Professional Documents
Culture Documents
Vjerojatnost I Statistika
Vjerojatnost I Statistika
VELEUCILISTI
U VARAlOINt
IZDAVAC:
31 I<t.G'; Damira Kecek
Veleuciliste u Varazdinu, 1. Krizanica 33
AUTORI:
Damir Modrie
Damira Kecek, dipl. ing.
Marko Stojie
doc. dr. BC. Damir Modric
RECENZENTI:
LEKTOR:
Ljiljana Sarec, prof.
NAKLADA:
VJEROJATNOST I
, 200 primjeraka
TEHNICKI UREDNIK:
STATISTIKA
ISBN 978-953-7809-11-9
1. izdanje
Varazdin, 2012.
Predgovor
Antori
Sadrzaj
Predgovor
Uvod vii
1 Kombinatorika
1
1.1 Permutacije . . . . . . . . . . . . . . 5
,J"
1.1.1 Permutacije bez ponavljanja . 5
1.2 Varijacije . . . . . . . . . . . . . 7
1.3 Kombinacije............ 10
2 Vjerojatnost 16
ii iii
SADRZAJ SADRZAJ v
iv
20
i Centralni granicni teorem 77
a priori) . . . . . . . . . . . . . . . . . . . . . . 20
4 Deskriptivna statistika 85
a posteriori) . . . . . . . . . . . . . . 21
4.1 Osnovno 0 statistici. . . . . . . . . . 85
2.4 Zadaci za 35 r
'.~ 4.3.3 Medijan 98
varijable .. 46
108
•
6 Testiranje statistickih hipoteza 121
6.1 Testiranje hipoteze 0 parametru ocekivanja
normalne distribucije uz poznatu varijancu . . . . . . . . .
123
6.2 Testiranje hipoteze 0 parametruocekivanja
normalne distribucije uz nepoznatu varijancu . ~ .. . . 126
6.3 Testiranje hipoteze 0 parametru ocekivanja
131
Dvod
proizvoljne distribucije na osnovi velikog uzorka
6.4 X2 test . . . . . . 132
6.5 Zadaci za vjezbu 141
Postoje tri vrste laZi: laz, prokleta laz i statistika.
144 Disraeli 1
7 Korelacija i regresija
144 Statisticko razmisljanje ce jednoga dana biti potrebno za ucinkovito voaenje
7.1 Korelacijska analiza . . . . . . . . . . .
vii
viii UVOD UVOD ix
tanja 0 tome sto nam brojke govore, koji su trendovi, koja predviaanja Npr., politicki analitiear moze koristiti podatke iz dijela glasaekog
mozemo uciniti, koje zakljuCke mozemo izvuci. Da bi odgovorili na ova za predvidanje politicke preferencije cijelog glasaCkog tijela. IIi, gradsko
pitanja, statisticari su razvili niz analitickih alata koji pomazu da nademo vijece moze odlueiti gdje ce izgraditi novu pistu zracne luke na temelju
smisao u brdima podataka te da razumijemo brojeve koje smo generira izvjestaja 0 utjecaju gradnje na okoJis, te od demografskih izvjestaja
tijekom naSeg rada. BuduCi da su intenzivni izracuni cesto sastavni dio ukljucuju razne statistiCke podatke. Vjerojatnost i statistika prozimlju se
statistickog skupa alata, Ijudi su u zabludi kada misle da se statistika bavi naSim svakodnevnim zivotom. Odlikuju naSe kladenje na Ijude, zivotinje i
samo analizom brojeva. Analiza brojeva samo je jedan mali dio puta ka strojeve. Mozda rijee kladionica nije tako elegantna kao sto je donosenje
donosenju ispravne odluke. odiuka, ali Ijudi se klade na svoja ulaganja na usjeve i stoku iii se klade
Tcorija vjcrojatnosti je grana matematike koja se bavi dogadajima na svoje tvornice s obzirom na njihove strojeve i proizvodnju. Osiguranje
se ponavljaju, a Cije je pojavljivanje iIi nepojavljivanje predmet slucajnostl od rizika je nepredvidivo za pojedinacne slucajeve, ali je predvidljivo za
vjerojatnosti potela je u 17. stoljecu u Francuskoj kada su se dva grupe. Izrazi lito je naCin na koji se lopta odbija od podal! iIi kako se
velika francuska matematicara, Blaise Pascal i Pierre de Fermat, slozili oko "kolaeic 'l'aspadne kad ga zagrizemo" pokazuju prihvacanje nepredvidivosti
dva problema vezana uz igre na srecu. Problemi poput ovih koje su Pas dogadaja. Postizanje osnovnog razumijevanja 0 vjerojatnosti i statistici
cal i Fermat rijesili utjecali su na istrazivace kao sto Sll Huygens, Bernoulli moze biti dug put ka poboljsanju vlastite srece. Takoder se moze pokazati
i DeMoivre II uspostavljanju matematicke teorije vjerojatnosti. Danas je zaSto se i lose i dobre stvari dogadaju i losim i dobrim ljudima, zasto se
teorija vjerojatnosti afirmirana grana matematike koja nalazi primjenu u moze donijeti odlicna odluka i pritom patiti od nesretnog ishoda te zai5to
svim podrucjima znanstvene aktivnosti, od glazbe do fizike, te u svakod se moze donijeti losa odluka koja rezultira sretnim ishodom. VeCina Ijudi
nevnom iskustvu od prognoze vremena i predvidanja rizika novog medicin razumije uzasne posljedice iz straSnih odluka i izvrsne posljedice iz odIicnih
.J
skog tretmana. Teorija vjerojatnosti je slozena matematiCka teorija koja odlucivanja.
nadilazi domete i potrebe ovog udzbenika. U ovoj knjizi dane su osnovne
Citalac vjerojatno vec zna nesto 0 statistici. Ako Citate novine, pretrazu
ideje vjerojatnosti i osnovne tehnike potrebne za izgradnju nekih bazicnih
jete internet, gledate vijesti na televiziji iii pratite sport, cesto cete vidjet i
statistiCkih modela.
cuti rijec statistika. Uvest cemo dvije glavne vrste statistike: deskriptivnu
Na sto asocira rijec statistika? Za veCinu ljudi sugerira numericke ci i inferencijalnu statistiku. Takoder cemo uvesti terminologiju koja nam
njenice ili podatke kao sto su podaci 0 nezaposlenosti, cijeni prehrambenih pomaze razlikovati razlicite vrste statistickih istraZivdJlja. Deskriptivna se
proizvoda iii broju brakova i razvoda. Dvije su zajedniCke definicije rijeci statistika sastoji od metoda za organiziranje i sumiranje informacija. Ona
statistika: obuhvaca izgradnju grafikona i tablica i izracune razIieitih deskriptivnih
mjera kao sto su prosjeci mjere varijacije i s1. Inferencijalna statistika se
1. Cinjenice ili podaci, bilo numeriCki iii nenumericki, organizirani i sazeti sastoji od metoda za odredivanje i mjerenje pouzdanosti zakljucaka 0 po
kako bi se osigurale korisne i dostupne informacije 0 odredenoj terni na temelju informacija dobivenih iz uzorka populacije. Deskriptivna
2. znanost organiziranja i sumiranja numericke ili nenumeriCke informa i inferencijalna statistika medusobno su povezane. Gotovo uvijek moraju
cije se koristiti tehnike deskriptivne statistike da bi organizirali i saZeli infor
macije dobivene iz uzorka prije obavljanja deduktivne analize.
StatistiCari analiziraju podatke u svrhu donosenja odluka i generaliza- preliminarne deskriptivne analize uzorka cesto otkrivaju znacajke koje ce
ll{ UVOD UVOD
xi
vas dovesti do izbora (iIi preispitivanjc odgovarajuce deduktivne ako ne i nemoguce, precizno definirati. Nasumicnost je ncgativno svojstvo
metode. pokazuje nedostatak obrasca u pojavama i a priori promatranja)
Slueajni iii stohastieki proces je matematicki model za fenomen kOJl se fenomen.
u vremenu na nepredvidljiv [latin s gledista promatraea. Pojava
moze biti niz realnih mjerenja napona iIi temperature, binarnog toka po-
dataka s raeunala, modulirani binarni protok podataka od modema, niz
bacanja kovanica, dnevni prosjek Dow Jones indeksa itd. Ona moze biti
nepredvidijiva zbog uCinaka kao sto su smetnje iIi sum u komunikacijskim
vezama iii mediju za pohranu. Teorija slucajnih procesa kvantificira gornje
pojmove tako da se mogu kcinstruirati matematiCki modeli stvarnih feno
mena koji 8U jednostavni i smisleni te daju kOl'isna predvidanja buduceg
ponailanja. Jednostavnost je potl'ebna da bi inzenjer (iIi bilo tko drugi)
mogao izvoditi analize i sinteze slucajnih procesa. Smislenost je uvjet da
su modeli dobra aproksimacija stvarnog fenomena. Previse pojednostavlje
ni model moze dati rezultate i zakljuCke koji se ne mogu primijeniti na
pl'avi fenomen. Previse slozeni modelmoze ograniciti potencijal primjenc,
teorija postaje previse teska da bi bila kOl'isna te dovodi do opterecenja
raeunalnih resursa koje imamo na raspolaganju. Znacajka koja mozda naj
••J
vise pokazuje razliku izmedu prosjecnog i izvanrednog inzenjera je njegova
sposobnost da uCinkovito izvede model koji pruza dobru ravnotezu izmedu
slozenosti i tocnosti. Fenomeni vjerojatnosti sveprisutni su kod vremenske
prognoze, rekreativnog kladenja na lutriji i sportu, kod poslovnih spajanja,
trzista dionica, u industriji. GlavIlo pitanje je gdje lezi pojam vjerojatnosti:
u naSem sustavu vjerovanja iIi u samoj eksperimentalnoj pojavi.
U stanovitom smislu Ijudi se mogu sloziti u odredenim aspektima vjero
jatnosne pojave. Ako kovanicu bacamo 10 000 puta u Americi i takoder 10
000 puta. u Aziji, ocekujemo da ce novae pokazati sliene distribucije fI glave fl
i !!pisma". Slucajnost ishoda je funkcija kovaniee, a ne vjerovanja Ijudi. U
drugom smislu Ijudska vjerovanja se razlikuju sto svjedoCi razlika u
kod oklade. Pretpostavimo da ste se kladili da ce kovanica pasti na !!pismo fl
i da vam kazu, dok je kovanica u zraku, da ona ima dvije "glave ". Tada
vas sustav vjerovanja 1110ze prouzrociti promjenu predvidanja u
iako kovanica nije promijenjena. Cak i pojam nasumienosti je tesko,
Poglavlje 1
Kombinatorika
xii 1
2 Kombinatorika
3
svakodnevno upadamo pri promatranju pojava ako ih nastojimo upoznati i Rijec kombinatorika dolazi od latinske rijeci combinaTe = slagati. Kom
njima se koristiti. 1I binatorika je grana matematike koja proucava odredena svojstva konacnih
Pokusajmo odgovoriti na pitanje cimo se bavi znanost 0 kombinacijama skupova.
iii kombinatorika. Iz aritmetike znamo da je osnovna i prvobitna operacija
operacija brojenja. Bez poteskoce cemo izbrojiti predmete u nekom skupu: Tipicni kombinatorni problemi:
npr. ovee u stadu, jabuke u kosari, studente na ispitu itd. Treba samo
svakom objektu te grupe pridruziti po redu jedan broj iz skupa prirodnih 1. Koliko razliCitih telefonskih brojeva postoji kojima prva znamenka nije
brojeva: 1,2,3,4,5,6, ... Ovakvo brojenje nece ciniti teskoce ni onda kad jednaka nuli, a brojevi su sesteroznamenkasti?
imamo i puno objekata, trebat ce samo vise vremena. Medutim, postoje i
skupovi elemenata i ako su ti elementi rasporedeni u odredene grupe 2. Na koliko naCina moze cetvero Ijudi za okrugli stol?
na razliCite naCine, tu operacija brojenja nije tako jednostavna.
3. Na koliko nacina se moze izvuci 6 brojeva od 45 u igri LOTO?
Primjer za ovaj problem kao i njegovo rjesenje, samo u drugom ruhu, dali
su prije dvjestotinjak godina Leonhard Euler 1 i Nicolaus Bernoulli. 2 Radilo 4. Koliko ima sesteroznamenkastih brojeva koji su parni i kojima su sve
se 0 II zamijenjenim pismima ll • Netko pise n pisama i ima n omotnica s znamenke razliCite?
adresama. Na koliko naeina moze staviti pismo u pogreSnu omotnicu? Iz
ovoga primjera mozemo razabrati da brojenje nije bilo lako ako su elementi
bili rasporedeni uz postavljene uvjete. Pri tome je brojenje moglo postati Rjesavanje ovakvih problema temelji se na osnovnom principu prebro
..,.. dosta tesko, mnogo teze nego sto je npr. brojenje ovaca u stadu Hi knjiga u javanja koji glasi:
biblioteci. Izbrojiti deset knjiga na jednoj polici nije problem. Drukciji je
slucaj da je na polici deset knjiga, a mi zelimo doznati na koliko se razlicitih Ako biramo po jedan element iz svakog od m zadanih skupova A 1 , A2, Am "'j
naCina one mogu razmjestiti najprije bez ikakvog posebnog uvjeta, a zatim pri cemu sImp Al sadrZi nl elemenata, A2 sadrzi n2 elemenata, ... , a Am
po nekom odredenom redu (naslovu, imenu autora, abecednim redom itd.). sadrzi nm elemenata, tada razlicitih odabira ima n1 . n2 ..... 1tm.
Moze se postaviti pitanje 0 broju raz!icitih skupina Hi grupa koje se
Primjer 1.1. Iz Gakovca u Varazdin vode tri ceste, a iz Varaidina u Zagrab
mogu naciniti od danih predmeta uz odredene uvjete koji su razliCiti od
cetiri ceste. Na koliko se nacina tim cestama maze doti iz Gakovca preko
slucaja do slucaja. Npr., koliko jc nacina na koje mozemo podijeliti karte u Varaidina u Zagreb?
nekoj kartaskoj igri?
Rjesenje:
Zagreb a) Uredeni parovi elemcnata skupa A kod kojih se elemen-;i unutar para ne
Q
I
Varazdin bl ponavljaju su:
Cakovec
(1,2), (2,1), (1, 3), (3,1), (2,3), (3,2).
b1
Q2 h3 Prva komponenta uredenog para moze 'se odabrati na tri razliCita naeina.
Kako se elementi unutar para ne smiju ponavljati, nakon :zbora prve kom
Q3 b4
ponente za odabir druge komponetne preostaju dvije mogucnosti. Na
nacin se dobiva ukupno 3·2 = 6 uredenih parova iz skupa .4 bez ponavljanja.
Slika 1.1.
b) Kako se elementi skupa A unutar para smiju ponavljati, prva kompo
Cestu iz Cakovca u Varazdin mozemo odabrati na tri razlicita naCina, a menta para se moze izabrati na tri nacina kao i druga, pa je broj uredenih
cestu iz Varazdina u Zagreb na cetiri razlicita nacina. Svi naCini putovanja parova kod kojih se elementi skupa A mogu ponavljati 8 . 3 9. To su
iz Cakovca preko Varazdina u Zagreb su tada (slika sljedeci parovi:
albl alb2 alba Q'lb4
1),(1,2),(1,3),(2,1),(2,2),(2,3),(3,1),(3,2).(3,3).
a2bl a2b2 azba a2 b4
./
a3bl a3b2 a3b3 a3 b4
Prema osnovnom principu prebrojavanja ukupan traZeni broj naeina puto
~. vanja jednak je 3 . 4 = 12. ./ 1.1 Permutacije
Primjer 1.2. Koliko postoji razlicitih cetveroznamenkastih brajeva?
