Poglavlje 1

UVOD U VJEROVATNOU
1.1. UVOD
Tokom naih ivota suoeni smo sa situacijama u kojima donosimo odluke koje ukljuuju
neizvjesnu budunost. Moda e od vas biti traeno da analizirate jednu od slijedeih situacija
koje sadre neizvjesnost:
1. Kakva je ansa da e se prodaja smanjiti, ako cijena proizvoda poraste?
2. Kakva je izglednost da e novi metod sklapanja poveati produktivnost?
3. Koliko je izgledno da e projekt biti zavren na vrijeme?
4. Kakvi su izgledi da e nova ulaganja biti profitabilna?

Predmetna materija koja je najkorisnija u efikasnom radu sa ovakvim neizvjesnostima

sadrana je pod naslovom - vjerovatnoe. U svakodnevnoj terminologiji, vjerovatnoa moe
biti shvaena kao numeriko mjerilo anse ili izgleda da e se odreeni dogaaj desiti. Na
primjer, ako razmotrimo dogaaj sutra e padati kia, podrazumjevamo da kada televizijska
vremenska prognoza kae da je vjerovatnoa da e padati kia 0% , gotovo ne postoje anse
za kiu. Meutim, ako je nagovjetena 90% vjerovatnoa da e padati kia, mi znamo da je
vrlo mogue ili skoro sigurno da e pasti kia. Recimo, 50% vjerovatnoe indicira da postoje
jednake anse da e biti kie kao i da je ne bude.
Vrijednosti vjerovatnoe su uvijek pridruene skali od 0 do 1. Vjerovatnoa bliska 0
ukazuje da su izgledi da se dogaaj desi vrlo mali; vjerovatnoa bliska 1 ukazuje da je
deavanje dogaaja gotovo izvjesno. Ostale vrijednosti vjerovatnoe izmeu 0 i 1
predstavljaju razliite stepene izvjesnosti da e se dogaaj desiti. Slika 1.1 ukazuje na ovaj
pogled na vjerovatnou.

Slika 1.1 Vjerovatnoa kao numerika mjera izglednosti dogaaja

Vjerovatnoa je vana u donoenju odluka, radi toga to nudi mehanizam za mjerenje,

izraavanje i analiziranje neizvjesnosti povezane sa buduim dogaajima. U ovom poglavlju
uvest emo osnovne koncepte vjerovatnoe i poeti njihovu upotrebu kao alata u donoenju
Kvantitativne metode u ininjerstvu i biznisu

odluka. U narednom poglavlju proiriti emo ove osnovne koncepte vjerovatnoe i

demonstrirati vanu ulogu koju vjerovatnoa igra u kvantitativnim pristupima kod donoenja
odluka.

1.2 EKSPERIMENTI I PROSTOR ISHODA

Koristei terminologiju vjerovatnoe, definiraemo eksperiment kao svaki proces koji

generira dobro definirane ishode. Pod ovim podrazumijevamo da pri svakom pojedinanom
ponavljanja eksperimenta deava se jedan i samo jedan mogui ishod eksperimenta. Slijedi
vie primjera eksperimenta i njima pridruenih ishoda:

Eksperiment Rezultati eksperimenata

Baciti novi Glava, pismo
Izabrati dio za kontrolu Neispravan, ispravan
Obavljanje prodaje putem poziva Prodano, nije prodano
Baciti kocku 1, 2, 3, 4, 5, 6
Igrati fudbalski me Pobjediti, izgubiti, nerjeeno

Prvi korak pri analizi odreenog eksperimenta je briljivo definiranje njegovih ishoda. Kada
definiramo sve mogue ishode eksperimenta tada smo identifikovali prostor ishoda
eksperimenta. Dakle, prostor uzorka definiran je kao skup svih moguih ishoda eksperimenta.
Bilo koji odreeni rezultat eksperimenta oznaava se kao ishod i predstavlja element prostora
ishoda.
Razmotrimo eksperiment kotrljanja kockice sa ishodima eksperimenta definiranim kao broj
takica koje se pojavljuju na gornjoj strani kockice.U ovom eksperimentu, numerike
vrijednosti 1, 2, 3, 4, 5 i 6 predstavljaju mogue ishode eksperimenta ili take uzorka
eksperimenta. Ako sa S oznaimo prostor uzoraka, moemo opisati prostor uzoraka i take
uzoraka za eksperiment kotrljanja kockice sa sljedeom oznakom skupa:

S = {1,2,3,4,5,6}

Kao drugi eksperiment, pretpostavimo da razmatramo eksperiment koji sadri bacanje dva
novia i posmatranje obrazaca glava ili pisama koji se pojavljuje na noviima. Koliko
ishoda eksperimenta (taka uzorka) je moguce u ovom eksperimentu?
Prije nego to pokuamo dati odgovor na pitanje, uvedimo pravilo koje je esto vrlo korisno
kada je rije o odreivanju broja taaka uzoraka eksperimenta sa vie koraka:

Ako se jedan eksperiment moe opisati kao sekvenca od k koraka u kojima postoji n1
moguih rezultata u prvom koraku, n2 moguih rezultata u drugom koraku, itd., tada je
ukupan broj ishoda eksperimenta dat sa n1n2 nk.

Posmatrajui eksperiment bacanja dva novia kao sekvencu bacanja jednog novia (n1 = 2),
a potom bacanja drugog novia (n2 = 2) moemo vidjeti na osnovu gornjeg pravila raunanja
da moraju postojati 22 = 4 razliita ishoda eksperimenta. Ovi ishodi su sljedei:

Ishodi eksperimenta Prvi novi Drugi novi

1 Glava Glava
2 Glava Pismo
3 Pismo Glava
4 Pismo Pismo

2
 Poglavlje 1

Ako koristimo H kao oznaku za glavu i T kao oznaku za pismo, onda (H,H) oznaava ishod
sa glavom na prvom i glavom na drugom noviu. Na slian nain (H,T) oznaava ishod sa
glavom na prvom i pismom na drugom noviu. Nastavljajui sa ovakvim oznaavanjem
moemo opisati prostor ishoda S za eksperiment bacanja dva novia na slijedei nain:

S = {(H,H), (H,T), (T,H), (T,T)}

Grafiki prikaz koji je koristan za vizualizaciju eksperimenta i numerisanje taaka uzorka

poznat je kao stablo ishoda. Slika 2.2 prikazuje stablo ishoda za eksperiment sa bacanjem dva
novia.

Slika 1.2 Stablo ishoda za eksperiment bacanja dva novia.

Korak 1 odgovara bacanju prvog novia, dok korak 2 bacanju drugog novia, dok svaka od
taaka na desnom kraju stabla odgovara ishodu eksperimenta. Razmotrimo kako do sada
uvedeni koncepti mogu biti koriteni u analizi problema proirenja kapaciteta Hidroelektrana
na Neretvi. Poeemo sa definiranjem pogodnih ishoda i prostora ishoda ovog eksperimenta.

1.2.1 Problem Hidroelektrane na Neretvi

Ova kompanija aktuelno otpoinje rad na projektu iji je cilj poveanje proizvodnih
kapaciteta jedne od njenih hidroelektrana (centrala) u sjevernom slivu Neretve. Pojekt je
podijeljen u dvije uzastopne etape: etapa 1 (projektovanje) i etapa 2 (izgradnja). Mada e
svaka etapa biti vremenski isplanirana i kontrolisana to je mogue preciznije, rukovodstvo
projekta ne moe predvidjeti tano vrijeme potrebno za svaku etapu. Meutim, analiza slinih
graevinskih projekata tokom prole godine bi pokazala to da je potrebno vrijeme za
zavretak etape izgradnje 6, 7 ili 8 mjeseci. Dakle, menadment projekta je odluio da koristi
ove cifre kao procjenjena vremena za zavravanje tekueg projekta. Stoga je menadment
odluio da uzme ove brojke kao procjenjeno vrijeme za zavretak tekueg projekta. Uz to,
zbog kritine potrebe za dodatnom snagom menadment je kao cilj postavio deset mjeseci kao
ukupno vrijeme zavravanja projekta. Dakle, cijeli projekt biti e u zakanjenju ako ukupno

3
Kvantitativne metode u ininjerstvu i biznisu

proteklo vrijeme za zavretak obje etape bude due od deset mjeseci. Poto postoje tri mogua
vremena zavrenja za svaku od etapa projekta i poto projekt sadri sekvencu od dvije etape,
moe se primijeniti pravilo raunanja za eksperiment sa vie koraka da bi se dolo do
saznanja da postoji ukupno 33 = 9 ishoda eksperimenta.

Tabela 1.1 Lista ihoda eksperimenta za problem HE na Neretvi

Procjena vremena zavretka (mjeseci) Procjena vremena
Oznaavanje ishoda
Etapa 1 Etapa 2 zavretka za
eksperimenta
(Projektovanje) (Izgradnja) kompletan projekat
2 6 (2,6) 8
2 7 (2,7) 9
2 8 (2,8) 10
3 6 (3,6) 9
3 7 (3,7) 10
3 8 (3,8) 11
4 6 (4,6) 10
4 7 (4,7) 11
4 8 (4,8) 12

Slika 1.3 Stablo ishoda za problem HE na Neretvi.

