Professional Documents
Culture Documents
Vjerojatnost I Statistika: Kratak Uvod
Vjerojatnost I Statistika: Kratak Uvod
kratak uvod
P UBLISHED BY P UBLISHER
1 Kombinatorika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.1 Permutacije 17
1.1.1 Grupa permutacija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2 Varijacije 22
1.3 Kombinacije 24
1.4 Binomni poučak 34
4 Raspodjele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
4.1 Raspodjele diskretnih nasumičnih varijabla 171
4.1.1 Jednolika raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
4.1.2 Geometrijska raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
4.1.3 Binomna raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
4.1.4 Negativna binomna raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
4.1.5 Polinomna raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
4.1.6 Poissonova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
4.1.7 Hipergeometrijska raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
4.1.8 Paretova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
4.1.9 Zipf - Mandelbrotova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
4.1.10 Benfordova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
4.1.11 Raspodjele statističke fizike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
4.2 Raspodjele kontinuiranih nasumičnih varijabla 227
4.2.1 Jednolika raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
4.2.2 Gaußova ili normalna raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
4.2.3 Logaritamsko - Gaußova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
4.2.4 Maxwell-Boltzmannova ili gama raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . 254
4.2.5 Beta raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
4.2.6 χ 2 raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
4.2.7 Bose-Einsteinova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
4.2.8 Fermi-Diracova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
4.2.9 t raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
4.2.10 Eksponencijalna raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
4.2.11 Cauchyjeva i Breit-Wignerova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
4.2.12 Fisherova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
4.2.13 Opća krivulja raspodjele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
11 Procjene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485
11.1 Nepristrane procjene 485
11.1.1 Najbolja nepristrana procjena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 486
11.1.2 Intervalne procjene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 489
11.1.3 Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 489
~
A vektorski potencijal
af anomalna dimenzija homogene funkcije f
a velika poluos elipse
ubrzanje, ~a = d~v dt
~a
~
B indukcija magnetskog polja
b mala poluos elipse
~b vektor koji spaja ishodište koordinatnog sustava sa središtem mase sustava čestica
D dimenzija prostora
D konstanta difuzije
E ukupna energija
Ek ukupna kinetička energija
Ek,t translacijska kinetička energija
Ek,vrt kinetička energija vrtnje
Ep potencijalna energija
~
E električno
√ polje
e = a 2 − b 2 /a, ekscentricitet elipse
~e j jedinični vektori u smjerovima glavnih osi krutog tijela
F ≡ U − T S, slobodna energija
F ≡ ln( Z ), bezdimenzijska negativna vrijednost slobodne energije
u Fx (k ) ≡ ln [ Zx (k)] = ln exk x , kumulantna funkcija
Rx
F(x) = −∞ ρ(η ) dη, kumulativna funkcija raspodjele vjerojatnosti
~
F sila
12
H Hamiltonova funkcija
H jakost magnetskog polja
h Planckova konstanta, 6.626 . . . · 10−34 Js
h̄ Planckova konstanta podijeljena s 2 π: h̄ = h/(2 π )
J0 konstanta vezanja
L Lagrangeova funkcija, L = Ek − E p
l duljina dužine
~
M moment sile, M ~ =~r × F~
M magnetizacija (cijelog sustava)
m magnetizacija po čestici
m masa tijela ili čestice
P = d0 W dt , snaga
P tlak
Pdsp disipacijska funkcija
Pa paskal, jedinica za mjerenje tlaka
~p količina gibanja, ~p = m~v
q električni naboj
q ekstenzivna varijabla, konjugirana varijabli Q
qi poopćena koordinata
Q električni naboj
Q intenzivna varijabla, konjugirana varijabli q
d0Q mali iznos topline
T temperatura (Kelvin)
T period, f (t) ≡ f (t + T ), periodičnost funkcije u vremenu
t temperatura (Celzij)
t vrijeme
W rad, W = F ~ · d~r
R
W vat, mjerna jedinica za snagu
W derivacija vjerojatnosti po vremenu
d 0W mali iznos rada
Z particijska funkcija
Z funkcija izvodnica
Z
e karakteristična funkcija
Γ Christoffelovi simboli
Γ Gama funkcija
γ koeficijent prigušenja kod harmonijskog titranja
λ Lagrangeov množitelj
linijska masena gustoća, λm = dm dl
λm
linijska gustoća električnog naboja, λq = dq dl
λq
µ reducirana masa, 1/µ = 1/m1 + 1/m2 + · · ·
ν frekvencija, inverzna vrijednost perioda ν = 1/T
ξ korelacijska dužina
ξ (t) nasumična sila
Ω broj konfiguracija
∆ A = Akon − A poč .
dV
~ (q) = V ~ ( q ).
~ (q + d q) − V
Postoje NEMOGU ĆI dogad̄aji. To su svi dogad̄aji čije je ostvarenje nezamislivo: tije-
kom vremena, ljudi postaju stariji, a ne mlad̄i; zagrijavanjem vode, ne može se dobiti
led i slično.
I konačno, SLU ČAJNI dogad̄aji su svi oni dogad̄aji koji nisu ni nužni, ali ni nemo-
gući: izvlačenjem karte iz špila, zna se da će se izvući jedna (a ne nijedna) od karata, ali
se ne zna koja će to karta biti.
U tom smislu, sučajan dogad̄aj negira i nužan, ali i nemoguć dogad̄aj.
... dovršiti ...
1. Kombinatorika
T EORIJA VJEROJATNOSTI često i obilno koristi pojmove i rezultate jednog dijela ma-
tematike koji se zove kombinatorika. Stoga ćemo se upoznati s kombinatorikom u
onoj mjeri i na onaj način koji će biti potreban za praćenje daljeg izlaganja. Izložit će
se pojmovi permutacije, varijacije i kombinacije, sve s ponavljanjem i bez ponavljanja
elemenata (slika 1.1)
bez ponavljanja
PERMUTACIJE
poredak
je važan
s ponavljanjem
bez ponavljanja
VARIJACIJE poredak
je važan
s ponavljanjem
bez ponavljanja
KOMBINACIJE poredak
nije važan
s ponavljanjem
1.1 Permutacije
Jedan od osnovnih kombinatoričkih pojmova jeste pojam permutacije.
P ERMUTIRATI SKUP OD N RAZLI ČITIH ELEMENATA ZNA ČI NAPRAVITI
N ZADANIH ELEMENATA .
SVE MOGU ĆE RAZLI ČITE KONFIGURACIJE SVIH
(♦, ∆, ⊕, †), četiri slova (s, i, a, y) ili naprosto četiri broja (12 + 0.3ı, 8.03, 3/2, 8π ). Od
elemenata tih skupova je moguće napraviti 4 ! = 1 · 2 · 3 · 4 = 24 različitih konfiguracija
kao što je to pokazano u tablici 1.1. Gornji je poredak dobiven tako što smo uzeli da
Tablica 1.1: Dva primjera permutacija četiri simbola (♦, ∆, ⊕, †) i četiri broja (1, 2, 3, 4).
1. ♦ ∆ ⊕ † 1 2 3 4
2. ♦ ∆ † ⊕ 1 2 4 3
3. ♦ ⊕ ∆ † 1 3 2 4
4. ♦ ⊕ † ∆ 1 3 4 2
5. ♦ † ∆ ⊕ 1 4 2 3
6. ♦ † ⊕ ∆ 1 4 3 2
7. ∆ ♦ ⊕ † 2 1 3 4
8. ∆ ♦ † ⊕ 2 1 4 3
9. ∆ ⊕ ♦ † 2 3 1 4
10. ∆ ⊕ † ♦ 2 3 4 1
11. ∆ † ♦ ⊕ 2 4 1 3
12. ∆ † ⊕ ♦ 2 4 3 1
13. ⊕ ♦ ∆ † 3 1 2 4
14. ⊕ ♦ † ∆ 3 1 4 2
15. ⊕ ∆ ♦ † 3 2 1 4
16. ⊕ ∆ † ♦ 3 2 4 1
17. ⊕ † ♦ ∆ 3 4 1 2
18. ⊕ † ∆ ♦ 3 4 2 1
19. † ♦ ∆ ⊕ 4 1 2 3
20. † ♦ ⊕ ∆ 4 1 3 2
21. † ∆ ♦ ⊕ 4 2 1 3
22. † ∆ ⊕ ♦ 4 2 3 1
23. † ⊕ ♦ ∆ 4 3 1 2
24. † ⊕ ∆ ♦ 4 3 2 1
početni poredak definira redoslijed; zatim smo uvijek mijenjali po DVA člana, idući
od početka prema kraju. Time smo, ujedno, na ovom primjeru i pokazali da se svaka
proizvoljna permutacija može napisati kao kombinacija samo parnih permutacija (onih
u kojima samo jedan par elemenata zamjeni mjesta).
Pokažimo da skup od N različitih elemenata ima
PN = N ! = 1 · 2 · . . . · ( N − 1) · N (1.1)
PN = 1 = 1 = 1 !. (1.2)
Broj permutacija skupa od dva elementa, { A, B}, ćemo dobiti tako što ćemo ovaj drugi
element, označen s B, kombinirati na sve moguće načine s permutacijama jednog
1.1 Permutacije 19
elementa: u ovom jednostavnom slučaju to znači da B može doći samo ispred i iza A, tj.
postoje samo dvije mogućnosti
A , A −→ A B, B A,
pa je zato
PN = 2 = PN = 1 · 2 = 1 · 2 = 2 !.
AB ⇒ AB , A B, AB −→ A B C, A C B, CAB
BA ⇒ BA ,B A, BA −→ B A C, B C A, C B A.
PN = 3 = PN = 2 · 3 = 1 · 2 · 3 = 3 ! = 6.
aN + 1 −→ a1 a2 a3 · · · aN .
PN + 1 = PN · ( N + 1).
PN + 1 = PN · ( N + 1) = PN - 1 N ( N + 1) = PN - 2 ( N − 1) N ( N + 1) = · · · = ( N + 1) !,
{ A, A, B, C }, N = 4, M = 2.
Primjetimo da zamjena ISTIH elemenata ne daje novu permutaciju. Dva su elementa ista,
pa permutacija tih istih elemenat ima 2 ! = 2, ove permutacije ne daju novu permutaciju
cijelog skupa.
A A B C, B A A C, C A A B,
A A C B, B A C A, C A B A,
A B A C, B C A A, C B A A
A B C A,
A C A B,
A C B A,
B C A A ⇒ B C A A 0, B C A0 A
· · · A · · · A0 · · · A00 · · · ,
N!
PNM = .
M!
Može se dogoditi da unutar N elemenata postoje dvije ili više skupina istih elemenata,
npr.
{ A, A, A, A, B, B, C D · · · }.
N!
PNM1 ,M2 ,··· = . (1.3)
M1 ! · M2 ! · . . .
n o
G = gj , · ,
1.1 Permutacije 21
gi · g j = g k
gi · I = I · gi = gi .
Ako je binarna operacija množenje, neutralni element se zove jedinica, a ako je binarna
operacija zbrajanje, neutralni element se zove nula.
(3) Za svaki element grupe gi , postoji inverzni element g j = gi−1 , takod̄er element grupe,
sa svojstvom
gi · gi−1 = gi−1 · gi = I.
(4) Asocijativnost
gi · ( g j · g k ) = ( gi · g j ) · g k .
gi · g j = g j · gi ,
1 2 3 1 2 3 1 2 3
g1 = ≡ I, g2 = , g3 = ,
1 2 3 1 3 2 2 1 3
1 2 3 1 2 3 1 2 3
g4 = , g5 = , g6 = .
2 3 1 3 1 2 3 2 1
1 2 3 1 2 3 1 2 3
g2 · g4 = · = = g3 .
1 3 2 2 3 1 2 1 3
1 2 3 1 2 3 1 2 3
g5 · I = · = = g5
3 1 2 1 2 3 3 1 2
1 2 3 1 2 3 1 2 3
I · g5 = · = = g5
1 2 3 3 1 2 3 1 2
22 Poglavlje 1. Kombinatorika
1 2 3 1 2 3 1 2 3
g5 · g4 = · = = I,
3 1 2 2 3 1 1 2 3
1 2 3 1 2 3 1 2 3
g4 · g5 = · = = I.
2 3 1 3 1 2 1 2 3
1 2 3 1 2 3 1 2 3
g4 · ( g5 · g6 ) = ·
2 3 1 3 1 2 3 2 1
1 2 3 1 2 3 1 2 3
= · = = g6 .
2 3 1 1 3 2 3 2 1
1 2 3 1 2 3 1 2 3
( g4 · g5 ) · g6 = ·
2 3 1 3 1 2 3 2 1
1 2 3 1 2 3 1 2 3
= · = = g6 .
1 2 3 3 2 1 3 2 1
1 2 3 1 2 3 1 2 3
g3 · g4 = · = = g6 ,
2 1 3 2 3 1 3 2 1
1 2 3 1 2 3 1 2 3
g4 · g3 = · = = g2 .
2 3 1 2 1 3 1 3 2
Ova grupa nije komutativna. Postoje i komutativne grupe i one se nazivaju i Abelove1
grupe.
1.2 Varijacije
VARIJACIJE BEZ PONAVLJANJA ; VNM
Kod varijacija je, slično kao kod permutacija, važan poredak elemenata, ali za razliku
od permutacija, u varijacijama ne sudjeluje svih N elemenata, nego samo njih M < N.
Izračunajmo najprije VN1 . Jasno je da N elemenata možemo razvrstati u skupine veličine
1 na N raznih načina, tj. da je
VN1 = N.
A, B, C, D, E.
Koristeći VN1 napravimo varijacije drugog reda od N elemenata, VN2 : njih ćemo konstru-
irati tako što ćemo svakoj varijaciji VN1 dodati jedan od preostalih ( N − 1) elemenata2
VN2 = ( N − 1) VN1 = ( N − 1) N.
1 Prema
norveškom matematičaru Nielsu Henriku Abelu (1802. – 1829.).
2(N
− 1) elemenata zato jer nije dozvoljeno ponavljanje, pa na raspolaganju ne stoji N, nego N − 1
elemenata.
1.2 Varijacije 23
A, B A, C A, D A, E
B, A B, C B, D B, E
C, A C, B C, D C, E
D, A D, B D, C D, E
E, A E, B E, C E, D
Slično se dobiva i
VN3 = ( N − 2) VN2 = ( N − 2) ( N − 1) N
i općenito
N!
VNM = [ N − ( M − 1)] VNM - 1 = ( N − M + 1) · · · ( N − 2) ( N − 1) N =
( N − M) !
N!
VNM = . (1.4)
( N − M) !
Primjetimo još jednom da su varijacije bez ponavljanja slične permutacijama bez ponav-
ljanja, po tome što je važan poredak elemenata u nizu, a razlikuju se od njih po tome
što u varijacijama ne sudjeluje svih N elemenata, nego samo njih M < N. Ili. drugim
rječima, varijacije bez ponavljanja od M = N elemenata su isto što i permutacije N
elemenata - prema (1.4) je
VNN = N ! = PN .
VARIJACIJE S PONAVLJANJEM
Varijacije s ponavljanjem od N elemenata M-tog reda predstavljaju sve moguće kon-
figuracije N elemenata u skupine od po M elemenata s time da je važan redoslijed
elemenata unutar skupine.
Označimo broj varijacija s ponavljanjem od N elemenata M-tog reda sa VN0 M .
Očito je
VN0 1 = N.
VN0 2 = N · VN0 1 = N 2 .
1, 1 1, 2 1, 3 1, 4 1, 5
2, 1 2, 2 2, 3 2, 4 2, 5
3, 1 3, 2 3, 3 3, 4 3, 5
4, 1 4, 2 4, 3 4, 4 4, 5
5, 1 5, 2 5, 3 5, 4 5, 5
24 Poglavlje 1. Kombinatorika
VN0 3 = N · VN0 2 = N 3 .
VN0 M = N M . (1.5)
1.3 Kombinacije
KOMBINACIJE BEZ PONAVLJANJA
Za razliku od permutacija i varijacija, u kombinacijama NIJE važan poredak elemenata
u pojedinoj skupini. U kombinacijama ne sudjeluje svih N elemenata, nego samo njih
M < N. Sastavljanjem kombinacija bez ponavljanja nazivamo slijedeći postupak: od N
različitih elemenata treba izdvojiti sve med̄usobno različite skupine od po M elemenata.
Veličina skupine se naziva i red ili razred kombinacije, pa se tako broj kombinacija bez
ponavljanja M-tog reda od N elemenata označava s
K NM .
A B C, A B D, A B E,
A C D, A C E,
A D E,
B C D, B C E,
B D E,
C D E
Kada kažemo da raspored elemenata unutar skupine nije važan, to znači da je skupina
C D E ista kao i skupina E D C itd. Vidimo da je u ovom primjeru
5 5·4·3
3
K5 = = = 10.
3 1·2·3
Poopćimo razmatranje iz gornjeg primjera tako što ćemo ga povezati s brojem varijacija
N elemenata M tog reda bez ponavljanja, koji je prema (1.4) jednak
N!
VNM = .
( N − M) !
1.3 Kombinacije 25
Kod varijacija je poredak važan, kod kombinacija nije. To znači da sve one varijacije koje
sadrže iste elemente, ali u različitom poretku, odgovaraju jednoj jedinoj kombinaciji.
Npr.
VNM N!
K NM = =
M! M ! ( N − M) !
N N!
K NM = = . (1.6)
M M ! ( N − M) !
N!
K NM = = PNM, N - M .
M ! · ( N − M) !
K OMBINACIJE S PONAVLJANJEM : K N0 M
Kombinacije s ponavljanjem se razlikuju od kombinacija bez ponavljanja po tome što
se sada u skupini mogu ponavljati isti elementi. Ponovo, poredak elemenata unutar
skupine nije važan.
Primjer 1.4 K OMBINACIJE ČETIRI ELEMENTA
Npr. za skupinu od četiri elementa {1, 2, 3, 4} sve kombinacije s ponavljanjem trećeg
reda su:
1, 1, 1, 1, 1, 2, 1, 1, 3, 1, 1, 4,
1, 2, 2, 1, 2, 3, 1, 2, 4,
1, 3, 3, 1, 3, 4,
1, 4, 4,
2, 2, 2, 2, 2, 3, 2, 2, 4,
2, 3, 3, 2, 3, 4,
2, 4, 4,
3, 3, 3, 3, 3, 4,
3, 4, 4,
4, 4, 4.
26 Poglavlje 1. Kombinatorika
+0 +1 +2
1 2 3=M
+0 +1 +2 +(M-1)
. . . . . .
1 2 3 M–2 M–1 M
1, 2, 3, 1, 2, 4, 1, 2, 5, 1, 2, 6,
1, 3, 4, 1, 3, 5, 1, 3, 6,
1, 4, 5, 1, 4, 6,
1, 5, 6,
2, 3, 4, 2, 3, 5, 2, 3, 6,
2, 4, 5, 2, 4, 6,
2, 5, 6,
3, 4, 5, 3, 4, 6,
3, 5, 6,
4, 5, 6.
No, ovo što smo dobili nije ništa drugi nego kombinacije BEZ ponavljanja šest elemenata
trećeg reda
K40 3 = K63 .
K N0 M = K NM + M - 1 .
1.3 Kombinacije 27
N+M−1
0M
KN = . (1.7)
M
Primjetimo na kraju i da kod kombinacija i varijacija bez ponavljanja, mora biti M < N,
dok kod kombinacija i varijacija s ponavljanjem taj uvjet nije nužan.
28 Poglavlje 1. Kombinatorika
S AŽETAK :
N!
Permutacije s ponavljanjem PNM1 ,M2 ,··· = ,
M1 ! M2 ! · · ·
N!
Varijacije bez ponavljanja VNM = ,
( N − M) !
N
Kombinacije bez ponavljanja K =
M
N ,
M
N+M−1
0M
Kombinacije s ponavljanjem KN =
M
1.3 Kombinacije 29
Rješenje:
U riječi je važan poredak slova, pa se zato ovdje radi o permutacijama (moraju se koristiti sva
slova, pa zato nisu varijacije). Budući da se neka slova pojavljuju više puta (ponavljaju se), to će
biti permutacije s ponavljanjem. Prema (1.3) je:
(a) fizika
6!
P62 = = 360.
2!
(b) matematika
2,3,2 10 !
P10 = = 151 200.
2! · 3! · 2!
Zadatak 1.2 Koliko postoji mogućih načina ispunjavanja listića Lota 7/39 s jednim
dopunskim brojem?
Rješenje:
S obzirom da nije važan poredak kojim se ispunjava listić, odabir prvih sedam brojeva predstavlja
kombinacija bez ponavljanja 39 elemenata sedmog reda
39 39 !
7
K39 = = = 15 380 937.
7 7 ! 32 !
Dopunski, osmi broj se od preostala 32 broja može odabrati na
32
1
K32 = = 32.
1
načina (kombinacije 32 elementa prvog reda).
Ukupan broj popunjavanja listića sa 7 + 1 brojeva je, prema tome, jednak
39 32
· = 492 189 984.
7 1
Rješenje:
Odabere se jedan od N vrhova - dijagonala ne može ići na taj vrh niti na dva prva susjedna vrha,
nego mora ići na jedan od preostalih N − 3 vrhova
⇒ N ( N − 3).
No, svaka dijagonala spaja dva vrha, pa će se zato ista dijagoala brojati dva puta, iz čega slijedi
da je traženi broj dijagonala jednak
1
N ( N − 3).
2
30 Poglavlje 1. Kombinatorika
Zadatak 1.4 U ravnini je zadano šest točaka od kojih po tri ne leže na istom pravcu.
Koliko je različitih pravaca odred̄eno s tih šest točaka, a koliko različitih
trokuta?
Rješenje:
Pravac je odred̄en s dvije točke (čiji poredak nije važan), pa je zato
6
2
Npravaca = K6 = = 15.
2
Trokut je odred̄en s tri točke (čiji poredak nije važan), pa je zato
6
3
Ntrokuta = K6 = = 20.
3
Zadatak 1.5 Na koliko se načina osam predmeta može podijeliti med̄u četiri osobe,
tako da svaka osoba dobije po dva predmeta?
Rješenje:
8 6 4 2
K82 · K62 · K42 · K22 = = 2 520.
2 2 2 2
Rješenje:
Tri dobra od ukupno 40, se može odabrati na
40 40 · 39 · 38
3
K40 = = = 9 880
3 1 · 2 · 3
načina. Isto tako, 2 s greškom od 10 s greškom možemo odabrati na
10 10 · 9
2
K10 = = = 45
2 1 · 2
načina. Svaki od ova dva odabira se može med̄usobno kombinirati, tako da je ukupan broj odabira
jednak
3 2
K40 · K10 = 9 880 · 45 = 444 600.
Ovaj se problem može definirati i općenitije: od N proizvoda, njih M su ispravni, a ostalih
N − M imaju grešku. Pitanje je nakoliko se načina može formirati uzorak od N proizvoda, tako
da u njemu bude x proizvoda bez greške i N − x sa greškom? Razmišljamo kao i na početku:
od M ispravnih proizvoda, njih x možemo odabrati na KM x načina; od N − M proizvoda s
N −x
greškom, njih N − x možemo odabrati na KN −M načina. Traženi uzorak nastaje kombiniranjem
bilo kojih parova ispravnih i proizvoda s greškom, tj. postoji
M N −M M! (N − M) !
x N −x
KM · KN −M = · = ·
x N−x x ! (M − x ) ! ( N − x ) ! (N − M − N + x ) !
ražličitih mogućnosti.
1.3 Kombinacije 31
Rješenje:
(a)
15 5
= ... = 13 650.
4 3
(a)
15 5
= ... = 5 005.
6 0
Zadatak 1.8 Student piše domaću zadaću uz pomoć petoro kolega. Koliko on može
formirati sastanaka različitih i po broju i po sastavu nazočnih?
Rješenje:
Budući da je student o kome je riječ, uvijek nazočan sastancima, broj ostalih kolega na sastancima
varira od 1 do 5.
broj kolega na sastanku broj realizacija
5
1 = 5,
1
5
2 = 10,
2
5
3 = 10,
3
5
4 = 5,
4
5
5 =1.
5
Ukupan broj sastanaka različitih i po broju i po sastavu nazočnih je
5 + 10 + 10 + 5 + 1 = 2 5 − 1 = 31.
1 Ω, 2 Ω, 5 Ω, 20 Ω, 35 Ω.
Rješenje:
(a)
Budući da poredak otpornika nije važan, radi se o kombinacijama bez ponavljanja od pet elemenata
trećeg reda
5
3
K5 = = 10.
3
1+2+5= 8 1 + 5 + 20 = 26 1 + 20 + 35 = 56
1 + 2 + 20 = 23 1 + 5 + 35 = 41
1 + 2 + 35 = 38
2 + 5 + 20 = 27 2 + 20 + 35 = 57
2 + 5 + 35 = 42
5 + 20 + 35 = 60
⇒ R(Ω) = {8, 23, 26, 27, 38, 41, 42, 56, 57, 60}.
(b)
Moguće je napraviti seriju od jednog, dva, tri, četiri ili pet otpornika. Svaka se serija može
formirati na (n5 ) načina i zato je ukupan broj serija jednak
5 5 5 5 5
+ + + + = 2 5 − 1 = 31.
1 2 3 4 5
Rješenje:
(a)
13 + 2 − 1 14 · 13
02
4 · K13 =4· =4· = 364.
2 2
(b)
4+2−1 5·4
13 · K40 2 = 13 · = 13 · = 130.
2 2
1.3 Kombinacije 33
Rješenje:
S = { s1 , s2 , · · · , s N }
{· · · , 1, 1, 0, 1, 0, 0, · · · , }.
Budući da se na svakom od N mjesta može naći nula ili jedan, to je ukupan broj mogućih
konfiguracija jednak
2 N,
Rješenje:
To su varijacije s ponavljanjem četiri elementa trećeg reda
itd.
kojih ima
4 3 = 64.
Ako se znamenke ne mogu ponavljati, onda su to varijacije bez ponavljanja, kojih ima (samo)
N! 4!
= = 24.
( N − M) ! 1 !
34 Poglavlje 1. Kombinatorika
Zadatak 1.13 Koliko prirodnih brojeva manjih od 10 8 sadrži točno pet znamenaka
7?
Rješenje:
Za zapis broja manjeg od 10 8 , potrebno je 8 znamenaka. Prema uvjetu zadatka, pet od tih osam
znamenaka mora imati vrijednost 7. Položaji tih pet znamenaka nisu važni (jer su znamenke iste),
pa je broj načina na koje se može odabrati položaj tih pet znamenaka jednak broju kombinacija
osam elemenata petog reda
8 8 8 · 7 · 6
5
K8 = = = = 56.
5 3 1 · 2 · 3
Preostala su još tri mjesta. Na njih može doći bilo koja znamenka osim 7, dakle jedna od slijedećih
devet znamenaka
0, 1, 2, 3, 4, 5, 6, 8, 9.
Ove su znamenke med̄usobno različite i njihov različit položaj daje različite znamenke, pa se tu
radi o varijacijama (nisu permutacije jer nisu u igri svih devet gornjih znamenaka, nego samo
njih tri). Budući da se znamenke smiju i ponavljati (ponavljanje takod̄er generira novi broj), to
se radi o varijacjama s ponavljanjem 9 elemenata trećeg reda, a prema (1.5), tavih varijacija ima
V90 3 = 9 3 = 729.
Svakom od 56 poredaka sedmica, može se pridružiti svaki od 729 poredaka ostalih devet zname-
naka, pa je zato ukupan broj prirodnih brojeva manjih od 10 8 koji sadrže točno pet znamenaka 7
jednak
K85 · V90 3 = 56 · 729 = 40 824.
1 · A N.
N · A N −1 B.
N
· A N −2 B 2 .
2
N
· A N −n B n .
n
S gornjim općenitim izrazom smo u mogućnosti napisati i potpuni razvoj N-te potencije
binoma
N N N N
( A + B) N = AN + A N −1 B + A N −2 B 2 + · · · + A N −n B n +
0 1 2 n
N N
N −1
+ ··· + AB + B N,
N−1 N
N
N
( A + B) = N
∑ n
A N −n B n . (1.8)
n =0
Binomni poučak može poslužiti kao ishodište za izračunavanje nekih zbrojeva koji
sadrže binomne koeficijente. Evo jednog primjera.
36 Poglavlje 1. Kombinatorika
N
N
∑ nk
n
, k = 1, 2, 3, 4, 5, 6.
n =0
Koeficijenti polinoma koji se pojavljuje u okrugloj zagradi na desnoj strani, mogu se naći
na web stranici The On-Line Encyclopedia of Integer Sequences, https : //oeis.org/A102573.
P OOP ĆENJE
Gornje se razmatranje može poopćiti na raspis N-te potencije zbroja tri, četiri i više
članova
( A + B + C) N , ( A + B + C + D) N , ···
Sada je već posve očito kako se gornji postupak može i dalje poopćavati.
G EOMETRIJSKI
Skica geometrijskog dokaza binomnog poučka za N = 2 i N = 3 je prikazna na slikama
1.3 i 1.4.
Slika 1.3: Skica geometrijskog dokaza binomnog poučka za N = 2.
ac b c c2
ab b2
bc
ab b2
a2 ab
ac
a2 ab
b3
a3
38 Poglavlje 1. Kombinatorika
( a 6 + b 7 ) 22 .
Rješenje:
Prema (1.8) je
22
22
6
(a + b ) 7 22
= ∑ k
( a 6 ) k (b 7 ) 22−k .
k =0
36 6 k
a = (a )
k =6
(x + y 2 + z 3 ) 7.
Rješenje:
Prema (1.9) je
7 7− n
7!
(x + y 2 + z 3 ) 7 = ∑ ∑ n ! m ! (7 − n − m ) !
x 7− n − m y 2 m z 3 n .
n =0 m =0
z9 = z3n
n =3
N N
= .
M N−M
Rješenje:
N N! N! N
= = = .
M M !( N − M) ! ( N − M) ! [ N − ( N − M)] ! N−M
1.4 Binomni poučak 39
N N N+1
+ = .
M M+1 M+1
Rješenje:
N N N! N!
+ = +
M M+1 M ! ( N − M ) ! ( M + 1) ! ( N − M − 1) !
( M + 1) + ( N − M ) N+1
= N! = N!
( M + 1) ! ( N − M ) ! ( M + 1) ! ( N − M ) !
( N + 1) ! N+1
= = .
( M + 1) ! [( N + 1) − ( M + 1)]) ! M+1
1
(1 − z ) k +1
u obliku reda potencija.
Rješenje:
1. G. B. A RFKEN I H. J. W EBER.
Mathematical Methods for Physicists. Academic Press, San Diego, 1995
2. V ERA Č ULJAK.
Vjerojatnost i statistika. 2011. URL: www.grad.hr/vera/webnastava/vjerojatnostistatistika/
vis-pdf.pdf
3. N EVEN E LEZOVI Ć.
Vjerojatnost i statistika. Element, Zagreb, 2008
4. C HARLES M. G RINSTEAD I J. L AURIE S NELL.
Introduction to probability. 2019. URL: https://www.math.dartmouth.edu/~prob/
prob/prob.pdf
5. Ivo PAVLI Ć.
Statistička teorija i primjena. Panorama, Zagreb, 1965
6. M IROSLAV P OŽEK.
Osnove teorije vjerojatnosti i matematičke statistike. 2003. URL: https://www.scribd.
com / document / 56377048 / Osnove - teorije - vjerojatnosti - i - matematicke -
statistike
7. V LADIMIR V RANI Ć.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971
2. Osnovni pojmovi vjerojatnosti
Bog ili postoji ili ne postoji. Pa zašto onda ne okušati sreću? Kladiti se.
Okladiti se da Bog postoji. Ako dobijete, dobijete sve. Ako izgubite, ne izgubite ništa.
su započeli razvijati jedan matematički aparat koji se danas naziva teorija vjerojatnosti i
1 Blaise Pascal, 1623 - 1662, i Pierre de Fermat , 1601 - 1665, francuski fizičari i matematičari.
42 Poglavlje 2. Osnovni pojmovi vjerojatnosti
P OTPUN SKUP
Skup SVIH mogućih ishoda nasumičnog pokusa se naziva potpun ili osnovni skup.
Označavat ćemo ga s Ω . Pokus ne može završiti ishodom koji nije element potpunog
skupa.
E LEMENTARAN DOGAÐAJ
Svakom ishodu slučajnog pokusa odgovara jedan element u Ω . Svaki od tih ishoda
nazivamo elementarnim dogad̄ajem. Elementarne ćemo dogad̄aje označavati s ω.
Primjer 2.1 Jedan jednostavan primjer, je potpuni skup za pokus koji se sastoji u
jednom bacanju jedne kovanice: Postoje samo dva moguća ishoda: glava (G) i pismo (P)
Ω = { G, P}
a elementarni dogad̄aji su
ω1 = G, ω2 = P.
Sličan je i primjer, potpunog skupa za pokus koji se sastoji u jednom bacanju jedne
kocke.
Ω = {1, 2, 3, 4, 5, 6}.
Jedan primjer elementarnog dogad̄aja je pojavljivanje broja 2. To je elementarni dogad̄aj
koji se sastoji u tome da je bačena kocka pokazala broj 2.
ωi = 2.
Osnovni skup se naziva DISKRETNIM ako se sastoji od konačnog (kao (a) iz zadatka
2.1) ili prebrojivo beskonačnog broja elemenata (kao u (b) istog zadatka). Ako se iz-
med̄u elemenata osnovnog skupa i prirodnih brojeva može uspostaviti jedan-jedan
preslikavanja, skup se naziva prebrojivim (cijeli zadatak 2.1). Osnovni skup se naziva
KONTINUIRANIM, ako njegovi elementi čine kontinuum (kao u zadatku 2.2).
S LOŽEN DOGAÐAJ
Složenim dogad̄ajem se naziva svaki podskup osnovnog skupa Ω .
Primjer 2.2 Vezano za primjer 2.1, složeni dogad̄aj A se može definirati kao dogad̄aj
da kocka pokaže paran broj. Taj je dogad̄aj prikazan podskupom od Ω (prikazati ovo
grafički)
A = {2, 4, 6}.
NA
P( A) = . (2.1)
N
To je ono što ćemo kasnije nazivati vjerojatnost A PRIORI. Dakle, vjerojatnost je omjer
broja elementarnih dogad̄aja kojima se ostvaruje dogad̄aj A i ukupnog broja svih ele-
mentarnih dogad̄aja (ili, kako se to obično kaže: povoljno kroz moguće)4 .
Primjer 2.3 Za primjer ćemo izračunati vjerojatnost dogad̄aja A = (bačena kocka je
pokazala paran broj). Ukupan broj ishoda bacajna kocke je N = 6, a broj povoljnih
ishoda je NA = 3, pa je zato, prema (2.1),
NA 3 1
P( A) = = = .
N 6 2
Primjer 2.4 Pomoću definicije (2.1) možemo odgovoriti na pitanja tipa: ako se u nekoj
kutiji nalazi 100 kuglica, koje su posve iste osim što se razlikuju u boji: 50 ih je bijelih,
40 crvenih i 10 plavih; pitanje je kolika je vjerojatnost da se nasumičnim izvlačenjem
jedne kuglice, izvuče kuglica odred̄ene boje? U skladu s definicijom 2.1, odgovor je
50 1 40 2 10 1
P(b) = = , P(c) = = , P( p) = = .
100 2 100 5 100 10
Primjetimo da je zbroj sve tri vjerojatnosti jednak jedinici (sigurno će se izvuči kuglica
neke boje)
P(b) + P(c) + P( p) = 1.
Budući da je uvijek
0 ≤ NA ≤ N,
0 ≤ P( A) ≤ 1. (2.2)
NA = 0 ⇒ P( A) = 0.
NA = N ⇒ P( A) = 1.
V JEROJATNOST A POSTERIORI
Evo jednostavnog primjera - baca se simetrična kocka i pitanje je kolika je vjerojatnost
da se okrene broj pet? U skladu s definicijom (2.1), ta je vjerojatnost jednaka 1/6. No,
kolika je ta vjerojatnost ako se baca NESIMETRI ČNA kocka? Definicija (2.1) ne daje
5 Ako je dogad̄aj nemoguć, njegova je vjerojatnost jednaka nuli. No, obrat ne vrijedi: ako je vjerojatnost
jednaka nuli, to još ne znači da je dogad̄aj neostvariv. Slično, ako je sigurno da će se dogad̄aj ostvariti,
njegova je vjerojatnost jednaka jedinici. Ali, ako je vjerojatnost jednak jedan, to još uvijek ne znači da
će se dogad̄aj sigurno ostvariti. U vezi s ovime, treba pogledati primjere navedene kod kontinuiranih
vjerojatnosti.
2.1 Definicija osnovnih pojmova 45
NA
P( A) = lim . (2.4)
N→∞ N
Primjer 2.5 Evo jednog lijepog primjera kojeg dugujemo strpljenju jednog züriškog
astronoma po imenu R. Wolf. On je, 1850. godine bacao dvije kocke i brojao je koliko će
se puta okrenuti različiti brojevi. Evo njegovih rezultata.
Kada se bacaju dvije kocke, moguća su 36 ishoda prikazna tablicom 2.1. Šest kom-
binacija rezultira istim brojem na obje kocke, a 30 kombinacija rezultira različitim
brojevima. Prema tome je apriorna vjerojatnost da se u danom bacanju pojave dva
različita broja, jednaka
30
P= = 0.83̇.
36
Evo Wolfovih eksperimentalnih rezultata, tablica 2.2, za relativnu frekvenciju f rel ,
prikazanih u ovisnosti o broju bacanja N. Vidi se da ovi rezultati samo približno
6 npr. praćenje zdravstvenog stanja neke skupine ljudi tijekom dužeg vremenskog perioda
7 Richard Edler von Mises, 19. IV 1883. – 14. VII 1953, austro-ugarsko američki fizičar.
46 Poglavlje 2. Osnovni pojmovi vjerojatnosti
11 12 13 14 15 16
21 22 23 24 25 26
31 32 33 34 35 36
41 42 43 44 45 46
51 52 53 54 55 56
61 62 63 64 65 66
potvrd̄uju apriornu vjerojatnost 0.83̇, iako se od nje JASNO RAZLIKUJU. Od kuda potječe
ta razlika? Od neidelanosti kocaka koje je Wolf koristio. S nekim drugim parom
kocaka bi se dobili i drukčiji rezultati, koji bi opet bili bliski, ali ne i jednaki apriornoj
vjerojatnosti. Gornja vjerojatnost (tj. relativna frekvencija) se odnosi baš na onaj par
kocaka koji je koristio Wolf, dok se apriorna vjerojatnost odnosi na idealne kocke.
Iz gornjeg se primjera vidi da što je veći broj bacanja N, to relativna frekvencija teži jed-
noj graničnoj vrijednosti koju zovemo vjerojatnost a posteriori ili statistička vjerojatnost,
a koja je po svojoj vrijednosti, jako bliska apriornoj vjerojatnosti istog procesa. Zašto
(samo) bliska, a ne i jednaka? Zato jer se apriorna vjerojatnost odnosi na IDEALNE kocke
koje se bacaju pod IDEALNO jednakim uvjetima. U stvarnosti, ništa nije idealno (razlike
uvijek postoje i one se nastoje učiniti što manjima u pokusima - to je velika vještina
eksperimentalnih fizičara) i zato ne smijemo očekivati a priornu vjerojatnost kao rezultat
graničnog procesa.
ONO ŠTO NA JEDNOM POJEDINOM PRIMJERU IZGLEDA KAO NASUMI ČNOST, POKAZUJE
SE KAO ZAKONITOST KADA SE GLEDA VELIKI BROJ DOGAÐAJA .
Primjer 2.6 Neki čovjek doživi prometnu nezgodu; za njega i ljude iz njegove okoline
to je posve izniman dogad̄aj, no ako se promatra cijeli naraštaj kome taj čovjek pripada
i ako se zna da u njegovoj dobnoj skupini npr. 1% ljudi godišnje doživi prometnu
nezgodu, onda prometna nezgoda toga čovjeka prestaje biti iznenad̄ujući i izniman
dogad̄aj i postaje samo još jedan primjer koji se lijepo uklapa u predvid̄anja temeljena
na vjerojatnosti. Ne zna se točno koji će čovjek doživjeti nezgodu, ali se zna da će se to
zadesiti otprilike 1% osoba te dobne skupine.
Primjer 2.7 Jedan manje morbidan primjer se odnosi na rulet: U ožujku 1953. na ruletu
u Monte Carlu je odigrano 4 894 igara, pri čemu je kuglica pala na crno polje 2 396
puta, na crveno 2 360 puta i na bijelo 138 puta. Ako uzmemo u obzir da su apriorne
vjerojatnosti za crveno i crno polje jednake med̄usobno i jednake 18/37, a za bijelo 1/37,
vidi se da su odstupaja relativnih frekvencija od apriornih vjerojatnosti reda 1%
rel 2 396 18
f crno = = 0.48958 · · · , Pcrno = ≈ 0.486486 · · · ∆ = 0.0063,
4 894 37
rel 2 360 18
f crveno = = 0.48222 · · · , Pcrveno = ≈ 0.486486 · · · ∆ = 0.0088,
4 894 37
rel 138 1
f bijelo = = 0.0281978 · · · , Pbijelo = ≈ 0.027027 · · · ∆ = 0.0424,
4 894 37
gdje je
rel
f α − Pα
∆= .
( f αrel + Pα )/2
Slično kao i u prethodnom primjeru, mi nismo u stanju reći hoće li se u danom bacanju
kuglica zaustaviti na crnom, crvenom ili bijelom polju, ali smo u mogućnosti reći da će
se u nekoliko tisuća bacanja kuglica zaustaviti otprilike toliko i toliko puta na pojedinom
polju.
Rješenje:
(a) Sada postoje četiri moguća ishoda, pa je
(b) Pismo se može pojaviti nakon prvog, drugog, itd. bacanja, pa je zato
Ω = {1, 2, 3, · · · }.
Zadatak 2.2 Napišite osnovni skup za nasumični pokus koji se sastoji od mjerenja
(u satima) vremena života jednog tranzistora.
48 Poglavlje 2. Osnovni pojmovi vjerojatnosti
Rješenje:
Vrijeme života tranzistora može biti bilo koji realan pozitivan broj, pa je zato
Ω = { t : 0 ≤ t ≤ ∞ },
Rješenje:
(a) Potpuni skup se može napisati kao skup ured̄enih parova brojeva (i, j), gdje svaki od brojeva i
i j poprima sve vrijednosti prirodnih brojeva od 1 do 6 (uključivo). Broj i pokazuje broj točkica
na prvoj, a j na drugoj kocki.
11 12 13 14 15 16
21 22 23 24 25 26
31 32 33 34 35 36
41 42 43 44 45 46
51 52 53 54 55 56
61 62 63 64 65 66
Ω = {(i, j) : i, j = 1, 2, 3, 4, 5, 6}.
A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}.
(d) Zbroj točkica na dvije kocke ne može biti veći od 12, i zato je nemoguć dogad̄aj, predstavljen
praznim skupom
C = ∅.
2.1 Definicija osnovnih pojmova 49
Rješenje:
Prema (2.1) je
NA
P( A) = ,
N
gdje je A dogad̄aj da se svaki od šest brojeva pojavi dva puta. S N je označen ukupan broj
mogućih ishoda bacanja 12 kocaka. Svaka kocka može pokazati bilo koji od 6 brojeva neovisno o
ostalim kockama, pa je zato
N = 6 · . . . · 6 = 612 .
1 1 2 2 3 3 4 4 5 5 6 6.
12 ! 12 !
NA = = .
2! 2! 2! 2! 2! 2! (2 ! ) 6
Tražena vjerojatnost je
12 !
(2 ! ) 6
P= = 0.00344 = 0.344 %.
612
Rješenje:
Prema (2.1) je
N7
P (7) = ,
N
N je broj mogućih načina da se od 39 brojeva odabere njih sedam, a taj je broj prema rješenju
zadatka 1.2, jednak broju kombinacija bez ponavljanja 39 elemenata sedmog razreda
39 39 !
7
N = K39 = = = 15 380 937.
7 7 ! 32 !
(a)
Povoljna je samo jedna od tih kombinacija (ona koju ste upisali),
7 39 − 7
N7 = 1 = ,
7 0
50 Poglavlje 2. Osnovni pojmovi vjerojatnosti
7 0 1
P7 = = = 6.50155 · 10−8 = 0.0000000650155.
39 15 380 937
7
(b)
Od sedam brojeva, njih se šest može odabrati na (76) načina. Onaj sedmi broj može biti bilo koji
od preostalih 39 − 7 brojeva (sedam brojeva je označio igrač, pa ovaj jedan broj mora biti jedan
od tih neoznačenih brojeva). Zato povoljnih odabira šestica ima
7 39 − 7
N6 = = 7 · 32,
6 1
pa je tražena vjerojatnost jednaka
7 39 − 7
N6 6 1 7 · 32
P6 = = = = 0.0000145635.
N 39 15 380 937
7
(c)
Od sedam brojeva, njih se pet može odabrati na (75) načina. Preostala dva broja mogu biti bilo
koja od preostalih 39 − 7 brojeva. Zato povoljnih odabira petica ima
7 39 − 7
N5 = = 16 · 21 · 31,
5 2
pa je zato tražena vjerojatnost jednaka
7 39 − 7
N5 5 2 16 · 21 · 31
P5 = = = = 0.000677202.
N 39 15 380 937
7
(d)
Od sedam brojeva, njih četiri se može odabrati na (74) načina. Preostala tri broja mogu biti bilo
koja od preostalih 39 − 7 broja. Zato povoljnih odabira četvorki ima
7 39 − 7
N4 = = 7 · 25 · 31 · 32,
4 3
pa je zato tražena vjerojatnost jednaka
7 39 − 4
N4 4 3 7 · 25 · 31 · 32
P4 = = = = 0.0112867 ≈ 1.1 %.
N 39 15 380 937
7
(e)
Od sedam brojeva, njih tri se može odabrati na (73) načina. Preostala četiri broja mogu biti bilo
koja od preostalih 39 − 7 broja. Zato povoljnih odabira trojki ima
7 39 − 7
N3 = = 7 · 8 · 25 · 29 · 31,
3 4
2.1 Definicija osnovnih pojmova 51
7 39 − 7
N3 3 4 7 · 8 · 25 · 29 · 31
P3 = = = = 0.0818286 ≈ 8.1 %.
N 39 15 380 937
Ako ispunjavate listić u kojemu smijete označiti 10 brojeva, tada su odgovarajuće vjerojatnosti
dobitka jednake
1039 − 10
7 0
P7 = = 7.80187 · 10−6 ,
39
7
10 39 − 10
6 1
P6 = = 0.000395945 ≈ 0.04 %,
39
7
10 39 − 10
5 2
P5 = = 0.00665187 ≈ 0.67 %,
39
7
10 39 − 10
4 3
P4 = = 0.049889 ≈ 4.99 %
39
7
10 39 − 10
3 4
P3 = = 0.185302 ≈ 18.53 %.
39
Rješenje:
(a) (b)
5 5 20
1 2 3
pa = = 0.2 pb = = 0.214 568.
25 25
1 5
52 Poglavlje 2. Osnovni pojmovi vjerojatnosti
ωi
α( A) β( B)
NA + NB N N
P( A + B) = = A + B = P ( A ) + P ( B ).
N N N
Gornje razmatranje možemo poopćiti na proizvoljan broj od k dogad̄aja A1 , A2 , · · · , Ak ,
koji se med̄usobno potpuno isključuju. Oznakom
A1 + A2 + · · · + A k
ćemo označiti dogad̄aj koji se sastoji u ostvarenju jednog (bilo kojeg) od dogad̄aja Ai :
ili A1 ili A2 , ili itd. Primjetimo da znak + kada stoji med̄u dogad̄ajima (čita se ili i
8 Slično se može govoriti i o kontinuiranim dogad̄ajima.
2.2 Računske operacije s vjerojatnostima 53
označava jednu logičku operaciju), ne znači isto što i znak + kada stoji med̄u brojevima
(čita se plus i označava algebarsku operaciju). Takod̄er riječ ILI ovdje ima svoje isključivo
značenje: ili jedno ili drugo, ali NE I OBA ZAJEDNO. Neka Nk elementarnih dogad̄aja
ostvaruje dogad̄aj Ak , tada je
N1 + N2 + · · · + NK N N2 N
P ( A1 + A2 + · · · + A K ) = = 1+ + ··· + K
N N N N
= P ( A1 ) + P ( A2 ) + · · · + P ( A K ).
Vjerojatnost ostvarenja dogad̄aja A1 + A2 + · · · + AK jednaka
P ( A1 + A2 + · · · + A K ) = P ( A1 ) + P ( A2 ) + · · · + P ( A K ). (2.5)
P( A) + P( A) = 1.
Q( A) ≡ P( A) ⇒ P( A) + Q( A) = 1.
N ORMIRANJE
Ako se promatra skup isključivih dogad̄aja A1 , A2 , · · · , AK , za koje je
N1 + N2 + · · · + NK = N,
tada je vjerojatnost da se dogodi ili A1 ili A2 ili ... ili AK jednaka jedinici
P( A1 ) + P( A2 ) + · · · + P( AK ) = 1. (2.6)
6
3 1
( a) P( ppp) = = ,
10 6
3
6 4
3 3 1
(b) P( ppp + ccc) = (2.5) = P( ppp) + P(ccc) = + = ,
10 10 5
3 3
6 4
2 1 1
(c) P( ppc) = = .
10 2
3
P( A) = P(bb) + P(cc), P ( B ) = 1 − P ( A ).
Nb Nc
2 2
P(bb) = , P(cc) =
Nb + Nc Nb + Nc
2 2
Nb ( Nb − 1) + Nc ( Nc − 1)
=⇒ P( A) = ,
( Nb + Nc )( Nb + Nc − 1)
2Nb Nc
=⇒ P( B) = .
( Nb + Nc )( Nb + Nc − 1)
P( A) N ( N − 1) + Nc ( Nc − 1)
= b b
P( B) 2Nb Nc
Nb ( Nb − 1) + Nc ( Nc − 1) > 2Nb Nc .
2.2 Računske operacije s vjerojatnostima 55
Nb ( Nb − 1) + Nc ( Nc − 1) = 2Nb Nc .
Nb ( Nb − 1) + Nc ( Nc − 1) < 2Nb Nc .
(a) Radi jednostavnosti, zaboravit ćemo na prijestupne godine, i reći ćemo da godina
ima 365 dana. Budući da ne znamo kada je koja osoba rod̄ena10 moramo dopustiti
mogućnost da je rod̄ena bilo kojeg od 365 dana u godini. Rod̄endan svake od N osoba
ćemo označiti s
rj, j = 1, 2, 3, · · · , N,
pri čemu svaki r j može označavati bilo koji dan u godini, tj.
r j ∈ {1, 2, 3, · · · , 365}, j = 1, 2, 3, · · · , N.
(r1 , r2 , · · · , rN ),
Ω = (r1 , r2 , · · · , rN ) : r j = 1, 2, 3, · · · , 365 .
(b) Označimo s P(m) vjerojatnost da točno m osoba ima rod̄endan istog dana. Prema
normiranju vjerojanosti je
Vjerojatnost Pbar 2 , da bar dvije osobe imaju isti rod̄endan je, prema gornjoj relaciji,
jednaka
Kolika je vjerojatnost P(0) da sve osobe imaju rod̄endane u razne dane (naravno, ako
je N < 365)? Krenimo redom: rod̄endan prve osobe može biti bilo koji od 365 dana u
godini; da bi se rod̄endan druge osobe razlikovao od rod̄endana prve osobe, on mora
pasti u jedan (bilo koji) od preostalih 364 dana. To znači da je broj elemenata iz Ω
10 Kada bismo znali kada je koja osoba rod̄ena, ne bi imalo smisla računati vjerojatnosti nečega što već sa
sigurnošću znamo.
56 Poglavlje 2. Osnovni pojmovi vjerojatnosti
u kojima dvije osobe nemaju isti rod̄endan jednak 365 · 364. Sada želimo isključiti i
treću osobu. Njezin rod̄endan mora pasti u jedan od preostala 363 dana, što vodi na
365 · 364 · 363 elemenata. Ovaj se postupak jednostavno nastavlja sve do isključenja i
N-te osobe, a broj N-torki koje zadovoljavaju postavljeni uvjet je
Pbar 2 ≈ 0.507.
To znači da ako se u prostoriji nalaze najmanje 23 osobe, vjerojatnost da bar dvije imaju
isti rod̄endan, je veća od 0.5. Vrijednosti Pbar 2 za još nekoliko vrijednosti N, dano je
donjom tablicom
N 10 20 22 23 30
Pbar 2 0.117 0.411 0.476 0.507 0.706
N 40 50 60 70 80
Pbar 2 0.891 0.97 0.994 0.9992 0.9999 .
A · B
NA · NB N N
P( A · B) = = A · B = P ( A ) · P ( B ).
N1 · N2 N1 N2
Ω = { P1, P2, P3, P4, P5, P6, G1, G2, G3, G4, G5, G6}
G1 G2 P2 P1
G3 G4 P4 P3
G5 G6 P6 P5
NA · NB 1·3 1
P( AB) = = = P( A) P( B) = .
N1 · N2 2·6 4
A1 · A2 · . . . · A k
Primjetimo da sada znak · kada stoji med̄u dogad̄ajima (čita se i i označava logičku
operaciju), ne znači isto što i znak · kada stoji med̄u brojevima (čita se puta i označava
algebarsku operaciju). Neka Ni elementarnih dogad̄aja ostvaruje dogad̄aj Ai , tada
58 Poglavlje 2. Osnovni pojmovi vjerojatnosti
N1 · N2 · . . . · Nk N N2 N
P ( A1 · A2 · . . . · A k ) = k
= 1· · . . . · k = P ( A1 ) · P ( A2 ) · . . . · P ( A k ).
N N N N
Vjerojatnost ostvarenja dogad̄aja A1 · A2 · . . . · Ak je
P ( A1 · A2 · . . . · A k ) = P ( A1 ) · P ( A2 ) · . . . · P ( A k ). (2.9)
Što možemo reći o ovom nizu pokusa? Najprije, znamo da mora vrijediti normiranje
vjerojatnosti: A se dogodio ili nijednom ili jednom ili dva puta itd. sve do mogućnosti
da se A dogodio svih N puta
p.
p · p.
Vjerojatnost da se A dogodio u prvom i drugom i trećem pokusu je, opet prema (2.9),
p · p · p.
P( N ) = p N .
11 Primjetimo da se na lijevoj strani množe dogad̄aji, a na desnoj vjerojatnosti tih dogad̄aja.
2.2 Računske operacije s vjerojatnostima 59
q = 1 − p.
q · q.
Vjerojatnost da se A nije dogodio u prvom i drugom i trećem pokusu je, opet prema
(2.9),
q · q · q.
P (0) = q N .
p q q q q · · · q q = p · q N −1
q p q q q · · · q q = p · q N −1
q q p q q · · · q q = p · q N −1
q q q q q · · · q p = p · q N −1 .
N 1 N −1
N −1 N −1 N −1
P (1) = p · q +p·q + ··· + p · q = p q .
1
60 Poglavlje 2. Osnovni pojmovi vjerojatnosti
q p p q q · · · q q = p 2 · q N −2
q p q p q · · · q q = p 2 · q N −2
q p q q p · · · q q = p 2 · q N −2
..
.
q q p p q · · · q q = p 2 · q N −2
q q p q p · · · q q = p 2 · q N −2
..
.
a svaki ima istu vjerojatnost p 2 q N −2 , tako da je njihov zbroj jednak
N
P (2) = p 2 q N −2 .
2
Sada je već lako zaključiti da će, općenito, vjerojatnost P(n) da se u N pokusa A ostvari
n puta biti
N
P(n) = p n q N −n . (2.10)
n
Izrazi gornjeg tipa koji daju vrijednost vjerojatnosti za danu vrijednost varijable (u ovom
slučaju varijabla n je diskretna), nazivaju se RASPODJELE VJEROJATNOSTI. Raspodjelama
vjerojatnosti je posvećen odjeljak 4.
Lako je vidjeti da je vjerojatnost definirana izrazom (2.10) normirana. Koristeći binomni
poučak (1.8), odmah se dobiva
N N
N
∑ P(n) = ∑ n p n q N−n = ( p + q) N = 1.
n =0 n =0
1
p= .
n
Promotrimo sada razlomak b/c. Vjerojatnost da je b djeljivo s n je 1/n i vjerojatnost da
je c djeljivo s n je 1/n, pa je vjerojatnost da su i b i c djeljivi s n jednaka
11 1
= 2.
nn n
Vjerojatnost da b i c nisu istovremeno djeljivi s n je, prema gornjemu, jednaka
1
1− .
n2
Sjetimo se našeg zadatka: naći vjerojatnost da se razlomak ne može skratiti - tj. da b i c
nisu istovremeno djeljivi s nijednim prostim brojem većim od jedan: niti s 2 niti s 3 niti
s 5 itd. To je primjer ”i” vjerojatnosti i zato traženu vjerojatnost dobijemo uzastopnom
primjenom gornjeg izraza za sve proste brojeve
1 1 1
P= 1− 2 1− 2 1 − 2 ···
2 3 5
Iz ovog izraza je
1 1 1 1
= ···
P 1 − 2 2 1 − 3 2 1 − 512
1 1
Taylorovim razvojem
1
= 1 + x + x2 + x3 + · · · ,
1−x
1 1 1 1 1 1 1 1 1 1
= 1 + 2 + 4 + 6 + ··· 1 + 2 + 4 + 6 + ··· 1 + 2 + 4 + 6 + ··· ···
P 2 2 2 3 3 3 5 5 5
Da bismo razumjeli čemuje jednak gornji umnožak, treba se sjetiti OSNOVNOG TEOREMA
ARITMETIKE : SVAKI PRIRODAN BROJ SE MOŽE NAPISATI KAO UMNOŽAK POTENCIJA
PROSTIH BROJEVA . Primjetimo da u gornjim izrazima množimo recipročne vrijednosti
potencija kvadrata svih prostih brojeva, pa će zato rezultat tih množenja biti upravo
jednak zbroju recipročnih vrijednosti kvadrata svih prirodnih brojeva
1 1 1 1 1 π2
= 1 + 2 + 2 + 2 + 2 + · · · = ζ (2) = ,
P 2 3 4 5 6
62 Poglavlje 2. Osnovni pojmovi vjerojatnosti
k 3 4 6 10 20 40 44
6
P= = 0.60792 . . .
π2
K (k)
P= .
k2
Npr. za k = 3 postoji devet razlomaka:
1 1 1 2 2 2 3 3 3
,
1 2 3 1 2 3 1 2 3
od čega se njih 7 ne može skratiti, pa je zato P = 7/9 = 0.7̇. Tablica 2.3 daje vrijednosti
P za nekoliko k-ova. Vidimo da se, s porastom k, vrijednost P približava teorijski
predvid̄enoj vrijednosti.
365 − 1
P (1) = .
365
Vjerojatnost da nijedna od N osoba nema rod̄endan kada i Vi je (to je i vjerojatnost
primjenjena N puta)
N
365 − 1
P( N ) = .
365
12 Vidjeti npr. G LUMAC, Matematičke metode fizike.
2.2 Računske operacije s vjerojatnostima 63
Da bi, prema uvjetu zadatka, bilo Pbar jedna > 0.5, mora biti
N
364
< 0.5
365
ln(0.5)
N> ≈ 252.652 · · · .
ln(364/365)
Dakle, ako je u skupini bar 253 ljudi, vjerojatnost da netko ima rod̄endan kada i Vi je
veća od 0.5.
Pbar 1 = 1 − q N .
Pbar 1 = P,
iz čega slijedi
ln(1 − P)
P = 1 − q N = 1 − (1 − p ) N ⇒ N= .
ln(1 − p)
Npr., u igri bacanja kocke se pitamo koliko puta treba baciti kocku, pa da se s vjerojat-
nošću 12 može očekivati da se bar jednom pojavi broj dva. Prema gornjem rezultatu,
broj bacanja je
ln(1 − P) ln 1 − 12
N= = = · · · = 3.8 .
ln(1 − p) ln 1 − 16
1
Znači da su potrebna najmanje 4 bacanja da bi se s vjerojatnošću 2 bar jednom pojavila
dvojka.
ln(1 − P)
P = 1 − qN ⇒ N=
ln(1 − p)
1 1 1 1 1 1 1 1 1
lim p1 do n ≡ P∞ = + 2 + 3 + 4 + · · · = 1 + + 2 + 3 + 4 + ···
n→∞ 2 2 2 2 2 2 2 2 2
1 1
= = 1.
2 1 − 12
tj. , nakon n → ∞ bacanja, pismo će se sigurno pojaviti i stoga je vjerojatnost da se pismo
uopće ne pojavi jednaka
Pne = 1 − P∞ = 0.
2.2 Računske operacije s vjerojatnostima 65
2 4 4 2 4 2 4 4 4 2
P (4) = + + +
6 6 6 6 b 6 6 6 6 6 6 c
" 2 3#
2 4 4 4 65
= 1+ + + = .
6 6 6 6 81
66 Poglavlje 2. Osnovni pojmovi vjerojatnosti
2 5
P(b) = , =
6 15
b
4 2 4
P(cb) = = ,
6 5 15
c b
4 3 2 3
P(ccb) = = ,
6 5 4 15
c c b
4 3 2 2 2
P(cccb) = = ,
6 5 4 3 15
c c c b
4 3 2 1 2 1
P(ccccb) = = .
6 c 5 c 4 c 3 c 2 b 15
Primjetite da je izvlačenje cccccb nemoguće, jer su u kutiji samo četiri crne kuglice.
Uočimo i normiranje
3
P(1) = P(b) + P(ccb) + P(ccccb) = .
5
(b) Pobjeda drugog igrača se ostvaruje na slijedeći način
2
P(2) = P(cb) + P(cccb) = .
5
Dakle, bez obzira vraćaju li se kuglice ili ne vraćaju, vjerojatnije je da će pobjediti onaj
igrač koji započinje igru.
(c) Igra završava u prva četiri izvlačenja
14
P četiri izvlačenja = 1 − P(ccccb) = .
15
tražena vjerojatnost je
1
U skladu s (2.10), iz gornjeg izraza
slijedi
0.5
N ≈ 18,
PL = 0.1 ≡ p, PD = 1 − PL = 0.9 ≡ q,
N = 20, NL = 0, 1, 2, 3, 4 → prolaz
20 0 20 20 1 19 20 20 20
2 18 3 17
Pprolaz = p q + p q + p q + p q + p 4 q16
0 1 2 3 4
= · · · = 0.956 825 50 · · ·
Pzaust = 1 − Pprolaz = 0.0432 · · · .
n + n + ( n − 2) + ( n − 2) = 4( n − 1)
68 Poglavlje 2. Osnovni pojmovi vjerojatnosti
( n − 2) + ( n − 2) + ( n − 4) + ( n − 4) = 4( n − 3)
( n − 4) + ( n − 4) + ( n − 6) + ( n − 6) = 4( n − 5)
( n − 6) + ( n − 6) + ( n − 8) + ( n − 8) = 4( n − 7)
polja, itd.
Ako se prva kraljica nalazi u jednom od kutova prvog sloja, tada ona napada
n 2 − 3n + 2 = (n − 1)(n − 2)
polja. Ako je prva kraljica na bilo kojem drugom polju prvog sloja, osim u kutovima,
tada ona napada
n 2 − 3n + 2 = (n − 1)(n − 2)
polja. Prvi (rubni) sloj sadrži 4(n − 1) polja, pa je pridružena vjerojatnost da kraljica
smještena u bilo koje od tih polja ne napada onu drugu kraljicu je
(n − 1)(n − 2) n 2 − 3n − 2
P1 = 4(n − 1) = 4 ( n − 1 ) .
n 2 ( n 2 − 1) n 2 ( n 2 − 1)
Nazivnik razlomka je broj svih mogućih razmještaja dvije kraljice na ploču dimenzija
n × n. Neka se sada s prva kraljica nalazi u jednom od kutova drugog sloja. Tada ona
napada
n 2 − 3n = n(n − 3)
2.2 Računske operacije s vjerojatnostima 69
polja. Ako je prva kraljica na bilo kojem drugom polju drugog sloja, osim u kutovima,
tada ona napada
vodoravno + okomito + dijagonalno 1 + dijagonalno 2
n + ( n − 1) + ( n − 2) + 3 = 3n
n + ( n − 1) + ( n − 3) + 4 = 3n
itd.
polja, pa je uvijek slobodno (nije napadnuto)
n 2 − 3n = n(n − 3)
polja. Drugi sloj sadrži 4(n − 3) polja, pa je pridružena vjerojatnost da kraljica smještena
u bilo koje od tih polja ne napada onu drugu kraljicu je
n ( n − 3) n 2 − 3n
P2 = 4(n − 3) = 4 ( n − 3 ) .
n 2 ( n 2 − 1) n 2 ( n 2 − 1)
Neka se sada s prva kraljica nalazi u jednom od kutova trećeg sloja. Tada ona napada
vodoravno + okomito + dijagonalno 1 + dijagonalno 2
n + ( n − 1) + ( n − 1) + 4 = 3n + 2
polja, pa je slobodno (nije napadnuto)
n 2 − 3n − 2
polja. Ako je prva kraljica na bilo kojem drugom polju trećeg sloja, osim u kutovima,
tada ona napada
vodoravno + okomito + dijagonalno 1 + dijagonalno 2
n + ( n − 1) + ( n − 2) + 5 = 3n + 2
n + ( n − 1) + ( n − 3) + 6 = 3n + 2
itd.
polja, pa je uvijek slobodno (nije napadnuto)
n 2 − 3n − 2
polja. treći sloj sadrži 4(n − 5) polja, pa je pridružena vjerojatnost da kraljica smještena
u bilo koje od tih polja ne napada onu drugu kraljicu je
n 2 − 3n − 2
P3 = 4(n − 5) .
n 2 ( n 2 − 1)
Ove tri vjerojatnosti su dovoljne da se prepozna uzorak
4
P1 = · (n − 1) n 2 − 3n − 2 ,
n 2 (n 2 − 1)
4
P2 = · (n − 3) n 2 − 3n ,
n 2 (n 2 − 1)
4
P3 = · (n − 5) n 2 − 3n − 2 ,
n 2 ( n 2 − 1)
..
.
4
Pl = · [n − (2l − 1)] n 2 − 3n + 2(2 − l ) .
n 2 (n 2 − 1)
70 Poglavlje 2. Osnovni pojmovi vjerojatnosti
Za ploču duljine n (za parni n), bit će n/2 slojeva, pa je ukupna vjerojatnost da jedna
kraljica ne napada drugu, jednaka
n/2 n/2
4
P= ∑ Pl =
− 1) ∑
[n − (2l − 1)] n 2 − 3n + 2(2 − l ) .
l =1
n 2 (n 2 l =1
n/2
n
∑ l0 =
2
,
l =1
n/2
n ( n + 2)
∑ l1 =
8
,
l =1
n/2
n(n + 1)(n + 2)
∑ l2 =
24
,
l =1
(3n − 1)(n − 2)
P= .
3n(n + 1)
Zadatak 2.7 Sami si zadajte nekoliko (bar tri) vrijednosti N i p i pomoću (2.10)
nacrtajte raspodjelu P(n).
Primjer 2.25 U kutiji se nalaze kuglice s dva obilježja: bojom (bijela, crna ili plava) i
brojem (jedan ili dva). Broj bijelih kuglica ćemo označiti s Nb , a broj bijelih kuglica s
brojem j = 1, 2 ćemo označiti s Nb,j i slično i za crne i plave kuglice:
N = Nb + Nc + Np ,
N = N1 + N2 ,
N = Nb,1 + Nb,2 + Nc,1 + Nc,2 + Np,1 + Np,2 .