1.1.1 Permutacije bez ponavljanja
Rjesenje\;
1. naCin: Prvi cetveroznamenkasti broj je 1000, a posljednji 9999. Od 1000 Jedan od osnovnih pojmova kombinatorike je pojam permutacije. Pret
do 9999 ima 9999-1000+1=9000 brojeva. postavimo da imamo n razliCitih elemenata. Tih n elemena~a mozemo pore
dati u konacan niz na vise razliCitih naCina. Svaki takav niz zove se per
2. naCin: Prva znamenka se moze izabrati na 9, a ostale tri na 10 razliCitih mutacija, a dvije se permutacije razlikuju same po redoslijedu elemenata.
nacina. Ukupan broj razlicitih mogucnosti je 9 . 10 . 10 . 10= 9000. ./
Neka je S n-clani skup ciji su elementi medusobno razliCiti. Per
Primjer 1.3. Zadan je skup A {I, 2, 3}. mutacija bez ponavljanja n-clanog skupa je svaki niz od n medusobno
a) Koliki je braj uredenih para va elemenata skupa A kod kojih se elementi razliCitih elemenata skupa S.
unutar para ne ponavljaju?
b) Koliki je broj uredenih parova elemenata skupa A (bez ogranicenja, dakle Primjer 1.4. Na kaje sve razlicite nacine mogu Mario, Ana i Tea stati u
dementi se mogu i ponavljati)? red?
Rje8enje: Rjesenje:
6 Kombinatorika 1.2 Varijacije 7
Na prvo mjesto u redu moze stati bilo koja od tri osobe. Kada je prvo Cetiri slova koja su meausobno razliCita mozemo poredati u niz na 4! naCina.
mjesto popunjeno, drugo mjesto moze zauzeti jedna od preostale i:i.V''ije oso Kako su slova A meausobno jednaka, permutacijom slova A meausobno
be, a kada su prva dva mjesta zauzeta, posljednje, trece mjesto moze zauzeti unutar jednog niza dobijemo istu rijec. Dva slova A mozemo permutirati
sarno jedna, preostala osoba. Tako Mario, Ana i Tea mogu stati u red na na 2! nacina. 1sto razmisljanje vrijedi i za slova T. Tako sada umjesto 4!
sljedece nacine: (Mario, Ana, (Mario, Tea, Ana), (Ana, Mario, Tea), pernmtacija slijedi da je broj svih moguCih nizova od dva slova A i dva slova
(Ana, Mario), (Tea, Mario, Ana) i (Tea, Ana, Mario). ..( T jednak:
4!
Do broja razliCitih permutacija skupa od n elemenata dolazimo primjenom 2!.2! 6.
principa 0 uzastopnom prebrojavanju. Na prvo mjesto u nizu mozemo Ispisimo sada sve permutacije slova rijeci TATA:
staviti bilo koji od n elemenata, pa je prvo mjesto u nizu moguce popu AATT AT.AT ATTA T AAT TATA TTAA
niti na n razlicitih naCina. Kada popunimo prvo mjesto, ostaje nam n - 1
elemcnata, pa drugo mjesto mozemo popuniti na n - 1 naCina. Kada je ..(
n 1 mjesta popunjeno, posljednje n-to mjesto mozemo popuniti Broj svih permutacija od n elemenata meau kojima je n1 jednakih elemenata
sarno na jedan jedini naCin. Stoga je broj razliCitih permutacija skupa od n prve vrste, n2 jednakih elemenata druge vrste, ... , a nm elemenata m-te
elemenata vrste jednak je
P", n.(n 1)·(n 2) .. ·2·1=n!,
n!
nl!·n2!···nm !·
gdje se n! cita n faktorijela.
.,' Rjesenje:
n! = n . (n - I)!
Y'h 2
Tr azem permu taCIJa
"·
lma p 10,3,2,2,1 = 2! . 31 .1O!
2! . 2! . I! = 75600 . ..(
1.1.2 Permutacije s ponavljanjem
Neka je S skup koji se sastoji od n elemenata s time da je meau njima 1.2 Varijacije
n1 jednakih elemenata prve vrste, n2 jednakih elemenata druge vrste, ... , a
nm elemenata m-te vrste, Vidjeli smo da je kod permutacija u konacan niz rasporeaeno svih n
elemenata nekog skupa S. Kod vadjacija se od n elemenata uzima r..jih m.
n1+n2+···+nm n. Svaka ureaena m-torka elemenata zadanog skupa S predstavlja varijaciju.
Svaka ureaena n-torka elemenata skupa S naziva se permutacija s po·
navljanjem. 1.2.1 Varijacije bez ponavljanja
Primjer 1.5. Odredite broj perrmdacija koje se mogu dobiti od slova
Svaka ureaena m-torka meausobno razliCitih elemenata n-clanog
TATA.
A (m ::; n)naziva se varijacija bez ponavljanja rn-tog razreda u skupu
Rjesenje: A.
8 Kombinatorika 1.2 Varijacije 9
Odredimo broj varijacija bez Od ukupno n elemenata, prvu Uredene cetvorke s komponentama iz skupa {1, 2, ... , 7} u kojima se brojevi
kamponentu m-torke mozemo odabrati na n naCina. Kada je prva kompo ne ponavljaju predstavljaju razlicite rasporede zauzimanja racunala.
nenta odabrana, drugu mozemo odabrati na n - 1 naeina jer mora biti uredena cetvarka (1,2,4,7) oznacava da je prvi student zauzeo racunalo
razlicita od prve. Posljednju komponentu, u ovom slucaju m-tu, mozemo oznaceno brojem 1, drugi student je zauzeo racunalo oznaceno brojem 2,
odabrati na n - (m - 1) = n - m + 1 naCina. Tada prema principu 0 uza treCi student ce raditi na racunalu broj 4, a cetvrti na racunalu broj 7.
stopnom prebrojavanju slijedi da je ukupan broj varijacija bez pcinavljanja Uredenih cetvorki bez ponavljanja u skupu od 7 elemenata ima V74 7 . 6 .
m-tog razreda u n-clanom skupu jedllak 5·4 = 840. .,f
V~=n'(n-1)"'(n m+l),m:'S:n. Primjer 1.9. U nekoj tvomici se proizvodi oznacavaju s 3 slova. Koltko se
razlicitih oznaka moze formirati od 30 slova tako da u oznaci sva slova budu
U1JelJellJe ovog izraza s prethodnu formulu mozemo razlicita?
n! Rjesenje:
mputa.
Primjer 1.8. Na koliko razlicitih nacina mogu 4 studenta zauzeti 7 racunala
za rad u laboratoriju? Primjer 1.10. Koliko je raz[icitih ishoda bacanja novci6a 4
Rjesenje: Rjesenje:
Kombinatorika 1.3 Kombinacije 11
10
U ovom primjeru je skup A :=;; {P, G}. Svaku komponentu ureaene cetvorke 1.3.1 Kombinacije bez ponavljanja
mozemo popuniti na dva nacina: s P iIi s G. Stoga je ukupan broj razliCitih
ishoda bacanja novcica 4 puta uzastopno jednak Vz4 = 24 16. .; Svaki podskup od rn razlicitih elernenata n-clanog skupa S, m :s; n
zoverno kombinacija bez ponavljanja m-tog razreda od n elemenata
skupa S.
Broj razlicitih kombinacija bez ponavljanja razrcda od n elernenata
1.3 Kombinacije oznacavarno s K;::, a do njega dolazimo porno6u broja varijacija koje se
razlikuju sarno u poretku elemenata u skupu svih varijacija bez ponavljanja
Definicija 1.1. Ako su n, mEN U n ;:: m, tada se rn-tog razreda u n-clanorn skupu. S obzirorn na to da svaka skupina vari
jacija bez ponavljanja sadrzi m! elernenata koji se razlikuju po poretku
(mn) = mt·(nn! m)!
elemenata, vrijedi da je
Km
n
= n!
zove binomni koeficijent.
Svojstva binomnih koeficijenata: Primjer 1.11. Od elemenata skupa S = {I, 2, 3, 4} treba sastaviti. sve
dvoclane i troclane kombinacije bez ponavljanja.
a) (~) = 1 Rjesenje:
c) (:J + (~1)
{1,2}, 3}, {I, 4}, {2, {3,4},
(a+
to (:) (Ll)
Primjer 1.14. Broj kombinacija 5. razreda nekog broja elemenaia odnosi 6. Kaliko ima cetverOznamenkQ,stihbmj€va
se prema broju kombinacija 7. mzreda istih elemenata kao 7 : 5. Koliko a) kojirna jeprva znamenka p~anbroj?
..- ima tiJ~ elemenata ako su to kombinacije bez ponavljanja? b) kojima je prva znamenka neparan broj?
je broj kombinacija bez ponavljanja 5. razreda od n elemenata, a e) koji su djeljivi) 5 i sve znamenke su im razliCite?
---
14 Kombinatorika 1.4 Zadaci za vjezbu 15
ra A, B ili C. Na koliko se nacina moze rijffiiti ispit ako se odgovara d) svih 20 neispravnih?
na sva pitanja?
17. Koliko anagrama ima rijec MATEMATIKA?
11. a) Na koliko nacina se moze odabrati grupa od 5 oBoba iz grupe od 4
18. Knjiznica VELV-a sadrZi 11 knjiga iz matematike, 13 knjiga iz fizike,
profesora i 7 studenata?
12. U jednoj drzavi zeli se povecati broj moguCih registracijskih tablica ne koliko nacina to mozemo uciniti?
povecavajuCi broj zuakova na tablici. Umjesto sesteroznamenkastih 19. Odredite broj permutacija s ponavljanjem skupa A = {I, 1, 2, 2, 3}.
brojeva, na tablicama ce biti 3 slova i troznamenkasti broj. Koliko
ce biti vise tablica? Ni u jednom slucaju nije dopustena nula kao 20. Na koliko nacina se moze iz snopa od 52 karte izvuCi njih 13, ali tako
registarski broj. da medu njima budu 3 pika, 4 herca, 2 bundeve i 4 trefa?
primjeri slucajnih pokusa su: bacanje novciea, bacanje kocke, izvlaeenje b) 0 = {1,2,3,4,5,6},
karte iz snopa i s1. Dogadaj koji se u odredenim uvjetima moze, ali i ne c) 0 {G,PG,PPG,PPPG, ... },
mora dogoditi naziva se slucajan dogadaj.Slucajan dogadaj moze biti: d) 0 = {{a, b},{a, e}, {a, d}, {b, e}, {b, d}, {e, d}}. ./
16
18 Vjerojatnost 19
Zato sto unaprijed (a priori) znamo sadrZaj kutije, prema klasicno definic:ji
B={pao je neparan
40 2
Rjesenje: p 60 :3
Prostor elementarnih dogadaja je skup fl = {1, 2, 3, 4, 5,
VELEUCILlSTE
22 Vjerojatnost 2.2 Definicije vjerojatnosti
23
• vjerojatnost nemoguceg dogadaja jednaka je nuli, tj. • vjerojatnost peA) svakog dogadaja A zadovoljava nejednakost
dogadaja slijedi:
peA) :::; P(D) 1.
Slika 2.2.
c) da se ne pojavi broj 6?
proizvoda mozemo izabrani na 1!~!4! = 5 nacina. Dva ispravna
(D
proizvoda pridruzena jednom loscm ostvaruju dogadaj A, pa je trazena
Rjesenje: vjerojatnost
Prostor elementarnih dogaaaja jc skup n {I, 2, 3, 4,5, 6}, pa je broj svih peA) = ei) . m_78 5
mogucih elernentarnih dogadaja ken) 6. (~8) - 816 0.48.
a) Dogaaaj cija nas vjerojatnost zanima je dogadaj A {6}, k(A) = 1, pa ,f
je prema klasiCnoj definiciji vjerojatnosti
Primjer 2.6. Dva prijatelja, Mario i Goran bacaiu loptu u koso Kada
k(A) 1
Mario baca laptu, vjerojatnost da lopta ude u kos iznosi ~ a vjerojatnost
ken) 6:
b) Neka jc B {1,3,5} dogaaaj da se prilikom bacanja kockice pojavi
da Goran pogodi kot je ~. Vjerojatnost da obojica pogode ko! je ~ K olika
/ je vjerojatnost da ce bar jedan od njih pogoditi kos u jednom bacanju?
neparan broj, k(B) :=:3, pa je
RjeSenje:
k(B) 3 1
PCB) ken) = 6 = 2' Dogadaji
Cesto puta vjerojatnost nekog dogadaja ovisi 0 tome sto znamo 0 tijeku
je vjerojatnost da 6e medu njima biti:
pokusa koji se izvodi. Zamislimo neki pokus u kojem se realiziraju dogadaji
aJnajvise jedna zuta loptica?
A i B s vjerojatnostima peA) i PCB).
b) 2 zute ili 4- zute loptice?
Postavlja se pitanje kolika je vjerojatnost dogadaja A ako znamo da se
dogodio dogadaj B.
Rje!§enje:
Ovu vjerojatnost oznacavamo s P(AIB) i citamo P od A, ako je B, odnosno
a) Ako je dogadaj A {od 7 loptica izvadili smo jednu Hi nijednu zutu lopticu vjerojatnost dogadaja A, ako se dogodio dogadaj B. Preciznije, uvjetna
ondaje vjerojatnost dogadaja A, ako je poznato da se ostvario dogadaj B takav
= 0.15. da je PCB) > 0, je
peA)
7.
P(AIB) = peA n B) (2.8)
Neka je dogadaj B = {od 7 loptica izvadili smo 2 zute iIi 4 zute loptice}. PCB) .
Vjerojatnost dogadaja B je Uvjetna vjerojatnost dogaaaja B, ako je poznato da se realizirao dogadaj
A takav da je peA) > 0, je
PCB) ~.~)-~... {~);"l-
(1;)
(1) . @ 0 49
. .
P(BIA) = peA n B)
if peA) .
'"
Ako je n konaean skup i ako su svi elementarni dogadaji jednako vjerojatni,
Primjer 2.8. Iz tvornice je dosla posiljka od 300 proizvoda. Tvornica garan
tira da je u posiljci najvise 10% losih proizvoda. Slucajnim izborom kontrola tada zbog peA n B) k(~r~\B) i PCB) = ~~~~ iz (2.8) slijedi:
je uzela 4- proizvoda. Odredite vjerojatnost da se u izabranom uzorku nadu
k(An B)
3 losa proizvada.
P(AIB) = peA n B) ken) k(A n B)
Rjesenje: PCB) k(B) k(B)
Iz skupa od 300 proizvoda, 4 proizvoda moguce je uzeti na (3~O) nacina. ken)
Posto je 10% losih proizvoda, tada cemo od 300 proizvoda imati 30 losih Dakle, uvjetnu vjerojatnost dogadaja A uz uvjet da se dogodio dogadaj
i 270 dobrih. Uzorak od tri lolla i jedan dobar proizvod mozemo dobiti na B dobijemo dijeljenjem broja povoljnih elementarnih dogadaja za dogadaj
.
e~) (2iO) razliCitih naeina. Prema tome trazena vjerojatnost je: An B i broja povoljnih elementarnih dogadaja za dogadaj B.
30) (270) Primjer 2.9. Bacamo dvije kocke. Aka je umnozak brajeva koji su pali 6,
= (3 . 1 = 0 0033 kolika je vjerajatnost da je na jednoj kocki pao braj 2?
P (3~O) . . .
if Rjesenje:
Vjerojatnost 2.3 Uvjetna i potpuna vjerojatnost 31
30
n
Definirarno dogadaje:
Trazirno: p(AIB). Kako je B = {(I, 6), (6,1), (2,3), (3, 2)}, k(B) = 4, a
P(AIB) k(An B)
k(B)
~4 = 0.,
5
Slika 2.4.
.(
Prornotrimo jos jedan problem vezan uz uvjetnu vjerojatnost. Neka je n Kako je P(AkIB) = P(~(~ B), vjerojatnost hipoteze Ak ako se zna da se
prosto elernentarnih dogadaja, a Al, Az, ..., An njegov rastav na disjunktne dogadaj B dogodio moze se racunati kao:
r
skupove. Dogadaji AI, Az, ..., An nazivaju se hipotezarna i cine potpuni
sistem dogadaja ako vrijedi sljedece: P(AkI B ) = :(Ak)P(BIAk) .
AnAj=0 zai i j L P(Ai)P(BJAi )
i=l
Ui~lAi = n. Bayesova formula daje vjerojatnost pojedine hipoteze ako znarno da se neki
Neka je dogadaj B definiran na istom prostoru n (s1ika 2.4). Za svaki dogadaj vee dogodio.
k P(Ak)'
tvornice Tl i 70% artikala tvornice Tz.
Dogadaj B mozerno zapisati na sljedeCi nacin (slika 2.4): a) Kupi Ii kupac 100 artikata, koliko ce ih biti ispravnih?