Koristei oznaavanje u teoriji skupova moemo opisati prostor ishoda projekta kao:

S = {(2,6),(2,7),(2,8),(3,6),(3,7),(3,8),(4,6),(4,7),(4,8)}.

Proces identificiranja prostora ishoda za projekat HE na Neretvi pomae rukovodicu projekta

da vizualizira razliite ishode i vremena zavravanja koja su mogua. Meutim, informacije o
vjerovatnoi su bitne i za menadera kako bi bolje razumio izglednost razliitih ishoda. Na

4
 Poglavlje 1

osnovu informacije na slici 1.3 znamo da e projekt biti zavren u peridu od 8 do 12 mjeseci.
Meutim, rukovodilac projekta e bez sumnje biti zainteresiran za sledea pitanja:

1. Kakva je vjerovatnoa da e projekat biti zavren za 10 mjeseci ili manje?

2. Koje je najizglednije ili najvjerovatnije vrijeme zavretka projekta ?
3. Koja je vjerovatnoa da e projekt trajati jednu godinu (12 mjeseci)?

Podsjetimo da je menaderov cilj da projekt bude zavren za 10 mjeseci. Dakle, visoke

vjerovatnoe za ranije i zavravanja projekta na vrijeme dati e rukovodicu povjerenje da e
njegov cilj biti postignut. S druge strane, visoke vjerovatnoe za kanjenje zavravanja mogu
dovesti do revizije planiranja projekta, ukljuujui odluke o korektivnim akcijama kao to su
prekovremeni rad, dodatna radna snaga i slino. U naem sluaju informacije o vjerovatnoi
bit e kritine u pomaganju menadaru projekta da shvati neizvjesnosti povezane sa
projektom. Da bi doli do eljenih informacija o vjerovatnoi za problem HE na Neretvi,
potrebno je da razmotrimo naredne sekcije.

1.3. PRIDRUIVANJE VJEROVATNOA ISHODIMA EKSPERIMENTA

Sada imamo odreeno razumijevanje koncepta eksperimenta, prostora ishoda kao skupa svih
ishoda eksperimenta. Dakle pripremljeni smo da vidimo kako se mogu odrediti vjerovatnoe
za ishode eksperimenta. Podsjetimo na diskusiju na poetku ovog poglavlja. Reeno je da je
vjerovatnoa ishoda eksperimenta numerika mjera izglednosti da e se ishod eksperimenta
dogoditi. Pri dodijeljivanju vjerovatnoa ishodima eksperimenta postoji vie prihvatljivih
pristupa, meutim, bez obzira koji je pristup odabran moraju biti zadovoljena sljedea dva
osnovna zahtjeva:

1. Vrijednosti vjerovatnoa dodjenih svakom ishodu eksperimenta moraju biti izmeu 0 i 1.

Dakle, ako Ei oznaava ishod eksperimenta i P(Ei ) vjerovatnou ishoda eksperimenta, mora
da vrijedi:

0 P(Ei) 1 za svako i (1.1)

2. Suma svih vjerovatnoa ishoda mora biti 1. Npr., ako prostor uzorka ima k uzoraka (ishoda
eksperimenta) moramo imati da je :

P(E1) + P(E2) + + P(Ek) = P(Ei) = 1. (1.2)

Bilo koji metod pri dodijeljivanju vrijednosti vjerovatnoe ishodima eksperimenta koji
zadovoljava ova dva zahtjeva i rezultira u razumnoj numerikoj mjeri izglednosti ishoda je
prihvatljiv. U praksi se moe koristiti jedna od 3 sljedee metode:

1. Klasini metod;
2. Metod relativne frekvencije;
3. Subjektivni metod.

1.3.1 Klasini metod

Da bi prikazali klasini metod dodjele vjerovatnoa razmotrimo eksperiment bacanja novia.

Pri svakom bacanju uoit emo jedan od ishoda eksperimenta: "glavu" ili "pismo". Vidljivo je
da e razumna pretpostavka biti da su dva mogua ishoda jednako izgledna. Prema tome,

5
Kvantitativne metode u ininjerstvu i biznisu

poto je jedan od dva jednako izgledna ishoda "glava", logian zakljuak treba da bude da je
vjerovatnoe observacije "glava" 1/2 ili 0.50. Na slian nain vjerovatnoa observacije
"pisama" je takoer 0.50. Kada se koristi pretpostavka o jednako izglednim ishodima kao
osnova za dodjelu vjerovatnoa, pristup se oznaava kao klasini metod. Ako jedan
eksperiment ima n moguih ishoda, klasian metoda e dodijeliti vjerovatnou 1/n svakom
ishodu.

1.3.2 Metoda relativne frekvencije

Pretpostavimo da data firma razmatra prodaju novog proizvoda i da je zainteresovana za

vjerovatnou sa kojom e potroai vriti njegovu kupovinu. Kada prodaja otpone postoje 2
mogua ishoda: potroa kupuje proizvod ili potroa ne kupuje proizvod. Meutim, u ovom
sluaju obino nismo skloni da pretpostavimo da su ishodi eksperimenta jednako izgledni.
Prema tome, klasini metod dodjele vjerovatnoa nee biti adekvatan. Uz to, pretpostavimo
da je test evaluacije prodaje proizvoda, gdje je kontaktirano 400 potroaa, dao da e 100 od
njih stvarno kupiti proizvod dok 300 nee. Ustvari, ponovili smo eksperiment kontaktiranja
potroaa 400 puta i nali da je 100 puta proizvod bio kupljen. Dakle, moramo odluiti da
dodjelimo vjerovatnou 100/400 = 0.25 ishodu eksperimenta kupovine proizvoda. Na slian
nain 300/400 = 0.75 dodijelio se ishodu eksperimenta koji se odnosi na nekupovinu
proizvoda. Ovaj pristup dodjele vjrovatnoa naziva se metoda relativne frekvencije.

1.3.3 Subjektivni metod

Klasini metod i metod relativne frekvencije ne mogu biti primjenjeni u svim situacijama gdje
se ele procjene vjerovatnoa. Npr., postoje mnoge situacije gdje ishodi eksperimenta nisu
jednako izgledni i gdje se podaci o relativnoj frkvenciji nisu raspoloivi. Npr., razmotrimo
narednu fudbalsku utakmicu koju dati klub treba da igra i koja je vjerovatnoa da e klub
pobijediti?
Ishodi eksperimenta o pobjedi, porazu ili nerijeeno nisu jednako izgledni. Takoer, poto dva
tima o kojima je rije nisu prethodno igrali vie puta ove godine, ne postoje podaci o
relativnoj frekvenciji koji bi bili relevantni za dolazei susret. Dakle, ako elimo da
procjenimo vjerovatnou pobjede datog tima moemo koristiti subjektivno miljenje o
njegovoj vrijednosti.
Kada koristimo subjektivni metoda pri dodjeli vjerovatnoa ishodima eksperimenata moemo
koristiti raspoloive podatke, nae iskustvo, intuiciju i sl. Meutim, nakon razmotrenja svih
raspoloivih informacija mora se specificirati vrijednost vjerovatnoe koja izraava stepen
vjerovanja da e se dogoditi dati ishod eksperimenta. Ovakav metod dodjele vjerovatnoe
naziva se subjektivni metod. Poto subjektivna vjerovatnoa izraava lini "stepen
vjerovanja" ona je personalna. Za oekivat je da razni ljudi dodjeljuju razliite vjerovatnoe
istom dogaaju ak i u situacijama gdje se moe primijeniti kasian pristup ili pristup preko
relativne frekvencije, mendment moe eljeti da se napravi procjena u formi subjektivne
vjerovatnoe. U ovakvim sluajevima, najbolja procjena esto se dobiva kombinovanjem
procjene na osnovu klasinog ili pristupa preko relativne frekvencije sa subjektivnom
procjenom vjerovatnoe.

1.3.4 Vjerovatnoe za problem Hidroelektrana na Neretvi

Da bi proveli daljnju analizu problema HE na Neretvi, moramo procjeniti vjerovatnoe za

svaki od 9 ishoda eksperimenta koji su izlistani u tabeli 2.1. Bazirajui se na sopstvenom
iskustvu i sudu, menadment je zakljuio da ishodi eksperimenata nisu jednako izgledni.

6
 Poglavlje 1

Dakle, ne moe se koristiti klasini pristup dodjele vjerovatnoa. Nakon toga menadment je
odluio da napravi studiju o vremenima zavravanja slinih projekata koje su izvodile HE na
Neretvi tokom posljednje 3 godine. Rezultati studija 40 slinih projekata sumirani su u tabeli
1.2.
Nakon pregleda rezultata studije, menadment je odluio da upotrijebi pristup preko relativne
frekvencije pri dodjeljivanju vjerovatnoa. Menadment je naravno mogao da doe i do
subjektinvnih procjena vjerovatnoe, ali je prevladao osjeaj da su tekui projekti vrlo slini
sa 40 prethodnih projekata. Dakle, da je pristup preko relativne frekvencije najbolji u ovom
sluaju.

Tabela 1.2 Zavrni rezultati za 40 projekata HE na Neretvi.