2.3 Uvjetna (relativna) vjerojatnost 71
A PSOLUTNE VJEROJATNOSTI :
Prvi tip pitanja koje se postavlja, jeste:
Nb Nb,1 + Nb,2
P(b) = = ,
N Nb,1 + Nb,2 + Nc,1 + Nc,2 + Np,1 + Np,2
Nb,1 Nb,1
P(b1) = = ,
N Nb,1 + Nb,2 + Nc,1 + Nc,2 + Np,1 + Np,2
Nc,2 Nc,2
P(c2) = = .
N Nb,1 + Nb,2 + Nc,1 + Nc,2 + Np,1 + Np,2
R ELATIVNE VJEROJATNOSTI :
Drugi tip pitanja koje se postavlja, jeste npr.:
Ovo je primjer uvjetne ili relativne vjerojatnosti. Polazimo od toga da već JESTE izvučena
bijela kuglica i pitamo se je li ona označena s jedinicom. Bijelih kuglica ima
Nb = Nb,1 + Nb,2 ,
Nb,1 Nb,1
P(1/b) = = .
Nb Nb,1 + Nb,2
označena jedinicom (bez obzira na boju i sve ostale karakteristike, ako ih ima). Takvih
kuglica ima
a bijelih kuglica označenih jedinicom ima Nb,1 . Prema tome je tražena vjerojatnost
jednaka
Nb,1 Nb,1
P(b/1) = = .
N1 Nb,1 + Nc,1 + Np,1
P( AB)
P( B/A) = . (2.11)
P( A)
Gornje dvije relacije su primjeri onoga što će se u slijedećem odjeljku nazvati multipli-
kacijski teorem.
Zadatak 2.8 Promatra se skup od 20 000 osoba. Muškaraca je 10 000 i žena je 10 000.
U skupu je slijepo na boje 500 muškaraca i 25 žena. Promataju se dva
dogad̄aja: dogad̄aj A je biti slijep na boje, a dogad̄aj B je biti muškarac.
(a) Izračunaje apsolutnu vjerojatnost dogad̄aja A.
(b) Izračunajte apsolutnu vjerojatnost da je muškarac slijep na boje.
(c) Izračunajte relativnu vjerojatnost da je osoba muškarac, ako je slijepa
na boje.
2.3 Uvjetna (relativna) vjerojatnost 73
Rješenje:
(a) Apsolutna vjerojatnost dogad̄aja A je omjer osoba slijepih na boje i ukupnog broja osoba
500 + 25 525
P( A) = = .
20 000 20 000
(b) Apsolutna vjerojatnost da je osoba muškarac slijep na boje je jednaka omjeru muškaraca
slijepih na boje i ukupnog broja osoba
500
P( AB) = .
20 000
(c) Relativna vjerojatnost da je netko muškarac, ako je slijep na boje je
500
P( B/A) = .
525
(d) Iz ovog primjera vidimo da vrijedi (2.12)
500 525 500
P( AB) = P( B/A) · P( A) = · = .
525 20 000 20 000
Zadatak 2.9 U kutiji su 4 crne i 6 bijelih kuglica. Izvlače se jedna po jedna, dvije
kugice. Kolika je vjerojatnost da će druga kuglica biti bijela, ako je
(a) prva kuglica bila bijela,
(b) prva kuglica bila crna?
(A) Izračunajte (a) i (b) ako se prva kuglica ne vraća u kutiju i (B) ako se
prva kuglica vraća u kutiju.
Rješenje:
(A a) Vjerojatnost da je prva bijela je
6
P(1B) = .
10
Vjerojatnost da je i druga bijela je
5
P(2B/1B) = .
9
(A b) Vjerojatnost da je prva crna je
4
P(1C ) = .
10
Vjerojatnost da je druga bijela je
6
P(2B/1B) = .
9
(B a) = (B b) Ako se prva kuglica vraća, obje su vjerojatnosti jednake
6
P(2B/1Cili1B) = .
10
74 Poglavlje 2. Osnovni pojmovi vjerojatnosti
( N3 : A, B) u N3 pokusa su se dogodili i A i B,
N1 + N2 + N3 + N4 = N.
Sada želimo f rel ( A + B) povezati s f rel ( A) i f rel ( B). Ranije, (2.5), kada su A i B bili
isključivi dogad̄aji, bilo je, (2.5),
Pogledajmo što se dobiva sada kada A i B nisu isključivi dogad̄aji. Iz gornjih izraza
izravno slijedi
N1 + N2 + N3 N1 + N3 N2 + N3 N3
f rel ( A + B) = = + − = f rel ( A) + f rel ( B) − f rel ( AB).
N N N N
13 To su npr. boja i broj na kuglicama iz primjera u prethodnom odjeljku.
2.4 Adicijski i multiplikacijski teorem 75
Osim toga, želimo i f rel ( AB) povezati s uvjetnim vjerojatnostima f rel ( B/A) i f rel ( A/B)
N3 N3 N + N3
f rel ( AB) = = · 1 = f rel ( B/A) · f rel ( A),
N N1 + N3 N
N3 N3 N2 + N3
= = · = f rel ( A/B) · f rel ( B).
N N2 + N3 N
P( A + B) = P( A) + P( B) − P( AB),
(2.14)
P( AB) = P( B/A) · P( A) = P( A/B) · P( B).
Slika 2.4: Uz definiciju zbrajnja vjerojatnosti, kada A i B nisu isključivi dogad̄aji, relacija
(2.14).
ωi
α( A) α∩β β( B)
područjima α i β; no ako bih zbrojio točke u ta dva područja, onda bih točke iz presjeka
α ∩ β brojao dva puta, pa da bih eliminirao to dvostruko zbrajanje, moram jednom
oduzeti točke iz presjeka, a to je upravo oduzimanje vjerojatnosti P( AB) u izrazu (2.14).
Ovaj je teorem poopćenje pravila o zbrajanju vjerojatnosti (2.5), gdje smo pretpostavili
da je istodobno ostvarenje oba dogad̄aja isključeno. Zaista, ako je nemoguće da se A i B
dogode istovremeno, tada je P( AB) = 0 i P( A + B) je jednako (2.5).
Ovaj se teorem može proširiti i na više od dva dogad̄aja. Npr. ako se promatraju tri
dogad̄aja A, B i C i pitamo se kolika je vjerojatnost da se dogodi bar jedan od njih (tj.
ili da se dogodi jedan ili bilo koja dva ili da se dogode sva tri). Na slici 2.5 to znači da
moramo zbrojiti sve dogad̄aje sadržane u području A, B i C (označeno zelenim), pazeći
pri tome da nijedan dogad̄aj ne računamo dva ili više puta. Koristeći relaciju (2.14),
76 Poglavlje 2. Osnovni pojmovi vjerojatnosti
A B
dolazi se do
P( A + B + C ) = P(( A + B) + C ) = (2.14) = P( A + B) + P(C ) − P(( A + B)C )
= P( A + B) + P(C ) − P( AC + BC )
= (2.14) = P( A) + P( B) − P( AB) + P(C ) − P( AC ) − P( BC ) + P( ABC )
= P( A) + P( B) + P(C ) − P( AB) − P( AC ) − P( BC ) + P( ABC ). (2.15)
I dalje, ako se analiziraju četiri dogad̄aja, A, B, C i D, a koristeći (2.14) i (2.15), dolazi do
P( A + B + C + D ) = P(( A + B + C ) + D ) = (2.14) = P( A + B + C ) + P( D ) − P(( A + B + C ) D )
= (2.15) = P( A) + P( B) + P(C ) − P( AB) − P( AC ) − P( BC ) + P( ABC )
+ P( D ) − P( AD + BD + CD )
= (2.15) = P( A) + P( B) + P(C ) + P( D )
− P( AB) − P( AC ) − P( AD ) − P( BC ) − P( BD ) − P(CD )
+ P( ABC ) + P( ABD ) + P( ACD ) + P( BCD )
− P( ABCD ).
Ako za neki opći i proizvoljni broj dogad̄aja s:
S1 označimo zbroj apsolutnih vjerojatnosti svih pojedinih dogad̄aja: P( A) + P( B) + · · · ;
S2 označimo zbroj apsolutnih vjerojatnosti svih parova dogad̄aja: P( AB) + P( AC ) + · · · ;
S3 označimo zbroj apsolutnih vjerojatnosti svih trostrukih dogad̄aja: P( ABC ) + P( ABD ) +
···;
itd. tada se adicijski teorem može napisati kao
P ( A + B + · · · ) = S1 − S2 + S3 − · · · . (2.16)
P( A/B) = P( A),
P( AB) = P( A) P( B),
Gornje pravilo za vjerojatnost ostvarenja dva dogad̄aja, lako je poopćiti i na više doga-
d̄aja (primjetimo ULAN ČANOST dogad̄aja):
itd.
Ako izračunamo vjerojatnost P da bar jedna kuglica bude izvučena u izvlačenju koje je
jednako broju na kuglici, tada je odgovor na postavljeno pitanje jednak 1 − P. Označimo
s P( A) vjerojatnost da kuglica s brojem jedan bude izvučena u prvom izvlačenju; s
P( B) vjerojatnost da kuglica s brojem 2 bude izvučena u drugom izvlačenju itd. Prema
adicijskom teoremu, tj. Poincaréovoj formuli (2.16), vjerojatnost P je jednaka
P ≡ P ( A + B + · · · ) = S1 − S2 + S3 − · · ·
Vjerojatnost S1 označava
S1 = P ( A ) + P ( B ) + P ( C ) + · · ·
S P( A) je označena vjerojatnost da prva izvučena kuglica nosi broj jedan. Ona je jednaka
omjeru broja povoljnih i svih mogućih izvlačenja. Postoji sve skupa N! načina da se
izvuče N kuglica. Ako je prva kuglica imala broj jedan, preostalih N − 1 kuglica se
može izvući na ( N − 1)! načina. Prema tome je
( N − 1) ! 1
P( A) = = .
N! N
Ista je i vjerojatnost da druga po redu bude izvučena kuglica s brojem 2 itd.
1 1 1 1
S1 = + + . . . + = N = 1.
N N N N
78 Poglavlje 2. Osnovni pojmovi vjerojatnosti
N−1 N
( N − 1) + ( N − 2) + . . . + 2 + 1 = N = ,
2 2
što daje za S2
N ( N − 2) ! N! ( N − 2) ! 1
S2 = = = .
2 N! ( N − 2)!2! N! 2!
Na sličan se način dolazi i do
1 1 1
S3 = , S4 = , ··· SN = .
3! 4! N!
Stoga je i tražena vjerojatnost P jednaka
1 1 1 1 1
P=1− + − + · · · + (−1)n−1 + · · · + (−1) N −1 .
2! 3! 4! n! N!
To je vjerojatnost da bar jedna kuglica bude izvučena pod svojim rednim brojem. Ono
što mi želimo izračunati je
1 1 1 1
Q=1−P= − + + · · · + (−1) N .
2! 3! 4! N!
U granici kada N → ∞, gornji zbroj je jednak 1/e
1 1
Q= = 0.36787944 . . . ⇒ P=1− = 0.63212055 . . .
e e
Ovaj je problem postavljen i riješen godine 1708. u vezi igre s 13 karata, gdje dobiva
igrač koji izvuče kartu označenu s brojem koji odgovara broju izvlačenja. Time su se
bavili Nikola Bernoulli (1687 - 1759) i Leonhard Euler (1707 - 1783) koji je i našao vezu s
brojem e.
Zadatak 2.10 Iz dva snopa igraćih karata od po 52 karte svaki, izvlači se po jedna
karta. Kolika je vjerojatnost da će bar jedna karta biti pikova dama?
Rješenje:
Zadatkom su definirana dva dogad̄aja: A - izvući pikovu damu iz prvog snopa i B - izvući pikovu
damu iz drugog snopa. Ova su dva dogad̄aja med̄usobno neovisna (jedan ne isključuje drugi).
Vjerojatnost da se iz prvog snopa karata izvuče pikova dama je
1
P( A) = .
52
2.4 Adicijski i multiplikacijski teorem 79
Zadatak 2.11 Kocka I ima 4 crne i 2 bijele plohe, a kocka I I ima 2 crne i 4 bijele plohe.
Baca se kovanica. Ako se okrene pismo, tada se N puta baca kocka I,
a ako padne glava tada se N puta baca kocka I I. Kocka je N puta za
redom pokazala crnu plohu. Kolika je vjerojatnost da je to kocka I?
Rješenje:
Označimo pojavu crne plohe sa C. Apsolutna vjerojatnost da padne pismo i da se N puta okrene
crna ploha kocke I je
N
1 4
P( IC ) = .
2 6
Isto tako, apsolutna vjerojatnost da se to dogodi kocki I I je
N
1 2
P( I IC ) = .
2 6
Vjerojatnost da se N puta okrene crna ploha (neovisno o kocki je)
P(C ) = P( IC ) + P( I IC ).
Prema tome, ako znamo da se crna ploha okrenula N puta, vjerojatnost da se to dogodilo kockom
I je jednaka
P( IC ) 1
P( I/C ) =
P(C )
= ··· = N .
1 + 12
80 Poglavlje 2. Osnovni pojmovi vjerojatnosti
Rješenje:
dovršiti
Zadatak 2.13 U kutiji su tri kuglice. Kuglice su ili bijele ili crne boje, ali ne znamo
koliko je kuglica bijelo, a koliko crno. Iz kuglice se nasumice izvuče
jedna kuglica i pokaže se da je ona bijela. Izračunajte vjerojatnost da
kutija sadrži 0, 1, 2 ili 3 bijele kuglice.
Rješenje:
dovršiti
Zadatak 2.14 U prvoj kutiji se nalaze dvije bijele i četiri crne kuglice, a u drugoj kutiji
su tri bijele i dvije crne kuglice. Iz prve kutije se nasumično biraju
dvije kuglice i prebace u drugu kutiju. Zatim se iz druge kutije izvuče
jedna kuglica. Kolika je vjerojatnost da je ta kuglica bijela?
Rješenje:
Postoje tri mogućnosti:
1. Prebačene su dvije bijele kuglice i sada su u drugoj kutiji pet bijelih i dvije crne kuglice.
2. Prebačene su jedna bijela i jedna crna kuglica i sada su u drugoj kutiji četiri bijele i tri crne
kuglice.
3. Prebačene su dvije crne kuglice i sada su u drugoj kutiji tri bijele i četiri crne kuglice.
Vjerojatnosti za ove tri mogućnosti su, redom
Rješenje:
dovršiti ...
14 Thomas Bayes (čita se Bejz), 1701. – 7. IV 1761., engleski matematičar, filozof i prezbiterijanski svećenik.
Njegov rad, danas poznat kao Bayesov teroem, objavljen je posmrtno, 1764. godine.
2.5 Bayesov teorem 81
P( B)
P( B/A) = P( A/B). (2.20)
P( A)
H1 , H2 , · · · , HN .
Zamislimo sada jedan dogad̄aj označen s X koji nastupa nakon bilo kojeg od gornjih
dogad̄aja Hn . Tada (2.20) čitamo kao
P( Hn )
P( Hn /X ) = P( X/Hn ).
P( X )
P( Hn ) P( Hn )
P( Hn /X ) = P( X/Hn ) = P( X/Hn ).
P( X ) P( XH1 ) + P( XH2 ) + · · · P( XHN )
P( XHn ) = P( X/Hn ) · P( Hn )
82 Poglavlje 2. Osnovni pojmovi vjerojatnosti
P( Hn )
P( Hn /X ) = P( X/Hn ).
P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + · · · + P( X/HN ) P( HN )
(2.21)
Za dogad̄aj X znamo da je posljedica jednog od dogad̄aja H1 , H2 , · · · , HN (od kojih se
ne mogu dva dogoditi istodobno). Dogad̄aje Hn zovemo hipotetičkim uzrocima od X.
Gornji izraz kaže kolika je vjerojatnost dogad̄aja Hn , nakon što mi već znamo da se
dogodio X.
1 1 1
P( X/H1 ) = = .
6 5
2
2.5 Bayesov teorem 83
2 1 4 3
1 1 1 1 1 2
P( X/H2 ) = = , P( X/H3 ) = = .
4 3 12 11
2 2
Pomoću gornjih vjerojatnost i Bayesova teorema (2.21), slijedi
P( H1 )
P( H1 /X ) = P( X/H1 )
P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + P( X/H3 ) P( H3 )
1
3 1 33
= 11 11 2 1
= ,
53 + 33 + 11 3
5 118
P( H2 )
P( H2 /X ) = P( X/H2 )
P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + P( X/H3 ) P( H3 )
1
3 1 55
= 11 11 2 1
= ,
53 + 33 + 11 3
3 118
P( H3 )
P( H3 /X ) = P( X/H3 )
P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + P( X/H3 ) P( H3 )
1
3 2 30
= 11 11 2 1
= .
53 + 33 + 11 3
11 118
GRANICE POVJERENJA
Izvodi se niz pokusa. U svakom pojedinom pokusu je ista vjerojatnost p da se ostvari
uočeni dogad̄a A. Vjerojatnost p je nepoznata, ali je poznato da ima jednu od R ∈ N
mogućih vrijednosti (hipoteza)
r 1 2 R
, r ∈ {1, 2, · · · , R} ⇒ p∈ , ,··· , .
R R R R
Neka je Hr dogad̄aj koji se sastoji u tome da p ima vrijednost p = r/R Pretpostavlja
se da su vjerojatnosti ostvarenja svih R dogad̄aja Hr med̄usobno jednake i zato (zbog
normiranja) iznose
1
P( Hr ) = , r ∈ {1, 2, · · · , R}.
R
U N ponovljenih pokusa, dogad̄aj A se ostvario n puta, tako da je njegova relativna
frekvencija ostvarenja jednaka n/N. Potrebno je odrediti vjerojatnost da se vrijednost
84 Poglavlje 2. Osnovni pojmovi vjerojatnosti
N N r n r N −n
n N −n
P( A/Hr ) = p (1 − p ) = 1− .
n n R R
P( Hn )
P( Hn /A) = P( A/Hn )
P( A/H1 ) P( H1 ) + P( A/H2 ) P( H2 ) + · · · + P( A/HR ) P( HR )
1
R
=
1 n 1 N −n 1 R n
N −n 1 ·
( Nn ) 1− + · · · + ( Nn ) 1 − RR
R R R
R
R
N r n r N −n
· 1−
n R R
1 r n r N −n
= · 1 − .
1 n 1 N −n R n N −n R R
1− 1− R
R R + ··· + R R
Vjerojatnost (2.22) je jednaka zbroju gornjih vjerojatnosti za sve r izmed̄u r1 i r2 , pri čemu
je r1 najmanji prirodan broj veći ili jednak α, a r2 je najveći prirodan broj manji ili jednak
β
r2
r n r N −n
∑ 1−
r2 R R
α β r =r1
P
R
≤p≤
R
= ∑ P( Hr /A) = R
.
r =r1 r n r N −n
∑ 1−
R R
r =1
Rp
R2 r n r N −n Rp2
1− dr x n (1 − x ) N −n dx
r2 R R
α β Rp1 p1
P
R
≤p≤
R
= ∑ P( Hr /A) →
RR
=
R1
.
r =r1 r n r N −n N −n
1− dr yn (1 − y ) dy
R R
0 0
2.5 Bayesov teorem 85
Sukladno tomu, integral u brojniku istog izraza se može izraziti preko nepotpune
beta-funkcije, definirane izrazom
Z z
β(z; m, n) ≡ x m−1 (1 − x ) n−1 dx , Re (m) > 0, Re (n) > 0.
0
15 Vidjeti npr. dio o gama funkciju u poglavlju o specijalnim funkcijama u G LUMAC , Matematičke metode
fizike
86 Poglavlje 2. Osnovni pojmovi vjerojatnosti
P( p1 ≤ p ≤ p2 ) = 1 − e, ∀e ∈ [0, 1],
P ( p1 ≤ p ≤ p2 ) = P ( p ≤ p2 ) − P ( p ≤ p1 ) .
e
P ( p ≤ p1 ) = I p1 (n + 1, N − n + 1) ≤ ,
2
(2.26)
e
P ( p ≤ p2 ) = I p2 (n + 1, N − n + 1) ≥ 1 − .
2
bit će
P( p1 ≤ p ≤ p2 ) = P ( p ≤ p2 ) − P ( p ≤ p1 ) ≥ 1 − e. (2.27)
P( p 6∈ [ p1 , p2 ]) < e.
PRIMJENA U GENETICI
Češki svećenik Johann Gregor Mendel (1822. - 1884.) je, izvodeći svoje poznate pokuse
s križanjem različitih sorata graška, zasnovao jednu, tada novu, znanstvenu disciplinu
koja se danas naziva genetika. Mendel je imao dvije sorte graška: zeleni i žuti. To je
prva generacija čistih sorata. Njihovim križanjem dobiva drugu generaciju (hibridnu) u
kojoj su sve biljke žute boje. Križanjem ovih hibrida dobiva treću generaciju (takod̄er
hibridnu) u kojoj ima i zelenog i žutog graška. Od ukupno 8 023 biljke u trećoj generaciji,
njih 6 022 su bile žute, a 2 001 zelene. Dakle, u dobroj približnosti, omjer je bio 3 : 1 za
žutu boju. Da bi objasnio rezultat ovog svog pokusa, Mendel je općenito pretpostavio
postojanje dominantnih D i recesivnih r osobina živih bića. Za grašak je to značilo
da je žuta boja je dominantna, Ž ≡ D, a zelena je recesivna osobina, z ≡ r. Križanjem
dvije biljke koje obje imaju dominantnu osobinu i potomci će imati (samo) dominantnu
osobinu. Isti tako, križanjem dvije biljke koje obje imaju recesivnu osobinu i potomci
će imati (samo) recesivnu osobinu. To je bila njegova prva generacija biljaka. Druga
generacija je nastala križanjem jedne biljke koja ima samo gene s dominantnom osobi-
nom i jedne biljke koja ima gene samo s recesivnom osobinom. Rezultat su bile biljke
koje su u sebi nosile i dominantnu i recesivnu osobinu (konkretno boju). Dominantna je
prevladala i sve biljke druge generacije bile su žute
1. gen. Ž Ž × zz → 1. križanje → 2. gen. Žz
2. gen. Žz × Žz → 2. križanje → 3. gen. Ž Ž + Žz + Žz + zz.
Vidi se da će u trećoj16 generaciji kod 3/4 biljaka
Ž Ž + Žz + Žz
prevladavati dominantna osobina (žuta boja), a samo kod 1/4 će se pojaviti recesivna
osobina (zelena boja). To je objašnjenje njegovog pokusa, a ujedno i objašnjenje propa-
gacije odred̄enih osobina živih jedinki kroz generacije.
16 Naravno da oznaka Žz označava biljku istih osobina kao i z Ž, zatim Ž Ž ≡ Ž, itd.
88 Poglavlje 2. Osnovni pojmovi vjerojatnosti
s pripadnim vjerojatnostima
1
P(bijelac) = P( BB) = ,
4
1
P(melez) = P( BC ) = ,
2
1
P(crnac) = P(CC ) = .
4
Općenito se može reći da će rezultat križanja DD × DD uvijek biti jedinka s D osobinom
DD × D → DD.
P( DD/DD × DD ) = 1,
P( Dr/DD × DD ) = 0, (2.28)
P(rr/DD × DD ) = 0.
Rezultat križanja DD × Dr je
DD × Dr → DD + Dr,
1
P( DD/DD × Dr ) = ,
2
1
P( Dr/DD × Dr ) = , (2.29)
2
P(rr/DD × Dr ) = 0.
Rezultat križanja DD × rr je
DD × rr → Dr,
P( DD/DD × rr ) = 0,
P( Dr/DD × rr ) = 1, (2.30)
P(rr/DD × rr ) = 0.
2.5 Bayesov teorem 89
Rezultat križanja Dr × Dr je
Dr × Dr → DD + Dr + Dr + rr,
1
P( DD/Dr × Dr ) = ,
4
1
P( Dr/Dr × Dr ) = , (2.31)
2
1
P(rr/Dr × Dr ) = .
4
Rezultat križanja Dr × rr je
Dr × rr → Dr + rr,
P( DD/Dr × rr ) = 0,
1
P( Dr/Dr × rr ) = , (2.32)
2
1
P(rr/Dr × rr ) = .
2
Rezultat križanja rr × rr je
rr × rr → rr,
P( DD/rr × rr ) = 0,
P( Dr/rr × rr ) = 0, (2.33)
P(rr/rr × rr ) = 1.
Vratimo se opet grašku. Postavlja se pitanje: križana su dva hibridna žuta graška (ne
zna se kojoj generaciji pripadaju) i dobiven je opet žuti grašak
gdje x nepoznanica koja može biti x = Ž ili x = z. Daljim križanjem hibrida Žx s
hibridom Žz dobiveno je N biljaka i sve su bile žute, tj.
1993.) .
90 Poglavlje 2. Osnovni pojmovi vjerojatnosti
Osobina x može imati jednu od dvije vrijednosti: ili je Ž ili je z, pa postoje i dvije
hipoteze
H1 : x = Ž, H2 : x = z.
Ž Ž × Žz → Žy,
tada je, prema (2.29), vjerojatnost da potomak bude žute boje, ako su roditelji bili
Ž Ž × Žz, jednaka
1 1
P( ZˇŽ + Žz/ Ž Ž × Žz) = P( Ž Ž/ Ž Ž × Žz) + P( Žz/ Ž Ž × Žz) = + = 1,
2 2
tj. sigurno je da će potomak biti žute boje. Ako je istinita druga hipoteza, tj. ako (2.35)
glasi
tada je, prema (2.31), vjerojatnost da potomak bude žute boje, ako su roditelji bili
Žz × Žz, jednaka
1 1 3
P( Ž Ž + Žz/ Žz × Žz) = P( Ž Ž/ Žz × Žz) + P( Žz/ Žz × Žz) = + = .
4 2 4
Označimo dogad̄aj da je biljka žute boje slovom A Ž ≡ Ž Ž + Žz. Gornje dvije vjerojat-
nosti se tada kratko mogu zapisati kao uvjetne vjerojatnosti
3
P( A Ž /H1 ) = 1, P( A Ž /H2 ) = .
4
To su vjerojatnosti koje se odnose na jednu biljku. Vjerojatnosti da je svih N biljaka te
generacije žuto, dobije primjenom i vjerojatnosti N puta za svaku od dvije promatrane
hipoteze
N
N 3
P( N A Ž /H1 ) = 1 = 1, P( N A Ž /H2 ) = .
4
Nadalje, križanjem dva hibrida, Žz × Žz iz (2.34), općenito se dobiju četiri kombinacije:
Ž Ž, Žz, Žz, zz. Prema tome, uvjetna vjerojatnost da se u paru pojavi Ž, ako znamo da
drugi član para jeste Ž, je
1
P( x = Ž/ Ž ) ≡ P( H1 ) = .
3
Isto tako, uvjetna vjerojatnost da se u paru pojavi z, ako znamo da drugi član para jeste
Ž, je
2
P( x = z/ Ž ) ≡ P( H2 ) = .
3
Sada možemo odgovoriti na pitanje postavljeno relacijom (2.35): ako su križane dvije
biljke obje sastava Žz, kolika je vjerojatnost da je u (2.35), x = Ž, uz uvjet da je svih N
2.5 Bayesov teorem 91
biljaka nastalih križanjem, žute boje. Odgovor je dan Bayesovim teoremom (2.21) i glasi
P( H1 )
P( H1 /N A Ž ) = P( N A Ž /H1 )
P( N A Ž /H1 ) P( H1 ) + P( N A Ž /H2 ) P( H2 )
1
3 1
= N · 1N = N .
1 3 2 3
1N · + · 1+2
3 4 3 4
0.9
0.8
P (H1/N AZ)
0.7
0.6
0.5
0.4
0 5 10 15 20
N
P( H2 )
P( H2 /N A Ž ) = P( N Ž/H2 )
P( N A Ž /H1 ) P( H1 ) + P( N A Ž /H2 ) P( H2 )
2 N
3 3 2
= N · = N .
1 2 3 4 4
+ 2+
3 3 4 3
P( H1 /N A Ž ) + P( H2 /N A Ž ) = 1.
N 1 2 5 10 20
P( H1 /N A Ž ) 0.4 0.470588 0.678146 0.898774 0.993698.
PRIMJENA U MEDICINI
... dovršiti ...
Pretpostavimo da na nekom game showu igrač bira jedna od triju ponud̄enih vrata: iza
jednih vrata je automobil, a iza ostalih su koze. Igrač izabire vrata, npr. broj jedan, a
voditelj, koji zna što je iza vrata, otvori neka druga vrata, npr. broj dva, iza kojih je koza,
kao na slici 2.8. Zatim voditelj upita igrača želi li promijenti svoj izbor i umjesto vrata
broj jedan, izabrati vrata broj tri. Pitanje je je li povoljnije promjeniti izbor i odlučiti se
vrata broj tri, ili je povoljnije ostati na prvotnom izboru vrata broj jedan?
Do odgovora se može doći koristeći Bayesov teorem. Uvedimo nasumičnu varijablu A
(kao automobil) koja može imati tri diskretne vrijednosti: A = 1 ako je automobil iza
vrata broj jedan, A = 2 ako je automobil iza vrata broj dva i A = 3 ako je automobil iza
vrata broj tri. U početku, bez ikakvih dodatnih informacija, moramo zaključiti da je
1
P ( A = 1) = P ( A = 2) = P ( A = 3) = .
3
Neka varijabla B označava broj vrata koja je otvorio voditelj. Bez gubitka općenitosti
(translacijska invarijantnost) možemo razmotriti situaciju u kojoj igrač odabire vrata
broj jedan, a voditelj otvara vrat broj dva iza kojih je koza. Ukoliko je automobil iza
vrata broj jedan, a voditelj uvijek otvara vrata iza kojih nije automobil, vjerojatnost da
voditelj otvori vrata broj dva je
1
P( B = 2/A = 1) = .
2
Ukoliko je automobil iza vrata broj dva, voditelj ih sigurno neće otvoriti
P( B = 2/A = 2) = 0.
Ukoliko je automobil iza vrata broj tri, voditelj će sigurno otvoriti vrata broj dva
P( B = 2/A = 3) = 1.
P( B = 2/A = j) P( A = j) P( A = j)
P( A = j/B = 2) = = 3 P( B = 2/A = j).
P ( B = 2) ∑i=1 P( B = 2/A = i ) P( A = i )
2.5 Bayesov teorem 93
Rješenje:
dovršiti
Zadatak 2.17 U kutiji su tri kuglice. Kuglice su ili bijele ili crne boje, ali ne znamo
koliko je kuglica bijelo, a koliko crno. Iz kuglice se nasumice izvuče
jedna kuglica i pokaže se da je ona bijela. Izračunajte vjerojatnost da
se u kutiji nalazi 0, 1, 2 ili 3 bijele kuglice.
Rješenje:
U kontekstu Bayesovog teorema (2.21)
P( Hn )
P( Hn /X ) = P( X/Hn ),
P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + · · · + P( X/HN ) P( HN )
postoje četiri hipoteze, koje su sve a priori jednako vjerojatne: H0 u kutiji nijedna kuglica nije
bijela, H1 u kutiji je jedna bijela kuglica, H2 u kutiji su dvije bijele kuglice, H3 u kutiji su tri
bijele kuglice. Zbog normiranja vjerojatnosti, očito mora biti
1
P( H0 ) = P( H1 ) = P( H2 ) = P( H3 ) = .
4
Dogad̄aj X iz Bayesovog teorema je u ovom slučaju izvlačenje bijele kuglice. Uvjetene vjerojat-
nosti da je izvučena bijela kuglica uz uvjet da vrijedi hipoteza Hj su
0 1 2 3
P( X/H0 ) = , P( X/H1 ) = , P( X/H2 ) = , P( X/H3 ) = .
3 3 3 3
94 Poglavlje 2. Osnovni pojmovi vjerojatnosti
P( H0 )
P( H0 /X ) = P( X/H0 )
P( X/H0 ) P( H0 ) + P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + P( X/H3 ) P( H3 )
1
4
= 11 21 31
· 0 = 0,
0+ 34 + 34 + 34
P( H1 )
P( H1 /X ) = P( X/H1 )
P( X/H0 ) P( H0 ) + P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + P( X/H3 ) P( H3 )
1
4 1 1
= 11 21 31
· =
0+ 34 + 34 + 34
3 6
P( H2 )
P( H2 /X ) = P( X/H2 )
P( X/H0 ) P( H0 ) + P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + P( X/H3 ) P( H3 )
1
4 2 1
= 11 21 31
· =
0+ 34 + 34 + 34
3 3
P( H2 )
P( H3 /X ) = P( X/H3 )
P( X/H0 ) P( H0 ) + P( X/H1 ) P( H1 ) + P( X/H2 ) P( H2 ) + P( X/H3 ) P( H3 )
1
4 3 1
= 11 21 31
· = .
0+ 34 + 34 + 34
3 2
3
1 1 1
∑ P( Hj /X ) = 0 + + + = 1.
6 3 2
j =0
Zadatak 2.18 Izvor emitira poruke koje se sastoje od niza znakova 0 i 1. Vjerojatnost
emitiranja znaka 0 je 0.4, a znaka 1 je 0.6. Na izlazu iz izvora se 10 %
svih znakova pogrešno interpretira. Ako je primljena poruka 101,
kolika je vjerojatnost da je ona i poslana?
Rješenje:
Koristeći Bayesov teorem (2.21), treba izračunati P(1e/1d) i P(0e/0d), a zatim je tražena
vjerojatnost emitiranja i detekcije 101 jednaka
Prema (2.21) je
P(1e)
P(1e/1d) = P(1/1) = 0.931 934 · · · ,
P(1/1) P(1e) + P(1/0) P(0e)
P(0e)
P(0e/0d) = P(1/1) = 0.857 143 · · · .
P(0/1) P(1e) + P(0/0) P(0e)
Zadatak 2.19 Dva strijelca su, nezavisno jedan od drugoga, gad̄ali istu metu, svaki
ispalivši po jedan hitac. Vjerojatnost da je prvi strijelac pogodio metu
je 0.8, a da je pogodio drugi vjerojatnost je 0.4. Poslije gad̄anja oba
strijelca, ustanovljeno je da je meta pogod̄ena jednim hicem. Kolika je
vjerojatnost da je prvi strijelac pogodio metu?
Rješenje:
Definirajmo slijedeće dogad̄aje:
A: meta je pogod̄ena jednim hicem
A/H1 : prvi je pogodio, a drugi promašio,
A/H2 : prvi je promašio, a drugi pogodio,
H1 : puca prvi strijelac
H2 : puca drugi strijelac
P( H1 ) = P( H2 ) = 1.
P( H1 ) 6
P( H1 /A) = P( A/H1 ) = = 0.857143.
P( A/H1 ) P( H1 ) + P( A/H2 ) 7
n
P(Un ) = .
55
Rješenje:
96 Poglavlje 2. Osnovni pojmovi vjerojatnosti
0.9
0.8
0.7
0.6
P (p, N)
0.5
0.4
N=1
0.3 N=2
N=4
0.2 N=8
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
p
P( p, N ) = 1 − (1 − p) N . (2.36)
Ukoliko svaki projektil sa sigurnošću, p = 1, pogad̄a metu, nema smisla slati pojedinačne
zrakoplove, jer će ih obrana sve srušiti. Zato se u slučaju kada se pretpostavlja vrlo
visoka vjerojatnost pogotka projektilom, šalju skupine zrakoplova, jer tada kao što ćemo
vidjeti iz slijedećih primjera, postoji veća ili manja vjerojatnost da dio zrakoplova preleti
obranu neoštećen.
Primjer 2.34 T RI ZRAKOPLOVA
Na skupinu od n = 3 zrakoplova, Z1 , Z2 i Z3 , ispaljena su N = 4 projektila, od kojih
svaki sa sigurnošću, p = 1, pogad̄a metu. Treba odrediti kolika je vjerojatnost da jedan
zrakoplov preleti obranu neoštećen.
n N = 81
je broj načina na koji N projektila može pogoditi n meta. Neka zn označava broj
projektila koji je pogodio zrakoplov Zn . Prema postavljenom uvjetu (svaki projektil
pogad̄a metu) mora biti ukupan broj pogodaka jednak
z1 + z2 + z3 + z4 = 4.
2.6 Problemi s višestrukim izborom 97
Donja tablica pokazuje sve moguće vrijednosti zn koje zadovoljaju gornji uvjet, kao i
broj njihovih pojavljivanja ν (na koliko načina četri projektila mogu pogoditi tri mete)
Z1 Z2 Z3 ν
4 0 0 1
0 4 0 1
0 0 4 1
3 1 0 4
3 0 1 4
1 3 0 4
0 3 1 4
1 0 3 4
0 1 3 4
2 2 0 6
2 0 2 6
0 2 2 6
2 1 1 12
1 2 1 12
1 1 2 12
Objasnimo značenje gornje tablice. U slijedećom nizovima od četiri broja, broj na prvom
mjestu označava koji je avion pogodio prvi projektil, broj na drugom mjestu označava
avion koji je pogodio drugi projektil itd. Tako npr. drugi red gornje tablice je opisan
jednim nizom brojeva
(2, 2, 2, 2),
što znači da su sva četiri projektila pogodila drugi zrakoplov. Četvrti red simbolizira
četiri načina na koje prvi zrakoplov može biti pogod̄en s tri projektila, drugi s jednim
projektilom, a treći je promašen
(1, 1, 2, 2), (1, 2, 1, 2), (1, 2, 2, 1), (2, 1, 1, 2), (2, 1, 2, 1), (2, 2, 1, 1).
i slično za ostale konfiguracije s vrijednošću ν = 6. Trinaesti red simbolizira dvanaest
načina na koje prvi zrakoplov može biti pogod̄en s dva projektila, drugi s jednim i treći
s jednim projektilom
(1, 1, 2, 3), (1, 1, 3, 2), (1, 2, 1, 3), (1, 3, 1, 2), (1, 2, 3, 1), (1, 3, 2, 1),
(2, 1, 1, 3), (3, 1, 1, 2), (2, 1, 3, 1), (3, 1, 2, 1),
(2, 3, 1, 1), (3, 2, 1, 1),
i slično za ostale konfiguracije s vrijednošću ν = 12. Neka je broj pogod̄enih zrakoplova
nasumična varijabla x ∈ {0, 1, 2, 3}. Iz gornje tablice se tada lako očitavaju vjerojatnosti
P( j) da je pogod̄eno j zrakoplova
0 3 42 36
P (0) = , P (1) = , P (2) = , P (3) = .
81 81 81 81
98 Poglavlje 2. Osnovni pojmovi vjerojatnosti
nN
je broj načina na koji N projektila može pogoditi n meta (varijacije n elemenata N-tog
razreda s ponavljanjem). Zrakoplov Z1 će proći neoštećen, ako svih N projektila pogodi
preostalih n − 1 zrakoplova. To su opet varijacije N-tog razreda s ponavljanjem, ali sada
ne od n nego od n − 1 elemenata
( n − 1) N ,
pa je zato vjerojatnost da jedan odred̄eni zrakoplov prod̄e neoštećen (svejedno je je li to
Z1 ili Z2 ili neki treći) jednaka
( n − 1) N 1 N
P (1) = = 1 − .
nN n
Istim razmišljanjem se dolazi do zaključka da je vjerojatnost neoštećenog preleta m
odred̄enih zrakoplova jednaka
(n − m) N mN
= 1 − ,
nN n
a vjerojatnost da neoštećeno preleti m ≤ n bilo kojih zrakoplova iz skupine, je jednaka
n (n − m) N n mN
P(m) = = 1 − .
m nN m n
Prema adicijskom teoremu (2.16) vjerojatnost neoštećenog preleta bar jednog zrakoplova
(ili jedan ili dva ili tri ili .... ili svih n) je
n
1 N 2 N 3 N
!
n n n n +1 n nN
P ∑ Zi = 1− − 1− + 1− − . . . (−1) 1−
i =1
1 n 2 n 3 n n | {zn }
=0
n −1
i +1 n i N
= ∑ (−1) 1− −1+1
i =1
i n
n −1
i +1 n i N
= 1 + ∑ (−1) 1− .
i =0
i n
2.6 Problemi s višestrukim izborom 99
Suprotna vjerojatnost, da neće nijedan zrakoplov preletjeti neoštećen, nego da će svi biti
pogod̄eni je tada jednaka
n n −1
i N n −1 i N
!
i +1 n i n
1 − P ∑ Zi = − ∑ (−1) 1− = ∑ (−1) 1− .
i =1 i =0
i n i =0
i n
dovršiti
N
p r (1 − p ) N −r .
r
dovršiti
100 Poglavlje 2. Osnovni pojmovi vjerojatnosti
Aurelije Augustin,
rimski pisac, filozof i teolog
x ∈ {1, 2, 3, 4, 5, 6},
1
P( x ) = , ∀ x.
6
od vrijednosti x = n za
n ∈ {0, 1, 2, · · · , N },
s vjerojatnošću koja nije konstantna nego ovisi o vrijednosti n i jednaka je, prema (2.10),
N
P(n) = p n q N −n , p = 1 − q = const.
n
Kao što sam naziv kaže, nasumična je varijabla x ona čija vrijednost x ovisi o slučaju,
tj. praktički se ne može točno unaprijed1 predvidjeti iz početnih uvjeta. Nasumične
varijable mogu biti diskretne, ako poprimaju diskretan skup vrijednosti (npr. P ili G pri
bacanju kovanice ili n iz gornjeg primjera) ili kontinuirane, ako poprimaju kontinuirane
vrijednosti iz nekog intervala (vrijednosti vremena, dužine, površine itd. u nekom
pokusu). Takod̄er, može se promatrati samo jedna nasumična varijabla ili više njih.
Općenito će se govoriti o N nasumičnih varijabla (diskretnih ili kontinuiranih)
x1 , x2 , · · · , xN .
Ove je varijable ponekad zgodno shvatiti kao komponente vektora koji se tada naziva
NASUMI ČNI VEKTOR
~x = ( x1 , x2 , · · · , xN ).
z = x1 + ı x2 ,
P( x )
1 tj. prije izvedbe pokusa
3.2 Diskretne nasumične varijable 103
SLUČAJNE VARIJABLE
diskretne kontinuirane
∑ P(x) = 1.
x
vrijednostima varijable x.
104 Poglavlje 3. Nasumične varijable
jesu vjerojatnosti da nasumice odabrani učenik iz razreda ima ocjenu jednaku n. Cijeli
skup { P(n); n = 1, 2, 3, 4, 5} se naziva normirana (diskretna) raspodjela vjerojatnosti i
skraćeno se označava jednostavno s P(n)
5 5
∑ P(n) = 1, hni = ∑ n P ( n ).
n =1 n =1
F ( x ) = P( x 0 ≤ x ) = ∑ P ( x 0 ). (3.1)
x ≤x
0
F(x)
6/6
5/6
4/6
3/6
2/6
1/6
x
1 2 3 4 5 6 7 8 9
P( x ) = a + b · x,
x1 , x2 , x3 , · · · ,
koje mogu poprimati vrjednosti iz istog ili različitih osnovnih skupova. Radi jednos-
tavnosti prikaza, umjesto općenite višedimenzijske varijable, govorit ćemo o DVODI -
MENZIJSKOJ nasumičnoj varijabli ( x1 , x2 ). Varijabla x1 može poprimiti bilo koju od N1
diskretnih vrijednosti, a varijabla x2 bilo koju od N2 diskretnih vrijednosti. Vjerojatnost
da je varijabla x1 poprimila jednu odred̄enu vrijednost x1 , i da je istovremeno varijabla
x2 poprimila jednu odred̄enu vrijednost x2 , ćemo označiti s
P ( x1 , x2 ).
∑ ∑ P(x , x ) = 1.1 2
x1 x2
∑ ∑ ∑ · · · P(x , x , x , · · · ) = 1.
1 2 3
x1 x2 x3
Vjerojatnost da varijabla x1 poprimi bilo koju vrijednost izmed̄u x p,1 i xk,1 , a da varijabla
x2 poprimi bilo koju vrijednost izmed̄u x p,2 i xk,2 , je dana slijedećim zbrojem vjerojatnosti
(ili vjerojatnost)
xk,1 xk,2
P( x p,1 ≤ x1 ≤ xk,1 , x p,2 ≤ x2 ≤ xk,2 ) = ∑ ∑ P ( x1 , x2 ).
x1 = x p,1 x2 = x p,2
F ( x1 , x2 ) = P( x10 ≤ x1 , x20 ≤ x2 ) = ∑ 0∑
0
P( x10 , x20 ).
x1 ≤ x1 x2 ≤ x2
P( x1 , x2 ) = P1 ( x1 ) P2 ( x2 ).
P( x1 , x2 , x3 , · · · ) = P1 ( x1 ) P2 ( x2 ) P3 ( x3 ) · · · . (3.2)
Ako zapis u gornjem obliku nije moguć, varijable su statistički ovisne i tada je
P( x1 , x2 , x3 , · · · ) 6= P1 ( x1 ) P2 ( x2 ) P3 ( x3 ) · · · .
1
P( x = 0.0022) = = 0.
∞
P( x ) = 0. (3.3)
(1) ρ( x ) ≥ 0, ∀ x,
Z +∞
(2) ρ( x ) dx = 1, normiranje, (3.4)
−∞
(3) ρ( x ) je po dijelovima kontinuirana,
Z xk
(4) P( x p < x ≤ xk ) = ρ( x ) dx , x p < xk .
xp
To znači da je površina ispod krivulje na slici 3.3.A, jednak jedinici. Svojstvo (3)
osigurava da imamo posla sa lijepim funkcijama, a (4) daje geometrijsku interpretaciju
vjerojatnosti da x poprimi bio koju vrijednost iz intervala ( x p , xk ): ona je numerički
jednaka površini ispod krivulje tj. integralu gustoće vjerojatnosti (s odgovarajućim
granicama), kao na slici 3.3.A. Ovo svojstvo (4) ima za posljedicu (3.3).
Ako su
x p = x, xk = x + dx ,
ρ( x ) ρ( x )
( A) ( B)
x x
a xp xk b a x 0 b
Z x+dx
ρ( x 0 ) dx 0 = P( x < x 0 ≤ x + dx )
x
Z x+dx
ρ( x ) dx = dP ( x )
x
dP( x )
ρ( x ) dx = dP ( x ) ⇒ ρ( x ) = . (3.5)
dx
108 Poglavlje 3. Nasumične varijable
Diferencijal vjerojatnosti4
dP ( x ) = ρ( x ) dx
Ovaj izraz ujedno i definira funkciju F kao primitivnu funkciju gustoće vjerojatnosti, tj.
dF ( x )
ρ( x ) = . (3.7)
dx
Usporedbom (3.5) i (3.7) uočavamo jednakost diferencijala,
dP ( x ) = dF ( x ),
dθ
dP = .
π
0 x
dx
θ = arctan( x ) ⇒ dθ = .
1 + x2
4 Primjetite da se gustoća vjerojatnosti definira na isti način kao i gustoća mase, gustoća naboja, gustoća
energija ili bilo koja druga gustoća neke fizičke √ veličine.
5 Tako npr. f ( x ) = x + 6 i f ( x ) = x − 37.12 imaju iste diferencijale d f = d f , ali su med̄usobno
1 2 1 2
različite f 1 ( x ) 6= f 2 ( x ).
3.3 Kontinuirane nasumične varijable 109
Z +∞ Z +∞ +∞
dx 1
dP ( x ) = arctan( x ) = 1.
2
=
−∞ −∞ π (1 + x ) π −∞
Zadatak 3.1 Unutar intervala [0, 1], nasumično se odabiru dva broja x i y. Odredite
vjerojatnost da bude: (a) x > y, (b) x + y < 3/2, (c) x = y.
Rješenje:
(a) Nacrta se pravac y = x, a tražena vjerojatnost je jednaka omjeru ploštine površine označenog
trokuta sa slike 3.4 i ploštine površine jediničnog kvadrata
y
x
=
y
x
1
y
=
−
x
+
3
2
x
1
(c) Nacrta se pravac y = x (slika 3.6, a tražena vjerojatnost je jednaka omjeru ploštine "površine"
tog pravca (koja je jednaka nuli) i ploštine površine jediničnog kvadrata
y
x
=
y
x
1
Rješenje:
dovršiti
Zadatak 3.3 Nasumično se odabiru brojevi x ∈ [0, 1] i y ∈ [0, 2]. Izračunajte vjerojat-
nost da zbroj x + y bude veći od dva, a umnožak xy manji od jedan.
Rješenje:
dovršiti
3.3 Kontinuirane nasumične varijable 111
ρ( x ) =
0, inače .
(a) Izračunajte A.
(b) Izračunajte funkciju raspodjele.
(c) Izračunajte P(0 < x < π/8).
Rješenje:
(a)
Konstanta A se računa iz uvjeta normiranja vjerojatnosti
Z Z π/4
1= ρ( x ) dx = A cos(2x ) dx = · · · = A.
−π/4
(b)
Za −π/4 ≤ x ≤ π/4, funkcija raspodjele se računa prema (3.6)
Z x Z x
1
F(x) = ρ(u) du = cos(2u) du = [sin(2x ) + 1],
−∞ −π/4 2
0, x ≤ −π/4,
1
F(x) = 2 [sin(2x ) + 1], −π/4 ≤ x ≤ π/4,
1, x ≥ π/4.
(c)
Tražena se vjerojatnost računa prema (3.4)
√
2
Z π/8
P(0 < x ≤ π/8) = cos(2x ) dx = · · · = .
0 4
Zadatak 3.5 Kontinuirana nasumična varijabla x iz intervala [2, 8], opisana je gus-
toćom vjerojatnosti jednakom a( x + 3), gdje je a konstanta. (a) Izra-
čunajte a. (b) Izračunajte P(3 < x < 5). (c) Izračunajte P( x ≥ 4). (d)
Izračunajte P(| x − 5| < 0.5).
Rješenje:
(a)
Z 8 8
x2
a ( x + 3) dx = 1=a 2 + 3x = a 48,
2 2
1
=⇒ a =
48
112 Poglavlje 3. Nasumične varijable
(b)
Z 5
1 7
P (3 < x < 5) = ( x + 3) dx = · · · = .
48 3 24
(c)
Z 8
1 3
P ( x ≥ 4) = ( x + 3) dx = · · · = .
48 4 4
(d)
Z 5.5
1 1
P(| x − 5| < 0.5) = ( x + 3) dx = · · · = .
48 4.5 6
(1) ρ( x1 , x2 ) ≥ 0, ∀ x1 , x2 ,
Z b Z d
(2) dx1 dx2 ρ( x1 , x2 ) = 1, normiranje (3.8)
a c
Z x1,k Z x2,k
(3) P( x1,p ≤ x1 ≤ x1,k , x2,p ≤ x2 ≤ x2,k ) = dx1 dx2 ρ( x1 , x2 ),
x1,p x2,p
dP ( x1 , x2 ) = ρ( x1 , x2 ) dx1 dx2
Ovaj izraz ujedno i definira funkciju F kao primitivnu funkciju gustoće vjerojatnosti, tj.
∂2 F ( x1 , x2 )
ρ ( x1 , x2 ) = . (3.10)
∂x1 ∂x2
3.3 Kontinuirane nasumične varijable 113
ρ ( x1 , x2 ) = ρ1 ( x1 ) ρ2 ( x2 ). (3.11)
ρ ( x1 , x2 ) 6 = ρ1 ( x1 ) ρ2 ( x2 ).
ρ ( x1 , x2 , · · · , xN ) = ρ1 ( x1 ) ρ2 ( x2 ) · · · ρ N ( xN ). (3.12)
ρ ( x1 , x2 , · · · , xN ) 6 = ρ1 ( x1 ) ρ2 ( x2 ) · · · ρ N ( xN ). (3.13)
ρ( x, y) =
0 inače ,
Z ∞ Z 1
P( x > 1, y < 1) = 2 e −x
dx e−2y dy = e−1 − e−3
1 0
Z ∞ Z y
−2y 1
P( x < y) = 2 e dy e− x dx = ,
0 0 3
Z ∞ Z 2
P ( x < 2) = 2 e−2y dy e− x dx = 1 − e−2 .
0 0
G EOMETRIJSKE VJEROJATNOSTI
Kao poseban slučaj vjerojatnosti opisan kontinuiranim nasumičnim varijablama, navo-
dimo geometrijske vjerojatnosti (ne treba ih pomiješati s geometrijskom raspodjelom
vjerojatnosti iz odjeljka 4.1.2). One mogu biti opisane s jednom ili s više varijabla.
I ovdje se vjerojatnost računa po općem receptu koji je izložen na početku: povoljno
kroz moguće. Radi lakšeg razumjevanja, evo nekoliko primjera.
114 Poglavlje 3. Nasumične varijable
Z C
dl
BC
P= = Z BD .
AD
dl
A
Slika 3.7: (a) Ilustracija računa vjerojatnosti da se nasumično odabrana točka na liniji AD,
nalazi unutar linije BC. (b) Ilustracija računa vjerojatnosti da se nasumično odabrana
točka iz područja A, nalazi unutar područja B.
( a) (b)
B
A C B
D
A
Z
dx dy
P = ZB .
dx dy
A
(R − r) 2 π R 2 − 2Rr + r 2
P2 = = .
R 2π R2
Tražena vjerojatnost je i vjerojatnost: T1 se mora nalaziti izmed̄u r i r + dr (ta je vjerojat-
nost dana sa dP1 ) i T2 se mora nalaziti unutar kruga polumjera R − r (ta je vjerojatnost
dana sa P2 )
2
dP = dP1 · P2 = ( R 2 r − 2Rr 2 + r 3 ) dr .
R4
Budući da r može imati bilo koju vrijednost izmed̄u 0 i R, to je ukupna vjerojatnost
jednaka
Z R Z R
2 1
P= dP = ( R 2 r − 2Rr 2 + r 3 ) dr = .
0 R4 0 6
Zadatak 3.6 Na dužini duljine a se označe dvije točke x i y kao na slici. Kolika je
x y
Rješenje:
Odredimo najprije položaje točaka x i y. Vjerojatnost da x leži unutar intervala ( x, x + dx ) je
116 Poglavlje 3. Nasumične varijable
jednaka dx /a. Vjerojatnost da y leži unutar intervala (y, y + dy) je jednaka dy /a. Vjerojatnost
da x leži unutar intervala ( x, x + dx ) i da y leži unutar intervala (y, y + dy) je jednaka
dx dy dx dy
dP = · = .
a a a2
Z a−b Z a Z a−b
1 2
P=2 dx dy = ( a − x − b) dx
a2 0 x +b a2 0
a−b 2
a−b
2 1 2 1
= ax − x 2 − bx = 2 ( a − b) 2 =
a2 2 0 a 2 a
Zadatak 3.7 Nasumičnim postupkom se odabire broj iz intervala [0, 1]. Kolika je
vjerojatnost da će dvadest osma znamenka u njegovom decimalnom
zapisu biti veća od pet?
Rješenje:
Budući da je postupak odabira broja posve nasumičan, na dvadest osmoj decimali (kao i na bilo
kojoj drugoj decimali) može biti bilo koja znamenka izmed̄u 0 i 9. Znamenaka većih od 5 ima
četiri: 6, 7, 8, 9, pa je zato tražena vjerojatnost jednaka
4
P= .
10
Rješenje:
Budući da će i mladić i djevojka sigurno doći na odred̄eno mjesto unutar jednog sata, to se
3.4 Usrednjavanje 117
d = m − 20,
2O
ako je djevojka stigla prije mladića, ili
m d = m + 20,
2O 6O
ako je djevojka stigla poslije mladića
(crtkano područje izmed̄u dvije crne dužine na slici ). Tražena vjerojatnost je jednaka omjeru
površine omed̄ene kvadratom i pravcima i površine cijelog kvadrata
(60−20) 2 (60−20) 2
60 2 − 2 − 2 5
P= = .
60 2 9
3.4 Usrednjavanje
3.4.1 Osnovi teorije igara
Matematičko očekivanje se definira u terminima igara na sreću na slijedeći način: u
nekoj igri na sreću, vjerojatnost da će igrač osvojiti DOBITAK iznosa D, je p. Tada je
matematičko očekivanje (vjerojatnost dobitka), E, veličina definirana izrazom
E = p D. (3.14)
U gornjem izrazu treba uzeti u obzir i mogućnost gubitka uloga (gubitak se shvaća kao
dobitak iznosa nula) s vjerojatnošću 1 − p, pa bi nadopunjena gornja relacija glasila
E = p · D + (1 − p) · 0.
(usporedite s (3.20)). Naravno da, kao i uvijek, zbroj svih vjerojatnosti mora dati
jedinicu6 (normiranje vjerojatnosti)
N
∑ pn = 1.
n =1
D1 = 2 · E,
D2 = 1 · E,
a vjerojatnost je
1
P (2) = ,
37
treći dobitak je
D3 = 0 · E
Zadatak 3.9 Mirko i Slavko igraju sa dvije kocke. Mirko dobiva ako padne zbroj
sedam, a Slavko ako padne zbroj deset. Dobitak iznosi 1 200 kn. Ako
ne padne ni zbroj sedam ni zbroj deset, svaki od igrača dobiva 600 kn.
Koliki moraju biti ulozi Mirka i Slavka, pa da igra bude pravedna?
Rješenje:
Mirko Ω7 : {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)} , N7 = 6,
Zadatak 3.10 Mirko se kladi sa Slavkom da će sa tri kocke u jednom bacanju pogoditi
zbroj 15. Ako Mirko ulaže iznos od 10 kuna, koliko mora Slavko
isplatiti Mirku, pa da igra bude pravedna
Rješenje:
Bacajući tri kocke, postoji 6 3 raznih mogućih kombinacija zbrojeva, od čega njih 10 vodi na zbroj
15
Ω15 = {(6, 6, 3), (6, 3, 6), (3, 6, 6), (6, 5, 4), (6, 4, 5),
(5, 6, 4), (4, 6, 5), (5, 4, 6), (4, 5, 6), (5, 5, 5)}
Zato je vjerojatnost da Mirko dobije okladu, tj.da se pokaže zbroj 15 jednaka
10
p15 = .
216
Uvjet za pravednu igru je da je matematičko očekivanje jednako ulogu,
E = p D,
pa je Mirkov ulog E = 10 kn, a Slavkov ulog je D (u ovom primjeru Slavkov ulog je dobitak sa
Mirkovog stanovišta).
10
10 = D ⇒ D = 216.
216
Ako Mirko zaista s tri kocke u jednom bacanju okrene zbroj 15, Slavko mu mora isplatiti 216
kuna. S druge strane, ako se to ne dogodi, Slavko dobiva Mirkovih 10 kuna.
120 Poglavlje 3. Nasumične varijable
Zadatak 3.11 Evo jednog primjera igranja tombole. U jednoj kutiji se nalazi 90 plo-
čica označenih brojevima od 1 do 90. Prije početka igre, igrač označi tri
broja na koja igra. Zatim se iz kutije nasumično izvuče pet brojeva. Uko-
liko se tri igračeva broja nalaze med̄u tih 5 izvučenih brojeva, on dobiva
20 000 kuna. Koliki mora biti njegov ulog, da bi igra bila pravedna?
Rješenje:
Da bi igra bila pravedna, igračev ulog mora biti jednak matematičkom očekivanju E, gdje je
E = pD. U tom je izrazu p vjerojatnost da se izvuku njegova tri broja, a D je dobitak od
20 000 kn. Izračunajmo p kao omjer povoljnih i svih mogućih kombinacija. Od 90 brojava, njih
5 se može odabrati na (90 5 ) načina. Koliko ima povoljnih kombinacija? Ako sam od 90 brojeva
izdvojio tri koja dobivaju, ostalo ih je još 87. Od tih 87 mogu izabrati još bilo koja 2 broja (jer se
ukupno izvlači 5 brojeva) na (87 2 ) načina. Zato je
(33)(87
2) 1 1
p = = = ,
(90
6 · 22 · 89 11 748
5)
1
E = pD = · 20 000 = 1.7 .
11 748
1. aritmetička sredina,
2. geometrijska sredina,
3. harmonijska sredina.
Primjer 3.13 S REDNJA OCJENA Prisjetimo se primjera 3.3 i računa srednje ocjene, h x i,
učenika nekog razreda iz nekog odred̄enog predmeta: zbrojimo ocjene, xn , svih učenika
i podjelimo brojem učenika, N (aritmetička sredina)
x1 + x2 + . . . + xN
hxi = .
N
No, gornji se postupak može provesti i drukčije: u zbroju x1 + x2 + . . . + xN postoji puno
istih vrijednosti, jer ocjene mogu biti samo prirodni brojevi izmed̄u 1 i 5. prebrojimo
koliko med̄u njima ima jedinica, koliko dvojki itd. i te brojeve nazovemo N1 , N2 , . . . i
gornju srednju vrijednost napišemo u obliku
1 · N1 + 2 · N2 + 3 · N3 + 4 · N4 + 5 · N5
hxi = , N = N1 + N2 + N3 + N4 + N5 .
N
3.4 Usrednjavanje 121
5
hxi = ∑ x P ( x ).
x =1
Poopćenjem ovog postupka se vidi kako porijeklo i smisao uvod̄enja pojma raspodjele
vjerojatnosti: to je skraćeni način da se zapiše aritmetička sredina. No, kada je raspodjela
vjerojatnosti jednom uvedena, ona može poslužiti i za račun drugih karakterističnih
veličina kojima se opisuju nasumični dogad̄aji.
Naravno da u ovom primjeru dobivanje odred̄ene ocjene nije nasumičan dogad̄aj sa
stanovišta pojedinog učenika, jer to ovisi o njegovom angažmanu oko danog predmeta,
no sa stanovišta vanjskog promatrača koji nasumuce odabire jednog učenika, njegov
odabir, tj. učenikova ocjena je potpuno nasumičan dogad̄aj.
Aritmetička sredina se kraće može izračunati pomoću težina ili relativnih frekvencija.
Neka obilježje x može poprimiti M različitih vrijednosti xm s pripadnim težinama tm za
m = 1, 2, · · · , M. Tada je
M M
1
x=
N ∑ xm tm , ∑ tm = N. (3.16)
m =1 m =1
dP (~r ) = kΨk 2 d3 r ,
Ψ1 s (~r ) = N e−r/a0 ,
1
N2= .
π a03
Tražena srednja udaljenost 1 s elektrona od središta atoma je tada, prema (3.27),
Z ∞
1 3
Z
hr i ≡ h1s|r |1si = r kΨ1 s k 2 d3 r = 4π r 3 e−2r/a0 dr = a0 .
π a03 0 2
Ova se udaljenost obično naziva polumjer atoma.
Zadatak 3.12 Osnovni skup su svi polaznici kolegija Osnove fizičih mjerenja i statističke
analize, a promatrano obilježje x je ocjena na prvom kolokviju. Od 47
polaznika njih 7 je ocjenjeno s odličnim, 16 s vrlo dobrim, 13 sa dobrim,
5 s dovoljnim, a 6 sa nedovoljnim. Treba izračunati aritmetičku sredinu
ocjene za sve polaznike.
Rješenje:
Broj elemenata osnovnog skupa je N = 47. Promatrano obilježeje (ocjena) može imati M = 5
različitih vrijednosti x = 1, 2, 3, 4, 5 s težinama
t( x = 1) = 6, t( x = 2) = 5, t( x = 3) = 13, t( x = 4) = 16, t( x = 5) = 7,
G EOMETRIJSKA SREDINA
Neka je P(n) vjerojatnosti da diskretna realna nasumična varijabla ima vrijednosti iz
skupa { x1 , x2 , . . . , xn }. Ili, za kontinuiranu nasumičnu varijablu x, neka je ρ( x ) pridru-
žena gustoća vjerojatnosti. Tada se geometrijska srednja vrijednost nasumične varijable
xn definira kao
N
G(x) = ∏ ( xn ) P(n) .
n =1
Rješenje:
dovršiti
H ARMONIJSKA SREDINA
Neka je P(n) vjerojatnosti da diskretna realna nasumična varijabla ima vrijednosti iz
skupa { x1 , x2 , . . . , xn }. Ili, za kontinuiranu nasumičnu varijablu x, neka je ρ( x ) pridru-
žena gustoća vjerojatnosti. Tada se harmonijska srednja vrijednost, H ( x ), nasumične
varijable xn definira kao
N Z +∞
1 1 1
= ∑ P(n) = ρ( x ) dx . (3.18)
H ( x ) n =1 xn −∞ xn
124 Poglavlje 3. Nasumične varijable
1 1 1 1 1 t1 t2 t
= + 00 + · · · = + + ··· + M .
H N x0 x N x1 x2 xM
N
1
H ( N, α) = ∑ nα
.
n =1
1 1 6 5 13 16 7
= + + + + ⇒ h = 2.58 < g.
h 47 1 2 3 4 5
Rješenje:
dovršiti
H ( x ) < G ( x ) < A ( x ).
M OD , KVARTILI ( MEDIJAN )
Osim navedenih srednjih vrijednosti, često se koriste i slijedeće veličine: mod i kvartili
(medijan).
d f rel
= 0.
dx x=mod
Ako postoji samo jedan maksimum, raspodjela je unimodalna, a ako postoje dva ili više
maksimuma, raspodjela je bimodalna ili multimodalna. Točka u kojoj raspodjela ima
minimalnu vrijednost, zove se antimod. Ako je raspodjela simetrična i unimodalna,
tada su mod, medijan i aritmetička sredina med̄usobno jednaki. Za diskretne varijable,
MEDIJAN, µ predstavlja onu vrijednost obilježja koja ima svojstvo da je broj elemenata sa
vrijednošći manjom ili jednakom medijanu, jednak broju elemenata s vrijednošću većom
ili jednakom medijanu i jednak 1/2 za kontinuirane, tj. N/2 za diskretne varijable
Z +∞
1
Z µ
ρ( x ) dx = ρ( x ) dx = .
−∞ µ 2
3.4 Usrednjavanje 125
ρ (x)
ρ (x)
mod x K2
x
X K 1
K3
Postoje tri kvartila, K1 , K2 , K3 , koji površinu ispod krivulje ρ( x ) dijele na četiri jednaka
dijela. Oni predstavljaju vrijednosti nezavisne varijable x sa slijedećim svojstvima (slika
3.9), a mogu se izraziti preko kumulativne funkcije (3.6),
Z K1
1
ρ( x ) dx = P( x ≤ K1 ) = F (K1 ) = ,
−∞ 4
Z K2
2
ρ( x ) dx = P( x ≤ K2 ) = F (K2 ) = ,
−∞ 4
Z K3
3
ρ( x ) dx = P( x ≤ K3 ) = F (K3 ) = .
−∞ 4
drugi kvartil se naziva i medijan i prema gornjoj definiciji ima svojstvo da je površna
ispod krivulje sa slike 3.9 lijevo od okomice kroz K2 jednaka površini desno od okomice.
Prvi se kvartil još naziva i donji, a treći se kvartil naziva i gornji kvartil. Lijevo od
okomice kroz prvi kvartil se nalazi četvrtina površine ispod krivulje, a lijevo od trećeg
kvartila se nalazi tri četvrtine površine.
Slično, prvi kvartil predstavlja onu vrijednost obilježja koja ima svojstvo da je broj ele-
menata sa vrijednošći manjom ili jednakom prvom kvartilu jednaka N/4. Treći kvartil
predstavlja onu vrijednost obilježja koja ima svojstvo da je broj elemenata sa vrijednošći
manjom ili jednakom prvom kvartilu jednaka 3N/4.
Kod nekih raspodjela se može dogoditi da neke od ovih karakterističnih vrijednosti
budu med̄usobno jednake.
dovršiti
Zadatak 3.15 U zadatku 3.12 to znači da 23 učenika treba imati ocjenu veću ili
jednaku medijanu i isto toliko ih mora imati ocjenu manju ili jednaku
od medijana: dakle 7 odličnih i 16 vrlo dobrih su iznad medijana, a
12 dobrih, 5 dovoljnih i 6 nedovoljnih su ispod medijana, dok je sam
medijan ocjena dobar.
