 10 a 3 je E(X) = − 10 . a = 5. V ar(X) = 5403 ) c s 784 Zadatak 6. E(X) = − 20 . varijancu i standardnu devijaciju 1 7 sluˇajne varijable X.Zadatak 3. (Rjeˇenje: p = 10 . Zadana je sluˇajna varijabla X s oˇekivanjem E(X) = c c X∼ −1 2 2p 9p 3 1 7 111 28 i distribucijom a 1 4 8 6p Izraˇunajte nepoznatu vrijednost a i pripadaju´e vjerojatnosti te zatim izraˇunajte varijancu i stanc c c 1 dardnu devijaciju sluˇajne varijable X. V ar(X) = 1211 ) c s 400 Zadatak 5. Odredite nepoznanice a i p te izraˇunajte varijancu sluˇajne varijable X. varijancu i standardnu devijaciju 1 sluˇajne varijable X. (Rjeˇenje: c c s 1 p = 5 . a = 2. Zadana je sluˇajna varijabla X s distribucijom c X∼ −2 −1 0 3 1 3p p 3p 4 1 2p 4 c c c Izraˇunajte pripadne vjerojatnosti i zatim izraˇunajte oˇekivanje.41) 63 . Zadana je sluˇajna varijabla X s distribucijom c X∼ −2 0 1 3p 3p 7p 1 11 3 4 7p c c c Izraˇunajte pripadne vjerojatnosti i zatim izraˇunajte oˇekivanje. (Rjeˇenje: p = 22 . V ar(X) = 2053 ) c s 22 484 Zadatak 4. E(X) = 35 . (Rjeˇenje: p = 28 .

Oznake za te ”kockice” (redom d4.66 0. pri ˇemu jedna odreduje znamenku jedinica. d12. brojevi koji se dobivaju na standardnom ruletu kao i karte koje se dobiju iz dobro promijeˇanog ˇpila karata takoder imaju diskretnu uniformnu distribuciju. 5.00 0 1 2 3 4 5 6 7 8 funkcija distribucije vjerojatnosti Jednostavan naˇin za dobivanje brojeva s uniformnom distribucijom je preko bacanja simetriˇne igra´e kocc c c kice5 koja bacanjem daje jednu od vrijednosti 1.88 0.02 0.33 0. d20) moˇemo shvatiti kao sluˇajne varijable s pripadaju´om diskretnom uniformnom distribucijom. ··· xn 1 n .12 0.06 0. diskretna uniformna distribucija je karakterizirana konaˇnim skupom vrijednosti koje c c su sve jednako vjerojatne: P (X = 1) = P (X = 2) = P (X = 3) = · · · = P (X = n) = 1 .22 0. 3.20 0. n Grafovi funkcija vjerojatnosti i funkcije distribucije vjerojatnosti diskretne uniformne distribucije (bacanje simetriˇne kockice): c 0. d3.55 0.08 0. dodekaedar i ikosaedar.14 0. ali ih je mogu´e ili simulirati pomo´u njih (d2 i d3 pomo´u d4 i d6.00 0 1 2 3 4 5 6 funkcija vjerojatnosti 7 8 1.04 0.77 0.16 0. s c c c tim da se d2 moˇe simulirati i bacanjem novˇi´a) ili pomo´u polupravilnih poliedara (d10). n n n n n n 5 U RPG igrama (naroˇito u D&D-u) se kao izvor uniformno distribuiranih brojeva koriste sva Platonova tijela. d6. Jednostavno reˇeno. oktaedar.10 0. s s Oˇekivanje sluˇajne varijable s diskretnom uniformnom distribucijom je jednako aritmetiˇkoj sredini svih c c c njenih vrijednosti: n E(X) = k=1 1 1 1 1 1 1 xk = x1 + x2 + x3 + · · · + xn = (x1 + x2 + x3 + · · · + xn ) = x. d8. Koriste se i ”kockice” d2. svi pravilni c poliedri – tetraedar.10 0. heksaedar (kocka).99 0. 4.18 0. svaku od njih s istom vjerojatnosti jednakoj 1 cc 6 . 2. tj..44 0.. a druga znamenku desetica. z c c d10 i d100 koje se ne mogu predstaviti Platonovim tijelima.11 0. 6. c c 64 . ”Kockica” d100 se moˇe predstaviti z cc c z pomo´u dvije d10 ”kockice”. Rezultati bacanja pravilnog novˇi´a.12 Diskretna uniformna distribucija X∼ x1 1 n Diskretna uniformna distribucija sluˇajne varijable X je zadana s c x2 1 n x3 1 n .

jedne s osam strana i brojevima od 1 c do 8 na njima (d8) i jedne sa ˇetiri strane i brojevima od 1 c do 4 na njima (d4) (dakle X = d8 + d4). c s z dakle moˇe odjednom napasti dva puta. verzija 3. d8 ∼ 1 1 8 2 1 8 3 1 8 4 1 8 5 1 8 6 1 8 7 1 8 8 1 8 . na kockicama padnu brojevi 1 i 7 je 1 · 1 = 32 . z Napad poˇinje bacanjem ”kockice” s dvadeset strana. jer se suma 8 moˇe dobiti na ˇetiri naˇina (8 = 1 + 7 = 2 + 6 = 3 + 5 = 4 + 4). naime. Distribuciju sluˇajne varijable X sada nije problem napisati: c X∼ 1 32 2 2 32 3 3 32 4 4 32 5 4 32 6 4 32 7 4 32 8 4 32 9 10 3 32 11 2 32 12 1 32 . 2 1 4 3 1 4 4 1 4 . taj sluˇaj se ne´e uzeti u obzir. analogna tvrdnja vrijedi i za standardnu devijaciju: V ar(X) = E(X 2 ) − E(X)2 = x2 − x2 . napad je izuzetno dobro uspio ˇto znaˇi da bi napadaˇ mogao biti uspjeˇniji u tom napadu nego ˇto je to uobiˇajeno. Primjer 2. Tomislav vodi svog lika. c c 65 . Odredimo distribuciju sluˇajne varijable X koja predc stavlja sumu brojeva koji se pojave nakon bacanja dviju simetriˇnih kockica. ako na kockici d20 padne recimo 19 ili 20. Rjeˇenje. Radi s c c s s c jednostavnosti. s Distribucije sluˇajnih varijabli d4 i d8 su redom: c d4 ∼ 1 1 4 V ar(X). Traˇenu distribuciju moˇemo lagano dobiti iz sljede´e tabele u kojoj su popisane sve z z c sume koje moˇemo dobiti bacanjem ovih dviju kockica: z d4 \ d8 1 2 3 4 1 2 3 4 5 2 3 4 5 6 3 4 5 6 7 4 5 6 7 8 5 6 7 8 9 6 7 8 7 8 9 8 9 10 9 10 11 10 11 12 1 c Broj pojavljivanja neke sume u gornjoj tabeli pomnoˇen s gore dobivenom vjerojatnosti 32 daje pripadaju´u z vjerojatnost pojavljivanja te sume. c c hrabrog Sir Robina i u sluˇaju borbe se mora opredijeliti za jednu od sljede´e dvije mogu´nosti: c c c • borba s dvoruˇnim maˇem kojeg drˇi objema rukama (i s kojim je iznimno spretan. a vjerojatnost da je suma brojeva koji 4 8 1 1 z c c padnu na te dvije kockice jednaka 8 je 4 · 32 = 8 .Varijanca sluˇajne varijable s diskretnom uniformnom distribucijom je jednaka varijanci svih njenih vrijedc nosti. σ(X) = Primjer 1. U igri D&D igraˇi vode svoje likove kroz priˇu u kojima se nerijetko moraju boriti. c 6 Ovo je pojednostavljena verzija preuzeta iz pravila za DnD. d20 (vidi fusnotu 5 na stranici 64). broju koji padne c se dodaje bonus i ako je rezultat ve´i od ili jednak 15 onda je napad uspio6 . 1 Vjerojatnost da npr.5. ˇto mu daje bonus c c z s 4 u napadu) ili • s dva manja maˇa (s kojima nije toliko vjeˇt pa je bonus 0). ali s kojima moˇe napadati istovremeno.

mogu´a je situacija gdje je u borbi za pobjedu nuˇno c c z da u najviˇe tri napada protivnik izgubi viˇe od 30 jedinica zdravlja. a kolika ako koristi dva manja c c maˇa? c • Ako koristi dvoruˇni maˇ. ako uzme dva manja maˇa.5. c s s z z c c U nekim situacijama se medutim ne isplati uzeti oruˇje koje garantira ve´i oˇekivani broj jedinica zdravlja koje ´e protivnik izgubiti u jednom napadu. za uspjeˇan napad mora dobiti barem 15 na kockici d20. c c tj. Zakljuˇujemo da se u duljim borbama hrabrom Sir Robinu daleko viˇe isplati boriti dvoruˇnim maˇem. ˇto vodi brˇoj i sigurnijoj pobjedi u borbi. Tomislav baca dvije d6 kockice i sumi brojeva koji padnu doda 1. U sluˇaju uspjeˇnog napada. Od 20 mogu´nosti c s c 6 3 njih 6 je povoljno pa je vjerojatnost uspjeha jednaka 20 = 10 . tj.4. 7 Da ta dva broja trebamo pomnoˇiti pa da dobijemo ono ˇto nas zanima je posljedica jednog kra´eg vjerojatnosnog raˇuna z s c c koji je ovdje izostavljen. 66 . Oˇekivani broj jedinica zdravlja koje ´e protivnik izgubiti u sluˇaju jednog uspjeˇnog napada je c c c s • za napad dvoruˇnim maˇem jednak E(d8 + 2) = 6. c ˇto se lagano dobije iz pripadaju´ih distribucija za d8 i 2d6 (obje su dane u ovom poglavlju). napadaˇ je ozlijedio protivnika i onda se odreduje koliko jedinica zdravlja je c s c protivnik izgubio tim napadom. jer je maksimalni broj jedinica zdravlja koje protivnik moˇe c c c z izgubiti tri napada 30 ˇto nije dovoljno i vodi u siguran poraz. S druge strane. • Ako je napad hrabrog Sir Robina s dva manja maˇa uspio. • Ako je napad hrabrog Sir Robina dvoruˇnim maˇem uspio.25. 20 2 • Ako uzme dva manja maˇa. s c maksimalni broj jedinica zdravlja koje protivnik moˇe izgubiti u jednom napadu je 13 (dvije ˇestice na dvije z s kockice d6 plus 1) pa postoji mala vjerojatnost (izraˇunajte je!) koja je ipak ve´a od nule da hrabri Sir c c Robin pobijedi u takvoj borbi. tj. moramo dobivena c c oˇekivanja pomnoˇiti7 s vjerojatnostima da napad uspije: c z • za napad dvoruˇnim maˇem imamo c c • za napad s dva manja maˇa imamo c 1 2 3 10 · 6. Od 20 mogu´nosti njih 10 je povoljno pa je vjerojatnost c uspjeha jednaka 10 = 1 . na toj kockici mora dobiti barem 11. za uspjeˇan napad mora zajedno s bonusom (4) dobiti barem 15 na kockici c c s d20. Npr. c c • za napad s dva manja maˇa jednak E(2d6 + 1) = 8. onda napadnuti gubi 2d6 + 1 jedinicu c zadravlja. · 8 = 2.Kolika je vjerojatnost da napad Sir Robina uspije ako on koristi dvoruˇni maˇ.5 = 3. jer c s c c ´e u prosjeku protivnik izgubiti viˇe jedinica zdravlja. inaˇe hrabri Sir Robin sigurno gubi s s c borbu. Tada sigurno ne´e uzeti dvoruˇni maˇ. Tomislav baca d8 kockicu i broju koji padne doda 2. s c Da bismo dobili oˇekivani broj jedinica zdravlja koje ´e protivnik izgubiti u jednom napadu. onda napadnuti gubi d8+2 jedinice zdravlja.

83 36 36 36 36 6 E(X 2 ) = k 2 pi = 2 2 k=2 V ar(X) = E(X 2 ) − E(X)2 ≈ 54. .42 Zadatak 3. Zadatak 2. Odredite distribuciju sluˇajne varijable X koja modelira bacanje dviju simetriˇnih kockica.83 − 49 = 5. Izraˇunajte E(X). σ(X) ≈ 2. . Pomo´u uniformne distribucije (iako je najjednostavnija) se mogu dobiti druge sloˇenije distribucije. s Vrijednosti koje poprima sluˇajna varijabla X su redom 2. Vrijednost 2 se moˇe dobiti na c z jedan naˇin. c z Odredite distribuciju sluˇajne varijable X kojoj su vrijednosti zbroj brojeva koji padnu na dvije baˇene c c standardne kockice (u igri DnD se takva sluˇajna varijabla oznaˇava s 2d6). c c c Broj svih mogu´nosti na koje mogu pasti dvije kockice je 36. 3. Odredite distribuciju sluˇajne varijable X koja modelira bacanje dviju simetriˇnih kockica. vrijednost 3 = 1 + 2 = 2 + 1 na dva naˇina. c Rjeˇenje. Zadatak 4. 67 . 4 = 1 + 3 = 2 + 2 = 3 + 1 na tri naˇina itd. V ar(X) c c c i standardnu devijaciju sluˇajne varijable X.Zadaci Zadatak 1. . jedne stanc c dardne sa ˇest strana i brojevima od 1 do 6 na njima i jedne sa ˇetiri strane i brojevima od 1 do 4 na s c njima te uzimanjem sume brojeva koji na njima padnu (dakle X = d6 + d4) . E(X) = k=2 12 kpi = 2 2 6 1 1 + 3 + · · · + 7 + · · · + 12 =7 36 36 36 36 329 1 2 6 1 + 32 + · · · + 72 + · · · + 122 = ≈ 54. . Pripadne vjerojatnosti se lako izraˇunaju c c primjenom klasiˇne formule vjerojatnosti i sad imamo: c X∼ 1 36 12 2 2 36 3 3 36 4 4 36 5 5 36 6 6 36 7 5 36 8 4 36 9 10 3 36 11 2 36 12 1 36 .83. jedne stanc c dardne sa ˇest strana i brojevima od 1 do 6 na njima i jedne sa ˇetiri strane i brojevima od 1 do 4 na s c njima i uzimanjem razlike brojeva koji na njima padnu (dakle X = d6 − d4) . 12. Napiˇite distribuciju uniformne sluˇajne varijable koja moˇe poprimiti sve cjelobrojne vrijednosti od 3 s c z do 12.