B = B n n := B n (AI U Az U .. , U An) Tz ?
Nadaije, vjerojatnost odabiranja artikia tvornice Tl je peAl) = 0.6, a vjero Npr., bacarno dvije kocke i pitamo se kolika je vjerojatnost da (;e na obje
jatnost odabiranja artikia tvornice T2 je P(Az) = 0.4. Prema formuli (2.9) kocke pasti broj 5. Vjerojatnost da ce na jednoj kocki pasti 5 jednaka je
imamo:
PCB) = peAl) . p(BIAl) + P(Az) . p(BIAz) 0.6·0.9 + 0.4·0.7 = 0.82.
Pl = ~, vjerojatnost da (;e nll, drugoj kocki pasti broj 5 je takoaer jednaka
1 1 1
ispravan, jednaka je: P = Pl' P2 = 6 . -:=-.
6 36
P(Az)p(BIAz)
P(Az!B) = P(Al)' P(BIA1) + P(Az) . P(BjA2) Da je to ispravno Iako se mozemo uvjeriti i na sljedeCi naCin. Kako svaka
0.4·0.7 kocka ima 6 ploha, sve mogu(;nosti dobivarno tako da svakoj plohi prve
kocke pridruzimo po redu svih 6 ploha druge kocke. Prema tome, imamo
0.6.0.9 + 0.4·0.7
sve moguce slucajeve koji mogu nastupiti (n = 6· 6 36).Povoljni su
= 0.341.
medutim sarno oni slucajevi kada imarno na obje kocke broj 5, sto znaci da
Ovaj primjer primjene Bayesovog pravila pokazuje kako ne treba panicariti imamo sarno jedan povoljan ishod jer svaka kocka ima sarno jednu plohu s
da (;emo kupiti 1sti artikl iako tvornice proizvode toliko neispravnih artikala. brojem 5 (m = 1 ' 1 = 1), pa je prema tome vjerojatnost
,( m 1
P=r;:= 36'
KaZemo da su dogadaji A i B nezavisni ako vrijedi Pokazimo da ako su A i B nezavisni dogadaji da su tada nezavisni i dogadaji
peA n B) = P(A)P(B),
Ai BC.
= P(A)[l PCB)]
= P(A)P(BC). p P(A
C
). PCB) . PCC) = 0.95 . 0.98 . 0.99 = 0.92.
Primjer 2.11. U kutiji Kl se nalazi 10 mobitela od kojih su 4 neispravna,
,(
a u kutiji K2 se nalazi 6 mobitela od kojih su 2 neispravna. Slucajno je
6 3 4 2
peA) = - = - PCB) = - = -.
10 5' . 6 3 2. Bacamo dvije kocke. Biljezimo rezultat na svakoj od njih.
a) Odabir mobitela iz kutije Kl ne utjece na odabir mobitela iz kutije K2
pa je traZena vjerojatnost a) KoUko ima elementarnih dogadaja?
5. Bacamo novcie 4 puta. Kolika je vjerojatnost sljedeCih dogauaja: 13. Od 20 pitanja student je nauCio njih 15 i izasao je na ispit iz Statistike.
a) A={pojavilo se tocno jedno pismo}? Na iapitu izvlaci 4 pitanja. KoUka je vjerojatnost da student zna
b) B={ u drugom bacanju pojavilo se pismo}? odgovoriti na:
c) C={pojavilo se barem jedno pismo}? a) sva 4 pitanja?
d) D={pismo se pojavilo harem dva puta}? b) na barem jedno?
6. Od 100 rnohitela 5 ih je neispravno. Kolika je vjerojatnost da ce od 3 14. Na Veleucilistu u Varazdinu je 5% studenata i 2% studentica visih od
slucajno odabrana mobitela sva 3 biti ispravna? 2 metra, dok au 60% studenata muskarci. Ako je slucajno izabrana
jedna osoba i visa je od 2 metra, koUka je vjerojatnost da je zena'?
7. Plocice na kojirna su ispisana slova A, A, A, B, N, N slazemo jednu
do druge. Kolika je vjerojatnost da cemo dobiti rijec BANANA? 15. S parkiralista na kojern su bila 3 playa i 1 crni Audi, 3 playa i 5 crna
BMW-a i 2 playa i 1 crna Mazda ukraden je jedan automobil. Ako
8. Kutija ima 3 jednake pregrade. U prvoj pregradi se nalazi 5 plavih i
je ukradeni automobil playa boje, koUka je vjerojatnost da je to bila
4 bijele kuglice, u drugoj 3 bijele i 6 plavih, a u trecoj 5 crvenih i 8
Mazda?
plavih kuglica. Kolika je vjerojatnost da cerno vadeCi dvije kuglice iz
na sreeu odabrane pregrade izvuCi 2 plave kuglice?
9. Iz skupa {I, 2, 3,4,5,6,7,8, 9} biramo na sreeu dva broja. Kolika je
vjerojatnost da su:
a) oha parna?
/
hrojevi suprotne parnosti?
e) oha prosta?
10. Kolika je vjerojatnost da se u igri LOTO 6/45 u jednoj kombinaciji
postigne dohitak od 6 zgoditka, od 5 zgoditka, od 4 ili od 3 zgoditka?
11. Vjerojatnost da zrakoplov hude oboren prije nego stigne do cilja je
5%. Vjerojatnost da unisti eilj, ako do njega stigne, je 30%. Kolika je
vjerojatnost da zrakoplov dospije do eilja i unisti
12. Simetricna kockica se baea dva puta. Odredite vjerojatnost sljedeCih
dogadaja:
a) A={pali su jednaki brojevi},
b) B={surna brojeva koji su pali je 8},
c) C={produkt brojeva koji su pali je 8},
pali}.
39
Poglavlje 3 21
Naziv slucajna varijabla sugerira varijablu koja poprima vTlJednostl na
sumicno. Ovakav intuitivan nacin daje pravo turnacenje. Prornatrac koji
koliCinu auma na komunikacijskim vezama gleda na sum kao na slu
Slucajne varijable varijablu. U analiticlce svrhe trazimo precizniju matematicku defini
ciju. Slucajna varijabla X : n --+ lR je funkcija s prostora elementarnih
dogadaja u skup realnih brojeva. Slucajna varijabla svakom ishodu pokusa
pridruzuje neki realan
Statisticari i svi koji se bave vjerojatnoscu gledaju na proces kao sto je Vratirno se na bacanje ispravne kockice gdje postoji sest osnovnih rnogu
bacanje novCica Hi bacanje kockice kao eksperiment. Prolazenje kroz takav cih ishoda. Ako koristimo oznaku X da bi oznacili rezultat bacanja, tada
proces nazivamo pokusaj. To se mozda ne uklapa u vaSu osobnu definiciju X moze biti bilo koji cijeli broj od 1 do 6. BuduCi da X moze poprimi
eksperimenta (Hi pokusaja) , ali za statisticara je eksperiment bilo koji proces
lt ti skup vrijednosti, X je varijabla. Moguce vrijednosti od X odgovaraju
koji proizvodi jedno od najmanje dva razlicita rezultata (poput Itglave Hi osnovnim rezultatima eksperimenta, ato znaCi da se ne moze s apsolutnom
1!pisma" kod bacanja novcica). Drugi dio definicije eksperimenta je taj da sigurnoscu predvidjeti vrijednost. Zbog toga se X naziva slucajna varijabla.
se rezultat sa sigurnoscu ne moze predvidjeti. Svaki razliCit rezultat zove se Oznake koje se koriste za slucajne varijable su X, Y, Z, ... Slucajne
osnovni ishod. Stavimo Ii grupu osnovnih ishoda zajedno, imamo dogadaj. dolaze u dvije varijante. Jedna vrstaje diskretna slucajna varijabla (primjer
kod bacanja kockice osnovni ishod su brojevi 2, 4 i 6 i cine dogaaaj bacanja kockice). Diskretna slucajna varijabla moze poprimati, kako to
"pao je pami brojl!. Stavimo Ii sve mogu(;e osnovne ishode zajedno dobit . matematicari vole zvati, prebrojiv broj vrijednosti - kao ato su brojevi od 1
cemo prostor uzoraka. Brojevi 1, 2, 3, 4, 5 i 6 Cine prostor uzoraka za do 6. Nemoguce su vrijednosti izmeau cijelih brojeva 1 i 6 koji odgovaraju
kockicu, dok Itglava" i Itpismo lt Cine prostor uzoraka za kovanicu. Naravno, . rezultatima bacanja kockice(kao sto je 1,25 iIi 3,1416). Druga vrsta slucajne
postoji i treCi ishod kod bacanja kovanice. To bi bio ishod kad bi kovanica varijable je kontinuirana. Kontinuirana slucajna varijabla moze
ostala stajati vertikalno oslonjena na svoj obod. Medutim, taj ishod se beskonacno mnago vrijednosti. Uzmimo za primjer temperaturu. Ovisno a
pojavljuje toliko rijetko da se ignorira i smatra nemogu6im. Ako osnovni preciznosti termometra, moze se odrediti temperatura kao sto je npr. 34,516
ishodi nisu jednako vjerojatni, treba naei vjerojatnost dogadaja na drukciji stupnjeva.
nacin. Prvo moramo imati neki nacin dodjeljivanja vjerojatnosti svakom od
Pritom treba imati na umu da svaka vjerojatnost mora biti izmedu
nula i jedan. Sve vjerojatnosti osnovnih ishoda u prostoru uzorka moraju
zbrojene dati jedinicu. Kako dodijeliti te vjerojatnosti? Pretpostavimo da
38
40 Slucajne varijable '1 Diskretna na varijabla 41
X""(~ ~).
Diskretna slucajna varijabla je slucajna varijabla koja poprima vri
jednosti Xl, X2, ... s odredenim vjerojatnostima PI, P2, .... Diskretnu slucajnu
varijablu zadajemo tako da zadamo pripadni skup vrijednosti {Xl, X2, ••• } i
pridruzene vjerojatnosti Pi = P(X = xi), sto zapisujemo U obliku tablice ,f
Funkcija razdiobe (distribucije) diskretne slucajne varijable X je
X "" (Xl X2 ... Xn ...) funkcija definirana formulom
PI P2 ... Pn ...
koja predstavlja razdiobu iIi distribuciju slucajne varijable X. Brojevi F(x) P(X ::; x) L P(X = = LPi.
Pi su nenegativni i vrijedi x,:5x x,:5x
X",,(~ k)'
oJ
Primjer 3.2. Bacamo dvije kacke. Slucajna varijabla X poprima vrijednast F(x) = P(X ::; z) = 0,
1 ako su na kackama pali jednaki brojevi, a 2 aka su pali razliCiti brojevi.
Odredite razdiabu slucajne varijable X. slucajna varijabla X ne poprima vrijednost z koja je strogo manja od 1.
Nadalje, na intervalu [1,2}
Rjesenje:
1
Neka je dogaaaj A = {(i, i), 1 :::; i ::; 6}. Prema klasicnoj definiciji vjero F(z) = P(X ::; x) = P(X = 1) 6'
6
jatnosti je peA) = 36 =! Vjerojatnost da slucajna varijabla X poprimi
vrijednost 1 jednaka je vjerojatnosti dogadaja A, tj. P(X = 1) peA),
jer je 1 jedina vrijednost manja od X unutar intervala (-00,2) koju slucajna
varijabla X moze poprimiti. Konacno, na intervalu [2, +(0) je
dok je vjerojatnost da slucajna varijabla X poprimi vrijednost 2 jednaka
vjerojatnosti dogadaja AC, dakle P(X 2) = P(AC) ~~ ~. Stoga je F(z) = R(X ::; x) = P(X = 1) + P(X = 2)
1+6
6
5 = 1,
42 Slucajne varijable 1 Diskretna varijabla
43
1
0.4
6
0.3
1 2 x
0.2
Slika 3.1.
0.1
.(
Primjer 3.4. U kutiji se nalazi pet dobrih i sedam losih proizvoda. Slucajna
varijabla X predstavlja broj dobrih praizvoda u sluifajnom uzorku ad cetiri
o 2 3 4 j
proizvoda. Odredite razdiobu slucajp,e varijable X.
Slika 3.2.
Rjesenje:
3.5. Diskretna slucajna varijabla ima razdiobu
Vrijednosti koje slucajna varijabla X moze poprimiti su 0,1,2,3 i 4. Vjero
jatnost da se u slucajnom uzorku od cetiri proizvoda n~e j dobrih je (vidi
,
X
rv
(0 2 5 7 9)
0.3 0.2 0.05 0.25 p .
44 Slucajne varijable 3.1 Diskretna slucajna varijabla 45
Odredite:
c) P(X ~ 5).
E(aX + b) 2:)aX + b)P(X Xi)
i
Rjesenje: i
P(X > 9) 0,
a· E(X) + b.
Dakle,
c) Vjerojatnost da slucajna varijabla X poprimi vrijednost manju ilijednaku
od 5 je E(aX + b) = a· E(X) + b. (3.2)
Specijalno, za b = 0 imamo
P(X ~ 5) P(X = 0) + P(X = 2) + P(X = 5)
0.3 + 0.2 + 0.05 0.55. E(aX) = a· E(X). (3.3)
,( Moze se pokazati da vrijedi i
,J
Primjer 3.6. Pri bacanju kocke slucajna varijabla X maze poprimiti vri•
i
slucajne varijable X i varijable 2X + 2.
uz uvjet da red na desnoj strani konvergira apsolutno. Ako ovaj uvjet nije
zadovoljen, tada kazemo da varijabla X nema konaenog ocekivanja. lljesenje:
· Rjesenje:
1 1 1 1 1 1
E(2X + 2) 4· - + 6 . - + 8 . - + 10 . + 12 . + 14 . 9.
6 6 6 6 6 6
111111,
(5 6" 6" (5
varijable 666 6 6 66
.
" 2)Xi - E(X)f· Pi Var(2X + 2) = 22 . Var(X) 4·2.92 = 11.68 .
(3.4)
'L:XtPi - 2E(X) 'L:XiPi +E2(X) 'L:Pi ,(
i i
'--v--" '--v-'
=E(X) =1 Diskretne razdiobe
= 'L:xtPi - [E(X)]2.
i
Binomna razdioba
Varijanca mjeri rasipanje slucajne varijable X s obzirom na ocekivanu vri
Pretpostavirno da se neki slucajni pokus u idealno jednakim uvjetima
jednost E(X). Moze se pokazati da slucajnoj varijabli aX + b, a, b E lEt
. ponavlja nezavisno n puta i pretpo8tavimo da 8U u svakorn pojedinacnom
pripada varijanca
pokusu rnoguca sarno dva ishoda: dogadaj A se ostvario ili dogadaj A se
Var(aX + b) = . Var(X). (3.5)
nije ostvario. Neka se u pokusu dogadaj A realizira s konstantnorn vjero
Standardna devijacija iii srednje kvadratno odstupanje diskretne jatnoscu p. Vjerojatnost da se dogadaj A ne realizira je tada q 1 _ p.
slucajne varijable X je .Svaki dogadaj s opisanirn svojstvirna zove se Bernoullijev dogadaj. Broj
nastupanja dogadaja A u n pokusa je slucajna varijabla koja moze poprirn
(l(X) jVar(X). (3.6) iti vrijednosti 0,1,2, ... , n.
48 Slucajne varijable ··3.2 Diskretne razdiobe 49
Postavlja se pitanje kolika je vjerojatnost da se u n pokusa dogadaj A po a prema formuli (1.1) dalje imarno
javi tocno k puta.
Vjerojatnost da dogadaj A nastupi k puta u nizu od n slucajnih E(X) = np(p + q)n-l = np.