Vremena zavretka (mjeseci) Ishoda Broj zavrenih
Etapa 1 Etapa 2 eksperimenta projekata
2 6 (2,6) 6
2 7 (2,7) 6
2 8 (2,8) 2
3 6 (3,6) 4
3 7 (3,7) 8
3 8 (3,8) 2
4 6 (4,6) 2
4 7 (4,7) 4
4 8 (4,8) 6
Total 40 projekata

Koritenjem podataka iz tabela 1.2 za raunanje vjerovatnoa, zapaamo da se ishod (2,6)

etapa 1 zavrava za 2 mjeseca i etapa 2 zavrena za 6 mjeseci - deava 6 puta u razmatranih
40 projekata. Dakle, moemo uz koritenju pristupa relativne frekvecije dodijeliti
vjerovatnou 6/40 = 0.15 za ovaj ishod. Na slian nain ishod (2,7) se deava 6 puta u 40
projekata to daje vjerovatnou 6/40 = 0.15. Nastavljajui na ovaj nain dolazimo do
vjerovatnoa za ishode projekta HE na Neretvi prikazanih u tabeli 1.3. Uoimo da P(2,6)
predstavlja vjerovatnou ishoda (2,6), P(2,7) predstavljaju vjerovatnou ishoda (2,7) i sl.

Tabela 1.3. Vjerovatnoe zavretka projekta HE na Neretvi.

Vrijeme zavretka
Ishod Vjerovatnoa
projekta (mjeseci)
(2,6) 8 mjeseci P(2,6) = 6/40 = 0.15
(2,7) 9 mjeseci P(2,7) = 6/40 = 0.15
(2,8) 10 mjeseci P(2,8) = 2/40 = 0.05
(3,6) 9 mjeseci P(3,6) = 4/40 = 0.10
(3,7) 10 mjeseci P(3,7) = 8/40 = 0.20
(3,8) 11 mjeseci P(3,8) = 2/40 = 0.05
(4,6) 10 mjeseci P(4,6) = 2/40 = 0.05
(4,7) 11 mjeseci P(4,7) = 4/40 = 0.10
(4,8) 12 mjeseci P(4,8) = 6/40 = 0.15
Total 1.00

1.4. DOGAAJI I NJIHOVE VJEROVATNOE

Do sada smo razmatrali izraz dogaaj na nain kako se koristi u svakodnevnom jeziku.
Meutim, od ovog momenta uvesti emo formalnu definiciju dogaaja u kontekstu teorije

7
Kvantitativne metode u ininjerstvu i biznisu

vjerovatnoe. Definicija glasi: Dogaaj je kolekcija ishoda. Kao primjer, vratimo se na

problem HE na Neretvi i pretpostavimo da je menader projekta zainteresiran za dogaaj da
cijeli projekt moe biti zavren za 10 mjeseci ili manje. Prema tabeli 2.3 vidimo est ishoda
(2,6), (2,7), (2,8), (3,6), (3,7) i (4,6) daju vrijeme zavravanja od 10 mjeseci i manje. Moemo
pisati

C = {(2,6),(2,7),(2,8),(3,6),(3,7),(4,6)}

Za dogaaj C se kae da se desio ako se bilo koji od est ishoda prikaznih gore pojavi kao
ishod eksperimenta. Drugi dogaaji koji mogu biti interesantni mendmentu HE na Neretvi
ukljuuju sljedee:

L = dogaaj da e projekt biti zavren za manje od 10 mjeseci;

M = dogaaj da e projekt biti zavren za vie od 10 mjeseci.

Koritenjem informacija u tabeli 2.3 vidimo da se ovi dogoaji sastoje od sledeih ishoda:

L = {(2,6),(2,7),(3,6)}

M = {(3,8),(4,7),(4,8)}.

Moe se definirati vie dodatnih dogaaja za problem HE na Neretvi, ali u svakom sluaju
dogaaj mora biti identificiran kao kolekcija ishoda za dati eksperiment.

1.4.1 Proraunavanje vjerovatnoa dogaaja

Pri datim vjerovatnoama ishoda (ishodi eksperimenata prikazani u tabeli 1.3) moemo
koristiti sledee definicije za raunanje vjerovatnoe bilo koga dogaaja kojeg menadment
HE na Neretvi moe odluiti da razmatra: Vjerovatnoa svakog dogaaja jednaka je sumi
vjerovatnoa ishoda u dogaaju.
Koritenjem ove definicije, raunamo vjerovatnou partikularnog dogaaja sabiranjem
vjerovatnoa ishoda eksperimenta koji ine dogaaj. Sada moemo sraunati vjerovatnou da
e projekt trajati 10 mjeseci ili manje. Poto je ovaj dogaaj dat sa C =
{(2,6),(2,7),(2,8),(3,6),(3,7),(4,6)} vjerovatnoa dogaaja C prikazana je dole (zapazi da se P
koristi da oznai vjerovatnou odgovarajueg dogaaja ili ishoda)

P(C) = P(2,6) + P(2,7) + P(2,8) + P(3,6) + P(3,7) + P(4,8)

Na osnovu tabele 2.3 za vjerovatnoe ishoda, imamo:

P(C) = 0.15 + 0.15 + 0.05 + 0.10 + 0.20 + 0.05 = 0.70.

Na slian nain dogaaj da e projekt biti zavren za manje od 10 mjeseci dat je sa L =

{(2,6),(2,7),(3,6)}, a vjerovatnoa ovog dogaaja je :

P(L) = P(2,6) + P(2,7) + P(3,6)

= 0.15 + 0.15 + 0.10 = 0.40

Najzad, ako se projekt zavrava za vie od 10 mjeseci imamo M = {(3,8),(4,7),(4,8)}, odnosno

8
 Poglavlje 1

P(M) = P(3,8) + P(4,7) + P(4,8)

= 0.05 + 0.10 + 0.15 = 0.30.
Koritenjem gornjih rezultata o vjerovatnoama moemo sada rei menadmentu HE na
Neretvi da postoji vjerovatnoa 0.70 da e projekt biti zavren za 10 mjeseci i manje, a 0.40
vjerovatnoe da e projekt biti zavren za manje od 10 mjeseci i 0.30 vjerovatnoe da e
projekt biti zavren za vie od 10 mjeseci. Ova procedura sraunavanja vjerovatnoe dogaaja
moe da se ponovi za bilo koji dogaaj od interesa za menadment HE na Neretvi.
Svaki put kada moemo identifikovati sve ishode eksperimenta i dodjeliti vjerovatnoe
odgovarajuim ishodima, moemo koristiti definiciju iz ove sekcije za raunanje vjerovatnoe
dogaaja od interesa za onog ko donosi odluke. Meutim u mnogim eksperimentima broj
ishoda je veliki pa je odreivanje ishoda, kao i odgovarajuih pridruenih vjerovatnoa
izuzetno mukotrpno, ako ne i nemogue. U preostalim sekcijama prezentirat emo neke
osnovne relacije vjerovatnoe koje mogu biti koritene za sraunavanje vjerovatnoe
dogaaja, a da se ne zahtjeva poznavanje vjerovatnoe ishoda uzorka. Ove relacije
vjerovatnoa zahtjevaju poznavanje vjerovatnoa nekih dogaaja eksperimenta. Vjerovatnoe
ostalih dogaaja se potom raunaju direktno iz poznatih vjerovatnoa koritenjem jedne ili
vie relacija vjerovatnoe.

1.5. NEKE OSNOVNE RELACIJE VJEROVATNOE

1.5.1 Komplement dogaaja

Za dati dogaaj A, njegov komplement je definiran kao dogaaj koji se sastoji od svih ishoda
koji nisu u A. Komplement od A oznaava se sa A . Na slici 1.4 dat je diagram poznat kao
Vennov dijagram, a koji ilustrira koncept komplementa. Pravougaona povrina predstavlja
prostor ishoda eksperimenta i kao takva sadri sve mogue ishode. Krug predstavlja dogaaj
A i sadri samo ishode koji pripadaju A. rafirano podruje dijagrama sadri sve ishode koji
nisu u dogaaju A, to je definicija komplementa od A.
U bilo kojoj primjeni vjerovatnoe, dogaaj A i njegov komplement A moraju zadovoljiti
relaciju:

P (A) + P( A) = 1 (1.3)

Rjeavanjem gornje relacije po P(A) imamo

P(A) = 1 - P( A) (1.4)

Jednadba (1.4) pokazuje da se vjerovatnoa dogaaja A moe lako izraunati ako je poznata
vjerovatnoa njegovog komplementa A .
Kao primjer razmotrimo sluaj koji je nakon pregleda izvijetaja o prodaji utvrdio da nije bilo
prodaje nakon kontaktiranja 80% novih kupaca. Ako se sa A oznai dogaaj prodaje, a sa A
dogaaj neprodaje, rukovodioc utvruje da je P( A ) = 0.80. Koristei relaciju (1.4) dobivamo:

P (A) = 1 - P( A) = 1 - 0.80 = 0.20,

to pokazuje da postoji 0.20 vjerovatnoe da e doi do prodaje kontaktiranjem novih kupaca.

9
Kvantitativne metode u ininjerstvu i biznisu

Slika 1.4 Komplement dogaaja A.