13

Bernoullijev pokus. Bernoullijeva shema. Binomna distribucija

Bernoullijev pokus je eksperiment ˇiji ishod je sluˇajan i u kojem su mogu´a samo dva rezultata od kojih c c c jedan nazivamo ”uspjeh” (to je obiˇno onaj koji nas zanima ili kojeg promatramo), a drugi ”neuspjeh”. c Obiˇno je rijeˇ o eksperimentu s dva mogu´a rezultata koji se uvijek mogu izraziti preko ”da ili ne” pitanja. c c c • Ako bacimo novˇi´, ho´e li ”pasti pismo”? cc c • Ho´e li se roditi djevojˇica? c c • Jesu li neˇije oˇi zelene boje? c c c • Je li potencijalni kupac odluˇio kupiti proizvod? • Ho´e li strijelac pogoditi metu u jednom gadanju? c Vidimo da oznake ”uspjeh” i ”neuspjeh” sluˇe samo kao oznaˇavanje rezultata i ne trebaju se shvatiti z c doslovno. Primjeri Bernoullijevih pokusa: • Bacanje novˇi´a. Ovdje padanje glave moˇe znaˇiti ”uspjeh”, a padanje pisma ”neuspjeh”. Naravno cc z c da se moˇemo odluˇiti i za obrnuto oznaˇavanje. Poˇteni novˇi´ po definiciji ima vjerojatnost uspjeha z c c s cc jednaku 0.5. • Bacanje standardne kockice, gdje padanje ˇestice oznaˇava ”uspjeh”, a sve ostalo ”neuspjeh”. s c • Anketiranje sluˇajnog glasaˇa da bi se ustanovilo ho´e li glasati ”da” na predstoje´em referendumu. c c c c Matematiˇki se takav pokus opisuje sluˇajnom varijablom X koja poprima samo dvije vrijednosti, 0 i 1, pri c c ˇemu se 1 smatra ”uspjehom”. Ako je p vjerojatnost uspjeha (obiˇno se s q = 1 − p oznaˇava vjerojatnost c c c neuspjeha), onda je oˇekivanje takve sluˇajne varijable p, a standardna devijacija p(1 − p): c c E(X) = p · 1 + q · 0 = p E(X 2 ) = p · 12 + q · 02 = p V ar(X) = E(X 2 ) − E(X)2 = p − p2 = p(1 − p) = pq ⇒ σ(X) =

p(1 − p) =

pq

Bernoullijeva shema se sastoji od konaˇnog ili beskonaˇnog niza nezavisnih sluˇajnih varijabli X1 , X2 , X3 . . . c c c za koje vrijede sljede´e tvrdnje: c • Za svaki k je vrijednost od Xk ili 1 ili 0. • Za svaki k je vjerojatnost da Xk poprima vrijednost 1 jednaka istom broju p, tj. za svaki k vrijedi P (Xk = 1) = p. Drugim rijeˇima, Bernoullijeva shema je niz nezavisnih Bernoullijevih pokusa s istom distribucijom. Dvije c c c mogu´e vrijednosti svake varijable Xk se ˇesto zovu ”uspjeh” i ”neuspjeh” (u nekim sluˇajevima se koriste c izrazi ”pogodak” i ”promaˇaj”, u ovisnosti o kontekstu). s

68

Neke od sluˇajnih varijabli povezanih s Bernoullijevom shemom su: c • Broj uspjeha u prvih n pokusa. • Broj pokusa potrebnih da se dobije r uspjeha. • Broj pokusa potrebnih da se dode do uspjeha. Mi ´emo obraditi samo prvu sluˇajnu varijablu ˇija distribucija se zove binomna distribucija. c c c Promotrimo sluˇajnu varijablu X koja ”broji uspjehe” u Bernoullijevoj shemi u prvih n pokusa. Prec ciznije, X je sluˇajna varijabla koja moˇe poprimiti vrijednosti iz skupa {0, 1, 2, . . . , n} i za koju vrijedi da c z je P (X = k) vjerojatnost da je u n uzastopnih Bernoullijevih pokusa nastupilo toˇno k uspjeha, 0 ≤ k ≤ n. c Neka je vjerojatnost uspjeha jednaka p i vjerojatnost neuspjeha q = 1 − p. Bernoullijevi pokusi u Bernoullijevoj shemi su medusobno nezavisni pa je vjerojatnost da u nizu od n sluˇajnih pokusa njih k bude uspjeˇno, a n − k neuspjeˇno, jednaka umnoˇku vjerojatnosti pojedinih pokusa. c s s s Njih k je uspjeˇno s vjerojatnoˇ´u p, njih n − k je neuspjeˇno s vjerojatnoˇ´u q pa je pripadna vjerojatnost s sc s sc jednaka p · p · . . . · p · q · q · . . . · q = pk q n−k .
k puta (n−k) puta

Takvih nizova od n pokusa od kojih je k uspjeˇno ima koliko i naˇina da se od n objekata (pokusa) izabere s c njih k (koji su uspjeˇni), a to je n . Dakle vjerojatnost da u nizu od n Bernoullijevih pokusa njih k bude s k uspjeˇno je jednaka s Pk = P (X = k) = n k n−k p q . k

Distribucija sluˇajne varijable X se zove binomna distribucija, zadana je parametrima n i p i oznaˇava se sa c c X ∼ B(n, p) = 0 P0 1 P1 2 P2 ··· ··· n Pn .

Oˇekivanje sluˇajne varijable s binomnom distribucijom se moˇe dobiti direktno iz definicije uz primjenu c c z binomnog teorema:
n n

E(X) =
k=0 n

kP (X = k) =
k=1

k

n k n−k p q = k

n

k
k=1 n−1 k=0

n! pk q n−k = k!(n − k)!
n−1 k=0

=
k=1

np

(n − 1)! pk−1 q n−k = np (k − 1)!(n − k)!

(n − 1)! pk q n−k−1 = np k!(n − k − 1)!

n − 1 k n−k−1 p q k

= np Varijanca jednog Bernoullijevog pokusa je pq. Pokusi u Bernoullijevoj shemi su medusobno nezavisni pa je varijanca binomne sluˇajne varijable jednaka zbroju varijanci pokusa, tj. imamo: c √ V ar(X) = npq i σ(X) = npq.

69

Grafovi funkcija vjerojatnosti i funkcije distribucije vjerojatnosti binomne distribucije B(15, 0.4): 0.23 0.20 0.18 0.16 0.14 0.11 0.09 0.07 0.05 0.02 0.00 0 2 4 6 8 10 12 14 16 funkcija vjerojatnosti Zadaci Zadatak 1. Koliko je oˇekivanje, a kolika je standardna devijacija binomne sluˇajne varijable X ∼ B(100, 0.4)? c c E(X) = np = 100 · 0.4 = 40 √ √ √ σ(X) = pq = 0.4 · 0.6 = 0.24 ≈ 0.490 Zadatak 2. Koliko je oˇekivanje, a kolika je standardna devijacija binomne sluˇajne varijable X ∼ B(75, 0.7)? c c Zadatak 3. Strijelac pogada metu s vjerojatnoˇ´u p = 0.4. sc c c 1. Kolika je vjerojatnost da ´e u seriji od 11 gadanja toˇno pet puta pogoditi metu? Rijeˇ je o c Bernoullijevoj shemi i binomnoj sluˇajnoj varijabli X ∼ B(11, 0.4). Treba izraˇunati vjerojatnost c c P (X = 5): P (X = 5) = 11 11 · 10 · 9 · 8 · 7 5 6 0.4 0.6 = 462 · 0.01024 · 0.046656 ≈ 0.2207 0.45 0.66 = 1·2·3·4·5 5 1.00 0.90 0.80 0.70 0.60 0.50 0.40 0.30 0.20 0.10 0.00 0 2 4 6 8 10 12 14 16 funkcija distribucije vjerojatnosti

2. Kolika je vjerojatnost da ´e u seriji od devet gadanja barem dva puta pogoditi metu? X ∼ c B(9, 0.4), P (X ≥ 2) =? P (X ≥ 2) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6) + P (X = 7) + P (X = 8) + P (X = 9) = 1 − (P (X = 0) + P (X = 1)) P (X = 0) = 9 0.40 0.69 = 1 · 1 · 0.69 = 0.010077696 0 P (X = 1) = 9 0.41 0.68 = 9 · 0.4 · 0.68 = 0.060466176 1 P (X ≥ 2) = 1 − (P (X = 0) + P (X = 1)) = 1 − 0.010077696 − 0.060466176 = 0.929456128 3. Kolika je vjerojatnost da ´e u seriji od sedam gadanja najviˇe tri puta promaˇiti metu? X ∼ c s s B(7, 0.4) Najviˇe tri puta promaˇiti u seriji od sedam gadanja je isto ˇto i najmanje 7 − 3 = 4 puta pogoditi. s s s Dakle traˇi se P (X ≥ 4) = P (X = 4) + P (X = 5) + P (X = 6) + P (X = 7) z 70

45 0. Strijelac pogada metu s vjerojatnoˇ´u 0.7 . 1 ). Uspjehom smatramo situaciju u kojoj c su na obje kockice pale ˇestice.60 = 7 0.0102 · 0.0771 + 0. Istovremeno se bacaju dvije standardne igra´e kockice.44 0. Kolika je vjerojatnost da ´e u ˇetiri bacanja broj ˇest pasti barem jednom? (Jedan od de M´r´ovih c c s e e problema.216 ≈ 0. c c c c s c s (b) Izraˇunajte vjerojatnost da ´e u seriji od 6 gadanja barem ˇetiri puta promaˇiti metu. sc c (a) Izraˇunajte vjerojatnost da ´e u seriji od 5 gadanja toˇno tri puta pogoditi metu.00164 = 0. Kolika je vjerojatnost uspjeha? 2.0172 6 1 P (X = 7) = 7 0.46 0. 6 2. Kolika je vjerojatnost da ´e u ˇetiri bacanja broj ˇest pasti toˇno jednom? c c s c Neka je X binomna sluˇajna varijabla s distribucijom X ∼ B(4.44 0. 3.) 71 . c c (c) Koliki je oˇekivani broj pogodaka u seriji od 5000 gadanja? c Zadatak 6.) Traˇena vjerojatnost je jednaka z P (X ≥ 1) = P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) = 1 − P (X = 0) = 4 4 0 4 5 = 1− p q =1− ≈ 1 − 0.46 0.47 ≈ 1 · 0. s 1.0172 + 0. Izraˇunajte vjerojatnost da ´e u seriji od 10 bacanja novˇi´a barem c cc c c cc tri puta pasti pismo. c c c s (b) Izraˇunajte vjerojatnost da ´e u seriji od 6 gadanja barem ˇetiri puta promaˇiti metu.62 ≈ 21 · 0.518 0 6 Zadatak 8.63 ≈ 35 · 0. Strijelac pogada metu s vjerojatnoˇ´u 0.6 .197 + 0.63 = 7 0. Uspjehom smatramo kad padne broj ˇest.293 Zadatak 4.6 ≈ 0.36 ≈ 0. Traˇena vjerojatnost je c z 6 jednaka P (X = 1) = 4 1 3 1 p q =4· · 1 6 5 6 3 ≈ 0. Baca se standardna igra´a kockica.197 4 3 7 7 5 2 P (X = 5) = 5 0.0771 P (X = 6) = 7 0. Bacamo simetriˇan novˇi´.3858.7 P (X = 4) = 7 0. c c (c) Koliki je oˇekivani broj pogodaka u seriji od 7000 gadanja? c Zadatak 5.00410 · 0. Kolika je vjerojatnost uspjeha? 1 Vjerojatnost uspjeha je p = .482 = 0.63 = 7−4 0.00164 = 0.4 0.00164 7 0 P (X ≥ 4) = P (X = 4) + P (X = 5) + P (X = 6) + P (X = 7) ≈ 0.44 0. c s 1.47 0. Kolika je vjerojatnost da ´e u 24 bacanja uspjeh nastupiti barem jednom? (Jedan od de M´r´ovih c e e problema. Zadatak 7.026 · 0.6 ≈ 7 · 0. sc (a) Izraˇunajte vjerojatnost da ´e u seriji od 5 gadanja toˇno ˇetiri puta promaˇiti metu.6 = 2 0. Kolika je vjerojatnost da ´e u 24 bacanja uspjeh nastupiti toˇno jednom? c c 3.61 = 7 0.