"'-v-"
jednaka je vjerojatnosti da se u tom nizu na k mjesta pojavi dogadaj A, a 1
na preostalih n - k mjesta dogadaj AC. Takvom nizu pripada vjerojatnost . Na sliean nacin moze se pokazati da je varijanca slucajne varijabie dis
pkqn-k. Nizova koji saddle k simbola A ima (~) jer se od ukupno n mjesta tribuirane po binomnoj razdiobi
k moze odabrati na G) nacina. Dakle, vjerojatnost da se u n pokusa
nip i oznacava se sa
b) Kolika je vjemjatnost da se barem 2 puta pojavilo
Xrv
Ocekivanje slucajne varijable s binomnom distribucijom jednako je
.:l1ucaJna varijabla X moze poprimiti vrijednosti:
E(X) np. (3.8) 0= pismo se nije pojavilo prilikom uzastopnog bacanja novcica,
1 = pismo se jednom pojavilo,
,J
Zaista, prema (3.1) i (3.7) imamo 2 = pismo se dva puta pojavilo i
3 = pismo se pojavilo u sva 3 bacanja novcica.
n I
k=O
Slucajna varijabla X ima binomnu razdiobu)
~ (n -1)1 k-l n-l-(k-l)
np ~ (k I)!, {n - 1 - (k I))! p q . X B(3,
rv
(nIl)
1)1
.
l-l)!
plqn-l-l
G) (~r (~r-2 + G) (~r
= 0.375 + 0,125
Gr- 3
I:
np n-l ( n ~ 1) plqn-l-l, =0.5.
1=0 ,(
50 Slucajne varijable 3.2 Diskretne razdiobe 51
Prelaskom na limes kada n tezi u beskonacnost dobivamo: Slucajna varijabla X poprima vrijednosti jednake broju oBoba alergicnih na
jagode u uzorku od 2000 osoba. X ima Poissonovu distribuciju s parametrom
limP(X
n.....oo
k)=A lim
k! n-+oo
k
'"---
(1-!:') ... (l_ -l).
-.~
n
lim
n-4oo
,
k
n
,
A 2000· 0.001 2, dakle
--v- v
=1 =1 X rv P(2),
. lim (1- ~)n lim 1 ". _1_
~n--+ool __ I_A
= Ak . e- A
kI
=e-), r;; n,
=1 2k
P(X k)= k!e-Z,k 0,1,2, ...
Poissonova razdioba opisuje vjerojatnost rijetkih dogadaja kao sto su au~
tomobilske nesrece, alergija na jagode, broj tiskarskih pogresaka na stranici
teksta itd. Ocekivanje i varijanca slucajne varijable X s Poissonovom dis~ a) Vjerojatnost da ce od 2000 osoba tocno tri biti alergicne na jagode jed
tribucijom jednake su parametru A, tj. nakaje:
E(X) = A,
23 z
P(X 3) = 3! e- = O.lS.
Var(X) = A.
~ z 2
= 1 - e:- ( 1 + 11
22)
+ 2!
e),
0.323.
Primjer 3.11. Vjerojatnost daje osaba alergicna najagadeje 0.001. Kolika
je vjerojatnast da ce od 2000 osoba
a) tacno tri osobe
b) vise od dvije osobe Na slici 3.3 prikazana je razdioba slucajne varijable koja predstavija broj
biti alergicne na jagode? osoba iz uzorka kojesu alergicne na jagode, Pi = P(X = i). Vrijednosti
vjerojatnosti su spojene da se naglasi tendencija ponasanja P(X = i) kada
Rjesenje: se i E N mijenja.
54
Slucajne varijable 3.3 Neprekidna slucajna varijabla 55
o 2 3 4 j
SHka 3.3. x
..(
F(x) = J
-00
Primjer 3.12. Na naplatnu postaju "NP" tijekom jednog sata stife u pros
£40 automobila. Odredite vjerojatnost da tijekom minute stignu
4 amcmobila.
Rjes?nje:
Funkcija gustoce vjerojatnosti neprekidne slucajne varijable X je funkcija
Defini::amo slucajnu varijablu X koja broji automobile koji produ kroz f : JR JR sa sljedeCim svojstvima:
naplatnu kuticu "Npl! u minuti. Kroz naplatnu kuticu "NP" u minuti
mozE proti 1 automobil, ali i njih 500. Kako je vjerojatnost prolaska 500 f(x) ::::: 0, za svaki x E JR,
autom::lbila kroz naplatnu kuCicu mala, za opis vjerojatnosti ovih rijetkih 00
y y
I(x)
x x
P0$X$~=P0<X$~=P0$X<~ P0<X<~
i racunaju se
I(x) Pea < X $ b) = P(X $ b) - P(X $ a)
- F(a).
x Vjerojatnost da slucajna varijabla X poprimi vrijednost vecu od x jednaka
je
Stika 3.5. P(X > x) = 1 - P(X $ x)
Primjer 3.13. Bacamo kuglice n Zonac na cijem je dnu oznacena povrsina F(x)
kao na sZjedecoj slid:
R x
Slika 3.8.
.f
povrsinama:
.J c) Izracnnajte: P(X $: 2), P(l $: X $: 2), P(X > 2) i P(O < X < 6) .
o, x <0, Rjesenje:
2
X 1J" x2
P(X$:x) = R2' O$:x$:R, a) Prema svojstvu (ii) funkcije gustoce vjerojatnosti, povrsina ispod krivulje
{
1, x> R. gustoce na intervalu [0,3J jednaka je 1 pa je
0, inace.
f(x) c) Imamo:
P(X :s; 2) = F(2) ~,
PC1 :s; X :s; 2) F(2) - F(l) = ~,
4 5
-2 -1 2 3 4 x o, x < 0,
x2
Slika 3.9. F(x) = 25' O:s; x :s; 5
{
1, x> 5.
b) Funkcija razdiobe je
a) Nacrtajte graf funkcije razdiobe.
o, x < 0, b) Odredite funkciju gustoce.
x 1 c) Odredite P(X = 1) i P(X >
F(x)= [~tdt=9x2, o:s; x:S; 3,
{ Rjesenje:
,.' 1, x> 3,
a) Na slici 3.11 prikazan je graf funkcije razdiobe F(x).
a njen graf prikazan je na slici 3.10.
F(r)
F(x)
-2 -I 234 x 2 3 4 5 6
-2 ·1 x
Rjesenje:
neprekidne slucajne varijable
Definicije ocekivanja, varijance i standardne devijacije neprekidnih slucaj Funkcija gustoce slucajne varijable X je
nih varijabli slicne su definicijama diskretnih varijabli, ali ipak malo kom
pliciranije. Neprekidna slucajna varijabla pojedinu svoju vrijednost prima f(x) {~x, ~:::;x~3,
s vjerojatno8Cu nula sto zahtijeva drukCiju metodu zadavanja vjerojatnosne 0, mace,
,J razdiobe nego u diskretnom slucaju. Neprekidnu slucajnu varijablu povezu
jemo s matematickim pravilom koje generira funkciju distribucije F(x) = Ocekivanje slucajne varijable X je prema (3.10) jednako
P(X :::; x) = p(w: X(w) E (-00, xJ) iz koje se deriviranjem dobije funkcija 3 3
gustoce vjerojatnosti, f(x) = FI(x). Ocekivanje i varijanca neprekidne
slucajne varijable raCuna se preko integrala.
E(X) = J x· ~Xdx = ~ J 2
x dx
o 0
Neka je X neprekidna slucajna varijabla s funkcijom gustoce f(x). Oceki 3
vanje neprekidne slucajne varijable X definira se kao = ~.
93
x \3 2
.
00
0
3
2X4\30 -
Var(X)
J
o
2 2
x • 9xdx - 22 = 94 4 1
b-a
9 8 1
2 - 2 = 2'
./
x
a b
SA Neprekidne razdiobe
Slika 3.12.
3.4.1 Uniformna razdioba
Funkcija distribucije slucajne varijable X "" U(a, b) je
Neka je X neprekidna slucajna varijabla koja poprima vrijednosti na
intervalu [a, b]. Kazemo da X s funkcijom gustoce O' x $ a,
~.
x-a
F(x) = b _ a' . a < x < b
{
O' x $ a, 1, x ~ b.
f(x)= b~a' a<x<b, Moze se pokazati da je ocekivanje uniformno distribuirane slucajne varijable
{
0, x~ b X
E(X) = a+b
ima uniformnu distribuciju s parametrima a i b.
a varijanca
Pisemo: Var(X) = (b a)2
12· .
X rv U(a,
Primjer 3.17. A utobus stize na stanicu svakih 10 minuta. Osoba dolazi
na stanicu u slucajno vrijeme. Kolika je vjerojatnost da se vrijeme cekanja
Graf funkcije gustoce uniformno distribuirane slucajne varijable prikazan je
nalazi u intervalu od 5 do 7 minuta ?
na slid 3.12.
Rjesenje:
66 8.4 Neprekidne razdiobe 67
Slucajna varijabla X predstavlja vrijeme cekanja dok ne sljcdeCi au Pokazimo da za gama rekurzivna
tobus. X je neprckidna, uniform no distribuirana varijabla koja
poprima vrijednosti izmedu 0 i 10 minuta. Trazena vjerojatnost jednaka je = a>1.
povrsini krivulje gustoce
Koristimo formulu parcijalne
1
izmedu 5 i 7 minuta
=1O,0<x<1O
J u(x)v'(x)dx u(x)· vex) - J v(x)· u'(x)dx.
Imamo:
f(x)
xC.-le-Xdx v'(x) = e- X J
(a - 1)xC.-2 v _e- x
0.1
-1) I
=0
o 5 10 x (0: 1) . rCa - 1)
:C:) J
00
=} 1= xc.-l e -/3{JJdx.
o
68 Slucajne varijable 3.4 Neprekidne razdiobe 69
x>O
rea) kazemo da ima normalnu iIi Gaussovu distribuciju s parametrima p,
(ocekivanje) i (varijanca).
Pisemo:
=1. X", N(p"
-00
Graffunkcije gusto6e zove se normalna iii Gaussova krivulja 3,14).
Zakljueujemo da je f(x) funkcija gustoce vjerojatnosti. Za slueajnu vari
" jablu koja ima tu funkciju gustoce vjerojatnosti kazemo da je distribuirana
p'o gama razdiobi. f(x)
Dakle, ako pretpostavimo da se mogu mjeriti osobine poput inteligencije F\mkcija razdiobe normalno distribuirane slucajne varijable je
i ako pretpostavimo da ova krivulja pokazuje kako se inteligencija distribuira x
u populaciji, mozemo reCi sljedece: zvonolika krivulja pokazuje da vecina F( x ) =P(X:::;x) 1 / e- (t-,,/ dt,
2(7
ljudi ima prosjecnu inteligenciju, vrlo malo ih ima nisku inteligenciju i vrlo
malo ljudi su geniji. Normalna raspodjela zapravo je familija raspodjela -00
ovisnih 0 dva parametra: Jk i (T2. Moze se pokazati da Jk predstavlja oceki a graf funkcije razdiobe prikazan je na slid 3.16.
vanje, a (T2 disperziju slucajne varijable distribuirane po normalnoj razdiobi:
F(x)
Jk = (J.,f2ir
1 /00 X • = E(X),
-00
......................................................................::.;:.:;;:.:;=
00
1
(J 2 = (J.,f2ir / 2 e- ~
x· 2" dx -,P = Var(X). 0.5
-00
U ocekivanju Jk funkcija gustoce ima svoj maksimum, a sto je disperzija (J2
(odnosno standardna devijacija (J) veca to je maksimalna vrijednost funkdje J1
1 x
gustoce, 1i'C' manja. Na slid 3.15 prikazane su Gaussove krivulie za istu
(Jv21f Slika 3.16.
r vrijednost I" 10 i razliCite vrijednosti (J «(T I, (J = 2).
Za racunanje vjerojatnosti da normalno distribuirana slucajna varijabla
I(x)
X", N(p" (J2) poprimi vrijednost manju iii jednaku od x koristimo standar
diziranu varijablu
Y=--.
x -p,
(T
1. .[iii Varijabla Y ima tzv. standardnu normalnu iIi jedinicnu normalnu
distribuciju s parametrima Jk = 0 i (J2 = 1, tj.
2 . ..[iii ........................ .....,...
Y", N(O,
Funkcija gustoce vjerojatnosti standardne normalne razdiobe je
1 .2
10 x tp(z) = .,f2ire- 2 .
qJ(Z)
qJ(Z)
1
..ffi
-z Z
-3 3 Z
SHka 3.19.
Slilm 3.17.
Vrijednosti standardne normalne razdiobe su tabelirane, a ocitamo ih iz
Funkcija distribudje standardne normalne razdiobe je tablica A i B u prilogu.
~(Z) =
J
z
1
<p(u)du =...;27r Jz
.,2
e-Tdu,
Pokazimo vaznu jednakost koja omogucuje da se pomocu tablica funkdje
distribucije standardne normalne razdiobe izraeunavaju vrijednosti funkcija
distribucije za sve normalne razdiobe, za bilo koji J), i 0". Za X N(J),,0"2) ("V
-00 -00
imamo
a grafiCki je prikazana na slid 3.18.
F(x)
'" f(t)dt JX 1 (t_,,)2
m=e-~ dt =
[ !::::.l!:. u]
<:D(z) J O"y21T
0'
dt O"du
-00 -00
r
=
= 1
0"...;27r J" e-"2 O"du =
-00
2
J
7
-00
<p(u)du = ~ (x: J),) .
0.5
Vjerojatnost da X padne unutar intervala (a, b), odnosno [a, bj, (a, bj, [a, b)
je
-3
Pea < X < b) = F(b) - F(a)
3 Z
Slilm 3.18.
=~C:tt)_~(a:J),).
Iz slike 3.19 vidimo da zbog parnosti vrijedi:
Posebno, za svaku slucajnu varijablu X ("V N(J)"0"2) vrijedi:
~(-z) 1 ~(z).
f(X)
l~ I ~"f"~1 ~ ...
,u-3tJ: i;.-2cr .u-q fl p+2Ir p+31r X
IHU
-2.42 o 3.5
c) pet < X < 2.02) = .p(2.02) - <p(t) 0.6824
=} .p(t) 0.2959 =} t = -0.54.
Primjer 3.18. Neka je X '" N(O, 1). Odredite:
if
a) P(X > 1.65),
Primjer 3.19. Visina covjeka je normalna slucajna varijabla s ocekivanjem
b) P(-2.42 < X < 3.3),
E(X) 174 ern i standardnom devijacijom 0" = 9 em.
e) t iakav da je pet < X < 2.02) 0.6824.
Koliki je posiotak ljudi visih od 2 m?
b) Ispod koje visine 5% ljudi?
Rjesenje:
e) Koliki je postotak ljudi visine 160-190 em?
Rjesenje:
a) P(X > =1 P(X:S; 1.65) 1 - <p(1.65) = 1 - 0.9505 = 0.0495,
X", N(174, 92 )
Slucajne varijable 3.5 Cebisevljeva nejednakost, Bernoullijev zakon velikih brojeva
76
i Centralni teorem
a) X"" N(25,36)
16 - 25)
P(X > 200) = 1 - P(X :::; = 1- F(200) = 1 <I> COO ~ 174) a) P(X < 16) = <I> ( - 6 - = 0.0668,
b)
3.5 Cebisevljeva nejednakost, Bernoullijev zakon
P(X < v) = 0.05 => <I> (v -9174 ) = 0.05
velikih brojeva i Centralni granicni teorem
v 174
- - = -1.645 => v = 159.2em Teorem 3.1. (Cebisevljeva3 nejednakost) Ako je X slucajna varijabla
s konacnim ocekivanjem E(X) /k i konacnom varijancom Var(X) = (72
=> 5% je nize od 159.2 em. onda za svaki c: > 0 vrijedi:
(}"2
e) P(IX - /kl ~ c:) :::;
'"' P(160 < X < 190) = F(190) - F(160)
C
== <I> gO
~ 174) _ <I> C60 ~ 174)
Dokaz. Dokaz provodimo za diskretnu slucajnu varijablu X koja
vrijednosti Xl, X2, ... , x n .
n
i=l
,(
=> 90.31% Ijudi je visine izmedu 160 i 190 em.
:E
(Xi - p,)2 • P(X Xi) + :E
(Xi /k)2 . P(X = Xi)
Primjer 3.20. Maksimalna dnevna temperatura zraka u mjesecu srpnju je
~~~ ~~Q.
= - /kl ~ c:).
b) vjerojatnost da maksimalna temperatura poraste iznad 33°G,
c) temperaturu u °G iznad koie maksimalna temperatura dospijeiJa s vjero 3PaInuti Lvovic Cebisev (1821. - 1894.), ruski matematicar poznat po zasnivanju
petrogradske matematicke skole sredinom 19. stoljeca. Cebisev se bavio teorijom brojeva.
jatnos6u 0.01.