U drugom primjeru rukovodilac nabavke ustanovio je da je vjerovatnoa 0.90 da e kooperant

poslati isporuku u kojoj ne postoje neispravni dijelovi.
Koristei komplement moemo zakljuiti da postoji 1 - 0.90 = 0.10 vjerovatnoe da e
isporuka imati neke neispravne dijelove.

1.5.2 Zakon sabiranja

Zakon sabiranja je korisna relacija vjerovatnoe kada imamo dva dogaaja i kada elimo
saznati vjerovatnou da se bar jedan od dogaaja desi. Dakle kod dogaaja A i B elimo
saznati vjerovatnou da se desi dogaaj A ili dogaaj B ili oba.
Prije predstavljanja zakona sabiranja, potrebno je diskutirati dva koncepta koji se odnose na
kombinaciju dogaaja: unija dogaaja i presjek dogaaja.
Za date dogaaje A i B, unija od A i B je dogaaj koji sadri sve ishode koje pripadaju A ili B
ili oba. Unije se oznaavaju sa AB.
Vennov dijagram dat na slici 2.5 prikazuje uniju dogaaja A i B. Zapazimo da rafirano
podruje sadri sve ishode u dogaaju A kao i sve ishode u dogaaju B. injenica da se
krugovi poklapaju ukazuje da postoje neki ishodi sadrani u oba dogaaja A i B.
Za date dogaaje A i B, presjek od A i B je dogaaj koji sadri ishode koje pripadaju i
dogaaju A i dogaaju B. Presjek se oznaava sa A B. Vennov dijagram koji prikazuje
presjek dva dogaaja dat je na slici 1.6. Povrina gdje se dva kruga poklapaju predstavlja
presjek; on sadri ishode koje su i u A i u B.
Nastavimo sada diskusiju zakona sabiranja. Zakon sabiranja omoguava sraunavanje
vjerovatnoe ako se desi dogaaj A ili dogaaj B ili oba. Drugim rijeima zakon sabiranja
koristi se za sraunavanje unije dva dogaaja, AB. Zakon sabiranja formalno je utvren
kako slijedi:

P(A B) = P(A) + P(B) - P(A B)

Slika 1.5 Unija dogaaja A i B.

10
 Poglavlje 1

Slika 1.6 Presjek dogaaja A i B.

Da bi initutivno shvatili zakon sabiranja, zapazimo da prva dva lana u zakonu sabiranja, P(A)
+ P(B) obraunavaju sve ishode u AB. Meutim poto su ishodi u presjeku A B i u A i u
B, kad sraunavamo P(A) + P(B) efektivno raunamo ishode presjeka A B dva puta. Ovo se
koriguje preko oduzimanja P(A B).
Kako primjer primjene zakona sabiranja razmotrimo slijedee ocjene dobivene na predmetu
kvantitativne metode koji se predaje na odgovarajuem fakultetu. Od 200 studenata koji su
upisali predmet, 160 je zadovoljilo parcijalni ispit, a 140 je prolo na zavrnom ispitu; 124
studenta su prola na oba ispita. Neka vrijede sljedee oznake:

M = dogaaj koji oznaava prolaz na parcijalnom ispitu,

F = dogaaj koji oznaava prolaz na zavrnom ispitu.

Ove relativne frekvencije dovode do slijedeih vjerovatnoa:

P(M) = 160/200 = 0.80,

P(F)= 140/200 = 0.70,
P(M F) = 124/200 = 0.62.

Nakon paljivog razmatranja profesor na predmetu odluio je da su prolazne ocjene svakog

studenta koji je proao na bar jednom od dva ispita. Dakle, prolazna ocjena je data svakom
studentu koji je proao na parcijalnom ispitu, svakom studentu koji je proao na zavrnom
ispitu i svakom studentu koji je proao na oba ispita. Sada je pitanje: kakva je vjerovatnoa
dobijanja prolazne ocjene na razmatranom predmetu?
Mada naa reakcija moe biti da pokuamo sraunati koliko od svih 200 studenata je prolo
bar jedan ispit, treba uoiti da se pitanje vjerovatnoe odnosi na uniju dogaaja M i F. Dakle,
elimo znati vjerovatnou da student proe parcijalni ispit (M), proe zavrni ispit (F), ili
proe obadva. elimo saznati P(MF).
Primjenimo ranije datu osnovnu relaciju vjerovatnoe. Koristei zakon sabiranja (2.5) za
dogaaje M i F imamo:

P (M F ) = P (M ) + P(F ) - P (M F ) .

Na osnovu poznavanja triju vjerovatnoa na desnoj strani gornje jednakosti, moemo pisati

P(M F ) = 0.80 + 0.70 - 0.62 = 0.88.

Ovo nam kae da postoji 88% anse polaganja ispita, radi toga to je vjerovatnoa 0.88
prolaska bar jednog od ispita.

11
Kvantitativne metode u ininjerstvu i biznisu

Kao drugi primjer, razmotrimo studiju koja prouava naviku gledanja televizije od strane
branih parova. Pronaeno je da su 30% mueva i 20% ena regularni gledaoci posebnog
televizijskog programa u petak uveer. Pri tome kod 12% branih parova u studiji, i mu i
ena su redovni gledaoci navedenog programa. Kakva je vjerovatnoa da e bar jedan lan
branog para regularno gledati program. Uvedimo sljedee oznake:

H = mu je regularni gledalac
W = ena je regularni gledalac

Oigledno je da su P(H) = 0.30, P(W) = 0.20 i P(H W) = 0.12. Koristei zakon sabiranja
imamo:
P(H W ) = P(H ) + P(W ) - P(H W ) = 0.30 + 0.20 - 0.12 = 0.38

Pokazuje se da je 0.38 vjerovatnoe da e bar jedan lan datog branog para regularno pratiti
program.
Prije nego to nastavimo pogledajmo kako se zakon sabiranja primjenjuje na meusobno
iskljuive dogaje. Za dva ili vie dogaaja se kae da su meusobno iskljuivi ako dogaaji
nemaju ni jedan zajedniki ishod, dakle ne postoji ishod u presjeku dogaaja. Da bi dva
dogaaja A i B bila meusobno iskljuiva mora da vrjedi P(A B) = 0. Slika 2.7 prikazuje
Vennov dijagram sa dva meusobno iskljuiva dogaaja. Poto je P(A B) = 0, za specijalan
sluaj meusobno iskljuivih dogaaja, zakon sabiranja postaje

P(AB) = P(A) + P(B)

Da bi sraunali vjerovatnou unije dva meusobno iskljuiva dogaaja jednostavno sabiramo

odgovarajue vjerovatnoe.

Slika 1.7 Meusobno iskljuivi dogaaji.

1.5.3 Uslovna vjerovatnoa

U mnogim situacijama kada se razmatra vjerovatnoa znaajna je mogunost odreivanja

vjerovatnoe jednog datog dogaaja kad znamo da se desio drugi dogaaj. Pretpostavimo da
imamo dogaaj A sa vjerovatnoom P(A). Ako dobijemo novu informaciju ili saznamo da se
dogodio drugi dogaaj oznaen sa B, eliemo da iskoristimo ovu informaciju u sraunavanju
vjerovatnoe P(A). Ovakva nova vjerovatnoa dogaaja A pie se P(A B). Oznaka koristi
se da oznai injenicu da razmatramo vjerovatnoe dogaaja A pod uslovom da se dogodio
dogaaj B. Dakle oznaka P(A B) ita se kao vjerovatnoa A ako se desi B.
Sa dva dogaaja A i B, opta definicija uslovne vjerovatnoe za A ako se desi B i za B ako se
desi A data je kao:

12
 Poglavlje 1

P( A B)
P( A B) , (1.6)
P( B)
P( A B)
P ( B A) . (1.7)
P( A)

Zapazimo da u gornjim izrazima P(B) ne moe biti 0 u jednadbi (1.6) i P(A) ne moe biti
jednako 0 u jednadbi (1.7).
Da bi intuitivno razumjeli koritenje jednaine (1.6) razmotrimo Vennov dijagram na slici
1.8. rafirano podruje oznaava da se dogaaja B desio; dok jae rafirano podruje
oznaava da se dogaaj (A B) desio. Znamo da ako se jednom desio dogaaj B, jedini nain
da se realizuje dogaaj A je da se desio dogaaj (A B). Dakle odnos P(A B)/P(B) daje
vjerovatnou realizovanja dogaaja A uz injenicu da se dogaaj B ve desio.

Slika 1.8 Vennov dijagram za ilustraciju uslovne vjerovatnoe.

Kao ilustraciju primjene uslovne vjerovatnoe razmotrimo situaciju oko statusa unapreenja
mukih i enskih policajaca u policijskim snagama u datom gradu. Policijske snage sastoje se
od 1200 oficira: 960 mukaraca i 240 ena. Tokom posljednje dvije godine 324 oficira
policijskih snaga nagraeni su unaprjeenjem. Specifina situacija unaprjeenja za mukarce i
ene prikazana je u tabeli (1.4).

Tabela 1.4. Stanje promocije oficira policije u zadnje 2 godine.