Rješenje:
dovršiti
3.4.3 Momenti
Vratimo se pojmu aritmetičke sredine (za diskretne i kontinuirane varijable)
Z +∞
A( x ) = ∑ xn P(n) ←→ x ρ( x ) dx ,
n −∞
xn , n = 1, 2, · · · , N.
A( x ) ≡ h x i = ∑ x n P ( n ), (3.20)
n
A( f ( x )) ≡ h f ( x )i = ∑ f ( x n ) P ( n ). (3.21)
n
Poseban slučaj gornjih srednjih vrijednosti jesu MOMENTI, koji se dobiju kada se za
funkciju f iz gornjeg izraza, odabere potencija nasumične varijable
D E
x k = ∑ xnk P(n). (3.22)
n
gdje zbrojevi idu po svim mogućim vrijednostima varijabla x1 i x2 . Tako se npr. momenti
više diskretnih varijabla
x1 , x2 , x3 , · · · ,
n m l
P (1), P (2), · · · , P ( N ).
Taj se sustav rješava tako što se najprije napiše u matričnom obliku kao
MP ~ ,
~ =A
x1 x2 · · · xN
x2 x2 · · · x2
1 2 N
M= . .. .. ,
.. . .
N N
x1 x2 · · · xN N
3.4 Usrednjavanje 129
a vektori P
~ iA~ su
P (1)
h x2i
P (2) x
P~ = .. , .. .
~ =
A
. .
N
P( N ) x
Det (M) 6= 0,
~ = M−1 A
P ~ .
Gornja relacija pokazuje kako se iz svih poznatih momenata, može izračunati raspo-
djela vjerojatnosti P(n). Dakle, momenti raspodjele su veličine koje u cjelosti odred̄uju
samu raspodjelu vjerojatnosti. Kada su zadani momenti i sama vjerojatnost se može
izračunati.
Primjetimo da gornji izvod vrijedi za diskretnu varijablu koja može imati konačan niz
vrijednosti, no gornji se rezultat može poopćiti i na diskretne varijable s beskonačnom
domenom, kao i na kontinuirane varijable.
x1 = 4, x2 = 5, x3 = 6.
x1 x2 x3 P (1) x
h i
MP
~ =A
~ x12 x22 x32 P(2) = x 2 .
⇒
x13 x23 x33 P (3) x3
4 5 6 P (1) 5.33333
16 25 36 P(2) = 29 .
64 125 216 P (3) 160.333
~ = M −1 A
Rješenje gornje jednadžbe se dobiva invertiranjem matrice, P ~ , i daje
P(1) = dovriti
130 Poglavlje 3. Nasumične varijable
Slično kao i kod diskretnih varijabli (uz zamjenu zbrajanja integriranjem), matematičko
očekivanje proizvoljne funkcije f ( x1 , x2 ) se računa kao
Z +∞
A( f ( x1 , x2 )) ≡ h f ( x1 , x2 )i = f ( x1 , x2 ) ρ( x1 , x2 ) dx1 dx2 . (3.28)
−∞
x1 , x2 , · · · , xN ,
ρ ( x1 , x2 , · · · , xN ),
Z +∞
x1m1 x2m2 . . . xNm N = x1m1 x2m2 . . . xNm N ρ( x1 , x2 , · · · , xN ) dx1 dx2 . . . dxN . (3.30)
−∞
ρ ( x1 , x2 , x3 , · · · ) = ρ1 ( x1 ) ρ2 ( x2 ) ρ3 ( x3 ) · · · ,
∂ ln( Z ) ∑ E NE e− β E
U=− = E 0 .
∂β ∑ E0 NE0 e− β E
Označi li se s
NE e− β E
P( E) =
∑ E0 NE0 e− β E
0, ∑ P(E) = 1,
E
ili, po komponentama
ρm ( x, y, z)
Z
hxi = x dx dy dz = xSM ,
V m
ρm ( x, y, z)
Z
hyi = y dx dy dz = ySM ,
V m
ρm ( x, y, z)
Z
hzi = z dx dy dz = zSM .
V m
Normiranje
ρm ( x, y, z) m
Z
dV = = 1.
V m m
Još jedan primjer iz mehanike, ovoga puta iz prostorne vrtnje krutog tijela9 . Aksijalni
momenti tromosti Ixx , Iyy , Izz oko osi x, y i z su definirani kao
1 1
Z
Ixx = (y 2 + z 2 ) ρm ( x, y, z) dx dy dz ,
m m
1 1
Z
Iyy = ( x 2 + z 2 ) ρm ( x, y, z) dx dy dz ,
m m
1 1
Z
Izz = ( x 2 + y 2 ) ρm ( x, y, z) dx dy dz .
m m
Shvati li se u gornjim izrazima masena gustoća ρm podjeljena s ukupnom masom, kao
(normirana) gustoća vjerojatnosti,
ρm (~r )
ρ(~r ) ≡ ,
m
tada su aksijalni momenti dani zbrojem odgovarajućih drugih momenata raspodjele,
(3.26),
Ixx = m y 2 + z 2 , Iyy = m x 2 + z 2 , Izz = m x 2 + y 2 .
Osim aksijalnih, u opisu prostorne vrtnje krutog tijela pojavljuju se devijacijski momenti
(ili centrifugalni momenti ili umnošci tromosti)
Z
Ixy = Iyx = − x y ρm ( x, y, z) dx dy dz ,
Z
Ixz = Izx = − x z ρm ( x, y, z) dx dy dz ,
Z
Iyz = Izy = − y z ρm ( x, y, z) dx dy dz .
Istim postupkom
E kao i za aksijalne momente, dolazi se do devijacijskih momenata u
obliku x1k1 x2k2
D
xn = 2 n , n = 0, 1, 2, 3, · · · ,
pojavljuje s vjerojatnošću
1
P(n) = , n = 0, 1, 2, 3, · · · .
2n +1
Ova je vjerojatnost normirana
1 1 1 1 1 1 1 1 1
+ 2 + 3 + ··· = 1 + + 2 + 3 + ··· = 1
= 1,
2 2 2 2 2 2 2 2 1− 2
ali prvi moment (kao ni viši momenti) raspodjele ne postoji (nije konačan)
∞ ∞ ∞
1 1
hxi = ∑ xn P(n) = ∑ 2n
2n +1
= ∑ 2
= ∞.
n =0 n =0 n =0
pa su ova dva momenta ista za svaku funkciju raspodjele P(n, m, ....) i prema tome ne
daju nikakvu informaciju o skupu na koji se odnose. Drugi centralni moment se naziva
VARIJANCA ili kvadrat standardne devijacije
2
∑ xn − h x i P ( n ), diskretno
n
M2 ( x ) ≡ Var ( x ) ≡ σ 2 ( x ) = (3.34)
Z +∞ 2
x − hxi ρ( x ) dx , kontinuirano.
−∞
Razvojem potencije binoma u (3.32) i (3.33), dolazi se do općeg izraza za K-ti centralni
moment izražen preko (običnih) momenata
K
K
(−1) K−k x k h x i K−k .
D E
MK = ∑ k
(3.35)
k =0
M2 = x 2 − h x i 2 ,
M3 = x 3 − 3 x 2 h x i + 2 h x i 3 , (3.36)
M4 = x 4 − 4 x 3 h x i + 6 x 2 h x i 2 − 3 h x i 4 .
D E
..
.
Samo su prva tri centralna momenta jednaki prvim trima kumulantima, (6.45), dok se
ostali centralni momenti razliku od kumulanata. Općenito će se o kumulantima govoriti
kasnije, u odjeljku 6.4.
∑ ( x n − a ) K P ( n ),
diskretno
n
MK0 = Z +∞
( x − a) K ρ( x ) dx ,
kontinuirano,
−∞
h P| Pi = p + 1 − p = 1.
r 0
R= , R 2 = r 2 1, R 3 = r 2 R, itd. ,
0 −r
Pored operatora R , mogu se uvesti i neki drugi operatori. Npr. operator F koja uvodi
dinamiku u pokus. Dinamika se sastoji u tome da operator F promjeni rezultat pokusa
iz ostvarenje neostvarenje
0 1 P (2)
p
F= , F | Pi = ,
1 0 P (1)
p
0 1 r 0 0 1 −r 0
F RF =
|
= ,
1 0 0 −r 1 0 0 r
h P|F| R F| Pi = (−r )(2p − 1) = h−r i .
0 r
R·F= ,
−r 0
sa svojstvenim vrijednostima µ± = ± i r. No, ove svojstvene vrijednosti nisu realne i
zato nisu opservable. Tako je npr.
0 r p P (1)
q q p
h P |R F| P i = P (1), P (2) = 0.
−r 0 P (2)
136 Poglavlje 3. Nasumične varijable
0 −r
F ·R=
|
, µ± = ± i r,
r 0
0 −r p P (1)
q q p
h P |F R| P i =
|
P (1), P (2) = 0.
r 0 P (2)
Definirajmo algebru opservabli promatranog pokusa kao skup V svih matrica oblika
V = a 1 + b R, (3.37)
V1 , V2 ∈ V ⇒ V1 · V2 ∈ V,
V1 , V2 ∈ V ⇒ V1 · V2 = V2 · V1 .
Neka su
V1 = a1 1 + b1 R, V2 = a2 1 + b2 R,
tada je
V1 · V2 = ( a1 1 + b1 R) · ( a2 1 + b2 R) = ( a1 a2 + b1 b2 ) 1 + ( a1 b2 + b1 a2 ) R,
V2 · V1 = a1 a2 + b1 b2 1 + a1 b2 + b1 a2 R = V1 · V2 ,
−r 0
F RF =
|
= a1 + bR .
0 r a=0,b=−1
a + br 0 c 0
V = a1 + bR = ≡ .
0 a − br 0 d
r 1
q
0
R = R0 PR0 P = r [ P(1) − P(2)] + P(1) P(2).
⇒
0 −r
3.4 Usrednjavanje 137
∑ P(n) = 1.
n
∑ ( xn − h x i) 2 P(n), diskr.
n
E
σ 2 = ( x − h x i) 2 =
D
Z +∞
( x − h x i) 2 ρ( x ) dx ,
kont.
−∞
138 Poglavlje 3. Nasumične varijable
Ova se veličina prepoznaje kao drugi centralni moment, ..., i naziva se srednje kvadratno
odstupanje ili VARIJANCA, dok se sama σ naziva STANDARDNA DEVIJACIJA.
Primjetimo da je gornjim izrazom, zbog dimenzija, definiran kvadrat σ (ako je x veličina
koja se mjeri u paskalima, onda se i srednje odstupanje te veličine mora mjeriti tim
istim jedinicama, a ne njihovim kvadratom). Često se kaže i da je σ mjera FLUKTUACIJE
varijable x: vrijednosti x fluktuiraju oko srednje vrijednosti h x i, a σ mjeri iznos tih
fluktuacija. Primjetimo da se σ 2 može napisati i preko momenata, ..., raspodjele
n n
=∑ xn2 P(n) − 2 h x i ∑ xn P(n) + h x i 2 ∑ P(n)
n n n
2 2 2 2 2
= x − 2 hxi + hxi = x − hxi .
Ukoliko varijabla x ima fizičku dimenziju, varijanca ima dimenziju kvadrata x, stan-
dardna devijacija ili standardno odstupanje
q q q
σ = Var ( x ) = ( x − h x i) 2 = h x 2 i − h x i 2 (3.39)
ima ISTU DIMENZIJU kao i nasumična varijabla x. Standardna devijacija opisuje veličinu
(širinu) pojasa oko h x i u kojemu se nalazi većina (oko 67 %, vidjeti odjeljak ...) vrijednosti
x. Ono što je važno zapravo i nije sama veličina rasipanja vrijednosti x oko h x i, nego
RELATIVNA VELI ČINA tog rasipanja u odnosu na h x i,
σ
hxi
1.215
= 0.3708 . . . ,
3.2766
što je uistinu desetak puta manje od same vrijednosti h x i.
∑ ( xn − h x i) 2k P(n),
diskretno
n
σ 2k = Z +∞
( x − h x i) 2k ρ( x ) dx ,
kontinuirano,
−∞
srednjom vrijednošću.
3.4 Usrednjavanje 139
dovršiti
Pokažimo i da je varijanca donja granica niza
σ 2 = min σ 2k , k ∈ N.
k
dovršiti
Primjer 3.24 Potrebno je izračunati standardnu devijaciju raspodjele gustoće vjerojat-
nosti nalaženja elektrona iz primjera (3.15).
dovršiti
Rješenje:
dovršiti
Zadatak 3.17 Mjerenjem su dobiveni slijedeći rezultati za vrijednosti x varijable x i
pridružene težine t( x ):
x t( x )
4.92 - 4.94 2
4.95 - 4.97 7
4.98 - 5.00 14
5.01 - 5.03 10
5.04 - 5.06 6
5.07 - 5.09 3
Rješenje:
dovršiti
x − 3 x 2 hxi + 2 hxi 3
3
M3
α3 = 3 = ,
σ σ3
x − 4 x hxi + 6 x hxi 2 − 3 hxi 4
4
3
2
M4
α4 = 4 = . (3.40)
σ σ4
Primjetimo da ukoliko varijable x i nose neku fizičku dimenziju, koeficijenti α4 i α 4
su bezdimenzijski brojevi. U nastavku izlaganja će se pokazati (navesti gdje) da je za
140 Poglavlje 3. Nasumične varijable
0 ≤ |α4 | ≤ 0.1
(ali postoje i asimetrične raspodjele za koje je takod̄er α4 = 0). Ako je 0.1 ≤ α4 ≤ 0.25,
raspodjela je malo asimetrična, ako je 0.25 ≤ |α4 | ≤ 0.5 tada je srednje asimetrična i ako je
0.5 ≤ |α4 |, raspodjela se smatra jako asimetričnom. Na slici 3.10 se vidi gama-raspodjela
iz odjeljka 4.2.4 čija je vrijednost koeficijenta α4 , (4.99) jednaka
0.25
p = 0.9
p = 0.1
0.2
p = 0.5
0.15
P(n)
0.1
0.05
-0.05
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
n/ 20
2
α3 = √ ,
n
1 − 2p
α3 = p .
N p (1 − p )
Kontraprimjer: dovršiti
α 4 = 3.
Ako je α 4 < 3, raspodjela je široka (engl. platycurtic), a ako je α 4 > 3, raspodjela je uska
(engl. leptocurtic)
x1 , x2 , · · · , xN ,
3.5 Parcijalne gustoće vjerojatnosti 141
M ARGINALNA VJEROJATNOST
Marginalnom gustoćom vjerojatnosti ρ se naziva vjerojatnost koja se odnosi na samo
JEDAN DIO od ukupno N varijabla. Vrijednosti ostalih varijabla nas ne zanimaju, tj. one
mogu imati BILO KOJU od svojih vrijednosti. Zato se npr. marginalna vjerojatnost koja
opisuje prvih n varijabla dobije tako da se naprosto prointegrira po vrijednostima svih
preostalih x n+ 1 , x n+ 2 , · · · , xN varijabla
Z
ρ n ( x1 , x2 , · · · , x n ) = ρ( x1 , x2 , · · · , xn , x n+ 1 , · · · xN ) dx n+ 1 dx n+ 2 . . . dxN . (3.41)
U VJETNA VJEROJATNOST
Druga vrsta parcijalne vjerojatnosti se dobije iz ρ( x1 , x2 , · · · , xN ) tako da se vrijednosti
jednog dijela varijabla učine FIKSNIM. Neka su npr. varijable
x n +1 , x n +2 , . . . , x N
ρn/N −n ( x1 , x2 , · · · , xn / x n+ 1 , · · · xN ).
ρ( x1 , x2 , · · · , xN ) = ρn/N −n ( x1 , x2 , · · · , xn / x n+ 1 , · · · xN ) ρ N −n ( x n+ 1 , · · · , xN ). (3.42)
ρ G ( x1 , x2 ) = ρ G ( x2 , x1 ),
− h x |A| x i
pri čemu su
x
h x | = x1 x2 , |xi = 1
x2
1 1 −λ 1 1 − λ2
A= , Tr (A) = 2 , Det (A) = .
2σ −λ 1
2 σ 2σ2
Z +∞
s Z +∞
1 − λ2 1 2
2
ρ 1, G ( x1 ) = dx2 ρ G ( x1 , x2 ) = dx 2 exp − x − 2λx x
1 2 + x .
−∞ (2πσ 2 ) 2 −∞ 2σ 2 1 2
Uvede li se pokrata
σ2 1
σλ2 = = ,
1−λ 2 2 Det (A)
q h i
1− λ 2 1
ρ G ( x1 , x2 ) (2πσ 2 ) 2
exp − x12 − 2λx1 x2 + x22
2σ 2
ρ G ( x1 | x2 ) = =
ρ 2, G ( x2 )
h i
√ 1 2 exp − 1 2 x22
2πσλ 2σλ
1 1
= √ exp − 2 ( x1 − λ x2 ) 2 .
σ 2π 2σ
" #
1
ρG ( x1 , x2 , . . . , x N ) = N exp − ∑∑ Ai,j ( xi − h xi i) x j − x j ,
2 i j
dovršiti
y
(a) Budući da je svaki odabir točke jed-
1 nako vjerojatan, to je gustoća konstantna,
ρ( x, y) ≡ ρ0 , pa je zbog normiranja
y
x
1+
=
1−
=
Z Z
1= ρ0 dx dy = ρ0 dx dy .
x
y
1 x ♦ ♦
1
1+
=
, za točke unutar kvadrata
−
1−
2
=
ρ0 =
x
−1
0, za točke izvan kvadrata.
144 Poglavlje 3. Nasumične varijable
= = 1 − | x |, −1 ≤ x ≤ 1.
1 − x, 0 ≤ x ≤ 1.
1+ y 1 1+y
Z
ρ( x, y) dx = x =1+y, −1 ≤ y ≤ 0,
2 −1− y
−1− y
ρy (y) = = 1 − | y |.
1− y 1 1−y
Z
ρ( x, y) dx = x =1−y, 0≤y≤1.
2 −1+ y
−1+ y
ρ( x, y) 1 ρ( x, y) 1
ρ( x/y) = = , ρ(y/x ) = = .
ρy (y) 2(1 − |y|) ρx (x) 2(1 − | x |)
(d) Ako su x i y nezavisne nasumične varijable, tada prema relaciji (3.12) mora vrijediti
ρ( x, y) = ρ x ( x ) ρy (y),
1
6= (1 − | x |) (1 − |y|),
2
i varijable su zavisne.
Zadatak 3.18 U kutiji se nalaze dvije bijele i tri crne kuglice. Izvlače se odjednom
dvije kuglice. Izračunajte srednju vrijednost i varijancu broja bijelih kuglica.
Rješenje:
dovršiti
Zadatak 3.19 Izvodi se gad̄anje u metu do prvog pogotka. Izračunajte srednju vri-
jednost i varijancu broja hitaca. Vjerojatnost pogotka kod svakog hica je konstantna i
jednaka p.
Rješenje:
dovršiti
Zadatak 3.20 Izračunajte marginalne gustoće vjerojatnosti dvodimenzijskih gustoća
3.5 Parcijalne gustoće vjerojatnosti 145
vjerojatnosti:
−(x+y)
e , x > 0, y > 0,
( a) ρ( x, y) =
0, inače .
(n − 1)(n − 2)
, x > 0, y > 0, n 6= 1,
(1 + x + y ) n
(b) ρ( x, y) =
0, inače .
Rješenje:
dovršiti
Zadatak 3.21 Zadana je gustoća vjerojatnosti nasumičnih vrijabla x i y
Rješenje:
U skladu s (3.12), dvije su varijable statistički neovisne ako je
ρ( x, y) = ρ x ( x ) ρy (y),
Z Z 1
ρx (x) = ρ( x, y) dy = 6x 2 y dy = 3x 2 ,
0
Z Z 1
ρY ( y ) = ρ( x, y) dx = 6y x 2 dx = 2y.
0
Z 1/2 Z 1
3
P(0 < x < 1/2, 1/2 < y < 2) = dx dy 6x 2 y = .
0 1/2 32
Zadatak 3.22 Nasumice se odabire broj x iz intervala [0, a]. Nakon toga se nasumice
odabire broj y iz intervala [0, x ].
Potrebno je izračunati gustoću vjerojatnosti y i hY i.
Rješenje:
146 Poglavlje 3. Nasumične varijable
Z a
1
x ∈ [0, a] ρx (x) = , ρ x ( x ) dx = 1,
a 0
Z x
1
y ∈ [0, x ] ρy (y/x ) = , ρy (y/x ) dy = 1.
x 0
ρ( x, y) = ρy (y/x ) ρ x ( x ),
a prema (3.41) je
Z a Z a
ρ(y) = ρ( x, y) dx = ρy (y/x ) ρ x ( x ) dx ,
0 0
pri čemu je
0 ≤ y ≤ x ≤ a.
Srednja vrijednost je
Z a a ln( a) a
Z a
1 1
Z Z
hyi = y ρ(y) dy = y [ln( a) − ln(y)] dy = y dy − y ln(y) dy
0
a Z0 a a a 0 a 0
ln( a) y 2 1 y 2 1 a
d ln(y) − y dy = .
= −
a 2 0 a 0
2 2 4
Zadatak 3.23 Unutar kruga jediničnog polumjera, nasumično se odabire jedna točka.
Polarne koordinate te točke su ρ i ϕ.
Izračunajte funkciju gustoće vjerojat-
nosti ove dvije varijable
φ(ρ, ϕ).
Rješenje:
Prema definiciji (3.9), funkcija raspodjele F (ρ, ϕ) je dana omjerom površine zasjenjenog dijela
(kružnog isječka, ρ 2 π · ( ϕ/2π )) sa gornje slike i ukupne površine jediničnog kruga (1 2 π)
ρ 2 π 2π
ϕ
ρ2 ϕ
F (ρ, ϕ) = =
12 π 2π
3.6 Preobrazbe varijabla 147
∂2 F (ρ, ϕ) ρ
φ(ρ, ϕ) = = .
∂ρ∂ϕ π
Provjera normiranja
Z 1 Z 2π
dϕ
Z
φ(ρ, ϕ) dρ dϕ = ρ dρ = 1.
0 0 π
Račun marginalnih gustoća vjerojatnosti
Z 2π Z 2π
ρ
φρ (ρ) = φ(ρ, ϕ) dϕ = dϕ = 2 ρ,
0 0 π
Z 1 Z 1
ρ 1
φ ϕ ( ϕ) = φ(ρ, ϕ) dρ = dρ = .
0 0 π 2π
Budući da je
ρ 1
φ(ρ, ϕ) = = 2ρ = φρ (ρ) · φ ϕ ( ϕ),
π 2π
to su ρ i ϕ statistički neovisne varijable.
x → y = f ( x ),
R(yn ) = ∑ m
P ( x m ). (3.43)
f ( xm )=yn
G (y) = ∑ n
R ( y n ).
yn ≤y
Normiranja
1
P( x ) = , x = 1, 2, 3, · · · .
2x
Potrebno je izračunati raspodjelu diskretne nasumične varijable
y = cos(π x ).
Kad su vrijednosti x jednake x = 1, 2, 3, · · · , varijabla y je ili +1 ili −1. Zato je, skladu s
relacijom (3.43),
1 1 1 2
R(−1) = P(1) + P(3) + P(5) + · · · = 1 + 1 + 2 + ··· = ,
2 4 4 3
1 1 1 1
R(+1) = P(2) + P(4) + P(6) + · · · = 2 1 + 1 + 2 + · · · = .
2 4 4 3
Rješenje:
Nova nasumična varijabla je
y = − x.
Prema (3.1) je
F ( x ) = P ( x 0 ≤ x ), G ( y ) = R ( y 0 ≤ y ).
G (y) = 1 − F (−y)
y = f ( x1 , x2 ) (3.44)
1, a=b
δa,b = (3.45)
0, a 6= b.
G (y) = ∑n
R ( y n ).
yn ≤y
y = f ( x1 , x2 ) = x1 + x2 .
Primjer 3.30
y = a1 x1 + a2 x2 , ⇒ R(y) = ∑ P( x1 , y/a2 − a1 x1 /a2 ),
x1
=∑ ∑ P1 (x ) · P2 (x ) · P3 (y − x
1 2 1 − x2 ). (3.47)
x1 x2
x → y = f ( x ),
tada je i y nasumična (stohastična) varijabla, koja poprima vrijednosti iz intervala (c, d),
gdje je
c = f ( a ), d = f ( b ).
U nastavku ovog odjeljka, zadatak je
13 Vidjeti npr. odjeljak Integralne preobrazbe u G LUMAC, Matematičke metode fizike.
3.6 Preobrazbe varijabla 151
Rješenje:
dovršiti
Z
φ(y) dy = ρ( x ) dx , (3.48)
y< f ( x )<y+dy
y < f ( x ) < y + dy .
y = f ( x1 , x2 , x3 , · · · ).
U tom slučaju se, u skladu s gornjim definicijama, gustoća vjerojatnosti φ(y) definira
kao
Z h i
φ(y) = δ y − f ( x1 , x2 , x3 , · · · ) ρ( x1 , x2 , x3 , · · · ) dx1 dx2 dx3 · · · . (3.50)
Ako f ( x ) uopće nije monotona funkcija, tada se interval (c, d) može podjeliti na podin-
tervale u kojima f ( x ) ima dobro definiranu monotonost.
Prema (3.7) je i
dG (y) dF ( x ) dF ( x ) dx dx
φ(y) = = = = ρ( x ) .
dy dy dx dy dy
dx
φ(y) = ρ( x ) . (3.52)
dy
dG (y) dF ( x ) dF ( x ) dx dx
φ(y) = =− =− = −ρ( x ) .
dy dy dx dy dy
zapravo glasi
dx
φ(y) = ρ( x ) (3.53)
dy
i opet φ(y) ima samo POZITIVNE vrijednosti. Usporedbom s (3.52), vidimo da gornji
izraz vrijedi i za monotono opadajuće, kao i za monotono rastuće funkcije y = f ( x ).
Ukoliko f nije monotona funkcija, onda je ona monotona po svojim dijelovima, a na
svaki taj dio se primjenjuju gornja razmatranja, tako da veza (3.53) izmed̄u φ i ρ vrijedi
za SVAKU f ( x ) (a ne samo za monotonu).
154 Poglavlje 3. Nasumične varijable
bilo varijablom y
Z
PA = φ(y) dy .
A
dx = |J | dy ,
dx dx
J = ⇒ φ(y) = ρ( x ) ,
dy dy
a to je opet (3.53).
Primjer 3.31 S TATISTI ČKA FIZIKA
Jedan primjer preobrazbe varijable je veza med̄u raspodjelama brzine v i energije E
čestica klasičnog idealnog plina (Maxwellova raspodjela)
s
2 m 3 2 −mv 2 /(2k B T )
x ≡ v, ρ(v) = v e
π kB T
2 √ −E/(k T )
y ≡ E, φ( E) = p Ee B
π (k B T ) 3
m x2
y = f (x) = .
2
Uvjerite se da je
dx
φ(y) = ρ( x ) .
dy
1
ρ( x ) = .
π (1 + x 2 )
Rješenje:
dx
= 1 .
dy 2a| x |
4π 2
ρ( p) = p 2 e− p /(2mk B T ) .
(2πmk B T )3/2
Polazeći od gornjeg izraza izračunajte raspodjelu gustoća vjerojatnosti
energije.
Rješenje:
p2
E=
2m
dovršiti
x1 , x2 , · · · , xN ,
ρ ( x1 , x2 , · · · , xN ).
y1 = f 1 ( x1 , x2 , · · · , xN ),
y2 = f 2 ( x1 , x2 , · · · , xN ),
..
.
yN = f N ( x1 , x2 , · · · , xN ).
156 Poglavlje 3. Nasumične varijable
Kao što je poznato16 , umnošci diferencijala dx1 · · · dxN i dy1 · · · dyN povezani su jakobi-
janom J na slijedeći način
dx1 · · · dxN = |J | dy1 · · · dyN , (3.55)
gdje je s | J | označena apsolutna vrijednost jakobijana prijalaza iz varijabla xn u varijable
yn . Sam je jakobijan dan determinantom
∂x1 ∂x1
∂y1 · · · ∂yN
∂( x1 , x2 , · · · , xN ) . ..
J = = .. . (3.56)
∂ ( y1 , y2 , · · · , yN )
∂xN ∂xN
∂y1 · · · ∂yN
Sada se izraz (3.55) uvrsti na lijevu stranu jednakosti (3.54), koja tada postaje
Z Z
ρ( x1 , x2 , · · · , xN ) · |J | · dy1 · · · dyN = φ(y1 , y2 , · · · , yN ) dy1 · · · dyN .
A A
∂ ( x1 , x2 , · · · , xN )
φ ( y1 , y2 , · · · , yN ) = ρ ( x1 , x2 , · · · , xN )
. (3.57)
∂ ( y1 , y2 , · · · , yN )
Rješenje:
Vidjeti npr. u G LUMAC, Klasična mehanika.
Pokažimo kako se gornji postupak primjenjuje kada broj novih varijabla ym NIJE ISTI
BROJ kao i broj starih varijabla xn .
y = f x1 , x2
i naći gustoću vjerojatnosti te nove varijable φ(y), ako nam je poznata gustoća vjerojat-
nosti početnih varijabla ρ( x1 , x2 ) i funkcija preslikavanja f .
Da bismo mogli primjeniti rezultat (3.57) na rješavanje ovog problema, uvest ćemo
(formalno) dvije nove varijable y1 , y2 , od kojih će prva nova zapravo biti jednostavno
jednaka prvoj staroj varijabli x1 , dok će Druga će biti jednaka f x1 , x2
y1 = f 1 ( x1 , x2 ) = x1 ,
y2 = f 2 ( x1 , x2 ) = f ( x1 , x2 ) = y.
Inverzne veze su
x 1 = g1 ( y 1 , y 2 ) = y 1 , (3.58)
x 2 = g2 ( y 1 , y 2 )
∂x1 ∂x1
1 0
∂( x1 , x2 ) ∂y1
∂y2 ∂x2
= = ∂x ∂x2 = .
∂(y1 , y2 ) ∂x2 ∂x2 2 ∂y2
∂y1 ∂y2
∂y1 ∂y2
158 Poglavlje 3. Nasumične varijable
Nula17 u gornjoj determinanti dolazi od toga što, prema (3.58), x1 ovisi samo o y1 , a ne i
o y2 . No, prema definiciji je
y1 = x1 , y2 ≡ y,
Z xk ∂g2 ( x1 , y)
φ(y) = dx1 ρ[ x1 , g2 ( x1 , y)]
. (3.59)
xp ∂y
ρ ( x1 , x2 ) = ρ1 ( x1 ) ρ2 ( x2 ).
y = x1 + x2
je tada jednaka
Z xk Z xk
φ(y) = dx1 ρ( x1 , y − x1 ) = dx1 ρ1 ( x1 ) ρ2 (y − x1 ). (3.60)
xp xp
17 Za
derivaciju ∂x2 ∂y1 ≡ ∂x2 ∂x1 ne možemo reći je li nula ili nije, jer ne znamo jesu li x1 i x2
y = f x1 , x2 , x3
i naći gustoću vjerojatnosti te nove varijable φ(y), ako je poznata gustoća vjerojatnosti
početnih varijabla ρ( x1 , x2 , x3 ). Da bi se mogao primjeniti rezultat (3.57) na rješavanje
ovog problema, uvode se (formalno) tri nove varijable y1 , y2 , y3 , od kojih će prve dvije
zapravo biti jednostavno jednake starim varijablama x1 , x2 , a treća će biti jednaka y =
f x1 , x2 , x3
y1 = f 1 ( x1 , x2 , x3 ) = x1 ,
y2 = f 2 ( x1 , x2 , x3 ) = x2 ,
y3 = f 3 ( x1 , x2 , x3 ).
Inverzne veze su
x 1 = g1 ( y 1 , y 2 , y 3 ) = y 1 ,
x 2 = g2 ( y 1 , y 2 , y 3 ) = y 2 , (3.61)
x 3 = g3 ( y 1 , y 2 , y 3 ) .
Nule u gornjoj determinanti dolaze od toga što, prema (3.61), x1 ovisi samo o y1 , a ne i o
y2 ni y3 i x2 ovisi samo o y2 , a ne i o y1 ni y3 . No, prema definiciji je
y3 ≡ y,
Z +∞ Z +∞
∂g3 ( x1 , x2 , y)
φ(y) = dx1 dx2 ρ[ x1 , x2 , g3 ( x1 , x2 , y)]
. (3.62)
−∞ −∞ ∂y
3.6 Preobrazbe varijabla 161
x1 , x2 , · · · , xN
ρ1 ( x1 ), ρ2 ( x2 ), · · · , ρ N ( xN ),
y = x1 + x2 + · · · + xN
φ ( y ) = ρ1 ? ρ2 ? · · · ? ρ N
Rješenje:
1 2 2
ρ( x ) = √ e−(x−hxi) /(2σ ) ,
σ 2π
dx
φ(y) = ρ( x ) ,
dy
dx 1 1
y = ax + b ⇒ = ⇒ φ(y) = ρ( x ) ,
dy a | a|
1 2 2 2
φ(y) = √ e−(y−b−ahxi) /(2a σ ) .
| a|σ 2π
P REOBRAZBE MOMENATA
Iz odjeljka 3.6.3 je poznata veza (3.53) izmed̄u gustoća vjerojatnosti ρ( x ) i φ(y). Postavlja
se pitanje
Z d
hy m i = y m φ(y) dy , (3.64)
c
koja, posredstvom veze (3.52),
dx
φ(y) = ρ( x ) ,
dy
prelazi u
Z b h Z b h
m
im dx im
hy i = f (x) ρ( x ) dy = f (x) ρ( x ) dx = h f m i .
a dy a
y = f ( x ) = 3x + 2.
Rješenje:
Ako je područje vrijednosti varijable x interval (0, 4), tada varijabla y poprima vrijednosti u
intervalu (2, 14). Funkcija f je monotona, pa je zato
dx x 1 1 y−2 y−2
φ(y) = ρ( x ) = = = .
dy 8 3 24 3 72
Provjera normiranja ρ( x ) i φ(y)
4
1 x 2
Z 4
1 4
Z
ρ( x ) dx = x dx = = 1.
0 8 0 8 2 0
Z 14 Z 14
1
φ(y) dy = (y − 2) dy
2 72 2
2 14
1 y 1 14 2 − 2 2
= − 2y = − 2(14 − 2) = 1.
72 2 2 72 2
164 Poglavlje 3. Nasumične varijable
Srednje vrijednosti
8
x 3
Z 4
8
hxi = x ρ( x ) dx = = ,
0 24
0 3
14
y3
Z 14
1
2
hyi = y φ(y) dy = −y = 10.
2 720 3 2
Primjetimo da je
y = 3x + 2, & hyi = 3 h x i + 2.
y = f ( x1 , x2 ) = a1 x1 + a2 x2 , a j = const.
Iz oba izvoda je očito da se isti rezultat dobije bez obzira jesu li x1 i x2 med̄usobno ovisne
ili neovisne varijable, kao i da ga je lako poopćiti na proizvoljan broj od N nasumičnih
varijabla
y = a1 x1 + a2 x2 + · · · + aN xN ,
h a1 x1 + a2 x2 + · · · + aN xN i = a1 h x1 i + a2 h x2 i + · · · + aN h xN i , (3.66)
3.7 Teoremi o nasumičnim varijablama 165
Prema tome je i
Var ( a1 x1 + a2 x2 ) = ( a1 x1 + a2 x2 ) 2 − h a1 x1 + a2 x2 i 2
D E
Cov( xi , x j ) ≡ xi x j − h xi i x j . (3.67)
U gornjem primjeru to je
Cov( x1 , x2 ) = h x1 x2 i − h x1 i h x2 i .
Parovi nasumičnih varijabli čija je kovarijanca jednaka nuli, nazivaju se NEKORELIRANE
nasumične varijable (mogu biti i diskretne i kontinuirane)
h x1 x2 i = h x1 i h x2 i . (3.68)
Primjetimo da varijable koje su statistički neovisne, (3.12), (3.31), jesu ujedno i nekoreli-
rane. No, obrat ne vrijedi - ako su varijable nekorelirane, nije nužno da su i statistički
neovisne.
Sada se za varijancu linearne kombinacije dvije nasumične varijable može napisati
Var ( a1 x1 + a2 x2 ) = a12 Var ( x1 ) + a22 Var ( x2 ) + 2a1 a2 Cov( x1 , x2 ). (3.69)
Primjetimo da je npr.
Var ( x1 − x2 ) = Var ( x1 ) + Var ( x2 ) − 2 Cov( x1 , x2 ).
Izraz (3.69) lako poopćiti na proizvoljan broj nasumičnih varijabla
Var ( a1 x1 + a2 x2 + a3 x3 + · · · ) = a12 Var ( x1 ) + a22 Var ( x2 ) + a32 Var ( x3 ) + · · ·
+ 2a1 a2 Cov( x1 , x2 ) + 2a1 a3 Cov( x1 , x3 ) + · · ·
+ 2a2 a3 Cov( x2 , x3 ) + 2a2 a4 Cov( x2 , x4 ) + · · ·
.
+ ..
σ2
h x1 i = 0, x12 = σλ2 x12 − h x1 i 2 = σλ2 , σλ2 =
⇒
1 − λ2
λ
h x1 x2 i = σ 2 .
1 − λ2
Izračunajmo i kovarijancu
λ
hh x1 x2 ii ≡ h x1 x2 i − h x1 i h x2 i = h x1 x2 i = σ 2 .
1 − λ2
Normirana kovarijanca je
hh x x ii
q
1 2
= λ
x12 x22
1 x2 1 x2
ρ G ( x1 , x2 ) = √ exp − 1 2 √ exp − 2 2 = ρ G ( x1 ) · ρ G ( x2 ).
2πσ 2 2σ 2πσ 2 2σ
( x1 − x2 ) 2
ρ G ( x1 , x2 ) ∼ exp − .
2σ 2
ρ ( x1 , x2 ) = ρ1 ( x1 ) · ρ2 ( x2 ).
3.7 Teoremi o nasumičnim varijablama 167
x1 , x2 , . . . , xN ,
pri čemu je
E ( x1 x2 · · · xN ) = E ( x1 ) E ( x2 ) · · · E ( xN ),
h x1 x2 · · · xN i = h x1 i h x2 i · · · h xN i . (3.70)
x = cos(θ ), y = sin(θ ),
Rješenje:
dovršiti
Zadatak 3.32 Na intervalu [0, 5], kontinuirana nasumična varijabla x ima konstantnu
gustoću vjerojatnosti. Unutar istog intervala, uočena je točka 0 < a < 5
i pomoću nje je definirana nova nasumična vrijabla
y = | x − a |,
h x yi − h x i hyi
18 Izrazi ovog oblika se mogu povezati s različitim vrstama korelacijskih funkcija (odjeljak 13).
168 Poglavlje 3. Nasumične varijable
Rješenje:
Gustoća vjerojatnosti varijable x je konstantna
1
ρx (x) = ,
5
Z 5
5
hxi = x ρ x ( x ) dx = ,
0 2
a2
Z 5 Z a Z 5
1 1 5
hyi = | x − a| ρ x ( x ) dx = ( a − x ) dx + ( x − a) dx = −a+ ,
0 5 0 5 a 5 2
Z 5
1 a 1 a
Z Z
h x yi = x | x − a| ρ x ( x ) dx = x ( a − x ) dx + x ( x − a) dx
0 5 0 5 0
1 a 3 25a 125
= − + ,
5 3 2 3
1 a 3 25a 125 5 a2 5 4a 3 − 30a 2 + 125
h x Y i − h x i hyi = − + − −a+ = .
5 3 2 3 2 5 2 60
100
h x yi = h x i hyi ,
4 a - 30 a + 125
tj. kada je
50
2
-100
Dakle, ako je točka a na sredini intervala, x i y su nekorelirane (ali ne i statistički neovisne, jer je
y = | x − a|).
3.7 Teoremi o nasumičnim varijablama 169
1. J OHN B OCCIO.
Quantum mechanics. 2017. URL: http://www.johnboccio.com/TQM/QM_1.pdf
2. N EVEN E LEZOVI Ć.
Vjerojatnost i statistika 2 - slučajne varijable. Element, Zagreb, 2007
3. J OSÉ L UIS G ARCIA -PALACIOS. „
Introduction to the theory of stochastic processes and Brownian motion problems”.
(2007). URL: arxiv.org/abs/cond-mat/0701242
4. C HARLES M. G RINSTEAD I J. L AURIE S NELL.
Introduction to probability. 2019. URL: https://www.math.dartmouth.edu/~prob/
prob/prob.pdf
5. B RANISLAV I VANOVI Ć.
Teorija verovatnoće. Univerzitetski udžbenici. Naučna knjiga, Beograd, 1977, stra-
nica 328
6. Ivo PAVLI Ć.
Statistička teorija i primjena. Panorama, Zagreb, 1965
7. K EN R ILEY , M ICHAEL H OBSON I S TEPHEN B ENCE.
Mathematical Methods for Physics and Engineering. Cambridge Univ. Press, 2006
8. V LADIMIR V RANI Ć.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971
9. S VETOZAR V. V UKADINOVI Ć.
Zbirka rešenih zadataka iz teorije verovatnoće. Privredni pregled, Beograd, 1990
4. Raspodjele
2 5 8 8 5 2
P( x ) 30 30 30 30 30 30
Potrebno je
(a) prikazati grafički raspodjelu vrijednosti varijable X;
(b) izračunati vjerojatnost P( x ≤ 4);
(c) prikazati grafički kumulativnu funkciju raspodjele F ( x );
(d) izračunati očekivanje i varijancu varijable X;
(e) izračunati očekivanje i varijancu varijable Y = 2X − 3.
funkc izvodnicu, karakt funkc, momente, modus, medijan, svojstva, veza s drugim raspodjelama)
172 Poglavlje 4. Raspodjele
5 6 7
23 28
F (5) = ∑ P( x ) = 30
, F (6) = ∑ P( x ) = 30
, F (7) = ∑ P(x) = 1,
x =2 x =2 x =2
7
F ( x > 7) = ∑ P(x) = 1.
x =2
(e)
hY i = h2X − 3i = 2 h X i − 3 = 6
Y 2 = (2X − 3) 2 = 4 x 2 − 6 h X i + 9 = 42.86̇,
dovršiti slike
Rješenje:
(a)
n o
X ∈ 3, 4, 5, 6, 7, 8 .
8
= 56
3
1
P (3) = .
56
U uzorcima u kojima je najveći broj 4 se mora pojaviti 4 i dva broja iz skupa
n o
1, 2, 3
4.1 Raspodjele diskretnih nasumičnih varijabla 173
2 ( x − 1)( x − 2)
P( x ) = = .
8 2 · 56
3
Lako je uvjeriti se da je gornja raspodjela vjerojatnosti normirana
8
∑ P( x ) = 1.
x =3
(d)
8 8
378
hXi = ∑ x P( x ) = = 6.75, x2 = ∑ x 2 P( x ) = 47.25,
x =3 56 x =3
2 2 2
σ = x − h X i = 1.6875, σ = 1.299 · · · .
⇒
174 Poglavlje 4. Raspodjele
Zadatak 4.2 Jedna posuda sadrži 4 bijele i 3 crne kuglice. Slučajnim postupkom se
uzima uzorak od 3 kuglice. Neka je X broj bijelih kuglica u uzorku.
(a) Kolike vjerojatnosti pripadaju vrijednostima x = 0, 1, 2, 3?
(b) Kako glasi raspodjela vjerojatnosti varijable X?
(c) Izračunajte očekivanje i standardnu devijaciju varijable X.
Rješenje:
(a) Od ukupno 7 kuglica, njih tri se mogu odabrati na
7
= 35
3
načina. Vjerojatnost da med̄u tri odabrane kuglice nema bijelih, tj. da su sve crne je
(40) (33) 1
P ( x = 0) = = .
(73) 35
(41) (32) 12
P ( x = 1) = = ,
(73) 35
(42) (31) 18
P ( x = 2) = = ,
(73) 35
(43) (30) 4
P ( x = 3) = = .
(73) 35
(4x) (3−3 x)
P( x ) = , x = 0, 1, 2, 3.
(73)
(d)
3 3
12 24
hXi = ∑ x P( x ) = , x2 = ∑ x 2 P( x ) = ,
x =0 7 x =0 7
24
σ2 = x 2
− hXi 2 = , σ = 0.699854 · · · .
⇒
49
? dodati sliku
tako da je
Slika 4.1: Jednolika raspodjela diskretne va-
rijable za N = 5.
P( x )
1
0.2
P( xn ) = (4.1)
N
x za sve n = 1, 2, 3, · · · , N.
x1 x2 x3 x4 x5
∑ P(xn ) = 1.
n
N
..
..
Primjetimo da je prvi moment, h X i, jednolike raspodjele, upravo ARITMETI ČKA SRE -
DINA .
Zadatak 4.3 Za diskretnu raspodjelu koja opisuje bacanje savršene kocke, izračunajte
varijancu.
Rješenje:
1
P( x ) = , x = 1, 2, 3, 4, 5, 6.
6
6 6
21 91
hXi = ∑ x P( x ) = , x2 = ∑ x 2 P( x ) =
x =1
6 x =1
6
σ
σ 2 = x 2 − h x i 2 = 2.91667, = ... .
⇒
hXi
176 Poglavlje 4. Raspodjele
Rješenje:
Slično kao i u prethodnom zadatku
1
P( x ) = , x = 1, 2, 3, 4, 5, 6
6
6 6
21 91
⇒ hXi = ∑ x P( x ) = , x2 = ∑ x 2 P( x ) = ,
x =1
6 x =1
6
6 6
... D E ...
x3 = ∑ x 3 P( x ) = , x4 = ∑ x 4 P( x ) =
x =1
6 x =1
6
α 3 = ... α 4 = ...
P(1) = p,
P(2) = q p,
P(3) = q 2 p,
P(4) = q 3 p,
..
.
P(n) = q n−1 p, n = 1, 2, 3, · · · .
Ovako definirane P(n) su uvijek manje od jedinice i sve su pozitivne. Da bi P(n) bila
raspodjela vjerojatnosti, treba provjeriti je li zadovoljen uvjet normiranja
∞
∑ P(n) =? = 1.
n =1
∞ ∞
1
p ∑ q n −1 = p ∑ qm = p
1−q
= 1, (4.2)
n =1 m =0
4.1 Raspodjele diskretnih nasumičnih varijabla 177
0.2 p = 0.1
p = 0.2
P ( n ) = p (1 − p ) n −1 , n = 1, 2, 3, · · ·
0.15
(4.3)
P (n)
0.1
0.05
Ova je raspodjela već izvedena pomoću na-
čela maksimuma entropije, (5.22). Geome-
0
0 10 20
n
30 40 50 trijsku raspodjelu ne treba pomiješati s ge-
ometrijskom vjerojatnošću sa strane 113.
P ( n + 1) qn
= n −1 = q < 1 ⇒ P ( n + 1) < P ( n ).
P(n) q
M OMENTI
U skladu s definicijom (3.22), momenti geometrijske raspodjele se računaju kao
D E ∞ ∞
nk = ∑ n k P(n) = p ∑ n k q n −1 ,
n =1 n =1
∞ ∞
d d 1 1
hni = p ∑ nq n −1
=p
dq ∑ n
q =p
dq 1−q
−1 = p
(1 − q ) 2
n =1 n =1
1
= . (4.4)
p
∞ ∞ ∞
n2 = p ∑ n 2 q n −1 = p ∑ ( m + 1) 2 q m = p ∑ (m 2 + 2m + 1) q m
n =1 m =0 m =0
∞ h i
=p ∑ m(m − 1) + 3m + 1 q m
m =0
∞ ∞ ∞
=p ∑ m(m − 1) q m + 3p ∑ m qm + p ∑ qm
m =0 m =0 m =0
∞ ∞ ∞
d2 d
= p q2 2
dq ∑ q m + 3pq
dq ∑ qm + p ∑ qm
m =0 m =0 m =0
q2 q
=2 +3 +1
p2 p
q σ
σ 2 = n 2 − hni 2 = 2 , = 1 − p.
p
⇒
p hni
178 Poglavlje 4. Raspodjele
Rješenje:
dovršiti
2− p
α3 = p α 4 = ....
1− p
pq n0 +m−1
P(n = n0 + m/n > n0 ) = = pq m−1 = P(n = m),
q n0
i
P ( n > n0 + m )
P(n > n0 + m/n > n0 ) = .
P ( n > n0 )
P ( n > n0 + m )
P(n > m) = ,
P ( n > n0 )
P ( n > n0 + m ) = P ( n > n0 ) P ( n > m ). (4.7)
Nazovimo
f ( m ) ≡ P ( n > m ).
f ( n0 + m ) = f ( n0 ) f ( m ). (4.8)
P ( n = m ) = P ( n > m − 1 ) − P ( n > m ) = q m −1 − q m = q m −1 (1 − q ) = p q m −1 ,
Koji je smisao ovog teorema? Evo ilustracije: baca se kocka i u prvih petnaest ba-
canja se nije pojavila šestica; kolika je vjerojatnost da se šestica pojavi u slijedeća tri
180 Poglavlje 4. Raspodjele
bacanja? Odgovor: vjerojatnost je ista kao i na početku bacanja (da se pojavi u prva tri
bacanja). Kocka ne zna da je već bačena petnaest puta. Geometrijska raspodjela nema
pamćenje.
D VIJE VARIJABLE
Izvodi se niz pokusa. U svakom pokusu se prati je li se realiziralo jedno od dva neza-
visna obilježja, A1 i A2 . Pokus se izvodi sve dok se ne ostvari jedno od ta dva obilježja.
Neka nasumična varijabla n j broji koliko se puta izveo pokus do prvog ostvarenja A j za
j = 1, 2. Ta je nasumična varijabla opisana geometrijskom raspodjelom s parametrom p j .
Slučajna varijabla n koja registrira prvo pojavljivanje bilo obilježja A1 , bilo obilježja A2
je manja od varijabla n1 i n2
n = min{n1 , n2 }.
Neka su n1 > n0 i n2 > n0 . Budući da je n minimum skupa {n1 , n2 }, a oba elementa skupa
su veća od n0 , to je i n > n0
P(n > n0 ) = P(n1 > n0 , n2 > n0 ) = zbog nezavisnosti = P(n1 > n0 ) P(n2 > n0 )
= (4.9) = q1n0 q2n0 = q n0 .
q = q1 q2 .
P ( n > n 0 ) = q n0 ,
pa je
P ( n = m ) = P ( n > m − 1 ) − P ( n > m ) = q m −1 − q m = p q m −1 ,
n = min{n1 , n2 , · · · , nN },
q = q1 q2 · · · , qN , p = 1 − q,
P ( n ) = p q n −1 .
Zadatak 4.6 Telefonska centrala neke tvrtke ima M izlaznih linija. U jednom tre-
nutku sve su linije zauzete. Neka je duljina razgovora, mjerena u
vremenskim jedinicama,
opisana geometrijskom raspodjelom sa sred-
njom vrijednošću n j ≡ λ (i ista je za razgovore na svim linijama).
Izračunajte očekivano vrijeme do pojave prve slobodne linije.
Rješenje:
Neka je duljina razgovora preko svake od M raspoloživih linija diskretna nasumična varijabla
n1 , n2 , · · · , nM
(vrijeme se mjeri u spomenutim fiksnim vremenskim jedinicama). Prva slobodna linija će se
pojaviti kada se okonča najkraći razgovor, pa je stoga traženo vrijeme n
n = min {n1 , n2 , · · · , nM }
4.1 Raspodjele diskretnih nasumičnih varijabla 181
q ≡ q1 q2 · · · qM . (4.10)
q1 = q2 = · · · = qM
1
qj = 1 − pj = 1 − .
λ
Iz gornja tri izraza slijedi
M
1
q= 1− .
λ
Budući da je i n raspodjeljena po geometrijskoj raspodjeli
P(n) = pq n−1 ,
To je očekivano vrijeme čekanja do prve slobodne telefonske linije. Za velike vrijednosti λ, prema
binomnom teoremu je
M
1 1
1− =1−M + ··· ,
λ λ
pa je
λ
hni ≈ .
M
Navesti primjere
p = const.
q = 1 − p = const.
182 Poglavlje 4. Raspodjele
P(n) =?
Pri tome nam nije važan redoslijed ostvarivanja ovih dogad̄aja. Opet razmišljamo kao
kod izvoda binomnog teorema u odjeljku 1.4 ili kod objašnjenja Bernoullijevih pokusa
u primjeru 2.13 na strani 60. Podsjetimo se ukratko rezultata do kojeg smo došli u tom
primjeru: vjerojatnost P(n) da se u N pokusa dogad̄aj A ostvari točno n puta je (slika 4.3)
Slika 4.3
N
P(n; p) = p n (1 − p ) N − n ,
n
0.25
p = 0.9
p = 0.1
0.2
p = 0.5
(4.11)
0.15
P(n)
N N
n −1 N − n +1
P ( n − 1) ≤ P ( n ) ⇒ p q ≤ p n q N −n ⇒ n ≤ N p + p,
n−1 n
N N
n +1 N − n −1
P ( n + 1) ≤ P ( n ) ⇒ p q ≤ p n q N −n ⇒ N p − q ≤ n.
n+1 n
q p
( N p + p) − ( N p − q) = p + q = 1.
Budući da n može poprimati samo diskretne vrijednosti, to znači da se u dobivenom
2 Jacob Bernoulli (6. I 1655. – 16. VIII 1705.)
4.1 Raspodjele diskretnih nasumičnih varijabla 183
intervalu može nalaziti JEDAN n (plava točkica na slici 4.4 ) ili se na njegovim rubovima
mogu nalaziti DVA n-a koji imaju iste maksimalne vjerojatnosti (zelene točkice na istoj
slici). U svakom slučaju, vidimo da je NAJVJEROJATNIJI onaj n čija je vrijednost najbliža
vrijednosti
n m.p. ≈ N p, (4.13)
p = 0.1, N p = 20 · 0.1 = 2,
p = 0.5, N p = 20 · 0.5 = 10,
p = 0.9, N p = 20 · 0.9 = 18,
N
p n1 q N − n1
P ( n1 ) n1 n1 + 1 q Np − q + 1 q
= = = = 1.
P ( n1 + 1) N N − n1 p N − Np + q p
p n1 +1 q N − n1 −1
n1 + 1
hni = N p.
Budući da je
N N
= ,
n N−n
N
P(n) = q n p N −n .
n
n m.p. ≈ Nq.
Raspodjela P ima najveću vrijednost za prirodni broj n m.p. koji je najbliži (realnom) broju
Nq. Primjetimo da je
R EKURZIJA
Ponekad, u numeričkim računima, izračunavanje faktorijela može biti dugotrajan pro-
ces i u tim je slučajevima zgodno više faktorijele računati pomoću nižih, koristeći
184 Poglavlje 4. Raspodjele
Ako u rekurziju (4.14), uvrstimo gornji zahtjev P(n) ≤ P(n − 1), slijedi
P(n) N−n+1 p
= ≤1 n = 1, 2, · · · , N
P ( n − 1) n q
n
⇒ p≤ .
N+1
Dakle, P(n) tvori opadajući niz ako je, za svaki n, zadovoljena gornja nejednakost.
Najjači uvjet dolazi od najmanjeg n, a to je n = 1 (jer rekurzija vrijedi za 1 ≤ n ≤ N),
1
p≤ .
N+1
Uz gornji uvjet, binomna raspodjela monotono opada. Potražimo sada, uvjet pod kojima
binomna raspodjela čini monotono rastući niz
Ako u rekurziju (4.14), uvrstimo gornji zahtjev P(n) ≥ P(n − 1), slijedi
P(n) N−n+1 p
= ≥1 n = 1, 2, · · · , N
P ( n − 1) n q
n
⇒ p≥ .
N+1
Vidimo da P(n) monotono raste,ako je, za svaki n, zadovoljena gornja nejednakost.
Najjači uvjet dolazi od najvećeg n = N,
N
p≥ .
N+1
Tako smo dobili granice na p da bi binomna raspodjela bila ili monotono opadajuća
ili monotono rastuća funkcija od n. Izvan tih granica, raspodjela nije monotona, već
postiže najveću vrijednost, za neki odred̄eni n, odred̄en relacijom (4.12).
NORMIRANJE I MOMENTI
Ukupna vjerojatnost svih mogućih dogad̄aja je, prema binomnom teoremu (1.8), jednaka
N
∑ P(n) = 1, (4.15)
n =0
4.1 Raspodjele diskretnih nasumičnih varijabla 185
Drugi član desne strane je normiranje (4.15). Izračunajmo hni uz eksplicitno uvrštavanje
P(n) iz relacije (4.11).
N N
N N!
hni = ∑ n p n q N −n = ∑ n p n q N −n
n =0 n n =1
n! ( N − n ) !
N
( N − 1) !
= Np ∑ ( n − 1) ! ( N − n ) !
p n −1 q N − n .
n =1
Gornji se zbroj računa tako što se umjesto n uvodi nova varijabla m = n − 1. Tada je
N −1
( N − 1) !
hni = N p ∑ m!( N − 1 − m)!
p m q N −1−m = N p( p + q) N −1 = N p. (4.17)
m =0
n m.p. = hni .
Iz (4.17) zaključujemo da je prosječna vrijednost odstupanja od N p jednaka nuli
hhi = hni − h N pi = 0.
Ako je prosječno odstupanje jednako nuli, to znači da u zbroju (4.16) ima i pozitivnih i
negativnih članova, koji se na kraju svi zbroje u nulu. Kako bismo ipak dobili informa-
ciju o nekakvom prosječnom odstupanju n od N p, bez obzira na predznak, moramo naći
način da eliminiramo predznak odstupanja i da promatramo samo IZNOS odstupanja.
Budući da funkcija kvadriranja4 eliminira predznak, to je najjednostavnije odstupanje
mjeriti pomoću prosječne vrijednosti od h 2
N N N N
h2 = ∑ (n − N p) 2 P(n) = ∑ n 2 P(n) − 2 N p ∑ n P(n) + ∑ ( N p) 2 P(n)
n =0 n =0 n =0 n =0
2 2
= n − 2N p hni + ( N p)
= (4.17) = n 2 − 2N pN p + ( N p) 2 = n 2 − ( N p) 2 = n 2 − hni 2 .
3U nastavku izlaganja će se vidjeti da nije za sve raspodjele istina da su prosječna i najvjerojatnija
vrijednost jednake.
4 Funkcija apsolutne vrijednosti takod̄er eliminira predznak, ali nije tako zgodna za analitičke račune
N N
n2 = ∑ n 2 P(n) = ∑ [ n ( n − 1) + n ] P ( n )
n =0 n =0
N N
N!
= ∑ n ( n − 1)
n!( N − n)!
p n q N −n + ∑ n P ( n )
n =2 n =1
N
( N − 2) !
= N ( N − 1) p 2 ∑ ( n − 2) ! ( N − n ) !
p n −2 q N − n + h n i
n =2
= N ( N − 1) p ( p + q) N −2 + N p = N 2 p 2 + N pq.
2
(4.18)
Uvrstimo to u izraz za h 2
2
h = N 2 p 2 + N pq − ( N p) 2 = N pq. (4.19)
Kao što je već spomenuto u (3.34), srednje kvadratno odstupanje se naziva VARIJANCA
N pq
r
pq 1
p r
= ∼
N N N
i ono iščezava s porastom N.
N pq q
p
σ
r
= = .
hni Np Np
F UNKCIJA IZVODNICA :
Pokažimo još jedan način računanja momenata.
Uvedimo pomoćnu funkciju g(t), sa svojstvom da je g(1) = 1
N
g(t) = (q + tp) N = ∑ P(n) t n . (4.22)
n =0
N
g ( t = 1) = 1 = ∑ P ( n ).
n =0
N
dg
= N (q + tp) N −1 p = ∑ P(n) nt n−1 (4.23)
dt n =0
i zatim stavimo t = 1
N
dg
dt t=1
= pN = ∑ n P ( n ), ⇒ hni = N p. (4.24)
n =0
To je rezultat koji smo već ranije, relacijom (4.17), dobili na drukčiji način.
Na sličan ćemo način izračunati i varijancu (3.34)
N
σ 2 = n 2 − hni 2 = ∑ n 2 P(n) − ( N p) 2 .
n =0
Pomnožimo (4.23) s t
N
N pt(q + tp) N −1 = ∑ P(n) nt n
n =0
i derivirajmo po t
N
N p(q + tp) N −1 + N p 2 t( N − 1)(q + tp) N −2 = ∑ P ( n ) n 2 t n −1 . (4.25)
n =0
N
n2 = ∑ n 2 P ( n ) = N p + N ( N − 1) p 2 . (4.26)
n =0
N
∑ P(n) n 2 t n = N pt(q + tp) N −1 + N p 2 t 2 ( N − 1)(q + tp) N −2 (4.28)
n =0
i derivirajmo po t
N
∑ P(n) n 3 t n−1 = N p(q + tp) N −1 + 3N ( N − 1) p 2 t(q + tp) N −2 + N ( N − 1)( N − 2) p 3 t 2 (q + tp) N −3 .
n =0
(4.29)
N
n3 = ∑ n 3 P(n) = N p + 3N ( N − 1) p 2 + N ( N − 1)( N − 2) p 3 .
n =0
N
∑ P(n) n 3 t n = N pt(q + tp) N −1 + 3N ( N − 1) p 2 t 2 (q + tp) N −2 + N ( N − 1)( N − 2) p 3 t 3 (q + tp) N −3 ,
n =0
a zatim derivirati po t
N
∑ P(n) n 4 t n−1 = N p(q + tp) N −1 + 7N ( N − 1) p 2 t(q + tp) N −2
n =0
+6N ( N − 1)( N − 2) p 3 t 2 (q + tp) N −3 + N ( N − 1)( N − 2)( N − 3) p 4 t 3 (q + tp) N −4 .
D E N
n4 = ∑ n 4 P(n) = N p + 7N ( N − 1) p 2 + 6N ( N − 1)( N − 2) p 3 + N ( N − 1)( N − 2)( N − 3) p 4 .
n =0
n − 3 n 2 hni + 2 hni 3
3
M3 q−p
α3 = 3 = 3
= ··· = p , (4.30)
σ σ N pq
i spljoštenosti
Vidimo da je koeficijent asimetrije jednak nuli ako je q = p = 0.5 (slika 4.3), pozitivan
ako je q > p, tj. q > 0.5, a raspodjela je negativno asimetrična ako je q < p tj. q < 0.5.
4.1 Raspodjele diskretnih nasumičnih varijabla 189
3 h i
n = N p 1 + 3( N − 1) p + ( N − 1)( N − 2) p 2
D E h i
n 4 = N p 1 + 7( N − 1) p + 6( N − 1)( N − 2) p 2 + ( N − 1)( N − 2)( N − 3) p 3
..
.
k
koje prepoznajemo kao Stirlingove brojeve druge vrste za l = 1, 2, · · · , k.
l
1
= (1)
l
2
= (1, 1)
l
3
= (1, 3, 1)
l
4
= (1, 7, 6, 1)
l
5
= (1, 15, 25, 10, 1)
l
..
.
Sada se k-ti moment binomne raspodjele može napisati kao
hni = N p,
k
!
D E
n k = N p 1 + ∑ s2 (k, l ) ( N − 1) · · · ( N − l + 1) p l −1 , (4.32)
l =2 k ≥2
1 l l−j l
l ! j∑
s2 (k, l ) = (−1) j k. (4.33)
=0
j
K K
K K
K −k
D E D E
MK = ∑ k
(−1) K −k k
n hni =∑
k
(−1) K −k
n k ( N p ) K −k
k =0 k =0
K K
N
P(0, K ) = P(0) + P(1) + · · · + P(K ) = ∑ P(k) = ∑ k
p k (1 − p ) N − k .
k =0 k =0
N N
N
P( L, N ) = P( L) + P( L + 1) + · · · + P( N ) = ∑ P(l ) = ∑ l
p l (1 − p) N −l . (4.35)
l=L l=L
K N
N N
P(0, K ) + P(K + 1, N ) = ∑ k
p (1 − p ) N −k
+ ∑ p l (1 − p) N −l = 1. (4.36)
k =0
k l = K +1
l
K K
N
P( L, K ) = P( L) + P( L + 1) + · · · + P(K ) = ∑ P(n) = ∑ n
p n (1 − p) N −n , (4.37)
n= L n= L
(2) Ako je L ≤ N p ≤ K, tada će P(0, K ) imati velik broj članova i bit će ga praktičnije
izraziti preko (4.36)
(1) Ako je N p ≤ L < K, binomni niz je praktično računati iz gornjih kumuliranih vjero-
jatnosti
P( L, K ) = P( L, N ) − P(K + 1, N ).
P(0, L) + P( L + 1, N ) = 1,
Dokažimo i relaciju
Pokažimo i kako se vrijednosti (obične) binomne raspodjele mogu izraziti preko inte-
grala I p
brojevi pojavili. Pokus se izvodi N = 26 306 puta. Dogad̄aj koji se prati jeste koliko
se puta pojavio broj 5 ili broj 6. Taj se broj označava s n = 0, 1, · · · , 12. Treba izračunati
vjerojatnost, p, pojavljivanja brojeva 5 ili 6.
Tablica 4.1 sadrži eksperimentalno dobivenu težinu n pojavljivanja, označenu s t(n).
Stupac označen s N · P(n) sadrži teorijsku vjerojatnost (4.11) prema binomnoj raspodjeli,
da se dogodi navedeni dogad̄aj (radi usporedbe s težinom, ovu smo vjerojatnost još
pomnožili s N ). Drugi, treći i četvrti stupac imaju isti zbroj jednak N = 26 306. Teorijske
1 1 1
p= + = .
6 6 3
194 Poglavlje 4. Raspodjele
0.25
0.15
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10
x
Ako u gornjoj relaciji ostavimo P(n), dobit ćemo teorijsku vrijednost p = 1/3 za idealne
kocke. Ono što mi hoćemo jeste da pomoću gornje relacije izračunamo vjerojatnost
za stvarne kocke kojima je izvod̄en pokus. Da bismo to postigli, umjesto P(n) ćemo
uvrstiti relativne frekvencije t(n)/N i dobiti
N
1
p= . ∑ n t(n) = · · · = 0.3377 .
N N n =0
Ova vrijednost p se jasno razlikuje od teorijske 1/3 = 0.333333 · · · . Ako sada u izraz za
raspodjelu vjerojatnosti binomne raspodjele uvrstimo p = 0.3377 i q = 0.6623
N 12
enpr
N · P (n) = N · n N −n
p q = 26 306 (0.3377) n (0.6623)12−n ,
n n
4.1 Raspodjele diskretnih nasumičnih varijabla 195
dobit ćemo vrijednosti označene u četvrtom stupcu i koje su puno bliže eksperimentalno
dobivenim vrijednostima (ovaj je rezultat u skladu sa zakonom velikih brojeva). Na
slici 4.5 je prikazana apsolutna razlika drugog i trećeg (plavo) i drugog i četvrtog stupca
(crveno), podjeljena s drugim stupcem (zato da se dobiju relativne vrijednosti). Osim
za n = 8, sve ostale crvene točke su ispod plavih, što znači da je četvrti stupac bolje
aproksimira drugi stupac, nego što to radi treći stupac.
Navesti primjere
N→ 8 < Hipergeometrijska
Binomna
N→
8
p→ 0
N→ Np → const.
8
n >> 1
Gaußova
Poissonova
>> 1
Rješenje:
Zadatak 4.8 U kutiji se nalaze tri bijele i dvije crne kuglice. Jedna se kuglica izvlači
400 puta i nakon svakog izvlačenja, izvučena kuglica se vraća u kutiju.
Koliko puta će se izvuči bijela kuglica?