N a sEcan nacm dokazuje se Cebisevljeva nejednakost za kontinuiranu Tada je X slucajna varijabla koja predstavlja relativnu frekvenciju dogadaja
o n
slucajnu varijablu.
A. Bernoullijev zakon velikih brojeva tvrdi da za proizvoljni E: > 0 vrijedi
0'2
lim P
n-+QO
(I X
n - pi 2:: 6) = 0,
- 111 < E:) 2:: 1 - tj. ako braj ponavljanja n pokusa tezi prema beskonacnosti, onda relativna
frekvencija dogadaja A tezi po vjerojatnosti prema stvarnoj vjerojatnosti p
Primjer 3.21. Stroj se sastoji od 3(J dijelova koji rade nezavisno jedan od
dogadaja A.
drugoga. Vjerojatnost kvara na svakom dijelu u vrijeme t je 15%. Pracije
se :pokvare i pripadnog ocekivanja za vrijeme t bude man-ia od 8. Dokaz. Za slucajnu varijablu X s binomnom distribucijom je E(X) = np,
a Var(X) = npq. Prema (3.3) i (3.5) je tada E (~ . X ) ~ . np = p, a
Rjesenje:
Neka slucajna varijabla X predstavlja broj dijelova koji se pokvare za vri Var (.!.n .X) ~
n
. npq pq. Nadalje, prema Cebisevljevoj nejednakosti
n
jeme t. vrijedi
X", B(30,
Var(X)
U nasem primjeru za E:
npq
8 sHjedi da je traZena vjerojatnost
P (I~ -p!2:: c) : ; :2'
P(IX - 4.51 < 8) 2:: 1 - 3.825 0.94. odnosno
,( p(l~ pl<c) 2::1-::2.
Teorem 3.2. (Bernoullijev zakon velikih brojeva) Neka slucajna va Primjer 3.22. U svakom od 6000 nezavisnih pokusa vjerojatnost ostvarenja
rijabla X broji nastupanje dogadaja A u n nezavisnih pokusa i neka je p dogadaja A iznosi 0.625. Odredite vjerojatnost da se relativna Jrekvencija
vjerojatnost nastupanja dogadaja A. dogadaja A ne razlikuje od 0.625 po apsolutnoj vrijednosti za vise od (J.0i.
Rjesenje:
X", B(n,p).
Slucajne varijable 3.6 Zadaci za vjezbu 81
80
"
p(1 pI < c:) ~
X _
n
1- ~
nc: 2
promatra u velikom mnostvu. Taj zakon ima svoju punu vaznost u prirod
nim pojavama i u dnevnom zivotu. Iskustvo je pokazalo da goclisnje u
velikim gradovima izvjestan broj ljudi strada u prometnim nesrecama. To
dobivamo je zakon veIikog grada. PromatrajuCi sa strane statistike vidjet eemo da
P (I X I )
6000 - 0.625 < 0.01
0.625 . 0.375
~ 1 - 6000.0.01 2 = 0.609.
se postotak tako unesrecenih ljudi iz godine u godinu vrlo malo mijenja,
osim ako se prometne prilike u gradu bitno ne promijene. lsto tako, lead
promatramo statistiku umiranja vidjet cemo da godisnje umire prc·sjecno
,f uvijek jednako mnogo Ijudi. Zakon velileih brojeva toliko je pouzdan da
pomocu njega mozemo praviti posve sigurne prognoze. U nasem ZiV01;U ima
'Teorem 3.3. (Centralni granicni teorem) Ako X B(n,p), onda za
°
f'J
dogadaja za koje ne mozemo unaprijed reCi kada ee se dogoditi i hoee Ii se
veliki n, < p < 1 i proizvoljne a, b E JR, a < b v1'ijedi uopee dogoditi. Svaki covjek mora umrijeti, ali mi ne mozemo unaprijed
P( a :5 X
b- np) (a - np).
:5 b) i">j <p ( yiriJi7l - <p yInPq
reCi kada ce to biti. Ako promatramo veliku grupu ljudi ne znamo kada ee
pojedinci iz te grupe umrijeti, ali znamo da ce godisnje iz te grupe umrijeti
odredeni broj Ijudi i u tom broju neeemo puno pogrijesiti. Nas dakle ne
Ova aproksimacija se upotrebljava kada je n ~ 30. zanima pojedinac vee veeina, kolektiv. Kalkulacije ne pravimo s obzirom
r'
na pojedinca vee S obzirom na Citavo mnostvo. EmancipirajuCi se na
Dokaz ove tvrdnje nesto je slozeniji i neeemo ga navoditi. naCin od pojedinca, dobivamo moguenost da postavimo zakone koji yrijede
Primjer 3.23. P1'ocijenite vjerajatnost da u 4000 bacanja novcica braj g1' za mnostvo.
bova (G) bude u gmnicama od 1968 do 2040.
Rjesenje: 3.6 Zadaci za vjezbu
1. Dva strijelca 8 1 i 82 gadaju jednom u istu metu. Vjerojatnost pogotka
X,,-, B(4000,0.5) za 8 1 iznosi 0.7, a za 820.6. Ako je X broj pogodaka u metu, nadite:
2040 - 2000) (1968 - 2000) a) razdiobu slucajne varijable X,
P(1968 < X < 2040) = <p ( v'IB05 - <p VlOOO b) P(X:5
=: <p(L26) -<p(-1.01) 2. Osiguravatelj pokusava procijeniti vjerojatnost nastanka stete u osigu
= 0.8962 - 0.1562 0.74. ranju imovine. Ako je na uzorku od 14 kuca osigurani slucaj nastupio
,f
na njih 20%, kolika je vjerojatnost da tri kuce imaju stetu?
Pokazali smo da je zakon velikih brojeva posljedica Cebisevljeve nejed 3. Vjerojatnost da stroj proizvede los proizvod jednaka je 0.2. Ako je
nakosti. Govori da relativna frekvencija uocenog ishoda postaje sve bliza ispitano 2000 proizvoda, procijenite vjerojatnost da apsolutna vrijed
82 Slucajne varijable 3.6 Zadaci za vjezbu 83
nost razlike relativne frekvencije broja ispravnih i njegove 11. Slucajna varijabla je zadana funkcijom razdiobe:
vjerojatnosti ne bude manja od 0.05.
O' x < 0,
4. Automatska telefonska centrala prima prosjecno 100 poziva na sat.
Nadite vjerojatnost da ce u minuti biti vise od 3 poziva. F(x) = 0:::; x:::; 2
{
5. Iz skupa od 12 proizvoda medu kojima su 3 neispravna bira se slucajni 1, x> 2.
uzorak od 3 proizvoda. Vrijednosti slucajne varijable X jednake su a) Nacrtajte funkcije razdiobe.
c) Odredite
Deskriptivna statistika
85
86 Deskriptivna statistika 4.2 Grupiranje i graficki prikaz podataka 87
'Distribucija frekvencija je skup svih parova (ai, Ii), i = 1,2, ... , k. Statisticko obiljezje X predstavlja broj dobiven bacanjem kocke. Moguce
Osim apsolutne frekvencije, u statistickoj obradi podataka koristi se i rela vrijednosti obiljezja X su I, 2, 3, 4, 5 i 6, Dakle, obiljezje X je diskretno.
tivna frekvencija fri neke vrijednosti ai statistickog obiljezja X koja je Prvi korak grupiranja podataka je ispis podataka u niz po veliCini. Na taj
definirana kao omjer apsolutne frekvencije te vrijednosti i ukupnog broja nacin dobivamo jedan numericki niz oblika
podataka n,
1 1 1 1 1 2 2 2 2 3 3 3 4 4 4 5 5 6 6 6.
f,,; = n
Distribucija frekvencija dana je sljedecom tablicom:
Vrijedi:
k
L 1. 2 56
i=l Ii 11151 4 3 3 2
ai
.
1 1
3\3\4 I
ai ii iT; k. r. f.
vi sine fi. Sirina pravokutnika je proizvoljna. Graficki prikaz podataka za
1 5 5/20 = 0.25 0.25
nas primjer dan je na sljedecoj slici.
2 4 4/2Q = 0.2 0.45
6 3 3/20 = 0.15 1
4
L: n= 20 1.00
3
histogramom. Ako na x osi oznaCimo vrijednosti ai, ana y osi frekvencije ii,
spajanjem tocaka (ai, Ii) dobivamo poligon frekvencija koji je prikazan
n:a slici 4.1.
a,
;; Slika 4.2.
2 3 4 5 6 ai
a,
Slika 4.1.
Slika 4.3.
Drugi naCin prikazivanja podataka je histogram. Za crtanje histograma
x
potrebno je na osi oznaciti vrijednosti obiljezja X i nacrtati pravokutnike if
92 Deskriptivna statistika 4.3 Srednje vrijednosti 93
!.
• Odredimo Xmin = 1.58 (najmanja vrijednost medu podacima) i Xmax =
1.91 (najveea vrijednost medu podacima) 10
tablici:
a,;f; 8-~/l
x=---"'=-=:---::::--=----::-"= n
(4.2)
razredi
22-24
::22: +(5~')l{6-D)
Primjer 4.5. Na prvom kolokviju iz kolegija Statistika studenti su postigli 25-27 4
sljedece bodove: 14, 15, 11, 9, 14, 11, 2, 5, 9, 8, 2, 11, 11, 2, 9, 13, 5,
7, 8, 11, 15, 16. Iiracunajte prasjecan braj bodova postignutih na prvom
kolokviju.
5n~
Rjdenje: Odredite prosjecno vrijeme izvodenja pokusa.
Poredamo Ii podatke po velicini od najmanjeg do najveceg, dobit cemo niz Rjesenje:
2,2,2,5,5,7,8;8,9,9,9,11, 11,11,11,13,14,14,15,15,16. Najprije cemo odrediti aritmeticke sredine sirine razreda i taj broj uzimamo
Distribuciju frekvencija mozemo prikazati sljedecom tablicom kao vrijednost kojoj pripada frekvencija tog razreda.
1. Numericki niz Xl> X2, •.. , .'l:n ima sarno jednu aritmetiCku sredinu.
Niz 1, 2, 3, 4, 8, 9, 10 nema mod. ./
n gdje je
2:)Xi -x) =0,
;=1 Lo - donja granica modalnog razreda (razreda s najvecom frekv!Oncijom),
odnosno k Dl - razlika. apsolutnHi frekvencija modalnog i razreda ispred modalnog
I:(a;- x)/i = O. razreda, .
i=1
4. Zbroj kvadrata odstupanja vrijednosti obiljezja X od aritmeticke sre D2 - razlika apsolutnih frekvencija modalnog i razreda iza modalnog razreda,
dine je minimalan, tj. manji je od zbroja kvadrata odstupanja svih
vrijednosti obiljezja X od bilo koje druge proizvoljno odabrane vri c - sirina razreda.
jednosti, n n Primjer 4.8. Za podatke iz primjera 4.6 odredite mod Mo.
I:(Xi x? <I:(x;-c)2,cf x , • Rjesenje:
;=1 ;=1
98 Deskriptivna statistika 4.3 Srednje vrijednosti 99
Prema formuli (4.3) imamo Primjer 4.10. Za podatke iz primjera 4.6 odredite medijan M.
5-4 Rjesenje:
Mo = 28 + (5 _ 4) + (5 _ 3) = 28.33 ~ 28
22-24 21 ____________!-,
.2?-3.L--±' 2
Kada su elementi skupa grupirani u razrede, medijan se racuna po formuli
08-30~. 11==)
M = LM + fk)
Ti -
( 2 fM . C, (4.4) ~!~~: ~------lJ
pri cemu je
Podatak koji se nalazi u sredini ovog skupa je !!. = 8. Kumulativnoj apso
2·
LM - donja granica medijalnog razreda, tj. razreda koji odgovara prvoj lutnoj frekvenciji "manje od" u nizu koja ukljucuje vrijedn9st 8 odgovara
kumulativnoj apsolutnoj frekvenciji "manje od" u nizu koja ukljucuje vri 3. razred kojemu je donja granica 28,,Pa je LM = 28.
~fi Prema (4.4) medijan je
. d n i
2.; 6)
Je nost "2 = -2-'
M = 28 +( 16
·2 = 28.8 ~ 29,
Mod-S6
? 4.4.1 Raspon varijacije
Medijan =85 '
Raspon varijacije Rx je najjednostavnija mjera rasprsenosti i predstavlja
razliku izmedu najvece i najmanje vrijednosti numeriCke varijable,
~ 91 1 "
,I Rx = Xmax - Xmin' (4.5)
" 9?O ~ 9 9) 9" 90 " "
Ako je = 0, disperzije nema jer su sve vrijednosti obiljezja jednake.
Prednost ove mjere rasprsenosti je njena jednostavnost u izracunu, a mana
je sto ovisi same 0 ekstremnim vrijednostima.
4.4.2 Varijanca
1 k
Varijanca je najvaznija mjera rasprsenosti vrijednosti numericke va n L- io,j2 - x 2
=-"'1
rijable. Do varijance dolazimo kvadriranjem pojedinacnih razlika vrijednosti i=1 .
obiljezja od aritmeticke sredine. Kvadriranje se provodi da bi se izbjegle
Matematicki, varijanca izrazava stupanj varijacije podataka od srednje vri
gativne vrijednosti. Prema tome, varijanca je aritmeticka sredina kvadrata jednosti. Velika varijacija znaci da pojedinacni podaci uzorka puno odstu
odstupanja iIi rasprsenosti vrijednosti numericke varijable X od njene arit
paju od srednje vrijednosti, dok mala varijacija pokazuje malo odstupanje
meticke sredine, tj.
podataka od srednje vrijednosti.
(J
2 ~
= 1 L)Xi-X
-)2
. (4.6)
n 1=1 4.4.3 Standardna devijacija
Varijanca distribucije frekvencija dana je izrazom
Standardna devijacija (J je pozitivni drugi korijen iz varijance,
~
1 k k
1 n
;;:L i=1
,n=L
i=l
(4.7) (J -
n
L(xi - x)2,
1=1
(4.8)
= 1 'L-lio,i
" 2
2x-2 + (J
Prosirimo danu tablicu stupcima s vrijednostima koje su nam potrebne za 2. Mjerena je visina (u centimetrima) 40 studenata. Odredite prosjecnu
izracun zadanih mjera. visinu studenta, mod i medijan prema podacima iz sljedece tablice.
106 Deskriptivna statistika 4.5 Zadaci za vjezbu 107
3. Dani su brojevi 5, 1, 5, 3, 2, 3, 6, 5, 6, 1, 2, 5, 1, 6, 3, 1, 3, 4, 1, 6.
Sastavite tablicu frekvencija, graficki prikazite podatke te pronaaite
mod(ove) i medijan.
2,0,1,3,2,2,1,6,4,5,
1,1,0,2,0,4,5,3,2,2,
6,3,1,0,1,2,2,3,5,2,
4,3,2,1,1,1,2,3,3,4.
a) Sastavite tablicu razdiobe f,..pl",pn(';
4,3,4,3,1,3,4,3,3,3,
5.1 Tockovna procjena 109
108
110 Procjena parametara 5.1 Tockovna procjella 111
Dakle, ako SU Xl, X 2 , ••. , Xn jednako distribuirane slucajne varijable S oceki Iz definicije varijance slijedi:
vanjem p" ondaje i ocekivanje njihove aritmeticke sredine takoder p,. Statis
tiku X nazivamo aritmeticka sredina uzorka ili uzoracka aritmeticka E(X2) = Var(X) + (E(X))2 Var(X) +
sredilla. Za konkretnu realizaciju uzorka
Kako su varijable Xl, X2, ... , Xn nezavisne i jednako distribuirane, imamo:
XI, X2, ... , X n ,
- 1
tj. za konkretne numericke podatke dobivene tijekom istrazivanja dobiva se Var(X) = zVar(X l + X2 + ... +XrJ
n
jedna realizacija 1
1 n = z(VarXl + VarX2 + ... + VarX n )
X LXi n
n i=l 1 2
-'(W
n2
.statistike 0'2
=
Slucajna varijabla n
=
1
--nCO' 2
+ p,2 ) - -- -
n (0'2 + p,2)
Ocito je n-l n-l n
= 0'2.