Unaprijeeno Nije unaprijeeno Ukupno
Mukarci 288 672 960
ene 36 204 240
Ukupno 324 876 1200

13
Kvantitativne metode u ininjerstvu i biznisu

Administracija policije upozorila je da relativno nizak broj unaprjeenih enskih oficira nije
posljedica deskriminacije ve injenica da nema mnogo ena oficira u policijskim snagama.
Pokaimo kako se uslovna vjerovatnoa moe koristiti za evaluaciju optube za
deskriminaciju.

Uvedimo sljedee oznake:

M = dogaaj da je jedan oficir mukarac,

W = dogaaj da je jedan oficir ena,
B = dogaaj da je jedan oficir unaprijeen.

Dijelei vrijednosti podataka iz tabele 2.4 su ukupnim brojem oficira omoguava nam da
rezimiramo razpoloive informacije u slijedee vrjednosti vjerovatnoe:

P(M B) = 288/1200 = 0.24 - vjerovatnoa da je oficir mukarac i da je unaprijeen;

P(M B ) = 672/1200 = 0.56 -vjerovatnoa da je oficir mukarac i da nije unaprijeen;
P(W B) = 36/1200 = 0.03 - vjerovatnoa da je oficir ena i da je unaprijeena;
P(W B ) = 204/1200 = 0.17 - vjerovatnoa da je oficir ena i da nije unaprijeena.

Poto svaka od ovi vrijednosti daje vjerovatnoe presjeka dva dogaaja vjerovatnoama je
dato ime zajednike vjerovatnoe. Tabela 1.5 koja daje rezime informacija o vjerovatnoama,
i naziva se tabela zajednike vjerovatnoe.

Tabela 1.5 Tabela zajednike vjerovatnoe za unapreenje oficira policije.

Vrijednosti na marginama tabele zajednike vjerovatnoe daju vjerovatnou svakog dogaaja

odvojeno. Tako je P(M) = 0.80, P(W) = 0.20, P(B) = 0.27 i P( B )= 0.73. Dakle, vidimo da su
80 % snaga mukarci, 20% snaga ene, 27% svih oficira su unaprijeeni, a 73 % nisu
unaprijeeni. Ove vjerovatnoe nazivaju se parcijalne vjerovatnoe zbog njihove lokacije u
tabeli zajednike vjerovatnoe. Vraajui se na pitanje diskriminacije ena oficira vidimo da
je vjerovatnoa unapreenja jednog oficira P(B) = 0.27 (bez obzira da li je oficir muskarac ili
ena). Dakle, kakva je vjerovatnoa unapreenja da je dati oficir mukarac i kakva je
vjerovatnoa unapreenja ako je dati oficir ena? Ako su ove dvije vjerovatnoe jednake
nema osnove za diskriminaciju poto su anse unaprijeenja iste za oficire mukarce ili ene.
Meutim, ako se dvije uslovne vjerovatnoe razlikuju, to e biti potpora pozicije da su se
muki i enski oficiri tretirali razliito kada je u pitanju unapreenje.
Koristei relaciju za uslovnu vjerovatnou imamo:

14
 Poglavlje 1

P( M B) 0.24
P ( B |M ) 0.30 ,
P( M ) 0.80
P(W B) 0.03
P ( B |W ) 0.15 .
P(W ) 0.20

Kakav zakljuak moe da se izvue? Data vjerovatnoa unapreenja oficira mukaraca je

0.30. Ovo je dvostruko vise od 0.15, to je vjerovatnoa unapreenja oficira ena. Mada
koritenje uslovne vjerovatnoe samo po sebi ne dokazuje da postoji diskriminacija u ovom
sluaju, vrijednosti uslovne vjerovatnoe su jaka podrka argumenatu kojeg su iznijele oficiri
ene.
U gornjem sluaju vidjeli smo da su P(B) = 0.27, P(B|M) = 0.30 i P(B|W) = 0.15. Ovim se
jasno pokazuje da na vjerovatnou unapreenja (dogaaj B) utie injenica da li je oficir
mukarac ili ena. Posebno, poto je P(B|W) P(W) moemo nai da su dogaaji B i M
zavisni dogaaji. Dakle, vjerovatnoa dogaaja B (unapreenje) je izmjenjena ili je pod
uticajem saznanja da li se ili ne dogaaj M (oficir je mukarac) odgodio. Na slian nain sa
P(B|W) P(B), moemo nai da su dogaaji B i W zavisni dogaaji. S druge strane, ako
vjerovatnoa dogaaja B nije promjenjena postojanjem dogaaja M, dakle ako je P(B|M) =
P(B) kaemo da su dogaaji B i M nezavisni dogaaji.
Ovo vodi ka slijedeoj definiciji nezavisnih dogaaja:

Dva dogaaja A i B su nezavisna ako je

P(B|A) = P(B)
ili

P(A|B) = P(A).

Ako ovo nije sluaj, dogaaji su zavisni.

1.5.4 Zakon mnoenja

Dok se zakon sabiranja vjeovatnoe koristi za raunanje vjerovatnoe unije dva dogaaja,
sada mozemo pokazati kako se zakon mnoenja moe koristiti da se nae vjerovatnoa
presjeka dva dogaaja. Zakon mnoenja izveden je iz definicije uslovne vjerovatnoe.
Koritenjem (2.6) i (2.7) i rjeavanjem po P(AB) dolazi se do zakona mnoenja:

P( A B) P( A | B) P( B)
P( A B) P( B | A) P( A)

Zakon mnoenja koristan je u situacijama gdje su vjerovatnoe kao to su P(A), P(B), P(A|B)
i/ili P(B|A) poznate, a gdje P(AB) nije. Na primjer, razmotrimo sluaj gdje je odsjeku za
prodaju novina poznato da su 84 % njegovih kupaca pretplatnici dnevnog izdanja novina. Ako
ovaj dogaaj oznaimo sa D njegova vjerovatnoa je P(D) = 0.84. Uz to poznata je
vjerovatnoa da pretplatnik na dnevno izdanje takoer uzima nedeljno izdanje (dogaaj S) a
ono iznosi 0.75, odnosno P(S |D) = 0.75.
Sada se moe postaviti pitanje: kakva je vjerovatnoa da se kupac pretplati i na dnevno i na
nedeljno izdanje novina?

15
Kvantitativne metode u ininjerstvu i biznisu

Koritenjem zakona mnoenja sraunavamo eljenu vjerovatnou P(DS) na slijedei nain:

P(DS) = P(S|D) P(D) = 0.75 0.84 = 0.63.

Dakle, moemo rei da e 63 % kupaca novina uzimati dnevno i nedeljno izdanje.

Prije nego sto zakljuimo ovu sekciju razmotrimo specijalni sluaj zakona mnoenja kada su
dva dogaaja koja su u pitanju, nezavisna. Podsjetimo se da smo ranije u ovoj sekciji
definisali nezavisne dogaaje preko relacija P(B|A) = P(B) ili P(A|B) = P(A). Vraajui se na
zakon mnoenja, jednabe (2.8) i (2.9), vidimo da moemo zamjeniti P(A) sa P(A|B) i P(B) sa
P(B|A). Prema tome, za specijalni sluaj nezavisnih dogaaja zakon mnoenja glasi:

P(AB) = P(A) P(B) (1.10)

Dakle, da bi se izraunala vjerovatnoa presjeka dva nezavisna dogaaja jednostavno treba

pomnoiti odgovarajue vjerovatnoe. Na primjer, rukovodilac benzinske pumpe zna na
osnovu predhodnog iskustva da 80 % njegovih kupaca koriste kreditne kartice pri kupovini
benzina. Kakva je vjerovatnoa da e naredna dva kupca pri kupovini benzina koristiti
kartice?
Ako uvedemo oznake:
A = dogaaj da e prvi kupac koristiti kreditnu karticu,
B = dogaaj da e drugi kupac koristiti kreditnu karticu

Onda ce dogaaj koji nas interesuje biti AB. Poto nemamo nikakvih drugih informacija
razumno je predpostaviti da su A i B nezavisni dogaaji. Dakle

P(AB) = P(A) P(B) = 0.80 0.80 = 0.64

1.6. BAYASOVA TEOREMA

Prilikom diskusije uslovne vjerovatnoe ukazali smo da je mogue revidirati ili aurirati date
vjerovatnoe novim informacijama. Obino poinjemo analizu vjerovatnoe s poetnim ili
procjenjenim apriornim vjerovatnoama specifinog dogaaja koji nas interesira. Potom iz
izvora kao to su uzorci, specijalni izvjetaji, proizvodni testovi i slino, dobijemo dodatne
informacije o dogaajima. Raspolaui ovim novim informacijama elimo revidirati ili
aurirati apriorne vrijednosti vjerovatnoe. Nove ili revidirane vjerovatnoe dogaaja
nazivaju se posteriornim vjerovatnoama. Bayasova teorema daje sredstva za raunanje svih
naknadnih vjerovatnoa. Koraci procesa revizije vjerovatnoe prikazani su na slici 2.9.