Rješenje:
Najkraći i najprecizniji odgovor na gornje pitanje je da iz navedenih uvjeta ne možemo znati
koliko će se puta izvući bijela kuglica.
Kao odgovor se može pojaviti bilo koji broj izmed̄u 0 i 400. No, treba primjetiti da, iako postoji
401 mogući odgovor, točnost tih odgovora nije jednako vjerojatna. Iz argumentacije koja je
dovela do relacije (4.12)
Np − q ≤ n ≤ Np + p
znamo da će najvjerojatniji broj pojave bijele kuglice biti
2 3
240 − ≤ n ≤ 240 + ,
5 5
196 Poglavlje 4. Raspodjele
Zadatak 4.9 U kutiji se nalaze dvije bijele i tri crne kuglice. Izvlače se odjednom
dvije kuglice. Izračunajte srednju vrijednost i varijancu broja bijelih
kuglica.
Rješenje:
dovršiti
Zadatak 4.10 Strijelac ima 4 metka i gad̄a u metu sve do prvog pogotka ili dok ne
ispuca sve metke. Izračunajte prosječnu vrijednost i varijancu broja is-
pucanih metaka, ako je vjerojatnost pogotka u svakom gad̄anju jednaka
0.25 .
Rješenje:
Neka je
n = 1, 2, 3, 4
p = 0.25, q = 1 − p = 0.75.
P(n = 1) = p.
Vjerojatnost pogad̄anja mete iz drugog hica (pri čemu je prvi bio promašaj) je
P(n = 2) = q p.
Vjerojatnost pogad̄anja mete iz trećeg hica (pri čemu su prva dva bili promašaji) je
P(n = 3) = q q p.
P(n = 4) = q q q p + q q q q = q q q ( p + q) = q q q.
Izračunajmo momente
4
hxi = ∑ n P(n) = ... = 2.73438 · · · ,
n =1
4
x2 = ∑ n 2 P(n) = ... = 9.01563 · · · ,
n =1
σ 2 = x 2 − h x i 2 = 1.5388 · · · .
4.1 Raspodjele diskretnih nasumičnih varijabla 197
Rješenje:
Ovo je izravno poopćenje prethodnog zadatka ..
dovršiti
Zadatak 4.12 Nacrtajte drugi, treći i četvrti stupac iz tablice 4.1 kao funkciju x.
Rješenje:
dovršiti
Zadatak 4.13 Slučajna varijabla X je opisana binomnom raspodjelom. Izračunajte
srednju vrijednost i varijancu varijable Y = e 2X +1 .
Rješenje:
dovršiti
k−1
P(k) = p r (1 − p ) k −r , k = r, r + 1, · · ·
r−1
dovršiti
Navesti primjere
Q
∑ pq = 1.
q =1
Sad se postavlja slijedeće pitanje: ako se spomenuti pokus (proces) dogodi N puta,
kolika je vjerojatnost da će se rezultat A1 pojaviti N1 puta, da će se A2 pojaviti N2 puta
itd. Naravno da pri tome brojevi Nq moraju zadovoljavati jednakost
Q
∑ Nq = N.
q =1
198 Poglavlje 4. Raspodjele
A , . . . , A , A , . . . , A , · · · , AQ , . . . , AQ .
| 1 {z 1} | 2 {z 2} | {z }
N1 N2 NQ
Budući da je ishod svakog procesa neovisan o ishodu bilo kojeg drugog procesa (i
N
vjerojatnost), to je gornjem nizu pridružena vjerojatnost jednaka p1N1 · p2N2 · . . . · pQ Q .
Budući da nas ne zanima redoslijed kojim se pojedini od N dogad̄aja ostvaruje, ista
će vjerojatnost biti pridružena i svakom nizu dobivenom svim mogućim različitim
poretcima gornjeg niza. Broj ovih različitih poredaka se dobije na slijedeći način: N
elemenata se može poslagati na N! različitih načina. No, ako je od tih N elemenata njih
N1 istih, onda med̄usobne permutacije tih istih elemenata (a kojih ima N1 !) neće dati
novi poredak. Ove permutacije istih elemenata treba odračunati, pa će sada ukupni broj
različitih poredak biti jednak N!/N1 !. Ako osim grupe od N1 istih elemenata postoje još
i grupe od N2 , N3 , itd. istih elemenata, ni njihove permutacije neće dati različit poredak,
pa je zato zaključak da postoji
N!
N1 ! N1 ! · · · NQ !
različitih načina na koji može rezultirati N procesa sa istom vjerojatnošću p1N1 · p2N2 · . . . ·
N
pQ Q . Prema pravilu o zbrajanju vjerojatnosti, vjerojatnost da se dogodi bilo koji od njih
je dana sa
N! N
P( N1 , N2 , . . . , NQ ) = p N1 · p2N2 · . . . · pQ Q .
N1 ! N1 ! · · · NQ ! 1
( p1 + p2 + · · · + p Q ) N ,
Navesti primjere
P(n, t),
dP(n, t)
+ µ P(n, t) = µ P(n − 1, t), (4.46)
dt
što je tražena rekurzijska relacija. Za n = 0, (4.46) je obična homogena diferencijalna
jednadžba prvog reda koja se rješava razdvajanjem varijabla
dP(0, t) dP(0, t)
= −µ P(0, t) ⇒ = −µ dt ,
dt P(0, t)
P(0, t) = P(0, 0) e−µ t .
P(0, t) = e−µ t .
dP(1, t)
+ µ P(1, t) = µ e−µ t .
dt
To je nehomogena diferencijalna jednadžba prvog reda, s početnim uvjetom (do trenutka
t = 0 sigurno nije emitirana nijedna čestica)
P(1, 0) = 0.
dψ 1 t
Z Rt
p1 (u) du
+ p1 ( t ) ψ = S ( t ) ⇒ ψ(t) = Rt e S(t) dt + C0 , (4.47)
dt e p1 (u) du
p1 (t) = µ, S ( t ) = µ e− µ t .
P(1, t) = µ t e−µ t .
dP(2, t)
+ µ P(2, t) = µ 2 t e−µ t , P(2, 0) = 0.
dt
Ponovo, primjenom općeg rješenja (4.47), uz
p1 (t) = µ, S ( t ) = µ 2 t e− µ t ,
dobiva se
( µ t ) 2 −µ t
P(2, t) = e
2
Sličnim postupkom se i za ostale n dobiva
( µ t ) n −µ t
P(n, t) = e , n = 0, 1, 2, · · · .
n!
Gornja vjerojatnost je oblika Poissonove raspodjele vjerojatnosti. U literaturi je uobiča-
jeno uvesti oznaku
λ ≡ µ t,
7 Vidjeti npr. odjeljak o diferencijalnim jednadžbama u G LUMAC, Matematičke metode fizike.
4.1 Raspodjele diskretnih nasumičnih varijabla 201
λ n −λ
P(n, λ) = e , (4.48)
n!
za n = 0, 1, 2, · · · .
N
P(n) = p n q N −n , n = 0, 1, 2, · · · , N .
n
N → ∞, p → 0, N p ≡ λ = const. (4.49)
0.25
Binomna
Poissonova
0.2
0.15
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
n
λ N
lim 1 − = e− λ . (4.50)
N →∞ N
Imajući to u vidu, možemo izvesti granični prijelaz N → ∞ u gornjem razlomku
λ n n N n −n+ 12
lim 1 − = 1, lim 1 − = e− n , lim 1 − = 1.
N →∞ N N →∞ N N →∞ N
Uvrštavanjem u izraz za P(n), dobiva se
λ n e− λ λ n −λ
P(n) = = e .
n! e−n e n n!
Time je ponovo dobivena Poissonova raspodjela (4.48)
λ n −λ
P(n, λ) = e , n = 0, 1, 2, · · · .
n!
4.1 Raspodjele diskretnih nasumičnih varijabla 203
Kada očekujemo da ćemo naći takvu raspodjelu? Uvjet (4.49) iščezavanja p-a znači da
se radi o jako rijetkim dogad̄ajima (u svakom slučaju, broj dogad̄aja od interesa je puno
manji od ukupnog broja dogad̄aja) kao što su, pored već spomenutog radioaktivnog
raspada, samoubojstva, višestruki porodi, itd., pa se ponekad naziva i ZAKON MALIH
BROJEVA .
K UMULATIVNA FUNKCIJA
Poissonove raspodjele se računa prema (3.1)
m
λn
F (m) = P(n ≤ m) = ∑ P ( n ) = e− λ ∑ n!
.
n≤m n =0
N ORMIRANJE I MOMENTI
Lako je vidjeti da je Poissonova raspodjela normirana
∞ ∞
λn
∑ P(n, λ) = e−λ ∑ n!
= e−λ eλ = 1.
n =0 n =0
u kojoj je
∞ ∞
λ m +1 λn
h n i = e− λ ∑ m!
= λ e− λ ∑ n!
= λ e−λ eλ = λ, (4.51)
m =0 n =0
∞ ∞ ∞
λn λn λ m +1
n 3 = e− λ ∑ n3 = e− λ ∑ n2 = e− λ ∑ ( m + 1) 2
n =0 n! n =1
( n − 1) ! m =0 m!
∞
λn
=λe −λ
∑ (n 2 + 2n + 1) = λ ( n 2 + 2 h n i + 1)
n =0 n!
= λ (λ 2 + 3λ + 1),
∞ ∞ ∞
D E λn λn λ m +1
n 4 = e− λ ∑ n4
n!
= e− λ ∑ n3
( n − 1) !
= e− λ ∑ ( m + 1) 3
m!
n =0 n =1 m =0
∞
λn
=λe −λ
∑ n 3
3n 2
3n 1 = λ n 3 + 3 n 2 + 3 hni + 1
( + + + )
n =0 n!
= λ (λ 3 + 6λ 2 + 7λ + 1).
k
k
D E
n k
=∑ λj,
j =1
j
k
gdje su s označeni Stirlingovi brojevi druge vrste, (4.33).
j
Sami koeficijenti asimetrije i spljoštenosti su
n − 3 n 2 hni + 2 hni 3
3
M3 λ 3 + 3λ 2 + λ − 3λ 3 − 3λ 2 + 2λ 3
asimetrija α3 = 3 = 3
= √
σ σ λ λ
1
=√ ,
λ
0.61 n
N · Pn = 200 e−0.61 , n = 0, 1, 2, 3, 4, 5,
n!
i usporediti ju s empirijski dobivenim težinama tn (donja tablica):
n tn N · Pn
Navesti primjere
B ELLOVI BROJEVI
... dovršiti ...
Zadatak 4.14 Koristeći relaciju (4.47), izvedite izraze za P1 (t), P2 (t) i P3 (t).
Rješenje:
.. dovršiti ...
206 Poglavlje 4. Raspodjele
Rješenje:
dovršiti
Zadatak 4.16 Slučajna varijabla X je opisana Poissonovom raspodjelom. Ako je
P ( X = 1) = P ( X = 2),
Rješenje:
dovršiti
Zadatak 4.17 Slučajna varijabla X je opisana Poissonovom raspodjelom s parame-
trom λ. Izračunajte srednju vrijednost varijable
1
Y= .
X+1
Rješenje:
dovršiti
Zadatak 4.18 Slučajna varijabla X
je opisana Poissonovom raspodjelom s parame-
trom λ. Izračunajte x 3 .
Rješenje:
dovršiti
Promatrajmo sada niz pokusa kod kojih rezultat jednog pokusa utječe na rezultat
drugog. Neka Bn,N −n bude složeni dogad̄aj čije se ostvarenje sastoji u tome da se u nizu
od N pokusa dogad̄aj A ostvario n puta i da se A ostvario N − n puta. Iz binomne
raspodjele, ..., je poznato da takvih dogad̄aja sve skupa ima
N N!
= ,
n n! ( N − n)!
Primjer 4.9 Neka se u posudi nalazi N kuglica, od kojih je M kuglica bijele boje, a
N − M kuglica je crne boje. Nasumice se N puta izvlači po jedna kuglica, pri čemu
se izvučene kuglice ne vraćaju u posudu. Treba odrediti vjerojatnost P( Bn,N −n ), da se
od N izvlačenja prvh n puta izvuče bijela, a preostalih N − n puta crna kuglica. Ta je
4.1 Raspodjele diskretnih nasumičnih varijabla 207
M N −M
n N−n
= .
N
N
Primjer 4.10 Promatra se skup od N elemenata (npr. atoma ili molekula nekog plina),
od kojih njih M ≤ N ima odred̄eno svojstvo (npr. spin ili brzinu odred̄enog iznosa),
dok ostalih N − M elemenata nema to svojstvo. Označimo s
M
p=
N
vjerojatnost da odabrani element ima to svojstvo. Ako iz ovog skupa nasumice oda-
beremo N elemenata, zanima nas kolika je vjerojatnost P(n) da se med̄u njima nad̄e
n ≤ N elemenata sa navedenim svojstvom9 ?
Kao što znamo, postoji (N
N ) različitih načina da se od N elemenata odabere uzorak od
N elemenata. Ukupan broj elemenata koji ima navedeno svojstvo je M = pN . Odabrati
n od pN elemenata je moguće izvesti na ( pnN )načina. Preostalih N − n elemenata uzorka,
treba odabrati iz onog dijela N − pN , početnog skupa koji nema navedeno svojstvo.
Taj je odabir moguće izvesti na (NN−−pnN ) načina. Svaki odabir elemenata sa navedenim
svojstvom se može kombinirati sa svakim odabirom elemenata bez navedenog svojstva,
što vodi na tražnu vjerojatnost u obliku
broj uzoraka s n elemenata koji imaju navedeno svojstvo
P(n) =
ukupan broj uzoraka od N elemenata
(M N −M
n ) ( N −n ) ( pnN ) (NN−−pnN )
= = , n = 0, 1, 2, · · · , min{ N, pN }
(N
N) (NN)
( pN )! (N − pN )! N! (N − N )!
=
n! ( pN − n)! ( N − n)! (N − pN − N + n)! N !
( pN )! (qN )! N! (N − N )!
=
n! ( pN − n)! ( N − n)! (qN − N + n)! N !
Izraz
( pN )! (qN )! N! (N − N )!
P(n) = . (4.52)
N !n! ( pN − n)! ( N − n)! (qN − N + n)!
REKURZIJA :
Slično kao i kod binomne raspodjele, koja je zadana faktorijelima, i ovdje možemo lako
naći rekurziju izmed̄u P(n) i P(n − 1)
P(n) ( n − 1) ! ( p N − n + 1) ! ( N − n + 1) ! ( q N − N + n − 1) !
=
P ( n − 1) n!( pN − n)!( N − n)!(qN − N + n)!
( pN − n + 1)( N − n + 1)
=
n (qN − N + n)
( pN − n + 1)( N − n + 1)
P(n) = P ( n − 1).
n(qN − N + n)
(qN )!(N − N )!
A= .
(qN − N )!N !
Tada je
N!( pN )!(qN − N )!
P(n) = A .
n!( N − n)!( pN − n)!(qN − N + n)!
Uz slijedeće preslikavanje,
α = − N, β = − pN , γ = qN − N + 1,
P(n) n
F (α, βγ; u) = ∑ A
u .
n =0
10 Vidjeti npr. ˜. M ARKOVI Ć , Uvod u višu analizu, str. 557, ili odjeljak o hipergeometrijskoj diferencijalnoj
P ( n = 1) N!( pN )!(qN − N )!
=
A 1!( N − 1)!( pN − 1)!(qN − N + 1)!
N ( pN ) −α (− β) α β
= → = ,
qN − N + 1 γ γ
P ( n = 2) N!( pN )!(qN − N )!
=
A 2!( N − 2)!( pN − 2)!(qN − N + 2)!
N ( N − 1)( pN )( pN − 1) −α(−α − 1) (− β)(− β − 1)
= →
2(qN − N + 1)(qN − N + 2) 2γ(γ + 1)
α ( α + 1) β ( β + 1)
= ,
2γ(γ + 1)
itd.
NORMIRANJE I MOMENTI :
Da bismo pokazali normiranost hipergeometrijske raspodjele i izračunali njezine mo-
mente, trebat će nam MyBlueTextE ULEROVA FORMULA
min { D,s}
S D S−D
= ∑ . (4.53)
s d =0
d s−d
Pomoću gornjeg izraza vidimo da je
min { N, pN } min { N, pN }
1 pN N − pN 1 N
∑ P(n) =
(N
∑ n N−n
=
(N N
= 1,
n =0 N) n =0 N)
i raspodjela je normirana. Izračunajmo još i očekivanje i varijancu:
min { N, pN } min { N, pN }
1 pN N − pN
hni = ∑ n P(n) = (N ) ∑ n n N−n
n =0 N n =0
min { N, pN }
1 ( pN )! N − pN
= N
(N)
∑ n n!( pN − n)! N − n
n =1
min { N, pN }
1 p N ( p N − 1) ! N − pN
= N
(N)
∑ ( n − 1) ! ( p N − n ) ! N − n .
n =1
Sada se uvodi nova varijabla zbrajanja m = n − 1
min { N −1,pN −1}
pN pN − 1 N − pN
hni = N
(N)
∑ m N − ( m + 1)
m =0
min { N −1,pN −1}
pN pN − 1 N − 1 − ( p N − 1)
= N
(N)
∑ m N−1−m
m =0
pN N − 1
= ( A.80) = N = pN.
( ) N−1
N
210 Poglavlje 4. Raspodjele
min { N, pN } min { N, pN }
1 pN N − pN
hn(n − 1)i = ∑ n ( n − 1) P ( n ) =
(N
∑ n ( n − 1)
n N−n
n =0 N) n =2
min { N, pN }
1 ( pN )! N − pN
= N
(N)
∑ n ( n − 1)
n!( pN − n)! N−n
n =2
min { N, pN }
1 p N ( p N − 1) ( p N − 2) ! N − p N
= N
(N)
∑ ( n − 2) ! ( p N − n ) ! N−n
n =2
min { N −2, pN −2}
p N ( p N − 1) pN − 2 N − pN
=
(N
∑ m N−m−2
N) m =0
min { N −2, pN −2}
p N ( p N − 1) pN − 2 N − 2 − ( p N − 2)
=
(N
∑ m N−2−m
N) m =0
p N ( p N − 1) N − 2
= ( A.80) =
(N N−2
N)
pN ( pN − 1) ( N − 1)
n 2 − hni = .
N −1
N −N
σ 2 = n 2 − hni 2 = pqN .
N −1
N → ∞,
√
N! ≈ 2π N N N e−N ,
4.1 Raspodjele diskretnih nasumičnih varijabla 211
na P(n) dobivamo
( pN )!(qN )!N!(N − N )!
lim P(n) = lim
N →∞ N →∞ n! ( p N − n ) ! ( N − n ) ! ( q N − N + n ) ! N !
N! ( pN )!(qN )!(N − N )!
= lim
n!( N − n)! N →∞ ( pN − n)!(qN − N + n)!N !
N 2π pN ( pN ) pN e− pN
p
= lim p
n N →∞ 2π ( pN − n)( pN − n) pN −n e− pN +n
2πqN (qN )qN e−qN
p
·
2π (qN − N + n)(qN − N + n)qN − N +n e−qN + N −n
p
2π (N − N )(N − N )N − N e−N + N
p
· √ .
2π N N N e−N
Nakon skraćivanja, dobije se
N
lim P(n) = p n q N −n
N →∞ n
1
N N N −N+ 2
1− N 1− N
· lim pN −n+ 12 qN − N +n+ 12 .
N →∞ n
n
1− pN 1 − pN 1 − Nq−
N
n
1− N −n
qN
Zadatak 4.19 Osnovni se skup sastoji od tri bijele i pet crnih kuglica. Treba naći
hipergeometrijsku raspodjelu bijelih kuglica za uzorak od četiri člana.
Rješenje:
Osnovni skup ima N = 8 elemenata (kuglica). Uočeno obilježje (bijelu boju) imaju M = 3
elementa. Vjerojatnost p = M/N = 3/8. Veličina uzorka je N = 4. Hipergeometrijska
raspodjela je dana sa (4.52)
( pN )!(qN )!N!(N − N )! 3! 5! 4! 4!
P(n) = =
n!( pN − n)!( N − n)!(qN − N + n)!N ! n! (3 − n)! (4 − n)! (1 + n)! 8!
212 Poglavlje 4. Raspodjele
za n = 0, 1, 2, 3 = M.
3! 5! 4! 4! 1
P ( n = 0) = =
3! 4! 8! 14
3! 5! 4! 4! 6
P ( n = 1) = =
2! 3! 2! 8! 14
3! 5! 4! 4! 6
P ( n = 2) = =
2! 2! 3! 8! 14
3! 5! 4! 4! 1
P ( n = 3) = =
3! 4! 8! 14
3
∑ P(n) = 1.
n =0
3
0 · 1 + 1 · 6 + 2 · 6 + 3 · 1 21
hni = ∑ n P(n) =
14
=
14
= 1.5 = pN
n =0
#2
3 3
"
σ 2 = n 2 − hni 2 = ∑ n 2 P(n) − ∑ n P(n)
n =0 n =0
2
39 3 15 N −N
= − = = pqN .
14 2 28 N −1
Rješenje:
Navesti primjere
DEFINICIJA :
Vjerojatnost da je X veće od neke zadane vrijednosti x, što se često naziva funkcija
preživljavanja ili funkcija repa (raspodjele) je dana sa
4.1 Raspodjele diskretnih nasumičnih varijabla 213
x α
m
, x ≥ xm ,
x
P( X > x ) =
1, x < xm ,
∞, α ∈ (1, 2],
∞, α ≤ 1,
hxi = σ2 = 2
α xm , xm
α
α > 1. , α > 2.
α−1 α−1 α−2
a karakteristična funkcija je
e (t) = α(−ıxm t) α Γ(−α, −ıxm t),
Z
1 1
G = xm exp , H = xm 1 + .
α α
11 Wilfried Fritz Pareto ili Vilfredo Federico Damaso (15. VII 1848. – 19. VIII 1923.), italijanski inženjer,
Pored ostaloga, Pareto je prvi uočio omjer 80/20 na primjeru raspodjele materijalnog
bogatstva u tadašnjoj Italiji, gdje je 80% materijalnih dobara bilo u rukama (samo) 20%
stanovništva. Nekoliko primjera 80/20 pravila je dano donjom tablicom
• 80% prometnih udesa izazove 20% najmlad̄ih vozača;
• 80% prometnih udesa dogodi se unutar prvih 20% predvid̄ene duljine putovanja;
• 80% srećki kupuje 20% ukupnog stanovništva;
• 80% onečišćenja zraka izazove 20% ukupnog stanovništva;
• 80% svog vatrenog oružja posjeduje 20% ukupnog stanovništva;
• 80% ukupne aktivnosti na webu povezano je s 20% web stranica;
• 80% poziva na mobitele dolazi od 20% ukupnog stanovništva;
dovršiti
N
1
ζ N (α, v) = ∑ (n + v) α
, ζ N (α, 1) = ζ (α).
n =0
12 George Kingsley Zipf (7. I 1902 – 25. IX 1950.), američki lingvist i filolog.
13 „Emma” Jane Austen je navedena kao primjer u knjizi „Information Theory, Inference and Learning
Algorithms” autora David J. C. MacKaya.
14 Vidjeti npr. odjeljak Riemannova zeta-funkcija u G LUMAC , Matematičke metode fizike.
15 Benoit B. Mandelbrot (20. IX 1924. - 14. X 2010.), poljsko-francusko-američki matematičar
16 Adolf Hurwitz (26. III 1859. – 18. IX 1919.), njemački matematičar. Matyáš Lerch (20. II 1860. – 3. VIII
Srednja vrijednost
N
ζ N (α − 1, v)
hr i = ∑ r P (r ) =
ζ N (α, v)
− v.
r =1
Mod je (odjeljak 3.4.2) ona vrijednost statističkog obilježja koja je u skupu zastupljena
najvećim brojem članova,
Mod = 1.
momenti
funkcija izvodnica
dovršiti
Navesti primjere
kaže koliko čestica ima energiju jednaku Ek . No, reći da Nk čestica ima energiju Ek ,
ne odred̄uje u cjelosti mikroskopsku konfiguraciju sustava čestica. Zašto? Zato jer se
čestice med̄usobno razlikuju i postoji velik broj odabira čestica tako da njih točno Nk
ima energiju Ek . Npr. neka je, za neki k, broj Nk = 2, tj. dvije čestice (od njih N) imaju
energiju Ek . No, te dvije čestice mogu biti prva i druga, prva i treća, ..., druga i treća,
druga i četvrta, ..., treća i četvrta itd. Drugim riječima, premještanje dvaju čestica koje
se nalaze u različitim energijskom stanjima daje novi razmještaj ili kako se to još kaže
- novu mikroskopsku konfiguraciju. Takod̄er se u jednom energijskom stanju može
nalaziti proizvoljan broj čestica. To su svojstva koja imaju čestice klasičnog idealnog
plina. Pretpostavlja se da je svaki pojedini mogući raspored čestica po energijskom
stanjima, jednako vjerojatan, pa će najvjerojatnija energija biti ona koja se realizira kroz
najviše konfiguracija.
Izračunajmo kolika je vjerojatnost da se u prvom energijskom stanju nad̄e N1 čestica,
u drugom N2 čestica itd. sve do Ng čestica u g-tom stanju. Vjerojatnost je jednaka
omjeru broja konfiguracija koje zadovoljavaju navedeni uvjet, Nuv , i ukupnog broja
konfiguracija Nuk
Nuv
PMB = .
Nuk
Nazivnik: u nazivnik izraza za vjerojatnost dod̄u svi mogući razmještaju čestica. No,
svaka od N čestica se može nalaziti u svakom od g stanja, pa je nazivnik jednak
Nuk = g · · · g = g N
N!
g
gkNk
PMB = N
g ∏ Nk !
. (4.56)
k =1
gk 1,
gk Nk ,
što će omogućiti primjenu Stirlingove formule za računanje faktorijela velikih brojeva
M! ≈ M M e− M , M 1.
Izraz (4.56) daje vjerojatnost mikroskopske konfiguracije kao funkciju brojeva zaposjed-
nuća Nk , pojedinih (energijskih) stanja. Naravno, da će na različitim temperaturama i
vjerojatnosti zaposjednuća biti različite: na niskim temperaturama će biti zaposjednuta
mahom stanja niskih energija, dok će na visokim temperaturama vjerojatnije biti kon-
figuracije sa zaposjednutim stanjima visokih energija. Pitanje koje se sada postavlja jeste:
Kao što je poznato iz matematičke analize, najveća vrijednost neke funkcije, tj. njezin
maksimum, se dobiva tako da se derivacija te funkcije po odgovarajućoj varijabli,
izjednači s nulom. U ovom slučaju to znači da treba riješiti jednadžbu
∂PMB
= 0.
∂Nk
Primjetimo da budući je logaritam monotona funkcija, to će ln( PMB ) imati maksimum
za istu vrijednost argumenta kao i sam PMB
∂ ln( PMB )
= 0.
∂Nk
Ako imaju maksimum na istom mjestu, zašto uopće uvoditi ln( PMB ) umjesto PMB ? Razlog
za uvod̄enje ln( PMB ) umjesto PMB je vrlo praktične naravi: u računu preko PMB , relacija
(4.56), treba derivirati umnožak funkcija, a u računu s ln( PMB ) treba derivirati zbroj
218 Poglavlje 4. Raspodjele
funkcija. Budući da je ovo drugo lakše nego ono prvo, radi se s ln( PMB ), a ne s PMB .
Prema (4.56) je
g
gkNk
ln( PMB ) = ln( N !) − N ln g + ∑ ln
Nk !
.
k =1
No, u planirani račun ekstrema treba još ugraditi dva uvjeta: broj čestica, N, je konstan-
tan
N1 + N2 + · · · + Ng = const. = N (4.57)
N1 E1 + N2 E2 + · · · + Ng E g = const. = E . (4.58)
g g
f ( N1 , N2 , · · · , Ng ) = ln( PMB ) + α N − ∑ Nk + β E − ∑ Nk Ek ,
k =1 k =1
g g
= ln( N !) − N ln g + ∑ Nk ln( gk ) − ∑ ln( Nk !)
k =1 k =1
g g
+α N− ∑ Nk + β E − ∑ Nk Ek .
k =1 k =1
ln M! ≈ M ln( M ) − M, (4.59)
za f se dobiva
f ( N1 , N2 , · · · , Ng ) = ln( N !) − N ln g + α N + β E
g
+ ∑ Nk ln( gk ) − Nk ln( Nk ) + Nk − α Nk − β Nk Ek .
k =1
∂f
= 0 = ln gl − ln Nl + 1 − 1 − α − β El .
∂Nl
Iz gornjeg izraza je
Nk = gk e−α− β Ek . (4.60)
iz čega slijedi da je
g
1
α
e =
N ∑ gk e− β E k , (4.61)
k =1
pa je
gk e− β E k
Nk = N g .
∑ l =1 g l e− β E l
Iz izvoda (4.60) znamo da PMB ima maksimalnu vrijednost upravo za gornju vrijednost
Nk , no kolika je ta maksimalna vrijednost, doznat ćemo kada (4.60) uvrstimo u izraz za
PMB tj. ln( PMB )
g g
ln( PMB ) = ln( N !) − N ln( g) + ∑ Nk ln( gk ) − ∑ ln( Nk !) .
k =1 k =1
d ln( PMB ) = α d N + β dE ,
ili
1 α
dE = d ln( PMB ) − d N.
β β
Boltzmann je shvatio da gornji izraz nije ništa drugo do zapis drugog zakona termodi-
namike
dE = T dS + µ dN ,
220 Poglavlje 4. Raspodjele
1 µ
β= α=− ,
kB T kB T
S = k B ln( P).
veličina
z = eµ/(k B T )
Poisson (dovršiti)
Izračunajmo sada vjerojatnost pk da se k-tom stanju nalazi nk čestica. Od ukupno n
čestica, njih nk se može odabrati na
n
nk
( N − 1) n − nk
(nnk ) ( N − 1)n−nk
pk = .
Nn
U granici kada omjer n/N teži konstantnoj vrijednosti
n
=λ
N
gornji izraz prepoznajemo kao Poissonovu raspodjelu (4.48)
λ nk
e−λ ,
nk !
pri čemu smo koristili definiciju (4.50).
Nk ≤ N.
Čestice s ovim svojstvima imaju cjelobrojan spin i nazivaju se BOZONI. Foton - kvant
elektromagnetskog polja ima spin iznosa 1 i primjer je jednog bozona.
Uz gornje uvjete izračunajmo kolika je vjerojatnost PBE da se u prvom stanju nad̄e N1
čestica, u drugom N2 čestica itd. sve do Ng čestica u g-tom stanju uz uvjet
N1 + N2 + · · · + Ng = N.
Nuv
PBE = .
Nuk
Nuv = 1.
Nazivnik: koliko ima sve skupa mogućih razmještaja? Sjetimo se da svako od g stanja
može biti ili prazno ili imati jednu česticu ili dvije čestice, itd sve do mogućnosti da
jedno stanje sadrži svih N čestica.
Slika 4.13 sadrži primjer kako se N = 10 čestica može rasporediti u g = 5 stanja. Susjedna
stanja su razdvojena okomitim crtama. Gornji dio slike prikazuje raspodjelu u kojoj su
20 Satyendra Nath Bose (1. I 1894. – 4. II 1974.), teorijski fizičar, rod̄en u Zapadnom Bengalu u Indiji.
222 Poglavlje 4. Raspodjele
prvom stanju tri čestice, drugo stanje je prazno (bez čestica), u trećem stanju su četiri
čestice, u četvrtom jedna i u petom dvije čestice. Donji dio slike prikazuje raspodjelu
(2, 1, 3, 2, 2).
Malo općenitije se problemu označavanja stanja i čestica u njima, može pristupiti i
ovako: označimo kvantna stanja slovima
a, b, c, d, · · ·,
| {z }
g
a čestice brojevima
1, 2, 3, · · · , N.
Jedan primjer rasporeda čestica po stanjima se tada može prikazati na slijedeći način
a 1 b c 2 3 4 5 6 d 7 8 e f 9 10 g · · ·
g ( N + g − 1) !
g ( N + g − 1) ! ( N + g − 1) ! N+g−1
Nuk = = = (4.63)
g! N! ( g − 1) ! N ! N
i tražena vjerojatnost je
Nuv ( g − 1) ! N !
PBE = = .
Nuk ( N + g − 1) !
Iskoristimo sada izraz (4.63) da bismo odredili koliko ima konfiguracija u kojima se
N1 čestica nalazi u energijskom stanju E1 s degeneracijom g1 i N2 čestica u energijskom
stanju E2 s degeneracijom g2 i N3 čestica u energijskom stanju E3 s degeneracijom g3 itd.
Prema (4.63) se N1 može rasporediti po g1 stanja na
( N1 + g1 − 1) !
( g1 − 1) ! N1 !
načina i slično za rasporede N2 , N3 itd. čestica. Svaki se raspored čestica N1 može
kombinirati sa svakim rasporedom čestica N2 , a ovi opet sa svakim rasporedom čestica
N3 itd. Zato je ukupan broj mogućih rasporeda čestica po zadanim stanjima jednak
umnošku izraza gornjeg oblika. Taj ukupan broj konfiguracija ćemo označiti s W
g
( Nk + gk − 1) !
W=∏ .
k =1
( gk − 1) ! Nk !
4.1 Raspodjele diskretnih nasumičnih varijabla 223
Zapitajmo se sada kakvi moraju biti Nk , pa da gornji umnožak bude najveći, tj. kojih
će konfiguracija biti najviše ili, rečeno jezikom vjerojatnosti, koje su konfiguracije naj-
vjerojatnije? Postupit ćemo kao kod izvoda Maxwell-Boltzmannove raspodjele: tražit
ćemo maksimum W (zapravo ln(W ), ali to vodi na isti rezultat) opet uz uvjete da su
broj čestica i ukupna energija sustava konstantni (što će uvesti Lagrangeove množitelje),
relacije (4.57) i (4.58). Funkcija f čiji se maksimum traži je
g g
f ( N1 , N2 , · · · , Ng ) = ln(W ) + α N − ∑ Nk + β E − ∑ Nk Ek
k =1 k =1
g g g
= ∑ ln ( Nk + gk − 1) ! − ∑ ln ( gk − 1) ! − ∑ ln( Nk ) !
k =1 k =1 k =1
g g
+α N− ∑ Nk + β E − ∑ Nk Ek .
k =1 k =1
Uvjet ekstrema f
∂f
=0
∂Nl
vodi na jednadžbu
1 1
ln ( Nk + gk ) + ( Nk + gk ) − 1 − ln( Nk ) − Nk + 1 − α − β Ek = 0,
Nk + gk Nk
Nk + gk
ln = α + β Ek ,
Nk
s rješenjem
gk
Nk = .
eα + β E k − 1
Najvjerojatnija je ona konfiguracija sa gornjim brojem čestica Nk s energijom Ek . Da bi
se dobila ta najveća vjerojatnost, treba, slično kao kod uzvoda Maxwell-Boltzmannove
raspodjele, gornji izraz za Nk uvrstiti u ln(W ) (uz primjenu Stirlingove formule)
g h i
ln(W ) ≈ ∑ ( Nk + gk ) ln ( Nk + gk ) − ( Nk + gk ) − gk ln( gk ) + gk − Nk ln( Nk ) + Nk
k =1
g n o
≈ ∑ ( Nk + gk ) [ln( Nk ) + α + βEk ] − Nk − gk − gk ln( gk ) + gk − Nk ln( Nk ) + Nk
k =1
≈ αN + βE + f 1 ( gk ),
224 Poglavlje 4. Raspodjele
d ln(W ) = α dN + β dE .
S = k B ln(W ),
dE = T dS + µ dN ,
N → N − Nk , g → g − 1,
( g − 1) ( N − Nk + g − 1 − 1) ! ( N − Nk + g − 2) !
Nuv = = .
( g − 1) ! ( N − Nk ) ! ( g − 2) ! ( N − Nk ) !
Sada je tražena vjerojatnost pk jednaka
( N − Nk + g − 2) !
Nuv ( g − 2) ! ( N − Nk ) ! ( N − Nk + 1)( N − Nk + 2) · · · ( N − 1) N
pk = = = ( g − 1) .
Nuk ( N + g − 1) ! ( N − Nk + g − 1)( N − Nk + g) · · · ( N + g − 2)( N + g − 1)
( g − 1) ! N !
U granici kada N i g rastu uz uvjet da je njihov omjer konstantan
N
= λ = const.
g
λ Nk
pk → .
(λ + 1) Nk +1
4.1 Raspodjele diskretnih nasumičnih varijabla 225
N ≤ g.
To je statistika koja vrijedi za čestice polucjelobrojnog spina kao što je npr. elektron.
Donji primjer pokazuje jednu moguću raspodjelu čestica (brojevi) po stanjima (slova)
a 1 b c 2 d 3 f g 9 h ···
g! g
= .
N ! (g − N) ! N
To je rezultat za ukupan broj čestica i ukupan broj stanja. Promotrimo sada energijsko
stanje Ek s degeneracijom energije gk : na koliko se načina može Nk = 0 ili 1, rasporediti
preko tih gk raspoloživih stanja? Sličnim razmišljanjem koje je dovelo do gornjeg izraza,
dolazi se i do
gk ! gk
W ( Nk , gk ) = = .
Nk ! ( gk − Nk ) ! Nk
ako nema čestice, postoji samo jedna moguća (prazna) konfiguracija. Naprotiv, ako je
Nk = 1, tada je
gk !
W (1, gk ) = = gk .
1 ! ( gk − 1) !
jedna čestica može biti u bilo kojem od gk raspoloživih stanja, i zato je ukupan broj
konfiguracija jednak gk . Ovakvo razmatranje vrijedi za svako stanje k = 1, 2, · · · , g, pa je
zato ukupan broj konfiguracija jednak
g g
gk !
W = ∏ W ( Nk , gk ) = ∏ .
k =1 k =1
Nk ! ( gk − Nk ) !
Uvjet ekstrema f
∂f
=0
∂Nl
vodi na jednadžbu
1 1
− ln( Nk ) − Nk + ln( gk − Nk ) + ( gk − Nk ) − α − β Ek = 0
Nk ( gk − Nk )
g − Nk
ln k = α + β Ek
Nk
i konačno
gk
Nk = .
eα + β E k + 1
Sličnim postupkom kao kod Maxwell-Boltzmannove i Bose-Einsteinove raspodjele,
dobiva se
1 µ
β= α=− .
kB T kB T
Time je izraz za Fermi-Diracovu raspodjelu broja kvantnih objekata (čestica) Nk po
energijskim stanjima Ek , konačno jednak
gk
Nk = / (k B T )
. (4.65)
e (E k − µ ) +1
S AŽETAK
dP( x ) = ρ( x ) dx ,
0, x < a,
1
ρ (x) = , a ≤ x ≤ b, (4.66)
b−a
0, x > b.
ρ( x ) F(x)
1
b− a 1
x x
a b a b
Izračunajmo kumulativnu funkciju raspodjele, (3.6)
0, x < a,
1 x x−a
Z
Z x
dη = , a ≤ x ≤ b, ,
F(x) = ρ(η ) dη = b−a a b−a
−∞
Z b
1
dη = 1,
x > b.
b−a a
kao što je to prikazano na slici 4.15. Izračunajmo momente
1 b k +1 − a k +1
Z b
D
k
E 1
x = xk dx = , k = 0, 1, 2, · · · .
a b−a k+1 b−a
228 Poglavlje 4. Raspodjele
b+a b 2 + ab + a 2 (b − a) 2
hxi = , x2 = σ 2 = x 2 − hxi 2 = .
⇒
2 3 12
Slično se računaju i
1 b4 − a4 D E 1 b5 − a5
x3 = , x4 = , itd.
4 b−a 5 b−a
x − 3 x 2 hxi + 2 hxi 3
3
M3
α3 = 3 = = 0.
σ σ3
Koeficijent spljoštenosti je
Navesti primjere
Rješenje:
x m.p. ≈ N p,
x = N p + h, h Q 0.
Tu je h neki pozitivan ili negativan broj. Odstupanje h ne mora biti cijeli broj i ne mora
nužno biti manjeg iznosa od N p. Pitanje koje postavljamo je:
KOLIKA JE VJEROJATNOST DA SE POJAVI ODSTUPANJE h
od najvjerojatnije vrijednosti N p? Odgovor ćemo potražiti u dva koraka: najprije ćemo
naći vjerojatnost za odstupanje h = 0, a zatim za odstupanje h 6= 0.
(h=0)
21 Za binomnu raspodjelu je to ujedno i prosječna vrijednost.
4.2 Raspodjele kontinuiranih nasumičnih varijabla 229
Ako je h = 0, tada x ima upravo svoju najvjerojatniju vrijednost x m.p. = N p. Prema (4.11),
vjerojatnost za ovaj x je
N N
x N −x
P( x = x m.p. ) = p q p N p q N−N p
=
x
x= N p N p
N! N!
= p N p q Nq = p N p q Nq .
( N p)! ( N − N p)! ( N p)! ( Nq)!
Budući da se N smatra velikim brojem, za izračunavanje faktorijela u kojima se pojav-
ljuje N, može se koristiti S TIRLINGOVA22 formula
M
√ M 1 1
M! = 2πM 1+ 1 + 3 (4.67)
e (2 )(6M) 1 (2 )(6M) 2
139 571
− 3 − + ··· .
(2 )(2 · 3 · 5)(6M) 3 (2 6 )(2 · 3 · 5)(6M) 4
prema kojoj je i
√
N! ≈ e− N N N 2Nπ,
( N p ) ! ≈ e− N p ( N p ) Np
2N pπ,
p
− Nq Nq
( Nq)! ≈ e ( Nq) 2Nqπ.
p
1 1
p = 0.5 =√ = 0.178412,
2π N pq 2 π 20 · 0.5 0.5
p
1 1
p = 0.9 =√ = 0.297354,
2π N pq 2 π 20 · 0.9 0.1
p
( h 6= 0 )
Provedimo sada sličan postupak uz h 6= 0.
N N! p N p+h q Nq−h
P( x = N p + h) = p N p+h q N − N p−h =
Np + h ( N p + h)! ( N − N p − h)!
N!
= p N p+h q Nq−h .
( N p + h)! ( Nq − h)!
22 James Stirling, Methodus differentialis, 1730.
230 Poglavlje 4. Raspodjele
q
( N p + h ) ! ≈ e− N p − h ( N p + h ) N p + h 2( N p + h)π,
q
( Nq − h)! ≈ e− Nq+h ( Nq − h) Nq−h 2( Nq − h)π.
dobiva se
√
e− N N N 2Nπ p N p+h q Nq−h
P( N p + h) =
e− N p−h ( N p + h) N p+h 2( N p + h)π e− Nq+h ( Nq − h) Nq−h 2( Nq − h)π
p p
√
e− N + N p+h+ Nq−h N N N p N p+h q Nq−h
=p q N p+h p q Nq−h
N p 1 + Nhp ( N p) N p+h 1 + Nhp 2πNq 1 − Nqh h
( Nq) Nq−h 1 − Nq
1 1 1
=p
2π N pq N p+h+ 12 Nq−h+ 12 ≡ p2 π N p q A,
h h
1+ Np 1− Nq
N p+h+ 12 Nq−h+ 12
h h
−1
A = 1+ 1−
Np Nq
1 h 1 h
− ln(A) = Np + h + ln 1 + + Nq − h + ln 1 − .
2 Np 2 Nq
α2 α3 α4
ln(1 + α) = α − + − + ··· , −1 < α ≤ 1,
2 3 4
α2 α3 α4
ln(1 − α) = − α + + + + ··· , −1 ≤ α < 1, (4.68)
2 3 4
h h h2 h3
ln 1 + = − + + ··· ,
Np N p 2N 2 p 2 3N 3 p 3
h h h2 h3
ln 1 − =− − − − ··· .
Nq Nq 2N 2 q 2 3N 3 q 3
4.2 Raspodjele kontinuiranih nasumičnih varijabla 231
1 h h2 h3
− ln(A) = N p + h + − + + ···
2 N p 2N 2 p 2 3N 3 p 3
1 h h2 h3
− Nq − h + + + + ···
2 Nq 2N 2 q 2 3N 3 q 3
h2 h3 h2 h3 h4 h h2 h3
=h− + 2 2
+ ··· + − 2 2
+ 3 3
+ ··· + − 2 2
+ + ···
2N p 3N p N p 2N p 3N p 2N p 4N p 6N 3 p 3
h2 h3 h2 h3 h4 h h2 h3
−h−
− − · · · + + + · · · − − − + ···
2Nq 3N 2 q 2 Nq 2N 2 q 2 3N 3 q 3 2Nq 4N 2 q 2 6N 3 q 3
h2 1
2
h q−p h
= + +O . (4.69)
2N pq 2N pq N2
N, puno manji od članova reda 1/N koji su zadržani. Samo odstupanje h nije mala
veličina23 nego je neki broj ne veći od N.
h = e · N, 0 < e < 1.
Uz gornju pretpostavku, prvi član iz (4.69) je veći od svih ostalih24 i zato se, za veliki N,
mogu zanemariti
h2 2 / (2N pq )
ln(A) = − + ··· ⇒ A = e− h + ··· ,
2N pq
iz čega slijedi (približno)
1 2 2
P( N p + h) ≈ p e−h /(2N pq) = P( N p) e−h /(2N pq) . (4.70)
2πN pq
1 2
e−t /2 .
ρG (t)
ρ G (t) = √ (4.71)
0.5 2π
-H +H
0
-4 -2 0 2 4
t
N. Da bi zbrajanje N p sa h imalo smisla mora i h po redu veličine biti sličan redu veličine N.
24 Npr. za e = 1, prvi član je reda N, dok je drugi član reda jedinice, a zanemareni ćlanovi trnu kao 1/N.
232 Poglavlje 4. Raspodjele
Novouvedena funkcija ρ G (t) se zove gustoća vjerojatnosti Gaußove ili normalne raspo-
djele (slika 4.16) i predstavlja jednu od najvažnijih funkcija raspodjele u cijeloj teoriji
vjerojatnosti. Na slici 4.17 je prikazana usporedba binomne i Gaußove raspodjele za vri-
0.09
0.06
0.05
0.04
0.03
0.02
0.01
0
20 30 40 50
n, x
= P ( N p − H ) + P ( N p − H + 1) + P ( N p − H + 2) + · · · P ( N p − 1)
+ P( N p)
+ P ( N p + 1) + P ( N p + 2) + · · · + P ( N p + H − 1) + P ( N p + H ).
25 Broj x je cijeli broj, dok N p − H ne mora nužno biti cijeli broj, tako da izraz x = N p − H treba čitati
kao " cijeli broj najbliži broju " N p − H. Ova se primjedba odnosi i na ostatak teksta.
4.2 Raspodjele kontinuiranih nasumičnih varijabla 233
Spoje li se ordinate svih navedenih P( N p − H + n), dobiva se poligon čiji je jedan dio
P(Np + h)
P(n + 1)
P(n)
n n+1 -1
0 1 2 3 h
prikazan na slici 4.18. Da bismo izračunali gornji zbroj, zapitajmo se čemu je jednaka
ploština, S, površine ispod tog poligona? Sa slike 4.18 se vidi da je ta ploština jednaka
zbroju ploština trapeza prikazanih na toj istoj slici. Ploština površine n-tog trapeza, Sn ,
jednaka je zbroju ploštine pravokutnika i ploštine trokuta
1 1
Sn = P(n)[(n + 1) − n] + [(n + 1) − n][ P(n + 1) − P(n)] = [ P(n) + P(n + 1)],
2 2
pa je ukupna ploština površine ispod poligona jednaka zbroju ploština svih trapeza
N p+ H
P ( N p − H ) + P ( N p − H + 1) P ( N p − H + 1) + P ( N p − H + 2)
S= ∑ Sn =
2
+
2
+ ···
n= N p− H
P ( N p + H − 1) + P ( N p + H )
··· +
2
P( N p − H ) P( N p + H )
= + P ( N p − H + 1) + P ( N p − H + 2) + · · · + P ( N p + H − 1) +
2 2
Pomoću gornjih izraza povezujemo ploštinu S i traženi zbroj vjerojatnosti za ukupnu
vjerojatnost P(|h| ≤ H )
P( N p − H ) P( N p + H )
P(|h| ≤ H ) = P( N p − H ) + P( N p − H + 1) + · · · + P( N p + H ) = S + + .
2 2
Za sve veće i veće vrijednosti N, razmaci susjednih točaka na apscisi slike 4.18 postaju
sve manji i poligon postaje glatka funkcija, trapezi postaju sve uži i zbroj, S, njihovih
ploština postaje jednak integralu funkcije (4.72). Iz toga slijedi
2 2
1 e−(− H ) /(2N pq) 1 e−(+ H ) /(2N pq)
Z +H
1 η
− 2N
2
P(|h| ≤ H ) = p e dη + pq +
2πN pq 2 2πN pq 2 2πN pq
p p
−H
Z +H 2
2 η2 e− H /(2N pq)
=p exp − dη + p . (4.73)
2πN pq 0 2N pq 2πN pq
234 Poglavlje 4. Raspodjele
Z ∞
1 2 /2
P(|h| ≤ ∞ i = 2 √ e− η dη = 1,
2π 0
Zapitajmo se nadalje,
U KOJIM SE GRANICAMA (− H, + H ) SMIJE NALAZITI ODSTUPANJE h,
PA DA VJEROJATNOST ODSTUPANJA OD NAJVJEROJATNIJE VRIJEDNOSTI BUDE 21 ?
Ili, pomoću simbola
1
P(|h| ≤ H ) = −→ H =?
2
Pomoću (4.75), gornji uvjet pišemo kao
!
H
Φ p = 0.25 .
N pq
2σ
P(|h| ≤ 2 σ) = 2Φ = 2Φ(2) = 0.9545 ≈ 95.5%.
σ
Vjerojatnost odstupanja unutar granica ±2 σ je vrlo blizu jedinici, tj. skoro sva će se
odstupanja nalaziti unutar ovih granica. Ukoliko bi se promatrala odstupanja za ± 3σ,
dobila bi se (tablica 4.4) vjerojatnost jednaka
N 1 ( x − N p) 2
x N −x
lim p q =p exp − .
N →∞ x 2πN pq 2N pq
h x i = N p, σ 2 = N pq,
N 1 ( x − h x i) 2
x N −x
lim p q = √ exp − .
N →∞ x σ 2π 2 σ2
236 Poglavlje 4. Raspodjele
( x − h x i) 2
1 −
dP ( x ) = √ e 2 σ2 dx
σ 2π
( x − h x i) 2
dP( x ) 1 −
ρ( x ) = = √ e 2 σ2 (4.79)
dx σ 2π
se zove Gaußova ili normalna raspodjela gustoće vjerojatnosti (slika 4.21). Ova je
raspodjela izvedena i iz načela maksimuma entropije u odjeljku o entropiji, relacija
(5.46). Kao što se vidi iz (4.79), ta je raspodjela u cjelosti odred̄ena zadavanjam vrijednosti
h x i i σ. Ona je jedna od raspodjela koje se najčešće pojavlju u primjenama27 . Veličina σ
opisuje širinu raspodjele
ρ( x = h x i) √
= e ≈ 1.64872 · · · .
ρ( x = h x i ± σ)
dρ( x )
=0 ⇒ xmax = h x i .
dx x= xmax
27 Otkrili su ju Moivre, Laplace i Gauß, neovisno jedan o drugome, na prijelazu iz XV I I I − XIX stoljeće.
4.2 Raspodjele kontinuiranih nasumičnih varijabla 237
0.9 σ = 0.5
σ = 1.0
0.8 σ = 1.5
σ = 2.0
0.7
0.6
ρG (x)
0.5
0.4
0.3
0.2
0.1
0
-3 -2 -1 0 1 2 3 4 5
x
Z +∞
1= ρ( x ) dx ,
−∞
Z +∞
hxi = x ρ( x ) dx = h x i ,
−∞
Z +∞
x2 = x 2 ρ( x ) dx = h x i 2 + σ 2 , (4.80)
−∞
Z +∞
x3 = x 3 ρ( x ) dx = h x i 3 + 3 h x i σ 2 ,
−∞
Z +∞
x 4 ρ( x ) dx = h x i 4 + 6 h x i 2 σ 2 + 3σ 4 ,
D E
x4 =
−∞
Z +∞
x 5
x 5 ρ( x ) dx = h x i 5 + 10 h x i 3 σ 2 + 15 h x i σ 4 ,
=
−∞
Z +∞
x6 = x 6 ρ( x ) dx = h x i 6 + 15 h x i 4 σ 2 + 45 h x i 2 σ 4 + 15σ 6 ,
−∞
Z +∞
x7 = x 7 ρ( x ) dx = h x i 7 + 21 h x i 5 σ 2 + 105 h x i 3 σ 4 + 105 h x i σ 6 itd.
−∞
Kao koeficijenti gornjih momenata, pojavljuju se B ESSELOVI brojevi, b(n, k ), općenito
dani izrazom
(2n − k − 1) !
b(n, k ) = (−1) n−k n−k , 1 ≤ k ≤ n.
2 ( k − 1) ! ( n − k ) !
Tako je npr. b(7, 3) = 105.
i ostali parni
Z +∞ ( x − h x i) 2
1 2k −
M2k = √ x − hxi e 2 σ2 dx (4.81)
σ 2π −∞
σ 2k
Z +∞
x − hxi 2 /2
t= ⇒ M2k = √ t 2k e−t dt .
σ 2π −∞
Parcijalnom integracijom
d 2k−1 −t 2 /2 2 2
t e = (2k − 1)t 2k−2 e−t /2 + t 2k−1 (−t) e−t /2
dt
2 d 2k−1 −t 2 /2 2
⇒ t 2k e−t /2 = − t e + (2k − 1)t 2k−2 e−t /2 ,
dt
dolazi se do
σ 2k σ 2k
Z +∞ Z +∞
−t 2 /2 2 /2
2k−1
M2k = − √ d t e + (2k − 1) √ t 2k−2 e−t dt
2π −∞ 2π −∞
Prvi član desne strane je jednak nuli, a drugi je srazmjeran s M2k−2 , što daje rekurziju
k=0 M0 = 1,
k=1 M2 = σ 2 · M0 = σ 2 ,
k=2 M4 = 3σ 2 · M2 = 3σ 4 ,
α 3 = 0,
α 4 = 3,
VJEROJATNOST
4.2 Raspodjele kontinuiranih nasumičnih varijabla 239
Slika 4.22: Vjerojatnost se geometrijski prikazuje kao površina ispod krivulje gustoće
vjerojatnosti.
ρ (x )
4
1.7 − hX i 1.8 − hX i
Pr <t<
σ σ
hX i = 1.7, σ 2 = 0.1 2
2
0
1.2 1.4 1.6 1.8 2 2.2 x
x − hX i
t=
−6 −4 −2 0 2 4 6 σ
Z x
Z x ( x − h x i) 2
1 −
F(x) = ρ( x ) dx = √ e 2 σ2 dx
−∞ σ 2π −∞
Uvod̄enjem nove varijable
x − hxi
t= √ ,
σ 2
dolazi se do
1 0 Z t( x )
1 x − hxi
Z
−t 2 −t 2
F(x) = √ e dt + e dt = 1 + erf √
π −∞ 0 2 σ 2
1 x − hxi
= 1 − erfc √ . (4.82)
2 σ 2
gdje je erfc(η ) = 1 − erf(η ). Tako je konačno dobivena funkcija raspodjele (slika 4.23).
(usporedite gornji izraz sa (3.60)). Gornji je izraz oblika Gaußove raspodjele s već
navedenim vrijednostima, (4.85), za hY i i σy .
ρ ( x1 , · · · , xD ) = ρ1 ( x1 ) · · · ρ D ( xD ),
pri čemu je
Y = X1 + · · · + X D
U nešto općenitijoj notaciji, gornji se izrazi mogu zapisati i kao Gaußova raspodjela D
komponenata nasumičnog vektora
s
Det (A) 1
~ = ( X1 , X2 , · · · , X D ) ,
X ρ G (~x ) = D
exp − (~x − ~x 0 ) A (~x − ~x 0 ) .
(2π ) 2
(4.88)
dovršiti
242 Poglavlje 4. Raspodjele
Navesti primjere
n = λ (1 + δ ), λ 1, dok je δ 1.
Budući da je hni = λ, gornji uvjet znači da će nas zanimati vrijednosti n iz neposredne
okoline hni. Za velike vrijednosti n, faktorijeli s mogu računati Stirlingovom formulom
(4.67)
√ n n
n ! = 2πn + ··· ,
e
Izravnim uvrštavanjem gornjeg izraza u izraz za P(n), dobiva se
λ n en − λ eλδ (1 + δ)−λ(1+δ)−1/2
P(n, λ) = √ = √ .
nn 2πn 2πλ
Promotrimo detaljnije logaritam dijela izraza koji se pojavljuje u brojniku
δ2 δ3 δ4
ln(1 + δ) = δ − + − + ··· , −1 < δ ≤ 1,
2 3 4
dobiva se
δ2 δ3 δ4 1 1 1 2
[−λ(1 + δ) − 1/2] δ− + − + ··· =− λ+ δ+ − λ+ δ + ··· .
2 3 4 2 2 4
U granici λ 1 je
1 1 1 2 1
− λ+ δ+ − λ+ δ ≈ −λδ − λδ 2 .
2 2 4 2
Za velike vrijednosti n je razlika izmed̄u n i n + 1 vrlo malena u odnosu na n, pa n
možemo smatrati približno kontinuiranom varijablom i uvesti oznaku x ≡ n = λ(1 + δ)
Vratimo li se izrazu za vjerojatnost
2 2
e−λδ /2 e−(x−λ) /(2λ)
P(n, λ) → P( x ) ≈ √ = √ .
2πλ 2πλ
U skladu sa središnjim graničnim teoremom, odjeljak ..., u granici velikog n (velikog
broja dogad̄aja), Poissonova raspodjela prelazi u Gaußovu, sa srednjom vrijednošću
h x i = λ i varijancom takod̄er jednakom σ 2 = λ.
4.2 Raspodjele kontinuiranih nasumičnih varijabla 243
x t( x )
1375 - 1400 1
1400 - 1425 11
1425 - 1450 25
1450 - 1475 36
1475 - 1500 30
1500 - 1525 14
1525 - 1550 3
Iz gornjih podataka treba izračunati h x i i σ, a zatim, uz pretpostavku da se radi o Gaußo-
voj raspodjeli, treba izračunati teorijske težine. Pri tome treba postupiti tako da se svaki
interval uzme kao jedan razred: npr. 1375 do 1400 je razred 1387.5 sa širinom dx = 25 itd.
x t( x )
1387.5 1
1412.5 11
1437.5 25
1462.5 36
1487.5 30
1512.5 14
1537.5 3
D E tx
xk = ∑ xk ,
x 120
2
h x i = 1466.03 , x = 2.15021 · 10 6 ,
σ 2 = x 2 − h x i 2 = 984.899 , ⇒ σ = 31.3831 .
dP G = ρ G dx ,
tG 1 1 ( x − h x i) 2
dP G = ≈ ρ G dx ⇒ t G ( x ) = N dx √ exp −
N σ 2π 2 σ2
x t( x ) t G (x)
1387.5 1 1.418 → 1
1412.5 11 8.904 → 9
1437.5 25 25.228 → 25
1462.5 36 37.900 → 38
1487.5 30 30.179 → 30
1512.5 14 12.742 → 13
1537.5 3 2.852 → 3
244 Poglavlje 4. Raspodjele
Rješenje:
U skladu s (4.13), a uz N = 10 i p = q = 0.5, najvjerojatnije je da će se glava pojaviti
N p = 10 · 0.5 = 5
puta. Zato se za vjerojatnost pojave 5 + h glava može koristiti Gaußov izraz (4.70)
h2 h2
−
e 2N pq e− 2 10·0.5·0.5 1 h2
PGau ( N p + h) ≈ p =√ n= √ e− 5 ,
2πN pq 2 π 10 · 0.5 · 0.5 5π
ali isto tako se može koristiti i izraz preko binomne raspodjele (4.11)
N N
Pbinom ( x ) = p qx N −x
⇒ Pbinom (5 + h) = p5+h q10−5−h .
x 5+h
Za h = −5, −4, −3, −2, −1, 0, 1, 2, 3, 4, 5 dobivaju se slijedeće vrijednosti
h PGau Pbinom ∆
−5 0. 0.
−4 0. 0.
−3 0. 0.
−2 0. 0.
−1 0. 0.
0 0.2523 0.2461 0.0248796
1 0.2066 0.2051 0.00728686
2 0.1134 0.1172 0.0329575
3 0.0417 0.0439 0.0514019
4 0.0103 0.0098 0.0497512
5 0.0017 0.0010 0.518519
28 Vidjeti npr. odjeljak o integralnim preobrazbama u G LUMAC, Matematičke metode fizike.
4.2 Raspodjele kontinuiranih nasumičnih varijabla 245
h PGau Pbinom ∆
Rješenje:
U skladu s (4.13), a uz N = 36 i p = 1/6, najvjerojatnije je da će se šestica pojaviti
1
N p = 36 =6
6
puta. Zato se za vjerojatnost pojave 6 + h šestica može koristiti Gaußov izraz (4.70)
2 h2
h − h2
− 2N 2 36 1 5
e e pq 6 6 e− 10
PGau ( N p + h) ≈ p =q =√ ,
2πN pq 2 π 36 16 5 10 π
6
ali isto tako se može koristiti i izraz preko binomne raspodjele (4.11)
N N
Pbinom ( x ) = p qx N −x
⇒ Pbinom (5 + h) = p 6+h q 36−6−h .
x 6+h
Za h = −6, −5, · · · , 0, 1, 2, · · · 30 dobivaju se slijedeće vrijednosti
h PGau Pbinom ∆
−6 0. 0.
−5 0. 0.
0 0. 0.
1 0. 0.
2 0. 0.
3 0. 0.
4 0. 0.
30 0. 0.
gdje je s ∆ označena relativna razlika
| PGau − Pbinom |
∆= .
( PGau + Pbinom )/2
dovršiti (nacrtati gornju tablicu)
Provedite (na računalu) gornji postupak za N = 600 i razne vrijednosti x = 100 + h.
246 Poglavlje 4. Raspodjele
Rješenje:
Ako je vjerojatnost rod̄enja dječaka ili djevojčice jednaka 12 , tada bismo očekivali da se od 3 232
novorod̄enčadi rodi 1 616 dječaka i isto toliko djevojčica. Odstupanje broja rod̄enih dječaka je
√
r
11
N pq = 3232 = 808 = 28.425,
p
22
pa je tražena vjerojatnost, prema (4.75),
89
P(|h| ≤ 89) = 2Φ = 2Φ(3.13) = 0.99826. (4.89)
28.425
Zadatak 4.25 U različita vremena, botaničari Mendel (1865), Correns (1900), Tsc-
hermak (1900), Hurst (1904), Bateson (1905), Darbshire (1909) i Tavčar
(1924) su križali žuti hibridni grašak sa zelenim graškom i dobili sve
skupa 138 685 žutih i 46 042 zelene sjemenke. Pitanje je: slaže li se
ovaj rezultat s Mendelovom pretpostavkom da je vjerojatnost pojave
sjemenke zelenog graška 14 ?
Rješenje:
Ukupan broj sjemenaka je 138 685 + 46 042 = 184 727. Jedna četvrtina od toga je 46 181.75 →
46 182. Razlika u odnosu na dobiveni broj sjemenaka zelenog graška je 46 182 − 46 042 = 140.
Prema (4.75), vjerojatnost da odstupanja od najvjerojatnije vrijednosti bude manje ili jednako
140 je
140
P(|h| ≤ 140) = 2Φ q = 2Φ(0.75) = 2 · 0.27337 = 0.54674.
13
184 727 4 4
Ova je vrijednost vrlo blizu 12 , što znači da je pretpostavka vjerojatno točna. Postavimo još i ovo
pitanje: koliko smije biti odstupanje, pa da mu vjerojatnost bude 95%?
Prema tablici na str. 350 u V RANI Ć, Vjerojatnost i statistika je t = 1.96, tj.
H 1.96 √
1.96 = p ⇒ H= 184 727 · 3 = 364.77233 . . . .
N pq 4
Očito je odstupanje od 140 unutar dopuštene granice, čime smatramo Mendelovu pretpostavku
potvrd̄enom.
Zadatak 4.26 U igri lutrije se od 90 brojeva izvlači pet brojeva. Igrač igra na jedan
broj i dobiva ako se njegov broj nalazi med̄u pet izvučenih.
(a) Izračunajte vjerojatnost dobitka u jednom izvlačenju.
(b) Ako se obavi 2 854 izvlačenja, koliko će najvjerojatnije biti dobitaka?
(c) Kolika mogu biti odstupanja od ovog najvjerojatnijeg broja dobitaka,
pa da njihova vjerojatnost ne premašuje 12 ?
Rješenje:
(a) Vjerojatnost da će njegov broj biti izvučen jeste (povoljno kroz moguće)
(11) (89
4) 1
p= = ··· = .
(90
5)
18
(b) Ako se obavi 2 854 izvlačenja, prema (4.17), najvjerojatnije će biti izvučeno N p = 2 854/18 =
158.5̇ → 159 dobitaka.
(c) Prema (4.76), vjerojatnost je 12 da će odstupanje od najvjerojatnije vrijednosti N p biti manje
ili jednako H, kada je
r
1 17
H = 0.6745 N pq = 0.6745 2 854 = 8.2539 . . . → 8 . (4.90)
p
18 18
1
Dakle, s vjerojatnošću 2 možemo očekivati da će se broj izvučenih dobitaka nalaziti izmed̄u 151 i
167.
Rješenje:
Rješenje:
dovršiti
Zadatak 4.29 Ako su X1 i X2 nasumične varijable zadane Gaußovim raspodjelama,
izračunajte raspodjelu varijable
Y = a 0 + a 1 X1 + a 2 X2 ,
gdje su ai konstante.
Rješenje:
dovršiti
248 Poglavlje 4. Raspodjele
Rješenje:
Prema uvjetima zadatka i relacijama (4.74) i (4.79)
Z x
1 2 /2 1 2
Φ( x ) = √ e− η dη , ρ( x ) = √ e− x /2
2π 0 2π
rješenja su:
Z 1
1 2 /2
( a) P (0 < X < 1) = √ dη e−η = Φ (1).
2π 0
Iz tablice sa str. 350 u V RANI Ć, Vjerojatnost i statistika, se očitava Φ(1) = 0.34134, pa je i
Z 0 Z 2
1 −η 2 /2 1 2 /2
(b) P(−2 < X < 0) = √ dη e =√ dη e−η = Φ(2) = 0.47725.
2π −2 2π 0
1 2 2
Z
(c) P(−1 < X < 2) = √ dη e−η /2
2π −1
Z 0 Z 2
1 −η 2 /2 1 2
=√ dη e +√ dη e−η /2
2π −1 2π 0
Z 1 Z 2
1 2 1 2
=√ dη e−η /2 + √ dη e−η /2 = Φ(1) + Φ(2) = 0.81859.
2π 0 2π 0
1 2 2
Z
(d) P (1 < X < 2) = √ dη e−η /2
2π 1
Z 2 Z 1
1 2 1 2
=√ dη e−η /2 − √ dη e−η /2 = Φ(2) − Φ(1) = 0.13591.
2π 0 2π 0
1 1 Z
2
(e) P ( X < 1) = √ dη e−η /2
2π −∞
Z 0 Z 1
1 2 1 2
=√ dη e−η /2 + √ dη e−η /2
2π −∞ 2π 0
Z +∞ Z 1
1 1 1
r
2
−η /2 −η 2 /2 π
=√ dη e +√ dη e =√ + Φ(1) = 0.84134.