a ne neˇto drugo. Poissonova distribucija je diskretna distribucija kojom se izraˇava vjerojatnost pojave dogadaja unutar fiz ksiranog vremenskog intervala ako je poznato prosjeˇno vrijeme izmedu pojave dva uzastopna dogadaja i c ako su dogadaji medusobno neovisni. broj stranaka u banci tokom nekog vremenskog peric oda). D. onda je to jaka podrˇka tvrdnji da je sluˇaj. c c c c s Ovaj drugi primjer je koriˇten za vrijeme Drugog svjetskog rata kada su njemaˇke snage raketnim bombama s c c gadali London. dogadaji su medusobno nezavisni.54 3 35 30. Postavilo se pitanje jesu li neki dijelovi Londona u ve´oj opasnosti da budu pogodeni zbog strateˇkih ciljeva (npr. k broj podruˇja pogodenih k puta c teoretski broj pogodaka prema Poissonovoj distribuciji 0 229 226. c 2. c c oˇekivane frekvencije dogadaja. dogadaji se mogu brojati nenegativnim cijelim brojevima.57 Ovime je Clarke pokazao da su projektili na London padali sluˇajno prema predvidivom obrascu odredenim c Poissonovom distribucijom i time dokazao da strateˇki vaˇniji dijelovi Londona nisu bili u ve´oj opasnosti od s z c drugih. prosjeˇan broj nastupa dogadaja u danom vremenskom periodu (ili na danoj povrˇini ili u danom c volumenu) je poznat i konstantan.62 4 7 7. broj pogodaka.14 5 ili viˇe s 1 1. 4. odnosno da nema potrebe za evakuacijom iz onih podruˇja grada u kojima se nalaze strateˇki ciljevi. c s 3. Clarke je podijelio dio grada koji je doˇao pod udar projektila na 576(= 26 · 26) podruˇja od kojih je s c svako imalo povrˇinu od jedne ˇetvrtine kvadratnog kilometra. Drugim rijeˇima. povrˇina ili volumen.74 1 211 211. tako da nastup jednog dogadaja ne utjeˇe na nastupe niti jednog od sljede´ih dogadaja. Da dode do odgovora.39 2 93 98. a oni su dosta ˇesti. c Poissonova distribucija se moˇe koristiti i u ”suprotnom smjeru”. Tipiˇni primjeri su vremena izmedu dolazaka uzastopnih kupaca u trgovinu i s c broj bombi koje (neovisno i sluˇajno) pogode sluˇajno izabrano podruˇje iz grupe podruˇja jednakih povrˇina. tvornice) koji su se u njima nalazili.14 Poissonova distribucija Poissonova distribucija se primjenjuje na dogadaje za koje vrijede sljede´i uvjeti: c 1. ali je besmisleno pitati koliko puta dogadaj nije nastupio (za razliku od binomne distribucije) Za takve dogadaje. uzrok dogadajima na osnovu kojih su dobiveni s c s ti podaci. ili su pogadali unaprijed zadane ciljeve. britanski statistiˇar c R. c s 72 . mogu´e je odrediti broj nastupa dogadaja (npr. Poissonova distribucija daje. Za svako podruˇje je odredio broj projektila s c c koji su ga pogodili i sastavio je sljede´u tabelu u kojoj se vidjelo koliko je podruˇja pogodilo dani broj c c projektila. nije bilo jasno jesu li projektili s c c padali na London sluˇajno. preko pripadaju´ih vjerojatnosti. Takoder se moˇe koristiti za druge intervale kojima se izraˇavaju udaz z ljenost. za testiranje sluˇajnosti danih podataka. z c Ako se podaci dovoljno dobro podudaraju s teoretskim vrijednostima dobivenim iz Poissonove distribucije.

Poissonova distribucija je odredena parametrom λ ≥ 0.10 1.5. k! Vrijedi joˇ i: E(X) = λ.40 0. Npr.05 0. ako se dogadaji pojavljuju svake 4 minute.04 0.11 0. ˇije znaˇenje je oˇekivani broj dogadaja tijekom c c c zadanog vremenskog intervala.90 0.00 0.40 0.60 0. onda se kao model uzima Poissonova distribucija s parametrom λ = 10/4 = 2.20 0.00 0 2 4 6 8 10 12 14 16 18 20 funkcija vjerojatnosti Poissonove distribucije za λ = 8 1.60 0.12 0.10 1.28 0.40 0.80 0.00 -0. V ar(X) = λ.00 -0.10 0 2 4 6 8 10 12 14 16 18 20 funkcija distribucije vjerojatnosti Poissonove distribucije za λ = 8 73 1 2 3 4 5 6 7 funkcija distribucije vjerojatnosti Poissonove distribucije za λ = 1 .06 0.09 0.20 0.70 0.10 0 0 √ λ.50 0. c c Vjerojatnost da sluˇajna varijabla X s Poissonovom distribucijom poprimi vrijednost k je jednaka c P (X = k) = λk e−λ . a zanima nas njihovo pojavljivanje tijekom vremenskog intervala od 10 minuta.30 0.15 0.00 0.32 0.20 0.08 0.50 0.02 0.30 0.36 0. Da sluˇajna varijabla X ima Poissonovu distribuciju se oznaˇava s X ∼ P oi(λ). 0.12 0.80 0.70 0.10 0. σ(X) = s 0.10 0.00 1 2 3 4 5 6 7 funkcija vjerojatnosti Poissonove distribucije za λ = 1 1.16 0.08 0.03 0.90 0.14 0.24 0.

• broja pregaˇenih ˇivotinja nadenih na danoj duljini ceste. 3. 2. 2. 5 ili viˇe.084224 2! 55 e−5 2. Izraˇunajte P (X = 2). onda je je λ = 2.440493 = 0.559507 Primjer 2. • broja telefonskih poziva upu´enih nekoj telefonskoj centrali tijekom jedne minute. 1.Poissonova distribucija se koristi za modeliranje broja pojavljivanja razliˇitih dogadaja u danom prostoru ili c vremenu poput: c • broja vozila koji produ nekom kontrolnom toˇkom (dovoljno dalekom od semafora) tijekom nekog danog vremena. 5 ili viˇe poziva. 4. 1. ˇ Recepcija u hotelu prima u prosjeku dva telefonska poziva na sat. P (X < 3) = P (X = 0) + P (X = 1) + P (X = 2) = 50 e−5 51 e−5 52 e−5 53 e−5 + + + ≈ 0! 1! 2! 3! ≈ 0.13534 0.27067 0.05265 broj poziva 74 . P (X = 2) = 52 e−5 ≈ 0. P (X = 5). z Poissonova distribucija P oi(λ) se koristi kao aproksimacija binomne distribucije B(n. s Ako u prosjeku imamo dva poziva na sat. U sljede´oj tabeli su dane vjerojatnosti da ´e tokom jednog c c sata recepcija primiti 0. • broja ˇarulja koje pregore tijekom danog vremenskog intervala. 4. Zelimo izraˇunati vjerojatnosti da c ´e broj poziva tokom jednog sata biti 0. Neka je X ∼ P oi(5).18045 0. 3. c s Rjeˇenje.084224 = 0.124652 50 e−5 51 e−5 52 e−5 53 e−5 54 e−5 + + + + 0! 1! 2! 3! 4! 4. s 0 1 2 3 4 5 ili viˇe s P (X = 0) P (X = 1) P (X = 2) P (X = 3) P (X = 4) P (X ≥ 5) vjerojatnost 0. p) u sluˇajevima kada c je n velik i p malen.09022 0. z z • broja zvijezda u danom volumenu prostora...27067 0. c • broja pristupa nekom web serveru tijekom jedne minute. • broja tipfelera napravljenih prilikom tipkanja jedne stranice teksta. c 1. P (X < 3) i P (X > 4).175467 5! 3. Dakle sluˇajna varijabla koja modelira ovu c situaciju ima distribuciju X ∼ P oi(2).006738 + 0. P (X = 5) = ≈ 0.033690 + 0. P (X > 4) = 1 − P (X ≤ 4) = 1 − (P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4)) = =1− ≈ 1 − 0. c Primjer 1. pri ˇemu je λ = np.

) s s Zadatak 3. 0! 2. s z 4. U jednom vatrogasnom domu su izraˇunali da u prosjeku dobivaju 2. onda promatramo sluˇajnu varijablu X ∼ P oi(2. Poznato je da je 5% ljudi ljevoruko.1 ≈ 0.099231 4! 3.5). c s s Nadite vjerojatnost da se na stotoj stranici te knjige ne nalazi niti jedna ˇtamparska greˇka. ˇetiri laˇne dojave.05 tanjura na sat.37961 = 0. Poznato je da se u izvjesnoj knjizi od 250 stranica nalazi 50 sluˇajno rasporedenih ˇtamparskih greˇaka. Kolika je vjerojatnost da mu tokom jednog sata niti jedan tanjur ne´e ispasti iz ruku? c 75 . jer je prosjeˇan broj ljevorukih u grupi od 100 ljudi c c jednak 100 · 0. P (X = 3). niti jedna laˇna dojava.1 laˇnu dojavu o poˇarima na c z z dan. P (X ≥ 2) = P (X = 2) + P (X = 3) + P (X = 4) + · · · = 1 − (P (X = 0) + P (X = 1)) ≈ 1 − 0. P (X ≤ 3) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) ≈ 0.1) pa imamo: c c 2. Primjer 4.10 e−2.83864.14 e−2. najviˇe tri laˇne dojave. s Koristit ´emo Poissonovu distribuciju X ∼ P oi(5). Izraˇunajte P (X = 2). c Zadatak 2. Izraˇunajte vjerojatnost da se u grupi od 100 ljudi nalazi barem c dvoje ljevorukih.96. Za jednog konobara je ustanovljeno da mu u prosjeku iz ruku ispadne i razbije se 0. Kolika s s je vjerojatnost da se na toj stranici nalaze najviˇe dvije ˇtamparske greˇke? (Uputa: prosjeˇan broj s s s c ˇtamparskih greˇaka po stranici je 50/250 = 0. P (X ≤ 3) i P (X > 5). Neka je X ∼ P oi(2.Primjer 3. 1. Uz pretpostavku da moˇemo primijeniti Poissonovu distribuciju.62039. Traˇena vjerojatnost je pribliˇno jednaka: z z P (X ≥ 2) = 1 − (P (X = 0) + P (X = 1)) ≈ 0. Zadaci Zadatak 1.05.12246.1 2. barem dvije laˇne dojave. z Rjeˇenje. Rjeˇenje. s Ako je rijeˇ o Poissonovoj distribuciji. P (X = 0) = 4.2. z 2. c z 3. izraˇunajte vjerojatnost da ´e z c c u jednom danu biti 1.1 = e−2. P (X = 4) = =≈ 0.

kontinuirana sluˇajna varijabla je funkcija sa prostora elementarnih dogadaja u skup realnih broc jeva pri ˇemu skup vrijednosti te funkcije moˇe biti cijeli interval (ili unija intervala) realnih brojeva ili cijeli c z skup R. nego mogu poprimiti bilo koju vrijednost c c iz nekog intervala realnih brojeva.15 Kontinuirana sluˇajna varijabla c U mnogim sluˇajevima nam za modeliranje sluˇajnih procesa diskretne sluˇajne varijable nisu dovoljne i to c c c naroˇito onda kada ishodi sluˇajnih procesa nisu izolirani brojevi. c 76 . ˇto se definira uz pomo´ z c s c funkcije distribucije vjerojatnosti ili funkcije gusto´e vjerojatnosti. c Vjerojatnost svakog elementarnog dogadaja je kod kontinuirane sluˇajne varijable jednaka nuli. dakle [0. z Primjeri kontinuiranih sluˇajnih varijabli: c • visina ili teˇina ljudi na nekom podruˇju. Npr. ˇarulje se testiraju tako da ih se drˇi ukljuˇenima sve dok ne pregore. Vrijednosti c koje moˇe Y poprimiti su nenegativni realni brojevi. z z c Sluˇajna varijabla Y povezana s ovom situacijom mjeri vrijeme do pregaranja u recimo satima. c s c z • vrijeme potrebno da se pretrˇi sto metara. c Formalno. c • vrijeme ˇekanja na autobus na autobusnoj stanici. z c • koliˇina ˇe´era u jednom kilogramu groˇda. +∞ > pa je Y kontinuirana varijabla. Smisla ima traˇiti vjerojatnost da sluˇajna varijabla poprimi vrijednost iz nekog intervala.

Iz navedenog i Newton–Leibnizove formule slijedi c c P (a < X ≤ b) = F (b) − F (a) i F (x) = f (x). tj. funkcija distribucije vjerojatnosti kontinuirane sluˇajne varijable je primitivna funkcija pripadne funkcije c gusto´e vjerojatnosti. tj. Funkcija distribucije vjerojatnosti kontinuirane sluˇajne varijable c Funkciju distribucije vjerojatnosti F kontinuirane sluˇajne varijable X definiramo formulom c F (x) = P (X ≤ x) = x f (t) dt. za svaki x ∈ R vrijedi f (x) ≥ 0 b 2. −∞ a Kako je vjerojatnost da X poprimi neku konkretnu vrijednost jednaka nuli (ˇto slijedi iz P (X = a) = s f (t) dt = 0).Funkcija gusto´e vjerojatnosti kontinuirane sluˇajne varijable c c Funkcija gusto´e vjerojatnosti kontinuiranih sluˇajnih varijabli je funkcija f : R → R sa sljede´im svojstvima: c c c 1. −∞ gdje je f (x) pripadaju´a funkcija gusto´e vjerojatnosti. sve sljede´e vjerojatnosti su medusobno jednake: c a P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b). funkcija f je nenegativna. a f (t) dt = P (a ≤ X ≤ b) f (t) dt = 1 +∞ 3. c 77 .