Slika 1.9 Revizija vjerovatnoe koritenjem Bayasove teoreme

U sluajevima gdje imamo dva dogaaja koji nas interesiraju, recimo A1 i A2, poinjemo
analizu sa apriornim vjerovatnoama P(A1) i P(A2). Ako raspolaemo novim informacijama
da se desio novi dogaaj B, slijedei izrazi, poznati kao Bayasova teorema, mogu se koristiti
za sraunavanje naknadnih vjerovatnoa P(A1|B) i P(A2|B)

16
 Poglavlje 1

P ( B|A1 ) P ( A1 )
P ( A1|B) , (1.11)
P ( B|A1 ) P ( A1 ) P ( B|A 2 ) P ( A2 )

P( B|A 2 ) P ( A2 )
P ( A2 |B) . (1.12)
P(B|A1 ) P ( A1 ) P( B|A 2 ) P( A2 )

Kao jednu od primjena Bayasove teoreme razmotrimo proizvodnu firmu koja dobiva djelove
od dva razliita kooperanta. Oznaimo sa A1 dogaaj da su djelovi isporueni od kooperanta 1
i sa A2 da su djelovi isporueni od kooperanta 2. U tekuoj isporuci djelovi kooperanta 1
sudjeluje sa 65 %, dok preostalih 35 % dolazi od kooperanta 2. Dakle, ako su djelovi odabrani
po sluajnom principu, dodjeljivat emo sljedee apriorne vjerovatnoe:

P(A1) = 0.65 i P(A2) = 0.35.

Kvalitet isporuenih djelova u zavisnosti je od kooperanta. Bazirajui se na historijskim

podacima, ocjena kvalitete (quality ratings) dva kooperanta prikazana je u tabeli 1.6.

Tabela 1.6 Podaci o nivou kvaliteta dobavljaa.

Procenat Procenat neispravnih
ispravnih dijelova dijelova
Kooperant 1 98% 2%
Kooperant 2 95% 5%

Prema tome, ako sa G oznaimo dogaaj da su djelovi dobri, a sa B dogaaj da su djelovi

defektni ili loi, informacije u tabeli 1.6 daju sljedeu vrijednost uslovnih vjerovatnoa:

P(G|A1) = 0.98, P(B|A1) = 0.02,

P(G|A2) = 0.95, P(B|A2) = 0.05.

Sa apriornim vjerovatnoama P(A1) = 0.65 i P(A2) = 0.35 i gornjim informacijama o uslovnim

vjerovatnoama spremni smo da pokaemo kako se Bayasova teorema moe koristiti za
reviziju apriornih vjerovatnoa u svjetlu novih informacija. Na primjer, predpostavimo da se
djelovi od dva snabdjevaa koriste u proizvodnom procesu firme i da se maina kvari zbog
obrade defektnih ili loih djelova. Ako se zna da je dio koji uzrokuje probleme lo, kolika je
vjerovatnoa da dio potie od datog kooperanta? Dakle, kolike su posteriorne vjerovatnoe
P(A1|B) i P(A2|B)? U prvom sluaju koristimo jednadbu (1.11), pa imamo:

P( B|A1 ) P ( A1 )
P ( A1|B)
P ( B|A1 ) P ( A1 ) P( B|A 2 ) P( A2 )
(0.02)(0.65)

(0.02)(0.65) (0.05)(0.35)
0.0130
0.426
0.305

Koristei jednadbu (1.12) nalazimo P(A2|B):

17
Kvantitativne metode u ininjerstvu i biznisu

(0.05)(0.35)
P ( A2 |B)
(0.02)(0.65) (0.05)(0.35)
0.0175

0.0130 0.0175
0.0175
0.574
0.0305

Zapazimo da smo u ovoj primjeni u poetku imali vjerovatnou 0.65 da je sluajno izabrani
dio bio od kooperanta 1. Meutim, sa datom informacijom da je dio lo, vjerovatnoa da je
dio od kooperanta 1 opada na 0.426. Ustvari, ako je dio lo postoji bolja ansa od 50-50 da
dio dolazi od kooperanta 2, gdje je P(A2|B) = 0.574. Zadatak 27 na kraju ovog poglavlja
zahtjeva da koristimo Bayasovu teoremu da revidiramo apriornu vjerovatnou u sluaju ako je
pronaeno da je pregledani dio dobar. U tom zadatku trai se izraunavanje posteriornih
vjerovatnoa P(A1|G) i P(A2|G).

1.6.1 Tabelarni pristup

Tabelarni pristup, koristan pri provoenju sraunavanja Bayasove teoreme, prikazan je u

tabeli 1.7. Prikazana sraunavanja provode se kako sljedi:

Korak 1: Pripremi slijedee 3 kolone:

Kolona 1 Izlistaj sve meusobno iskljuive dogaaje koji se mogu desiti u
problemu
Kolona 2 Apriorne vjerovatnoe za ove dogaaje.
Kolona 3 Uslovne vjerovatnoe svakog dogaaja zbog nove informacije.

Korak 2: U koloni 4 sraunaj zajednike vjerovatnoe za svaki dogaaj i novu informaciju

B. Ove zajednike vjerovatnoe nalaze se mnoenjem vrijednosti u koloni 2 sa
odgovarajuim vrijednostima kolone 3 - dakle P(AiB) = P(Ai) P(B|Ai).

Korak 3: Saberi kolonu zajedinike vjerovatnoe da bi naao vjerovatnou nove

informacije P(B). Prema tome vidimo da je u gornjem primjeru 0.0130
vjerovatnoa loeg dijela i kooperanta 1 i da je 0.0175 vjerovatnoa loeg dijela i
kooperanta 2. Poto postoje samo dva naina na koje se mogu dobiti loi dijelovi,
suma 0.0130 + 0.0175 pokazuje da je ukupna vjerovatnoa 0.0305 nalaenja loeg
djela iz kombinovane isporuke oba kooperanta.

Korak 4: U koloni 5 sraunaj naknadne vjerovatnoe koristei osnovnu relaciju uslovne

vjerovatnoe
P( Ai B)
P ( Ai |B) .
P( B)
Zapazi da se zajednika vjerovatnoa P(AiB) nalazi u koloni 4, dok se
vjerovatnoa P(B) pojavljuje kao suma u koloni 4.

18
 Poglavlje 1

Tabela 1.7 Rezime Bayasove teoreme sraunavanja za problem dva kooperanta.

Apriorne Uslovne Zajednike Posteriorne

Dogaaj
vjerovatnoe vjerovatnoe vjerovatnoe vjerovatnoe
Ai
P(Ai) P(B|Ai) P(AiB) P(Ai | B)

A1 0.65 0.02 0.0130 0.0130/0.0305 = 0.426

A2 0.35 0.05 0.0175 0.0175/0.0305 = 0.574
1.00 P(B) = 0.0305 1.000

Na slici 1.10 dato je stablo ishoda koje moe pomoi boljem razumjevanju naina kako se
koristi Bayasova teorema za odreivanje eljene naknadne vjerovatnoe.

Vjerovatnoa
P( A1 G ) P( A1 ) P(G A1 )
0.65 0.98 0.6370

P ( A1 B) P ( A1 ) P( B A1 )
0.65 0.02 0.0130

P( A2 G ) P( A2 ) P(G A2 )
0.35 0.95 0.3325
P ( A2 B ) P( A2 ) P( B A2 )
0.35 0.05 0.0175
Poto ishodi 2 i 4 daju neispravan dio,
P ( B ) P( A1 B) P ( A2 B ) 0.0130 0.0175 0.0305
Slika 1.10 Stablo ishoda za sraunavanje vjerovatnoa
Bayasovom teoremom za problem dva kooperanta.

Polazei slijeva u desno, stablo ishoda pokazuje da dijelovi dolaze od dva kooperanta sa
apriornim vjerovatnoama P(A1) = 0.65 i P(A2) = 0.35. Potom stablo ishoda pokazuje da kod
svakog kooperanta dio moe biti dobar ili lo; uslovne vjerovatnoe P(G|Ai) i P(B|Ai)
pokazuju vjerovatnou dobijanja dobrog (G) ili loeg (B) dijela od svakog od kooperanata.
Zapazimo da stablo ishoda pokazuje etiri ishoda oznaena sa zajednikim vjerovatoama
P(A1G), P(A1B), P(A2G) i P(A2B). Dakle, vidimo da u sluaju opaanja neispravnog
dijela moramo biti locirani na ishodu 2 ili ishodu 4 stabla ishoda. Na ishodu 2 imamo
P(A1B) = 0.0130 i na ishodu 4 imamo P(A2B) = 0.0175. Poto su ovo jedina dva ishoda
koji vode ka loem dijelu, vidimo da vjerovatnoa loeg dijela mora biti 0.0130 + 0.0175 =
0.0305. Poto ishod 4 ima veu zajedniku vjerovatnou ( to je 0.0175 ), postoji vee ansa da
se neispravnost primjeti radi toga to se desio ishod 4, nego radi toga to se desio ishod 2.
Zapazimo da je kooperant koji dovodi do ishoda 4 - kooperant 2. Dakle, na relativnoj osnovi
vjerovatnoa neispravnosti koja dolazi od snabdjevaa 2 je 0.0175 / 0,0305 = 0.574; dakle,
P(A2|B) = 0.574. Na slian nain koristei ishod 2 vidimo da je P(A1|B) = 0.0130/ 0.0305 =
0.426. Prema tome, primjenjivajui Bayasovu teoremu proveli smo analizu prikazanu na
stablu ishoda; preko tabelarnog pristupa datog u tabeli 2.7 koritenjem stabla ishoda za
potrebna sraunavanja; ili koritenjem formula (1.11) i (1.12) Bayasove teoreme.