8 2 =_1_ ~(Xi X)2
n-lL..
i=l Za kOllkretnu realizaciju uzorka Xl, X2, ... ) Xn dobiva se
n~ 1 ( ~Xf -2X~Xi+X2~1
n n n )
n
1 (t xl -
;=1
2XnX + X2 n) Primjer 5.1. Mjerenjem neke duZine dobiveni su ovi podaei u em: 2.8,
2.7, 2.5, 2.5, 2.7, 2.6, 2.5, 2.6, 2.6, 2.6, 2.6, 2.5, 2.6, 2.8, 2.6, 2.7, 2.7.
Odredite tockovnu procjenu za ocekivanje i varijancu.
= n~ 1 (tXf .=1
nx2). Rjesenje:
x =- - -__---:-::::--_____
Nekaje Xl, X2, ...) Xn slucajni uzorak iz normalne razdiobe s parametrima
= 2.624.
p, i 0"2 i neka je parametar 0"2 poznat. Nadalje, neka je
a
if <.{l(Z~)=1-2
P (-X - 0"
. -fo < < -X + Z<>2" • -=
-1"-
I/.
0")
yn 1 - a.
peal ::; 0 ::; a2) ~ 1 - a, a E (0,1). Tako je (1 - a) . 100% pouzdani interval za parametar p,:
r
l39.7
3
1.96· 8 39.7 + 1.96· '3]
8 [38.97,40.44]. / t razdioba
.(
Moze se pokazati da slucajna varijabla T ima tzv. Studentovu1 iIi t p(-t1_%(n 1)-5X8fJ,Vri-5tl_%(n-l)) I-a{=}
distribuciju s (n 1) stupnjeva slobode (s. s.) s funkcijom gustoce
n+1 P (X
-
(n - 1) .
8-
-5 fJ, -5 X + tl-~ -1)· £) -.
fo -1
/(x) = . (1+-n)--2 a.
Primjer 5.3. Thristicka agencija zeli oeijeniti koliko u prosjeku turisti nastupanja dogadajaA u n pokusa. Slucajna varijabla X ima binomnu
potmse na nekom pOd'NLCjU. U tu svrhu uzet je uzorak od 29 turista i do distribuciju, tj.
biveni su sljedeci podaei: x 1504 kn, a s 312 kn. Odredite 90% pouzdani X", B(n,p).
interval za pmsjeeni potroseni novae na tom podrucju.
Ocekivanje slucajne varijable X jednako je E(X) np, a varijanca Var(X) =
Rjesenje: npq, pri cemu je q = 1 p. Za dovoljno veliki n razdioba slucajne varijable
X moze se aproksimirati normalnom razdiobom, tj.
BuduCi da je Xl, X 2 , ... , X29 rv N(J-l, 0'2), to je T = ; J-l v'29 rv t(28).
X rv N(nv,npq).
Iz tablice t-distribucije odredimo vrijednost
Relativna frekvencija dogadaja A u n pokusa je
(n 1) t 1 _lU.(28) to.95 (28) 1.7011
2
.( E(P) =E ( ~) ~E(X)
N apomena: Iako su intervalne procjene ocekivanja J-l konstruirane pod 1
pretpostavkom da podaci dolaze iz normalne razdiobe, one se mogu koristiti = ;np=p
u praksi i u onlm situacijama kada podaci dolaze iz neke druge distribucije.
Taka za velike uzorke (n > 30) za intervalnu procjenu ocekivanja J-l koristimo i varijancom
interval
0'
·-<JI.<X+z~·-
fo _f"'_
-
2
0'
fo' ~ =Var -;
Var(P) (X) n12 Var(X)
.
Standanli,oeijom ,~,ijabl, Pdobivamo novu _ijablu l' ~ ~ koja ima cemo odrediti procjenu
~ 997 .
P = 2000 = 0.4985.
= [0.469, 0.527].
P( - S z~) 1 a{:} ,f
(
P P~ - ~ :S p :S P~ + Z% . V.-;:
. V-;: ~) 1 - a. 5.3 Zadaci za vjezbu
Dakle, (1 a)· 100% pouzdani interval za vjerojatnost p dogadaja A je 1. Obavljeno je 32 mjerenja i dobiveni au sljedeci podaci u sekundama:
[~
pEP - z}: .
~ ~
V-;:' ~]
P + z~ . V-;: . 15,18,14,23,17,11,16,25,
10,15,17,16,11,13,15,16,
17,20,18, 16,19,19,18.
J
[ p~ _ . P(l- P) ,P+·
~
n
P(1- P)] J n
Procijenite x i 0' i liz pouzdanost 95% intervalno procijenite ocekivanje
121
6.1 Testiranje hipoteze 0 parametru ocekivanja
122 Testiranje statistickih hipoteza normalne distribucije uz poznatu varijancu 123
hipotezu Hi. Te dvije hipoteze mcausobno se iskljucujn. Testiranje se 6.1 Testiranje hipoteze 0 parametru ocekivanja
provodi tako da se na temelju realizacije Xl, X2, ... , Xn slucajnog uzorka normalne distribucije uz poznatu varijancu
Xl, ... ,Xn pronaae statistika testiranja hipoteza, tzv. test statistika,
koja je informativni sazetak podataka koji su najrelevantniji u razlikovanju Neka je X normalno distl'ibuirana slucajna varijabla s nepoznatim oceki
od Ho i da se oformi skup brojeva koji zovemo kriticno podrucje. vanjem p, i poznatom varijancom 0'2 i neka je X J , X 2 , ... , Xn slucajni uzorak
Rezultat testa moze biti prihvacanje iIi odbacivanje nul hipoteze, a odluka duljine n.
se donosi na sljedeCi nacin: ako ostvarenje test statistike pripada kriticnom
podrucju, Ho se odbacuje u korist Hi, u protivnom se Ho prihvaca. Prilikom Dvosmjerno testiranje
testiranja moze se pogrijesiti, tj. moze se donijeti kriva odluka. Postoje
vrste pogresaka. Vjerojatnost a da se odbaci hipoteza Ho ako je ona istinita Na terdelju slucajnog uzorka proizvoljne populacije zelimo testirati je Ii
l}aziva se nivo signifikantnosti iIi razina znacajnosti. To je pogreska ocekivinje 11 te populacije jednako unaprijed zadanoj numel~ftjeEl~i
prye vrste. Pogreska druge vrste je vjerojatnost prihvacanja hipoteze 110. ~Nul hipotezu i alternativnu hipotezu postavljam~sljedeCi
H~ ako je ona neistinita. Tu vjerojatnost oznacavamo sa (3. Vjerojatnost
1 - (3 odbacivanja nul hipoteze kada je ona neistinita zove se jakost testa. Ho : 11 = 110
U postupku testiranja a i (3 trebaju biti sto manji, 0: se najcesce zadaje
unaprijed i to s vrijednostima 0: = 0.01 iii 0: = 0.05 Hi a O.l. HI : 11 i=
Dahle, eilj statistickog testa nije eksplicitno utvrditi je li Ho istinita iii Test statistika koju koristimo je
nije, vee je Ii njena valjanost u skladu s rezultirajueim podaeima. Ovako
postavljeni eilj Cini razumnim da Ho treba odbaciti ako su rezultirajuCi po z =---'t"
daei vrlo malo vjerojatni kad je Ho istinita. Klasican naGin provoaenja ovog
postupka je odrediti vrijednost a, a zatim zahtijevati da test ima sljedece i zovemo je Z test.
svojstvo: kad god je Ho tocna, vjerojatnost da ee biti odbacena nikada nije
Uz uvjet daje hipoteza Ho istinita, aritm~iCka sredina X uzorka Xl, X2, ... ,
veea od a.
N(ji, (J'2)
-Za Z",
2
2 -Za ji
SUka 6.1.
Jednosmjerno testiranje Nairne, ako je Ho tocna, prava 'ednost E(X) = /1- veca je ili jednaka /-hO.
Tada u stvarnosti Z irna oeeki D iIi nesto vece od nule. Vjerojatnost
Ako zelirno testirati hipotezu da je ocekivanje populacije vece iIi jednako da Z bude manje od -Za: manje je najvise jednako a. Ako se to za neki
unaprijed zadanoj nurnerickoj vrijednosti /1-0, hipoteze zapisujemo kao: a ipak dogodi, srnatrarno da naSa nije tocna. Kod jednosrnjernog
na gornju granicu kriticno je interval (za, +oo).
Ho : p,?'.: /1-0
HI: p, < P,o·
N (f.J, (J'2 ) N (f./ll , (J'2 )
Ovaj test se naziva i jednosmjeran test na donju granicu.
6.2 Testiranje hipoteze 0 parametru ocekivanja vrijednosti (n -1), t 1 -1), ta(n-1), tl-a(n-l) odrede se iz tablice
normaIne distribucije uz nepoznatu varijancu D uz napomenu: t~ (n - 1) i to. (n 1) = 1)
Neka je Xl, X2, ... , Xn slucajni uzorak iz normalne distribucije s oceki Dvosmj testiranje
vanjem p i varijallcom (J2 te pretpostavimo da su oba parametra p, i (J2
llepoznata. Nepoznato ocekivanje procjelljujemo statistikom
n,
Za zadanu raz~nu znacajnosti 0: nul lllpu{,e~u
a. nepoznatu varijancu procijenjujemo statistikom nost test stati~tike t < (n 1) iii t >
2
slobode.
128
I
Testiranje statistickih hipoteza 6.2 Testiranje hipotezt 0 parametr ocekivanja
129
40tf21~
Ho : fl S {lo
Ho : fl = 100 (tvrdnja proizvodaca cokolada)
...
HI: {l > /1,0
HI : {l f:. 100
Za zadanu razinu znacajnosti a nul hipotezu Ho odbacujemo ako je vrijed
nost test statistike t > tl-a(n -1). Rijec je 0 dvosmjernom t testu. Da bismo izracunali njegovu vrijednost,
t1_,,(n-l)
t = 99·~.~6100 . vTi5 == -1.32.
Treba odrediti i kriticno podrucje
Slika 6.6.
K = <-00, -tl _!@!(9»)
2
U (t 1_ om (9), +001 =
2
6.3 Testiranje hipoteze 0 parametru ocekivanja
= (-00, -3.2498) U (3.2498, +(0). Kako se vrijednost z = 1.84 test statistike Z nalazi u kriticnom
na razini znacainosti od 5% odbacujemo
BuduCi da se vrijednost t testa t -1.32 ne naiazi u kriticnom
Ho se prihvaca.
dostave je vece od oglasenog vrernena. ,f
HI : Ji i: {ko,
Xrv
2.
Koristirno JCUIlOt)l;I test na hipoteze na Ho: {k ~ Jio
naGin:
HI: {k < /1·0,
: f1 60 iz oglasa) 3.
Hl : f1 > 60 Ho : Ji ::; JiO
HI: Ji > Jio·
Kad u test statistiku Z = X ~ {k°fo uvrstimo izracunate vrijednosti dobi
varno: koristimo t test kao test statistiku koja za dovoljno veliki
65 - 60 n ima iedinicnu normalnu razdiobu, tj.
z=~ . v'85 = 1.84.
U ovom poglavlju govorit cemo 0 jednom vaznom ncparametarskom - ako je za neki i ei < 5, spajamo susjedne razrede tako da frekvencije budu
testu koji se naziva x2 (hi-kvadrat) test ili Pearsonoyl test. Ovaj barem 5. Na taj naCin dobije se broj razreda za koji je frekvencija ba.rem
statisticki test koristimo kada testiramo hipotezu da obiljezje X nepoznate 5. Neka je taj broj k.
distribucije ima neki odredcni zakon distribticije (binomni, Poissonov, nor
malan, ... ), tj. testiramo: - izracunamo vrijednost test statistike
k
Ho : distribucija osnovnog skupa jednaka je zadanoj teorijskoj distribuciji 2
X L
i=1
ei
U tablici C su dani podaci do 30 stupnjcva slobode. Ako je broj stupnjeva Racunamo ocekivane frekvencije:
slobode veti od 30, primjenjuju se tablice povrsina ispod normalne krivulje,
tablice A i B. ei = n'P(X =
e-). XCi
Primjer 6.3. Tablicom je prikazan braj automobilskih nesreca ()~!Jezemn n'
ti.iekom 50 dana u jednom gradu u Hrvatskoj. Uz razinu znacajnosti a 1% e- O.9 0.9 Xi .
testirajte hipotezu ima Ii bra) nesreca X biljeienih u 50 dana Poissonov~t =50· z=0, ...,4.
distribuciju?
Dobivamo sljedecu tablicu:
braj nesreca Xi ~
o Xi Ii Ci
1 18 20.33
0 21
2 7 1 18 18.30
3 3 2 8 8.23
4 1 3 2 2.47
4 1 0.56
Rjesenje:
Kako je e3 < 5 i C4 < 5, spajamo posljednja tri razreda. Tako ukupno
Testiramo: imamo 3 razreda, ti. k = 3.
: X "-' P(A)
(fi - ei?
HI : X nema Poissonovu distribuciju Xi Ii C;
C'
0 21 20.33 0.02
Procijenimo nepoznati parametar A. Kako je kod Poissonove distribucije 1 18 18.30 0.0049
E(X) = A, to je 2 11 11.26 0.006
I: 50
A=X
fixi
Dahle, vrijednost test statistike X2 je
n
18 + 14+ 9 +4
50 2 (fi - Ci)2 = 0.031.
'X2= ei
= 0.9. ;=0
136 Testiranje statistickih hipoteza 6.4 test 137
149.5 - 154.5 3
152
+00).
154.5 - 159.5 7
157
174.5 - 179.5 3
177
visina Vi broj zaposlenica Ii x = 1 . 147 + 3 . 152 + 7 . 157 + 10· 162 + 11 . 167 + 8 . 172 + 3·1 '77 = 164.33
144.5 149.5 1
- 154.5 3
s2 = :2 [(147-164.33)2+3.(152-164.33)2+ ... +3.(177-164,33)2] = 52.8
154.5 - 159.5 7
159.5 - 164.5 10
=> X I'V N(164.33, 52.8)
164.5 - 169.5 11
174.5 179.5 3
ei n . P(Xi ::; X ::;
L 43
=n' ( X'+l
t 8 x) !l? (X'-t-8-- x) ], i 1, .. " 7,
Testirajte na razini znacajnosti od 5% pripada Ii spornenuta razdioba nor
rnalnoj distribuciji. Imamo:
Rjesenje:
= 43. [!l? (149 164.33) -!l? (145 164.33)]
Testiramo: el 7.27 7.27
43· [!l?( -2.11) - !l?( -2.66)] 43· (0.0174 - 0.0039) = 0.58
Ho : X '" N({t,
: X nema normalnu razdiobu
= 43. [!l? (154 164.33) -!l? (150 164.33)
Parametri normalne distribucije, {t i (J2 nisu poznati, pa ih moramo pro e2 7.27 7.27
cijeniti. Odavde odman slijedi da je r = 2. Znamo da {t procjenjujemo s = 43 . [!l?( -1.42) -!l?( -1.97)J 43· (0.0778 - 0.0244) 2.3
138 Testiranje statistickih hipoteza 6.4 X2 test 139
Kriticno podrucje je
43. [(]) (164 -164.33) (]) (160 -164.33)]
[x;(k - r - 1), +00) = [X5.o5(1), +00 >= [3.84, +00).
e4 7.27 7.27
43· [(])( -0.05) (])(-0.6)J = 43 . (0.4801 - 0.2743) = 8.85 Kako jc X2 < X6.05(1), zatdjucujemo da je razdioba zaposlenica VELV-a
distribuirana prema normalnoj distribuciji. ,(
Xi fi
43. (174 - 164.33) _ (]) (170 - 164.33) ]
i (]) o 5
e6 I 7.27 7.27 1 10
= 43 . [(]}(1.33) - (]}(0.78)] = 43· (0.9082 - 0.7823) = 5.41 2 16
3 13
4 4
= 43. [(]) (179 - 164.33) (]) (175 164.33)]
5 2
e7 7.27 7.27
= 43· [(]}(2.02) (]}(1.47)] = 43· (0.9783 - 0.9292) = 2.11 Pod pretpostavkom da automat uvijek daje isti postotak ispravnih proizvoda,
testirajte na razini znaiSajnosti od 10% hipotezu 0 binomnoj razdiobi po
BuduCi da je el < 5, e2 < 5 i e7 < 5, spajamo prva tri razreda i posljednja
dataka.
hl
dva razreda. Tako ukupno imamo 4 razrcda. Dakle, k = 4.