2π 0 2π 0 2π 2
Rješenje:
Prema uvjetima zadatka i relacijama (4.74) i (4.79)
Z x ( x − 2) 2
1 −η 2 /2 1 −
Φ( x ) = √ e dη , ρ( x ) = √ e 8
2π 0 2 2π
rješenja su:
Z 4 ( x − 2) 2
1 −
( a) P (0 < X < 4) = √ dx e 8
2 2π 0
Z 1
1 1 2
= 4√ e−η /2 dη = 2Φ(1) = 2 · 0.34134 = 0.68268,
2 2π 0
pri čemu smo opet koristili tablicu sa str. 350 u V RANI Ć, Vjerojatnost i statistika.
Z 6 ( x − 2) 2
1 −
(b) P (2 < X < 6) = √ dx e 8
2 2π 2
Z 2
1 1 2
= 2√ e−η /2 dη = Φ(2) = 0.47725,
2 2π 0
Z ∞ ( x − 2) 2 Z ∞
1 − 1 1 2
(c) P ( X > 4) = √ dx e 8 = 2√ e−η /2 dη
2 2π 4 2 2π 1
Z ∞ Z 1
1 2 1 2
=√ e−η /2 dη − √ e−η /2 dη
2π 0 2π 0
1
r
π
=√ − Φ(1) = 0.15866,
2π 2
Rješenje:
Prema uvjetima zadatka i relacijama (4.74) i (4.79)
Z x ( x − h x i) 2
1 −η 2 /2 1 −
Φ( x ) = √ e dη , ρ( x ) = √ e 2σ 2
2π 0 σ 2π
250 Poglavlje 4. Raspodjele
rješenja su:
Z ∞ ( x − 100) 2 Z ∞
1 − 1 2 /2
( a) P( X > 250) = √ dx e 2 · 200 2 = √ e− η dη · 200
200 2π 250 200 2π 3/4
Z ∞ Z 3/4
1 2 1 2
=√ e−η /2 dη − √ e−η /2 dη
2π 0 2π 0
1
r
π
=√ − Φ(3/4) = 0.5 − 0.27337 = 0.22669.
2π 2
Rješenje:
Prema (3.53) je gustoća vjerojatnosti varijable Y jednaka
dx
φ(y) = ρ( x )
dy
√ dx
x > 0, y= x ⇒ = 2y,
dy
√ dx
x < 0, y = −x ⇒ = |−2y| = 2y.
dy
4 4
φ(y) = √ y e−y /2 .
2π
4.2 Raspodjele kontinuiranih nasumičnih varijabla 251
Navesti primjere
nacrtati raspodjelu i kumulativnu funkciju
dovršiti
Zadatak 4.34 Za logaritamsko - Gaußovu raspodjelu izračunajte:
(a) koeficijente α 3 i α 4 ,
(b) mod i sva tri kvartila.
Rješenje:
Γ(1) = 1.
R EKURZIJA
Parcijalnom integracijom (4.91), dolazi se do rekurzije
d z −1 − x
x e = ( z − 1 ) x z −2 e− x − x z −1 e− x ,
dx
Z +∞ Z +∞
z −2 −x d z −1 − x
Γ ( z ) = ( z − 1) x e dx − x e dx
0 0 dx
+∞
z −1 −x
= ( z − 1) Γ ( z − 1) − x e
0
= ( z − 1) Γ ( z − 1). (4.92)
Γ (2) = 1 · Γ (1) = 1 !
Γ (3) = 2 · Γ (2) = 2 !
Γ (4) = 3 · Γ (3) = 3 !
Γ (5) = 4 · Γ (4) = 4 !
Γ (6) = 5 · Γ (5) = 5 ! ⇒ Γ ( n ) = ( n − 1) · ( n − 2) · · · 3 · 2 · 1 = ( n − 1) ! .
29 Gama funkcija se naziva i Eulerov integral druge vrste.
30 Vidjeti npr. G LUMAC, Matematičke metode fizike.
4.2 Raspodjele kontinuiranih nasumičnih varijabla 255
Gama funkcija, definirana preko (4.91) predstavlja poopćenje pojma faktorijela sa pri-
rodnih na realne i kompleksne brojeve.
N ECJELOBROJNI ARGUMENT
Prijelazom s varijable x na varijablu η, iz (4.91) se dobiva gama funkcija u ekvivalentnom
obliku
∞ ∞
x = η 2 , ⇒ dx = 2η dη ,
0 0
što vodi na
Z +∞
2
Γ(z) = 2 η 2z−1 e−η dη , (4.93)
0
Z +∞ √
2
Γ (1/2) = 2 e−η dη = π. (4.94)
0
1 1√
Γ (3/2) = Γ (1/2) = π,
2 2
3 3√
Γ (5/2) = Γ (3/2) = π,
2 4
5 15 √
Γ (7/2) = Γ (5/2) = π,
2 8
..
.
lim Γ(n, x ) = 1.
x →∞
dP Γ 1
ρ gama (n, x ) = = x n −1 e − x , (4.96)
dx Γ(n)
0.4
n=2
n=4
n=6
0.3
< X > +- σ
ρΓ (n, x)
<X>+
- σ
0.2
< X > +- σ
0.1
0
0 1 2 3 4 5 6 7 8 9 10
x
Z x
1
F(x) = η n−1 e−η dη = Γ(n, x ).
Γ(n) 0
NORMIRANJE I MOMENTI :
∂ρ gama (n, x )
=0 ⇒ xmax = n − 1 6= h x i .
∂x
x = xmax
Var ( X ) ≡ σ 2 = x 2 − h x i 2 = n
ili, općenito,
D E
x k = n(n + 1)(n + 2) . . . [n + (k − 1)].
x − 3 x 2 hxi + 2 hxi 3
3
M3 2
α3 = 3 = 3
= ··· = √ (4.99)
σ σ n
x − 4 x hxi + 6 x hxi − 3 hxi 4
2
4
3
2
M4 6
α4 = 4 = = ··· = 3 + . (4.100)
σ σ4 n
258 Poglavlje 4. Raspodjele
Prisjetimo li se da, za prirodan broj n, vrijedi Γ(n) = (n − 1)!, tada je posve očito da je
−
1 2
σ
ρ G (x) = √ e , x ∈ h −∞, +∞ i
σ 2π
vjerojatnost da varijabla x poprimi vrijednost iz intervala ( x, x + dx ) za bilo koji x iz
intervala h −∞, +∞ i. Isto tako je i vjerojatnost da varijabla y koja se ravna po gama
raspodjeli (4.96) poprimi vrijednost iz intervala (y, y + dy) za bilo koji y ∈ (0, ∞ i, jednaka
1
ρ gama (n, y) = y n −1 e− y , y ∈ (0, +∞ i.
Γ(n)
4.2 Raspodjele kontinuiranih nasumičnih varijabla 259
1 x − hxi 2 dy x − h x i
y= ⇒ dx σ 2 .
=
2 σ
Budući da je x ∈ h −∞, +∞ i, a y ∈ (0, +∞ i, to relaciji (4.101) treba rukom dopisati faktor
2 jer (zbog apsolutne vrijednosti u gornjem izrazu) isti doprinosi u ρ gama dolaze od
x ∈ h −∞, 0 i kao i od x ∈ h 0, +∞ i
σ2
= 2 √1 1
σ
ρ gama (y) = 2 · ρ G ( x ) ·
e− y · p = y−1/2 e−y .
x − hxi σ 2π 2y Γ ( 1/2 )
Time je pokazano da vrijedi jednakost
ρ G ( x ) = ρ gama (y) .
h x i,σ n=1/2,y=( x −h x i) 2 /(2σ 2 )
2
1 x − hxi
2 σ2
raspodjeljeno po gama raspodjeli sa stupnjem slobode
1
n= .
2
Navesti primjere
Rješenje:
... dovršiti ...
2( β − α ) α + β + 1
p
α3 = .
( α + β + 2) α β
p
4.2.6 χ 2 raspodjela
nacrtati raspodjelu i kumulativnu funkciju
dovršiti
xs
ρ( x ) = ,
ex −µ −1
+∞
xs
Z
dx = e µ Γ(s + 1) Φ(e µ , s + 1, 1) = Γ(s + 1) Lis+1 (e µ ), Re (s) > −1,
0 e x −µ − 1
pri čemu je
∞
zn
Φ(z, s, a) = ∑ ( a + n) s
, kzk < 1, a 6= 0, −1, −2, · · · .
n =0
1 xs
ρ( x ) = . (4.102)
e µ Γ(s + 1) Φ(e µ , s + 1, 1) ex−µ − 1
+∞
xs
Z
dx = e µ Γ(s + 1) Φ(−e µ , s + 1, 1) = −Γ(s + 1) Lis+1 (−e µ ),
0 e x −µ − 1
pri čemu je
∞
zn
Φ(z, s, a) = ∑ ( a + n) s
, kzk < 1, a 6= 0, −1, −2, . . .
n =0
1 xs
ρ( x ) = . (4.103)
e µ Γ(s + 1) Φ(−e µ , s + 1, 1) ex−µ + 1
4.2.9 t raspodjela
DEFINICIJA :
Kontinuirana nasumična varijabla t ∈ h −∞, +∞ i je raspodjeljena po t-raspodjeli, kada
je njezina gustoća vjerojatnosti dana sa
−(1+k)/2
t2
ρ(t) = C0 (k ) 1+ , k = 1, 2, 3, · · · . (4.104)
k
ρ(t) = ρ(−t).
1 · 3 · 5 . . . (2n − 1)
t 2n = k n , k > 2n.
(k − 2)(k − 4) . . . (k − 2n)
4.2 Raspodjele kontinuiranih nasumičnih varijabla 263
Rješenje:
D EFINICIJA
Kontinuirana pozitivna nasumična varijabla t je raspodjeljena po eksponencijalnoj ras-
podjeli, ako je njezina gustoća vjerojatnosti dana sa (vidjeti (5.45) iz odjeljka o entropiji)
ω e− ω t 0 ≤ t < ∞,
ρ(t) = (4.105)
0, t<0.
Slika 4.28: Lijevo: gustoća vjerojatnosti eksponencijalne raspodjele ρ(t), (4.105). Desno:
kumulativna funkcija eksponencijalne raspodjele, F (t), (4.106).
ω = 0.5 1
ω = 1.0
ω = 2.0
1.5
1
0.5
0.5
ω = 0.5
ω = 1.0
ω = 2.0
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
t t
V EZA S FIZIKOM
Neka se prati vrijeme ispravnog rada nekog ured̄aja, tako što se mjeri vrijeme izmed̄u
dva kvara. Označimo s
.
P T < t + dt T > t
gdje član O (dt) 2 označava članove srazmjerni s (dt) 2 , (dt) 3 , (dt) 4 , · · · , koji svi imaju
gdje su a j konstante.
Pokažimo da je nasumična varijabla T, koja ispunjava uvjet (4.107), opisana gustoćom
vjerojatnosti (4.105). Prema (2.11), vrijedi
No, budući da je
Kumulativna funkcija je
F ( t ) = P ( T < t ) = 1 − P ( T > t ) = 1 − e− ω t ,
K ARAKTERIZACIJA
dovršiti
M ODELIRANJE RASPODJELE
dovršiti
Aktivnost alfa zraka pojedine tvari se mjeri nakon jednakih vremenskih intervala
(u satima) u odnosu na početnu aktivnost koja se uzima za jedinicu mjere, i iznosi:
0.835, 0.695, 0.580, 0.485, 0.405 i 0.335. Iz pretpostavke da aktivnost opada eksponenci-
jalno, izvedite jednadžbu koja najbolje opisuje aktivnost i izračunajte konstantu raspada
i vrijeme poluživota.
... dovršiti ..
266 Poglavlje 4. Raspodjele
ω e −ω |t|
ρ(t) = .
2 1 − e −ω l
Rješenje:
Z ∞
N x e− x/λ dx = 1.
0
d − x/λ −1 −x/λ
xe = e−x/λ + x e ,
dx λ
što vodi na
Z ∞
d − x/λ
− x/λ
N −λ xe + λe dx = 1.
0 dx
Prvi član na lijevoj strani j jednak nuli, a drugi član je elementarni integral, koji u konačnici
daje vrijednost konstante normiranja
1 x − x/λ
N= ⇒ ρ( x ) = e .
λ2 λ2
4.2 Raspodjele kontinuiranih nasumičnih varijabla 267
d 2 − x/λ −1 −x/λ
x e = 2xe−x/λ + x 2 e ,
dx λ
dolazi se do
Z ∞ Z ∞
1 d 2 − x/λ
− x/λ
h x i = 2 −λ x e dx + 2λ xe dx = 2 λ.
λ 0 dx 0
Prvi integral na desnoj strani je jednak nuli, a drugi integral je riješen u prethodnom koraku kod
normiranja. Drugi moment se takod̄er računa iz (3.29)
∞ Z ∞ 3
Z x − x/λ
x2 = x 2 ρ( x ) dx = e dx .
2 λ
0 0
Parcijalnom integracijom
d 3 − x/λ −1 −x/λ
x e = 3x 2 e−x/λ + x 3 e ,
dx λ
dolazi se do
Z ∞ Z ∞
1 d 3 − x/λ
2 2 − x/λ
x x e dx + 3λ x e dx = 6 λ 2 .
= 2 −λ
λ 0 dx 0
Prvi integral na desnoj strani je jednak nuli, a drugi integral je riješen u prethodnom koraku kod
računa h x i. Standardna devijacija je
q √
σ = h x 2 i − h x i 2 = λ 2.
Rješenje:
Rješenje:
rješenje
Rješenje:
rješenje
268 Poglavlje 4. Raspodjele
Rješenje:
rješenje dovršiti
Navesti primjere
dρ( x ) m−x
− ρ( x ) = 0, (4.108)
dx a + bx + cx 2
koja ovisi o četiri parametra (m, a, b i c), a čija rješenja, ovisno o vrijednostima para-
metara, daju različite raspodjele gustoća vjerojatnosti. Raspodjele vjerojatnosti koje se
pojavljuju u prirodi, najčešće imaju po jedan maksimum. Prema gornjoj diferencijalnoj
jednadžbi, položaj maksimuma je odred̄en sa
dρ( x ) m−x
= ρ( x ) = 0.
dx a + bx + cx 2
Dakle maksimum je ili u točki
xmax = m
ρ( xmax ) = 0.
Za primjer navodimo Gaußovu raspodjelu kao posebni slučaj rješenja jednadžbe (4.108):
stavimo li a = 1, b = c = 0, dobivamo
dρ
Z
= (m − x ) dx ,
ρ
1 2
ln(ρ) = − (m − x ) 2 + const., ⇒ ρ( x ) = c0 e−(x−m) /2 ,
2
a to je upravo gustoća vjerojatnosti (4.79) Gaußove raspodjele (konstanta c0 se odred̄uje
iz uvjeta normiranja).
4.2 Raspodjele kontinuiranih nasumičnih varijabla 269
Rješenje:
rješenje
Zadatak 4.44 Kocka se baci 80 puta. Koliki je najvjerojatniji broj pojavljivanja šestice?
S kojom vjerojatnošću?
Rješenje:
rješenje
Rješenje:
rješenje
Rješenje:
rješenje
Rješenje:
rješenje
270 Poglavlje 4. Raspodjele
1. G. B. A RFKEN I H. J. W EBER.
Mathematical Methods for Physicists. Academic Press, San Diego, 1995
2. N EVEN E LEZOVI Ć.
Vjerojatnost i statistika 1 - diskretna vjerojatnost. Element, Zagreb, 2008
3. J OSÉ L UIS G ARCIA -PALACIOS. „
Introduction to the theory of stochastic processes and Brownian motion problems”.
(2007). URL: arxiv.org/abs/cond-mat/0701242
4. R OMAN G RIGORIEV.
Mathematical Methods of Physics. 2019. URL: http : / / www . cns . gatech . edu /
~predrag/courses/PHYS-6124-12/roman07/
5. C HARLES M. G RINSTEAD I J. L AURIE S NELL.
Introduction to probability. 2019. URL: https://www.math.dartmouth.edu/~prob/
prob/prob.pdf
6. P. H SU H WEI.
Theory and problems of probability, random variables and random processes. McGraw -
Hill, 1997
7. B RANISLAV I VANOVI Ć.
Teorija verovatnoće. Univerzitetski udžbenici. Naučna knjiga, Beograd, 1977, stra-
nica 328
8. A HMAD A. K AMAL.
1 000 Solved Problems in Modern Physics. Springer Verlag, Berlin Heidelberg, 2010
9. D AVID J. M AC K AY.
Zipf - Mandelbrot distribution. 2019. URL: www.inference.phy.cam.ac.uk%20%E2%
80%BA%20donut%20%E2%80%BA%20infinite%20%E2%80%BA%20zipfMacKay
10. Ivo PAVLI Ć.
Statistička teorija i primjena. Panorama, Zagreb, 1965
11. K EN R ILEY , M ICHAEL H OBSON I S TEPHEN B ENCE.
Mathematical Methods for Physics and Engineering. Cambridge Univ. Press, 2006
12. Z. K. S ILAGADZE.
Citations and the Zipf-Mandelbrot’s law. 2019. URL: http://cds.cern.ch/record/
377204/files/9901035.pdf
13. M URRAY R ALPH S PIEGEL I L ARRY J. S TEPHENS.
Theory and problems of Statistics. Schaum’s outline series. McGraw-Hill, 1999
14. H UGO T OUCHETTE. „The large deviation approach to statistical mechanics”.
Physics Reports 478 (2009), stranice 1–69. URL: http://people.math.umass.edu/
~rsellis/pdf-files/Touchette-review.pdf
15. V LADIMIR V RANI Ć.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971
16. S VETOZAR V. V UKADINOVI Ć.
Zbirka rešenih zadataka iz teorije verovatnoće. Privredni pregled, Beograd, 1990
17. M ATH W ORLD W OLFRAM.
Bose-Einstein Distribution. http://mathworld.wolfram.com/Bose-EinsteinDistribution.html,
2019
18. M ATH W ORLD W OLFRAM.
Fermi-Dirac Distribution. http://mathworld.wolfram.com/Fermi-DiracDistribution.html,
4.2 Raspodjele kontinuiranih nasumičnih varijabla 271
2019
5. Entropija, vjerojatnost, informacija
You should call it entropy, for two reasons. In the first place your uncertainty function
has been used in statistical mechanics under that name, so it already has a name.
In the second place, and more important, no one really knows what entropy really is,
so in a debate you will always have the advantage.
5.1 Entropija
Iz prethodnih izlaganja u ovom tekstu, kao i iz nekih drugih izvora1 , vidljivo je da se
vjerojatnost može shvatiti kao broj (funkcija) koji mjeri (ne)sigurnost ostvarenja nekog
dogad̄aja: ako je vjerojatnost jednaka nuli, sigurno je da se dogad̄aj neće ostvariti, a
ako je vjerojatnost jednaka jedan, sigurno je da će se dogad̄aj ostvariti. Svi brojevi
izmed̄u 0 i 1 opisuju stupanj (ne)sigurnosti ostvarenja dogad̄aja. Ako se ne promatra
samo jedan dogad̄aj, nego cijeli jedan (veliki) skup od N dogad̄aja, A, B, C, · · · , tada se
konfiguracijom, C , naziva jedno moguće ostvarenje cijelog skupa. Npr. jedna moguća
konfiguracija je
C = ( A, B, C, · · · ),
(potezom iznad slova, označeno je neostvarenje dogad̄aja) u kojoj su se dogad̄aji A i
B ostvarili, C se nije ostvario itd. Budući da se svaki od N dogad̄aja može ili ostvariti
ili ne ostvariti (treća mogućnost ne postoji), to je ukupan broj konfiguracija jednak
Ωtot = 2 N . U odnosu na promatarni SKUP dogad̄aja, moguće je definirati jedan broj
tj. funkciju koja MJERI STUPANJ ( NE ) SIGURNOSTI OSTVARENJA TJ . NEPOZNAVANJA
KONFIGURACIJE U KOJOJ SE NALAZI CIJELI TAJ SKUP DOGAÐAJA . Takva se funkcija
naziva ENTROPIJA2 . U ovom odjeljku će se govoriti o jednoj veličini, H, koja je do na
1 Npr. G LUMAC, Matematičke metode fizike, G LUMAC, Statistička fizika.
2 Riječ
entropija potječe od grčke riječi entrepo, što u prijevodu znači – okretati, obrtati. Pojam entropije
je 1865. god. uveo Rudolph Clausius i preveo ga kao „obrt ka unutra”.
274 Poglavlje 5. Entropija, vjerojatnost, informacija
Započet ćemo s računom srednje vrijednosti entropije (samo) jedne nasumične va-
rijable/pocesa/stanja čestice.
Primjer 5.1 Q = 2
Promatra se (samo) jedna nasumična varijabla ili jedan nasumičan proces A, koja
može poprimiti (samo) dvije različite vrijednosti ili dva različita ishoda A1 (ostvarenje,
+1, ↑, · · · ) i A2 (neostvarenje, −1, ↓, · · · ). Koristeći rječnik statističke fizike, može se reći
da se promatra sustav koji se sastoji od samo jedne čestice koja se može nalaziti u
jednom od dva stanja4 : stanju ↑ ili stanju ↓
C1 = (+1), C2 = (−1),
C1 = ( A ), C2 = ( A ),
C1 = (↑), C2 = (↓).
Ωtot = Q.
Kada bismo razmatrali sustav od npr. tri varijable, A, B i C (ili tri čestice) od kojih se
svaka može nalaziti u Q stanja, ukupan broj elementarnih dogad̄aja bi bio
Ωtot = Q 3 .
P(1) = 1 − e, P(2) = e.
Ako je e jako mali, npr. e = 10−6 , skoro je sigurno da će se sustav nalaziti u konfiguraciji
C1 i zato je usrednjena bezdimenzijska entropija, koja mjeri nepoznavanje sustava, malog
3 Vidjeti npr. u G LUMAC, Statistička fizika
4 To je poznati Isingov model, vidjeti npr. u G LUMAC, Statistička fizika.
5.1 Entropija 275
H[ Q = 2; P(1) = 1, P(2) = 0] = 0.
H[ Q = 2; P(1) = 0, P(2) = 1] = 0.
Osim ove tri nabrojane, sve ostale moguće vrijednosti za P(1) i P(2) dat će vrijednosti
usrednjena entropije koje leže izmed̄u 0 i Hmax .
Zaključci iz ovog primjera sažeti su u slijedeće tri relacije
Poslije ovog jednostavnog primjera, nastavimo izlaganje tako što ćemo ga poopćiti
na način da i dalje promatramo jednu nasumičnu varijablu, ali sada ona može popri-
miti ne samo dvije vrijednosti, nego proizvoljan5 broj Q ≥ 2 vrijednosti (stanja) An s
pridruženim vjerojatnostima P(n)
{ A1 , A2 , · · · , A Q } P (1), P (2), · · · , P ( Q ).
Ako se sada gornji skup vrijednosti poveća za jednu vrijednost koju nasumična varijabla
nikada ne može poprimiti, očito je da se poznavanje stanja u kojemu se nalazi nasumična
varijabla, time neće ni povećati ni smanjiti
Kada je
1
P(n) = , n = 1, 2, · · · , Q,
Q
1 1 1 1 1 1
H Q; , , · · · , = H Q + 1; , , · · · , , 0 .
Q Q Q Q Q Q
1 1 1 1 1 1 1 1 1 1
H Q; , , · · · , = H Q + 1; , , · · · , , 0 ≤ H Q + 1; , ,··· , , .
Q Q Q Q Q Q Q+1 Q+1 Q+1 Q+1
Uočimo sada jedno NOVO SVOJSTVO usrednjene entropije. Krenimo od skupa Q vrijed-
nosti nasumične varijable i njemu pridružene usrednjene entropije
P( Q) = P( Q, 1) + P( Q, 2) + · · · + P( Q, R).
I sam podskup { AQ,1 , AQ,2 , · · · , AQ,R } ima dobro definiranu pridruženu usrednjenu
entropiju
P( Q, r )
p( AQ,r ) = , P( Q) 6= 0.
P( Q)
6U čestičnoj slici to znači da je npr. AQ energijsko stanje čestice koje je R puta degenerirano (Zeemanpv
ili Starkov učinak u kvantnoj mehanici. U slici nasumične varijable to može značiti da čitav jedan interval
vrijednosti shvaća kao jedna vrijednost. U slici nasumičnih procesa to znači da je jedan skup ishoda
shvaćen kao jedan jedini ishod.), a H( R) je pridružena usrednjena entropija tog stanja.
5.1 Entropija 277
Osnovna tvrdnja koja odred̄uje analitički izraz za usrednjenu entropiju, jeste Hinčinov
teorem, 5.1.2, ili teorem o jedinstvenosti. Jedan od koraka u dokazu Hinčinova teorema
jeste i Feinsteinov teorem, pa ćemo dokazati najprije taj teorem.
7 Izrazi: vrijednost nasumične varijable, ishod nasumičnog procesa ili stanje čestice su sinonimi.
8 Poredak ishoda An je potpuno proizvoljan, pa je i poredak vjerojatnosti P(n) u izrazu za usrednjenu
entropiju takod̄er proizvoljan.
278 Poglavlje 5. Entropija, vjerojatnost, informacija
L ( x m ) = m L ( x ), ∀ m ∈ N. (5.4)
L( x ) = c0 log( x ),
Dokaz:
Odaberimo proizvoljno realne brojeve x i y i prirodan broj n. Sada, za zadane x, y i n biramo
prirodan broj m tako da vrijedi
x m ≤ y n ≤ x m +1 .
m log(y) m+1
m log( x ) ≤ n log(y) ≤ (m + 1) log( x ) ⇒ ≤ ≤ . (5.5)
n log( x ) n
L ( x m ) ≤ L ( y n ) ≤ L ( x m +1 ),
m L(y) m+1
m L ( x ) ≤ n L ( y ) ≤ ( m + 1) L ( x ) ⇒ ≤ ≤ . (5.6)
n L( x ) n
Iz (5.5) i (5.6) se vidi da omjeri log(y)/ log( x ) i L(y)/L( x ), označeni plavim točkama na
Slika 5.1: Uz dokaz Feinsteinova teorema.
slici 5.1 moraju ležati negdje unutar inter-
1
vala širine 1/n. Budući da ne znamo koji je
n od ta dva omjera veći, a koji manji, možemo
samo napisati da je
log(y) L y 1
( ) < ,
m m
+ 1 − ∀ n ∈ N.
n n n log( x ) L( x ) n
L(y) L( x )
= .
log(y) log( x )
(b)
pri čemu je
R
∑ P( Q, r ) = P( Q);
r =1
280 Poglavlje 5. Entropija, vjerojatnost, informacija
( d ) rang H je podskup od R+ ,
tada je
Q
H[ Q; P(1), P(2), · · · , P( Q − 1), P( Q)] = −c0 ∑ P(n) log [ P(n)] = −c0 hlog [ P(n)]i ,
n =1
Dokaz:
Prije samog dokaza, precizirajmo rječnik vezan uz pojam entropije. Riječ entropija s oznakom S,
koristit ćemo za veličinu koju je Boltzmann definirao kao
S(m) = kB ln [Ω(m)],
gdje Ω(m) označava broj konfiguracija sustava s fiksnom vrijednošću odred̄ene opservable, m
(npr. magnetizacije, energije ili nečeg sličnog), a kB je konstanta koja ima dimenziju omjera
energije i temperature (Boltzmannova konstanta). Vjerojatnost da se sustav nad̄e u nekoj od
konfiguracija s danom fiksnom vrijednošću opservable m je (povoljno / moguće)
Ω(m)
P(m) = ,
Ωtot
gdje Ωtot označava ukupan broj konfiguracija dostupnih sustavu (za sve moguće vrijednosti m).
Izražena preko vjerojatnosti, Boltzmannova entropija je jednaka
1 1 1
L( Q) ≡ H Q; , , · · · , , Q ∈ N.
Q Q Q
1 1 1 1 1 1 1
L( Q) = H Q + 1; , , · · · , , 0 ≤ H Q + 1; , ,··· , , = L ( Q + 1)
Q Q Q Q+1 Q+1 Q+1 Q+1
⇒ L ( Q ) ≤ L ( Q + 1) Q ∈ N.
5.1 Entropija 281
Rn Q
1 Rn
P(n, j) = Q
, P(n) = ∑ P(n, j) = Q
, ∑ P(n) = 1.
∑ k =1 R k j =1 ∑ k =1 R k n =1
R1 = R2 = · · · = RQ ≡ R.
L ( Q · R ) = L ( Q ) + L ( R ).
Q=R ⇒ L ( R 2 ) = 2 L ( R ),
Q = R2 ⇒ L ( R 3 ) = 3 L ( R ),
Q = R3 ⇒ L( R 4 ) = 4 L( R) ⇒ L ( R m ) = m · L ( R ).
jer je, zbog normiranja, P(1) + P(2) = 1, pa postoji samo jedna varijabla P(1) ≡ p i P(2) =
1 − p, za p ∈ [0, 1]. Zapišimo p u obliku racionalnog broja
k1
p= , k1 < k2 , k1 , k2 ∈ Q.
k2
9 Sjetimo se da je rang funkcije f skup svih izlaznih vrijednosti f ; to je skup { f ( x ) : x ∈ X }, gdje X
domena. Rang f može biti isti skup kao i kodomena ili može biti njezin odgovarajući podskup. Općenito,
on je manji od kodomene osim akoje funkcija f surjektivna funkcija.
282 Poglavlje 5. Entropija, vjerojatnost, informacija
glasi
1 1 1 1
H 1 + k2 − k1 ; p, , · · · , = H(2; p, 1 − p) + (1 − p) · H k2 − k1 ; ,··· , .
k2 k2 k2 − k1 k2 − k1
(5.8)
1
P(1) = P(2) = · · · = P(k2 − k1 ) = P(k2 − k1 + 1, 1) = P(k2 − k1 + 1, 2) = · · · = P(k2 − k1 + 1, k1 ) = .
k2
Ovakvim izborom je i
k1
P(k2 − k1 + 1) = P(k2 − k1 + 1, 1) + P(k2 − k1 + 1, 2) + · · · + P(k2 − k1 + 1, k1 ) = = p.
k2
Prethodna jednakost med̄u usrednjenim entropijam prelazi u
1 1 1
!
1 1 1 1 1
k2 k2 k2
H k2 ; , · · · , = H k2 − k1 + 1; , , · · · , , p + p · H k1 ; , ,··· , .
k2 k2 k2 k2 k2 p p p
5.1 Entropija 283
Budući da poredak argumenata u funkciji entropije nije važan (prvi član desne strane), gornja
jednadžba postaje
1 1 1 1 1 1 1 1
H k2 ; , · · · , = H k2 − k1 + 1; p, , , · · · , + p · H k1 ; , , · · · , .
k2 k2 k2 k2 k2 k1 k1 k1
1 1 1 1
H k2 ; , · · · , = H(2; p, 1 − p) + (1 − p) · H k2 − k1 ; ,··· ,
k2 k2 k2 − k1 k2 − k1
1 1 1
+ p · H k1 ; , , · · · ,
k1 k1 k1
L(k2 ) = H(2; p, 1 − p) + (1 − p) · L(k2 − k1 ) + p · L(k1 ).
2
= −c0 P(1) log( P(1)) + P(2) log( P(2)) = −c0 ∑ P(n) log [ P(n)]
n =1
P(2, 1) P(2, 2)
H[2 − 1 + 2; P(1), P(2, 1), P(2, 2)] = H[2; P(1), P(2)] + P(2) H 2; ,
P (2) P (2)
H[3; P(1), P(2, 1), P(2, 2)] = −c0 P(1) log( P(1)) + P(2) log( P(2))
Q
H[ Q; P(1), P(2), · · · , P( Q − 1), P( Q)] = −c0 ∑ P(n) log [ P(n)] = −c0 hlog( P)i .
n =1
(5.9)
Budući da je H[ Q; P(1), P(2), · · · , P( Q − 1), P( Q)] dana zbrojem (5.9), redoslijed P(n)-ova
nije važan. Takod̄er, iako je dokaz izveden kada je p racionalan broj, on vrijedi i za bilo koju realnu
vrijednost p, jer je pretpostavljeno da je entropija kontinuirana funkcija svojih argumenata.
. Q. E. D.
Primjer 5.2 Q = 3 OBROKA
Restoran brze hrane ima u ponudi tri obroka: junetinu, piletinu i ribu. Za sva tri obroka
su nam poznate cijene, kalorijska vrijednost i vjerojatnosti da će obrok biti topao ili
hladan kada ga nasumični kupac poželi kupiti (tablica 5.1). Sada se nasumična varijabla
284 Poglavlje 5. Entropija, vjerojatnost, informacija
P(n) =? n = 1, 2, 3,
Gornja relacija može biti zadovoljena za jako puno različitih izbora vrijednosti P(n) i
zato smatramo da je naše nepoznavanje raspodjele vjerojatnosti veliko. To nepoznavanje
ćemo izraziti usrednjenom entropijom
3
H[3; P(1), P(2), P(3)] ≡ H = − ∑ P(n) log2 [ P(n)]. (5.11)
n =1
U jeziku teorije informacija, ova vrijednost entropije opisuje sustav o kojemu ništa ne
znamo, dok bi se jezikom statističke fizike reklo da je to potpuno neured̄eni sustav. Ova
vrijednost usrednjene entropije je najveća moguća za dani sustav.
No, ukoliko imamo neke dodatne informacije o sustavu, tada možemo naći bolju
raspodjelu vjerojatnosti od navedene, u smislu da ćemo u nju ugraditi tu dodatnu
informaciju i tako smanjiti naše nepoznavanje sustava (raspodjele). Tako ćemo sada
pretpostaviti da imamo jednu informaciju (jedan uvjet), a to je da znamo kolika je
prosječna cijena kupljenog obroka - neka je ona 17.5 kn
3
hC i = 17.5 = ∑ Cn P(n) = 10 · P(1) + 20 · P(2) + 30 · P(3). (5.12)
n =1
5.1 Entropija 285
Jednadžbe (5.10) i (5.12) jesu dvije jednadžbe za tri nepoznanice P(1), P(2) i P(3), pa ne
možemo doći do rješenja. Jednadžbu koja nedostaje, nadomjestit ćemo zahtjevom da
usrednjena entropija (5.11) bude maksimalna. Najprije ćemo iz jednadžba (5.10) i (5.12)
vjerojatnosti P(1) i P(2) izraziti kao funkciju P(3)
P(1) = 0.25 + P(3), P(1) = 0.75 − 2P(3),
a zatim to uvrstiti u izraz za usrednjenu entropiju (5.11)
H = −[0.25 + P(3)] log2 [0.25 + P(3)] − [0.75 − 2P(3)] log2 [0.75 − 2P(3)] − P(3) log2 [ P(3)].
Uvjet maksimuma usrednjene entropije
[0.75 − 2P(3)] 2
" #
∂H
= log2 = 0,
∂P(3) [0.25 + P(3)] P(3)
Sada je sustav još ured̄eniji (još više znamo o njemu) i zato je usrednjena entropija još
manja, H2 < H1 < H0 .
P(n) =? n = 1, 2, 3, 4.
4
hC i = 25 = ∑ Cn P(n) = 10 · P(1) + 20 · P(2) + 30 · P(3) + 80 · P(4), (5.14)
n =1
ln( x ) 1
f ( x ) = logb ( x ) = ⇒ f 0 (x) = ,
ln(b) x ln(b)
1
logb (e) = .
ln(b)
288 Poglavlje 5. Entropija, vjerojatnost, informacija
∑ P(n) = 1, (5.16)
n
R0 = ∑ P(n) − 1 = 0,
n
i računa se njezin ekstrem (na H L nema nikakvih dodatnih uvjeta) u odnosu na P(m).
∂H L
= 0.
∂P(m)
Započnimo s (d)
K
∂H L
= 0 = − ln [ P(m)] − 1 − λ 0 − ∑ λk f k (m)
∂P(m) k =1
K
" #
P(m) = exp −1 − λ 0 − ∑ λk f k (m) .
k =1
K K
" # " #
1 = ∑ exp −1 − λ 0 − ∑ λk f k (m) ⇒ Z≡e 1+ λ 0
= ∑ exp − ∑ λk f k (m) ,
m k =1 m k =1
(5.19)
15 Svi uvjeti o kojima je ovdje riječ jesu holonomni (ne sadrže derivacije, tj. radi se o algebarskim, a ne
diferencijalnim jednadžbama) i skleronomni (ne sadrže vrijeme u eksplicitnom obliku).
16 Iako se jednako zovu, to NIJE Lagrangeova funkcija koja se pojavljuje u kontekstu analitičke mehanike.
17 Usporedba (5.20) s kanonskom raspodjelom statističkog ansambla
1 −β E
P( E) = e ,
Z
ukazuje da se temperatura, β = 1/(kB T ), matematički pojavljuje kao Lagrangeov množitelj pridružen
energiji.
290 Poglavlje 5. Entropija, vjerojatnost, informacija
(5.21)
To je nelinerani K × K sustav jednadžba kojim se nepoznanice λ1 , · · · , λK izraze preko
poznatih veličina h f 1 i , . . . , h f K i. Kada su na takav način odred̄ene λ1 , · · · , λK , one se
uvrste u (5.20) i time je okončan postupak računa raspodjele vjerojatnosti P(n). Do-
bivena raspodjela je normirana, zadovoljava uvjete (5.17) i čini usrednjenu entropiju
maksimalnom. Evo nekoliko primjera.
pri čemu smo za račun zbroja koristili relaciju (A.16). Vrijednost kostante λ se odred̄uje
iz sustava (5.21), koji se sada sastoji od samo jedne jednadžbe za jednu nepoznanicu
∞ ∞
1 1 1 − e −λ
p
=
Z ∑ n e −λ n =
e −λ ∑ n e −λ n .
n =1 n =1
P ( n1 , n2 , · · · , nN ).
Ako npr. svaka od N nasumičnih varijabla može imati jednu od Q = 5 vrijednosti (ili
u čestičnoj slici, ako se svaka od N čestica može naći u jednom od pet stanja), tada
postoji Ωtot = Q N = 5 N mogućih med̄usobno različitih N-torki brojeva (n1 , n2 , · · · , nN ).
Te N-torke brojeva se nazivaju konfiguracije i označavaju slovom C . U tom smislu ćemo
umjesto vjerojatnosti N-torke nasumičnih brojeva, govoriti o vjerojatnosti konfiguracije
P(n1 , n2 , · · · , nN ) ≡ P(C).
će učiniti da jedna druga funkcija, u ovom slučaju USREDNJENA ENTROPIJA , BUDE
MAKSIMALNA . U skladu s (5.18) usrednjena entropija
Ωtot
H = − ∑ P(C) ln [ P(C)]
C=1
se shvaća kao funkcija koja ovisi o raspodjeli P(C) kao varijabli. Sada ćemo tražiti
ekstrem (maksimum) usrednjene entropije, ali uz jedan dodatni uvjet - da je raspodjela
P(C) normirana, (5.23). Kao što je poznato iz matematičke analize, traženje ekstrema
funkcije uz istovremeno zadovoljavanje nekih uvjeta, se izvodi metodom Lagrangeovih
množitelja. Tako će se postupiti i sada. Definira se Lagrangeova funkcija, H L
Dakle, P(C) je konstantno tj. neovisno u kojoj se konfiguraciji sustav nalazi, tj. neovisno
o vrijednostima nasumičnih varijabla n1 , n2 , · · · , nN . Iz uvjeta normiranja (5.23) se lako
vidi da je ta konstanta jednaka
1
e−1− λ = ⇒ λ = −1 + ln(Ωtot )
Ωtot
gdje je Ωtot ukupan broj konfiguracija koje se mogu formirati od N nasumičnih varijabla.
No, zbog ekstremne jednostavnosti ovog problema, time je ujedno odred̄ena i sama
raspodjela
1
P(C) = const. = .
Ωtot
Ωtot
1 1
Hmax = −kB ∑ P(C) ln [ P(C)] = −kB Ωtot
Ωtot
ln
Ωtot
= kB ln(Ωtot ),
C=1
Ωtot
Rk = ∑ f k (C) P(C) − h f k i = 0, k = 1, 2, · · · , K. (5.24)
C=1
5.2 Maksimum usrednjene entropije - diskretno 293
Sada se opet traži ekstrem entropije, ali ovoga puta uz zahtjeve da P(C) zadovoljava
uvjete (5.23) i (5.24). Ponovo se definira Lagrangeova funkcija koja je sada oblika
Ωtot K
H L ( P, λk ) = − ∑ P(C) ln [ P(C)] − ∑ λk Rk
C=1 k =0
Ωtot Ωtot K Ωtot
" # " #
= − ∑ P(C) ln [ P(C)] − λ 0 ∑ P(C) − 1 − ∑ λk ∑ f k (C) P(C) − h f k i .
C=1 C=1 k =1 C=1
Ω
h i
∑C=tot1 f k (C) exp − ∑lK=1 λl f l (C) Ωtot K
" #
h fk i = ∑ h f k i − f k (C) exp − ∑ λl f l (C) = 0,
⇒
Ω
h i
K
∑C 0tot
=1 exp − ∑ r = 1 λ r f r (C 0) C=1 l =1
(5.28)
za k = 1, 2, · · · , K. To je nelinerani K × K sustav jednadžba kojim se nepoznanice
λ1 , · · · , λK izraze preko poznatih veličina h f 1 i , . . . , h f K i. Kada su na takav način odre-
d̄ene λ1 , · · · , λK , one se uvrste u (5.27) i time je okončan postupak računa raspodjele
vjerojatnosti P(C). Dobivena raspodjela je normirana, zadovoljava uvjete (5.24) i čini
usrednjena entropiju maksimalnom.
Neka je osim normiranja (5.30), zadan i još jedan uvjet (K = 1 u (5.24)). Neka taj uvjet
odred̄uje srednju vrijednost položaja, Msr , čestice nakon N izvedenih koraka
N
* +
h f 1 i ≡ Msr = ∑ σn = ∑ ∑ ··· ∑ (σ1 + σ2 + · · · + σN ) P(σ1 , σ2 , · · · , σN ),
n =1 σ1 =±1 σ2 =±1 σN =±1
(5.31)
f 1 (σ1 , σ2 , · · · , σN ) ≡ σ1 + σ2 + · · · + σN .
Ova se veličina interpretira u terminima magnetizma kao srednja magnetizacija: korak
u desnu stranu se shvaća kao vrijednost spina čestice +1 ≡↑, a korak u lijevu stranu
kao vrijednost spina čestice −1 ≡↓.
Prema (5.25) je
N
P(σ1 , σ2 , · · · , σN ) = e−1−λ 0 −λ1 (σ1 +σ2 +···+σN ) = e−1−λ 0 ∏ e− λ 1 σn
.
n =1
∏nN=1 e−λ1 σn N
e−λ1 σn
⇒ P(σ1 , σ2 , · · · , σN ) = N
= ∏ e λ1 + e − λ1
. (5.32)
(e λ1 + e − λ1 ) n =1
1 λ1 − λ1 − λ1 λ1 N −1 + e− λ1 − e λ1
= (− e + e ) ( e + e ) = .
(e− λ1 + e λ1 ) N e− λ1 + e λ1
19 Ove se konfiguracije lako povezuju s binarnim zapisom brojeva 0, 1, 2, · · · , 2 N − 1.
5.2 Maksimum usrednjene entropije - diskretno 295
Nije teško zaključiti da će i svi ostali članovi desne strane istog izraza dati iste doprinose
i zato je
e λ1 − e− λ1
Msr = − N = − N tanh(λ1 ).
e λ1 + e − λ1
Rješavanjem gornje jednadžbe po λ1 dobiva se Lagrangeov množitelj izražen preko
konstante Msr iz jednadžbe uvjeta
s
1 + msr Msr
e λ1 = , msr ≡ . (5.33)
1 − msr N
Ovime je problem u biti riješen, jer uvrštavanje gornjeg izraza u (5.32) daje traženu
raspodjelu vjerojatnosti
2
N/2
1 − msr 1 1 − msr
P(σ1 , σ2 , · · · , σN ) = exp − ln σ1 + σ2 + · · · + σN .
2N 2 1 + msr
Primjetimo još i da se konstanta iz uvjeta, Msr , može izraziti preko p, vjerojatnosti skoka
u desnu stranu. Slučajnim hodom, nakon N koraka, čestica će prosječno napraviti
h ND i = N · p
h NL i = N · q = N · (1 − p)
koraka na lijevu stranu (negativan smjer osi). To znači da će se nakon N koraka čestica
u prosjeku naći u točki
med̄udjelovanja čestica ima konstantnu zadanu vrijednost E p,sr . Ovaj zahtjev shvaćamo
kao dodatni uvjet u odnosu na uvjet srednje magnetizacije iz prethodnog primjera
N
* +
h f 2 i ≡ E p,sr = ∑ σn σn+1 = ∑ ∑ ··· ∑ (σ1 σ2 + σ2 σ3 + . . . + σN σ1 ) P(σ1 , σ2 , · · · , σN ),
n =1 σ1 =±1 σ2 =±1 σN =±1
N
f 2 (σ1 , σ2 , · · · , σN ) ≡ ∑ σn σn+1 = σ1 σ2 + σ2 σ3 + . . . + σN σ1 .
n =1
e − λ1 − λ2 e λ2
0 −λ1 (σ+σ0 )/2−λ2 σσ0
T (σ, σ ) = e ⇒ T= .
e λ2 e λ1 − λ2
Tada je
Z = Tr T N = t+N + t−N ,
−1 ∂Z − N ∂t+ sinh(λ1 )
Msr = ≈ = −N q . (5.35)
Z ∂λ1 t+ ∂λ1
sinh2 (λ1 ) + e 4λ2
5.2 Maksimum usrednjene entropije - diskretno 297
Jednadžbe (5.35) i (5.36) čitamo kao sustav dvije nelinearne jednadžbe za dva nepoznata
Lagrangeova množitelja λ1 i λ2 iz kojih se, lakim računom, dobiva
2 (1 + e ) 2
msr 2
msr
sinh2 (λ1 ) = e 4λ2 ,
sr
=
(1 − msr2 )[(3 + esr ) 2 − 4msr2 ] (1 − msr2 )
(1 + esr ) 2 Msr E p,sr
e 4λ2 = 2 2
, msr ≡ , esr ≡ .
(3 + esr ) − 4msr N N
U granici λ2 → 0, Lagrangeov množitelj λ1 se svodi na vrijednost (5.33) iz prethodnog
primjera. Poznavajući vrijednosti oba Lagrangeova množitelja, raspodjela vjerojatnosti
se dobiva iz (5.34)
exp [ −λ1 (σ1 + σ2 + · · · + σN ) − λ2 (σ1 σ2 + σ2 σ3 + · · · + σN σ1 )]
P(σ1 , σ2 , · · · , σN ) = q N .
2
e −λ2 N cosh(λ1 ) + sinh (λ1 ) + e 4λ2
1+m 1−m N!
N+ = N N− = N ⇒ Ω (m) = .
2 2 1+m 1−m
N ! N !
2 2
Ω ( m ) ≈ e N s(m) ,
gdje je
1+m N+ 1−m N−
= ≡ n+ , = ≡ n− ,
2 N 2 N
kao
~ = ( X1 , X2 , · · · , X D ) ,
X
opisana normiranom gustoćom vjerojatnosti ρ(~x ). Zadatak je IZRA ČUNATI GUSTO ĆU
VJEROJATNOSTI tako da budu zadovoljeni odred̄eni uvjeti. Ti uvjeti predstavljaju naše
poznavanje sustava, to su infornacije koje znamo o nasumičnim varijablama. Sam račun
se izvodi u nekoliko koraka koji su kontinuirani analog postupka opisanog za diskretne
nasumične varijable u odjeljku 5.2:
( a ) funkcija gustoće vjerojatnosti mora biti normirana (nulti uvjet)
Z
R0 = ρ(~x ) dx1 dx2 . . . dxD − 1 = 0, (5.39)
5.3 Maksimum usrednjene entropije - kontinuirano 299
K
H L (ρ; λk ) = H(ρ) − ∑ λk Rk
k =0
Z
=− dx1 dx2 . . . dxD ln [ρ(~x )] ρ(~x )
Z
− λ0 dx1 dx2 . . . dxD ρ(~x ) − 1
K Z
− ∑ λk dx1 dx2 . . . dxD f k (~x ) ρ(~x ) − h f k i ,
k =1
∂H L
= 0.
∂ρ(~x 0 )
Započnimo s (d)
K
∂H L
0 ln 0
1 ∑ λk f k (~x 0 ).
= = − ρ (~
x ) − − λ 0 −
∂ρ(~x 0 ) k =1
Iz gornje jednadžba je
K
" #
ρ(~x ) = exp −1 − λ 0 − ∑ λk f k (~x ) .
k =1
300 Poglavlje 5. Entropija, vjerojatnost, informacija
Na web stranici
https://en.wikipedia.org/wiki/Maximum_entropy_probability_distribution
se nalazi popis uvjeta koje treba postaviti u odnosu na maksimum entropije, pa da se
dobije odred̄ena raspodjela vjerojatnosti (diskretna i/ili kontinuirana). Evo i nekoliko
od tih primjera.
zadovoljavati i samo jedan uvjet oblika (5.40). U ovom primjeru to je fiksna vrijednost
prvog momenta raspodjele
Z +∞
1 (5.43)
hxi ≡ = x ρ( x ) dx , −−−−−−−−→ f 1 ( x ) ≡ x,
µ 0 K=1
za fiksnu vrijednost µ. Budući da je K = 1, nema potrebe indeksirati ni uvjete ni
Lagrangeove množitelje. Particijska funkcija se računa iz (5.41) i jednaka je
Z +∞
1
Z= e−λ x dx = .
0 λ
5.3 Maksimum usrednjene entropije - kontinuirano 301
ρ ( x ) = λ e −λ x (5.44)
Sustav (5.43) se svodi na samo jednu jednadžbu, koja se riješi tabličnim integralom
(A.44),
Z +∞
1 1
=λ x e −λ x = ,
µ 0 λ
čime je i odred̄ena vrijednost Lagrangeova množitelja. Uvrštavanje λ = µ u (5.44) za
gustoću vjerojatnosti, dobiva se
ρ ( x ) = µ e −µ x , (5.45)
zadovoljavati i dva uvjeta oblika (5.40); u ovom primjeru su to fiksne vrijednosti prva
dva momenta raspodjele
Z +∞
hxi ≡ µ = x ρ( x ) dx , f 1 ( x ) = x,
−∞
Z +∞
x2 ≡ µ2 + σ2 = x 2 ρ( x ) dx , f2 (x) = x 2 ,
−∞
Vraćamo se uvjetu na fiksnu vrijednost prvog momenta koji je takod̄er tablični integral
(A.46)
λ2 + ∞
r
λ1
Z
2
µ= dx x e−λ2 [ x+λ1 /(2λ2 )] = − .
π −∞ 2λ2
302 Poglavlje 5. Entropija, vjerojatnost, informacija
λ2 + ∞ λ2
r
1
Z
2 2 2
µ +σ = dx x 2 e−λ2 [ x+λ1 /(2λ2 )] = 12 + .
π −∞ 4λ2 2λ2
1 π λ21 /(4λ2 ) √
r
µ 2 2
λ1 = − 2 , λ2 = , Z= e = 2π σ e µ /(2 σ ) .
σ 2σ2 λ2
1 ( x − µ) 2
ρ( x ) = √ exp − , (5.46)
σ 2π 2σ2
koji, naravno, prepoznajemo kao Gaußovu raspodjelu (4.79) iz odjeljka 4.2.2. Kada je
poznata gustoća koja maksimizira usrednjenu entropiju, moguće je i izračunati i koliki
je taj maksimalni iznos (uz dane uvjete na prvi i drugi moment raspodjele)
√
Z +∞ ln σ 2π Z +∞ 2 1
Z +∞
2
Hmax = − ln [ρ( x )] ρ( x ) dx = √ e −η dη + √ η 2 e −η dη .
−∞ π −∞ π −∞
1 √
Hmax = + ln σ 2π .
2
A = U · D · V| , (5.47)
U · U| = U| · U = 1, V · V| = V| · V = 1,
R
∑
p
|ψi = λr | Ar i | Br i .
r =1
R
H = − ∑ λr ln(λr ),
r =1
R
∑ λr = 1.
r =1
|ψi = 1 · | A1 i | B1 i ⇒ H = Hmin = 0,
1
λ1 = λ2 = . . . = λR = .
R
Tada je
R
1
|ψi = √
R
∑ | Ar i | Br i ⇒ H = Hmax = ln( R).
r =1
Sve ostale vrijednosti entropije leže izmed̄u ove dvije ekstremne vrijednosti.
304 Poglavlje 5. Entropija, vjerojatnost, informacija
1 − ∑ n P 1+ δ ( n ) 1 − ∑n P(n) · P δ (n)
Hq=1 = kB lim = kB lim
δ →0 1+δ−1 δ →0 δ
1 − ∑n P(n) · e ln [ P ( n )] 1 − ∑n P(n) · 1 + δ ln[ P(n)] + O(δ 2 )
δ
= kB lim = kB lim
δ →0 δ δ →0 δ
1 − ∑n P(n) + δ ∑n P(n) ln[ P(n)] + O(δ 2 )]
= kB lim
δ →0 δ
= −kB ∑ P(n) ln[ P(n)] + lim O(δ).
n δ →0
H BGS = Hq=1 .
Osobitost Tsallisove entropije je to što je NEADITIVNA za q 6= 1 čak i ako se sustav sastoji
od statistički nezavisnih podsustava. Neka su dva statistički nezavisna (pod)sustava A
i B opisna vjerojatnošću oblika
PA,B = PA · PB ,
∑ P q (n) = 1 − (q − 1)Hq ,
n
1 − ρ q ( x ) dx
R
Hq = .
q−1
gdje je
√
2 πΓ 1−1 q
√ , −∞ < q < 1
(3−q) 1−qΓ 2(31−−qq)
√
Cq = π, q = 1,
√
3− q
πΓ 2( q −1)
√ , 1<q<3.
1
q−1Γ
q −1
H = − Tr [ρ ln(ρ)].
ρ = ∑ η j | jih j| ,
j
a usrednjna entropija je
H = − ∑ η j ln η j .
j
5.4 Informacija
Iako se u svakodnevnom životu često koriste izrazi kao što su: zasut sam sa puno
informacija ili imam premalo informacija da bih mogao/mogla napraviti to i to, najčešće
306 Poglavlje 5. Entropija, vjerojatnost, informacija
nitko i ne pomišlja da se to puno informacija ili malo informacija izrazi kvantitativno, bro-
jem. U ovom će se odjeljku pokazati upravo to: kako brojem izraziti količinu informacije.
D EFINICIJA INFORMACIJE :
Claude Shannon23 je 1948-1949 objavio radove u kojima je ukazao na vezu izmed̄u
vjerojatnosi, informacije i entropije. Neka se promatra dogad̄aj koji se ostvaruje s vje-
rojatnošću p. Tom se opažanju pridružuje količina informacija I ( p). Ta veličina mora
zadovoljavati slijedeće uvjete:
1. Nenegativna je
I ( p) ≥ 0.
I ( p1 p2 ) = I ( p1 ) + I ( p2 ).
3. I ( p) je kontinuirana funkcija p.
4. Dogad̄aj čije je ostvarenje sigurno, p = 1, ne sadrži nikakvu informaciju
I (1) = 0.
gdje je C0 pozitivna konstanta koja može biti apsorbirana u bazu logaritma, budući da
je
ln( p)
logb ( p) = .
ln(b)
U skladu s ovom definicijom, manje vjerojatan dogad̄aj sadrži više informacija nego
više vjerojatan dogad̄aj. Dva su izbora baze logaritma najčešća:
C0 = 1 u bazi prirodnog logaritma
I ( p) = − ln( p).
23 Claude Elwood Shannon (30. IV 1916. – 24. II 2001.), američki matematičar, elektroničar i kriptograf.
5.4 Informacija 307
Zadatak 5.1 Na šahovskoj ploči se nalazi samo jedna figura. Koliko bita sadrži
informacija o položaju te figure?
Rješenje:
Na šahovskoj ploči postoje 64 polja. Figura može biti na bilo kojem polju, pa je zato vjerojatnost
njezinog nalaženja na bilo kojem polju jednaka
1
p= .
64
Prema definiciji (5.49), informacija o položaju sadrži
1
I = − log2 = log2 2 6 = 6 bita.
64
Zadatak 5.2 Svaka se vijest sastoji od odred̄enog broja slova, slogova, brojeva ili ne-
kih drugih simbola. Neka se promatra vijest sastavljena od N različitih
slova. Izračunajte količinu informacija sadržanih u toj vijesti.
Rješenje:
Kao što je poznato24 , od N različitih elemenata se može napraviti
P(n) = N !
različitih permutacija. Vjerojatnost svake pojedine permutacije je
1
p= ,
P(n)
24 Vidjeti npr. odjeljak 1.1 ove knjige.
308 Poglavlje 5. Entropija, vjerojatnost, informacija
pa zato informacija o tome koja se od tih permutacija pojavila kao vijest, ima
N!
P(n) M1 ,M2 ,··· = ,
M1 ! · M2 ! · . . .
a količina informacija je
h i
I = log2 P(n) M1 ,M2 ,··· = log2 ( N !) − ∑ log2 ( M j !) bita.
j
P ( n ) + P ( n ) + · · · + P ( n ) = N P ( n ).
U N opažanja će se n-ti dogad̄aj pojaviti približno N P(n) puta i svaki puta će njegovo
ostvarenje pridonijeti informaciju u iznosu I [ P(n)] = − ln [ P(n)], tako da će srednja
vrijednost informacije u N opažanja biti jednaka25
h IN i
H= = − ∑ P(n) · ln [ P(n)] = − hln( P)i . (5.50)
N n
PA (n), PB (m).
Zadatak 5.3 Kolika je usrednjena entropija izvora informacija koji se sastoji od četiri
različita slova?
Rješenje:
Od četiri različita slova se mogu napraviti
4 ! = 24
Rješenje:
Ako postoji N različitih ocjena i nemamo nikakve dodatne informacije osim da vjerojatnost mora
biti normirana
P(1) + P(2) + · · · + P( N ) = 1,
1. D ANIEL A ROVAS.
Lecture Notes on Nonequilibrium Statistical Physics. 2014. URL: https : / / www .
academia.edu/11101928/Lecture_Notes_on_Nonequilibrium_%20Statistical_
Physics
2. A LEKSANDAR D AMJANOVI Ć I G EORGIJE L UKATELA.
Teorija telekomunikacija 1. 1959
3. T HIERRY D AUXOIS I DRUGI. „
Dynamics and Thermodynamics of Systems with Long Range Interactions: an
Introduction”. (2002). URL: https://arxiv.org/abs/cond-mat/0208455
4. B RANISLAV I VANOVI Ć.
Teorija verovatnoće. Univerzitetski udžbenici. Naučna knjiga, Beograd, 1977, stra-
nica 328
5. M ARKO P OPOVI Ć.
Entropija. 2017
6. S VETOZAR V. V UKADINOVI Ć.
Zbirka rešenih zadataka iz teorije verovatnoće. Privredni pregled, Beograd, 1990
6. Funkcija izvodnica
gdje su Pn (z) Legendreovi polinomi n-tog reda. Sličan je i primjer funkcije izvodnice
Besselovih funkcija prve vrste, koje su zadane izrazom
+∞
g( x, t) = e(x/2)(t−1/t) = ∑ Jn ( x ) t n ,
n=−∞
+∞
g( xn , t) = ∑ P( xn ) t n = ht n i , (6.1)
n =0
+∞
g ( x n , t = 1) = ∑ P( xn ) = 1. (6.2)
n =0
1
g(n, t) = ∑ P ( x n ) t n = P (0) t 0 + P (1) t 1 = q · 1 + p · t = 1 + p ( t − 1).
n =0
dg(n, t)
= ...,
dt
d2 g(n, t)
= ...
dt2
λn
P ( n ) = e −λ ,
n!
što se uvrsti u funkciju izvodnicu i daje (sada je xn = n)
∞ ∞
λn n
g(n, t) = ∑ P ( n ) t n = e −λ ∑ n!
t = e λ ( t −1) .
n =0 n =0
6.2 Funkcija izvodnica momenata - Laplaceova preobrazba 315
D E
Zx ( k ) = e k x . (6.3)
~x ≡ ( x1 , x2 , · · · , xD ), ~k ≡ (k1 , k2 , · · · , k D ),
je
D E D E
Z~x (~k ) = e (k1 x1 +k2 x2 +···+k D xD ) = e k ·~x .
~
x1,k x D,k
∑ ··· ∑ e (k1 x1 +k2 x2 +···+k D xD ) P( x1 , x2 , · · · , xD ), xd je diskr.
x1 = x1,p xD = x D,p
Z~x (~k ) =
x1,k Z xD,k
Z
dx1 · · · dxD e (k1 x1 +k2 x2 +···+k D xD ) ρ( x1 , x2 , · · · , xD ), xd je kontin.
x1,p x D,p
= ∑ ∑ ... ∑ 1 2 D
x1m1 x2m2 . . . xDm D ,
m1 =0 m2 =0 m D =0 m 1 ! m 2 ! . . . m D !
k1 = k2 = · · · = k D ≡ k,
tada je i
x1,k x D,k
∑ ··· ∑ e k( x1 + x2 +···+ xD ) P( x1 , x2 , · · · , xD ), xd je diskr.
x1 = x1,p xD = x D,p
Z~x (k ) =
x1,k Z xD,k
Z
dx1 · · · dxD e k( x1 + x2 +···+ xD ) ρ( x1 , x2 , · · · , xD ), xd je kontin.
x1,p x D,p
Gornji se izrazi za particijske funkcije mogu shvatiti kao funkcije izvodnice diskretnih
nasumičnih varijabla E i n, pri čemu je NE srazmjerna raspodjeli vjerojatnosti nasumične
varijable E, a an i bn su srazmjerne različitim raspodjelama varijable n. Zadržimo se
na particijskoj funkciji (6.5). Neka je n diskretna nasumična varijabla koja poprima
vrijednosti
n = 0, 1, 2, 3, · · · , Nt
Nt Nt
an
P(n) =
Z0
, Z0 = ∑ an , ∑ P(n) = 1.
n =0 n =0
Tj. omjer
∞
l
Z (K ) D K n E n
= e = Zn (K ) = ∑ Kl (6.7)
Z0 l =0
l !
je funkcija izvodnica, pri čemu je korišten Taylorov razvoj eksponencijalne funkcije oko
nule
η2 η3 η4
eη = 1 + η + + + + ···
2 3! 4!
V EZA S MOMENTIMA
Razvojem eksponencijalne funkcije e k x iz (6.4) u Taylorov red oko nule (kao gore),
dobiva se (npr. za kontinuiranu varijablu)
k2 kn
Z xk xk xk Z xk
k
Z Z
Zx ( k ) = ρ( x ) dx + x ρ( x ) dx + x 2 ρ( x ) dx + . . . + x n ρ( x ) dx + . . .
xp 1! x p 2! x p n! xp
2 ∞ n
k k
2 hx i n
=1+ hxi + x + ··· = ∑ k . (6.8)
1! 2! n=0 n!
dn Zx (k )
= hx n i . (6.9)
dkn k=0
3 Vidjeti npr. u G LUMAC, Matematičke metode fizike
318 Poglavlje 6. Funkcija izvodnica
1
ρC ( x ) = .
π (1 + x 2 )
Funkcija izvodnica je
+∞
ek x
Z
1
ZC (k ) = dx .
π −∞ 1 + x2
= Za1 x1 + a2 x2 ( k ) . (6.11)
Slično se dokazuje i za proizvoljan zbroj od D nezavisnih nasumičnih varijabla
Za1 x1 +a2 x2 + ··· +a D xD (k ) = Za1 x1 (k ) Za2 x2 (k ) · · · Za D xD (k ) (6.12)
= (6.10) = Zx1 ( a1 k) Zx2 ( a2 k) · · · ZxD ( a D k).
N N
1
Zx ( k ) = ∑ e xn k P ( x ) =
N ∑ e xn k .
n =1 n =1
Zx ( k ) = ( q + p e k ) N , (6.13)
320 Poglavlje 6. Funkcija izvodnica
a to je funkcija s kojom smo se upoznali6 još relacijom (4.21). (nacrtati) Pokažimo kako
se funkcijom izvodnicom računaju očekivanje i varijanaca binomne raspodjele. Prema
(6.9) je
dn Zx (k )
n
hx i = ,
dkn k=0
0
⇒ x = (q + p e k ) N = 1, normiranje
k =0
h x i = N p e k ( q + p e k ) N −1 = N p,
k =0
2 h i
x = N p e k ( q + p e k ) N −2 ( N − 1 ) p e k + ( q + p e k ) = ( N 2 − N ) p + N p,
k =0
⇒ σ 2 = x 2 − h x i 2 = N p q.
p → 0, N → ∞ uz pN ≡ λ = const.
Dakle, i funkciju izvodnicu Poissonove raspodjele ćemo dobiti kao opisanu graničnu
vrijednost iz funkcije izvodnice binomne raspodjele
N
λ N λ (e k − 1)
λ
Zx ( k ) = ( q + e k p ) N = 1 − + ek = 1+ .
N N N
Prema definiciji eksponencijalne funkcije, (4.50), u granici N → ∞ uz konstantni λ,
gornji je izraz daje funkciju izvodnicu Poissonove raspodjele
k −1)
Zx ( k ) = e λ (e . (6.14)
d2 Zx (k )
k k +λe k
2
x = = λe −λ
( 1 + λe ) e = λ + λ 2,
dk2 k=0 k =0
d3 Zx (k )
3
x = = ··· .
dk3 k=0
6 Uz zamjenu t → e k .
6.2 Funkcija izvodnica momenata - Laplaceova preobrazba 321
Rješenje:
Usporedbom gornjeg izraza sa (6.8), izravno se očitava
P( x = 3) = 0.35.
dovršiti
Zadatak 6.2 Vrijednosti diskretne nasumične varijable x su 0, 1, 2, 3, · · · . Neka su
momenti x zadani sa
h x n i = 0.618033989, n = 1, 2, · · ·
Rješenje:
Prema (6.3) i (6.8), funkcija izvodnica diskretne nasumične varijable se računa kao
∞
2
hxi x
Zx ( k ) = ∑ e kx
P( x ) = 1 +
1!
k+
2!
k2 + · · ·
x =0
= 0.381966011 + 0.618033989 e k .
Zadatak 6.3 Neka nasumična varijabla x može imati samo vrijednosti 0 ili 1.
(a) Izračunajte funkciju izvodnicu x.
(b) Izračunajte srednju vrijednost i varijancu x.
Rješenje:
Prema (6.3), funkcija izvodnica diskretne nasumične varijable se računa kao
1
Zx ( k ) = ∑ e k x P ( x ) = P (0) + e k P (1).
x =0
322 Poglavlje 6. Funkcija izvodnica
Iz normiranja vjerojatnosti je
P(0) + P(1) = 1.
Nazovimo
P(1) = p, P(0) = 1 − p.
Tada je
k2 k3
k
Zx ( k ) = 1 − p + p e = 1 − p + p 1+k+ + + ··· .
2 3!
h x i = p, x 2 = p,
pa je varijanca
σ 2 = x 2 − h x i 2 = p (1 − p ).
1 e bk − e ak
Z b
1
Zx ( k ) = e k x dx = .
b−a a k b−a
Momenti, (6.9), se računaju kao ... dovršiti... nacrtati
x − (σ 2 k + h x i)
η= √ ,
σ 2
6.2 Funkcija izvodnica momenata - Laplaceova preobrazba 323
konačno se dobiva
Z +∞
1 1 2 2 1 2 2
−η 2
Zx (k ) = √ exp k h x i + σ k e dη = exp k h x i + σ k .
π 2 −∞ 2
| √
{z }
= π
1 2 2
Zx (k ) = exp k h x i + σ k , (6.15)
2
hxi 2 hxi 2
! " #
σ2
Zx (k ) = exp − 2 exp k+ 2 .
2σ 2 σ
x 3 = hxi 3 x 2 − 2 hxi 2 ,
2
x 4 = 3 x 2 − 2 hxi 4 ,
D E
..