19
Kvantitativne metode u ininjerstvu i biznisu

Kao posljednju napomenu moemo istai generalizaciju Bayasove teoreme na sluaj gdje
postoji n meusobno iskljuivih dogaaja A1, A2, A3, ... , An i gdje jedan od n dogaaja moe
da se desi kada se provodi eksperiment. U ovakvom sluaju Bayasova teorema za
sraunavanje bilo koje posteriorne vjerovatnoe P(Ai|B) ima slijedeu formu:

P( B|A i ) P( Ai )
P( Ai |B) (1.13)
P(B|Ai )P(Ai ) P(B|A2 )P(A2 ) P(B|An )P(An )

za Ai = A1, A2, ... , An.

Sa apriornim vjerovatnoama P(A1), P(A2),..., P(An) i odgovarajuim uslovnim

vjerovatnoama P(B|A1), P(B|A2), ...., P(B|An) jednadba (2.13) moe se koristiti za
sraunavanje posteriorne vjerovatnoa dogaaja Ai , i = 1, 2, ...., n.

20
 Poglavlje 1

RJENIK POJMOVA
1. Vjerovatnoa Numerika mjera izglednosti da e se jedan dogaaj desiti
2. Eksperiment Svaki proces koji generira dobro definisane ishode
3. Prostor uzorka Skup svih moguih taaka uzorka (ishodi eksperimenta)
4. Take uzorka . Pojedinani ishodi jednog eksperimenta
5. Grafiki prikaz koristan za definisanje ishoda jednog eksperimenta
Stablo ishoda
koji se sastoji od vie koraka.
6. Dva principa ili zahtjeva koji moraju biti ispunjena kod odreivanja
Bazni zahtjev vjerovatnoe:
vjerovatnoe - Za svaki ishod eksperimenta Ei mora biti zadovoljeno 0 P Ei 1 .
- Ako imamo k rezultata eksperimenta, onda je PEi 1 .
7. Metod odreivanja vjerovatnoa koji pretpostavlja da su ishodi
Klasini metod
eksperimenta jednako izgledni.
8. Metod
Metod odreivanja vjerovatnoe baziran na eksperimentalnim ili
relativne
istorijskim podacima.
frekvencije
9. Subjektivni
Metod odreivanja vjerovatnoe baziran na subjektivnoj procjeni.
metod
10. Dogaaj Skup koji sadri kolekciju ishoda eksperimenta.
11. Unija
Dogaaj koji sadri sve ishode koji su u A, u B, ili u oba.
dogaaja A i B
12. Vennov Grafiki elemenat za simbolino pretstavljanje prostora dogaaja i
dijagram operacija sa dogaajima.
13. Presjek od A i
Dogaaj koji sadri sve ishode koje se nalaze i u A i u B.
B
14. Uzajamno
Dogaaji koji nemaju zajednike ishode; tj. A B je prazan skup i
iskljuivi
P(A B) = 0.
dogaaji
15. Komplement
Dogaaj koji sadri sve ishode koje nisu u A.
dogaaja A
16. Pravilo vjerovatnoe koje se koristi za izraunavanje vjerovatnoe
Pravilo unije dogaaja, P(A B). To je P(A B) = P(A) + P(B) - P(A B). Za
sabiranja uzajamno iskljuive dogaaje, kako je P(A B) = 0, P(A B) = P(A)
+ P(B).
17. Uslovna Vjerovatnoa jednog dogaaja dobivena kada se desio drugi dogaaj.
vjerovatnoa Uslovna vjerovatnoa od A ako se desio B je P( A B) = P(A B)/P(B).
18. Pravilo vjerovatnoe koriteno za izraunavanje vjerovatnoe
Pravilo presjeka, P(A B) = P(A)P( B A) ili P(B A) = P(B)P( A B). Za
mnoenja
nezavisne dogaaje je P(A B) = P(A)P(B).
19. Nezavisni Dva dogaaja A i B gdje je P( A B) = P(A) ili P( B A) = P(B); tj.,
dogaaji dogaaji koji nemaju uticaja jedan na drugog.
20. Apriorna Incijalna (poetna) procjena za vjerovatnou dogaaja.
vjerovatnoa
21. Posteriorna Korigovana vjerovatnoa dogaaja bazirana na dodatnim
vjerovatnoa informacijama.
22. Bayas-ova
Metod koriten za izraunavanje posteriorne vjerovatnoe.
teorema

21
Kvantitativne metode u ininjerstvu i biznisu

ZADACI ZA RJEAVANJE

1. U procesu kontrole kvaliteta kontrolor bira dio za kontrolu. Kontrolor potom konstatuje
ima li taj dio veliko oteenje, malo oteenje ili oteenja nema uopte. Razmotriti selekciju i
klasifikaciju dijelova za jedan eksperiment. Nabroji ishode eksperimenta.

2. Razmotrimo eksperiment koji se sastoji od voenja tri poziva za prodaju. Svaki od tri
poziva e zavriti ili prodajom ili neprodajom.
a) Konstruisati stablo ishoda za ovaj eksperiment.
b) Identifikovati ishode i prostor ishoda. Koliko ishoda imamo ovdje?
c) Koliko bi ishoda bilo kad bi se eksperiment sastojao od etiri poziva za prodaju?

3. U jednom gradu aplikacije za dodjelu graevinske dozvole prolaze proces od dva koraka:
reviziju komisije za planiranje i finalnu odluku od strane gradskog vijea. U prvom koraku
komisija e razmotriti zahtjev za dodjelu i napraviti pozitivnu ili negativnu preporuku u
pogledu dodjele. U drugom koraku vijee grada e razmotriti preporuku komisije za
planiranje i onda glasati za odobravanje ili neodobravanje dozvole. U nekim situacijama
gradsko vijee se sloilo sa preporukom komisije. Razmotrimo aplikaciju za dozvolu koja je
podneena od strane graditelja jednog apartmanskog kompleksa. Razmotrimo proces
aplikacije kao jedan eksperiment.
a) Koliko ovaj eksperiment ima ishoda? Pobrojiti ih.
b) Konstruisati stablo ishoda za ovaj eksperiment.

4. Mnoge drave koriste tablice za automobile na kojima moe biti upisano est cifara ili
brojeva.
a) Ako drava odlui da koristi samo numerike vrijednosti za tablice, koliko je razliitih
tablica mogue napraviti? Uzeti da je broj 000000 prihvatljivo rjeenje.
b) Ako drava odlui da koristi tablice sa oznakama koje poinju sa dva slova iza kojih slijede
4 broja, koliko je razliitih tablica mogue napraviti? Uzeti da se slova I i O ne koriste zbog
njihove slinosti sa brojevima 0 i 1.
c) Koliko je razliitih tablica mogue napraviti u BiH, prema sadanjem nainu oznaavanja?

5. Pretpostaviti eksperiment bacanja dvije kockice i oitanja brojeva koji se pojave kao
rezultat bacanja. Prostor ishoda je S = {1, 2, 3, 4, 5, 6}.
a) Koji metod preporuujete za odreivanje vjerovatnoe ishoda?
b) Koje vjerovatnoe pridruujete ishodima?
c) Pokazati da pridruene vjerovatnoe zadovoljavaju dva osnovna zahtjeva vjerovatnoe.

6. Prodavnica elektrinih ureaja je sakupila podatke o prodaji friidera u zadnjih 50 sedmica.

Podaci su prikazani u slijedeoj tabeli:

Broj prodanih friidera Broj sedmica

0 6
1 12
2 15
3 10
4 5
5 2
50

22
 Poglavlje 1

Pretpostavimo da smo zainteresovani za eksperiment registrovanja broja prodanih friidera u

jednoj sedmici.
a) Koliko ishoda ima ovaj eksperiment?
b) Pridruiti vjerovatnoe ishodima i provjeriti da li zadovoljavaju dva osnovna zahtijeva.

7. Jedna kompanija je dala ponudu za dva ugovora. Vlasnik firme je pretpostavio mogue
ishode i njihove vjerovatnoe kao to je prikazano u tabeli:

Ishod Ostvaren Ostvaren

Vjerovatnoa
eksperimenta Ugovor 1 Ugovor 2
E1 Da Da P(E1) = 0.15
E2 Da Ne P(E2) = 0.15
E3 Ne Da P(E3) = 0.30
E4 Ne Ne P(E4) = 0.25

a) Da li su vjerovatnoe validne?
b) Pretpostaviti da vlasnik osjea da je vjerovatnoa od E3 dva puta vea od E1 i E2 kao i 1.2
puta vea od E4. Predloite validne vjerovatnoe ishoda koje se poklapaju sa miljenjem
vlasnika kompanije.