Rjesenje:
f; ei -~)' Kontrolor uzima uzorak od 5 proizvoda. Menu njima moze biti 0, .. " 5
un
2.14
P -5- 0.43. .f
10123456
el = 50· G)0,43 10.574 11.34, Uza= testirajte hipotezu da X dolazi iz Poissonove distribucije.
e2 50 . @0,43 2 0.573 2. Jedna pekara pece, izmedu ostalih, i kruh mase 800g. Zbog sumnje
da jc doslo do promjene mase slucajno se uzima 36 komada kruha
e3 = 50· (~)0.4330.572 = 12.92, te su dobiveni podaci: x = 790g, 8 = 50g. Moze Ii se s pragom
signifikantnosti od 1% smatrati da je doslo do promjene mase kruha?
e4 = 50 . (~)0.4340.571 = 4.87, 3. Mjerenjem tezine 20 cokolada deklarirane netto tezine 100g dobivena
je aritmeticka sredina x = 98g i uzoraCka varijanca 8 2 2.42. Mozemo
e5 50· (~)0.4350.57° 0.74. Ii na temelju izmjerenih podataka uz znacajnost a = 0.05 zakljuciti
peti. Na taj nacin dobivamo ukupno k. 4 razreda. 4. Proizvodnjom automobila bavi se 270 proizvodaca u regiji. Pret
postavlja se da oni prosjecno zaposljavaju po 6 radnika. U slw:ajnom
uzorku od 25 proizvodaca automobila prosjecan broj zaposlenika izno
Xi Ji ei '1 ei)2 sio je 4.9 sa standardnom devijacijom od 2 radnika. Testirajte s
1
15
14.35
2
16
17.12
rTI c·
3
0.07 ,~
signifikantnosti.
I
4
6
! 5.61
I: 50
i
I ..
.0.03
0.13
Pl'omjena je isplativa ako dobit poraste iznad trenutnih 80 kn pros-
po pl'oizvodu. U probnom procesu prodano je 164 pl'oizvoda s
prosjecnom cijenom prodaje ad 76 kn i standardnom devijacijom ad 21
kn. Uz 99% pouzdanosti, odnosno signifikantnosti od procijenite Testirajte na razini znacajnosti od pripada Ii spomenuta razdioba
isplativost promjene procesa prodaje. normalnoj distribuciji.
6. U jednoj telefonskoj centrali biljeze se pogresni spojevi ujednoj minuti. 9. U prometni evor dolaze voziia iz odredenog smjera. T'rodnevnim pro
BiIjezenjem takvih spojeva u 50 minuta dobivamo sljedece podatke: matranjem broja vozila po satu dobiveni su sIjedeCi podaci:
Xi Ii
1 15
o 9
1 31
2 12
2 22
3 9
3 9
4 4 4 1
5 2
6 1 Testirajte hipotezu 0 binomnoj razdiobi broja vozila uz pouzdanost
Ako pretpostavimo da je razdioba broja minuta u kojima je bilo od 95%.
0, 1,2, '" pogresnih spojeva Poissonova, testirajte hipotezu pomocu
2
X testa s pragom signifikantnosti od 5%.
985,985, 975,995.
Xi I Ii
0-0.3 6
0.4 - 0.7 15
0.8 - 1.1 29
1.2 1.5 9
1.6 - 1.9 3
2 - 2.3 2
7.1 Korelacijska analiza 145
kovarijanca uzorka,
7.1 Korelacijska analiza 1 n 1 n
S;=
n
_
1
2::: (Xi
;=1
x)2 n_1(2:::x;-n.x2)
i=1
(7.3)
Korelacija predstavlja suodnos ili uzajamnu povezanost razlicitih obilje
varijanca obiljezja X, a
zja u statistickom skupu. IstraZivanje povezanosti razlicitih obiljeZja svodi
se na uspostavljanje veza izmedu doticnih varijabli. Premda se moze is n n
traziti povezanost vise varijabli, zbog jednostavnosti postupka ograniCit SY2 =-1- 2:::(Yi 1}) 2 -1- (2::: Yi2 - n· 1}2) (7.4)
n-1 n-1
cemo se na bivarijantan slucaj (X, Y). i=1 i=1 .
varijanca obiljezja Y.
U kore1acijskoj analizi odreduje se jakost statistiCkih veza medu varijablama.
Najjednostavniji oblik ove analize dobiva se kada su varijable X i Y u li Vrijednost Pearsonovog koeficijenta r krece seu intervalu [-1, 1J i pokazuje
nearnom odnosu. Pretpostavimo da su mjerenjem u statistickom skupu smjer i jakost linearne statisticke veze izmedu dviju pojava. Predznak Pear- .
dobiveni sljedeci podaci:
sonovog koeficijenta pokazuje smjer korelacije. Pozitivne vrijednosti Pear
sonovog koeficijenta imamo onda kada rast vrijednosti jedne varijable prati
rast druge varijable. Tada govorimo 0 pozitivnoj povezanosti. Kada vri
Y1), (X2, Y2), ... , (xn, Yn). jednost jedne varijable raste, a druge varijable pada, Pearsonov koeficijent
ima negativne vrijednosti, odnosno imamo negativnu povezanost. Potpunu
Da bi se lakse uocila veza izmedu varijabli X i Y, treba dobivene podatke korelaciju imamo za vrijednosti Pearsonovog koeficijenta r - L odnosno
graficki analizirati. Unosenjem dobivenih rezultata u pravokutni koordi r = 1, dok za vrijednost r = 0 ne postoji linearna korelacija.
natni sustav dobivamo dijagrame rasipanja. Karakteristicni slucajevi rasipanja za razlicite vrijednosti koeficijenta ko
relacije r prikazani su na slid 7.1.
144
146
Korelacija i regresija 1.1 Korelacijska analiza 147
~
o Odsutnost korelacije
o 0.01-0.49 Sla,bakorelacija
6 0.50-0.79
::'-..,,--
Korelacija srednje jacine
0.80-0.99 Cvrsta korelacija
ObiljeZjeX 1 Potpuna korelacija
Obiljez.jeX
r = I r - J Kvadrat Pearsonovog koeficijenta korelacije r2 naziva se koefh;ijent
determinacije. Koeficijent determinacije pokazuje u kojem se postotku
kvadrati odstupanja mogu objasniti vezom izmedu varijabli. Kod slabih ko
;:... ;:... koeficijent determinacije je znatno manji nego korl cvrstih korelacija.
III
'-'
'N .~ Npr.:
....~
.0
'~
....:.:::;.
za r 0.4 :::} r2 . 100% =
o .0
o za r = 0.8 :::} r2 . 100% = 64%.
Ovdje je vrlo vazno napomenuti da iako koristimo rezultate jedne vari
ObiljeZjeX
ObiljeZjeX
jable da bi predvidjeli rezultate druge, rezultat jedne varijable ne uzrokuje
O-<r-<l
rezultat druge. "Odnos, veza" ne znaci nuzno i !1uzrocnost". To se donekle
l-<r-<O
vidi ako promatramo visine i telline unutar neke populacije. Iako bi na
pogled mogli reci da su visi ljudi i tezi, to ne mora biti istina u potpunosti
o • 0
je tezina nekog covjeka karakteristika koja nuzno ne ovisi samo 0 visini,
~ 0 0 0° :o~ °o::~oo vee i 0 prehrani, nasljednim faktorima, kolicini aktivnosti kojom se covjek
"Q) 0 0G~oo·o oo8o°e,:0
I)
bavi itd.
'W
IV 0; 00
0 0 00 O~O 000 0
°0YoClS () ... OOo
~ 0 o~:~~~%~::~
..Q 0 0 000° ,p 00830
00 0 Primjer 1.1. Pracenjem broja objavljenih reklama jednog proizvoda i nje
O 0 °0 09,.,5,) 0 0 0
o Y,OOgo "t> 000
0
0
0
gove prodaje dobiveni su sljedeci podaci:
o 0
(tooo
rP 0
J>
ft:
0 0
c
o ~ 0
Broj reklama 31~~
ObiljezjeX Broj prodanih proizvoda 20f25
r 0
Odredite koeficijent korelacije dobivenih podataka.
SHka 7.1.
Rjesenje:
148
Korelacija i regresija 7.2 Regresijska analiza 149
izracunajmo
L Yl
i=l
2
+ 63 + 28 2 + 71 2 + 85 2 + 98 2 +
+ 25 2 27972 7.2 Regresijska analiza
Dok se u korelacijskoj analizi odreduje jakost i smjer veze izmedu va
8 rijabli, u regresijskoj analizi se istrazuje priroda te veze, tj. odnos izmedu
LXiYi = 16.18+59.63+65.28+43.71+82.85+90.98+31.20+22.25 = 25838. zavisne i neza.visne varijable.
i=l
tehniCki i znanstveni problemi bave se odredivanjem odnosa izmeau
Kovarijanca uzorka je prema (7.2) jednaka skupa varijabli. Npr., u kemijskim procesima mozemo biti zainteresirani za
odnos izmedu izlaza tog procesa, temperature pri kojoj se dogada i kolicine
8
1 1 koristenih katalizatora. Poznavanje takvog odnosa omogu6uje nam
Sxy _1(L X iYi-8.X·Y) =7(25838-8.51. = 718.57, vidanje izlaza za razliCite vrijednosti temperature i koliCine katalizatora.
1=1
Ako svakoj promjeni jedne varijable odgovara priblizno jednaka linearna
varijanca obiljezja X, gdje X broj reklama, je prema (7.3) promjena druge varijable, govorimo 0 linearnoj regresiji. Matematicki
8
opis linearne regresije dan je jednadzbom pravca
S; = ~ 1 (LX; i=l
8· x2) ~(26080 8.51 2) 753.14, y=a+
a varijanca obiljezja Y, gdje je Y gdje je
prodanih proizvoda, je prema
8
S; = 1 (L 8· y2) ~(27972 - 8.51 2 ) = 1023.43.
• X nezavisna varijabla
i=l
• y zavisna varijabla
151
150 Korelacija i regresija 7.2 Regresijska analiza
broj tocaka i nije previse udaljen od tocaka kroz koje ne prolazi. Da bi a (7.6) u n n n
bio tlnajbolji tI, pravac mora zadovoljiti odredene standarde: ako iscrtamo (7.9)
udaljenosti izmedu tocaka i pravca u vertikalnom smjeru te ih kvadriramo i LYixi - a LXi - bLX; 0,
i=1 i=l i=1
zbrojimo, najbolje Be uklapa pravac za koji je zbroj tih kvadrata udaljenosti
najmanji. odnosno u n n n
(7.10)
Pravac linearne regresije dakle odredujemo metodom najmanjih kvadrata,
odnosno minimaliziranjem funkcije od dvije varijable. Kod izbora pravca
a I>i + bLX; = LXiYi'
;=1 i=1 i=1
varijable 8U koeficijenti a i b.
Uvrstavanjem izraza
n
Q(a, b) = L(Yi - a - bXi)2. n
LX; = (n - 1) S; +
i=l
i=l
Koeficijente a i b odredujemo rjesavanjem sustava jednadzbi koje 8U nuzan
uvjet za postojanje ek8trema funkcije od dvije varijable, Q(a, b): n
8Q LXiYi = (n -l)Sxy + nxy
-=0 i=1
8a
u jednadzbu (7.10) i kratkim sredivanjem imamo
8Q
8b =0. (n l)(bS; - Sxy) = nx(y - a- bx).
n
-2 :2)Yi - a - bXi) = 0, (7.5) y a+bx,
i=l
152
Korelacija i regresija 7.2 Regresijska analiza 153
1 n n n
00"
fO
Relativna mjera disperzije aka regresije izrazava se koeficijentam regresije
Iso
koji je jednak omjeru standardne devijacije regresije i aritmeticke sredine
zavisne varijable, .. : to
g
Vi; =
_ ·100%. 40
Y
30
Koeficijent varijacije regresije pokazuje stupanj disperzije ako regresije i ne
ovisi 0 mjernim jedinicama zavisne varijable.
Xi 8
Yi 6
2. Nakon pismenog ispita iz Statistike sestero studenata upitano je koUko Malo povijesti. ..
su se vremena pripremali za ispit. Dobiveni su sljedeci podaci 0 broju
bodova Y osvojenih na ispitu (od najvise 100) u ovisnosti 0 vremenu
X (u satima) utrosenom na pripremu ispita:
Sustavno prikupljanje podataka 0 stanovnistvu i gospodarstvu pocelo je
. -- I 33
u talijanskim gradovima Veneciji i Firenci tijekom renesanse. Pojam statis
, A I ,,~ I - - . 95 tike izveden je od engleske rijeci state=drzava, a koristen je za prikupljanje
cinjenica od interesa za drzavu. Ideja prikupljanja podataka prosirila se iz
a) Procijenite pravac regresije. Italije u os tale zemlje zapadne Europe. Doista, do prve polovice 16. stoljeca
b) Koliki je ocekivani broj postignutih bodova studenta koji se pripremao bilo je uobicajeno za europske vlade zahtijevati od zupa registraciju rodenja,
20 sati? zakljucenja brakova i smrtne slucajeve. Zbog slabih javnih zdravstvenih
c) Je Ii na temelju ovog pravca regresije opravdano procjenjivati broj uvjeta ova posljednja statistika je od posebnog interesa. Visoka stopa smrt
postignutih bodova studenta koji se pripremao 45 sati? Zasto? nosti u Europi prije 19. stoljeca bila je zbog epidemija bolesti, ratova i zbog
gladi. Meau epidemijama najgora je bila kuga. Godine 1562. kao naGin da
se kraljevskom dvoru ukaZe da razmatranje odlaska na selo gdje je opasnost
od epidemije bila manja, London je poceo objavljivati tjedne zapise 0 smrt
nosti. U pocetku ovi zapisi smrtnosti navode same mjesta smrtnosti i to je Ii
smrt nastupila kao posljedica kuge. Godine 1625. zapisi su prosireni na sve
uzroke smrti. Godine 1662. engleski trgovac John Graunt objavio je knji
gu pod naslovom IIPrirodna i politiCka promatranja 0 zapisima smrtnosti".