.
Uočimo još jedno svojstvo Gaußove raspodjele. Ako je gustoća vjerojatnosti varijable
x, karakterizirana s (h x i , σ 2 ), pitanje je koliki su očekivanje i varijanca varijable a x?
Prema (6.10), za b ≡ 0, je
σ 2a 2k 2
Zax (k ) = Zx ( ak) = exp a h x i k + , (6.16)
2
324 Poglavlje 6. Funkcija izvodnica
1 1
Za1 x1 (k) = exp a1 k h x1 i + a12 σ12 k 2 , Za2 x2 (k ) = exp a2 k h x2 i + a22 σ22 k 2 .
2 2
y = a1 x1 + a2 x2 + · · · + a D xD .
h y i = a1 h x1 i + a2 h x2 i + · · · + a D h xD i , (6.17)
σy2 2 2 2 2
= a1 σ1 + a2 σ2 + · · · + a D σD . 2 2
x1 , x2 , · · · , xD ,
koje NISU sve med̄usobno statistički neovisne. Neka je normirana raspodjela gustoće
vjerojatnosti dana sa
s
Det (A) 1
ρ ( x1 , x2 , · · · , xD ) = exp − h x |A| x i
(2 π ) D 2
D D
h x |A| x i = ∑ ∑ xi Ai,j x j .
i =1 j =1
Ai,j = A j,i
6.2 Funkcija izvodnica momenata - Laplaceova preobrazba 325
Postupak koji sada treba provesti je poopćenje svod̄enja na potpuni kvadrat. U ovom
nasumiču to znači da je potrebno naći konstantni vektor |ci i konstantni skalar s sa
svojstvom da je
h x |A| x i − 2 h x | k i = h x | − h c | A | x i − | c i + s
= h x |A| x i − h x | A |ci − hc| A | x i + hc| A |ci + s.
| y i = | x i − | c i = | x i − A−1 | k i .
Neka su λ d svojstvene vrijednosti, a |λ d i svojstveni vektori matrice A
A |λ d i = λ d |λ d i .
tako da je
D D 2
h y |A| y i = h y | A ∑ |λ d i hλ d |yi = ∑ λ d hλ d |yi .
d =1 d =1
J = 1,
1 1
hk|A−1 |ki Det (A) − λ d zd2
s
D Z +∞
Z~x (~k ) = e 2
(2 π ) D ∏ −∞
dzd e 2 .
d =1
1
− λ d zd2
s
D Z +∞ D
2π
∏ −∞
dzd e 2 =∏
λd
,
d =1 d =1
1
1
Z~x (~k ) = exp h k |A | k i ,
−
2
7 Vidjeti npr. Bronxtein i Semendyev, Matematički priručnik ... str. 475.
6.2 Funkcija izvodnica momenata - Laplaceova preobrazba 327
Zx ( k ) = (1 − k ) − n . (6.19)
x1 + x2 + · · · + xD
n1 + n2 + · · · + n D
h xm i , σm .
ρ Γ (1/2, ym ) .
Prema (6.22), je
ρ Γ ( n1 , y1 ) · ρ Γ ( n2 , y2 ) · . . . · ρ Γ ( nN , yN ) = ρ Γ ( n1 + n2 + · · · + nN , y1 + y2 + · · · + yN ).
C RAMEROV TEOREM
dovršiti
Rješenje:
Vrijednost konstante c0 se odred̄uje iz uvjeta normiranja
Z ∞
1= c0 e−λ x dx ⇒ c0 = λ.
0
pa je varijanca
1
σ 2 = x 2 − hxi 2 = 2 .
λ
1 2 /32
ρ( x ) = √ e−(x+7)
32π
za −∞ < x < +∞. Izračunajte funkciju izvodnicu.
Rješenje:
U skladu s (6.3), funkcija izvodnica se računa kao
Z xk Z +∞
1 2 /32
Zx ( k ) = e k x ρ( x ) dx = √ e k x e−(x+7) dx
xp 32π −∞
0.4
0.3 gX (k)
0.2
Nakon svod̄enja argumenta eksponencijalne
funkcije na potpuni kvadrat, dobiva se
ρ (x)
0.1
0
-20 -10 0 10
x, k
Z +∞
1 2 2 /32 2 2 −49/32
Zx ( k ) = √ e−7k+8k e−(x+7−16k) dx = e−7k+8k = e8(k−7/16) .
32π −∞
Zadatak 6.6 Neka je x kontinuirana nasumična varijabla na intervalu [0, 2]. Gustoća
vjerojatnosti je
1
( a) ρ( x ) = ,
2
x
(b) ρ( x ) = ,
2
x
(c) ρ( x ) = 1 − ,
2
( d ) ρ ( x ) = |1 − x |,
3
(e) ρ( x ) = x 2 .
8
Provjerite
je li gustoća normirana. Izračunajte funkciju izvodnicu i
hxi , x 2 i x 3 .
6.3 Karakteristična funkcija - Fourierova preobrazba 331
Rješenje:
dovršiti
Zadatak 6.7 Neka je x kontinuirana nasumična varijabla na intervalu (0, ∞). Gustoća
vjerojatnosti je
( a) ρ( x ) = 2e−2x ,
1
(b) ρ( x ) = e−2x + e−x ,
2
(c) ρ( x ) = 4xe−2x ,
λ
(d) ρ( x ) = (λx ) n−1 e−λx .
( n − 1) !
Provjerite
2
je li gustoća normirana. Izračunajte funkciju izvodnicu i
3
hxi , x i x .
Rješenje:
... dovršiti ...
x1 , x2 , · · · , xD ,
P ( x1 , x2 , · · · , xD ),
ρ ( x1 , x2 , · · · , xD ),
~k = (k1 , k2 , . . . , k D )
∞ ∞ ∞
( ı k 1 ) m1 ( ı k 2 ) m2 . . . ( ı k D ) m D
m1 m2
∑ ∑ ... ∑ x1 x2 · · · xDm D ,
=
m1 =0 m2 =0 m D =0 m1 ! m2 ! . . . m D !
ı k x (ı k ) 2 x 2 (ı k ) n x n
eı k x = 1 + + + ··· + + ...,
1! 2! n!
6.3 Karakteristična funkcija - Fourierova preobrazba 333
ık (ı k ) 2
2 (ı k ) 3
3 (ı k ) 4 D 4 E
=1+ hxi + x + x + x + ···
1! 2! 3! 4!
i slično za diskretnu varijablu.
Kao što se vidi i karakteristična funkcija je funkcija izvodnica, jer se izvodi iz momenata
raspodjele. Budući da se karakteristična funkcija može razviti u Taylorov red oko k = 0
k d Z
ex (k ) k 2 d2 Z
ex (k ) k 3 d3 Z
ex (k )
Z e x (0) +
ex ( k ) = Z + + + ··· ,
1! dk 2! dk2 3! dk3
k =0 k =0 k =0
to je i
xk
Z x
Z xk
k
Z
ıkx ıkx
Zx ( k )
=
e ρ( x ) dx
≤
e ρ( x ) dx
= ρ( x ) dx = 1,
e
xp xp xp
=⇒
Zx (k )
≤ 1.
e
Za funkciju izvodnicu gornji izraz ne vrijedi, jer integral kojim je zadana funkcija
izvodnica (6.3),
Z xk
Zx ( k ) = e k x ρ( x ) dx
xp
9 Tako se na primjeru funkcije izvodnice gama raspodjele se vidi da ona nije definirana za sve vrijednosti
ne mora uvijek biti konvergentan (kao što se to vidi iz primjera 6.4). To je i razlog zašto
se u praksi funkcije izvodnice zamjenjuju karakterističnim funkcijama.
eı k x
Z +∞ Z +∞ Z +∞
ex ( k ) = 1
Z dx =
1 cos(k x )
dx +
ı sin(k x )
dx .
π 1+x 2 π 1 + x2 π 1 + x2
−∞ −∞ −∞
Drugi integral (sa sinusom) je jednak nuli jer je podintegralna funkcija neparna,
Z +∞
sin(k x )
dx = 0,
−∞ 1 + x2
pa preostaje
Z +∞
ex ( k ) = 1
Z
cos(k x )
dx .
π −∞ 1 + x2
ex (k ) = e−|k| ≤ 1.
Z
|k| k 2 |k| 3 k 4
Zx ( k ) = 1 −
e + − + ··· .
1! 2! 3! 4!
Usporedbom gornjeg izraza sa (6.29), zaključujemo da je
ı h x i = −1, − x 2 = 1, −ı x 3 = 1, . . .
Budući da momenti ne mogu biti imaginarni, a parni momenti ne mogu biti ni negativni,
to opet zaključujemo da Cauchyjeva raspodjela nema momente (ali karakteristična
funkcija postoji i nije divergentna).
z = K ( x − y ), dz = K dx ,
u kojoj je
Z +K Z +∞
,
sin(z)
e− ı k y Z
ex (k ) dk = 2 ρ(z/K + y) dz lim
−K −∞ z K →∞
Z +∞ Z +∞ Z +∞
sin(z) sin(z)
e− ı k y Z
ex (k ) dk = 2 ρ(y) dz = ρ(y) 2 dz .
−∞ −∞ z −∞ z
tj.
Z +∞
1
ρ( x ) = e− ı k x Z
ex (k ) dk (6.30)
2π −∞
ex (k ) = e−|k| .
Z
11 Vidjeti npr. G LUMAC, Matematičke metode fizike.
336 Poglavlje 6. Funkcija izvodnica
Primjer 6.11 Neka su nezavisne nasumične varijable .... opisane istom raspodjelom
vjerojatnosti ....
dovršiti
Rješenje:
Prema (6.30) je
1 +∞ +∞
ex (k ) dk = 1
Z Z
2
ρ( x ) = e− ı k x Z e−ı k x e−k /2 dk
2π −∞ 2π −∞
1 − x 2 /2 √
Z +∞
1 − x 2 /2 2
= e e−(k+ı x) /2 dk = e 2π
2π −∞ 2π
1 2
=√ e− x /2
2π
1 − | k |, |k| ≤ 1,
Z
ex ( k ) =
0, |k| > 1 .
6.3 Karakteristična funkcija - Fourierova preobrazba 337
Rješenje:
Prema (6.30) je
Z +∞ 0 Z 1
1 ex (k ) dk = 1
Z
−ı k x −ı k x −ı k x
ρ( x ) = e Z e (1 + k) dk + e (1 − k) dk
2π −∞ 2π −1 0
2
1 sin( x/2)
= ··· = .
2π x/2
y = f (x)
y = a x.
y = a0 + a1 x,
= e ıka0 Z
ea x (k ) = e ıka0 Z
1
e x ( a1 k ). (6.32)
U gornja dva primjera y je bila funkcija jedne varijable x. Pogledajmo čemu je jednaka
karakteristična funkcija Z
ey varijable y, ako je y zadana kao linearna kombinacija varijabla
x1 i x2
y = f ( x1 , x2 ) = a1 x1 + a2 x2 ,
338 Poglavlje 6. Funkcija izvodnica
Gornji izraz vrijedi bez obzira jesu li x1 i x2 ovisne ili neovisne. Ako su neovisne, tada je
ρ( x1 , x2 ) = ρ1 ( x1 ) ρ2 ( x2 ), pa se gornji izraz pojednostavljuje
D E Z Z
ı k ( a1 x1 + a2 x2 )
Zy (k ) = e
e = dx1 dx2 e ı k (a1 x1 +a2 x2 ) ρ1 ( x1 ) ρ2 ( x2 )
Z Z
= dx1 e ı k a1 x1 ρ1 ( x1 ) dx2 e ı k a2 x2 ρ2 ( x2 ) = Z e x ( a2 k ),
e x ( a1 k ) Z
1 2
Z
ea x + a x ( k ) = Z e x ( a2 k ).
e x ( a1 k ) Z
1 1 2 2 1 2
Z
ea x +a x +···+a x (k ) = Z
e x ( a1 k ) Z e x ( a D k ).
e x ( a2 k ) · · · Z (6.33)
1 1 2 2 D D 1 2 D
N
P( x ) = p x q N −x , x = 0, 1, 2, · · · , N.
x
ex ( k ) = ( q + p e ı k ) N .
Z (6.34)
2
x
= (q + p e ı k ) (q + p e −ı k ) = · · · = 1 − 2qp[1 − cos(k )] ≤ 1.
Z ( k )
e
Desna strana je manja ili jednaka jedan zato što je |cos(k )| ≤ 1, a na strani 373. je poka-
zano da je umnožak pq najviše jednak 1/4.
e x ( k ) = e λ (e ı k −1)
Z (6.35)
2 ık −ı k
x = e λ(e −1) e λ(e −1) = e −2λ(1−cos(k))
Z ( k )
e
Budući da je
0 ≤ 1 − cos(k ) ≤ 2 ⇒ Zx (k ) ≤ 1.
e
340 Poglavlje 6. Funkcija izvodnica
Rješenje:
dovršiti
Rješenje:
dovršiti
Zadatak 6.12 Izračunajte karakterističnu funkciju geometrijske raspodjele
P ( x ) = p (1 − p ) x , x = 0, 1, 2, · · ·
Rješenje:
dovršiti
Zadatak 6.13 Nasumična varijabla x poprima vrijednosti iz skupa {0, 1, 2, · · · } s
vjerojatnostima
ax
P( x ) = , a > 0,
(1 + a ) x +1
(Pascalova raspodjela). Pomoću karakteristične funkcije izračunajte
očekivanje i varijancu x.
Rješenje:
dovršiti
1 eıkb −eıka
Z b
1
Z
ex ( k ) = eıkx dx =
a b−a b−a ık
a → − a, b → + a,
6.3 Karakteristična funkcija - Fourierova preobrazba 341
tada je i
ex (k ) = sin(k a) .
sin ( ka ) / ( k a )
0.5
Z (6.36)
ka
0
Iz (6.36) i gornje slike se vidi da je karakteristična funkcija realna i da je Z ( k ) ≤ 1.
e
x
+∞
Z " 2#
ex (k ) = √1 1 x − hxi
Z exp( ı k x ) exp − dx = · · ·
σ 2π 2 σ
−∞
+∞
Z
1 1 [ x − ( ı k σ 2 + h x i)] 2
= √ exp ı k h x i − σ 2 k 2 exp − dx .
σ 2π 2 2 σ2
−∞
x − ( ı k σ 2 + h x i)
η= √ ,
σ 2
konačno se dobiva
Z +∞
1 1 2 2 1
−η 2
Zx (k ) = √ exp ı k h x i − σ k
e e dη = exp ı k h x i − σ 2 k 2
π 2 2
| −∞ {z
√ }
= π
1
2 2
ex (k ) = exp ı k h x i − σ k .
Z (6.37)
2
nacrtati
Iz gornjeg je izraza je očito da je
1
k2 σ2
Zx ( k )
= e− 2 ≤ 1.
e
ex (k ) = e− 12
Z σ 2k 2
[cos(k h x i) + ı sin(k h x i)].
342 Poglavlje 6. Funkcija izvodnica
x = hxi 3 x 2 − 2 hxi 2 ,
3
2
x 4 = 3 x 2 − 2 hxi 4 ,
D E
..
.
e x ( k ) = (1 − ı k ) − n .
Z (6.38)
Z
ey ( k ) = Z e2 (k ) = (1 − ı k )−(n+m) .
e1 (k ) · Z
Zadatak 6.14 Neka je x kontinuirana nasumična varijabla na intervalu [0, 2]. Gustoća
vjerojatnosti je
( a) ρ( x ) = 1/2,
(b) ρ( x ) = x/2,
x
(c) ρ( x ) = 1 − ,
2
( d ) ρ ( x ) = |1 − x |,
3
(e) ρ( x ) = x 2 .
8
Provjerite je li gustoća normirana. Izračunajte
i nacrtajte karakteris-
tičnu funkciju i pomoću nje izračunajte h x i , x 2 i x 3 .
Rješenje:
(d)
Uvrštavanjem zadane gustoće vjerojatnosti u definiciju funkcije izvodnice (6.27), izravnim se
računom dobiva
ık
ex ( k ) = 1 e ı k − 1 1 + 1 + e ı k − e
Z ,
ık ık ık
2 3 1
h x i = 1, x = , σ2 = .
2 2
dovršiti i nacrtati
344 Poglavlje 6. Funkcija izvodnica
( a) ρ( x ) = 2e−2x ,
1
(b) ρ( x ) = e−2x + e−x ,
2
(c) ρ( x ) = 4xe−2x ,
λ
(d) ρ( x ) = (λx ) n−1 e−λx .
( n − 1) !
Provjerite je li gustoća
normirana, izračunajte i nacrtajte karakteris-
tičnu funkciju i h x i , x 2 i x 3 .
Rješenje:
(c)
Z ∞
4
Z
ex ( k ) = e ıkx 4xe−2x dx = · · · =
0 (2 − ık) 2
ex (k = 0) = 1,
Z
dZex (k )
= · · · = 1 = hxi ,
dk
k =0
d2 Z
ex (k ) 3
1
= · · · = = x2 , σ 2 = x 2 − hxi 2 = .
2
⇒
dk 2 2
k =0
1 − | x |, | x | < 1.
Rješenje:
dovršiti
Zadatak 6.17 Izračunajte i nacrtajte karakterističnu funkciju i momente kontinuirane
nasumične varijable x čija je gustoća vjerojatnosti dana sa
−x
e , x ≥ 0,
ρ( x ) =
0, x<0.
Rješenje:
Z +∞ Z +∞
ıkx
Z
ex ( k ) = e ρ( x ) dx = e ıkx− x dx .
−∞ 0
Uvod̄enjem nove varijable u = (ık − 1) x, lako se dolazi do
1 ∞
ıkx − x 1
Zx ( k ) =
e e = .
ık − 1 0 1 − ık
6.4 Kumulantna funkcija 345
ex (k = 0) = 1.
Primjetimo da je normiranje zadovoljeno Z
Prema ... momenti se računaju kao
dn Z
ex (k )
= ı n hx n i ,
dkn
k =0
iz čega slijedi
dZex ( k ) ı
= ⇒ h x i = 1 = 1 !,
dk (1 − ık) 2
d2 Z
ex ( k ) −2
⇒ x 2 = 2 = 2 !,
2
= 3
dk (1 − ık)
3
d Zex ( k ) −6ı
⇒ x 3 = 6 = 3 !.
3
= 4
dk (1 − ık)
hx n i = n ! .
Rješenje:
dovršiti
D E
Fx (k) = ln [ Zx (k )] = ln ekx (6.39)
ili u odnosu na karakterističnu funkciju, (6.27), takod̄er kao njezin logaritam i tada se
označava kao
h i D E
e x (k) = ln Z
F ex (k) = ln e ı k x . (6.40)
∞
kn
gx (k) = ∑ hh x n ii
n
.
n =1
K UMULANTNA FUNKCIJA F
Derivacije kumulantne funkcije F su
dFx (k ) 1
= Z 0 ( k ),
dk Zx ( k ) x
d2 Fx (k ) 1 h 00 0 2
i
= Z x ( k ) Z x ( k ) − ( Z x ( k )) ,
dk2 Zx2 (k )
d3 Fx (k ) 1 h 3 000 2 0 00 0 3
i
= Z x ( k ) Z x ( k ) − 3Z x ( k ) Z x ( k ) Z x ( k ) + 2Z x ( k )( Z x ( k )) ,
dk3 Zx4 (k )
..
.
dFx (k )
= hxi ,
dk k=0
d2 Fx (k )
x − hxi 2 = σ 2
2
= = M2
dk2
k =0
d3 Fx (k)
x + 2 h x i 3 = M3
3
2
= x − 3 h x i
dk3
k =0
4
d Fx (k)
= ... 6= M4
dk4 k=0
..
.
k dFx (k ) k 2 d2 Fx (k ) k 3 d3 Fx (k )
F x ( k ) = F x (0) + + + + ···
1! dk k=0 2! dk2 k=0 3! dk3 k=0
dl Fx (k )
DD EE
l
x = , (6.41)
dkl k=0
2 k 3
3 k l DD l EE
Fx (k ) = 0 +
1!
x
hh ii +
2!
x +
3!
x + · · · = ∑ l! x , (6.42)
l =1
6.4 Kumulantna funkcija 347
∞
k l DD l EE
Fx (k ) = ∑ l!
x . (6.43)
l =1
x 0 = 0,
DD EE
x 1 = hxi ,
x = x − hxi 2 ,
2
2
x = x − 3 x 2 hxi + 2 hxi 3 ,
3
3
2
x 4 = x 4 − 4 x 3 h x i + 12 x 2 h x i 2 − 3 x 2 − 6 h x i 4
DD EE D E
(6.44)
x = x − 5 x 4 h x i − 10 x 3 x 2 + 20 x 3 h x i 2
5
5 D E
2
+ 30 x 2 h x i − 60 x 2 h x i 3 + 24 h x i 5 ,
2
x = x − 6 x 5 h x i − 15 x 4 x 2 + 30 x 4 h x i 2 − 10 x 3
6
6
D E
D E
3
2
+ 120 x 3 x 2 h x i − 120 x 3 h x i 3 + 30 x 2 − 270 x 2 h x i 2
+ 360 x 2 h x i 4 − 120 h x i 6 ,
..
.
k 2
2 k 3
3
D E
kx
Fx (k ) = ln [ Zx (k)] = ln e = ln 1 + k h x i + x + x + ··· ,
2! 3!
η2 η3 η4 k 2
2 k 3
3
ln(1 + η ) = η − + − + ··· , η ≡ k hxi + x + x + ··· ,
2 3 4 2! 3!
k2 k3
Fx (k ) = k h x i + x2 + x3 + · · ·
2! 3!
1 h k 2 k 3
3 i2
− k hxi + x2 + x + ···
2 2! 3!
1h k 2
2 k 3
3 i3
+ k hxi + x + x + ···
3 2! 3!
∞
1h k 2
2 k 3
3 i4 k l DD l EE
− k hxi + x + x + ··· + ··· ≡ ∑ x .
4 2! 3! l =0
l!
K UMULANTNA FUNKCIJA F e
Derivacije kumulantne funkcije F
e su
dFe x (k) 1 e0
= Zx ( k ),
dk Zx ( k )
e
d2 F
e x (k) 1 he ex0 (k )) 2 ,
ex0 0 (k ) − ( Z
i
= Z x ( k ) Z
dk2 ex2 (k )
Z
d3 F
e x (k) 1 he3 000 2 0 00 0 3
i
= Z x ( k ) Z x ( k ) − 3 Z x ( k ) Z x ( k ) Z x ( k ) + 2 Z x ( k )( Z x ( k )) ,
dk3
e e e e e e
ex4 (k )
Z
..
.
DD EE 1 dl F ( k )
x
xl = l , (6.45)
e
ı dkl
k =0
∞ l DD EE
e x (k ) = 0 + ık hh x ii + (ık) x 2 + (ık) x 3 + · · · = ∑ (ı k )
F xl . (6.46)
1! 2! 3! l =1
l !
( ık ) 2
( ık ) 3
h i D E
e x (k ) = ln Zex (k ) = ln e ı k x 2 3
F = ln 1 + ık h x i + x + x + ··· ,
2! 3!
6.4 Kumulantna funkcija 349
η2 η3 η4 (ık) 2
2 (ık) 3
3
ln(1 + η ) = η − + − + ··· , η ≡ ık h x i + x + x + ··· ,
2 3 4 2! 3!
2
3
e x (k ) = ık h x i + (ık) x 2 + (ık ) x 3 + · · ·
F
2! 3!
1 h (ık) 2 (ık) 3
3 i2
− ık h x i + x2 + x + ···
2 2! 3!
1h (ık) 2
2 (ık) 3
3 i3
+ ık h x i + x + x + ···
3 2! 3!
∞
1h (ık) 2
2 (ık) 3
3 i4 (ı k) l DD l EE
− ık h x i + x + x + ··· + ··· ≡ ∑ x .
4 2! 3! l =0
l!
O P ĆI IZRAZ
za l-ti kumulant izražen preko momenata raspodjele, zgodno je prikazati i determinan-
tom
hxi 1 0 0 0 . . .
2
x hxi 1 0 0 ...
2
3
2
x
x (1)
h x i 1 0 . . .
DD EE
x l = (−1) l −1 4 3 3 2 3
x x () x ( ) hxi 1 ...
5
4 14
3 42
2 4
x x (1) x (2) x (3) h x i . . .
.. .. .. .. .. . .
. . . . . .
l×l
DD EE l
xl = ∑ (−1)k−1 (k − 1) ! Bl,k (m),
k =1
njih. Npr.
0
x = 0,
DD EE
x 1 = hxi ,
2
x = M2 ,
3
x = M3 ,
DD EE
x 4 = M4 − 3M22 ,
5
x = M5 − 10M2 M3 ,
6
x = M6 − 15M4 M2 − 10M32 + 30M23 ,
7
x = M7 − 21M5 M2 − 35M4 M3 + 210M3 M22 ,
8
x = M8 − 28M6 M2 − 56M5 M3 − 35M42 + 420M4 M22 + 560M32 M2 − 630M24 ,
9
x = M9 − 36 M7 M2 − 84 M6 M3 − 126 M5 M4 + 756 M5 M22 + 2520 M4 M3 M2
+ 560 M33 − 7560 M3 M23 ,
..
.
h xi = hxi ,
DD EE [l/2] l!
x l = ∑ (−1)k−1 (k − 1) ! B ( y ), l > 1.
k =1
(l − k) ! l −k,k
Ml + 1
yl = ,
l+1
a Ml su centralni momenti, (ref). Bellovi polinomi se računaju iz rekurzije
i −k
" #
i . l + k
Bi,l +k = ∑ Ba,l Bi−a,k ,
a=l
a l
i i −2
i
Bi,0 = δi,0 , Bi,1 = yi , Bi,i = y1 , Bi,i−1 = y y2 .
2 1
2
5!
x5 = ∑ (−1)k−1 (k − 1) ! (5 − k) ! B5−k,k
k =1
= 5B4,1 − 20 B3,2 = 5y 4 − 60y1 y2 = M5 − 10M2 M3 .
povezanih ili nepovezanih, grozdova. Doprinos svake od ovih podjela ukupnom zbroju
je jednak umnošku povezani kumulanata koje on predstavlja. Tako je npr.
hxi = h xi ,
x 2 = x 2 + hh x ii 2 ,
x = x + 3 x 2 hh x ii + hh x ii 3 ,
3
2
x 4 = x 4 + 4 x 3 hh x ii + 3 x 2 + 6 x 2 hh x ii 2 + hh x ii 4 ,
D E DD EE
x + 10 x 3 hh x ii 2
5
5 DD EE
x = x + 5 x 4 hh x ii + 10 x 3
2
+ 15 x 2 hh x ii + 10 x 2 hh x ii 3 + hh x ii 5 ,
Ml = ∑ B
(l − k) ! l −k,k
( y ), yl =
l+1
, l ≥ 1.
k =1
Tako je npr.
M6 = 6B5,1 + 30B4,2 + 120B3,3 = 6y 5 + 30(4y1 y 3 + 3y22 ) + 120y13
DD 4 EE
3
= x 6 + 15 x 2 x + 10 x 3 + 15 x 2 .
x = x − 3 x 2 h x i + 2 h x i 3 ≡ M3 ,
3
3
x 2 − hxi 2
= x 3 − x 2 hxi − 2 hxi
2
= x 4 − 4 x 3 h x i + 12 x 2 h x i 2 − 3 x 2 − 6 h x i 4 ,
DD EE D E
x4
D E
= x 4 − x 3 hxi − 3 hxi x 3 − x 2 hxi
2
+ 3 hxi 2 x 2 − hxi 2 − 3 x 2 − hxi 2 ,
..
.
352 Poglavlje 6. Funkcija izvodnica
∞ ∞
!
kn k l DD l EE
Zx ( k ) = ∑ n!
h x n i = exp ∑ l!
x . (6.49)
n =0 l =1
−1
k → , x → E.
kB T
Nasumična varijabla x se shvaća kao ekstenzivna veličina, energija, a k je intenzivna
veličina, polje konjugirano ekstenzivnoj varijabli. U toj notaciji, prethodna relacija glasi
∞ ∞
" #
(−1) n (−1) l DD l EE
Zx ( k ) = ∑ n
h E i = exp ∑
n
E . (6.50)
n=0 n! ( k B T ) l =1
l ! (kB T ) l
R EKURZIJSKE RELACIJE
Izmed̄u kumulanata, momenata (oko ishodišta) i centralnih momenata (momenata oko
h x i), vrijede slijedeće rekurzijske relacije15
DD EE D E l −1 l − 1 DD EE D E
xl = xl − ∑ xi x l −i ,
i =1
i−1
l −1
l − 1 DD l −i EE
DD EE
x l
= Ml − ∑ x Mi .
i =1
i
ex (k ) = ln e ı k hxi− 21 k 2 σ 2 = ı k h x i − 1 k 2 σ 2 .
h i h i
e x (k ) = ln Z
F
2
nacrtati realni i imaginarni dio ... dovršiti
Z ( k ) = (1 − p + p e k ) N ,
16 http : //oeis.org/wiki/Bernoulli_numbers
https : //oeis.org/A027642,
http : //www.luschny.de/math/primes/bernincl.html,
http : //mathworld.wol f ram.com/BernoulliNumber.html .
354 Poglavlje 6. Funkcija izvodnica
p ek
DD EE
1 ∂F
x =N = N p,
≡ k
∂k k=0
1 − p + p e k =0
∂2 F (1 − p) e k
2
x ≡ = Np = Nc, c ≡ p (1 − p ),
∂k2 k=0 (1 − p + p e k ) 2 k =0
∂3 F (1 − p) e k − pe 2k
3
x ≡ = N p (1 − p ) = Ng c, g ≡ 1 − 2p
∂k3 k=0 (1 − p + p e k ) 3 k =0
∂4 F (1 − p) 2 e k − 4p(1 − p)e 2k + p 2 e 3k
DD EE
4
x ≡ 4 = N p (1 − p ) = Nc( 1 − 6 c)
∂k k =0 (1 − p + p e k ) 4
k =0
5
x = Ngc( 1 − 12 c)
6
x = Nc( 1 − 30 c + 120 c 2 )
7
x = Ng( c − 60 c 2 + 360 c 3 )
8
x = N ( c − 126 c 2 + 1680 c 3 − 5040 c 4 )
9
x = Ng( c − 252 c 2 + 5040 c 3 − 20160 c 4 )
DD EE
x 10 = N ( c − 510 c 2 + 17640 c 3 − 151200 c 4 + 362880 c 5 )
DD EE
x 11 = Ng( c − 1020 c 2 + 52920 c 3 − 604800 c 4 + 1814400 c 5 )
DD EE
x 12 = N ( c − 2046 c 2 + 168960 c 3 − 3160080 c 4 + 19958400 c 5 − 39916800 c 6 )
..
.
2
x = N p (1 − p ),
3
x = N p(1 − p)(1 − 2p) ≡ N p(1 − p) P1 ( p),
DD EE
x 4 = N p(1 − p)(1 − 6p + 6p 2 ) ≡ N p(1 − p) P2 ( p),
5
x = N p(1 − p)(1 − 14p + 36p 2 − 24p 3 ) ≡ N p(1 − p) P3 ( p),
6
x = N p(1 − p)(1 − 30p + 150p 2 − 240p 3 + 120p 4 ) ≡ N p(1 − p) P4 ( p),
7
x = N p(1 − p)(1 − 62p + 540p 2 − 1560p 3 + 1800p 4 − 720p 5 ) ≡ N p(1 − p) P5 ( p).
T (n, m) = m[ T (n − 1, m − 1) + T (n − 1, m)], n ≥ 1, 1 ≤ m ≤ n,
17 http://oeis.org/A019538
6.4 Kumulantna funkcija 355
n=1 T (1, 1) = 1,
n=2 T (2, m) = 1, 2 → P1 → q3 ,
DD EE
n=3 T (3, m) = 1, 6, 6 → P2 → q4 ,
n=4 T (4, m) = 1, 14, 36, 24 → P3 → q 5 ,
P1 ( p) = 1 − 2 p,
P2 ( p ) = 1 − 6 p + 6 p 2 ,
P3 ( p) = 1 − 14 p + 36 p 2 − 24 p 3 ,
P4 ( p) = 1 − 30 p + 150 p 2 − 240 p 3 + 120 p 4 ,
P5 ( p) = 1 − 62 p + 540 p 2 − 1560 p 3 + 1800 p 4 − 720 p 5 ,
..
.
Pn (0) = 1,
P1 (0.5) = 0, P3 (0.5) = 0, P5 (0.5) = 0, P7 (0.5) = 0 P9 (0.5) = 0
1 17
P2 (0.5) = − , P4 (0.5) = 1, P6 (0.5) = − , P8 (0.5) = 31.
2 4
Uočimo i simetriju polinoma
∂ x n −1
n
h x i = p (1 − p ) .
∂p
356 Poglavlje 6. Funkcija izvodnica
2 DD 1 EE 1
1
x = − 1, x = x .
p p
η2 η3 η4
ln(1 + η ) = η − + − + ··· ,
2 3 4
dolazi se do
e x ,x (k1 , k2 ) = ık1 h x1 i + ık2 h x2 i
F 1 2
1 h
(ık1 ) 2 x12 − h x1 i 2
+
2!
+ 2 (ık1 )(ık2 ) h x1 x2 i − h x1 i h x2 i
+ (ık2 ) 2 x22 − h x2 i 2
i
1 h
(ık1 ) 3 x13 − 3 x12 h x1 i + 2 h x1 i 3
+
3!
+ 3 (ık1 ) 2 (ık2 ) x12 x2 − x12 h x2 i − 2 h x1 i (h x1 x2 i − h x1 i h x2 i)
+ 3 (ık1 )(ık2 ) 2 x1 x22 − h x1 i x22 − 2 h x2 i (h x1 x2 i − h x1 i h x2 i)
+ ···
6.4 Kumulantna funkcija 357
Gornji se razvoj kumulantne funkcije dvije varijable može preglednije izraziti koristeći
poopćenje (6.47)
DD EE D E D E
xim x jn = xim x jn − h xim i x jn , i, j = 1, 2 (6.52)
Z D E
= xim − h xim i x jn − x jn ρ( x1 , x2 ) dx1 dx2 .
1 h i
+ (ık1 ) 2 h x1 x1 i + 2 (ık1 )(ık2 ) h x1 x2 i + (ık2 ) 2 h x2 x2 i
2!
1 h
(ık1 ) 3 x12 x1 − 2 h x1 i h x1 x1 i
+
3!
+ 3 (ık1 ) 2 (ık2 ) x12 x2 − 2 h x1 i h x1 x2 i
+ 3 (ık1 )(ık2 ) 2 x1 x22 − 2 h x2 i h x1 x2 i
i
+ (ık2 ) 3 x22 x2 − 2 h x2 i h x2 x2 i
1 h
(ık1 ) 4 x12 x12 − 2 x12 h x1 x1 i − 4 h x1 i x1 x12
+
4!
2
+ 4 (ık1 ) 3 (ık2 ) x13 x2 + 6 h x1 i 2 h x1 x2 i − 3 x12 h x1 x2 i − 3 h x1 i 2 x12 x2
− 2 h x1 i x1 x22 − 2 h x2 i x12 x2
2
x1 x23 + 6 h x2 i 2 h x1 x2 i − 3 x22 h x1 x2 i − 3 h x2 i 2 x1 x22
+ 4 (ık1 )(ık2 ) 3
i
+ (ık2 ) 4 x22 x22 − 2 x22 h x2 x2 i − 4 h x2 i x2 x22
..
.
m1 m2
∑ ∑ ... ∑ x1 x2 . . . xDm D .
=
m1 =0 m2 =0 m D =0 m1 ! m2 ! . . . m D !
m1 = m2 = . . . = m D = 0,
koji je zbog normiranja gustoće vjerojatnosti, jednak nuli. Dvostrukom oštrom zagradom
su označeni kumulanti višedimenzijske nasumične varijable (6.52). Momenti drugog
reda (m1 , m2 6= 0, a svi ostali mk = 0) iz gornjeg razvoja, čine (simetričnu) KOVARIJANTNU
MATRICU
x12 − h x1 i 2
" #
h x1 x2 i − h x1 i h x2 i
.
x2 − h x2 i 2
2
h x2 x1 i − h x2 i h x1 i
358 Poglavlje 6. Funkcija izvodnica
x12 − h x1 i 2
h x1 x2 i − h x1 i h x2 i h x1 x3 i − h x1 i h x3 i ···
x2 − h x2 i 2
2
h x2 x1 i − h x2 i h x1 i h x2 x3 i − h x2 i h x3 i ···
x3 − h x3 i 2
2
h x3 x1 i − h x3 i h x1 i h x3 x2 i − h x3 i h x2 i ···
..
.
h x D x1 i − h x D i h x1 i xD2 − h xD i 2
··· ··· D×D
xi2 = xi2 − h xi i 2 ,
para varijabla
(usporediti s (3.67)). Primjetimo da je po samoj konstrukciji, matrica xi x j simetrična
xi x j = x j xi .
ρ ( x i , x j ) = ρ i ( x i ) ρ j ( x j ),
xj
m D mj E
= ximi x j j − ximi
D E
xj = 0, (6.53)
kada su mi 6= 0 i m j 6= 0.
Primjer 6.12 K UMULANTI ZBROJA DVIJE NASUMI ČNE VARIJABLE
x1 = x0 + δx1 , x2 = x0 + δx2 ,
E = x1 J1 + x2 J2 , J1 , J2 = const.
Pri tome će se pretpostaviti da obje varijable fluktuiraju na isti način, tj. da njihovi
momenti imaju iste vrijednosti
D E D E D E
δx1k = δx2k ≡ δx k ,
E 2 = E 2 − h Ei 2 .
6.4 Kumulantna funkcija 359
E = [ x0 ( J1 + J2 ) + (δx1 J1 + δx2 J2 )] 2
2 D E
2
E = 2J1 ( J1 + J2 ) h x0 δx1 i + 2J2 ( J1 + J2 ) h x0 δx2 i
− 2( J1 + J2 ) 2 h x0 i hδx i + 2J1 J2 hδx1 δx2 i
− hδx i 2 ( J1 + J2 ) 2 + δx 2 ( J12 + J22 ).
Primjetimo da u drugom kumulantu nema člana koji bi ovisio samo o zavisnoj kom-
ponenti x0 , tj. on je jednak nuli ako su δx1,2 = 0, tj. ako su varijable potpuno statistički
zavisne. Drugi kumulant se može simetričnije zapisati i kao
2
E = 2J1 ( J1 + J2 )(h x0 δx1 i − h x0 i hδx i) + 2J2 ( J1 + J2 )(h x0 δx2 i − h x0 i hδx i)
2 2
2 2
+ 2J1 J2 hδx1 δx2 i − hδx i + ( J1 + J2 ) δx − hδx i .
Iz gornjeg izraza se mogu izlučiti dva granična slučaja: (1) kada su varijable x1 i x2
potpuno nezavisne, tj. kada je x0 ≡ 0; (2) kada su varijable x1 i x2 potpuno zavisne,
tj. kada je δx j ≡ 0. Sve ostale vrijednosti x0 6= 0 i δx j 6= 0 opisuju situacije kada x1 i
x2 nisu niti nezavisne niti strogo (funkcijski) zavisne, nego su u većoj ili manjoj mjeri
korelirane18 nasumične varijable.
(1) Ako nema zavisne komponente, x0 = 0, δx1,2 = x1,2 , tada su x1 i x2 nezavisni i
E = +2J1 J2 h x1 x2 i − h x i 2 + ( J1 + J2 ) 2 x 2 − h x i 2
2
= +2J1 J2 h x i h x i − h x i 2 + ( J1 + J2 ) 2 x 2 − h x i 2
= ( J1 + J2 ) 2 x 2 − h x i 2 .
2
E = 0.
NEKORELIRANOST
Dvije se varijable nazivaju nekorelirane kada je njihova kovarijanca jednaka nuli
m m D mj E
ximi x j j = 0 ximi x j j = ximi
DD EE D E
⇒ xj .
Z
ea x +a x ,··· ,+a x (k ) = Z
e x ( a1 k ) Z e x ( a D k ).
e x ( a2 k ) · · · Z
1 1 2 2 D D 1 2 D
e a x +a x +···+a x (k ) = F
F e x ( a1 k ) + F e x ( a D k ).
e x ( a2 k ) + · · · + F
1 1 2 2 D D 1 2 D
y = a1 x1 + a2 x2 .
σy2 ≡ y 2 = y 2 − hyi 2
Iz (3.65) je poznato da je
h y i = a1 h x1 i + a2 h x2 i ,
⇒ hyi 2 = a12 h x1 i 2 + a22 h x2 i 2 + 2 a1 a2 h x1 i h x2 i .
Z 2 Z Z
y2 = y φ(y) dy = y 2 dy δ y − ( a1 x1 + a2 x2 ) ρ( x1 , x2 ) dx1 dx2
Z
( a1 x1 + a2 x2 ) 2 ρ( x1 , x2 ) dx1 dx2 = a12 x12 + a22 x22 + 2 a1 a2 h x1 x2 i .
=
F = −k B T ln( Z ).
F = −k B T ln( Z 0 ) − k B T ln [ Zn (K )].
Fn (K ) = ln [ Zn (K )].
O PSERVABLE
Unutarnja energija termodinamičkog sustava, U , se definira kao
∂ ln( Z ) 1
U =− , K = J0 β, β= .
∂β kB T
Izostavljajući trivijalni konstantni član koji dolazi od Z 0 , koristeći (6.7), za U se dobiva
∞
l ∞
l
1 n 1 n
Zn (K ) l∑ Zn (K ) l∑
l −1 l −1
U = − J0 l K = − J0 l K = − J0 hni = − J0 h ni .
l! l!
=0 =1 K =0
∂U J2 h
J 2
= 0 2 n 2 − hni 2 = 0 2 n 2 .
i
C=
∂T kB T kB T
U gornjem izrazu se prepoznaje drugi kumulant n 2 ≡ M2 ≡ σn2 .
Z = ∑ P ( n ) e −m(n) h , m(n) = m0 n, h ≡ β H.
n
2
= m0 h n i − h n i = m0 n .
362 Poglavlje 6. Funkcija izvodnica
hq n i f = hq (q − 1) (q − 2) · · · (q − n + 1)i .
Z f ( Q, t) ≡ ∑ P(q, t) ( Q + 1) q .
q
∂Z f Q→0
= ∑ q P(q, t) ( Q + 1) q−1 −−−−−−−−→ hqi = hqi f ,
∂Q q
∂2 Z f Q→0
= ∑ q (q − 1) P(q, t) ( Q + 1) q−2 −−−−−−−−→ hq (q − 1)i = q 2 f ,
∂Q 2
q
..
.
∂n Z f Q→0
n
= ∑ q (q − 1) · · · (q − n + 1) P(q, t) ( Q + 1) q−n −−−−−−→ hq (q − 1) · · · (q − n + 1)i = hq n i f .
∂Q q
N
N
N N
Zf = ∑ p q (1 − p ) N − q ( Q + 1) q = 1 − p + p ( Q + 1) = 1 + p Q ,
q =0 q
∂Z f N −1 Q→0
= N 1+ pQ p −−−−−−−−→ N p = hqi f ,
∂Q
2
∂ Zf N −2 Q→0
= N ( N − 1) p 2 1 + p Q −−−−−−−−→ N ( N − 1) p 2 = q 2 f ,
∂Q 2
∂3 Z f N −2 Q→0
= N ( N − 1) ( N − 2) p 3 1 + p Q −−−−−−−−→ N ( N − 1) ( N − 2) p 3 = q 3 f ,
∂Q 3
..
.
6.4 Kumulantna funkcija 363
i općenito
N!
hq n i f = p n.
( N − n)!
∂n K f ( Q, t)
" #
K f ( Q, t) ≡ ln Z f ( Q, t) = ln ∑ P(q, t) (Q + 1) q
, n
h q (t)ii f = ,
∂Qn
q Q =0
..
.
∂n K f
= h q ni f .
∂Qn Q=0
K f ( Q, t) ≡ ln Z f ( Q, t) = N ln(1 + p Q),
∂K f p Q→0
=N p −−−−−−−−→ N p = h qi f ,
∂Q 1+ pQ
∂2 K f 1 Q→0
= −N p 2 2
2
2 2 −−−−−−−−→ − N p = q f ,
∂Q 1+ pQ
∂3 K f 1 Q→0
= 2N p 3 3
3
3 3 −−−−−−−−→ 2N p = q f ,
∂Q 1+ pQ
∂4 K f 4 1 Q→0 4
DD EE
= − 2 · 3 N p −−−−−−−−→ − 2 · 3 N p = q4 · · · itd.
∂Q4 1+ pQ
4 f
i općenito
Za Poissonovu raspodjelu je samo prvi faktorijelni kumulant različit od nule, dok su svi
ostali jednaki nula. (dovršiti ?).
364 Poglavlje 6. Funkcija izvodnica
n\j 0 1 2 3 4 5 6 7 8 9
0 1
1 0 1
2 0 -1 1
3 0 2 -3 1
4 0 -6 11 -6 1
5 0 24 -50 35 -10 1
6 0 -120 274 - 225 85 -15 1
7 0 720 -1 764 1 624 -735 175 -21 1
8 0 -5 040 13 068 - 13 132 6 769 -1 960 322 -28 1
9 0 40 320 -109 584 118 124 -67 284 22 449 -4 536 546 -36 1
h q n i f = h q (q − 1) (q − 2) · · · (q − n + 1)ii ,
h qi f = h qi = hqi ,
q2 f = h q (q − 1)ii = q 2 − h qi = q 2 − hqi 2 − hqi ,
3
q f = h q (q − 1) (q − 2)ii = q 3 − 3 q 2 + 2 h qi ,
DD EE DD EE
q4 = h q (q − 1) (q − 2) (q − 3)ii = q 4 − 6 q 3 + 11 q 2 − 6 h qi ,
f
..
.
n DD EE
hq i f = ∑
n
s1 (n, j) q j , (6.55)
j =1
gdje su s1 (n, j) Stirlingovi brojevi prve vrste koji se pojavljuju u razvoju u red funkcije
∞
h ij xn
ln(1 + x ) = j! ∑ s1 (n, j)
n!
,
n= j
s1 (n, j) = s1 (n − 1, j − 1) − (n − 1) · s1 (n − 1, j).
Nekoliko prvih Stirlingovih brojeva prve vrste je prikazano tablicom 6.1. Iz tablice 6.1 je
lako vidjeti da je zadovoljeno nekoliko prvih relacija (6.55).
6.4 Kumulantna funkcija 365
n h q ni h q ni f
1 Np Np
2 N p (1 − p ), −N p 2
3 N p(1 − p)(1 − 2p) 2N p 3
4 N p(1 − p)[ 1 − 6 p(1 − p)] −6N p 4
Da bismo stekli osjećaj koja vrsta kumulanata je veća, a koja manja, usporedimo vrijed-
nosti trećih i četvrtih kumulanta u točki p = 1/2
DD EE N
q 3 = 0, q4 ,
=
f 22
DD
4
EE N DD
4
EE N
q = − 3, q = −3 .
2 f 23
j −1
n 1 j
s2 (n, j) ≡
j
=
j! ∑ (−1) i ( j − i)n ,
i
i =0
ili rekurzijom
n+1 n n
=j + ,
j j j−1
s početnim vrijednostima
0 n 0
= 1, = = 0.
0 0 n
Takod̄er, relacijom
n
n
Bn = ∑ j
j =0
n\j 0 1 2 3 4 5 6 7 8 9
0 1
1 0 1
2 0 1 1
3 0 1 3 1
4 0 1 7 6 1
5 0 1 15 25 10 1
6 0 1 31 90 65 15 1
7 0 1 63 301 350 140 21 1
8 0 1 127 966 1 701 1 050 266 28 1
9 0 1 255 3 025 7 770 6 951 2 646 462 36 1
su povezani s Bellovim20 brojevima. Oni daju broj mogućih podjela skupa od n eleme-
nata. Nekoliko prvih Bellovih brojeva su
Bn =1, 1, 2, 5, 15, 52, 203, 877, 4 140, 21 147, 115 975, 678 570, 4 213 597, 27 644 437, 190 899 322,
1 382 958 545, 10 480 142 147, 82 864 869 804, 682 076 806 159, 5 832 742 205 057, · · ·
20 Eric Temple Bell (7. II 1883. – 21. XII 1960.), škotski matematičar.
6.4 Kumulantna funkcija 367
1. G. B. A RFKEN I H. J. W EBER.
Mathematical Methods for Physicists. Academic Press, San Diego, 1995
2. N EVEN E LEZOVI Ć.
Vjerojatnost i statistika 2 - slučajne varijable. Element, Zagreb, 2007
3. J OSÉ L UIS G ARCIA -PALACIOS. „
Introduction to the theory of stochastic processes and Brownian motion problems”.
(2007). URL: arxiv.org/abs/cond-mat/0701242
4. Z VONKO G LUMAC.
Matematičke metode fizike - kratak uvod. Odjel za fiziku, Osijek, 2019. URL: http:
//www.fizika.unios.hr/~zglumac/ummf.pdf
5. R ONALD L. G RAHAM , D ONALD E. K NUTH I O REN PATASHNIK.
Concrete Mathematics. McGraw - Hill, 1997
6. B RANISLAV I VANOVI Ć.
Teorija verovatnoće. Univerzitetski udžbenici. Naučna knjiga, Beograd, 1977, stra-
nica 328
7. D ANIA K AMBLY , C HRISTIAN F LINDT I M ARKUS B ÜTTIKER. „
Factorial cumulants reveal interactions in counting statistics”. Phys. Rev. B 83
(2011), stranica 075432. URL: arXiv:1012.0750v2
8. Ivo PAVLI Ć.
Statistička teorija i primjena. Panorama, Zagreb, 1965
9. K EN R ILEY , M ICHAEL H OBSON I S TEPHEN B ENCE.
Mathematical Methods for Physics and Engineering. Cambridge Univ. Press, 2006
10. V LADIMIR V RANI Ć.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971
7. Središnji granični teorem
xn , n = 1, 2, · · · , N.
hXi , σ 2.
Čebiševa1 :
h X i − e, h X i + e ,
σ2
P(| X − h X i| ≥ e) ≤ . (7.1)
e2
Slika 7.2
U skladu s ili vjerojatnošću, tražena vjerojatnost
P(| X − h X i| ≥ e), napisana preko vjerojatnosti
P( x ), je jednaka
<X>
x P(| X − h X i| ≥ e) = ∑ x
P ( x ). (7.2)
<X> - e <X>+ e | X −h X i|≥e
Zbroj na desnoj strani gornjeg izraza je upravo vjerojatnost da X ima vrijednost izvan
intervala h X i − e, h X i + e , relacija (7.2).
∑ x
P( x ) = P(| X − h X i| ≥ e),
| X −h X i|≥e
σ2
1 = P(| X − h X i| ≥ e) + P(| X − h X i| < e) ⇒ P(| X − h X i| < e) ≥ 1 − . (7.3)
e2
Rješenje:
Prema Čebiševljevu teoremu (7.1) uz identifikaciju e ≡ 3 σ
σ2 1
P(| X − h X i| ≥ 3σ) ≤ 2
= ≤ 0.1̇.
(3σ) 9
što je u potpunom skladu s Čebiševljevim teoremom, jer je P = 0.1̇ gornja granica na vjerojatnost,
tj. prava vjerojatnost, 0.0027, mora biti manja od ove gornje granice, kao što i jeste:
dovršiti
dovršiti
dovršiti
Primjer 7.1 Neka je xn niz Bernoullijevih nasumičnih varijabla ....
dovršiti
372 Poglavlje 7. Središnji granični teorem
NA
f rel ( A) = ,
N
ostvarivanja dogad̄aja A s apriornom vjero-
jatnošću ostvarenja tog dogad̄aja, koju ćemo
označiti s p. Budući da je broj NA nasumična
varijabla, označavat ćemo ju s X, pa je tako
X
f rel ( A) = .
N
Primjetimo da relacija (7.4) nije standardan limes kakav se uči u matematičkoj analizi.
X
Matematičko značenje konvergencije N → p je slijedeće: za svaki proizvoljni δ > 0 pos-
X
toji N0 (δ), sa svojstvom da za svaki N > N0 (δ) vrijedi da je N − p < δ. Tu se ne govori
h X i = N p, σ 2 = N pq.
2 Jacob Bernoulli, 27. XII 1654.-16. VIII 1705. švicarski matematičar (stariji brat Johanna Bernoullija).
7.3 Središnji granični teorem 373
σ2 N pq
P(| X − h X i| ≥ e) ≤ ⇒ P(| X − N p| ≥ e) ≤ .
e2 e2
Promatrajmo umnožak pq na desnoj strani kao funkciju od p
f ( p) = pq = p(1 − p) = p − p 2 ,
1
f 0 ( p) = 1 − 2p = 0 ⇒ p= ,
2
f 0 0 ( p) = −2.
N pq N
P(| X − N p| ≥ e) ≤ 2
≤ 2,
e 4e
X N
e e
P − p ≥ , nazovemo li ≡ δ = const.
≤ 2
N N 4e N
X 1
P − p ≥ δ ≤ .
⇒
4Nδ 2
N
1
xN = ( x1 + x2 + · · · + xN ),
N
koja je, kao linearna kombinacija nasumičnih varijabla, i sama nasumična varijabla,
KOJOM ĆE RASPODJELOM BITI OPISANA NASUMI ČNA VARIJABLA x N ?
Odgovor na to pitanje ćemo naći postupno u dva koraka. Najprije ćemo promotriti
jednostavan slučaj kada su sve nasumične varijable promatranog skupa, opisane Ga-
ußovom raspodjelom, a zatim ćemo u drugom koraku analizirati skup u kojemu nisu
sve varijable Gaußove varijable. Rezultat analize u ovom drugom koraku je sadržaj
374 Poglavlje 7. Središnji granični teorem
x1 , x2 , · · · , xN
h x1 i , h x2 i , · · · , h xN i σ1 , σ2 , · · · , σN .
Linearna kombinacija3 svih xn je jedna nova nasumična varijabla koju ćemo označiti s
xN
1
Y = a1 x1 + a2 x2 + · · · + aN xN ≡ x N = ( x1 + x2 + · · · + xN ), (7.6)
N
S hY i i σY ćemo označiti prosječnu vrijednost i standardnu devijaciju Y. Prema (3.65) i
(6.54) je
1
hY i = a 1 h x 1 i + a 2 h x 2 i + · · · + a N h x N i ≡ h x N i = h x1 i + h x2 i + · · · + h xN i
N
1 2
σY = a1 σ1 + a2 σ2 + · · · + aN σN ≡ σ ( x N ) = 2 σ1 + σ22 + · · · + σN2 .
2 2 2 2 2 2 2 2
N
Pitanje koje se sada postavlja je:
K OJOM JE RASPODJELOM OPISANA NASUMI ČNA VARIJABLA x N ?
Do odgovora na to pitanje ćemo doći pomoću karakteristične funkcije. Neka je Ze(x + x +···+ x )/N (k )
1 2 N
karakteristična funkcija od x N , a Z
exn (k ) karakteristična funkcija svakog pojedinog xn .
Prema (6.33), vrijedi
Z
e(x + x +···+ x )/N (k ) = Z
ex (k/N ) Z ex (k/N ).
ex (k/N ) · · · Z
1 2 N 1 2 N
1 2
− σ1 /N + σ2 /N + · · · + σN /N k 2
2 2 2 2 2
2
1 2
2
= exp ı k h x N i − σ ( x N ) k .
2
Time je Ze(x + x +···+ x )/N (k ) dobivena u obliku karakteristične funkcije Gaußove raspo-
1 2 N
djele sa prosječnom vrijednošću h x N i i varijancom σ 2 ( x N ). Gornje razmatranje se može
sažeti u slijedeću tvrdnju:
3 U posebnom slučaju kada su svi koeficijenti a = 1/N funkcija Y je aritmetička sredina. Navedeni
j
oblik Y je dakle općenitiji od aritmetičke sredine.
7.3 Središnji granični teorem 375
x1 , x2 , · · · , xN ,
ali su one sada raspodjeljene prema med̄usobno različitim raspodjelama (ne nužno
Gaußovim), čiji su momenti jednaki
h xn i , xn2 , xn3 , · · · n = 1, 2, · · · , N.
Umjesto općenite linearne kombinacije varijabla kao u (7.6), promatrat ćemo aritmetičku
sredinu, x N , svih xn -ova
1
y = f ( x1 , x2 , · · · , xN ) ≡ x N = ( x1 + x2 + · · · + xN ). (7.7)
N
To je ponovo izraz oblika (7.6), samo što su sada
1
an = , n = 1, 2, · · · , N.
N
Budući da su xn med̄usobno neovisne varijable to, prema (3.66) i (6.54), i dalje vrijedi
1 1
hx N i = (h x1 i + h x2 i + · · · + h xN i), σ 2 (x N ) = σ12 + σ22 + · · · + σN2 . (7.8)
N N 2
N 1.
U gornjim smo izrazima s O N −3 označili članove koji opadaju s N kao N −3 ili brže.
ık 1 k 2
2
h xn i − x n + O N −3 ,
η≡ 2
N 2 N
k 2
η 2 = − 2 h x n i 2 + O N −3 ,
N
η = O N −3 .
3
ı
k 1 k2
e x (k ) = exp 2 2 2
Z h x1 i + h x2 i + · · · + h xN i − σ1 + σ2 + . . . + σN
N
N 2 N2
1 2 2
= exp ı k h x N i − k σ ( x N ) ,
2
7.3 Središnji granični teorem 377
a2
Z +∞ 2
r
ı a k − b k π
e dk = exp − .
−∞ b 4b
1 ( x N − h x N i) 2
ρ( x N ) = √ exp − , (7.9)
σ( x N ) 2π 2 σ 2 (x N )
Ovaj se teorem naziva S REDIŠNJI GRANI ČNI TEOREM. Njime Gaußova raspodjela dobiva
iznimno važno mjesto u teoriji vjerojatnosti. Prvi ga je postavio Laplace 1812. godine, a
strogi je dokaz dao Ljapunov 1901. godine.
378 Poglavlje 7. Središnji granični teorem
1. G. B. A RFKEN I H. J. W EBER.
Mathematical Methods for Physicists. Academic Press, San Diego, 1995
2. N EVEN E LEZOVI Ć.
Vjerojatnost i statistika 2 - slučajne varijable. Element, Zagreb, 2007
3. P. H SU H WEI.
Theory and problems of probability, random variables and random processes. McGraw -
Hill, 1997
4. B RANISLAV I VANOVI Ć.
Teorija verovatnoće. Univerzitetski udžbenici. Naučna knjiga, Beograd, 1977, stra-
nica 328
5. Ivo PAVLI Ć.
Statistička teorija i primjena. Panorama, Zagreb, 1965
6. K EN R ILEY , M ICHAEL H OBSON I S TEPHEN B ENCE.
Mathematical Methods for Physics and Engineering. Cambridge Univ. Press, 2006
7. V LADIMIR V RANI Ć.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971
8. S VETOZAR V. V UKADINOVI Ć.
Zbirka rešenih zadataka iz teorije verovatnoće. Privredni pregled, Beograd, 1990
8. Teorija grešaka
x1 , x2 , · · · , xN .
Uslijed grešaka pri mjerenju (koje mogu biti grube, sustavne i nasumične), rezultati
mjerenja se razlikuju med̄usobno i razlikuju se od točne, ali NEPOZNATE vrijednosti X
X =?
1
hxi = ( x1 + x2 + · · · + xN )
N
1 1 1 1 1
= + + ··· + ,
Xh N x1 x2 xN
Xg = ( x1 · x2 · . . . · xN )1/N ,
1
q
X kv = x12 + x22 + · · · + xN2 ,
N
ili neku četvrtu, manje-više proizvoljnu, srednju vrijednost koja ima odgovarajuću
dimenziju. Kako znamo da je baš aritmetička sredina pravi odgovor? Kada bismo
znali točnu vrijednost X, mogli bismo izračunati sve navedene srednje vrijednosti
(h x i , X H , Xg , X kv ) i naprosto pogledati koja je od njih najbliža X
h x i − X =?
Xh − X = ?
Xg − X =?
X kv − X =?
1
hxi = ( x1 + x2 + · · · + xN ). (8.1)
N
NAJVJEROJATNIJE NAJBLIŽA pravoj vrijed-
nosti X. Započnimo ovu analizu tako što
ćemo uočiti dvije vrste grešaka:
PRAVE greške e n
X = xn + e n , n = 1, 2, 3, · · · , N, (8.2)
koje su nepoznate (ali ipak korisne), jer nam je nepoznat X, pa ne možemo izračunati
e n, i
PRIVIDNE greške vn
h x i = xn + vn , n = 1, 2, 3, · · · , N, (8.3)
1 Johann Carl Friedrich Gauß, 1777. - 1855. njemački matematičar
8.1 Metoda najmanjih kvadrata 381
Primjetimo da je, prema (8.3), dvn = − dxn . Uvede li se raspodjela gustoće vjerojatnosti
prividnih grešaka ρn , ta se vjerojatnost može napisati kao
dPn = ρn (vn ) dxn . (8.5)
Nadalje, pitamo se kolika je vjerojatnost da u prvom pokusu prividna greška bude v1 , u
drugom v2 itd. sve do N-tog mjerenja s greškom vN . Prema pravilu o množenju vjero-
jatnosti koje vrijedi za med̄usobno neovisne dogad̄aje, ta je vjerojatnost dPuk jednaka
umnošku pojedinih vjerojatnosti
dPuk ≡ ρuk dx1 dx2 . . . dxN
dP1 · dP2 · . . . dPN = ρ1 (v1 ) dx1 ρ2 (v2 ) dx2 . . . ρN (vN ) dxN .
Budući da su svi xn dobiveni istim pokusom i njihove će gustoće vjerojatnosti biti
med̄usobno iste funkcije
ρ1 = ρ2 = . . . = ρN ≡ ρ.
Usporedbom gornjih izraza zaključujemo da je ukupna gustoća vjerojatnosti
ρuk = ρ(v1 ) · ρ(v2 ) · . . . · ρ(vN ) = ρ(h x i − x1 ) · ρ(h x i − x2 ) · . . . · ρ(h x i − xN ). (8.6)
Gornji izraz možemo shvatiti kao vrijednost funkcije
ρuk ( x ) ≡ ρ( x − x1 ) · ρ( x − x2 ) · . . . · ρ( x − xN )
u točki x = h x i. Tada, prema polaznoj pretpostavci da je h x i najvjerojatnija vrijednost X,
mora ρuk ( x ) imati maksimum u toj istoj točki, tj. mora biti
dρuk ( x )
= 0.
dx x=hxi
ρ 0 ( v1 ) ρ 0 ( v2 ) ρ 0 ( vN )
+ + ··· + =0
ρ ( v1 ) ρ ( v2 ) ρ ( vN )
Cijeli gornji izraz je izgrad̄en od članova istog oblika koji ćemo označiti s f
ρ 0 (v)
f (v) ≡ ,
ρ(v)
pa je uvjet ekstrema
f (v1 ) + f (v2 ) = 0, v1 + v2 = 0.
f ( v N ) = − f ( v 1 ) − f ( v 2 ) − · · · − f ( v N −1 ),
f (−v1 − v2 − · · · − v N −1 ) = − f (v1 ) − f (v2 ) − · · · − f (v N −1 )
− f ( v 1 + v 2 + · · · + v N −1 ) = − f ( v 1 ) − f ( v 2 ) − · · · − f ( v N −1 ),
f ( v 1 + v 2 + · · · + v N −1 ) = f ( v 1 ) + f ( v 2 ) + · · · + f ( v N −1 ).
f (vn ) = c vn , c = const.
ρ 0 (vn )
Z
f (vn ) ≡ = c vn . dvn
ρ(vn )
Izravnom integracijom gornje diferencijalne jednadžbe slijedi
vn2 2
ln [ρ(vn )] = c + const. ⇒ ρ(vn ) = C e c vn /2 , c, C = const.
2
Budući da vjerojatnost velikih grešaka mora biti manja od vjerojatnosti malih grešaka,
to konstanta c/2 mora biti negativna. Nazovimo ju −1/(2σ 2 ) (za realni σ)
2 2
ρ(vn ) = C e −vn /(2σ ) .
8.2 Prilagodba direktnih opažanja jednake točnosti 383
g ( x ) = ( x − x1 ) 2 + ( x − x2 ) 2 + · · · + ( x − xN ) 2
x1 , x2 , · · · , xN .
Relacijom (8.2) smo uveli prave greške kao razliku točne (ali nepoznate) veličine X i
izmjerenih vrijednosti xn
e n = X − xn , n = 1, 2, · · · , N. (8.8)
Gornji izraz mjeri ukupnu pravu grešku svih N mjerenja. Da bismo dobili veličinu koja
se odnosi na pojedino mjerenje, gornji ćemo izraz podijeliti s ukupnim brojem mjerenja
N.
N
1
m2 =
N ∑ e n2 . (8.9)
n =1
Tako smo dobili veličinu (koju takod̄er ne znamo izračunati) koja se naziva SREDNJA
GREŠKA pojedinog mjerenja. Ovu je veličinu uveo Gauß kao osnovnu veličinu za ocjenu
greške jednog niza mjerenja. Ona karakterizira točnost kojom je izvršeno svako pojedino
od N mjerenja. Gornjom je jednadžbom srednja greška, m, definirana kroz svoj kvadrat,
kako bi bila iste dimenzije kao i sama mjerena veličina X. Primjetimo još i da pomoću
gornjeg izraza ne možemo računati m jer nam je nepoznata desna strana, ali ćemo od
ovog izraza imati koristi kasnije kod računa (8.20).
X1 m1 x1,n1 n1 = 1, 2, · · · , N1 ,
X2 m2 x2,n2 n2 = 1, 2, · · · , N2 ,
X3 m3 x3,n3 n3 = 1, 2, · · · , N3 ,
.. .. .. ..
. . . .
( a) Y = f ( X ) = a0 + a1 X, a j = const.,
(b) Y = f ( X1 , X2 ) = a 0 + a 1 X1 + a 2 X2 , a j = const.
Y = f ( X ) = a0 + a1 X,
f ( x n ) = a0 + a1 x n .
∆ f n = f ( X ) − f ( x n ) = a1 ( X − x n ) = a1 e n .
Označimo s M 2f kvadrat pogreške funkcije. Slično definiciji (8.9) i ona će se definirati
kao zbroj kvadrata pravih grešaka podijeljena s brojem mjerenja
N N N
1 1 1
M 2f =
N ∑ (∆ f n ) 2 =
N ∑ ( a1 e n ) 2 = a12
N ∑ e n2 = a12 m 2
n =1 n =1 n =1
M f = a1 m.
Y = f ( X1 , X2 ) = a 0 + a 1 X1 + a 2 X2 . (8.10)
Za izračun funkcije f možemo koristiti bilo koji par mjerenih vrijednosti x1,n1 i x2,n2 (za
n1 = 1, 2, 3, · · · , N1 i n2 = 1, 2, 3, · · · , N2 ) i tako dobiti za grešku funkcije
.. .. .. ..
. . . .
e1, N1 ; e2, 1 e1, N1 ; e2, 2 ··· e1, N1 ; e2, N2
3 Primjetimo takod̄er i da a j može biti negativno, pa primjer (b) opisuje i zbroj i razliku svoja dva člana.
386 Poglavlje 8. Teorija grešaka
N1 N2 N1 N2
1 1
M 2f = ∑ ∑ (∆ f n1 ,n2 ) 2 = ∑ ∑ ( a1 e1,n1 + a2 e2,n2 ) 2
N1 · N2 n1 =1 n2 =1
N1 · N2 n1 =1 n2 =1
N1 N2 N1 N2
" ! !#
1
=
N1 · N2
N2 a1 2
∑ e12,n1 + N1 a2 2
∑ e22,n2 + 2 a1 a2 ∑ e1,n1 ∑ e2,n2 .
n1 =1 n2 =1 n1 =1 n2 =1
Zbrojevi
N1 N2
∑ e12,n1 i ∑ e22,n2
n1 =1 n2 =1
od kojih svaki sadrži i pozitivne i negativne pribrojnike. Zato ćemo ovaj posljednji
umnožak dva zbroja smatrati puno manjima od zbroja čistih kvadrata i zanemarit ćemo
ga u daljem računu
N1 N2
!
