Professional Documents
Culture Documents
1 Uvod U Vjerovatnocu PDF
1 Uvod U Vjerovatnocu PDF
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?
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:
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:
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.
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.
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)}.
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:
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:
2. Suma svih vjerovatnoa ishoda mora biti 1. Npr., ako prostor uzorka ima k uzoraka (ishoda
eksperimenta) moramo imati da je :
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.
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.
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.
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.
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
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:
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.
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)
8
Poglavlje 1
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)
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:
9
Kvantitativne metode u ininjerstvu i biznisu
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:
10
Poglavlje 1
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:
P (M F ) = P (M ) + P(F ) - P (M F ) .
Na osnovu poznavanja triju vjerovatnoa na desnoj strani gornje jednakosti, moemo pisati
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
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.
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).
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.
Dijelei vrijednosti podataka iz tabele 2.4 su ukupnim brojem oficira omoguava nam da
rezimiramo razpoloive informacije u slijedee vrjednosti vjerovatnoe:
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.
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
P(B|A) = P(B)
ili
P(A|B) = P(A).
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
Onda ce dogaaj koji nas interesuje biti AB. Poto nemamo nikakvih drugih informacija
razumno je predpostaviti da su A i B nezavisni dogaaji. Dakle
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.
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( 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
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).
18
Poglavlje 1
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 )
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.
22
Poglavlje 1
7. Jedna kompanija je dala ponudu za dva ugovora. Vlasnik firme je pretpostavio mogue
ishode i njihove vjerovatnoe kao to je prikazano u tabeli:
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.
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
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?
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 )?
14. Studija uticaja puenja na srane bolesti na uzorku od 1000 ljudi starijih od 50 godina dala
je slijedee podatke:
24
Poglavlje 1
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).
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