Standardna normalna distribucija Normalna distribucija.1 σ=1 x 1 2 0. μ (oˇekivanje) i σ 2 (varijanca). Carl Friedrich Gauss je otkrio normalnu distribuciju kada je analizirao neke astronomske podatke i tada je definirao jednadˇbu njezine funkcije z gusto´e: c f (x) = 1 x−μ 2 1 √ e− 2 ( σ ) σ 2π Funkcije gusto´e vjerojatnosti za razliˇite σ i μ: c c 6 μ=0 μ=2 0.1 0 -4 -2 -0.5 μ = −2 0. za standardnu normalnu distribuciju vrijedu μ = 0 i σ 2 = 1. Parametri te distribucije su dva broja.4 0.16 Normalna (Gaussova) distribucija. σ 2 ). koja se ˇesto zove Gaussova distribucija.8 σ= 0.6 0. oznaˇavamo ovako: c X ∼ N (μ.3 0. je vrlo vaˇan primjer kontinuirane distribuc z cije primjenjive u raznim podruˇjima.2 6 0 2 4 -4 σ=2 0. c c c Da neprekidna sluˇajna varijabla X ima normalnu distribuciju s parametrima μ i σ 2 .2 0 0 μ=0 1 2 3 4 -3 -2 -1 Funkcija distribucije vjerojatnosti se definira sa: F (x) = −∞ f (t) dt.4 σ=1 0. 78 .

c Da bi naˇli F ∗ (1. radimo sljede´e: s 1. moramo prvo podatke vezane uz zadanu normalnu distribuciju prevesti c u odgovaraju´e podatke iz standardne normalne distribucije formulom x∗ = x−μ σ pri ˇemu vrijedi c F (x) = F ∗ (x∗ ) gdje je F ∗ funkcija distribucije vjerojatnosti standardne normalne razdiobe.2. Pribliˇnu vrijednost za F ∗ (b∗ ) oˇitavamo direktno iz tabele (ili s malo boljih kalkulatora). μ = −2 σ = 2. Da bi izraˇunali tu vjerojatnost. z c Primjer 1.Funkcije distribucije vjerojatnosti: 6 6 1 0.8 0.8 0. Da bismo mogli koristiti tu tablicu. Sada imamo: P (X ≤ b) = F (b) = F ∗ b−μ σ = F ∗ (b∗ ).23). koja je dana na stranici 102.4 0. U prvom stupcu tabele traˇimo broj 1.4 0.2 0 -4 -2 1 0. z 79 . koristimo se c c tabelom vrijednosti funkcije distribucije standardne normalne razdiobe N (0.6 0. μ = 0 Vjerojatnost da sluˇajna varijabla X ∼ N (μ.2 0 -4 -2 0 2 4 0 2 4 σ = 1.6 0. 1). σ 2 ) poprimi vrijednost manju od ili jednaku b je jednaka (vidi c lijevu sliku na stranici 80): P (X ≤ b) = b f (x) dx = F (b) −∞ gdje je F pripadaju´a funkcija distribucije vjerojatnosti.

87493 0.03.90824 0.1 0.758) ≈ F ∗ (2.92507 .76) ≈ z z 0. . 0. . . 0. .87286 0.88298 0.89065 0. 0.84614 0. .92364 .91308 0.70540 = 0.05 0 2 4 6 8 10 12 14 0 -2 -0.1 1. . .90490 0. onda x zaokruˇujemo na dva decc s z imalna mjesta i u tabeli nalazimo traˇenu vrijednost za taj zaokruˇeni broj. onda uzimamo da je F ∗ (x) ≈ 1.91621 0.23) ≈ 0.4 . . 0.92073 . onda op´enito vrijedi F (x) = 1−F (−x).0 1. Npr.54) = 1 − F ∗ (0.86650 0. F ∗ (2.92785 . . 0 -2 -0.88493 0. Npr.91466 0.89251 0.02 .06 . .85993 0. . 0. Ako trebamo prona´i vrijednost F ∗ (x) gdje x ima viˇe od dvije decimale.85314 0.01 . σ 2 ) poprimi vrijednost ve´u od a i manju od ili jednaku b je c jednaka (vidi desnu sliku): P (a < X ≤ b) = 6 0.92220 .05 . 0.04 . 0. 80 .89973 0.1 0. . . U prvom retku tabele traˇimo broj 0. . ˇto je posljedica identiteta P {X ≤ x}+P {X ≥ x} = 1 c s i P {X ≥ x} = P {X ≤ −x}.91924 . 0.92647 .91149 0. .85543 0.89435 0.88686 0.93189 .84849 0.88877 0. 0.15 0.87900 0. Traˇena vrijednost je broj koji se nalazi u presjeku nadenog retka i stupca.92922 . .54) ≈ 1 − 0.90320 0.89796 0. 1. .93056 .3 1.09.85769 0.85083 0.08 . 0. 0. . . .09 .99711. .88100 0.12) ≈ 1.2946. 0.05 0 2 4 6 8 10 12 14 0. Npr. .89065. . 0. .91774 0.84375 0. 0. 0. z a .05 Oznaˇeno podruˇje ima povrˇinu c c s P (X ≤ 4). .90988 0.86864 0. Ako je x > 4. . F ∗ (−0. 0.87698 0. . c Vjerojatnost da sluˇajna varijabla X ∼ N (μ. .05 Oznaˇeno podruˇje ima povrˇinu c c s P (−1 ≤ X ≤ 4). .03 . F (5. . . .90147 0.90658 0. Ako je x < 0. . . .2. . . . z 3. 0. .2 1.84134 0. 0. .89617 0.87076 0. Sada imamo: F ∗ (1. . .86433 0. .86214 0. 0. 0 .15 b a f (t) dt = F (b) − F (a) 6 0. .07 .

14) − F ∗ (−0.04 0. s (a) P (X > 256) = 1 − P (X ≤ 256) = 1 − F (256) = 1 − F ∗ ≈ 1 − F ∗ (0.87286 − (1 − 0.14) − (1 − F ∗ (0.00) − F ∗ (0. (b) P (249 < X ≤ 259) = F (259) − F (249) = F ∗ 256 − 251 7 ≈ 259 − 251 249 − 251 −F∗ ≈ F ∗ (1. Rjeˇenje.21204. X > 256.01 230 240 250 260 270 280 0.05 0.02 0.74857 = 0. Pretpostavimo da je temperatura zraka u travnju normalna distribuirana sluˇajna varijabla T s μ = 20◦ C i c standardnom devijacijom σ = 3◦ C.61409) = 0.04 0.03 0.01 0 220 -0. 3 (b) P (21 < T ≤ 23) = F (23) − F (21) = F ∗ ( 23−20 ) − F ∗ ( 21−20 ) ≈ F ∗ (1.25143. 81 . 0.67) ≈ 1 − 0.29) 7 7 = F ∗ (1.01 230 240 250 260 270 280 P (X > 256) P (249 ≤ X ≤ 259) Primjer 3. Broj sunˇanih dana u jednoj godini na otoku Hvaru normalno je distribuirana sluˇajna varijabla X s c c c c parametrima μ = 251 i σ 2 = 49.33) ≈ 3 3 ≈ 0.02 0.03 0. Izraˇunajte vjerojatnost da je broj sunˇanih dana u godini (a) ve´i od 256 .84134 − 0.06 0.76115 = 0. (b) izmedu 21◦ C i 23◦ C.71) ≈ 1 − 0.05 0.Primjer 2.29)) ≈ 0.23885. 249 < X ≤ 259 ? Rjeˇenje.06 0. c (b) izmedu 249 i 259.62930 = 0.48695.01 0 220 -0. s (a) P (T ≤ 18) = F (18) = F ∗ ( 18−20 ) ≈ F ∗ (−0. Nadite vjerojatnost da je temperatura zraka u travnju (a) manja od 18◦ C.

F ∗ (5. normalno distribuirana sluˇajna varijabla s c c c parametrima μ = 169 i σ 2 = 10. σ 2 ) vrijedi z c 1.95. 2.3476).997. F ∗ (−0.22). izmedu 170cm i 173. 1) sljede´e vrijedc c nosti: F ∗ (2. Broj sunˇanih dana u jednoj godini na otoku Hvaru normalno je distribuirana sluˇajna varijabla s c c c parametrima μ = 320 i σ 2 = 81. P (μ − σ < X ≤ μ + σ) ≈ 0. Pretpostavimo da je visina (u cm) studenata veleuˇiliˇta normalno distribuirana sluˇajna varijabla s c s c c c parametrima μ = 171cm i σ 2 = 26. Zadatak 6.789). Zadatak 2. 3. P (μ − 2σ < X ≤ μ + 2σ) ≈ 0.34).01cm2. Zadatak 5. Izraˇunajte vjerojatnost da je visina sluˇajno odabranog stanovnika (a) manja ili jednaka 168cm.68. Izraˇunajte vjerojatnost da je visina sluˇajno odabranog studenta 1.71).1212). Oˇitajte iz tabele vrijednosti funkcije distribucije standardne normalne razdiobe N (0. Pretpostavimo da je visina stanovnika Lastova. ve´a od 168 cm. P (μ − 3σ < X ≤ μ + 3σ) ≈ 0. u cm.Zadaci Zadatak 1.23). Kolika je vjerojatnost da je broj kiˇnih dana u godini izmedu 6 i s 14 ? Zadatak 4. F ∗ (−1. F ∗ (0.cm. c 2.89.334). F ∗ (−7. F ∗ (0. F ∗ (−2. Kolika je vjerojatnost da je broj sunˇanih dana u godini izmedu 290 i 322 ? Zadatak 3.96243). (b) izmedu 165cm i 170cm. 82 . Broj kiˇnih dana u jednoj godini na otoku Hvaru normalno je distribuirana sluˇajna varijabla s s c parametrima μ = 20 i σ 2 = 4. Pokaˇite da za svaku sluˇajnu varijablu X ∼ N (μ. F ∗ (1.

2 0. a standardna devijacija σ = 2k. F10 (x) i F15 (x) c Oznaka za sluˇajnu varijablu X koja ima χ2 –distribuciju s k stupnjeva slobode je X ∼ χ2 . 2k). f5 (x).0 k=3 k=2 k = 15 2 4 6 8 10 12 graf funkcija F1 (x) i F2 (x) 14 0 2 4 6 8 10 12 14 graf funkcija F3 (x). F5 (x).2 0.17 χ2 –distribucija χ2 –distribucija (hi kvadrat distribucija) ovisi o parametru k ∈ N kojeg zovemo stupanj slobode.6 0.8 0.0 0. Oˇekivanje c k √ takve varijable je E(X) = k. Funkcija gusto´e vjerojatnosti χ2 –distribucija s k stupnjeva slobode je dana s c fk (x) = c · x 2 −1 e− 2 . c z k 83 .4 0.0 0. Za k ≥ 30 vrijedi da sluˇajna varijabla X ∼ χ2 ima pribliˇno normalnu distribuciju N (k. f10 (x) i f15 (x) 1. x > 0 ∞ k x gdje je c > 0 konstanta koja ovisi o k takva da vrijedi 0 fk (t)dt = 1.6 0.8 0.4 0.0 0 1. varijanca D(X) = 2k. graf funkcija f1 (x) i f2 (x) k=1 graf funkcija f3 (x).

koliˇina neisz c pravnih proizvoda.. nego greˇku s z z s druge vrste.Dio III Statistiˇki testovi c Tipiˇna situacija u kojoj se primjenjuju statistiˇki testovi je kad imamo neku pretpostavku. jer uzorak moˇda nije bio dovoljno velik da bi se mogla detektirati njena 84 . biti negacija nul hipoteze. c z Obradit ´emo dva tipa statistiˇkih testova koji se odnose na testiranje hipoteze: c c • testiranje hipoteze o oˇekivanju normalno distribuirane varijable uz poznatu varijancu. U sluˇaju kada nul hipotezu z c c odbacujemo. Gotovo uvijek je nemogu´e mjerenje statistiˇkog obiljeˇja provesti na cijeloj populaciji pa se mjerenje obavlja c c z na jednoj manjoj grupi ljudi ili manjem dijelu jedne serije proizvoda. Sljede´a tabela prikazuje sve mogu´e rezultate testiranja hipoteze: c c H0 istinita H0 neistinita H0 odbaˇena c greˇka I vrste s ispravna odluka H0 prihva´ena c ispravna odluka greˇka II vrste s Greˇka prve vrste je ozbiljnija i vaˇnije je da obratimo paˇnju na to kako da izbjegnemo nju. c • Greˇka druge vrste se dogada kada nul hipotezu prihvatimo. Prilikom testiranja hipoteze uvijek imamo tzv. neka njihova dimenzija. koju nazivamo c c hipotezom.. ali ne moˇe biti nula. s Na primjer. Testovi hipoteze imaju jedan parametar. teˇina. iako ona nije istinita. Takvu grupu ljudi ili seriju proizvoda zovemo populacija. u kliniˇkom testiranju novog lijeka bi nul hipoteza mogla biti da novi lijek u prosjeku nije c bolji od lijeka koji se trenutno koristi. Statistiˇki testovi nam pomaˇu da donesemo neki zakljuˇak u vezi promatranog statistiˇkog obiljeˇja na cijeloj populaciji na osnovu mjerenja provedenog na uzorku. c • χ2 test. Ako ne odbacimo nul hipotezu. Ta manja grupa na kojoj se obavlja mjerenje se zove uzorak. Rezultat testa moˇe biti njeno prihva´anje ili odbacivanje. zanimaju nas visine ili teˇine svih c z z gradana Republike Hrvatske). . c c z c no time se ne´emo baviti. z s • Greˇka prve vrste se dogada kada nul hipotezu odbacimo iako je ona istinita. Greˇka prve vrste bi se pojavila ako bismo zakljuˇili da ova dva s c lijeka daju razliˇite rezultate dok u stvari nema razlike u njihovim primjenama.) itd. koji ima znaˇenje c c c c s s z vjerojatnosti da ´emo napraviti greˇku prve vrste. Kod testiranja hipoteze moˇemo napraviti dvije vrste greˇaka. ali i ne c c c z mora. razinu znaˇajnosti (oznaˇava se s α). onda to znaˇi da prihva´amo alternativnu hipotezu (koju oznaˇavamo s H1 ) koja moˇe. s U gornjem primjeru bi ovaj tip greˇke nastao ako bismo zakljuˇili da oba lijeka u prosjeku poluˇuju s c c jednake rezultate u primjeni iako to nije istina. o seriji nekih proizvoda (npr. Postoji teorija uzorka koja se bavi time kako odabrati dobar (nepristran) uzorak. uobiˇajeno je da se za njega uzmu vrijednosti α = 0.05 ili α = 0. joˇ uvijek c s c z je mogu´e da je ona neistinita.01. Taj parametar treba biti ˇto manji. nul hipotezu (oznaˇavamo je s H0 ) koju neposredno provc jeravamo testom. o nekom statistiˇkom obiljeˇju neke velike grupe ljudi (npr.