8. Razmotriti eksperiment bacanja para kockica. Pretpostaviti da nas interesuje suma brojeva
na gornjim povrinama kockica.

a) Koliko ishoda ima ovaj eksperiment?

b) Navesti ishode eksperimenta.
c) Kilika je vjerovatnoa dobijanja vrijednosti sume 7?
d) Kolika je vjerovatnoa dobijanja sume 9 i vie?
e) Kako postoji est moguih parnih vrijednosti sume (2, 4, 6, 8, 10 i 12) i samo pet moguih
neparnih vrijednosti (3, 5, 7, 9 i 11), kockice pokazuju ee parne vrijednosti sume nego
neparne. Da li se slaete sa tom tvrdnjom? Objasniti.

9. Direktor marketinga pokuava da pridrui vjerovatnoe moguim profitima i gubicima koji

proizilaze iz novog proizvoda. Vodei se subjektivnom vjerovatnoom, njegove procjene
vjerovatnoe su slijedee:
P(profit preko 10000 KM) = 0.25
P(profit od 0 do 10000 KM) = 0.5
P(gubitak) = 0.15
Koji savjet biste dali direktoru prije nego to ove vrijednosti iskoristi za dalnja izraunavanja
vjerovatnoe?

10. Direktor prodavnice namjetaja prodaje od nula do etiri komada namjetaja svake
sedmice. Na osnovu prethodnih iskustava, slijedee vjerovatnoe su pridruene prodaji
nijednog, jednog, dva, tri i etiri komada namjetaja:

P(0) = 0.08
P(1) = 0.18
P(2) = 0.32
P(3) = 0.30
P(4) = 0.12
1.00

23
Kvantitativne metode u ininjerstvu i biznisu

a) Da li je validno pridruivanje vjerovatnoa

b) Neka je dogaaj A da je prodano dva ili manje komada u sedmici. Izraunati P(A).
c) Neka je B dogaaj da je prodano etiri ili vie komada namjetaja. Izraunati P(B).

11. Uzmimo u razmatranje problem projekta Hidroelektrana na Neretvi, opisan u sekciji 1.1.
Ishodi eksperimenta i pridruene vjerovaqtnoe prikazani su u tabeli 1.3.
a) Priklazati ishode i izraunati vjerovatnoe za svaki od slijedeih dogaaja:
projekat zavren za tano osam mjeseci; projekat zavren za tano devet mjeseci;
projekat zavren za tano deset mjeseci; projekat zavren za tano jedanaest mjeseci i
projekat zavren za tano dvanaest mjeseci.
b) Koji je najvjerovatniji dogaaj?
c) Kolika je vjerovatnoa da e projekat biti zavren za 6 mjeseci ili manje? Zato?
d) Kolika je vjerovatnoa da projekat treba godinu dana za zavretak?

12. Pretpostavimo da imamo prostor ishoda S = {E1,E2,E3,E4,E5,E6,E7} i slijedee

vjerovatnoe pridruene ishodima:

P(E1) = 0.05
P(E2) = 0.20
P(E3) = 0.20
P(E4) = 0.25
P(E5) = 0.15
P(E6) = 0.10
P(E7) = 0.05
Neka su dogaaji:
A = {E1, E4,E6},
B = {E2,E4, E7},
C = {E2,E3,E5,E7}.
a) Nai P(A), P(B) i P(C)
b) Navesti ishode u presjeku dogaaja A i B. Kolika je vjerovatnoa P(A B)
c) Jesu li dogaaji A i B meusobno iskljuivi?
d) Kolika je vjerovatnoa P(AB)?
e) Kolika je vjerovatnoa P( C )?

13. Pretpostavimo da je P(A) = 0.30, P(B) = 0.25, i P(A B) = 0.20.

a) Nai P(AB), P(AB), i P(BA).
b) Da li su dogaaji A i B nezavisni dogaaji? Zato?

14. Studija uticaja puenja na srane bolesti na uzorku od 1000 ljudi starijih od 50 godina dala
je slijedee podatke:

Pua Nepua Ukupno

Ima bolest srca 100 80 180
Nema bolest srca 200 620 820
Ukupno 300 700 1000

a) Prikazati pridruene vjerovatnoe koje sumiraju rezultate studije.

b) Kolika je vjerovatnoa da je ovjek iznad 50 godina pua i da ima bolest srca?

24
 Poglavlje 1

c) Izraunati i interpretirati marginalne vjerovatnoe?

d) Ako je ovjek stariji od 50 godina pua, kolika je vjerovatnoa da ima bolest srca?
e) Ako je ovjek stariji od 50 godina nepua, kolika je vjerovatnoa da ima bolest srca?
f) Da li je istraivanje pokazalo da su puenje i srane bolesti nezavisni dogaaji.
Koristiti vjerovatnoe za dokazivanje svog odgovora.
g) Kakav zakljuak se moe dati o vezi puenja i sranih bolesti?

15. Apriorne vjerovatnoe dogaaja A1, A2 i A3 su P(A1) = 0.20, P(A2) = 0.30 i P(A3) = 0.50.
Uslovne vjerovatnoe dogaaja B pod uslovom deavanja dogaaja A1, A2 i A3 su P(BA1) =
0.50, P(BA2) = 0.40 i P(BA3) = 0.30.
a) Izraunati P(B A1), P(B A2), P(B A3).
b) Primijeniti Bayas-ovu teoremu za izraunavanje posteriorne vjerovatnoe P(A2B).
c) Primijeniti tabelarni pristup za primjenu Bayas-ove teoreme na raunanje P(A1B),
P(A2B), P(A3B).

16. Naftna kompanija je zakupila zemljite na Aljasci. Preliminarna geoloka istraivanja su

pokazala slijedee apriorne vjerovatnoe

P(nafta visoke kvalitete) = 0.50,

P(nafta srednje kvalitete) = 0.20,
P(nema nafte) = 0.30.
a) Kolika je vjerovatnoa pronalaenja nafte?
b) Nakon 200 metara buenja na prvoj buotini, uzet je uzorak tla. Vjerovatnoe
pronalaenja tragova nafte su slijedei:
P(trag nafte nafta visoke kvalitete) = 0.20,
P(trag nafte nafta srednje kvalitete) = 0.80,
P(trag nafte nema nafte) = 0.20.
Kako kompanija treba interpretirati test? Kolike su revidirane vjerovatnoe, i kolika je
sad vjerovatnoa pronalaenja nafte?

17. Pri uspostavljanju proizvodng procesa, neka maina se moe podesiti ispravno ili
pogreno. Vjerovatnoa ispravnog podeavanja je 0.90. Kada je ispravno podeena, maina
radi sa 5% neispravnih proizvoda. U sluaju pogrenog podeavanja radi sa 75% neispravnih
proizvoda.
a. Nakon to je maina krenula sa radom, kolika je vjerovatnoa da je neispravan
proizvod registrovan nakon to je testiran jedan proizvod?
b. Pretpostaviti da je jedan komad testiran od strane kontrolora neispravan. Kolika je
vjerovatnoa da je maina pogreno podeena? Kakvu aktivnost ete predloiti?
c. Prije nego je postupljeno po vaoj preporuci iz take b., testiran je jo jedan dio i
pronaeno je da je ispravan. Koristei revidirane vjerovatnoe iz take b. kao apriorne
vjerovatnoe, izraunati revidiranu vjerovatnou da je maina pogreno podeena?
Koju bi aktivnost sada predloili?

18. Jedna proizvodna kompanija poruuje odreeni dio od tri kooperanta A, B i C. Kooperant
A isporuuje 60% dijelova, B 30% i C 10%. Kvalitet dijelova zavisi od kooperanata, koji
imaju 0.25%, 1% i 2% neispravnih dijelova respektivno. Isporueni dijelovi se koriste u
jednom od glavnih proizvoda kompanije.
a) Kolika je vjerovatnoa da je u glavni proizvod kompanije montiran neispravan dio?
b) Kad je pronaen neispravan dio, koji kooperant je njegov nejvjerovatniji isporuilac?

25
Kvantitativne metode u ininjerstvu i biznisu

19. Pozvati se na problem dva dobavljaa dat u sekciji 1.5. Pretpostaviti da je kontrolisani dio
u toku proizvodnog procesa bio dobar (G). Kolika je vjerovatnoa da je taj dio od dobavljaa
1 (A1)? Kolika je vjerovatnoa da je od 2 (A2)? Tj. izraunati P(A1G), P(A2G).

20. Referent nabavke je poslao dvije narudbe za odreenu sirovinu dvojici razliitih
dobavljaa, A i B. Ako nijedna narudba ne stigne u slijedee dvije sedmice, proizvodnja se
obustavlja dok bar jedna narudba ne stigne.Vjerovatnoa da dobavlja A dostavi sirovinu u
dvije sedmice je 0.40. Vjerovatnoa da dobavlja B dostavi sirovinu u istom roku je 0.50.
a) Kolika je vjerovatnoa da oba dobavljaa dostave sirovinu u roku od dvije sedmice?
Kako su ukljuena dva dobavljaa, pretpostaviemo da su oni nezavisni.
b) Kolika je vjerovatnoa da bar jedan dobavlja dostavi sirovinu u toku dvije sedmice?
c) Kolika je vjerovatnoa da se proizvodnja obustavi zbog nedostatka sirovine, tj. zbog
kanjenja oba dobavljaa?

26