Graunt koristi zapise 0 smrtnosti u Londonu za procjenu broja gradskog
stanovnistva. Za procjenu populacije Londona u 1660. godini Graunt anke
tira domacinstva u pojedinim londonskim zupama (iIi cetvrtima) i otkriva
da su u prosjeku bila oko 3 smrtna slucaja na svakih 88 Ijudi. Dijeljenjem
155
156
Malo povijesti. .. 157
s 3 pokazuje da je u prosjeku bila otprilike jedna smrt na svaku osohe. ¥ i nema njene upotrebe u proucavanju statistiCkih rezultata. U to se doba
Buduci da zapisi navode za tu godinu 13 200 smrtnih sIucajeva u Londonu,
veCina drustvenih statisticara zadovoljila time da puste podatke da govore
Graunt procjenjuje londonsko stanovnistvo na otprilike 13200. 387200.
sami za sebe. Konkretno, statisticari u to vrijeme nisu hili zainteresirani za
koristi ovu procjenu za projekciju broja stanovnistva Engleske.
izvodenje zakljucaka 0 po jedincima, vee ih je zanimalo drustvo u cjelini. Oni
U svojoj knjizi napomenuo je da ce te brojke biti od interesa za vladara
se nisu bavili naeinom odredivanja uzoraka iz populacije, vee BU pokusava.li
zemlje kao pokazatelji broja ljudi koji hi mogli biti pozvani u vojsku iIi
dobiti cenzus cjelokupne populacije. Kao rezultat takvog pristupa u 19.
broja Ijudi koji bi mogli placati porez. Graunt zatim koristi te informacije
stoljecu, probabilisticki zakljucci izvcdeni iz uzorka neke populacije bili su
za izracun tablica daju dobnu zastupljenost stanovnistva koje umire.
nepoznati u socijalnoj statistici. Tek se kasnih 1800-tih statistika
Grauntove procjene dobnih skupina u kojima su ljudi umirali zanimljive su
poCinje baviti zakljuCivanjem iz numerickih podataka. To je zapoceo Francis
za one u poslu prodaje rente. Rente su suprotno od zivotnog osiguranja
jer se pritom uplacuju sredstva It pausalnom iznosu kao ulaganje, a zatim Galtona3 na analizi nasljedne genijalnosti pomoeu upotrebe onoga sto mi
se primaju redovite isplate taka dugo dok osaba zivi. Grauntov rad na danas nazivamo regresija i korelacijska analiza, a dobio je veti dio petie:::.ia
tabIicama smrtnosti inspirira Edmunda Halleya koji je otkrio komet koji radom Karla Pearsona4 .
nosi njegovo ime i covjeka koji je najvise odgovoran za poticaj i financijsku Pearson, koji je razvio X2 testove ocjene prilagodbe, bio je prvi rav
potporu prilikom objavljivanja poznate Newtonove 1 Philosophiae Naturalis natelj Laboratorija Galton koji je 1904. godine osnovao Francis Galton. Tu
Principia Mathematica. Halley je predlagao osiguravateljima tog vremena je nastao Pearsonov istrazivaeki program usmjeren na razvoj novih n:.eteda
da hi godisnja premija osiguranja zivota trebala ovisiti 0 starosti osobe kOja koristenja statistike u zakljuCivanju. Njegov laboratorij pozivao je Ha,un;'-'Lle
se osigurava. SljedeCi Graunta i Halleya, prikupljanje podataka se stalno
Ciji rad je osnova za razvoj matematicke astronomije i statistike. Sazeo je i proSi.rio
povecava u 17. i 18. stoljecu. U Parizu je prikupljanje zapisa 0 smrtnosti rad svojih prethodnika u svojoj knjizi Mecanique Celeste (Nebeska mehanika) (1799.
pocelo 1667. godine, a 1730. godine je zapisivanje uzrasta kod smrti postala - 1825.). OViID djelom je proucavanje klasicne mehanike pomocu geometrije za:nijE::lio
uobicajena praksa u citavoj Europi. Pojam statistike, koji je koristen sve prouCavanjem na osnovi kalkulusa. U statistici, tzv. Bayesovu interpretaciju vjerojatnosti
do 18. stoljeea kao kratica za deskriptivne znanosti 0 drzavi, u 19. stoljecu uglavnom je razvio Laplace. Laplace je formulirao tzv. Laplaceovu jednadzbu i ra2vio
Laplaceovu transformaciju koja se pojavljuje u mnogim granema matematiCke fizike.
se sve vise identificira s brojevima. Do 1830-ih taj pojam se gotovo uni Laplacian diferencijalni operator, koji se naSiroko koristi u matematici, takoder je dobio
verzalno koristi u Velikoj Britaniji i Francuskoj kao sinonim za "numericke ime po njemu. Prepravio je i razvio nebularnu hipotezu 0 nastanku Suncevog sustava
znanosti II drustva. i bio je jedan od prvih znanstvenika koji je postulirao postojanje crnih rupa i pojrna
gravitacijskog koiapsa.
Iako su teoriju vjerojatnosti vee razvili matematicari Jacob
3Francis Galton, clan Kraljevskog drustva (1822. 1911.), IOaak Charlesa Darwma.
Karl Friedrich Gauss i Pierre-Simon Laplace 2 , tijekom 19. stoljeca gotovo
Engleski viktorijanski znanstvenik cija je strucnost obuhvaeala znaeajan broj raziic:tih
podrucja, kao sto su antropoiogija i eugenika. Bio je tropski istraZivac, geograf, izumitelj,
- 1728.), engleski fizicar, matematicar i astronom. Jedan od naj meteorolog, proto-geneticar i statisticar. Takoder je stvorio statistiCki pojam korela,~ije
vecih prirodnih znanstvenika u povijesti. Godine 1687. Newton je napisao Philosophiae i regresije. Bio je prvi koji je primijenio statisticke metode za proucavanje Ijudskih
Naturalis Principia Mathematica (Matematicka naeela prirodne filozofijc). To je djelo razlika i nasljedivanje inteligencije, te je uveo koristenje ankete za prikupljanje podataka
izmijenilo pogJed na svijet. U njemu je Newton ujedinio istraZivanja Galilea Galileja i o ljudskim zajednicema koji 8U potrebni za geneaioske i biografske radove te za njeg:l\'e
Johannesa Keplera u jednu teoriju gravitacije te je uspostavio osnovu klasicne mehanike antropometrijske studije.
u kojoj je formulirao tri osnovna zakona gibanja. 4Karl Pearson, clan Kraljevskog drustva (1857. - 1936.), utjecajan engleski Iilll.tema
2Pierre-Simon, markiz de Laplace (1749. 1827,). francuski matematicar i astronom ticar. Zasluzan za uspostavu discipline matematicke statistike. Godine 1911. osnovao je
prvi svjetski sveucilisni Odje! za statistiku pri University College u Londonu.
158 Malo povijesti...
znanstvenika Ronald A. Fishera. Teorija zakljucivanja koju su razvili pi diobe, <l>(z) = P(Z :::; z), Z "-' N(O, 1)
: oniri dovoljno je opcenita da se bavi sirokim rasponom kvantitativnih i
Tablica B: Tablica vrijednosti funkcije distribuciJe jediniCne normalne raz
prakticnih problema. Kao rezultat, sredinom 20. stoljeca naglo raste broj
u znanosti, poslovanju i vlasti lwji je smatrati statistilm kao cliobe
alat kojim je moguce osigurati kvantitativna rjesenja znanstvenih i prak stu pnj eva
Tablica C: Kriticne 'ijednosti X2 razdiobe za odredeni
ticnih problema. Danas je ideja statistike posvuda. Deskriptivna statistika
pokazuje se kao osobito privlacna svakim novinama Hi casopisu. Statisticko slobode
zakljucivanje postalo je neophodno za javno zdravstvo i medicinska istraZi
Tablica D: Kriticne vrijednosti Studentove t razdiobe za odredeni broj
vanja, inzenjering i znanstvene studije, za marketing i kontrolu kvalitete, za
obrazovanje, racunovodstvo, ekonomiju, meteoroloske prognoze, glasovanje i stupnjeva slobode
ankete, sport, osiguranja, kockanje. Statistika je doista postala ukorijenjena
u intelektualnoi bastini.
"William Sealy Gosset (1876. - 1937.), poznat kao statisticar pod pseudonimom Stu
dent, te po svom radu na Studentovoj t raspodjeli.
I
159
160
PRILOZI PRILOZI 161
~.
\
Tablica B: Tablica vrijednosti funkcije distribucije jedinicne
normalne razdiobe
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
Tablica A: Tablica vrijednosti funkcije distribucije jedinicne 0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
normalne razdiobe, ip(z) = P(Z ::; z), Z ~ N(O, 1) 0.2
0.3
.5793
.6179
.5832
.6217
.5871
.6255
.5910 .5948
.6331
.5987 .60266 .6064 .6103 .6141
.6293 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
z .00 .01 .02 .03 .04 .05 0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.06 .0'7 .08 .09
-3.4 .0003 .0003 .0003 .0003 .0003 0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.0003 .0003 .0003 .0003 .0002
-3.3 .0005 .0005 .0005 .0004 .0004 0.'7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
.0004 .0004 .0004 .0004 .0003
-3.2 .0007 .0007 .0006 .0006 .0006 0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
.0006 .0006 .0005 .0005 .0005
-3.1 .0010 .0009 .0009 .0009 .0008 0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
.0008 .0008 .0008 .0007 .0007
-3.0 .0013 .0013 .0013 .0012 .0012 1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
.0011 .0011 .0011 .0010 .0010
.' -2.9 .0019 .0018 .0018 .0017 1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
.0016 .0016 .0015 .0015 .0014 .0014
-2.8 .0026 .0025 .0024 .0023 .0023 1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
.0022 .0021 .0021 .0020 .0019
-2.'7 .0035 .0034 .0033 .0032 .0031 1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
.0030 .0029 .0028 .0027 .0026
-2.6 .0047 .0045 .0044 .0043 .0041 1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
.0040 .0039 .0038 .0037 .0036
-2.5 .0062 .0060 .0059 .0057 .0055 1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
.0054 .0052 .0051 .0049 .0048
-2.4 .0082 .0080 .0078 .0075 .0073 1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
.0071 .0069 .0068 .0066 .0064
-2.3 .0107 .0104 .0102 .0099 .0096 1.'7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
.0094 .0091 .0089 .0087 .0084
-2.2 .0139 .0136 .0132 .0129 .0125 1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
.0122 .0119 .0116 .0113 .0110
-2.1 .0179 .0174 .0170 .0166 .0162 1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
.0158 .0154 .0150 .0146 .0143
-2.0 .0228 .0222 .0217 .0212 .0207 2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
.0202 .0197 .0192 .0188 .0183
-1.9 .0287 .0281 .0274 .0268 .0262 .0256 2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
.0250 .0244 .0239 .0233
-1.8 .0359 .0351 .0344 .0336 .0329 .0322 2.2 .9861 .9864 .9868 '.9871 .9875 .9878 .9881 .9884 .9887 .9890
.0314 .0307 .0301 .0294
-1.'7 .0446 .0436 .0427 .0418 .0409 2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
.0401 .0392 .0384 .0375 .0367
-1.6 .0548 .0537 .0526 .0516 .0505 2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
.0495 .0485 .0475 .0465 .0455
-1.5 .0668 .0655 .0643 .0630 .0618 2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
.0606. .0594 .0582 .0571 .0559
-1.4 .0808 .0793 .0778 .0764 .0749 2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
.0735 .0721 .0708 .0694 .0681
-1.3 .0968 .0951 .0934 .0918 .0901 2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
.0885 .0869 .0853 .0838 .0823
-1.2 .1151 .1131 .1112 .1093 .1075 2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
.1056 .1038 .1020 .1003 .0985
-1.1 .1357 .1335 .1314 .1292 .1271 2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
.1251 .1230 .1210 .1190 .1170
-1.0 .1587 .1562 .1539 .1515 .1492 3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
.1469 .1446 .1423 .1401 .1379
-0.9 .1841 .1814 .1788 .1762 .1736 3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
.1711 .1685 .1660 .1635 .1611
-0.8 .2119 .2090 .2061 .2033 .2005 3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
.1977 .1949 .1922 .1894 .1867
-0. '7 .2420 .2389 .2358 .2327 .2296 3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
.2266 .2236 .2206 .2177 .2148
-0.6 .2743 .2709
-0.5
.2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451 ~. .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
- ...
.3085 .3050
~
II-<~
Tablica C: Kriticne vrijednosti X2 razdiobe za odredeni broj Tablica D: Kriticne vrijednosti Studentove t razdiobe za
stupnjeva slobode odredeni broj stupnjeva slobode
s. s.
f---y-' ~~OO
ta.950 to.975 to.9S8 to.990 to.995
0.051 0.103 0.211 5.991 7.378 3.0777 6.3138 12.7062 25.4517 31.8205 63.6567
:I 0.072 10.597
0.Z16 0.352 0.584 7.815
<I 0.207 0.484 0.711 1.064
9.348 11.345 12.838 2 1.8856 2.9200 4.3027 6.2053 6.9646 9.9248
9.488 11.143 13.Z77 14.860
'5 0.412 0.831 1.145 1.610 11.070 12.833 15.086 16.750
:3 1.6377 2.3534 3.1824 4.1765 4.5407 5.8409
6 0.676 1.237 1.635 2.204 10.645 12.592 14.449 16.812 18.548 4 1.5332 2.1318 2.7764 3.4954 3.7469 4.6041
7 0.989 1.600 2.167 2.833 12.017 14.067 16.013
8 1.344 2.180 2.733 3.490 13.362 15.507
18.475 20.278 5 1.4759 2.0150 2.5706 3.1634 3.3649 4.0321
17.535 20.090 2l.955
9 1.735 2.700 3.325 4.168 14.684 16.919 19.023 21.666 23.589 6 1.4398 1.9432 2.4469 2.9687 3.1427 3.7074
10 2.156 3.247 3.940
11 2.603 3.816
4.865 15.987 18.307 20.483 23.209 25.188 7 1.4149 1.8946 2.3646 2.8412 2.9980 3.4995
>1,575 5.578 17.275 19.675 21.920 24,725
12 3.074 26.757 8 1.3968 1.8595 2.3060 2.7515 2.8965 3.3554
4.404 5.226 6.304 18.549 21.026 23.337
13 26.217 28.300
3.565 5.009 5.892 7.042 19.812 22.362 24.736 27.688 29.819 9 1.3830 1.8331 2.2622 2.6850 2.8214 3.2498
14 4.075 5.629 6.571 7.790 21.064 23.685
15 4.601 6.262
26.119 29.141 31.319 10 1.3722 1.8125 2.2281 2.6338 2.7638 3.1693
1.261 8.647 22.307 24.996 27.488 30.578 32.801
16 5.142 6.908 1.962 9.312 23.542 26.290 28.845 32.000
11 1.3634 1.7959 2.2010 2.5931 2.71808 3.1058
17 34.267
3.697 7.564 8.672 10.085 24.709 27.587 30.191 33.409 35.718 12 1.3562 1.7823 2.1788 2.5600 2.6810 3.0545
18 $,265 8.231 9.390 10.865 25.989
19 ~.844 8.907 10.117 11.651
28.869 31.526 34.805 37.156 IS 1.3502 1.7709 2.1604 2.5326 2.6503 3.0123
27.204 30.144 32.852 36.191 38.582
20 "'.434 9.591 10.851 12.443 28.412 31.410 34.170 37.566
14 1.3450 1.7613 2.1448 2.5096 2.6245 2.9768
21 8.034 10.283 11.591 13.240 29.615 32.671 15 1.3406 1.7531 2.1314 2.4899 2.6025 2.9467
35.479 38.932
22 a.643 10.982 12.338 14.041 30.813 33.924
23 9.260 11.689 13.091 14.848
36.781 40.289 42.796 16 1.3368 1.7459 2.1199 2.4729 2.5835 2.9208
32.007 35.172 38.076 41.638 44.181
24 9.886 12.401 13.848 15.659 33.196 36.415 39.354 42.980 45.559
17 1.3334 1.7396 2.1098 2.4581 2.5669 2.8982
25 10.520 13.120
26
14.611 16.473 34.382 37.652 40.646 44.314 46.928 18 1.3304 1.7341 2.1009 2.4450 2.5524 2.8784
11.160 13.844 15.379 17.292 35.563 38.885 41.923 45.642
27 11.808 14.573 16.151 18.114 36.741 40.113
48.290 19 1.3277 1.7291 2.0930 2.4334 2.5395 2.8609
43.195 46.963 49.645
28 12.461 15.308 18.928 18.939 37.916 41.337 44.461 48.278 50.993 20 1.3253 1.7247 2.0860 2.4231 2.5280 2.8453
29 :.3.121 16.047 17.708 19.768 21 1.3232. 1.7207 2.0796 2.4138
30 :3.787 16.791
39.067 42,551 45.722 49.588 52.336 2.5176 2.8314
18.493 20.599 40.256 43.773 46.979 50.892 53.672
<10 20.707 24.433 26.509 29.051 51.805 55.758 59.342
22 1.3212 1.7171 2.0739 2.4055 2.5083 2.8188
63.691 66.766
50 2'7.991 32.357 34.764 37.689 63.167 67.505 71.420 76.154 79.490 2S 1.3195 . 1.7139 2.0687 2.3979 2.4999 2.8073
60 35.534 40.482 43.188
70 ";'3.275
46.459 74.397 19.082 83.298 68.379 91.952 24 1.3178 1.7109 2.0639 2.3909 2.4922 2.7969
48.758 51.739 55.329 85.527 90.531 95.023 100.425 104.215
80 ei.172 57.153 60.g91 64.278 96.578 101.879 106.629
25 1.3163 1.7081 2.0595 2.3846 2.4851 2.7874
112.329 116.321
90 5P.196 65.647 69.126 73.291 107.565 113.145 118.136 124.116 128.299 26 1.3150 1.7056 2.0555 2.3788 2.4786 2.7787
100 . 6,.328 74.222 77929 82.358 118.498 124.342 129.561 135.807 140.169 27 1.3137 1.7033 2.0518 2.3734 2.4727 2.7707
28 1.3125 1.7011 2.0484 2.3685 2.4671 2.7633
29 1.3114 1.6991 2.0452 2.3638 2.4620 2.7564
SO 1.3104 1.6973 2.0423 2.3596 2.4573 2.7500
00
'--
1.2816
--
1.6449 1.9510 2.2414 2.3264 2.5758