to je druga ve´a. c s Vrijednost testa je broj kojeg dobijemo na osnovu uzorka. preciznije. a to je 1 − β. Kritiˇna vrijednost je teoretska granica koja ovisi c o razini znaˇajnosti (i ne ovisi o uzorku). Ona dijeli skup vrijednosti koje moˇe poprimiti vrijednost testa c z na dva dijela. za zadanu razinu znaˇajnosti α nije mogu´e izraˇunati vjerojatnost greˇke druge vrste c c c c s (oznaˇava se s β). Ako vrijednost testa pripada kritiˇnom podruˇju. c 85 . Op´enito. onda nul hipotezu odbacujemo. inaˇe je c c c prihva´amo. Jakost testa c s c hipoteze je njegova sposobnost da odbaci nul hipotezu kada je ona neistinita. no zna se da ˇto je jedna od te dvije vrijednosti manja. vjerojatnost da se ne´e dogoditi greˇka druge vrste.neistinitost.

c 86 . iz ˇega se c c onda izvodi zakljuˇak o prihva´anju ili odbacivanju nul hipoteze. Test se moˇe provesti ako je X sluˇajna c c z c varijabla s normalnom distribucijom N (μ. varijanca c c c sc σ σ 2 sluˇajne varijable X. c Lijevi test provodimo samo onda kada su sve vrijednost uzorka manje od μ0 . onda moramo znati veliˇinu uzorka n. 6 6 zα vt nul hipoteza se prihva´a c (vt=vrijednost testa) desni vt zα nul hipoteza se odbacuje - H0 : μ = μ0 nul hipoteza H1 : μ > μ0 alternativna hipoteza √ c Ako je x−μ n < z1−α onda nulhipotezu ne odbacujemo s razinom znaˇajnosti α jer vrijednost testa σ nije u kritiˇnom podruˇju.05. Mogu´e su tri vrste provodenja testa: lijevi. σ 2 ). c lijevi H0 : μ = μ0 nul hipoteza H1 : μ < μ0 alternativna hipoteza √ Ako je x−μ n > zα = −z1−α onda nulhipotezu prihva´amo (ne odbacujemo) s razinom znaˇajnosti α c c σ jer vrijednost testa nije u kritiˇnom podruˇju. Testiranje hipoteze o oˇekivanju uz poznatu varijancu se provodi tako da se koriste´i c c c c aritmetiˇku sredinu uzorka izraˇuna vrijednost testa koja se usporeduje s kritiˇnom vrijednosti.18 Testiranje hipoteze o oˇekivanju uz poznatu varijancu c Neka je X sluˇajna varijabla s nepoznatim oˇekivanjem μ i poznatom standardnom devijacijom σ. Moraju nam biti poznati razina znaˇajnosti α (obiˇno malen broj. Nulhipoteza je u sva tri sluˇaja ista. ve´i od μ ili u uzorku ima i brojeva koji su ve´i od μ i c c brojeva koji su od njega manji (da bismo mogli odrediti koji test trebamo provesti: lijevi. desni ili obostrani). najˇeˇ´e 0.05 ili 0. U suprotnom nulhipotezu odbacujemo (ne prihva´amo) c c c s razinom znaˇajnosti α. aritmetiˇku sredinu c c c x uzorka i jesu li svi elementi uzorka manji od μ. desni i obostrani.01). a ako uzorak nije poznat. U suprotnom nulhipotezu odbacujemo s razinom znaˇajnosti α = 0. U svakom od njih raˇunamo vrijednost testa c c x−μ √ n. definirana c c na nekoj populaciji. c c c Desni test provodimo samo onda kada su sve vrijednost uzorka ve´e od μ0 .

U suprotnom nulhipotezu odbacujemo s razinom c c znaˇajnosti α = 0. c Obostrani test provodimo samo onda kada su neke vrijednosti uzorka manje. c 6 6 z α vt 2 z1− α 2 vt z α 2 z1− α vt 2 - nul hipoteza se prihva´a c c Vrijednosti za oˇitavamo iz tabele na strani 102.05. a neke ve´e od μ0 . nul hipoteza se odbacuje 87 .6 6 vt z1−α nul hipoteza se prihva´a c obostrani z1−α vt nul hipoteza se odbacuje - H0 : μ = μ0 nul hipoteza H1 : μ = μ0 alternativna hipoteza √ √ Ako je x−μ n > z α = −z1− α i x−μ n < z1− α onda nulhipotezu ne odbacujemo s razinom znaˇajnosti c σ σ 2 2 2 α jer vrijednost testa nije u kritiˇnom podruˇju.

. Izvrˇena je provjera rada stroja za proizvodnju matica.02 0.9995 kojeg traˇimo u tabeli tako da nademo broj unutar tabele koji je najbliˇi broju 0. σ (dakle vrijednost testa nije u kritiˇnom podruˇju) nul hipotezu prihva´amo s razinom znaˇajnosti α = 0.04 0. .27 x6 0.35 + 0.99942 0. 0.99971 0. c c c c 88 . . . Uz pretpostavku da je vrijednost odstupanja z c normalno distribuirana sluˇajna varijabla s parametrima μ i σ 2 = 0. σ 0.52790 .50399 .99950 0. c c H0 : μ = 0.51595 .99962 0.99957 0.31 x8 0.28 + 0.99921 0.99955 0.27 + 0.99958 0.9995 te u 2 poˇetku stupca i poˇetku retka u kojima se nalazi taj broj oˇitavamo traˇenu kritiˇnu vrijednost z0.99893 0.99968 0. Znamo da vrijedi z α = −z1− α pa je dovoljno na´i samo c c 2 2 2 2 z z z1− α = z0.09 0.99946 0.9995 = 3.24 Rjeˇenje. c x1 0.99953 0. .1 3.99924 0.29 mm alternativna hipoteza c Trebamo izraˇunati kritiˇne vrijednosti z α i z1− α .99974 0.0036.99961 0.99973 0. .99972 0. . .99910 0.50798 . . .9995 .28 x5 0.99931 0. .99965 0.7071 < z0. .99865 0.05 0.99975 0.51197 .27 + 0.27 + 0.Primjer 1.06 0. .29 uz razinu znaˇajnosti α = 0. .52392 . odgovaraju´im testom testirajte c hipotezu H0 : μ = 0.2 3. . 3.01 0. . 0.99944 0.99966 0.29 pa prema tome i z0. U tablici su popisana izmjerena odstupanja promjera s matica od propisane vrijednosti (izraˇena u milimetrima).99952 0.31 + 0.99936 0.53586 . . 0.99913 0.3 3.99948 0.99916 0.9995 = 3.99906 0.7071.99976 Dakle imamo da je z0.99874 0.21 + 0.27 x2 0. 0.99889 0.07 0.99896 0. 0.99970 0.27 x7 0.29 √ x − μ0 √ n= 8 ≈ −0.0005 = −3. 0.275 .275 − 0.35 x3 0.99918 0. 0. 0.99886 0.001.99869 0. jer u uzorku ima vrijednosti i ve´ih i manjih od μ0 . c c c z c a 0.29 < 2 x − μ0 √ n = −0.99929 0. s Prvo izraˇunamo aritmetiˇku sredinu uzorka: c c x= 0. 0.99882 0.29. 8 0.06 Vrijednost testa je: Koristit ´emo obostrani test.99960 0.99938 0.99926 0.24 = 0.4 0 0.0 3.99903 0.03 0.21 x4 0. 0.99934 0.99969 0.99940 0.29 mm nul hipoteza H1 : μ = 0. .50000 .0 .53188 . Kako je z1− α = −3.51994 . .08 0. .29. .99964 0.001. .99900 0.99878 0.

16 + 1.19 = 1.17625.17 x7 1.94950).15 mm nul hipoteza H1 : μ > 1. Izvrˇena je provjera rada stroja za proizvodnju limenih ploˇa.04 Vrijednost testa je: Koristit ´emo desni test.15 mm alternativna hipoteza Treba izraˇunati kritiˇnu vrijednost z1−α = z0.95 .18 x6 1. c x1 1.17 + 1.05 .15 uz razinu znaˇajnosti α = 0. c c H0 : μ = 1.16 x5 1.16 x8 1. 8 x − μ0 √ 1. odgovaraju´im testom testirajte c hipotezu H0 : μ = 1. 6 z0. U tablici su popisana izmjerena odstupanja des c bljine ploˇa od propisane vrijednosti (izraˇena u milimetrima). c 89 .17625 − 1.19 + 1.18 + 1.19 + 1.19 x4 1.05. s Prvo izraˇunamo aritmetiˇku sredinu uzorka: c c x= 1. σ 0.17 + 1.17 x3 1.64 (najbliˇa vrijednost c c z u tabeli je 0. Iz tabele dobivamo da je z0.95 vt nul hipoteza se ne prihva´a c Vidimo da je vrijednost testa ve´a od kritiˇne vrijednosti ˇto znaˇi da je u kritiˇnom podruˇju pa nul hipotezu c c s c c c odbacujemo s razinom znaˇajnosti α = 0. Uz pretpostavku da je vrijednost odstupanja c z c normalno distribuirana sluˇajna varijabla s parametrima μ i σ 2 = 0.16 + 1.0016.8562. jer u uzorku su sve vrijednosti ve´e od μ0 .19 x2 1.95 = 1.Primjer 2.15 √ n= 8 ≈ 1.19 Rjeˇenje.

c c c c 6 z0. c H0 : μ = 0.49 0.33 < −1.0016 zα = z0.5 mm nul hipoteza H1 : μ < 0.99 ≈ −2. Iz podataka slijedi x = 0.48 − 0.01 vt nul hipoteza se prihva´a c 90 .Primjer 3.48.01 = −z0.0016.48 Uz pretpostavku da je vrijednost odstupanja normalno distribuirana sluˇajna varijabla s parametrima μ i c c σ 2 = 0.01 jer se vrijednost testa nalazi van kritiˇnog podruˇja. Rjeˇenje.05.47 0. s Provodimo lijevo testiranje s razinom znaˇajnosti α = 0.5.48 0.47 0. U tabeli su navedena odstupanja: x1 x2 x3 x4 x5 x6 x7 x8 0. Razina znaˇajnosti neka je α = 0.48 0. testirajte hipotezu H0 : μ = 0.49 0.01. Nulhipotezu prihva´amo s razinom znaˇajnosti α = 0.5 √ Vrijednost testa je n= √ 8 ≈ −1.48 0.41.5 mm alternativna hipoteza x − μ√ 0. σ 0.41. Stroj za proizvodnju matica je provjeren tako da je izmjereno odstupanje promjera matice od propisane vrijednosti (u mm).

0064.91 0. Razina znaˇajnosti testa α = 0. c c odgovaraju´im testom testirajte hipotezu H0 : μ = 1.29 1.28 1. Provedena je provjera rada stroja za proizvodnju matica. Provedena je provjera rada stroja za proizvodnju limenih ploˇa.91 0.91 Zadatak 3.91 0. 0025.29 0.18 0.05.91 0.92 0. testirajte c hipotezu H0 : μ = 1.27 1. s x2 x3 x4 x5 x6 x7 x8 x9 x10 x1 1.0047. U tablici su popisana izmjerena c odstupanja debljine ploˇa od propisane vrijednosti (izraˇena u milimetrima).23 0.Zadaci Zadatak 1.26. c x2 x3 x4 x5 x6 x7 x8 x9 x10 x1 0. x1 x2 x3 x4 x5 x6 x7 x8 0.29 1.94 0. U tablici su popisana izmjerena odstupanja promjera vijaka od propisane vrijednosti (izraˇena u milimetrima).27 91 .29 0.91 0.28 1.28 1. odgovaraju´im c c testom (ili lijevi ili desni ili obostrani) testirajte hipotezu H0 : μ = 0.27 Zadatak 2.28 1. uz alternativnu hipotezu H1 : μ < 1 . Provedena je provjera rada stroja za proizvodnju vijaka. uz razinu znaˇajnosti testa α = 0. U tablici su popisana izmjerena odstupanja z promjera matica od propisane vrijednosti (izraˇena u milimetrima).27 1. Navedite koji c test koristite i napiˇite alternativnu hipotezu H1 .90 0.27 1. Uz pretpostavku da je vrijednost c odstupanja normalno distribuirana sluˇajna varijabla s parametrima μ i σ 2 = 0. Uz pretpostavku da je vrijedz nost odstupanja normalno distribuirana sluˇajna varijabla s parametrima μ i σ 2 = 0.01 .21 0.005 . Uz pretpostavku da c z je vrijednost odstupanja normalno distribuirana sluˇajna varijabla s parametrima μ i σ 2 = 0.19 0.99 0.20 uz razinu znaˇajnosti α = 0.18 0.