1
2
Mf ≈ N2 a1 ∑ e1,n1 + N1 a2 ∑ e2,n2
2 2 2 2
N1 · N2 n1 =1 n2 =1
N1 N2
1 1
= a12
N1 ∑ e12,n1 + a22
N2 ∑ e22,n2 = a12 m12 + a22 m22 . (8.12)
n1 =1 n2 =1
Y = f ( X1 , X2 , · · · , X D ) = a 0 + a 1 X1 + a 2 X2 + · · · + a D X D
D
M 2f = a12 m12 + a22 m22 + · · · + aD2 mD2 = ∑ ad2 md2 . (8.13)
d =1
Nakon analize jednostavnih funkcija iz (a) i (b), možemo prijeći i na analizu grešaka
bilo koje OP ĆE FUNKCIJE
∂ f ∂ f
f ( X1 , X2 , · · · , XD ) = f ( x1,n1 , x2,n2 , · · · , xD,nD ) + e1,n1 + e2,n2 + · · · + O(e 2 )
∂X1 X1 = x1,n ∂X2 X2 = x2,n
1 2
D
∂f
= f ( x1,n1 , x2,n2 , · · · , xD,nD ) + ∑ ed,nd + O(e 2 ).
d =1
∂X d
X d = x d,n d
Taylorovog razvoja koji su srazmjerni drugoj i ostalim višim potencijama ed,nd . Ovi su
epsiloni po pretpostavci male veličine pa su njihovi kvadrati i ostale više potencije još
manje veličine od samih epsilona i zato ih zanemarujemo u daljem računu. No, gornji
je izraz istog oblika kao i (8.11), pri čemu su konstante a1 , a2 , · · · dane odgovarajućim
parcijalnim derivacijama
∂ f ∂ f ∂ f
a1 = , a2 = , a3 = , ··· .
∂X1 X1 = x1,n ∂X2 X2 = x2,n ∂X3 X3 = x3,n
1 2 3
v !2 !2
u
∂ f ∂ f
u
Mf = t m1 + m2 + · · ·. (8.15)
∂X1 X1 = x1,n ∂X2 X2 = x2,n
1 2
Gornji izraz se zove ZAKON RASPROSTIRANJA GREŠAKA. Pomoću ovog izraza može
se odrediti maksimalna dozvoljena veličina greške mjerenih veličina. Ovo je važno
kod planiranja pokusa jer tako možemo unaprijed zaključiti kojom metodom treba
vršiti mjerenja. Pretpostavit ćemo da su greške svih mjerenih veličina približno jednake
(načelo jednakog djelovanja grešaka)
∂f ∂f
m m ≈ ··· .
∂X 1
≈
∂X2 2
1
ad
λ= ,
D
388 Poglavlje 8. Teorija grešaka
gdje su: a je razmak med̄u koherentnim izvorima svjetlosti, d razmak med̄u susjednim
interferentnim prugama, D je razmak od izvora do zaslona na kome se promatraju
pruge. Razmak d se mjeri s točnošću od 10−3 cm. Potrebno je odrediti s kojom najmanjom
točnošću treba mjeriti a i D, ako je početnim mjerenjem a, d i D dobiven njihov red
veličina
ad
λ= ,
D
čitamo kao
X1 X2
Y = F ( X1 , X2 , X3 ) = .
X3
gdje se derivacije računaju za vrijednosti a, d i D zadane u zadatku. Gornja tri člana pod
korjenom opisuju doprinos pogrešci λ koji potječe, redom, od a, d i D. Pokus je dobro
postavljen ako su svi ovi doprinosi približno istog iznosa
∂λ
md = ∂λ m a ,
∂λ ∂λ
∂D m D . (8.17)
md =
∂d ∂a ∂d
U zadatku je zadano
md = 10−3 cm,
0.5
m a = 10−3 cm = 0.025 cm.
0.02
160
m D = 10−3 cm = 8 cm.
0.02
Dakle, razmak izmed̄u izvora i zaslona je dovoljno mjeriti s točnošću od desetak centi-
metara, a razmak med̄u izvorima s točnošću od trećine milimetra.
8.2 Prilagodba direktnih opažanja jednake točnosti 389
Za razliku od (8.9), desna strana gornjeg izraza se može izračunati i tako dobiti ocjena
srednje greške pojedinog mjerenja. Pomoću gornjeg izraza i (8.19) dobiva se i
N
1
Mh2xi =
N ( N − 1) ∑ vn2 . (8.21)
n =1
390 Poglavlje 8. Teorija grešaka
Gornji izraz nam daje granice unutar kojih se nalazi prava vrijednost veličine X u obliku
Budući da izvod nije egzaktan, gornji rezultati su samo približni. Veličina M 2 se može
povezati i s analizom iz prethodnog odjeljka, gdje smo dobili da je vjerojatnost pogreške
srazmjerna Gaußovoj funkciji (8.7). Prema tome slijedi
Z +∞
2v2 1 2v2 2 / (2M 2 )
M2 = v 2 e− a dv = · · · ( A.41) · · · = ⇒ e− a = e− v .
−∞ 2 a2
Ovime je konstanta a iz Gaußove raspodjele, povezana sa srednjom greškom.
Slika 8.2 Vratimo se izrazu (8.19)
m
1 M hxi = √
0.9 N
0.8
0.4
velikog broja mjerenja. Na slici 8.2 vidimo ovisnost M hxi o broju mjerenja N. Primjeću-
jemo da je funkcija prilično strma do nekih N = 10, dok poslije toga srazmjerno sporo
opada. To znači da ćemo s nekih desetak mjerenja znatno utjecati na porast točnosti
rezultata, dok će dalje povećanje broja mjerenja tek malo povećati točnost (za dalji porast
točnosti, treba smanjivati m, tj. povećati točnost samog postupka mjerenja - metode i
opreme.).
Rješenje:
Aritmetička sredina je
ϕ1 + ϕ2 + ϕ3 + ϕ4 + ϕ5 + ϕ6
h ϕi = = · · · = 340 450 42.500 .
6
Prividne greške su
v1 = h ϕi − ϕ1 = − 9.500 ,
v2 = h ϕi − ϕ2 = − 4.500 ,
s
6
∑nN=1 vn2
r
v3 = h ϕi − ϕ3 = +19.500 , 615.500
v4 = h ϕi − ϕ4 = + 3.500 ,
⇒ ∑ vn2 00
= 615.5 ⇒ m =
N−1
=
5
= 11.100 ,
n =1
v5 = h ϕi − ϕ5 = + 1.500 ,
v6 = h ϕi − ϕ6 = −10.500 ,
s
∑nN=1 vn2
r
615.500
Mh ϕ i = = = 4.500 .
N ( N − 1) 30
Dakle, s vjerojatnošću od 68%, možemo tvrditi da se prava vrijednost kuta ϕ nalazi u slijedećim
granicama
tn
xn,1 + xn,2 + · · · + xn,tn 1
h xn i =
tn
=
tn ∑ xn,j .
j =1
µ2
mn2 = .
tn
Grešku od h x i računamo tako da h x i napišemo u obliku
x1, 1 x1, 2 xN,tN
hxi = + + ··· +
t1 + t2 + · · · + tN t1 + t2 + · · · + tN t1 + t2 + · · · + tN
h x1 i /m12 + h x2 i /m22 + · · · + h xN i /m N
2
= .
1/m12 + 1/m22 + · · · + 1/m N 2
vn = h x i − h xn i
vn,j = h x i − xn,j n = 1, 2, · · · , N
j = 1, 2, · · · , tn .
zato jer se sada vn,j odnose na pojedinačna mjerenja (mjerenje težine 1) baš kao što
se na pojedinačna mjerenja odnose i vn u (8.20). Sada relacijom (8.24) prelazimo s
(pojedinačnih) mjerenja težinom jedan, na mjerenja težinom tn
N N
1 1
µ2 =
N−1 ∑ 2
vn,j =
N−1 ∑ vn2 tn .
n =1 n =1
µ2 ∑nN=1 vn2 tn
mh2xi = =
∑nN=1 tn ( N − 1) ∑nN=1 tn
s
∑nN=1 vn2 tn
mh xi = . (8.25)
( N − 1) ∑nN=1 tn
Rješenje:
dovršiti
Zadatak 8.3 Mjerenjem su dobiveni slijedeći rezultati za vrijednosti x varijable X i
pridružene težine t( x ):
x t( x )
4.92 - 4.94 2
4.95 - 4.97 7
4.98 - 5.00 14
5.01 - 5.03 10
5.04 - 5.06 6
5.07 - 5.09 3
Rješenje:
dovršiti
Zadatak 8.4 Donjim je tablicom zadana diskretna slučajna varijabla
394 Poglavlje 8. Teorija grešaka
x P( x )
2 2/30
3 5/30
4 8/30
5 8/30
6 5/30
7 2/30
Rješenje:
dovršiti
Zadatak 8.5 Dan je niz brojeva: 1, 2, 3, 4, 5, 6, 7, 8. Iz tog se niza slučajnim izborom
uzima uzorak od tri broja. Označimo li s X najveći broj u uzorku, tada
je X slučajna varijabla. (a) Koje vrijednosti može poprimiti varijabla
X? (b) Koje vjerojatnosti pripadaju pojedinim vrijednostima? (c) Kako
glasi raspodjela vjerojatnosti varijable X? (d) Izračunajte očekivanje i
standardnu devijaciju varijable X.
Rješenje:
dovršiti
Zadatak 8.6 Jedna posuda sadrži 4 bijele i 3 crne kuglice. Slučajnim postupkom se
uzima uzorak od 3 kuglice. Neka je X broj bijelih kuglica u uzorku.
(a) Kolike vjerojatnosti pripadaju vrijednostima x = 0, 1, 2, 3? (b) Kako
glasi raspodjela vjerojatnosti varijable X? (c) Izračunajte očekivanje i
standardnu devijaciju varijable X.
Rješenje:
dovršiti
Y = a0 + a1 X, (8.26)
I = I0 cos2 (α).
ln |U − c0 | = ln |c1 | − α ln(V ).
Uz definiciju
60
biti
50
40
?
30
? a0 + a1 x n = y n + w n , (8.28)
20
10
gdje je wn greška n-tog mjerenja.
0
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
x
Drugim riječima, ako se u xn uvrsti u gornju jednadžbu pravca, bez obzira na vrijednosti
a1 i a0 , NE ĆE se za sve n dobiti yn , već će se dobiti yn + wn , gdje je wn greška. Budući da
smo mi svjesni postojanja greške, a iz teorije znamo da točke moraju ležati na pravcu,
pokušat ćemo naći jednadžbu pravca tako da ta greška u odnosu na mjerene vrijednosti
bude što manja. Dva zadatka koji se postavljaju u ovom odjeljku su
(1) IZRA ČUNATI VELI ČINE a0 I a1
iz relacije (8.26), tako da dobiveni pravac prolazi najbliže mjerenim točkama i
(2) PROCJENITI NJIHOVE GREŠKE , M0 I M1 .
Koeficijenti a1 i a0 su slobodni parametri (varijable) koje ćemo mijenjati sve dok ne
dobijemo one vrijednosti a1 i a0 za koje je zbroj kvadrata5 svih grešaka minimalan6 (engl.
least squares approximation, LSA)
N
χ2 ≡ ∑ wn2 = min, (8.29)
n =1
ili, preciznije,
N
χ 2 ( a0 , a1 ) ≡ ∑ (yn − a0 − a1 xn ) 2 = min.
n =1
5 Opet radimo s kvadratima grešaka, kako bismo eliminirali utjecaj predznaka greške.
6 Sličan se postupak kasnije primjenjuje u odjeljku 9.2.
396 Poglavlje 8. Teorija grešaka
Na taj način će se dobiti pravac koji, u smislu najmanjih kvadrata, prolazi NAJBLIŽE
izmjerenim točkama. Gornji zbroj kvadrata odstupanja (pogrešaka), označen sa χ 2 , je
funkcija koeficijenata a0 i a1 . Kao što je poznato iz matematičke analize, nužan uvjet
ekstrema funkcije više varijabla je da su parcijalne derivacije funkcije po tim varijablama
jednake nuli. U ovom primjeru to znači da mora biti
N
∂χ 2
∂a0
=0 ⇒ ∑ (yn − a 0 − a1 xn ) = 0,
n =1
N
∂χ 2
∂a1
=0 ⇒ ∑ xn (yn − a0 − a1 xn ) = 0.
n =1
N N
a0 N + a1 ∑ xn = ∑ yn , (8.30)
n =1 n =1
N N N
a0 ∑ x n + a1 ∑ xn2 = ∑ xn yn .
n =1 n =1 n =1
H0,0 H0,1 a0 b
H ~a = ~b ⇐⇒ = 0 , (8.31)
H1,0 H1,1 a1 b1
pri čemu su
N N
i+ j
D E D E
Hi,j = Hj,i = ∑ xn = N x i+ j , bi = ∑ xni yn = N x i y , i, j = 0, 1. (8.32)
n =1 n =1
i da su joj svi elementi realni. Matrice ovog tipa se nazivaju Hesseove7 matrice ili
hesijani. Rješenje jednadžbe (8.31) je
~a = H−1 ~b ,
1 H1,1 − H1,0
H−1 = , 2
Det (H) = H0,0 H1,1 − H0,1 H1,0 = H0,0 H1,1 − H0,1 ,
Det (H) − H0,1 H0,0
tako da je rješenje
a0 1 H1,1 − H1,0 b 0
= , (8.33)
a1 Det (H) − H0,1 H0,0 b1
ili, po komponentama
H1,1 b 0 − H1,0 b1 − H0,1 b 0 + H0,0 b1
a0 = 2
, a1 = 2
,
H0,0 H1,1 − H0,1 H0,0 H1,1 − H0,1
N N N N
! ! ! !
∑ xn2 ∑ yn − ∑ xn ∑ xn yn
n =1 n =1 n =1 n =1
a0 = !2
N N
N ∑ xn2 − ∑ xn
n =1 n =1
N N N
! !
N ∑ xn yn − ∑ xn ∑ yn
n =1 n =1 n =1
a1 = !2 .
N N
N ∑ xn2 − ∑ xn
n =1 n =1
x 2 hyi − h x i h x yi h x yi − h x i hyi
a0 = , a1 = . (8.35)
hx 2 i − hxi 2 hx 2 i − hxi 2
σX2 Y
a0 = h y i − a1 h x i , a1 = . (8.37)
σX2
8 Usporediti s (??).
398 Poglavlje 8. Teorija grešaka
Primjer 8.2 Pokažimo još jedan način kako se može doći do jednadžbe (8.31).
Neka je zadano N = 5 pari mjerenih vrijednosti ( xn , yn ), za n = 1, 2, 3, 4, 5. Pet jednadžba
oblika (8.26)
a0 + x1 a1 = y1 ,
a0 + x2 a1 = y2 ,
a0 + x3 a1 = y3 ,
a0 + x4 a1 = y4 ,
a0 + x5 a1 = y5 ,
1 x1 y1
1 x2 y2
a
0
1 x3 = y3
a1
1 x4 y4
1 x5 y5
1 x1
1 x2
1 1 1 1 1 a0
· 1 x3
·
x1 x2 x3 x4 x5 a1
1 x 4
1 x5
y1
y2
1 1 1 1 1
· y3
=
x1 x2 x3 x4 x5
y4
y5
N ∑nN=1 xn a0 ∑nN=1 yn
= ,
∑nN=1 xn ∑nN=1 xn2 a1 ∑nN=1 xn yn
P ROCJENE POGREŠAKA M0 I M1
Nakon što smo, relacijama (8.35), tj. (8.37), izračunali a0 i a1 , treba izračunati i procjene
njihovih grešaka M0 i M1 . Da bismo to izveli, provest ćemo nekoliko pripremnih računa.
Pomoću jednadžbe ekstrema (8.30)
N N
a0 N + a1 ∑ xn = ∑ yn
n =1 n =1
N N N
,
a0 + a1 x n = y n + w n ∑ ⇒ a0 N + a1 ∑ xn = ∑ ( y n + w n ).
n =1 n =1 n =1
To znači da nisu sve greške med̄usobno nezavisne, već da se jedna od njih može izraziti
preko N − 1 preostalih. Prema (8.20), srednju grešku od N − 1 nezavisnih mjerenja
računamo kao
v
u 1 N
u
m=t ∑ w 2.
N − 2 n =1 n
(8.38)
w n = ( a0 + a1 x n ) − y n ,
N
,
wn2 = ( a0 + a1 xn ) 2 − 2 ( a0 + a1 xn ) yn + yn2 , ∑
n =1
N
∑ wn2 = · · · = N ( a12 σX2 − 2a1 σX2 Y + σY2 )
n =1
N
∑ wn2 = (8.37) = N σY2 − a12 σX2 ,
n =1
N σY2 − a12 σX2
2
m = (8.38) = . (8.39)
N−2
Sada imamo sve što nam je potrebno za RA ČUN M1 . Vratimo se izrazu (8.35) za koefici-
jent a1 . Napiše li se a1 u obliku
1 N
!
σX2 Y 1
a1 = (8.36), (8.37) = 2 = 2
σX
∑ xn yn − h x i hyi
σ X N n =1
1 N 1 N N
!
1 1
= 2
σ X N n =1
∑ xn yn − h x i ∑
N n =1
yn = ∑
N σX2 n=1
( xn − h x i) yn ,
400 Poglavlje 8. Teorija grešaka
x1 − h x i 2 2 x2 − h x i 2 2 xN − h x i 2 2
2
M1 = mY1 + mY2 + · · · + mYN .
N σX2 N σX2 N σX2
No, sve su greške od Yn med̄usobno jednake
mY21 = mY22 = · · · = mY2N = m 2 ,
pa je zato
N
m2 m2 m2
M12 =
N 2 σ4X
∑ (xn − hxi) 2 = (8.34) = N 2 σ4 NσX2 =
N σX2
. (8.40)
n =1 X
Ako sada za m uvrstimo (8.39), dobit ćemo konačan izraz za ocjenu greške koeficijenta
a1
2
1
2 σY 2
M1 = − a1 . (8.41)
N − 2 σX2
Na sličan ćemo način izračunati i PROCJENU GREŠKE KOEFICIJENTA a0 . Prema (8.37),
koeficijent a0 možemo shvatiti kao funkciju N + 1 nasumične varijable: Y1 , Y2 , · · · , YN i
a1
1
a0 = hyi − h x i a1 ≡ f (Y1 , Y2 , · · · , YN , a1 ) = (Y1 + Y2 + · · · + YN ) − h x i a1 .
N
i grešku od f ≡ a0 računati pomoću (8.15)
1
M02 = (m 2 + mY22 + · · · + mY2N ) + h x i 2 M12 .
N 2 Y1
Svi su mY2n = m 2 med̄usobno jednaki, pa je
N
1 1
M02 = 2
N m 2 + h x i 2 M12 = (8.40) = M12 (h x i 2 + σX2 ) = (8.34) = M12 ∑ xn2 .
N N n =1
Y = a0 + a1 X,
σX2 Y
a0 = h y i − a1 h x i , a1 =, (8.42)
σX2
s 2
1
σY
q
M0 = M1 σX2 + h x i 2 , M1 = − a 2 .
1
N − 2 σX2
9 Na sličan način, koeficijent a1 smo mogli shvatiti i kao funkciju nasumične varijable X.
8.4 Prilagodba posrednih opažanja - LSA 401
v s
N H0,0
u q
M1 = m u 2 = m ( H −1 )1,1 = m ,
t
Det (H)
N ∑nN=1 2 N
x n − ∑ n =1 x n
Zapis pogrešaka preko elemenata Hesseove matrice je pogodniji zato jer sadrži i općeni-
tiji slučaj prilagodbi od gore opisane linearne prilagodbe
Ma2j =m 2 · ( H −1 ) j,j ,
1 N
yn − f (~a, xn ) 2
N − 2 n∑
2
m = . (8.43)
=1 σn
Cijeli gornji zbroj, χ 2 , shvaćamo kao funkciju koeficijenata a0 , a1 i a2 , pa zato nužni uvjet
minimuma glase
∂χ 2 ∂χ 2 ∂χ 2
= 0, = 0, = 0.
∂a0 ∂a1 ∂a2
Ova tri uvjeta vode na sustav od tri jednadžbe za tri nepoznanice: a0 , a1 i a2
N N N
∑ y n − a0 N − a1 ∑ x n − a2 ∑ xn2 = 0,
n =1 n =1 n =1
N N N N
∑ x n y n − a0 ∑ x n − a1 ∑ xn2 − a2 ∑ xn3 = 0,
n =1 n =1 n =1 n =1
N N N N
∑ xn2 yn − a0 ∑ xn2 − a1 ∑ xn3 − a2 ∑ xn4 = 0.
n =1 n =1 n =1 n =1
402 Poglavlje 8. Teorija grešaka
N N
i+ j
Hi,j = Hj,i = ∑ xn , bi = ∑ xni yn , i, j = 0, 1, 2.
n =1 n =1
u kojoj su
N N
H0,0 = N, H0,1 = H1,0 = ∑ xn , H0,2 = H1,1 = H2,0 = ∑ xn2 ,
n =1 n =1
N N
H2,1 = H1,2 = ∑ xn3 , H2,2 = ∑ xn4 .
n =1 n =1
ili, po komponentama
2 ) · b + (H H
( H1,1 H2,2 − H2,1 0 2,0 2,1 − H1,0 H2,2 ) · b1 + ( H1,0 H2,1 − H1,1 H2,0 ) · b2
a0 = 3 − H H2 − H2 H
,
H0,0 H2,0 H2,2 + 2H1,0 H2,0 H2,1 − H2,0 0,0 2,1 1,0 2,2
2 ) · b + (H H
( H2,0 H2,1 − H1,0 H2,2 ) · b 0 + ( H0,0 H2,2 − H2,0 1 1,0 2,0 − H0,0 H2,1 ) · b2
a1 = 3 2 2 H
,
H0,0 H2,0 H2,2 + 2H1,0 H2,0 H2,1 − H2,0 − H0,0 H2,1 − H1,0 2,2
(8.47)
2 )·b
( H1,0 H2,1 − H1,1 H2,0 ) · b 0 + ( H1,0 H2,0 − H0,0 H2,1 ) · b1 + ( H0,0 H2,0 − H1,0 2
a2 = 3 2 2
.
H0,0 H2,0 H2,2 + 2H1,0 H2,0 H2,1 − H2,0 − H0,0 H2,1 − H1,0 H2,2
Slično se rade i prilagodbe na polinome višeg stupnja, pri čemu je potrebno invertirati
matrice reda za jedan većeg od reda korištenog polinoma. Procjena pogrešaka se izvodi
kao i za linearni slučaj i vodi na
Ma2j = m 2 · ( H −1 ) j,j , j = 0, 1, 2, · · ·
1 N
yn − f (~a, xn ) 2
N − 2 n∑
2
m = . (8.48)
=1 σn
χ2
m2 = .
N−2
8.4 Prilagodba posrednih opažanja - LSA 403
x y1 ( x ) y2 ( x )
−3
800 − 4.3909469780044914 · 10 3.0237140525868115 · 10 −3
900 − 1.4165846690981127 · 10 −3 1.0769170524360849 · 10 −3
1000 − 3.2427449959638872 · 10 −4 9.5424150902332554 · 10 −4
1200 5.2915091475935273 · 10 −4 7.9250123903960477 · 10 −4
1400 1.0878183539202498 · 10 −3 7.1276498909749299 · 10 −4
1600 1.4624656129747242 · 10 −3 6.5713860863624691 · 10 −4 .
funkcija
1
y( x ) = a + b ·
xα
prolazi najbliže (u smislu najmanjih kvadrata) gornjim točkama. Ovakav oblik funkcije
služi za dobivanje procjene granične vrijednosti y kada x → ∞
a = lim y( x ).
x →∞
U novoj varijabli
1
X (α) ≡ ,
xα
prethodna funkcijska ovisnost ima standardan LSA oblik
y = a + b · X ( α ).
Slika 8.5: Plava linija prikazuje odstupanje χ 2 kao funkciju α za točke ( x, y1 ). Crvena
linija prikazuje odstupanje χ 2 kao funkciju α za točke ( x, y2 ).
Obje funkcije (8.49) su prikazane crtkanim linijama na slikama 8.4. Vidi se da ekstrapo-
lacijska krivulja lijepo prati zadane točke. Ekstrapolirane vrijednosti su bliske onima iz
(8.51).
x y1 ( x ) y2 ( x )
800 − 4.3909469780044914 · 10 −3 3.0237140525868115 · 10 −3
900 − 1.4165846690981127 · 10 −3 1.0769170524360849 · 10 −3
1000 − 3.2427449959638872 · 10 −4 9.5424150902332554 · 10 −4
1200 5.2915091475935273 · 10 −4 7.9250123903960477 · 10 −4
1400 1.0878183539202498 · 10 −3 7.1276498909749299 · 10 −4
1600 1.4624656129747242 · 10 −3 6.5713860863624691 · 10 −4 .
y ( x ) = a0 + a1 · e − α x , α > 0, (8.50)
prolazi najbliže (u smislu najmanjih kvadrata) gornjim točkama. Ovakav oblik funkcije
služi za dobivanje procjene granične vrijednosti y kada x → ∞
a0 = lim y( x ).
x →∞
Za x-eve reda veličine tisuću, e− x je vrlo mali broj, (npr. e−800 = 3.66 · 10 −348 ). Zato se
ekstrapolacijska funkcija (8.50) prevodi u oblik
ln |y − a0 | = ln( a1 ) − α x.
Y ( a0 ) ≡ ln |y − a0 |, X ≡ x,
8.4 Prilagodba posrednih opažanja - LSA 405
Y = A + B · X, A ≡ ln( a1 ), B = −α.
Slika 8.6: Plava linija prikazuje odstupanje χ 2 kao funkciju a0 za točke ( x, y1 ). Crvena
linija prikazuje odstupanje χ 2 kao funkciju a0 za točke ( x, y2 ).
Obje funkcije (8.51) su prikazane crtkanim linijama na slikama 8.7. Vidi se da ekstrapo-
lacijska krivulja lijepo prati zadane točke. Ekstrapolirane vrijednosti su bliske onima iz
(8.49).
S obzirom da x ima značenje duljine, to α ima značenje inverzne duljine (valni vektor,
406 Poglavlje 8. Teorija grešaka
α ≡ k = 2π/λ)
2π
y1 → λ1 = = 1858.93,
0.00338
2π
y2 → λ2 = = 1090.83.
0.00576
Obje karakteristične valne duljine su istog reda veličine kao i x-evi korišteni u ekstrapo-
lacijama.
−0.011192121900844 −1.36522729793271
−1.43313682440581 −0.965462829395738
−0.407331033330689 1.40724858888753
−1.14016536777290 1.19413618101188
0.943005523342006 0.533886848495410
0.701368029560726 0.938473033260355
0.369216706961920 1.21137161426431
−1.79213258197845 −0.348924977441798
−0.791570667806508 −1.34629232253308
0.701367978334408 −0.938473063024943
0.943005534905101 −0.533886878726904
−1.79213260006929 0.348924987022810
−1.65442236286842 0.677412258171552
−1.43313675541534 0.965462909334867
−0.791570658662658 1.34629220625940
−0.01119216977491 1.36522734249119
0.369216674809621 −1.21137155981197
−0.407330948588808 −1.40724862037250
−1.14016548134779 −1.19413621958332
−1.65442233858238 −0.677412211626980
−1.83887671453875 0.00000000000000.
( x − x0 ) 2 + y 2 = R 2
N 2 N 2
χ2 ≡ ∑ yn2 − f 2 ( xn ) ∑ yn2 − R 2 + ( xn − x0 ) 2
=
n =1 n =1
bude minimalno, su
∂χ 2 ∂χ 2
= 0, = 0.
∂R 2 ∂x0
8.4 Prilagodba posrednih opažanja - LSA 407
N N N
!
1
R 2 = x02 +
N ∑ xn2 + ∑ yn2 − 2x0 ∑ xn = 2.032578032164837,
n =1 n =1 n =1
R = 1.42568510975069.
Y ≡ f (~a, x ) = a0 + a1 X1 + a2 X2 + a3 X3 + · · · .
X1 − h X1 i 2
2
h X1 X2 i − h X1 i h X2 i h X1 X3 i − h X1 i h X3 i ···
X2 − h X2 i 2
2
h X2 X1 i − h X2 i h X1 i h X2 X3 i − h X2 i h X3 i ···
2 2
h X3 X1 i − h X3 i h X1 i h X3 X2 i − h X3 i h X2 i X3 − h X3 i ···
..
.
X D − hX D i 2 D × D
2
h X D X1 i − h X D i h X1 i ··· ···
Zadatak 8.7 Zadane su tri točke: (1, 1), (2, 2), (3, 4). Zadatak je povući pravac koji
prolazi najbliže (u smislu najmanjih kvadrata) ovim točkama. Označite
na grafu točku (h x i , hyi).
Rješenje:
U ovom je primjeru N = 3, a za gornje parove vrijednosti ( xn , yn ), sustav (8.30) glasi
5
4.5
3.5
7 − 6a1 − 3a0 = 0,
3 17 − 14a1 − 6a0 = 0.
2.5
y
2
Rješavanjem gornjeg sustava, dobije se
1.5
2 3
1 a0 = − , a1 = .
3 2
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4
Pogreške wn se računaju kao
x
3 2 1
w1 = y 1 − x 1 + = ,
2 3 6
3 2 1
w2 = y 2 − x 2 + =− ,
2 3 3
3 2 1
w3 = y 3 − x 3 + = .
2 3 6
Srednju grešku svakog mjerenja (tj. svake pojedine točke) računamo kao
s
∑nN=1 wn2 1
m= =√ .
N−2 6
Crvena linija na gornjoj slici je pravac f ( x ) = −0.66667 + 1.5 x koji nabolje priliježe uz zadane
točke (plavi kružići). Izračunajmo još i pogreške a1 i a0
M0 = ...dovriti... M1 = ...dovriti...
8.4 Prilagodba posrednih opažanja - LSA 409
Zadatak 8.8 Izračunajte parametre pravca koji je, u smislu najmanjih kvadrata,
najbliži točkama
(1, 1.42), (2, 1.67), (3, 2.01), (4, 2.92), (5, 3.47), (6, 3.61).
Rješenje:
Zadano je 6 točaka, dakle N = 6.
21
5
∑ xn = 21 ⇒ hxi =
6
= 3.5
4 n
∑ xn2 = 91,
3
n
15.1
∑ yn = 15.1 ⇒ hyi = ≈ 2.517
y
2 n 6
∑ xn yn = 61.48.
1 n
Zadatak 8.9 Zadane su točke: (0, 0), (1, 10), (2, 25), (3, 20), (4, 30), (5, 15), (6, 40), (7, 30).
Nad̄ite polinom drugog reda koji prolazi najbliže danim točkama.
Rješenje:
Zadane točke ( xn , yn ) su prikazane plavim točkama na donjoj slici.
50
Ovaj ćemo zadatak riješiti primjenom izraza
40
(8.47) na ovaj poseban slučaj. Uvrštavanjem
koordinata zadanih točaka, dobiva se (crvena li-
30 nija na slici desno)
20
10
koja nabolje (u smislu najmanjih kvadrata) prili-
0
ježe uz zadane točke (plavi kružići). Izračunajmo
još i pogreške koeficijenata a j ... dovršiti ..(8.43)
-10
-1 0 1 2 3 4 5 6 7 8
x
α1 , α2 , · · · , αN , β1 , β2 , · · · , βN , γ1 , γ2 , · · · , γN .
N N N
χ 2 (α, β, γ) ≡ ∑ (αn − α) 2 + ∑ ( β n − β) 2 + ∑ (γn − γ) 2 = min.
n =1 n =1 n =1
α + β + γ = π. (8.53)
Kao što je poznato10 , ekstrem funkcije više varijabla uz zahtjev da mora biti zadovoljen
jedan ili više uvjeta med̄u varijablama, se nalazi pomoću Lagrangeovih množitelja. Tako
će se postupiti i sada: umjesto minimuma funkcije χ 2 s uvjetom, tražit će se minimum
funkcije χ L2 bez uvjeta
χ L2 (α, β, γ) ≡ χ 2 (α, β, γ) + λ · (α + β + γ − π )
N N N
= ∑ (αn − α) 2 + ∑ ( β n − β) 2 + ∑ ( γn − γ ) 2 + λ · ( α + β + γ − π ) ,
n =1 n =1 n =1
N
∂χ L2 1 N λ
= −2 ∑ (αn − α) + λ = 0 =⇒ α = ∑ αn − ,
∂α n =1
N n =1 2N
N
∂χ L2 1 N λ
= −2 ∑ ( β n − β) + λ = 0 =⇒ β = ∑ βn − 2N , (8.54)
∂β n =1
N n =1
N
∂χ L2 1 N λ
= −2 ∑ (γn − γ) + λ = 0 =⇒ γ = ∑ γn − 2N .
∂γ n =1
N n =1
1 N λ 1 N λ 1 N λ
∑
N n =1
α n −
2N
+ ∑
N n =1
β n −
2N
+ ∑
N n =1
γn −
2N
=π
λ 1 N π
=⇒
2N
= ∑
3N n=1
( α n + β n + γn ) − .
3
Iz gornjeg izraza za λ i uvjeta ekstrema, (8.54), konačno se kutovi dobiju u obliku π/3
plus još jedan član koji opisuje odstupanje od jednakostraničnog trokuta
π 1 N
3N n∑
α= + (2αn − β n − γn ),
3 =1
π 1 N
3N n∑
β= + (−αn + 2β n − γn ),
3 =1
π 1 N
3N n∑
γ= + (−αn − β n + 2γn ).
3 =1
Rješenje:
dovršiti
Rješenje:
dovršiti
8.6 Kriging
U odjeljku 8.4 je postavljen i rješen problem nalaženja krivulje f ( x ) koja, u smislu
najmanjih kvadrata, prolazi najbliže skupu zadanih točaka (točaka u kojima je izmjerena
vrijednost promatrane varijable). Sada ćemo definirati jedan sličan postupak koji je
primjenjiv i na jednodimenzijski problem (kao u navedenom odjeljku), ali je isto tako
primjenjiv i na višedimenzijske probleme. Neka se promatra točka u D-dimenzijskom
prostoru
φ1 , φ2 , · · · , φl .
~r n = xn~ex + yn~ey .
11 Obično je to površina Zemlje, tako da izloženi postupak spada u područje geostatistike.
412 Poglavlje 8. Teorija grešaka
Osnovna je ideja da se vrijednost polja u točki ~r u kojoj nije izvršeno mjerenje, napiše
kao linearna kombinacija vrijednosti polja u susjednim točkama (u kojima je izvršeno
mjerenje)
N
φ(~r ) = ∑ wn (~r ) φ(~r n ).
n =1
Koeficijenti razvoja wn (~r ) predstavljaju težinu kojom n-ta mjerena točka utječe na pro-
cjenu vrijednosti polja u točki ~r i obično se nazivaju TEŽINSKA FUNKCIJA12 . Glavni se
zadatak cijelog ovog računa i sastoji upravo u tome da se težinska funkcija odabere na
optimalan način. Naravno da se očekuje da će to biti funkcija koja opada s porastom
udaljenosti |~r −~r n |. Takod̄er je očito da će težinske funkcije ovisiti i o izboru točke ~r,
jer se promjenom ~r mijenja i raspored susjednih mjerenih točaka ~r n .
Označimo s M (~r ) aritmetičku sredinu mjerenih točaka unutar kružnice polumjera h sa
središtem u odabranoj točki ~r
N (h)
1
hφ(~r )i ≡ M(~r ) =
N (h) ∑ φ(~r n ). (8.55)
n =1
Gornja granica zbrajanja, N (h), je broj izmjerenih točaka s vrijednostima φ(~r n ) koje se
nalaze unutar kružnice polumjera h sa središtem u zadanoj točki ~r. Aritmetičku sredinu
preko SVIH mjerenih točaka, označit ćemo s
N
1
hφi ≡ M =
N ∑ φ(~r n ).
n =1
Vrijednost polja u bilo kojoj točki u kojoj nije izvedeno mjerenje, shvaća se kao nasumična
varijabla. Tu varijablu zamišljamo kao zbroj dvije varijable - jedne koja se sporo mijenja
s promjenom ~r i druge, koja se mijenja znatno brže s promjenom ~r. Za ovu sporu
varijablu (trend varijablu) se obično odabire srednja vrijednost polja u toj točki M(~r ), s
brza varijabla, R(~r ), je jednostavno razlika od srednje vrijednosti do cijelog φ
h R(~r )i = 0. (8.56)
12 ? prijeći na simetričniju oznaku w(~r,~r n )
8.6 Kriging 413
S N (~r ) je označen broj točaka u okolici točke ~r koji se uzima u obzir pri računu težinske
funkcije - to mogu biti sve mjerene točke (tada je N (~r ) = N) ili samo jedan njihov dio
(tada je N (~r ) < N). Težinska funkcija wn (~r ) se računa iz dva uvjeta:
prvi je uvjet nepristranosti i izražava se relacijom
bude minimalna
σ 2 = min.
Ovisno o tretmanu spore ili trend komponete M(~r ) polja φ, razlikovat će se tri varijante
kriging postupka:
(1) jednostavni (simple) kriging,
(2) uobičajeni (ordinary) kriging i
(3) kriging s trendom.
M(~r ) ≡ M = const.
Procjena pogreške je
N (~r )
?
φ SK ?
(~r ) − φ(~r ) = [φ SK (~r ) − M] − [φ(~r ) − M] = ∑ wnSK (~r ) R(~r n ) − R(~r )
n =1
= R SK (~r ) − R(~r ),
gdje je
N (~r )
R SK (~r ) = ∑ wnSK (~r ) R(~r n ). (8.60)
n =1
= [ R SK (~r ) − R(~r )] 2 − 0
D E
Zadatak da se pronad̄u kriging težine w koje će učiniti gornju varijancu minimalnom,
iskazuje se izrazom
2 N (~r ) N (~r )
∂σSK
∂wkSK (~r ) m∑ ∑
0= = wmSK (~r ) C R (~r k −~r m ) + wnSK (~r ) C R (~r n −~r k ) + 0 − 2 C R (~r k −~r ).
=1 n =1
Gornja dva zbroja na desnoj strani su med̄usobno jednaki, pa uvjet minimuma glasi
N (~r )
∑ wmSK (~r ) C R (~r n −~r m ) = C R (~r n −~r ), n = 1, 2, · · · , N (~r ). (8.62)
m =1
K·w
~ = ~k .
Nepoznanica u gornjoj jednadžbi je težinska funkcija wnSK (~r ), koja se lako dobiva mno-
ženjem gornje jednadžbe s lijeva s K −1
~ = K −1 · ~k .
w
Kada je dobivena težinska funkcija, tada se procjena vrijednosti polja u nepoznatoj točki
~r dobiva kao
N (~r )
φ(~r ) = M + R SK (~r ) = (8.60) = M + ∑ wnSK (~r ) R(~r n ).
n =1
Primjer 8.7 Kao ilustraciju teorije izložene u ovom odjeljku, navedimo i jedan nu-
merički primjer. Poznati su rezultati stotinjak mjerenja, prikazani na slici ... . Radi
jednostavnosti, procjenu vrijednosti polja u točki u kojoj nije izvedeno mjerenje (križić
na slici ...), računat ćemo koristeći samo šest najbližih točaka (crne točke na slici ).
Elementi matrice K ovise samo o med̄usobnoj udaljenosti točaka u kojima je izvedeno
mjerenje
slučaj kada je model izotropan). Radi jednostavnosti, model će se tretirati kao izotropan,
pa je C R = C R (h). Glavni dio posla se sastoji upravo u računu C R = C R (h). Za statistički
veliki broj mjerenih točaka, izračuna se C R (h) za niz raznih vrijednosti h i to se nacrta na
dijagram (slika ...) koji se naziva variogram ili semivariogram. Sada se C R (h) interpolira
jedno glatkom funkcijom. Odabir te funkcije (citirati wikipediu ?) ovisi i konkretnom
obliku variograma, a u ovom primjeru, koristit će se sferična aproksimacija
" 3/2 #
3 h 1 h
C R (h) = C R (0) − γ(h) = 0.78 − 078 − .
2 4141 2 4141
Udaljenosti med̄u mjerenim točkama su dane tablicom ..., a udaljenosti od mjernih točke
do odabrane točke, navedene su na slici .... . Iz svih ovih podataka, lako je izračunati
matricu K (pa time i njezin inverz) i vektor ~k .
Primjer 8.8 Kao ilustraciju teorije izložene u ovom odjeljku, riješimo detaljno jedan
jednodimenzijski problem.
Primjer 8.9 Kao ilustraciju teorije izložene u ovom odjeljku, riješimo detaljno jedan
dvodimenzijski problem.
I ZLAGANJE O KORELACIJAMA ćemo započeti tako što ćemo prvo reći što korelacije
nisu: ako izmed̄u dvije varijable x i y postoji stroga funkcijska ovisnost (kao npr. na
slici 9.1.A) ili ako izmed̄u x i y ne postoji nikakva veza (kao npr. na slici 9.1.B), tada x i y
NISU korelirane varijable. Svaka druga veza x i y JESTE korelacijska veza. Ili, detaljnije,
Slika 9.1: (A) izmed̄u x i y postoji funkcijska veza y = 22.09 x 3 e−3x ; (B) izmed̄u x i y ne
postoji nikakva veza.
(A)
1 y2 (B)
y
y1 y
0
x1 x2
-1 x
-0.5 0 0.5 1 1.5 2
x
y = f ( x ),
x = f −1 ( y ),
y( x ) = 22.09 · x 3 · e−3x ,
420 Poglavlje 9. Teorija korelacija
prikazana na slici 9.1.A. Naprotiv, ako za neki fiksni x, varijabla y može poprimiti bilo
koju vrijednost, potpuno neovisno o x, tada se kaže da y NE OVISI o x, tj. za zadani x,
varijabla y može imati bilo koju vrijednost. Isto tako, za svaki fiksni y, varijabla x može
poprimiti bilo koju vrijednost. Ova vrsta (ne)ovisnosti je prikazana na slici 9.1.B: točke
su približno homogeno raspodjeljene po dijelu ( x, y) ravnine.
Izmed̄u ova dva ekstremna primjera se nalazi široko područje pojava koje se nazivaju
KORELACIJE . To su sve one pojave koje nisu vezane strogom funkcijskom vezom, ali
koje nisu niti potpuno nepovezane. U tom smislu može se reći da funkcijska veza
predstavlja savršenu (potpunu) korelaciju, dok nasumična raspodjela točaka odgovara
potpunom izostanku korelacije1 .
Jedan tipičan primjer ovakve vrste veze jeste veza izmed̄u tjelesne visine i tjelesne
mase odabrane dobne skupine ljudi. Jedna ilustracija takve veze je dana tablicom 9.1 i
Tablica 9.1: Visine x u cm i mase y u kg, jedne dobne skupine ljudi. Brojevi unutar tablice
označavaju koliko ljudi iz promatrane skupine ima dane vrijednosti x i y.
89 - - - - - - 1 - 1 181.50
84 - - - - 3 1 2 2 8 179.00
79 - - - 1 8 5 3 2 19 176.87
74 - 2 4 10 21 18 12 1 68 174.74
69 - 3 17 42 55 37 11 3 168 173.10
64 3 12 51 72 44 9 3 - 194 169.23
59 10 31 51 40 7 1 - - 140 165.67
54 9 23 13 4 1 - - - 50 162.70
slikom 9.2. Ljudi se med̄usobno razlikuju i ne postoji matematička formula koja bi nam
omogućila da na temelju visine izračunamo masu osobe ili obratno, da na temelju mase
izračunamo visinu. Za danu visinu, moguće su različite mase (ali ne i previše različite)
i obratno, za danu tjelesnu masu, moguće su različite visine (ali opet, ne previše raz-
ličite). Ako promatranu skupinu ljudi shvatimo kao jedan fizički sustav u kontaktu s
okolinom2 , tada je upravo utjecaj okoline taj koji čini da x nema samo jednu vrijednost,
nego više njih koje fluktuiraju oko nekakve srednje ili najvjerojatnije vrijednosti. Pod
utjecajem okoline u ovom se slučaju misli na lokalne prehrambene navike, socijalni
status, genetske predispozicije i slično.
Slika slična 9.2 bi se dobila i ako se, tijekom odred̄enog vremena od par mjeseci, pro-
matra dolazak autobusa na autobusno stajalište za jednu odred̄enu gradsku liniju. Na
osi x se nanose redni brojevi stajališta (diskretna varijabla), a na os y se nanosi vrijeme
dolaska na stajalište (kontinuirana varijabla). Opet zbog utjecaja okoline (semafori,
rampe, broj putnika na ulazu/izlazu, vremenski uvjeti, ....), autobus neće svaki dan
dolaziti na stanicu u isto vrijeme, nego će postojati odred̄ena raspodjela oko srednjeg ili
najvjerojatnijeg vremena dolaska na stajalište.
1 Vidjeti odjeljak 9.4 o mjerama korelacije: funkcijska veza se dobije kada mjera korelacije ima vrijednost
Slika 9.2: Veza visine x (u cm) i mase y (u kg) jedne skupine ljudi. Brojevi na slici kažu
koliki broj osoba iz promatrane skupine ima dane vrijednosti visine i mase. Slični se
brojevi mogu pridružiti svakoj točki sa slike, ali su radi preglednosti slike izostavljeni.
90
Y = masa u kg
80 1
10
70 42
72
60 40
50
Dakle, u oba ova primjera, a i općenito kod korelacijskih procesa, okolina je ta koja
unosi odred̄enu količinu nereda ili neodred̄enosti u sustav. Primjetimo dvije važne
karakteristike slike 9.2:
• kao što smo već spomenuli, za danu visinu, moguće su različite mase, ali te mase
ne mogu biti proizvoljne - ne postoje osobe visoke 54 cm s tjelesnom masom 300 kg,
kao ni osobe visoke 185.5 cm s tjelesnom masom 40 kg; dakle, za danu visinu, masa
se može mijenjati, ali ne baš posve proizvoljno;
• druga važna osobina korelacijskih pojava se vidi iz brojeva sa slike 9.2 - ti brojevi
kažu koliki broj osoba iz promatrane skupine ima dane vrijednosti visine i mase.
Primjećujemo da je najveći broj osoba koncentriran oko sredine intervala, dok su
jako male i jako velike mase, zastupljene manjim brojem individua, ili drugim
rječima, ako bismo iz promatrane skupine nasumice birali jednu osobu visine
169.5 cm veća je vjerojatnost da bi to bila osoba mase 64 kg, nego osoba mase 79 kg.
422 Poglavlje 9. Teorija korelacija
Ukoliko se broj osoba dane visine i tjelesne mase prikaže na osi z, dobije se slika
9.2. S te slike zaključujemo da za svaku fiksnu visinu (ili fiksnu masu) postoji masa
(ili visina) koja je najzastupljenija i time najvjerojatnija, a sve se druge mase (ili visine)
javljaju u manjem broju, i to utoliko manjem, ukoliko su dalje od ove najveće vrijednosti.
Neke od q N konfiguracija imaju istu energiju E p (n1 , n2 ) iz (9.1). Broj konfiguracija iste
energije se naziva degeneracija energije, N . Tablica 9.2 i srednja od slika 9.3 prikazuju
vrijednosti n1 , n2 i njihovu degeneraciju N za model s N = 10 čestica i q = 3 stanja.
Sve različite vrijednosti energije se nazivaju spektar energije, a ukupan broj različitih
vrijednosti energije se označava s Ns . Primjećuje se da varijable n1 i n2 pokazuju svojstva
koreliranih varijabla: nisu potpuno neovisne jedna o drugoj, ali ne postoji ni stroga funk-
cijska ovisnost koja bi svakoj vrijednosti n1 pridružila jednu točno odred̄enu vrijednost
n2 , nego se jednoj vrijednosti n1 može pridružiti više (ali ne i sve moguće) vrijednosti n2 .
Gornja tablica je prikazana slikom 9.3. Na slici (9.4) se vidi usporedba korelacija n1 i n2
1 1 1
n 2/ N
n 2/ N
0 0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
n1 / N n1 / N n1 / N
n1 n2 N n1 n2 N n1 n2 N
0 2 30 3 0 100 6 2 150
0 4 150 3 1 600 6 3 200
0 6 120 3 2 1320 6 4 450
0 8 400 3 3 1400 6 5 200
0 10 2 3 4 1100 6 6 220
1 0 20 3 5 400 6 7 20
1 1 40 3 6 120 6 8 20
1 2 140 4 0 130 7 4 100
1 3 400 4 1 560 7 5 120
1 4 500 4 2 960 7 6 20
1 5 400 4 3 1100 8 6 70
1 6 200 4 4 1000 8 8 20
2 0 30 4 5 520 10 10 1
2 1 360 4 6 290
2 2 780 4 7 40
2 3 900 4 8 20
2 4 900 5 0 20
2 5 540 5 1 240
2 6 280 5 2 520
2 7 60 5 3 800
2 8 20 5 4 600
5 5 280
5 6 60
0.9
0.8
0.7
0.6
n 2/ N
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
n1 / N
1 1 1
n 3/ N
n 3/ N
0 0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
n 1/ N n 1/ N n 2/ N
Zadatak 9.1 Koristeći programski jezik koji želite, generirajte 50 slučajnih točaka
unutar jediničnog kvadrata i nacrtajte sliku sličnu onoj na desnoj strani
slike 9.1.
Zadatak 9.2 Koristeći programski jezik koji želite, izračunajte vrijednosti koje se
pojavljuju tablici 9.2.
t( x, y)
nazivamo broj elemenata osnovnog skupa koji imaju istu vrijednost i obilježja x i
obilježja y (u primjeru iz tablice 9.1 to je broj osoba visine x i mase y). Zbroj težina po
svim mogućim vrijednostima oba obilježja
∑ ∑ t(x, y) = N, (9.3)
x y
∑ t ( x y , y ) = t ( y ),
xy
∑ t(x, yx ) = t(x)
yx
1
hy x i =
t( x ) ∑ yx t(x, yx ). (9.4)
yx
1
hy x=169.5 i = (1 · 79 + 10 · 74 + 42 · 69 + 72 · 64 + 40 · 59 + 4 · 54) = 64.50.
169
Provede li se ovaj postupak za sve x-eve, dobiva se skup točaka
( x, hy x i), (9.5)
1
xy = ∑ x y t ( x y , y ). (9.6)
t(y) xy
426 Poglavlje 9. Teorija korelacija
1
xy=54 = (9 · 157.5 + 23 · 161.5 + 13 · 165.5 + 4 · 169.5 + 1 · 173.5) = 162.7.
50
xy , y ,
Slika 9.6: Plave točke označavaju parove ( x, hy x i), a crvene označavaju parove ( xy , y),
90
( < X >, < Y > )
80
y
70
60
50
150 160 170 180 190
x
menti se definiraju na isti način kao i ranije, relacijama (3.22) i (3.32), s tom razlikom da
sada umjesto jedne, imamo dvije slučajne varijable i umjesto teorijskih vjerojatnosti ili
gustoća vjerojatnosti, dolaze empirijske frekvencije
t( x, y)
P( x, y) −→
N
1
∑ ∑ P(x, y) −→ N ∑ ∑ t(x, y) = (9.3) = 1.
x y x y
9.2 Linearna korelacija 427
pri čemu su
D E 1 1
(9.7) l = 0, xk =
N ∑ ∑ x k t(x, y) = N ∑ x k t(x) ,
x y x
D E 1 1
(9.7) k = 0, yl =
N ∑ ∑ y l t(x, y) = N ∑ y l t(y) .
x y y
Uočimo i varijance
1
(9.8) k = 2, l = 0, M 2,0 ≡ σx2 =
N ∑ ∑ (x − hxi) 2 t(x, y)
x y
1
x 2 − 2x h x i + h x i 2 t( x, y)
∑
=
N x y ∑
= x 2 − hxi 2 , (9.9)
Centralni moment
1
2
(9.8) k = 1, l = 1M1,1 ≡ σxy =
N ∑ ∑ (x − hxi) (y − hyi) t(x, y)
x y
1 1
hxi = ∑ x t(x) = 169.901, x2 = ∑ x 2 t(x) = 28 902.2,
648 x 648 x
1 1
∑ y t(y) = 65.2191, ∑ y 2 t(y) = 4 294.64,
2
hyi = y =
648 y 648 y
1
h xyi =
648 ∑ ∑ x y txy = 11 106.00
x y
Slika 9.7: Ilustracija relacija (9.12), (9.16) i (9.19). Za svaki x postoji više vrijednosti y
(crne točke). Radi preglednosti slike, oznake udaljenosti su navedene za samo dvije
točke.
y
c
r av a
ijs ki p
lac
dx kore
dy d d dy
dx
pravca paralelnog s osi x, tj. s koeficijentom smjera jednakim nuli). Pravac želimo
povući tako da
ZBROJ IZNOSA ODSTUPANJA PRAVCA OD TO ČAKA ( x, y ) BUDE ŠTO MANJI .
Iznose odstupanja ćemo promatrati kroz kvadrate odstupanja, jer se kvadriranjem
eliminira predznak odstupanja. Taj uvjet matematički pišemo tako što tražimo da zbroj
kvadrata udaljenosti d( x, y) od svake točke ( x, y) do zadanog pravca bude minimalan
1
χ2 ≡
N ∑ ∑ d 2 (x, y) t(x, y) = min.
x y
Član t( x, y) na desnoj strani gornjeg izraza daje težinu (težinska funkcija), tj. broji koliko
se točaka iz osnovnog skupa nalazi na udaljenosti d( x, y) od pravca.
Ovaj se postupak može provesti na tri načina ilustrirana na slici 9.7:
[ dy ]
Mi ćemo, dakle, pokušati svakoj vrijednosti x pridružiti jednu vrijednost y = f ( x ), tako
da x i f ( x ) budu povezane jednadžbom pravca
y ≡ f ( x ) = a0 + a1 x, & dy ≡ y x − y, (9.11)
9.2 Linearna korelacija 429
i da
ZBROJ IZNOSA ODSTUPANJA ORDINATA PRAVCA
OD NIZA VRIJEDNOSTI y x BUDE ŠTO MANJI .
U računu je važna samo udaljenost točke od pravca, a ne i predznak te udaljenosti
(iznad ili ispod pravca). Eliminacija predznaka se može izvesti bilo kvadriranjem,
bilo apsolutnom vrijednošću. Mi ćemo iznose promatrati kroz kvadrate odstupanja,
jer je deriviranje (što će uskoro biti potrebno) kvadratne funkcije je jednostavnije od
deriviranja apsolutne vrijednosti. Uvjet minimalnog iznosa odstupanja matematički se
zapisuje kao
1 1 h i2
χy2 ≡
N ∑ ∑ dy2 t(x, yx ) = N ∑ ∑ yx − f (x) t( x, y x ) = min.
x yx x yx
bude minimalan5 . Ovaj uvjet znači da se traži da zbroj kvadrata udaljenosti označenih s
dy na slici 9.7 bude što manji. Ako se za f ( x ) uvrsti jednadžbu pravca, uvjet minimuma
glasi
1 2
χy2 =
N ∑∑ y x − a0 − a1 x t( x, y x ) = min. (9.12)
x yx
χy2 = χy2 ( a0 , a1 ).
∂χy2 ∂χy2
χy2 = χy2 ( a0 , a1 ) ⇒ = 0, = 0.
∂a0 ∂a1
To su jednadžbe koje odred̄uju ekstrem. U našem slučaju, iz načina kako je postavljen
problem, znamo da to mora biti minimum (maksimum je nemoguć).
∂χy2 1
∂a0
=0 ⇒
N ∑ ∑ (y x − a 0 − a1 x ) t( x, y x ) = 0,
x yx
∂χy2 1
∂a1
=0 ⇒
N ∑ ∑ x (y x − a 0 − a1 x ) t( x, y x ) = 0.
x yx
(usporediti s (8.37), gdje je svakom x-u bio pridružen samo po jedan y). Time tražena
jednadžba pravca (9.11) glasi
2
σxy
y − hyi = ( x − h x i). (9.15)
σx2
To je pravac koji je najbliži točkama y x u smislu da ima najmanji χy2 . Primjetimo još i da
gornji pravac prolazi točkom
(h x i , hyi).
1 2
χ2 =
N ∑ h y x i − a0 − a1 x t( x ) = min.
x
∂χ 2 1
∂a0
=0 ⇒
∑ x t( x )
∑ hy x i − a0 − a1 x t( x ) = hyi − a0 − a1 h x i = 0,
x
∂χ 2 1
=0 ∑ x hy x i − a0 − a1 x t( x ) = h xyi − a0 h x i − a1 x 2 = 0,
⇒
∂a1 ∑ x t( x ) x
a to je opet 2 × 2 sustav kao i (9.13), pa smo time pokazali da je pravac (9.15) najbliži i
krivulji korelacije.
[ dx ]
Gore opisanim postupkom, krenuli smo od fiksnih x i njima pridruženih y x , da bismo
na kraju dobili pravac (9.15). Naravno da u x-evima i y-ima nema ničeg posebnog, tj.
mogli smo krenuti i od nekog fiksnog y i potražiti njemu pridružene xy s odgovarajućim
težinama t( xy , y), a zatim konstruirati pravac
x ≡ g(y) = b0 + b1 y, & d x ≡ xy − x,
sa svojstvom da
1 1 2
χ x2 =
N ∑ ∑ dx2 t(xy , y) = N ∑ ∑ xy − b0 − b1 y t( xy , y) = min. (9.16)
y xy y xy
bude minimalan. Ovaj uvjet znači da se traži da zbroj kvadrata udaljenosti označenih s
d x na slici 9.7 bude što manji. Nužni uvjeti minimuma (tj. ekstrema) jesu iščezavanje
prvih parcijalnih derivacija
∂χ x2 1
∂b0
=0 ⇒
N ∑ ∑ ( xy − b 0 − b1 y) t( xy , y) = 0,
y xy
∂χ x2 1
∂b1
=0 ⇒
N ∑ ∑ y ( xy − b 0 − b1 y) t( xy , y) = 0.
y xy
σy2
y − hyi = 2
x − hxi . (9.17)
σxy
(h x i , hyi),
σy2
y − hyi = 2
( x − h x i), ⇒ y − 65.2191 = 1.63068 ( x − 169.901).
σxy
[ d⊥ ]
Primjetimo još i da je moguće povući pravac
tako da
+ c1 x
d y = c0
dy
Nužni uvjeti minimuma (tj. ekstrema) jesu iščezavanje prvih parcijalnih derivacija
∂χ⊥2 ∂χ⊥2
= 0, = 0.
∂c0 ∂c1
To je nelinearni 2 × 2 algebarski sustav za nepoznanice c0 i c1 , koji u oznakama sa strane
427, glasi
hyi − c0 − c1 h x i = 0,
(c12 − 1) h x yi − c0 (c12 − 1) h x i + 2c0 c1 hyi + c1 x 2 − y 2 = c02 c1 .
y − hyi = c1± x − h x i . (9.20)
9.2 Linearna korelacija 433
Primjetimo da ako je
σx = σy ⇒ c1± = ±1 ⇒ y − hyi = ± x − h x i .
Zadatak 9.3 Za podatke iz tablice 9.1, treba izračunati korelacijske pravce i koeficijent
korelacije, (9.26). Usporedite koeficijenate korelacije dobivene trima
gornjim postupcima i ustanovite koji je od njih iznosa najbližeg jedinici,
tj. koja je korelacija najbolja.
Rješenje:
dovršiti
Zadatak 9.4 Osobni dohoci i ukupan prihod neke tvrtke (u milijunima kuna), dani
su tablicom 9.3.
(a) Nacrtajte dijagram (osobni dohoci) - (ukupan prihod),
(b) Izračunajte i nacrtajte (na posebnom dijagramu) obje krivulje korela-
cije,
(c) Izračunajte i nacrtajte (na posebnom dijagramu) pravce korelacije u
odnosu na udaljenosti u smjerovima osi x i y.
Rješenje:
dovršiti
Zadatak 9.5 Za podatke iz donje tablice, izračunajte pravce korelacije u odnosu na
udaljenosti u smjerovima osi x i y.
y=5 119 6 0
y=6 103 51 1
y=7 10 16 2
y=8 1 5 5
y=9 0 0 2
Rješenje:
dovršiti
Zadatak 9.6 Donja tablica prikazuje visine očeva x i njihovih najstarijh sinova y
434 Poglavlje 9. Teorija korelacija
x = 65 63 67 64 68 62 70 66 68 67 69 71
y = 68 66 68 65 69 66 68 65 71 67 68 70.
Rješenje:
dovršiti
Zadatak 9.7 Tablica prikazuje postotak rješenosti na prvom x i drugom y kolokviju
iz Osnova fizičkih mjerenja i statističke analize za destero polaznika/ica.
x = 60 50 80 80 70 60 100 40 90 70
y = 80 70 70 100 50 80 100 60 80 60.
Rješenje:
dovršiti
9.3 Nelinearna korelacija 435
y = f ( x ) = a0 + a1 x + a2 x 2 + · · · + a K x K , (9.21)
ali se mogu koristiti i drukčije funkcijske ovisnosti, posebice ako fizička pozadina
problema to sugerira. Npr. često se koriste i slijedeće funkcije (za konstantne A i B)
y1 = f 1 ( x ) = A · x B , y3 = f 3 ( x ) = A + B ln( x ),
1
y2 = f 2 ( x ) = A · e B x , y4 = f 4 ( x ) = ,
A + Bx
1 2
N ∑ ∑ 2 K
= y x − a 0 − a 1 x − a 2 x − · · · − a K x t( x, y x ) = min.
x yx
∂χy2 1
∂a0
= 0, ⇒
N ∑∑ y x − a0 − a1 x − a2 x 2 − · · · − a K x K t( x, y x ) = 0,
x yx
∂χy2 1
∂a1
= 0, ⇒
N ∑∑ y x − a0 − a1 x − a2 x 2 − · · · − a K x K x · t( x, y x ) = 0,
x yx
..
. (9.23)
∂χy2 1
∂a K
= 0, ⇒
N ∑∑ y x − a0 − a1 x − a2 x 2 − · · · − a K x K x K · t( x, y x ) = 0.
x yx
..
. (9.24)
D E D E D E D E D E
x K y − a0 x K − a1 x K +1 − a 2 x K +2 − · · · − a K x K+K = 0.
6I ovdje postoje tri mogućnosti, naveden na stranici 428, od kojih ćemo ovdje obraditi prve dvije.
9.4 Stupanj koreliranosti 437
..
.
1 h i
N∑
2 K
h y x i − a 0 − a 1 x − a 2 x − · · · − a K x x K t( x ) = 0.
x
Nakon zbrajanja, dobijemo isti sustav (9.24) kao i kada smo računali odstupanja f ( x )
od y x ,
D E
h y i − a0 − a1 h x i − a2 x 2 − · · · − a K x K = 0,
D E
h xyi − a0 h x i − a1 x 2 − a2 x 3 − · · · − a K x K+1 = 0,
..
. (9.25)
D E D E D E D E D E
x K y − a0 x K − a1 x K +1 − a 2 x K +2 − · · · − a K x K+K = 0.
y y
x x
definirati i izračunati. U odjeljku 9.2 smo, relacija (9.14), našli koeficijente a0 i a1 koji
zbroj (9.12) čine minimalnim. Vrijednost tog minimalnog zbroja ćemo dobiti tako da a0 i
a1 uvrstimo u zbroj χy2 .
!2
2 2
1 2 1 σxy σxy
χy2 =
N ∑∑ y x − a0 − a1 x t( x, y x ) = (9.14) =
N ∑ ∑ x y − h y i + h x i
σx2
−
σx2
x t( x, y x )
x yx x yx
σ2 2 σ2 σ4
" #
1
xy 2 xy 2 xy
=
N ∑∑ y x − hyi − x − h x i
σx2
t ( x, y x ) = σy
2
− 2σxy 2
σx
+ σ x
σx4
x yx
4
σxy
= σy2 − ≡ σy2 (1 − r 2 ).
σx2
Gornjim izrazom je definiran koeficijent korelacije r
2
σxy
r≡ . (9.26)
σx σy
Budući da je χy2 zbroj pozitivnih brojeva, to je i on sam pozitivan broj, pa mora biti
(1 − r 2 ) ≥ 0 ⇒ −1 ≤ r ≤ +1.
Ako je r = ±1, tada je χy2 = 0 i nema odstupanja pravca korelacije od pravca: svakome
x odgovara jedan y x , tj. POSTOJI STROGA FUNKCIJSKA VEZA (pravac) izmed̄u x i y
r = ±1 ⇒ χy2 = 0 ⇒ y = y ( x ).
U praksi to nikada nije slučaj, nego je uvijek
−1 < r < +1.
Iz gornjeg razmatranja zaključujemo da ŠTO JE r BLIŽI GRANI ČNIM VRIJEDNOSTIMA +1
ILI −1, TO JE KORELACIJA BOLJA. Što je r po svojem iznosu bliži nuli, korelacija je lošija.
Ako je
r=0 ⇒ χy2 = σy2
9.4 Stupanj koreliranosti 439
K UTEVI :
Proanalizirajmo još i ZNA ČENJE KUTEVA koje pravci korelacije zatvaraju med̄usobno i
sa osima x i y. Iz (9.15) i (9.17) su poznate jednadžbe tih pravaca (iz jedne jednadžbe se
dobije druga, jednostavnom zamjenom x y)
2
σxy σy2
y − hyi = x − hxi , y − hyi = x − hxi .
σx2 2
σxy
Kao što znamo, koeficijenti smjera pravca su jednaki tangensima kutova koje pravci
zatvaraju s osi x. Neka prvi pravac zatvara kut α, a drugi β
2
σxy σy2
tan(α) = 2
, tan( β) = 2
. (9.27)
σx σxy
Izračunajmo tangens kuta γ = β − α koji MEÐUSOBNO zatvaraju ta dva pravca
tan( β) − tan(α) 1 − r2 σx σy
tan(γ) = tan( β − α) = = (9.27) = · 2 .
1 + tan(α) tan( β) r σx + σy2
Ako je r = 1 (što znači egzaktnu funkcijsku ovisnost), tada je kut
γ = β − α = 0,
tj. oba pravca se poklapaju, IDENTI ČKI SU JEDNAKI. Ako je r = 0 (što znači da nema
korelacije izmed̄u x i y), tada je tan(γ) = ∞, što znači da je kut med̄u pravcima
γ = π/2
i pravci su med̄usobno OKOMITI kada izmed̄u x i y nema korelacije. Budući da je
2
σxy
r= ,
σx σy
2 = 0, što opet prema (9.27) povlači da je i
iz r = 0 i slijedi da je i σxy
π
tan(α) = 0, tan( β) = ∞ ⇒ α = 0, β= .
2
Jedan je pravac paralelan s osi x, a drugi s osi y.