pribliˇno 10 puta. Nul hipoteza se ili prihva´a ili ne priva´a nakon usporedivanja vrijednosti c c c c ˇ χ2 testa s odgovaraju´om kritiˇnom vrijednosti. Da bismo to provjerili sa razinom znaˇajnosti α (obiˇno je α = 0. to je ve´a vjerojatnost da se c c c c nul hipoteza ne´e prihvatiti pri ˇemu se onda smatra da je i neki drugi faktor. tj. Formalnije reˇeno. pri ˇemu je k broj stupnjeva slobode: k = m − 1. ako bacimo simetriˇnu kockicu 60 puta. a ne samo sluˇaj. ako je npj ≥ 5 za svaki j. izraˇunavamo c c c vrijednost χ2 testa χ2 . zbog jednakih vjerojatnosti elementarnih dogadaja oˇekujemo c da ´e svi brojevi od 1 do 6 pasti podjednaki broj puta. . . Najˇeˇ´e to ne´e biti tako i neki c z c sc c c sc s c brojevi ´e se pojaviti rjede. ili su odstupanja takva da bismo trebali posumnjati u simetriˇnost kockice.1). c c c Npr. a neki ˇeˇ´e. ako je n = f1 + f2 + · · · + fm dovoljno velik. Njime provjeravamo nultu hipotezu (H0 ) koja glasi: distribucija mjerene veliˇine X dane eksperimentalnim c podacima u tabeli (12) je jednaka teoretskoj distribuciji danoj tabelom (13).05. da li je odstupanje od oˇekivane frekvencije c zanemarivo. uzrokovao c c c c c velika odstupanja izmedu oˇekivanih i primije´enih rezultata. nulta c hipoteza glasi: H0 : P (x1 ) = p1 . moˇemo primijeniti χ2 test. koje se zadaju preko distribucije neke sluˇajne varijable. Test se koristi za testiranje nul hipoteze koja pretpostavlja da nema bitne razlike izmedu c primije´enih i oˇekivanih rezultata.19 χ2 test Nakon ˇto odredimo tabelu frekvencija nekih dobivenih podataka moˇemo se zapitati odgovara li ona nekim s z unaprijed poznatim oˇekivanim frekvencijama. P (xm ) = pm . Pretpostavimo da su eksperimentalni podaci o svim mogu´im rezultatima nekog eksperimenta (ili o svim c ishodima jedne sluˇajne varijable) i njihove frekvencije zapisani u ovakvoj tabeli: c X f x1 f1 x2 f2 x3 f3 ··· ··· xm−1 fm−1 xm fm (12) Pretpostavljamo da sluˇajna varijabla ˇije ishode smo biljeˇili u eksperimentu ima distribuciju c c z x1 p1 x2 p2 x3 p3 ··· ··· xm−1 pm−1 xm pm (13) z Tada. c c c χ2 test je metoda usporedivanja frekvencija kojom se provjerava razlikuju li se bitno primije´ene frekvencije od oˇekivanih.01 ili α = 0. P (x2 ) = p2 . c 92 . Sto je vrijednost χ2 testa ve´a. tj. np1 np2 npm (14) U tabeli na stranici 101 traˇimo kritiˇnu vrijednost c tako da je P {χ2 ≤ c} = 1 − α = u presjeku retka koji z c k poˇinje stupnjem slobode k i stupca koji poˇinje s 1 − α. . nebitno (sluˇajno). α = 0. onda je χ2 u kritiˇnom podruˇju i test odbacuje hipotezu s razinom c c c k k znaˇajnosti α. c k χ2 = k (f1 − np1 )2 (f2 − np2 )2 (fm − npm )2 + + ···+ . Ono ˇto nas zanima je. tj. a ako je χ2 ≥ c. Ako je χ2 < c onda test potvrduje nulhipotezu s c c k razinom znaˇajnosti α.

c Da bismo to provjerili primijenit ´emo χ2 test s razinom znaˇajnosti α = 0. Igra´a kockica je baˇena 60 puta i dobiveni su sljede´i rezultati: c c c X f 1 5 2 3 7 5 4 5 6 14 13 16 nul hipoteza se odbacuje ˇ Zelimo provjeriti je li kockica simetriˇna (odnosno ”poˇtena”) ili imamo razloga posumnjati u tu tvrdnju. To c s znaˇi da ˇelimo provjeriti odgovaraju li dobiveni brojevi teoretskoj distribuciji za simetriˇnu kockicu danu c z c tabelom 1 1 6 2 1 6 3 1 6 4 1 6 5 1 6 6 1 6 Nulta hipoteza H0 : kockica je ”poˇtena”. distribucija vrijednosti koje se mogu dobiti njenim bacanjem s je jednaka teoretskoj. tj.6 6 χ2 k c c χ2 k - nul hipoteza se prihva´a c Primjer 1.05. Imamo np1 = · · · = np6 = 10 c (ˇto je ve´e od 5 pa moˇemo primijeniti χ2 test). broj stupnjeva slobode je k = 6 − 1 = 5 i s c z χ2 = 5 (7 − 10)2 (5 − 10)2 (14 − 10)2 (13 − 10)2 (16 − 10)2 (5 − 10)2 + + + + + = 12 10 10 10 10 10 10 93 .

07 = c.05.067 10 c χ2 15 5 0.990 6.017 6 0 5 0.016 0.750 18. c c trebamo provjeriti je li kockica simetriˇna (odnosno ”poˇtena”) ili imamo razloga posumnjati u tu tvrdnju.02 0.475 20 25 0.352 0.832 14.348 11.860 16.050 0.237 1.345 13.838 14.204 2.004 0. jer je χ2 u kritiˇnom c 5 podruˇju.001 0. Oˇitavamo c = 11. c z c Razina znaˇajnosti je α = 0.251 7.597 12.12 0.645 12.584 1. c c 5 χ2 = 5 Zadatak 1.676 0.991 7. tj. Jer je χ2 = c 5 12 ≥ 11.610 2.070 12.690 0.000 0.025 0. c c 94 .05 = 5 0.879 10.779 9.06 0.605 6.216 0.005 0.072 0. Igra´a kockica je baˇena 60 puta i dobiveni su sljede´i rezultati: c c c X f 1 2 11 6 3 4 5 14 13 5 6 11 Zadatak je analogan prethodnom pa ´emo iskoristiti izraˇunatu vrijednost za c iz prethodnog zadataka.07 = c.599 0.635 2.833 Primjer 2. c 0.815 9.210 11.950 3.04 0.95 u presjeku retka koji poˇinje stupnjem c slobode k = 5 i stupca koji poˇinje s c 0.449 16.002 0. Igra´a kockica je baˇena 120 puta i dobiveni su sljede´i rezultati: c c c X f 1 2 3 20 14 23 4 5 6 12 26 25 S razinom znaˇajnosti α = 0.064 1.024 7. hipotezu ´emo prihvatiti s razinom znaˇajnosti od α = 0.000 0.207 0.010 0.592 14.086 16.013 0. c (6 − 10)2 (14 − 10)2 (13 − 10)2 (5 − 10)2 (11 − 10)2 (11 − 10)2 + + + + + = 6.236 10.548 20.0.995 7.100 0.706 4.145 1.484 0.989 0.143 12.07.08 0. c s To znaˇi da ˇelimo provjeriti odgovaraju li dobiveni brojevi teoretskoj distribuciji za simetriˇnu kockicu.103 0.211 0.378 9.841 5.05.167 0.488 11.381 0.812 18.412 0.091 0.711 1.635 9.900 2.210 0.02 0 -0.05 testirajte hipotezu da je kockica simetriˇna.975 5.95. hipoteza se odbacuje s razinom c znaˇajnosti α = 0.001 0.051 0.1 U tabeli na stranici 101 traˇimo vrijednost z c takvu da je P {χ2 ≤ c} = 1 − 0.278 p m 1 2 3 4 5 6 7 0.8 10 10 10 10 10 10 Jer je χ2 < 11.05.831 1.277 15.024 0.

c c Kako je χ2 < c. Moˇemo li s razinom znaˇajnosti α = 0.067. moˇemo primijeniti χ2 test kojim ´emo uz vrijednost razine znaˇajnosti α = 0.143 21 21 21 21 Kritiˇnu vrijednost c za broj stupnjeva slobode 7 i razinu znaˇajnosti α = 0.05 zakljuˇiti da cc c z c c je novˇi´ simetriˇan ili ne? cc c Tabela koja pripada eksperimentu je X f pismo 40 glava 60 Nulta hipoteza je da se dani podaci slaˇu s teoretskom distribucijom za bacanje simetriˇnog novˇi´a: z c cc 0 1 2 1 1 2 1 2 konstatiramo da smijemo provesti χ2 test. Izraˇunajmo vrijednost c testa: χ2 = 7 (19 − 21)2 (17 − 21)2 (22 − 21)2 (25 − 21)2 + + ···+ + ≈ 5. tj. U ljevaonici Irongate su se biljeˇile nesre´e koje su se dogadale tijekom radnog vremena po satima smjene. onda bi nesre´e trebale biti ravnomjerno rasporedene po satima smjene. novˇi´ s razinom znaˇajnosti α = 0.841 i kako je χ2 > c.05 nije simetriˇan. cc c c Primjer 4. 7.05. jer je 100 · Sada raˇunamo χ2 : c 1 χ2 = 1 (60 − 50)2 (40 − 50)2 + =4 50 50 = 50 > 5. tj.Primjer 3. z c Izvjeˇtaj o nesre´ama je dan sljede´om tabelom u kojoj je zabljeˇeno n = 168 nesre´a: s c c z c 1 2 3 4 5 6 7 8 sat smjene broj nesre´a 19 17 15 24 20 26 22 25 c Ono ˇto zanima i upravu ljevaonice i sindikat radnika ljevaonice je moˇe li se na osnovu danih podataka s z c sc ustanoviti da postoji kritiˇni sat smjene tijekom kojeg se nesre´e dogadaju ˇeˇ´e nego tijekom drugih sati. Broj stupnjeva slobode je jednak broju sati u smjeni umanjen za jedan. Broj stupnjeva slobode je k = 2 − 1 = 1.95 c = 3. zakljuˇujemo da s razinom znaˇajnosti c c 1 1 α = 0. tj. Iz tabele vidimo da je za P {χ2 ≤ c} = 0. Novˇi´ je baˇen 100 puta i 60 puta je ispala glava. onda zakljuˇujemo da test potvrduje nul hipotezu s razinom znaˇajnosti α = 0. trebale c bi imati sljede´u distribuciju: c 1 1 8 2 1 8 3 1 8 4 1 8 5 1 8 6 1 8 7 1 8 8 1 8 1 z c c Kako je 168 8 = 21 > 5.05 nultu hipotezu odbacujemo.05 oˇitavamo iz tabele i dobic c c vamo: c = 14. c c Ako takav sat ne postoji. 7 95 .05 provjeriti nul hipotezu da su vjerojatnosti dogadanja nesre´a tijekom razliˇitih sati smjene medusobno c c jednake.

75 > 5. Vrijednost testa je: c z χ2 = 3 (315 − 312.05 je c = 7.815 i kako je χ2 < c. moˇemo primijeniti χ2 test. Provjerom su na uzorku od 556 sjemenaka. dobiveni podaci predstavljeni sljede´om tabelom8 : c vrsta sjemenki ˇute glatke zelene glatke ˇute naborane zelene naborane z z frekvencije 315 108 101 32 c χ2 testom uz razinu znaˇajnosti α = 0.02 6 0 5 χ2 7 10 c 15 20 25 nul hipoteza se prihva´a c Primjer 5. c c 8 Uz pomo´ eksperimenata koji su ukljuˇivali brojanje razliˇitih vrsta sjemenaka poput ovih iz zadatka je ruski biolog Mendel c c c doˇao do svojih zakona o nasljedivanju koji nose njegovo ime. a po obliku glatke ili z naborane.75 Kritiˇna vrijednost za broj stupnjeva slobode 3 i razinu znaˇajnosti α = 0.1 0. s 96 . c c 3 zakljuˇujemo da test potvrduje nul hipotezu s razinom znaˇajnosti α = 0.25)2 (101 − 104.12 0.75 104.02 0 -0.0.75)2 + + + ≈ 0.25 104.08 0. Broj stupnjeva slobode je 3.04 0. koje mogu biti po boji ˇute ili zelene.25)2 (32 − 34.05.06 0.05 testirajte nul hipotezu prema kojoj bi se ove sjemenke trebale pojaviti u omjeru 9 : 3 : 3 : 1.25 34.75)2 (108 − 104. Navedeni teoretski omjer se moˇe predstaviti distribucijom z ˇute glatke zelene glatke ˇute naborane zelene naborane z z 9 16 3 16 3 16 1 16 1 Budu´i je 556 · 16 = 34.47 312.

− 31. c c c Zadatak 6. 2. kolovoza 1. 8. Zadatak 4. broja 0 1 frekvencije 3 8 2 3 4 5 6 15 14 10 7 8 7 8 9 9 11 15 c χ2 testom uz vrijednost razine znaˇajnosti α = 0. Tijekom tri uzastopna tjedna jedne godine su dobiveni sljede´i podaci o ukupno 66 ozljeda c uzrokovanih ugrizima ˇivotinja u nekoj bolnici: z tjedan 25. rujna 20 c χ2 testom uz vrijednost razine znaˇajnosti α = 0. 4.01 provjerite ima li razloga sumnjati da kockica nije simetriˇna. pravilno c poliedarsko tijelo s 8 strana na kojima su napisani brojevi od 1 do 8) baˇena ukupno 168 puta. c Zadatak 3.01 provjerite je li uzimanje zadnjih znamenaka brojeva iz telefonskog imenika dobar naˇin da se dobiju sluˇajni brojevi. rujna broj ugriza 27 19 8. Proizvodaˇ loptica za stolni tenis pakira po pet loptica u jednu kutiju . U trgovini odje´om su dobili sljede´e rezultate o kupovini 40 kravata koje se medusobno razc c likuju samo po boji: boja kravate plava crvena zelena ˇuta z frekvencije 7 9 14 10 c s χ2 testom uz vrijednost razine znaˇajnosti α = 0. to je oktaedar. 3. 1. s z c Zadatak 2. Radi kontrole kvalitete proizvoda i naˇina pakiranja loptica potrebno je odrediti c teoretsku distribuciju pakiranja neispravnih loptica po kutijama. Tijekom jedne dulje DnD igre je oktaedarska kockica (ili kra´e d8. Loptice mogu biti ili ispravne ili neispravne. 6. c Sljede´om tabelom su prikazani brojevi koji su dobiveni na taj naˇin: c c d8 1 2 3 4 5 6 7 8 frekvencije 29 22 18 19 20 23 12 25 c χ2 testom uz vrijednost razine znaˇajnosti α = 0. Na sluˇajan je naˇin odabrano 70 c c kutija za koje su dobiveni sljede´i podaci c 97 . 7.1 provjerite je li jedan od promatranih tjedana bio bitno opasniji ˇto se ˇivotinjskih ugriza tiˇe od ostala dva. − 14. Sto sluˇajno odabranih studenata je pitano koji je od brojeva 0. 9 njima najc draˇi.01 provjerite prodaju li se kravate nekih boja viˇe od ostalih. 5. Rezultati ankete su prikazani u sljede´oj tabeli: z c najdraˇi brojevi 0 z frekvencije 5 1 2 3 4 5 3 11 10 19 9 6 7 8 9 11 15 13 4 c s χ2 testom uz vrijednost razine znaˇajnosti α = 0.Zadaci Zadatak 1.05 provjerite postoje li brojevi koje studenti vole viˇe od ostalih. − 7. Iz telefonskog imenika su uzete zadnje znamenke sto uzastopnih telefonskih brojeva i dobivena je sljede´a tabela: c zadnja znamenka tel. Zadatak 5.

nesimetriˇnim c c s kockicama koje favoriziraju padanje ˇestica. tj. tj. c Zadatak 8.01.broj neispravnih loptica xi broj kutija fi 0 33 1 6 2 6 3 5 4 9 5 11 Na ovom uzorku testirajte nulhipotezu da broj neispravnih loptica po kutiji ima teoretsku distribuciju ⎛ ⎝ uz razinu znaˇajnosti α = 0. Proizvodaˇ kockica za igranje je proizveo novu kockicu koja ima sedam strana na kojoj mogu pasti brojevi od 1 do 7 i tvrdi da svaki od brojeva ima jednaku vjerojatnost pojavljivanja. Vjerojatnost pk padanja k ˇestica na tri kockice je jednaka s pk = P (X = k).01. Pra´enjem jednog od igraˇa dobivena je sljede´a s c c c tabela: broj ˇestica na tri kockice s frekvencije 0 48 1 35 2 15 3 3 Upravi kockarnice su se navedeni podaci uˇinili sumnjivim i ˇele provjeriti igra li taj igraˇ s njihovim c z c kockicama koje su sigurno simetriˇne. Bacanjem kockice je dobivena sljede´a tabela frekvencija: c broj na kockici 1 2 3 4 5 6 7 frekvencija 8 14 17 11 13 18 19 Na ovim podacima testirajte tvrdnju proizvodaˇa. U kockarnici se moˇe igrati jednostavna igra s jednim pravilom: bacaju se tri kockice i dobitak z je proporcionalan broju ˇestica koje na njima padnu. 1 ). ili ih je on neprimjetno zamijenio sa svojim. c c Zadatak 7. da dobiveni c c podaci imaju teoretsku razdiobu 0 1 2 3 p0 p1 p2 p3 uz razinu znaˇajnosti α = 0.05. c c 98 . gdje je X ∼ B(3. Na osnovu rezultata zakljuˇite ho´e li uprava ljubazno zamoliti tog c c c igraˇa da napusti kockarnicu ili ne´e reagirati na njegove uspjehe. ima teoretsku razdiobu c 1 p 2 p 3 p 4 p 5 6 p p 7 p 0 4 18 1 1 9 2 3 9 3 3 18 4 1 18 5 4 18 ⎞ ⎠ (prvo odredite p) uz razinu znaˇajnosti α = 0. 6 Na danim podacima testirajte nulhipotezu da igraˇ igra sa simetriˇnim kockicama. testirajte nulhipotezu da je navedena kockica sa c sedam strana simetriˇna. tj.

89. Sada ´emo vidjeti primjere u z c kojima se testiraju dvije grupe eksperimentalnih podataka jedna prema drugoj. To se. jesu li distribucije tih dvaju c c s skupova podataka podataka jednake. χ2 4 ≈ (85 − 88. a ako je c > χ2 . p3 = .14 U tabeli nalazimo c takav da vrijedi P {χ2 ≤ c} = 0.24 2 2 2 2 2 (20 − 27. mp2 ≈ 45. . . mp4 = 50. . c c c c k Primjer 6.61. mp3 ≈ 88. Kako je c > χ2 . p2 = .04 50 34.76) + + + + = 27. z Pretpostavimo da imamo dvije grupe eksperimentalnih podataka o svim mogu´im rezultatima nekog eksperc imenta i njihove frekvencije: X D1 D2 x1 m1 n1 s1 = m 1 + n 1 x2 m2 n2 s2 x3 m3 n3 s3 ··· ··· ··· ··· xr−1 mr−1 nr−1 sr−1 xr mr nr sr = m r + n r m = m1 + m2 + · · · + mr n = n1 + n2 + · · · + nr N = s1 + s2 + · · · + sr = m + n Nul hipoteza koju testiramo (s nekom razinom znaˇajnosti α) je da dvije grupe podataka imaju istu disc tribuciju. . 460 460 460 460 460 460 60 mp1 = 250 460 ≈ 32. χ2 = k (m1 − mp1 )2 (mr − mpr )2 (n1 − np1 )2 (nr − npr )2 + ···+ + + ··· + mp1 mpr np1 npr (15) Sada gledamo u istu tabelu kao i prije i traˇimo takav c da vrijedi P {χ2 ≤ c} = 1−α i ako je c ≤ χ2 onda je χ2 z k k k u kritiˇnom podruˇju pa hipotezu odbacujemo. r i na kraju raˇunamo χ2 . . tj.61 45. r: c c p1 = s1 m1 + n 1 s2 sr = . p5 = . jedino se χ2 drugaˇije c c k raˇuna. pr = . hipotezu prihva´amo s c 4 4 razinom znaˇajnosti α = 0.61)2 (48 − 45. np5 ≈ 28. 60 np1 = 210 460 ≈ 27. Uˇenici neke ˇkole su postigli sljede´e uspjehe: c s c 1 2 3 4 5 ocjena djeˇaci c 40 48 85 42 35 250 = m djevojˇice 20 35 77 50 28 210 = n c 60 83 162 92 63 460 ˇ Zeljeli bismo ustanoviti jesu li djeˇaci i djevojˇice bili jednako uspjeˇni.39) (35 − 37. . . . np3 ≈ 73.11)2 + + + + + 32.96. broj stupnjeva slobode je c c k k = r − 1.11 88.05.24.04)2 (42 − 50)2 (35 − 34.04. moˇe raditi jedino ako je teoretska distribucija poznata.39.96) (50 − 42) (28 − 28.39 37.89 73. .24)2 (40 − 32.11. onda je prihva´amo s razinom znaˇajnosti α.89) (77 − 73.U dosadaˇnjim primjerima smo eksperimentalne podatke testirali prema teoretskim (oˇekivanim) vrijednoss c tima. p 2 = . Postupak je isti kao i u sluˇaju testiranja prema teoretskoj distribuciji. naravno. . c 99 . Broj stupnjeva slobode je k = 5 − 1 = 4. j = 1. mp5 ≈ 34. Prvo raˇunamo vrijednosti pj . j = 1.96 42 28. p1 = 60 40 + 20 83 162 92 63 = . .76 ≈ 7. provjeravat ´emo imaju c li dvije grupe podataka istu (ne nuˇno poznatu) distribuciju. p4 = .76. np2 ≈ 37. Idemo redom. tj. np4 = 42. .95: c = 9. N N N N Zatim raˇunamo vrijednosti mpj i npj .488.

P {χ2 ≤ c} = 0. jer je χ2 < c. c X Y 2 3 1 6 1 2 4 7 4 5 6 7 8 9 10 11 12 14 18 18 9 10 10 5 2 4 16 11 17 11 15 8 11 Koriste´i χ2 test uz razinu znaˇajnosti α = 0. c Zadatak 11. a neki jaki oblik (J) te gripe.95 ⇒ c ≈ 5. oblik gripe N B J < 50 30 6 4 40 36 12 12 60 ≥ 50 Koriste´i χ2 test uz razinu znaˇajnosti α = 0. Provedite test uz vrijednost razine znaˇajnosti od α = 0. s χ2 ≈ 2. a 60 starije. 2 2 2 Zadatak 10. Mjerenjem se doˇlo do sljede´ih podataka o c s c frekvenciji ishoda tih dviju varijabli: X Y A B C D 24 46 14 17 43 51 36 11 Koriste´i χ2 test uz razinu znaˇajnosti α = 0.05 testirajte nul hipotezu da su da sluˇajne varijable X c c c i Y imaju istu distribuciju.65.05 testirajte nul hipotezu da su reakcije na cjepivo bile c c jednake u obje grupe. neki su dobili blagi oblik (B). Rjeˇenje. Ishodi dviju sluˇajnih varijabli X i Y su A.Zadaci Zadatak 9.05 testirajte nul hipotezu da sluˇajne varijable X i Y c c c imaju istu distribuciju. Sto ljudi je dobilo cjepivo protiv gripe. Njih 40 je bilo mlade od 50 godina. B. Neki od njih nisu dobili gripu (N). U tabeli su popisane frekvencije ishoda dviju sluˇajnih varijabli. 100 . X i Y .01.99 Hipoteza se ne odbacuje. C i D.

865 5.072 0.801 34.666 23.542 24.841 5.103 0.391 10.170 151.816 4.023 106.483 3.676 0.304 7.021 0.638 42.204 2.488 11.589 25.337 42.479 36.307 23.916 39.708 18.002 0.154 88.168 4.000 0.571 7.117 10.791 24.649 9.684 15.787 20.975 5. m p m 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 110 120 150 200 0.275 51.172 59.264 101 .241 0.256 51.592 14.983 7.461 13.892 63.278 49.675 21.484 0.566 38.739 60.362 14.557 43.328 75.917 24.722 46.575 5.991 7.624 128.578 32.215 116.490 4.741 37.757 28.299 140.844 7.308 16.312 10.520 11.807 147.443 13.834 2.036 46.319 32.479 1.831 1.928 48.233 172.509 34.047 16.204 28.251 7.603 3.768 20.805 63.085 8.950 3.279 0.345 13.275 18.409 34.265 6.842 0.237 1.113 41.805 36.950 193.929 86.851 11.758 67.210 0.153 65.277 15.549 19.425 112.581 233.283 10.412 29.296 27.483 21.980 44.217 27.986 11.397 85.342 135.180 2.750 18.685 24.611 15.919 18.160 11.573 117.013 17.845 30.292 18.034 8.989 27.651 12.582 39.007 33.921 6.267 35.471 100.000 0.142 5.136 129.769 25.700 3.952 104.113 143.167 74.573 15.362 23.563 36.792 95.412 0.599 29.578 6.766 79.207 249.086 16.005 0.558 46.260 9.488 28.852 109.041 14.659 16.564 8.548 20.291 82.195 44.126 77.445 0.461 45.688 29.325 3.565 118.307 19.091 0.026 22.989 1.932 40.493 26.689 12.584 1.908 7.728 0.892 6.352 0.565 4.390 10.191 37.561 140.401 13.067 15.955 23.001 0.475 20.156 61.498 129.490 91.764 43.082 90.587 28.527 96.142 152.357 40.672 9.581 226.591 10.505 79.076 39.923 43.652 38.526 32.145 124.415 37.756 102.629 6.100 0.942 4.335 53.196 67.041 7.939 19.529 8.391 69.907 9.844 14.963 48.041 3.860 16.635 2.459 55.009 5.379 100.360 255.278 73.120 13.275 174.087 40.920 23.885 40.733 3.385 140.738 39.994 52.865 11.114 18.507 16.736 26.231 8.051 37.718 37.629 118.692 168.382 35.689 46.433 32.222 82.181 45.381 0.852 34.643 9.790 77.119 27.635 9.314 45.247 3.342 71.940 4.473 17.348 11.004 0.321 128.520 54.813 32.144 31.209 24.050 0.240 14.601 5.879 10.001 0.378 9.278 21.997 41.987 17.016 0.407 5.642 46.848 15.690 2.918 69.790 8.994 0.848 14.812 18.090 21.928 17.051 0.300 29.152 1.290 49.447 6.838 14.170 35.647 74.000 33.857 1.706 4.648 198.900 2.779 9.550 83.707 27.404 5.058 0.645 12.773 55.990 6.531 101.091 13.705 122.024 0.216 0.674 31.482 48.534 43.578 107.210 11.207 0.758 57.832 14.672 66.289 41.867 91.116 135.924 35.982 11.886 10.211 0.588 50.017 13.329 64.996 26.145 1.905 5.414 158.143 12.214 2.480 146.196 34.364 40.121 13.410 32.434 8.605 6.172 36.Hi kvadrat razdioba χ2 (n) U tabeli se nalaze vrijednosti c za koje je P {χ2 ≤ c} = p.948 163.420 83.141 30.808 12.800 241.833 3.070 12.796 44.024 7.151 16.597 12.156 38.995 7.646 41.979 59.188 51.379 16.812 21.725 26.991 35.803 10.298 95.781 38.588 17.567 179.985 162.547 9.869 30.064 22.671 33.615 30.358 91.815 9.167 2.735 2.401 42.156 2.075 4.226 5.338 13.023 20.025 0.591 12.188 26.191 31.617 3.819 31.645 50.329 124.835 0.337 24.064 1.535 19.236 10.344 1.074 3.962 8.262 6.610 2.449 16.691 76.599 0.211 185.261 7.010 0.085 10.697 6.879 113.916 152.222 9.711 1.416 4.

99991 0.8 0.93943 0.97670 0.99996 0.99889 0.88686 0.06 0.9 4.99996 0.0 0.66276 0.99975 0.7 3.59483 0.99477 0.99991 0.99861 0.7 2.59871 0.99430 0.85993 0.98169 0.4 0.76730 0.99010 0.87076 0.95637 0.98461 0.86433 0.99910 0.98341 0.99831 0.99653 0.99202 0.98214 0.99950 0.96784 0.75175 0.57142 0.99988 0.8 1.61409 0.99984 0.71904 0.87698 0.99990 0.75804 0.03.94179 0.99996 0.74537 0.51994 0.96712 0.99998 0.01 0.99997 0.53188 0.70194 0.91621 0.51197 0.99972 0.54380 0.2 0.99990 0.99893 0.93822 0.99836 0.92647 0.99995 0.99807 0.99609 0.71226 0.86650 0.99989 0.73237 0.77337 0.93056 0.79673 0.90320 0.99886 0.99990 0.99958 0.4 3.98679 0.99446 0.79103 0.90988 0.99995 0.95543 0.1 0.99995 0.69497 0.99343 0.89973 0.98745 0.99994 0.98809 0.Tabela vrijednosti funkcije distribucije F standardne normalne razdiobe N (0.99986 0.99998 Primjer 1.97831 0.98537 0.99998 0.71566 0.86864 0.99966 0.99788 0.62930 0.99931 0.93448 0.63307 0.99506 0.90658 0.98928 0.87286 0.99728 0.99993 0.82121 0.6 0.99324 0.8 3.99961 0.99720 0.67003 0.53586 0.77637 0.08 0.99305 0.80785 0.80234 0.52790 0.81057 0.99921 0.92220 0.70540 0.77935 0.99998 0.4 1.99461 0.99994 0.99413 0.99683 0.99993 0.99913 0.64803 0.91466 0.78814 0.98257 0.97932 0. Slijedi: P {X ≤ −0.99585 0.99985 0.83147 0.99865 0.69847 0.99997 0.63683 0.56749 0.93699 0.99841 0.99061 0.97558 0.99996 0.99643 0.99111 0.83646 0.2327.72240 0.99752 0.99938 0.99361 0.2 3.85083 0.3 2.7 1.7 0.99953 0.97778 0.99997 0.99774 0.55962 0.85314 0.95907 0.98422 0.99813 0.99979 0.97257 0.87900 0.99086 0.84134 0.99934 0.99819 0.2 2.1 2.84849 0.52392 0.92922 0.95254 0.95994 0.88298 0.97062 0.99974 0.97381 0.56356 0.09 0.99869 0.95818 0.57926 0.84375 0.99968 0.98077 0.67364 0.88100 0.77035 0. c c Primjer 2.99996 0.73} dana u tablici se nalazi u presjeku retka na ˇijem je z c poˇetku broj 1.73565 0.79955 0.99997 0.2 1.99981 0.98610 0.97128 0.99997 0.99286 0.99970 0.94062 0.78524 0.99973 0.73} koristimo se identitetima P {X ≤ z a} + P {X ≥ a} = 1 i P {X ≥ a} = P {X ≤ −a}.5 1.93319 0.99965 0.9 1.99987 0.98899 0.5 0.99851 0.74857 0.99632 0.99711 0.99664 0.99992 0.99846 0.99621 0.99997 0.1 1.57535 0.90824 0.96995 0.99981 0.64058 0.99878 0.65910 0.61791 0.99983 0.99988 0.82381 0.98778 0.97725 0.99245 0.: Pribliˇna vrijednost broja P {X ≤ 1. a ≥ 0.3 3.07 0.99896 0.68439 0.97882 0.99960 0.95449 0.99903 0.99987 0.98713 0.72907 0.99997 0.98124 0.99977 0.1 3.99952 0.99744 0.98300 0.81594 0.93574 0.64431 0.91308 0.92073 0.99993 0.97193 0. 102 .53983 0.99266 0.89617 0.99948 0.50399 0.99940 0.99944 0.81859 0.99547 0.61026 0.90490 0.99978 0.97615 0.62552 0.51595 0.6 3.98645 0.99036 0.96856 0.99980 0.96407 0.04 0.67724 0.: Da nademo pribliˇnu vrijednost broja P {X ≤ −0.99560 0.0 1.91149 0.91924 0.90147 0.99992 0.9 2.73} ≈ 1 − 0.96926 0. tj.99992 0.6 1.98500 0.99994 0.72575 0.83891 0.99492 0.96327 0.58706 0.98574 0.3 1.99534 0.65173 0.9 3.99795 0.60257 0.5 2.60642 0.3 0.99924 0.99760 0.87493 0.02 0.96638 0.99874 0.73891 0.99955 0.0 2.96080 0.99916 0.99929 0.89251 0.99396 0.94845 0.76424 0.55567 0.78230 0.89796 0.58317 0.97500 0.0 0 0.84614 0.98956 0.75490 0.99825 0.99995 0.85769 0.99962 0.99900 0.50798 0.99180 0.99976 0.99856 0.74215 0.95154 0.50000 0. a 0.97982 0.73} = P {X ≥ 0.68082 0.99982 0. 1) U tabeli se nalaze vrijednosti p za koje je F (a) = P {X ≤ a} = p.99693 0.99736 0.92507 0.94738 0.99996 0.65542 0.99767 0.68793 0.76115 0. P {X ≤ 1.99946 0.95818.99978 0.99781 0.85543 0.03 0.73} = 1 − P {X ≤ 0.99942 0.98030 0.89065 0.99986 0.97320 0.99985 0.99989 0.99598 0.54776 0.99992 0.99926 0.82639 0.99882 0.99702 0.99674 0.99906 0.94408 0.66640 0.96485 0.96562 0.89435 0.92364 0.99969 0.96164 0.86214 0.93189 0.98840 0.55172 0.91774 0.99995 0.95352 0.70884 0.97441 0.99936 0.79389 0.73} ≈ 0.05 0.99573 0.99964 0.98382 0.99957 0.95728 0.88493 0.99994 0.99158 0.99801 0.99997 0.98870 0.4 2.83398 0.6 2.94950 0.99983 0.88877 0.99134 0.99379 0.62172 0.76730 = 0.8 2.94630 0.94295 0.59095 0.81327 0.99918 0.99224 0.94520 0.69146 0.95053 0.80511 0.98983 0.5 3.99971 0.96246 0.92785 0.82894 0.0 3.99520 0.7 i stupca na ˇijem je vrhu broj 0.

684 0.865 2.857 0.681 2.782 1.372 3.659 1.683 0.578 31.527 3.761 1.656 9.883 3.741 0.9975 127.906 0.860 1.773 4.120 2.080 2.345 1.982 1.571 2.041 4.960 0.364 2.250 3.416 3.792 3.104 3.676 1.689 0.800.9995} i to za stupnjeve slobode n ∈ {1.920 2.965 4.073 4.390 3.753 1.740 1.303 1.781 4.101 2.697 1.064 2. 0.328 10.922 3.539 2. 130.750 2.131 2.358 2. 50.296 1.674 3.316 1.808 0.785 4.671 1.990.363 1.965 3.078 1.197 3.500 2.889 0.650 2.485 2.646 3.415 1.326 3.000 0.390 2.626 2. 29.397 1.091 3.694 0.674 0.746 1.402 3.318 1.303 3.232 3.365 2.009 2.646 3.614 2.143 2.711 0.479 2.583 2.819 2.711 1.435 3.850 3.915 2.868 0.819 3.025 3.921 2.029 3.262 2. 120.396 3.166 3. .998 2.648 2.437 4.692 0.718 0.862 0.179 2.297 4.093 2.745 3.771 2.678 0. 0. 0.845 0.457 2.195 3.551 3.485 3.660 2.330 1.428 3.000 1.844 0.677 0.676 0.140 4.319 1.292 1.624 2.373 3.552 3.703 1.289 1.228 2.408 3.685 0.878 2.306 2.886 1.061 0.645 0.381 2.576 0.721 1.858 0.729 1.323 1. ∞}.756 2.878 2.Tabela vrijednosti funkcije distribucije Studentove razdiobe t(n) U tabeli su dane vrijednosti onih tP u kojima funkcija distribucije Studentove t razdiobe poprima vrijednosti P ∈ {0.032 3.153 3.222 3.501 4.435 3.211 3.849 0.807 2.038 3.990 1.337 1.106 3. 40.717 1.899 2.856 0.423 2.581 3.846 0.677 0.317 4.421 3.887 2.662 1.552 2.587 4.845 2.879 0.074 2.353 2.602 2.900 3.707 3.764 2.865 0.604 4.282 0.365 3.683 0.499 3.638 1.699 1.776 2.496 3.307 3.090 0.288 1.941 0.294 1.350 1.831 2.924 8.706 4. 0.883 0.978 0.708 1.763 2.686 0.119 3.383 1.057 3. .089 7.374 2.894 5.508 2.860 2.816 0.895 1.154 3.450 3.701 1.873 0.657 1.492 2.855 0.750.182 2.056 2.869 5.610 3.221 4.706 1.201 2. .718 2.683 0.505 3.533 1.677 0.733 3.462 2.950 6.541 3.771 1.678 2.980 1.851 0.688 0.787 2.015 3.821 2.995.747 3.174 3.160 2.361 2. . 0.750 1.385 3.797 2.687 0.900.447 2.314 2.600 12.086 2.688 0.975 12.861 0.318 4.367 3.677 0.408 5.664 1.690 3.060 2.681 0.289 1.685 0.833 1.821 6.684 0. 0.841 4.135 3.015 1.173 5.860 0.689 3.632 2.311 1.812 1.679 0.854 0.700 0.686 3.473 2.621 2.858 0.214 7. .852 3.787 3.971 2.9995 636.714 1.021 2.920 0.999 318.145 2.861 2. 0.381 3.567 2. 0.896 0.768 3.052 2.994 1.047 3.313 1.975.734 1.695 0.069 2. 30.703 0.403 2.691 0.289 22.765 0.315 1.144 4.174 3.326 0.845 0.855 0.476 1.660 3.252 3.846 0.925 5.299 1. P n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 110 120 130 ∞ 0.453 5.467 2.579 3.042 2.067 3.697 0.707 3.943 1.286 3.684 1.684 0.984 1.876 0.333 1.012 2.440 1.376 1.847 0.598 4.132 2.030 2.341 1.321 14.833 3.866 0.497 3.617 2.183 3. 0.048 2.990 31.870 0.297 103 .896 2.848 0.999.610 6.639 2.995 63.045 2.690 0.947 2.460 3.856 2.160 3.355 2.660 1. 2.356 1.528 2.706 0.704 2.686 0.518 2.325 1.725 1.987 1.667 1.078 3.679 0. .9975.355 3.321 1.800 1.779 2.863 0.727 0. .856 0.055 3.372 1.678 0.110 2.796 1. .977 2.950.467 3.658 1.937 2.368 2.842 0.978 1.930 3.291 1.959 5.725 3.854 0.310 1.208 4.328 1.261 3.314 1.898 2.169 3.290 1.859 0.871 2.845 0.

1993. Skolska knjiga. Zagreb. Jack Schiller. Zagreb. Vjerojatnost i Statistika. zbirka zadataka. 2. 104 . Osnove statistike. 1995. c ˇ [2] Nikola Sarapa. Zagreb. 1993. Element. Teorija vjerojatnosti. Schaum’s Outline of Introduction to Probability and Statistics. New York. Sluˇajne varijable. [4] Seymour Lipschutz. Kombinatorika. 1. dio. McGraw-Hill. 1996. Vjerojatnost i Statistika. 1998. Skolska c knjiga. dio. ˇ [3] Nikola Sarapa.Literatura [1] Neven Elezovi´.

4 funkcija distribucije vjerojatnosti diskretne sluˇajne varijable. 32 relativna frekvencija. 61 c standardna devijacija. 14 permutacije. 19 aditivna formula. 102 studentova razdioba. 55 kontinuirana. 46 aritmetiˇka sredina. 5 kvantil. 78 Poissonova. 101 standardna normalna razdioba. 103 tabela frekvencija. 68 Bernoullijeva shema. 83 binomna. 4 ishod. 37 frekvencija. 36 princip sume. 17. 11 nezavisni dogadaji. 64 normalna ili Gaussova. 77 c funkcija vjerojatnosti. 59 histogram. 61 distribucija χ2 ili hi kvadrat. 30. 4 varijanca. 51 Bernoullijev pokus. 59 c kontinuirane sluˇajne varijable. 17 vjerojatnost aksiomi. 92 usporedivanje dvije grupe eksperimentalnih podataka. 34 uvjetna. 30. 38 kumulativna funkcija. 34 c potpuna ili totalna. 61 varijanca. 37 pravac regresije. 78 dogadaj. 69 diskretna uniformna. 30 faktorijeli. 50 raˇunanje vjerojatnosti dogadaja preko vjerojatc nosti elementarnih dogadaja. 30 c srednje kvadratno odstupanje. 30 koeficijent korelacije. 24 principi prebrojavanja princip produkta. 43 klasiˇna definicija ’a priori’. 68 binomni koeficijenti. 53 percentil. 48 . 24 kombinacije. 24 standardna devijacija. 76 sluˇajni pokus. 17 c Bayesova formula. 37 diskretna sluˇajna varijabla c oˇekivanje. 14 kvartil. 86 tabela χ2 razdioba. 11. 36 105 prostor elementarnih dogadaja. 72 standardna normalna. 32 elementarni dogadaj. 17 statistiˇki testovi. 14 medijan. 44 svojstva.Indeks ˇ s Cebiˇevljev teorem. 99 usporedivanje eksperimentalnih podataka i zadane distribucije. 77 c funkcija gusto´e vjerojatnosti. 5 sluˇajna varijabla. 84 c χ2 test. 12 mod. 55 c diskretna. 92 testiranje hipoteze o oˇekivanju uz poznatu varc ijancu.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->