Primjetimo na kraju još i da sam kut γ ne mora biti MJERA za korelaciju, jer on osim o r
ovisi i o σx i σy . Jedino ako su x i y iste dimenzije (ili su bezdimenzijski), kut γ može
poslužiti kao mjera korelacije. Izračunajmo tangense kutova α i β koji pravci zatvaraju s
osi x, kao i tangens kuta γ koji pravci zatvaraju med̄usobno za podatke iz tablice 9.1
2
σxy σy2
tan(α) = = 0.703197, tan( β) = = 1.63068,
σx2 2
σxy
1 − r2 σx σy
tan(γ) = · 2 = 0.432052 ⇒ γ = 23.36680 .
r σx + σy2
440 Poglavlje 9. Teorija korelacija
Zadatak 9.8 Ovaj primjer potječe od botaničara Charliera koji je 1913. godine proma-
trao biljku Trientalis europea, na kojoj je uočio dva obilježja: broj cvjetnih
stapki x i broj latica y. Brojeći navedena obilježja na 321. biljci, došao je
do rezultata prikazanih u tablici (to su težine t( x, y)).
t( x ) 233 78 10 N = 321
Rješenje:
Podaci iz tablice su prikazni slikom 9.12. Gore opisanim postupkom, dobivaju se redom sve
moguće vrijednosti za hy x i
5 · 119 + 6 · 103 + 7 · 10 + 8 · 1
h y x =1 i = = 5.54077,
233
5 · 6 + 6 · 51 + 7 · 16 + 8 · 5
h y x =2 i = = 6.25641,
78
6·1+7·2+8·5+9·2
h y x =3 i = = 7.8,
10
i simetrično za xy
1 · 119 + 2 · 6
x y =5 = = 1.048,
125
1 · 103 + 2 · 51 + 3 · 1
x y =6 = = 1.34194,
155
1 · 10 + 2 · 16 + 3 · 2
x y =7 = = 1.71429,
28
1·1+2·5+3·5
x y =8 = = 2.36364,
11
3·2
x y =9 = =3 .
2
Na slici 9.12 su točke ( x, hy x i) prikazane crvenim kvadratićima, a krivulja korelacije je prikazana
punom crvenom linijom. Varijable
x i y su potpuno ravnopravne, pa se sličnim postupkom
dobiva i druga krivulja korelacije ( xy , y), prikazana ljubičastim na istoj slici.
2
h x i = 1.3053, x = 1.97819, σx = 0.523815,
2
hyi = 5.78505, y = 34.0903, σy = 0.789669,
h xyi = 7.79128, σxy = 0.489953.
Iz gornjih izraza računamo i koeficijent korelacije
r = 0.580345.
9.4 Stupanj koreliranosti 441
Slika 9.12: Primjer računanja krivulje korelacije: crveno je ( x, hy x i), ljubičasto je ( xy , y).
10
( < x >, < y > )
9 2
8 1 5 5
yx
7 10 16 2
6 103 51 1
5 119 6
4
0 1 2 3 4
x
Rješenje:
dovršiti
442 Poglavlje 9. Teorija korelacija
y/x 3 4 5 6 7
1 2 1 1 2 3
2 4 2 2 2 2
3 1 3 3 1
4 1 1 2 1
5 1 1
Potražimo sada veličinu koja će nam opisivati stupanj koreliranosti izmed̄u x i y, kada
su oni povezani nelinearnom vezom, kao u odjeljku 9.3 . Ta se veličina treba svesti
na koeficijent korelacije r (koji smo upoznali kod linearne korelacije), kada su a2 =
a3 = · · · = a K = 0. Pomnožimo jednadžbe (9.23), koje daju uvjete minimuma, redom sa
a0 , a1 , · · · , a K i zbrojimo ih. Dobit ćemo
1
N ∑ ∑ (yx |−a 0 − a1 x − a2 x 2 − · · · − a K x K )( a0 + a1 x + a2 x 2 + · · · + a K x K ) t( x, y x ) = 0,
x yx
{z } | {z }
= − f (x) = f (x)
1 h i
N ∑∑ y x − f ( x ) f ( x ) t( x, y x ) = 0
x yx
1 1
⇒
N ∑ ∑ yx N ∑
f ( x ) t( x, y x ) = ∑ f 2 ( x ) t( x, y x )
x yx x yx
2
hy f i = f . (9.30)
1
N ∑ ∑ [yx − f (x)] t(x, yx ) = 0
x yx
1 1
⇒
N ∑ ∑ yx t(x, yx ) = N ∑ ∑ f ( x ) t( x, y x )
x yx x yx
hyi = h f i . (9.31)
9.4 Stupanj koreliranosti 443
Sada provodimo račun posve analogan računu sa str. 438 koji je doveo do izraza za
koeficijent korelacije r: kreće se od zbroja odstupanja točaka y x od funkcije na koju se
radi prilagodba (na str. 438 je to bio pravac, a sada je to polinom)
1 h i2 1 h i 2
N ∑ ∑ yx − f (x) t(x, yx ) = N ∑ ∑ yx − hyi − f (x) − hyi t(x, yx )
2
χy =
x yx x yx
1 h i 2
= (9.31) = ∑
N x yx ∑ y x − hyi − f ( x ) − h f i t( x, y x ) = σy2 − 2σy2f + σ f2
σ f2
!
= (9.32) = σy − σ f = σy 1 − 2 = σy2 1 − Ryx
2 2 2 2
. (9.33)
σy
σf
Ryx ≡ , (9.34)
σy
je INDEKS KORELACIJE koji mjeri koliko je polinom (9.21) blizu točkama y x . Iz gornjeg
izraza vidimo da je zbroj kvadrata odstupanja y x − f ( x ) utoliko manji ukoliko je Ryx 2
x ≡ g(y) = b0 + b1 y + b 2 y 2 + · · · + b K y K
i zbroja
1 h i2
χ x2 =
N ∑∑ xy − g(y) t( xy , y)
y xy
Sada je
σg
R xy ≡ . (9.35)
σx
444 Poglavlje 9. Teorija korelacija
R xy 6= Ryx .
y = a0 + a1 x ⇒ x = b0 + b1 y,
y = a0 + a1 x + a2 x 2 ; x = b0 + b1 y + b 2 y 2 .
σ f2 1 1 h i2
2
Ryx =
σy2
=
σy2 N ∑∑ f (x) − h f i t( x, y x )
x yx
f = a0 + a1 x h f i = h a0 + a1 x i = a0 + a1 h x i
i dobiti
1 1 h i2 a12 1 2
2
Ryx =
σy2 N ∑∑ a0 + a1 x − a0 − a1 h x i t( x, y x ) =
σy2 N ∑∑ x − hxi t( x, y x )
x yx x yx
4 4
σx2 σxy σx2 σxy
= a12 = ( 9.14 ) = = = r 2.
σy2 σx4 σy2 σx2 σy2
Rješenje:
y\ x 0 1 2 3
2 0 0 0 2
1 0 1 1 2
0 1 1 0 0
Izračunajmo najprije
Npr.
t y =1 = 1 + 1 + 2 = 4
1
hy x=3 i = (2 · 2 + 1 · 2) = 1.5
4
1
xy=1 = (0 · 0 + 1 · 1 + 2 · 1 + 3 · 2) = 2.25.
4
Unesimo gornje vrijednosti u tablicu.
y\ x 0 1 2 3 t(y) xy
2 0 0 0 2 2 3
1 0 1 1 2 4 2.25
0 1 1 0 0 2 0.5
t( x ) 1 2 1 4 8
hy x i 0 0.5 1 1.5
1 1 1
hyi =
N ∑ ∑ y t(x, y) = N ∑ y t(y) = 8 (0 · 2 + 1 · 4 + 2 · 2) = 1,
x y y
1 1 1
y2 = ∑ ∑ y 2 t(x, y) = N ∑ y 2 t(y) = 8 (0 2 · 2 + 1 2 · 4 + 2 2 · 2) = 1.5,
N x y y
1
h x yi =
N ∑ ∑ x y t(x, y)
x y
=(0 · 0 · 1 + 0 · 1 · 0 + 0 · 2 · 0
+1·0·1+1·1·1+1·2·0
+2·0·0+2·1·1+2·2·0
1 + 2 + 6 + 12
+ 3 · 0 · 0 + 3 · 1 · 2 + 3 · 2 · 2)/8 = = 2.625.
8
2
σxy = h x yi − h x i hyi = 2.625 − 2 = 0.625.
446 Poglavlje 9. Teorija korelacija
2
σxy
y − hyi = x − hxi y = 0.5 x,
σx2
σy2
y − hyi = 2
x − hxi y = 0.8 x − 0.6.
σxy
2
σxy
r= = 0.790569.
σx σy
y = f ( x ) = a0 + a1 x + a2 x 2 ,
1 1
x3 = ∑ ∑ x 3 t(x, y) = N ∑ x 3 tx = 14.75,
N x y x
D E 1 1
x4 =
N ∑∑ x 4 t( x, y) =
N ∑ x 4 tx = 42.75,
x y x
1
x2 y = ∑ ∑ x 2 y t(x, y) = 7.375.
N x y
a0 = 0, a1 = 0.5, a2 = 0,
y = 0.5 x.
što zatim omogućava i račun indeksa korelacije (9.34) koji je u ovom slučaju jednak koeficijentu
korelacije
r
σf 0.3125
Ryx = = = r = 0.790569.
σy 0.5
x = g(y) = b0 + b1 y + b 2 y 2 ,
9.4 Stupanj koreliranosti 447
1 1
y3 = ∑ ∑ y 3 t(x, y) = N ∑ y 3 ty = 2.5,
N x y y
D E 1 1
y4 =
N ∑∑ y 4 t( x, y) =
N ∑ y 4 ty = 4.5,
x y y
1
xy 2
∑ ∑ x y 2 t(x, y) = 4.125.
=
N x y
1
N ∑ ∑ g 2 (x) t(x, y) = ...dovriti,
g2 =
x y
σg = f − h x i 2 = · · · − 4 = ...dovriti,
2
2
σg
R xy = = 0.82.
σx
Budući da je ovaj indeks korelacije bliže jedinici nego što su to Ryx i r, zaključak je da je ova
kvadratna korelacija bolja od one prve kvadratane i obje linearne korelacije.
( x, hy x i),
a BEZ uvod̄enja korelacijskog pravca, polinoma ili koje druge korelacijske funkcije.
Ideja je u tome da se naprosto računa zbroj kvadrata ODSTUPANJA y x OD KRIVULJE
KORELACIJE hy x i, a ne od polinoma kao u prethodonom odjeljku. Označimo taj zbroj sa
χy0 2 ,
1 h i2
χy0 2 =
N ∑∑ y x − hy x i t( x, y x ). (9.36)
x yx
448 Poglavlje 9. Teorija korelacija
što je ovaj zbroj manji, to su točke y x bliže krivulji korelacije hy x i i korelacija je veća.
Uvedimo jednu pomoćnu veličinu
1 h i2
2
σm,y =
N ∑∑ hy x i − hyi t( x, y x ).
x yx
koja mjeri odstupanja pojedinih hy x i od srednje vrijednosti cijelog skupa hyi. Od ranije
nam je poznata varijanca y
1 h i2
σy2 =
N ∑∑ y x − hyi t( x, y x ).
x yx
1 h ih i
+ 2 ∑
N x yx ∑ y x − hy x i hy x i − hyi t( x, y x ).
1 h ih i
N∑ ∑ y x − hy x i hy x i − hyi t( x, y x ) =
x yx
1
y x hy x i − y x hyi − hy x i 2 + hy x i hyi t( x, y x )
h i
N∑x
∑
yx
1 1
∑ ∑ yx hyx i t(x, yx ) − i2 − hy x i 2 t( x, y x ) + i2
N ∑∑
= hy hy
N x yx x yx
1 h i 1 h i
=
N ∑ hy x i ∑ y x − hy x i t( x, y x ) =
N ∑ hy x i hy x i − hy x i t( x ) = 0.
x yx x
2
!
σm,y
χy0 2 = σy2 1− = σy2 1 − ηyx
2
, (9.37)
σy2
σm,y
ηyx ≡ . (9.38)
σy
9.4 Stupanj koreliranosti 449
−1 ≤ ηyx ≤ +1.
Veličina ηyx se naziva OMJER KORELACIJE i, slično kao i koeficijent i indeks korelacije,
mjeri korelaciju izmed̄u y x i x. Korelacija je bolja ako je χy0 2 manje, tj. ako je ηyx po
2 = 1, tada je χ 0 2 = 0 i postoji egzaktna funkcijska veza
iznosu bliži jedinici. Ako je ηyx y
izmed̄u x i y.
Pokažimo da je
χy0 2 ≤ χy2 .
1 h i2 1 h i2
χy0 2 =
N ∑∑ y x − hy x i t( x, y x ), χy2 =
N ∑∑ yx − f (x) t( x, y x ).
x yx x yx
1 h i2
N ∑∑ yx − ax t( x, y x ) ≡ F ( a x ),
x yx
što shvaćamo kao neku funkciju od a x , koju smo nazvali F ( a x ). Pitamo se: kada je F ( a x )
najmanje (po definiciji, najveće je za a x → ∞)? Iz matematičke analize je poznato da se
uvjet ekstrema funkcije odred̄uje iz
dF ( a x ) 1
da x
=0 = (−2)
N ∑ ∑ (yx − ax ) t(x, yx )
x yx
⇒ hy x i = a x i/ili hyi = h ai .
2
χy2 2
χy0 2
Ry,x =1− , ηyx =1−
σy2 σy2
zaključujemo da je
2 2
ηyx ≥ Ry,x .
To znači da omjer korelacije ne može biti manji od indeksa korelacija (pa time i koefici-
jenta korelacije). Ako je krivulja korelacije pravac, tada je hy x i = f ( x ) i oba zbroja su
isti: χy2 = χy0 2 , pa je i
σy2 (1 − ηyx
2
) = σy2 (1 − r 2 ), ⇒ ηyx = r.
2 − r 2 mjeri koliko korelacijska krivulja odstupa
Spomenimo još na kraju, da razlika ηyx
od pravca.
Zadatak 9.11
Rješenje:
dovršiti
450 Poglavlje 9. Teorija korelacija
y, x1 , x2 ,
t(y, x1 , x2 ), ∑ ∑ ∑ t(y, x , x ) = N, 1 2
y x1 x2
1
hy x1 ,x2 i =
t ( x1 , x2 ) ∑ y x1 ,x2 · t(y, x1 , x2 ), t ( x1 , x2 ) = ∑ t(y, x1 , x2 ).
y x1 ,x2 y x1 ,x2
9.5 Višestruka i djelomična korelacija 451
Nakon ovog usrednjavanja, svakom paru točaka ( x1 , x2 ) pridružujemo samo jednu točku
hy x1 ,x2 i. Poveže li se skup točaka
hy x1 ,x2 i , x1 , x2
ravnim plohama, dobiva se ploha koja se naziva PLOHA KORELACIJE, slika 9.14.
Slika 9.14: Primjer plohe kore- Slika 9.15: Primjer ravnine korelacije.
lacije.
Ova ploha korelacije je izravno poopćenje krivulje korelacije, (9.5) kada se govori o
jednostrukoj korelaciji.
I kao što smo u slučaju jednostruke korelacije umjesto krivulje korelacije, računali
pravac korelacije, tako ćemo sada u slučaju dvostruke korelacije, umjesto plohe korela-
cije računati RAVNINU KORELACIJE, slika 9.15,
y x1 ,x2 = f ( x1 , x2 ) = a0 + a1 x1 + a2 x2 , (9.39)
a koeficijente ravnine a j ćemo odrediti iz uvjeta da odstupanje ravnine od točaka y x1 ,x2
bude minimalno.
1 h i2
N ∑ ∑ ∑ x1 ,x2
χy2 ≡ y − f ( x 1 , x 2 ) t(y, x1 , x2 ) (9.40)
x1 x2 y x1 ,x2
1 h i2
N ∑ ∑ ∑ x1 ,x2 0 1 1 2 2 t(y, x1 , x2 ) = min.
= y − a − a x − a x
x1 x2 y x ,x 1 2
∂χy2 2 h i
∂a1
=
N ∑∑ ∑ y x1 ,x2 − a0 − a1 x1 − a2 x2 (− x1 ) t(y, x1 , x2 ) = 0,
x1 x2 y x1 ,x2
∂χy2 2 h i
∂a2
=
N ∑∑ ∑ y x1 ,x2 − a0 − a1 x1 − a2 x2 (− x2 ) t(y, x1 , x2 ) = 0.
x1 x2 y x1 ,x2
452 Poglavlje 9. Teorija korelacija
Nakon zbrajanja
hyi − a0 − a1 h x1 i − a2 h x2 i = 0,
hy x1 i − a0 h x1 i − a1 x12 − a2 h x1 x2 i = 0, (9.41)
hy x2 i − a0 h x2 i − a1 h x1 x2 i − a2 x22 = 0.
1
h x12i h x2 i a0 hyi
h x1 i x1 h
x1 x2 i a1 = hy x1 i,
h x2 i h x1 x2 i x22 a2 h y x2 i
Gornji izraz omogućava račun svih koeficijenata a j koji minimiziraju zbroj (9.40). Inver-
tiranjem matrice, dobivaju se koeficijenti a j
2 σ2 − σ2 σ2 2 σ2 − σ2 σ2
h x1 i σyx 1 x 2 yx 2 x x
1 2
+ h x 2 i σyx 2 x 1 yx 1 x x
1 2
a0 = h y i − 2 2 4
σx1 σx2 − σx1 x2
2 σ2 − σ2 σ2
σyx 2 σ2 − σ2 σ2
σyx
1 x2 yx2 x1 x2 2 x1 yx1 x1 x2
a1 = a2 = . (9.42)
σx21 σx22 − σx41 x2 σx21 σx22 − σx41 x2
Primjetimo simetrije:
- zamjenom x1 x2 , dolazi do zamjene a1 a2 ;
- zamjenom x1 x2 , koeficijent a0 se ne mijenja.
Ove simetrije znače da je i cijela jednadžba ravnine (9.39) invarijantna na zamjenu
x1 x2 . U gornjim su izrazima korištene (samorazumljive) oznake za varijance
2
σy2 = y 2 − hyi 2 ,
D E
σx2j = x j2 − x j ,
i kovarijance
2
y x y xj , σx21 x2 = h x1 x2 i − h x1 i h x2 i .
σyx j
= j − h i
σy r (y, x2 ) − r (y, x1 ) r ( x1 , x2 )
a2 = ,
σx2 1 − r 2 ( x1 , x2 )
σy r (y, x1 ) − r (y, x2 ) r ( x1 , x2 )
a1 = ,
σx1 1 − r 2 ( x1 , x2 )
a0 = h y i + a1 h x1 i + a2 h x2 i .
I izrazimo ukupno kvadratno odstupanje točaka y x1 ,x2 od ravnine u tim novim koordi-
natama
1 h i2
N ∑ ∑ ∑ x1 ,x2
χy2 ≡ y − f ( x 1 , x 2 ) t(y, x1 , x2 )
x1 x2 y x1 ,x2
1 h i2
N ∑ ∑ ∑
= y x ,x
1 2
− a 0 − a 1 x 1 − a 2 x 2 t(y, x1 , x2 )
x1 x2 y x1 ,x2
1 h i2
= ∑ ∑ ∑
N x1 x2 yx ,x
y x0 1 ,x2 + hyi − a0 − a1 x10 − a1 h x1 i − a2 x20 − a2 h x2 i t(y, x1 , x2 ).
1 2
hyi − a0 − a1 h x1 i − a2 h x2 i = 0,
1 h i2
χy2 =
N ∑∑ ∑ y x0 1 ,x2 − a1 x10 − a2 x20 t(y, x1 , x2 )
x1 x2 y x1 ,x2
1 h i
=
N ∑∑ ∑ y x0 12,x2 + a12 x10 2 + a22 x20 2 − 2 a1 y x0 1 ,x2 x10 − 2 a2 y x0 1 ,x2 x20 + 2 a1 a2 x10 x20 t(y, x1 , x2 ).
x1 x2 y x1 ,x2
4 σ2 − 2 x σ2 x σ2 x σ2 4 2
σy,x 1 x2 2 yx1 2 yx2 2 x1 x2 + σy,x2 σx1
χy2 = σy2 − .
σx21 σx22 − x2 σx41 x2
R(y, x1 , x2 ) = 0,
tada zbroj χy2 ne ovisi o x1 , x2 , tj. nema korelacije izmed̄u y i x1 , x2 . Naprotiv, kada je
R(y, x1 , x2 ) = ± 1,
zbroj kvadratnih odstupanja je nula i sve vrijednosti y leže točno na ravnini i korelacija
je maksimalna (postoji linearna funkcijska veza izmed̄u y i x1 , x2 ).
Rješenje:
dovršiti
primjeri:
spol: ženski (+1), muški (-1) (Isingov model ?);
boja očiju: crna (1), smed̄a (2), plava (3), zelena (4), ostalo (5) (Pottsov model ?):
filmski žanr: drama (1), akcija (2), western (3), romantična komedija (4), ...
književno razdoblje: renesansa (1), prosvjetiteljstvo (2), romantizam (3), realizam (4),
moderna (5), postmoderna (6), ... (Pottsov model ?)
• Stigla je velika pošiljka robe (brod pun kontejnera) i potrebno je procjeniti udovo-
ljava li pristigla roba odred̄enim standardima. Naravno da je neizvedivo otvarati
svaki pojedini kontejner i pregledati svaki pojedini proizvod. Umjesto toga na-
sumice se odabere nekoliko kontejnera iz kojih se izvadi nekoliko primjeraka
proizvoda i provjerava se samo njihova kakvoća i na temelju toga se zaključuje o
kakvoći cijele pošiljke.
Na temelju dva gornja primjera, vidimo da će se ovo poglavlje razlikovati od prethodnih
po tome što sada NE ĆEMO ANALIZIRATI SVE elemente osnovnog skupa, nego samo jedan
MANJI DIO elemenata. Razlog je taj što broj elemenata tog polaznog skupa može biti vrlo
velik ili nam nisu dostupni svi elementi tog skupa ili nemamo vremena proanalizirati
svojstva svakog pojedinog elementa ili nešto slično. U tom slučaju se odabiru, relativno
mali dijelovi skupa koji se nazivaju UZORCI. Teorija koja ispituje računske postupke nad
uzorcima, se zove teorija uzoraka ili teorija reprezentativne metode1 . Teoriji uzoraka je
cilj:
• PROCIJENITI SVOJSTVA OSNOVNOG SKUPA , NA TEMELJU SVOJSTVA UZORAKA ,
• PROCIJENITI KOLIKO DOBIVENI REZULTATI ODSTUPAJU OD TO ČNIH VRIJEDNOSTI
OSNOVNOG SKUPA .
Postignuće ovih ciljeva ovisi opet o tome kojim su se postupkom stvarale procjene iz
uzoraka, kao i načinu na koji je dobiven uzorak. Uobičajeno je elemente uzorka odabirati
1 engl: sampling
458 Poglavlje 10. Teorija uzoraka
metodom NASUMI ČNOG ODABIRA, što znači da svaki element osnovnog skupa ima istu
vjerojatnost da bude odabran. Uvedimo nekoliko oznaka:
Krenimo od osnovnog skupa koji ima N elemenata. Na tom skupu se proučava (samo)
jedno diskretno obilježje elementa koje će se označavati s x, a njegove su vrijednosti
x1 , x2 , · · · , x N . (10.1)
Svojstvo obilježja x koje želimo proučiti jeste njegova aritmetička sredina. Sjetimo se
(odjeljak ...) aritmetička sredina je srednja vrijednost nasumične varijable (u ovom
kontekstu ju nazivamo „obilježje”) čija je svaka vrijednost jednako vjerojatna. Ona je
jednaka
x1 + x2 + · · · + x N
hxi = x = . (10.2)
N
To je veličina koju je, u ovom slučaju, vrlo teško ili nemoguće izračunati. Da bi se
ipak došlo do procjene vrijednosti x , postupa se na slijedeći način. Iz osnovnog skupa
se izdvajaju uzorci od po N elemenata. Najveći broj uzoraka koje je uopće moguće
napraviti na opisani način2 je (to su kombinacije bez ponavljanja)
N
.
N
Svaki od gornjih xk, j je neki od elementa (10.1). Aritmetička sredina k-tog uzorka, x k , je
jednaka
uzoraka s N elemenata. Stoga i svih mogućih gornjih aritmetičkih sredina ima točno
(N
N ). Njihova aritmetička sredina (označimo ju s m) jednaka je
x1 + x2 + x3 + ··· N
m= , N 1. (10.4)
(N N
N)
Pogledajmo sada brojnik gornjeg izraza. Koliko se puta svaki element osnovnog skupa
xi , pojavljuje u brojniku? Ako fiksiramo jedan xi , onda se preostalih N − 1 elemenata
uzorka (koji se nalaze u istoj okrugloj zagradi kao i xi , u brojniku gornjeg izraza) biraju
−1
izmed̄u N − 1 preostalih elemenata osnovnog skupa, može odabrati na (N N −1 ) načina.
Ovakvo razmišljanje vrijedi za svaki xi iz osnovnog skupa i zato je brojnik jednak
N −1
( x1 + x2 + · · · + x N ) .
N−1
m = x. (10.5)
N
Nuz ,
N
(N
N) (N
N)
2
1 1 xk, 1 + xk, 2 + · · · + xk, N
σm2 =
(N
∑ (x k − x ) 2
=
(N
∑ N
−x , (10.6)
N) k =1 N) k =1
(N
N)
11 h i2
= N
(N) N2
∑ ( xk, 1 − x ) + ( xk, 2 − x ) + · · · + ( xk, N − x ) . (10.7)
k =1
( xi − x ) 2 , 2 ( xi − x )( x j − x ), i 6= j.
Izračunajmo koliko ima čistih članova: u uglatoj zagradi u (10.7), fiksiramo okruglu
zagradu s xi i pitamo se na koliko načina iz N − 1 preostalih elemenata osnovnog skupa
možemo odabrati N − 1 članova u preostalim okruglim zagradama; to je moguće na
−1
(N
N −1 ) načina.
Koliko ima mješanih ( xi − x )( x j − x ) članova? Sada fiksiramo dva različita xi i x j iz
osnovnog skupa i pitamo se na koliko načina iz preostalih N − 2 elemenata osnovnog
skupa, možemo odabrati N − 2 člana u preostalim okruglim zagradama; to je moguće
−2
na (N
N −2 ) načina. Ovim smo razmatranjem zaključili da je
(N
N) h i2
∑ ( xk, 1 − x ) + ( xk, 2 − x ) + · · · + ( xk, N − x ) =
k =1
N N −1 N
N −1 N −2
N−1 ∑ ( xi − x ) 2 + 2 N−2 ∑ ∑ ( x i − x ) ( x j − x ).
i =1 i =1 j = i +1
N − 2 N −1 N
" #
1 N −1 N
N − 1 i∑ N − 2 i∑ ∑ ( xi − x ) ( x j − x ) .
2 2
σm = ( xi − x ) + 2
N 2 (N ) N =1 =1 j = i +1
Sada dalje analiziramo mješoviti član gornjeg izraza: prema samoj definiciji (10.2),
aritmetičke sredine cijelog osnovnog skupa, je
( x1 − x ) + ( x2 − x ) + · · · + ( xN − x ) = 0.
( x1 − x ) 2 + ( x2 − x ) 2 + · · · + ( x N − x ) 2
h i
+ 2 ( x1 − x )( x2 − x ) + ( x1 − x )( x3 − x ) + · · · + ( x2 − x )( x3 − x ) + · · · = 0
10.1 Osnovni pojmovi 461
Ako mješoviti član iz gornje jednadžbe uvrstimo u izraz za σm2 , dobit ćemo
N N
1 N −1 1 N −2
σm2 =
N 2 (N N−1 ∑ ( xi − x ) 2
−
N 2 (N N−2 ∑ ( xi − x ) 2
N) i =1 N) i =1
N
1 N −2 N −N
=
N 2 (N N−2 N−1 ∑ ( xi − x ) 2
N) i =1
N
1 1 N −N
=
N N N −1 ∑ ( xi − x ) 2 .
i =1
U gornjem izrazu se lako uočava prava varijanca (kvadrat standardne devijacije) cijelog
osnovnog skupa
N
1
σ2 =
N ∑ ( xi − x ) 2 . (10.8)
i =1
Tada je, iz gornja dva izraza, varijanca raspodjele aritmetičkih sredina svih mogućih
uzoraka od N članova, jednaka
N −N 1 2
σm2 = σ .
N −1 N
Ako pretpostavimo da je broj elemenata osnovnog skupa N , vrlo velik (svakako puno
veći od N), tada je
N −N σ2
≈1 ⇒ σm2 ≈ ,
N −1 N
σ
σm ≈ √ (10.9)
N
x k − 2 σm <x < x k + 2 σm ,
σ σ
xk − 2 √ <x < xk + 2 √ . (10.10)
N N
3 Ukoliko imamo više uzoraka, tada u (10.10) umjesto x k dolazi m.
462 Poglavlje 10. Teorija uzoraka
Primjetimo razliku prema σm : gornji se izraz odnosi na jedan odred̄eni uzorak, dok se
(10.6) odnosi na sve moguće uzorke. Desnu stranu gornjeg izraza znamo izračunati, a
desnu stranu (10.6) ne znamo izračunati budući da ne znamo koliki je x . Osim toga
se uvodi jedna slična veličina sk2 koja se takod̄er odnosi na jedan odred̄eni uzorak, s
tom razlikom u odnosu na σk2 , što se sada promatra odstupanje elemenata uzorka u
odnosu na (nepoznatu) aritmetičku sredinu cijelog osnovnog skupa x (a ne u odnosu
na aritmetičku sredinu uzorka, x k , kao kod σk2 )
N
1
sk2 =
N ∑ (xk,n − x ) 2 .
n =1
N
1 h i2
sk2 =
N ∑ ( xk,n − x k ) + ( x k − x )
n =1
N N N
1 2 1
=
N ∑ (xk,n − x k ) 2 + N (x k − x ) ∑ (xk,n − x k ) + N (x k − x ) 2 ∑ 1
n =1 n =1 n =1
N
!
1 1 1
= σk2 + 2 (x k − x )
N ∑ xk,n −
N
N xk + (x − x ) 2 N
N k
n =1
(N
N)
1
σm2 =
(N
∑ (x k − x ) 2 ≈ (x k − x ) 2 za bilo koji indeks k.
N ) k =1
Ova posljednja približna jednakost samo znači da su aritmetičke sredine svih uzoraka
približno jednako različite od prave aritmetičke sredine cijelog uzorka. Stoga se može
reći da je ( x k − x ) 2 u prosjeku jednako σm2 , pa zato relacija (10.12) postaje
σ2
sk2 = σk2 + σm2 = (10.9) = σk2 + . (10.13)
N
Prema polaznoj zamisli, sk je definiran preko x , aritmetičke sredine cijelog skupa, pa bi
zato trebao biti nešto poput imitacije prave σ (one koja se odnosi na cijeli veliki skup).
Zato se izjednačava
σ ←→ sk . (10.14)
10.1 Osnovni pojmovi 463
sk2 N 1 N
sk2 = σk2 +
N
⇒ sk2 = σ2 =
N−1 k N−1 ∑ (xk,n − x k ) 2 .
n =1
N 2
r
sk = xk − x k2 (10.15)
N−1
x 0 1 2 3 4 5 6 7 8 9 10 11 12
tx 0 7 60 198 430 731 948 847 536 257 71 11 0.
Tako npr. iz gornje tablice očitavamo da se A ostvario 6 puta u 948 od 4 096 bacanja.
Zadatak je pomoću ovih podataka naći ocjenu za x .
Povežimo zadane veličine s oznakama uvedenim u prethodnom izlaganju: broj eleme-
nata osnovnog skupa je beskonačan, pa je N = ∞; veličina uzorka je N = 4 096; varijabla
x je diskretna i ima vrijednosti 0 ≤ x ≤ 12. Zbog relativno jednostavne formulacije
problema, x možemo izračunati egzaktno (bez potrebe posezanja za uzorcima). Kolika
je vjerojatnost da se na jednoj kocki ostvari dogad̄aj A?
1 1 1 1 1
pA = + + = ⇒ qA = 1 − pA = .
6 6 6 2 2
√
Iz binomne raspodjele, (4.27), znamo da je standardna devijacija σ = 12 p A q A = 3 =
p
12 1 12
x 12− x
P( x ) = pA qA = 12 .
x 2 x
464 Poglavlje 10. Teorija uzoraka
12 12 12
1 12
x= ∑ x P( x ) = ∑ x P( x ) = 12
2 ∑ x
x
x =0 x =1 x =1
12 12
1 12 ! 1 12 · 11 !
=
2 12 ∑ x
x ! (12 − x ) !
= 12
2 ∑ ( x − 1) ! (11 − ( x − 1)) !
x =1 x =1
11
12 11 ! 12
=
2 12 ∑ n ! (11 − n) !
= 12 2 11 = 6.
2
n =0
1 0 · 0 + 1 · 7 + 2 · 60 + . . . + 11 · 11 + 12 · 0
xk =
N ∑ x tx = 4 096
= 6.138916015625000.
x
Slično računamo i
1 0 2 · 0 + 1 2 · 7 + 2 2 · 60 + . . . + 11 2 · 11 + 12 2 · 0
xk2 =
N ∑ x 2 tx =
4 096
= 40.61694335937500,
x
iz čega slijedi
Vidimo da nam rezultat za interval dobiven pomoću uzorka leži izvan egzaktnog
rezultata, x = 6. To je, naravno, posljedica neidealnosti kocaka kojima je izveden pokus.
Uzorak nije uzet iz skupa idealnih kocaka (koji i ne postoji) i zato ne može reproducirati
rezultat koji vrijedi za idealne kocke, ali mu je blizak.
0.15, 0.18, 0.14, 0.23, 0.17, 0.11, 0.16, 0.25, 0.10, 0.15, 0.17, 0.16, 0.11, 0.13, 0.16, 0.15
0.21, 0.14, 0.22, 0.15, 0.15, 0.21, 0.12, 0.13, 0.17, 0.20, 0.18, 0.12, 0.16, 0.19, 0.19, 0.18.
Rješenje:
10.2 Testovi 465
interval težina
0.10 − 0.11 3
0.12 − 0.13 4
0.14 − 0.15 7
0.16 − 0.17 7
0.18 − 0.19 5
0.20 − 0.21 3
0.22 − 0.23 2
0.24 − 0.25 1
Prema (10.3) je
Slično računamo i
1 0.105 2 · 3 + 0.125 2 · 4 + · · · + 0.245 2 · 1
xk2 =
N ∑ x 2 tx = 32
= 0.0278688,
x
iz čega slijedi
j = 0 1 2 3 4 5 6 7 8 9 10
t j = 0 2 4 10 22 26 18 12 4 2 0.
Rješenje:
dovršiti
10.2 Testovi
Kao što je spomenuto u prethodnom odjeljku, ako se za svaki od (N N ) mogućih uzo-
raka izračuna njegova aritmetička sredina, moguće je da će neke od tih sredina biti
med̄usobno jednake. Poredamo li aritmetičke sredine uzoraka po veličini i svakoj od
njih pridružimo kao težinu, broj koliko se puta pojavila u svim uzorcima, dobit ćemo
RASPODJELU ARITMETI ČKIH SREDINA UZORAKA . Pri tome ćemo opaziti da najveću
466 Poglavlje 10. Teorija uzoraka
težinu imaju oni uzorci čija je artimetička sredina najbliže procjenjenoj aritmetičkoj
sredini cijelog osnovnog skupa. Što je veće odstupanje (bilo ono pozitivno ili negativno)
od aritmetičke sredine cijelog osnovnog skupa, težine su manje. Iz centralnog graničnog
teorema (odjeljak 7.3) slijedi da ova raspodjela aritmetičkih sredina uzoraka, u granici
kada broj uzoraka4 Nuz raste, teži prema G AUSSOVOJ (normalnoj) raspodjeli5 , (4.79),
dP( x ) 1 ( x − h x i) 2
ρG ( x ) = = √ exp − .
dx σ 2π 2 σ2
x 1 + x 2 + · · · + x Nuz
x uz =
Nuz
10.2.1 χ 2 test
U postupku obrade eksperimentalnih ili kakvih sličnih empirijskih podataka, često se
postavlja pitanje
dP Γ x n −1 e − x
ρ Γ (n, x ) = = ,
dx Γ(n)
E MPIRIJSKI :
4a isto tako i broj N elemenata svakog pojedinog uzorka
5 Odjeljak 4.2.2
10.2 Testovi 467
M
emp
∑ tm = N. (10.17)
m =1
tmteor
= ρ( xm ) dxm dxm je širina m-tog razreda.
N
Za diskretne raspodjele opisane vjerojatnošću P( x ), težine tmteor se računaju kao
tmteor
= P( xm ) .
N
I za teorijske, kao i za empirijske težine, mora vrijediti da je zbroj svih težina jednak
ukupnom broju svih elemenata uzorka, N,
M
∑ tmteor = N.
m =1
Prilagodba se ne mora nužo izvoditi samo u odnosu na neke već poznate raspodjele,
nego i u odnosu na bilo koju funkciju, f ,
f = f ( x, a0 , a1 , · · · , a L - 1 ),
tmteor
pm = ,
N
a vjerojatnost da se ne nalazi u m-tomu razredu je
tmteor
qm = 1 − pm = 1 − .
N
Sada se postavlja slijedeće pitanje:
468 Poglavlje 10. Teorija uzoraka
2
emp
M tm − tmteor
χ2 = ∑ σ 2 (m)
, (10.18)
m =1
Veličinu označenu zbrojem (10.18) smo već upoznali kod GAMA raspodjele na strani 328.
emp
Teorem 4.2.1 tvrdi da, iako su razlike tmteor − tm raspored̄ene po Gaußovoj raspodjeli,
ZBROJ NJIHOVIH KVADRATA , χ 2 , JE NASUMI ČNA VARIJABLA RASPOREÐENA PO GAMA
emp
RASPODJELI . S obzirom na uvijet (10.17), samo je M − 1 težina tm nezavisno. Ukoliko
funkcija (raspodjela) kojoj se prilagod̄avaju empirijski podaci ovisi o L parametara,
može se pokazati (K. Pearson) da broj stupnjeva slobode k pridružene gama raspodjele
ovisi o broju razreda M i vrsti raspodjele kojoj se prilagod̄avaju empirijski podaci na
način da je
k = ( M − 1) − L. (10.20)
Tako je npr.
6 Fisher, Contributions to Mathematical Statistics, New York, 1950.
10.2 Testovi 469
To je uvjet da χ 2 bude velik. Ali velik u odnosu na što? Moramo odrediti referentni χα2
s kojim ćemo uspored̄ivati χ 2 iz (10.19). Uobičajeno je referentnu vrijednost χα2 odabrati
tako da vjerojatnost α = P(χ 2 ≥ χα2 ) bude 5 % ili manja (slika 10.1). Dakle, za fiksnu
vrijednost α i definirani broj stupnjeva slobode k, iz tablica 10.1 i 10.2 (na kraju ovog
odjeljka) se očita referentna vrijednost χα2 . Ako je χ 2 < χα2 , tj. ako leži unutar intervala
(0, χα2 ) postavljena hipoteza se prihvaća, teorijska raspodjela dobro opisuje empirijsku.
Ako je χ 2 > χα2 , tj. ako leži u intervalu (χα2 , +∞), postavljena hipoteza se odbacuje.
Hipoteza će biti pogrešno odbačena u 5% slučajeva.
Evo i nekoliko manje ili više jednostavnih primjera.
470 Poglavlje 10. Teorija uzoraka
4 −4 4
teor. x 4− x
t x = N · P( x ) = 160 · p q = 160 · 2 = (10, 40, 60, 40, 10)
x x
4 emp
(tm − tmteor ) 2
2
χ ≈ ∑ tmteor
= 12.725
x =0
Da bismo, prema (10.19) izračunali χ 2 potrebne su nam teorijske težine, koje su kons-
tantne i sve su jednake 10
6 emp
(tm − tmteor ) 2
t xteor. = 10 ⇒ χ2 ≈ ∑ tmteor
= 5.6 .
x =1
Primjer 10.6 π
Jesu li znamenke broja pi nasumične? .... dovršiti
1 1
2
ρ G (Cm ) = √ exp − [(Cm − hCm i)/σ] , d Cm = 0.05,
σ 2π 2
1 1
2
tG,m = N d Cm √ exp − [(Cm − hCm i)/σ] .
σ 2π 2
19.60 3 0.82534
19.65 5 3.02878 12.8535
19.70 5 8.99938
19.75 20 21.6504 21.6504
19.80 35 42.1723 42.1723
19.85 74 66.5115 66.5115
19.90 92 84.9328 84.9328
19.95 83 87.8138 87.8138
20.00 70 73.5121 73.5121
20.05 54 49.8268 49.8268
20.10 27 27.3449 27.3449
20.15 12 12.1506 12.1506
20.20 2 4.37147 5.64488
20.25 3 1.27341
Na slici 10.4 se vidi usporedba empirijskih podataka (plavi kružići) s teorijskim vrijed-
nostima Gaußove raspodjele (crvena crta). Time smo dobili
Slika 10.4 M = 11
k = M − 3 = 8,
Ne moraju svi ulazni podaci ( xn , yn ) biti izmjereni s jednakom točnošću. tj. moguće
je da različiti parovi vrijednosti ( xn , yn ) imaju različitu točnost7 opisanu standardnom
devijacijom σn . Naravno da točnijim parovima ( xn , yn ) (onima s manjom vrijednošću σn )
želimo pridati veću važnost (težinu) nego onim parovima s malom točnošću (velikim
7 engl. error bar
474 Poglavlje 10. Teorija uzoraka
N 2
yn − f ( xn ,~a)
2
χ ≡ ∑ σn
= min. (10.21)
n =1
gdje je f ( xn ,~a) funkcija zadana parametrima ~a. Na taj način je povećan doprinos zbroju
od elemenata s malim σn . Uobičajeno je gornji zbroj zvati8 χ 2 . Uz optimalan odabir
parametara ~a, vrijednosti funkcije f ( xn ,~a) će biti približno jednake yn ± σn , tako da će
χ 2 biti približno jednako N.
Ako se za funkciju f iz gornjeg izraza odabere polinom stupnja M, istim postupkom
koji je doveo do relacija (8.31) i (8.45) dobiva se i
H ~a = ~v,
Rješenja, tj. elementi vektora ~a se opet dobivaju kao (8.33) ili (8.46) i slično za polinome
višeg stupnja
~a = H−1 ~v.
χ2
x≡ .
2
Relacijom (4.97) je pokazano da je
h x i = n,
kao što je već pogod̄eno ranije u tekstu. Slično se, pomoću (4.98), računa i varijanca
* 2 +
χ2 N N
2
x = n ( n + 1) =⇒ = +1 ,
2 2 2
D 2E
=⇒ χ2 = N ( N + 2),
D 2E
2 2
=⇒ σχ22 = χ 2 − χ = 2N. (10.23)
Gustoća vjerojatnosti je
dP( N/2, χ 2 ) 1 1 2
2 2 N/2−1
ρ( N/2, χ ) ≡ exp − χ .
= N/2 χ
dχ 2 2 Γ( N/2) 2
N N/2 Nt
N/2−1
ρ(t) = N/2 t exp − ,
2 Γ( N/2) 2
ρ(t) =
0, t≤0.
y n = a0 + a1 x n .
Očito se minimum gornjeg izraza neće promjeniti, jer je C0 − a0 ≡ − A0 , neka nova kons-
tanata koju odred̄ujemo iz uvjeta minimuma po A0 (kao što smo to radili minimizirajući
ranije po a0 )
N 2
y n − A0 − a1 x n
2
χ = ∑ σn
.
n =1
opet se uvjet minimima neće promjeniti, zato jer je C1 − a1 ≡ − A1 , neka nova konstanata
koju odred̄ujemo iz uvjeta minimuma po A1 (kao što smo to radili minimizirajući ranije
po a1 )
N 2
y n − a0 − A1 x n
2
χ = ∑ σn
.
n =1
δ yn = C0 , δ yn = Cn xn ,
N − 2 = ( N − M ) M =2 .
k=N−M
stupnjeva slobode
1 1 2
2
k
2 2 −1
ρ(k, χ ) = k/2 χ exp − χ .
2 Γ(k/2) 2
10.2 Testovi 477
Gornji se izraz može izraziti preko gama funkcije Γ(n), (4.91), i nepotpune gama funkcije,
Γ( x, n), (4.95),
Z +∞ Z x
k 1 k
Γ(k/2) = t 2 −1 e −t
dt , Γ(k/2, x ) = t 2 −1 e−t dt ,
0 Γ(k/2) 0
tako da je
α = 1 − Γ(k/2, χ 2 /2).
χ 2 − σχ 2 < χ 2 < χ 2 + σχ 2 .
Ako je
√
χ 2 < χ 2 − σχ 2 = k − 2k,
α će biti blizu jedinice i funkcija f je jako dobra prilagodba mjerenim podacima. Ako je
√
χ 2 χ 2 + σχ 2 = k + 2k,
α će biti blizu nule i mala je vjerojatnost da su mjerene točke opisane funkcijom f .
Rješenje:
dovršiti
Rješenje:
dovršiti
478 Poglavlje 10. Teorija uzoraka
xn − x
√ ,
σ/ N
gdje se sn iz (10.15) u cjelosti računa pomoću veličina iz uzorka, tada će varijabla t biti
raspodjeljena po t-raspodjeli (4.104). Dokažimo slijedeći
Teorem 10.2.1 Ako je varijabla z opisana Gaußovom raspodjelom (hzi = 0, σz2 = 1), a
varijabla v gama raspodjelom sa stupnjem slobode k, tada je varijabla
z
t= √ (10.25)
v/k
raspodjeljena po Studentovoj t-raspodjeli sa stupnjem slobode k.
1 1 2 1 k −2 1
ρ G (z) = √ e− 2 z , ρ Γ (k/2, v) = k
v 2 e− 2 v ,
2π 2 Γ 2k
2
pa je prema tome
1 k −2 1 2
ρ(z, v) ≡ ρ G (z)ρ Γ (k/2, v) = √ k
v 2 e− 2 ( v + z ) .
k
2π 2 Γ 2
2
1
c= √ k
,
k
2π2 2 Γ 2
10.2 Testovi 479
dz c h v
i
ρ(t, v) = ρ(z, v) ⇒ ρ(t, v) = √ v (k−1)/2 exp − (k + t 2 ) .
dt k 2k
Samu raspodjelu po t dobijemo tako što ćemo ρ(t, v) prointegrirati po svim dozvoljenim
vrijednostima v
Z ∞ Z ∞
c h v i
ρt (t) = ρ(t, v) dv = √ v (k−1)/2 exp − (k + t 2 ) dv .
0 k 0 2k
Pomoću funkcije ρ(t) računa se vjerojatnost P da t bude veći od neke zadane vrijednosti
Z ∞
P= ρ(t) dt .
t
N 8
1 1
σk2 =
N ∑ ( xk,n − x k ) 2 =
8 ∑ (xk,n − 59.2 RC ) 2 = 0.25 RC2 ,
n =1 n =1
N
1 N
sk2 =
N−1 ∑ (xk,n − x k ) 2 = N − 1 σk2 = 0.28571 RC2 .
n =1
480 Poglavlje 10. Teorija uzoraka
97 99 98 96 98 101 98 95 97 99
98 96 97 98 98 100 99 97 101 98
1
x= (97 + 99 + 98 + · · · + 98) = 98,
20
N
1 1
sk2 = ∑
N − 1 n =1
( xk,n − x k ) 2 =
19
[(−1) 2 + 1 2 + 0 2 + · · · ] = 2.421.
1. G. B. A RFKEN I H. J. W EBER.
Mathematical Methods for Physicists. Academic Press, San Diego, 1995
2. V ERA Č ULJAK.
Vjerojatnost i statistika. 2011. URL: www.grad.hr/vera/webnastava/vjerojatnostistatistika/
vis-pdf.pdf
3. N EVEN E LEZOVI Ć.
Vjerojatnost i statistika 3 - matematička statistika i stohastički procesi. Element, Zagreb,
2007
4. B ORIVOJ M ATI Ć.
Praktikum iz statistike. Ekonomski fakultet, Osijek, 1974
5. Ivo PAVLI Ć.
Statistička teorija i primjena. Panorama, Zagreb, 1965
6. M IROSLAV P OŽEK.
Osnove teorije vjerojatnosti i matematičke statistike. 2003. URL: https://www.scribd.
com / document / 56377048 / Osnove - teorije - vjerojatnosti - i - matematicke -
statistike
7. K EN R ILEY , M ICHAEL H OBSON I S TEPHEN B ENCE.
Mathematical Methods for Physics and Engineering. Cambridge Univ. Press, 2006
8. M URRAY R ALPH S PIEGEL I L ARRY J. S TEPHENS.
Theory and problems of Statistics. Schaum’s outline series. McGraw-Hill, 1999
9. V LADIMIR V RANI Ć.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971
10. P ETER Y OUNG. „
Everything you wanted to know about Data Analysis and Fitting but were afraid
to ask”. (2012). URL: https://arxiv.org/abs/1210.3781
11. Procjene
hΘi = θ. (11.1)
σΘ2 = Θ 2 − hΘi 2 .
Izračunajmo očekivanje gornje jednadžbe, tako što ćemo koristiti svojstvo linearnosti
operatora očekivanja (ref)
N
D E 1
σ2 ∑ ( xn − µ) 2 − ( x − µ) 2 .
=
N n =1
N
D E 1 N−1 2
σ2 =
N ∑ σ 2 − σ 2 /N =
N
σ 6= σ 2 .
n =1
Dakle, zaključujemo da σ2 NIJE nepristrana procjena za varijancu. No, gornji račun ipak
nije posve uzaludan. Uvedemo novu nasumičnu varijablu Θ relacijom
N
Θ2 ≡ σ2 .
N−1
Opet, zbog linearnosti operatora očekivanja (ref), vrijedi
N N D 2E N N−1 2
2
Θ = σ 2 = σ = σ = σ 2.
N−1 N−1 N−1 N
Dakle Θ 2 JESTE nepristrana procjena varijance cijelog skupa (a ne samo uzorka!). Napi-
šimo još i Θ 2 pomoću xn -ova iz uzorka
N
1
Θ2 =
N−1 ∑ ( xn − x ) 2 .
n =1
(Θ − θ ) 2 = min.
Θ = c1 x1 + c2 x2 + · · · + cN xN , (11.2)
h x1 i = h x2 i = · · · = h xN i = µ,
V ( x1 ) = V ( x2 ) = · · · = V ( xN ) = σ 2 .
h Θ i = h c1 x1 + c2 x2 + · · · + cN xN i = c1 h x1 i + c2 h x2 i + · · · + cN h xN i
= c1 µ + c2 µ + · · · + cN µ = (c1 + c2 + · · · + cN ) µ.
No, prema definiciji (ref) nepristrane procjene, gornji izraz treba biti jednak µ, a to je
moguće samo ako je
c1 + c2 + · · · + cN = 1.
Gornji će uvjet očito biti zadovoljen ako umjesto koeficijenata cn iz (11.2), koristimo
normirane koeficijente
cn
cn → N
,
∑ j =1 cj
čime Θ postaje
c1 x1 + c2 x2 + · · · + cN xN
Θ= . (11.3)
∑nN=1 cn
∂V (Θ)
= 0, n = 1, 2, · · · , N.
∂cn
Da bismo mogli provesti gornju derivaciju, moramo znati kako V ovisi o cn -ovima. Po
uzoru na (...), sada računamo
c1 c2 cN
V (Θ) = V x1 + N x2 + · · · + N xN
∑nN=1 cn ∑ n =1 c n ∑ n =1 c N
* 2+
c1 c2 cN
= ( x1 − µ ) + N ( x2 − µ ) + · · · N ( xN − µ )
∑nN=1 cn ∑ n =1 c n ∑ n =1 c N
D c12 2 c22 2 cN2
= ( x 1 − µ ) + ( x 2 − µ ) + · · · ( xN − µ ) 2
(∑nN=1 cn ) 2 (∑nN=1 cn ) 2 (∑nN=1 cn ) 2
c1 c2 2
E
+2 N ( x 1 − µ )( x 2 − µ ) + · · ·
∑ n =1 c n ∑ N
j =1 c j
= (lin < ... >)
c12 2 c22 2 cN2
x x ( xN − µ ) 2
= N
( 1 − µ ) + N
( 2 − µ ) + · · · + N
( ∑ n =1 c n ) 2 ( ∑ n =1 c n ) 2 ( ∑ n =1 c n ) 2
c1 c2
+2 N N
h( x1 − µ)( x2 − µ)i + · · ·
∑ n =1 c n ∑ n =1 c n
Budući da su xn med̄usobno neovisne varijable, to je prema (), očekivanje mješovitih
članova jednako nuli E[( xn − µ)( xm − µ)] = 0, pa preostaje
Sada, kada vidimo eksplicitnu ovisnost varijance o cn -ovima, možemo provesti deriva-
ciju i izjednačiti ju s nulom
∑nN=1 cn2
cm = .
∑nN=1 cn
11.1 Nepristrane procjene 489
Primjećujemo da desna strana gornjeg izraza ne ovisi o indeksu m, što znači da su svi
cm -ovi med̄usobno jednaki i označit ćemo ih s C
∑nN=1 cn2
C≡ = c1 = c2 = · · · = cN .
∑nN=1 cn
c1 x1 + c2 x2 + · · · + cN xN C ( x1 + x2 + · · · + xN ) x1 + x2 + · · · + xN
Θ= N
= = = x.
∑ n =1 c n NC N
Postavljeni problem ćemo riješiti primjenom zakona velikih brojeva (odjeljak ....). Iz
niza vrijednosti qn generiranog računalom, izračunajmo aritmetičku sredinu
N
1
ΘN ≡
N ∑ qn , N > 1.
n =1
Ova veličina je, kao linearna kombinacija nasumičnih varijabla, i sama nasumična
varijabla. Veličinu ΘN nazivamo procjeniteljem ili, točnije, nepristranim procjeniteljem zato
jer je njezina srednja vrijednost (izračunata pomoću P, a ne računalnom simulacijom)
jednaka
1 N 1 N
* +
1
h ΘN i = ∑
N n =1
qn = ∑
N n =1
hqn i = N hqi = θ.
N
To što znamo da u granici N → ∞ aritmetička sredina hΘN i teži prema pravoj srednjoj
vrijednosti θ, još uvijek ne govori ništa o tome koliko velik treba biti N u konkretnoj
simulaciji, pa da imamo željenu točnost za ocjenu vrijednosti θ. Za odgovor na to pitanje,
moramo se pozvati na središnji granični teorem iz odjeljka 7. Iz tog odjeljka znamo da
je zbroj od N nasumičnih varijabla jedna nova nasumična varijabla raspodjeljena po
Gaußovoj raspodjeli s gustoćom vjerojatnosti
" #
1 ( ΘN − θ ) 2
ρ ( ΘN ) = √ exp − ,
σΘ 2π 2 σΘ2
490 Poglavlje 11. Procjene
bez obzira po kojoj su raspodjeli raspored̄ene same nasumične varijable iz zbroja. Ova
je tvrdnja utoliko točnija što je N veći. Standardna devijacija varijable ΘN je označena sa
σΘ . Prema (7.8) je
1 1 2
σΘ2 = 2 σ12 + σ22 + · · · + σN2 = σ ,
N N
pri čemu je
σ1 = σ2 = · · · = σN = σ
standardna devijacija nasumične varijable q. Time raspodjela vjerojatnosti za ΘN prelazi
u
√
N N ( ΘN − θ ) 2
ρ ( ΘN ) = √ exp − .
σ 2π 2σ2
Sada se možemo zapitati (kao kod relacije (4.75)) kolika mora biti vrijednost parametra
Gaußove raspodjele, pa da s 90 % vjerojatnosti možemo reći da je |ΘN − θ | ≤ H
√ !
NH
P(|ΘN − θ | ≤ H ) = 2Φ = 0.9 .
σ
Gornja vjerojatnost (u ovom primjeru je to 90 %) se naziva POUZDANOST, a H se naziva
INTERVAL POUZDANOSTI. Iz tablica sa strane 302 i 303 iz V RANI Ć, Vjerojatnost i statistika
očitavamo
√
NH
Φ(t1 = 1.64) = 0.449 50, Φ(t2 = 1.65) = 0.450 53, ⇒ t= ≈ 1.645.
σ
Ako želimo veću pouzdanost, npr. 95 %, tada istim postupkom dolazimo do
√
NH
Φ(t = 1.96) = 0.475, ⇒ t= ≈ 1.96.
σ
Očito, da bismo odredili interval pouzdanosti H, potrebno je, na temelju nezavisnih
simulacija, procjeniti vrijednost σ.
Tada je
2
σN = σ 2 .
σ2
ΘN2 = σΘ2 + hΘN i 2 = + θ 2.
N
Uvrštavanjem ovog rezultata u prethodni izraz za σN2 , dolazi se do
N − 1
2 σ2 N−1 2
σN = σ 2 + θ 2 − + θ2 σ .
=
N N N
Q.E.D.
Prema tome, srednja vrijednost veličine σN2 je točno jednaka σ 2 , što nam onda omogu-
ćava da (neusrednjenu) σN koristimo kao procjena vrijednosti standardne devijacije σ u
izrazu za interval pouzdanosti ΘN = θ ± H
tσN tσN
θ− √ , θ+ √ .
N N
A LGORITAM 1
... dovršiti ...
A LGORITAM 2
... dovršiti ...
Zadaci
... dovršiti ...
492 Poglavlje 11. Procjene
1. D AVID F. A NDERSON.
Lecture notes on stochastic processes with application in biology. 2017
2. P. H SU H WEI.
Theory and problems of probability, random variables and random processes. McGraw -
Hill, 1997
3. Ivo PAVLI Ć.
Statistička teorija i primjena. Panorama, Zagreb, 1965
4. K EN R ILEY , M ICHAEL H OBSON I S TEPHEN B ENCE.
Mathematical Methods for Physics and Engineering. Cambridge Univ. Press, 2006
5. V LADIMIR V RANI Ć.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971
12. Statistički testovi
12.1 Pogreške
Problem koji se riješava u ovom odjeljku je slijedeći: zadana je kontinuirana nasumična
varijabla x čija je vjerojatnost opisana funkcijom gustoće vjerojatnosti ρ( x, θ ), gdje je θ
parametar koji definira raspodjelu. Oblik funkcije ρ je poznat, ali je nepoznata vrijednost
parametra θ. Za tu nepoznatu vrijednost θ se pretpostavljaju dvije vrijednosti ili, kako
se to još kaže, postavljaju se dvije hipoteze
H1 : θ = θ1 ,
H2 : θ = θ2 .
Pri čemu je SIGURNO jedna od njih točna, a ona druga netočna. U nastavku ćemo
pokazati kako se, na temelju analize UZORAKA, odlučiti za jednu ili drugu hipotezu i
kako izračunati vjerojatnost da je odabrana pogrešna hipoteza.
x1 , x2 , · · · , xN .
T ∈ A,
tada se hipoteza A prihvaća kao istinita. Naprotiv, ako se točka T nalazi u B dijelu
prostora, hipoteza H1 se odbacuje, a kao istinita se prihvaća H2 . Shodno tome, dio
prostora označen s A se naziva PODRU ČJE PRIHVA ĆANJA hipoteze H1 , a B dio prostora
se naziva kritična domena ili PODRU ČJE SIGNIFIKANTNOSTI.
Često je moguće, sa analize N varijabli xn , prijeći na jednu novu, pogodno definiranu
494 Poglavlje 12. Statistički testovi
Slika 12.1: Na slici je cijeli N-dimenzijski prostor uzoraka prikazan kao dvodimenzijski
lik, podijeljen na dva disjunktna dijela A i B.
A
područje prihvaćanja H1
B
područje odbacivanja H1
α = ρ{ T ∈ B / H1 }. (12.1)
β = ρ{ T ∈ A / H2 }. (12.2)
p = ρ{ T ∈ B / H2 }. (12.3)
Ova se vjerojatnost naziva i JAKOST ili moć testa. U skladu s definicijom vjerojatnosti β,
zaključujemo da mora biti
p + β = 1,
tj. uz istinitu (ili točnu) hipotezu H2 , točka T uzorka će sa sigurnošću pasti ili u dio
prostora A ili u dio prostora B. Iz p = 1 − β, se izvodi zaključak da je jakost testa utoliko
veća , što je vjerojatnost pogreške druge vrste manja.
Primjer 12.1 D VIJE NEJEDNAKE KOVANICE
Imamo dvije nejednake kovanice, koje ćemo označiti K1 i K2 . Kovanica K1 je potpuno
simetrična i vjerojatnost pojave grba ili pisma su jednake p = 1/2. Kovanica K2 je
nesimetrična i vjerojatnosti pojave grba na njoj je jednaka p = 2/3. Uzimamo jednu
od tih kovanica (ali ne znamo koju) i bacamo ju u zrak tri puta i bilježimo broj koliko
se puta okrenuo grb. Taj broj je nasumična varijabla koju označimo s n. Pomoću n
trebamo odlučiti koju smo kovanicu bacali. Koristeći terminologiju iz ovog odjeljka, naš
je zadatak da pomoći nasumične varijable n testiramo hipotezu H1 : p = 1/2 u odnosu
na hipotezu H2 : p = 2/3.
U slučaju tri bacanja, varijabla n može poprimiti četiri vrijednosti n = 0, 1, 2 i 3, a budući
da bacanje kovanice ima samo dva moguća ishoda, gustoća vjerojatnosti n je dana
binomnom raspodjelom
3
ρ(n) = p n q 3− n .
n
n 0 1 2 3
1 3 3 1
H1 ρ(n) 8 8 8 8
1 6 12 8
H2 ρ(n) 27 27 27 27
Prvi nam rezultat kaže da bismo u 12.5 % slučajeva tvrdili da je bacana kovanica K2 ,
kada je zapravo bacana K1 . Drugi nam rezultat kaže da bismo u 96 % slučajeva tvrdili
da je bacana kovanica K1 , dok je zapravo bacana K2 .
Budući da smo područje B (pa time i A) odabrali potpuno proizvoljno, ne možemo
biti sigurni je li ovo i NAJBOLJI test. Pokažimo da postoji i bolji test, tako što ćemo
odabrati drukčije područje B 0 (područje odbacivanja hipoteze H1 ). Neka je sada B 0 =
{n = 3}, A 0 = {n = 0, 1, 2}. Uz ovaj izbor područja A 0 i B 0 slijede vrijednosti za pogreške
prve i druge vrste
1
α 0 = P{n ∈ B 0 / H1 } = ρ{n = 3 / H1 } = = 0.125,
8
1 6 12 19
β0 = P{n ∈ A 0 / H2 } = ρ{n = 0, 1, 2 / H2 } = + + = = 0.70.
27 27 27 27
Vidimo da su pogreške prve vrste iste u oba slučaja, α = α 0 , ali da je sada pogreška druge
vrste manja, β 0 < β, što ovaj drugi test čini boljim od prvoga: vjerojatnost pogreške je
manja ako ustvrdimo da je bacana kovanica K2 , ako je n = 3, nego ako to isto ustvrdimo
za n = 0.
ρ(t, c) = c e−c t , 0 ≤ t ≤ ∞,
gdje je c nepoznata konstanta čija vrijednost ovisi o uvjetima pod kojima se obavlja
mjerenje. Zadatak je odrediti vrijednost te konstante c, na temelju samo jednog mjerenja
vremenskog intervala izmed̄u dva aktiviranja brojača. Za prvu hipotezu uzimamo
vrijednost H1 = {c = 2}, a za drugu, vrijednost H2 = {c = 1}. Treba izračunati vjero-
jatnosti pogrešaka prve i druge vrste, ako za područje A (prihvaćanje prve hipoteze),
odaberemo vremenski interval t = [0, 1] (primjetimo da je i ovdje prostor uzoraka jed-
nodimenzijski, ali za razliku od prethodnog primjera, nije diskretan, već kontinuiran).
Uz ovakav odabir područja A, područje B je t = (1, ∞). Ako je istinita prva hipoteza,
gustoća vjerojatnosti je
ρ1 (t, 2) = 2 e−2 t ,
ρ2 (t, 1) = e−t .
H0 : h x i = µ0 .
Ovu ćemo hipotezu usporediti s dvije druge hipoteze kojima se pretpostavljaju manja
H1 : h x i = µ1 < µ0
i veća
H2 : h x i = µ1 > µ0
x1 , x2 , · · · , xN .
P(u < uα ) = α,
gdje P(u < uα ) označava integral jedinične Gaußove raspodjele od −∞ do uα (lijevi rep
sa slike 12.2). Uzme li se da je vjerojatnost pogreške prve vrste 5%, tj. da je α = 0.05,
tada je prema PAVLI Ć, Statistička teorija i primjena (tablica na str. 382), uα ' −1.64. To
znači da je kritična domena za hipotezu H0 odred̄ena sa u < uα , tj.
√
N
( x − µ0 ) < −1.64.
σ
498 Poglavlje 12. Statistički testovi
√
N
( x − µ0 ) ≥ −1.64,
σ
hipoteza H1 se prihvaća kao istinita. Ako je
√
N
( x − µ0 ) < −1.64,
σ
H0 se odbacuje, a prihvaća se H1 . S obzirom na početni odabir α = 0.05, hipoteza H0 će
biti pogrešno odbačena u oko 5% slučajeva.
Primjer 12.3 Z ADANI UZORAK
Neka uzorak sadrži N = 16 elemenata i neka je varijanca jednaka σ02 = 4. Aritmetička
sredina izračunata iz uzorka neka je jednaka x = 19.5. Treba testirati hipotezu H0 :
h x i = µ0 ≡ 20 u odnosu na hipotezu H1 : h x i = µ1 < 20.
Iz zadanih podataka računamo
σ0 1
σx = = ,
N
√ 2
N
u= ( x − µ0 ) = −1.
σ0
Pretpostavimo li ponovo da je α = 0.05, kako bismo mogli koristiti rezultate gornje
analize, vidimo da gornja vrijednost za u = −1 > −1.64 nije signifikantna i zato prihva-
ćamo hipotezu H0 , a odstupanje x od µ0 = 20 smatramo nasumičnim. U dosadašnjoj
analizi od hipoteze H1 smo koristili samo zahtjev µ1 < µ0 . Pokažimo sada vezu izmed̄u
µ1 i pogrešaka druge vrste tj. jakosti testa. Prema definiciji jakosti (12.3)
(√ )
N
p 0 = ρ{ T ∈ B / H1 } = ρ ( x − µ0 ) < uα / H1
σ
(√ )
N
=ρ ( x − µ1 ) < uα + λ / H1 ,
σ
12.4 Usporedba varijance uzorka i hipotetične varijance osnovnog skupa 499
H0 : h x i = µ0 , H2 : h x i = µ1 > µ0 .
(to je desni rep Gaußove raspodjele). Zbog simetrije Gaußove raspodjele, vrijedi
u 1− α = − u α .
dovršiti
x1 , x2 , · · · , xN ,
koja je takod̄er jedna nasumična varijabla. Ovom varijancom uzorka, želimo testirati
hipotezu
H0 : σ 2 ( x ) = σ02 ,
500 Poglavlje 12. Statistički testovi
ρ(t) = ρ(−t).
∞
Z
x µ−1 dx
µ/ν
1 p Γ(µ/ν) Γ(n + 1 − µ/ν)
1
= , 0 < µ/ν < n + 1
( p + qx )
ν n + ν p n +1 q Γ ( n + 1)
0
12.5 Studentova t-raspodjela i t-test 501
Budući da je ρ(t) parna funkcija od t, to je t ρ(t), neparna funkcija i zato je prvi moment
jednak nuli
Z +∞
hti = t ρ(t) dt = 0.
−∞
pa je prema tome
1 k −2 1 2
ρ(z, v) = ρG (z)ρΓ (v) = √ v 2 e− 2 ( v + z ) .
k
2π2 k/2 Γ 2
1
c= √ ,
k
2π2 k/2 Γ 2
Samu raspodjelu po t dobijemo tako što ćemo ρ(t, v) prointegrirati po svim dozvoljenim
vrijednostima v
Z ∞ Z ∞
c k −1
h v i
ρ(t) = ρ(t, v) dv = √ v 2 exp − (k + t 2 ) .
0 k 0 2k
x − hxi √
t= N (12.5)
Θ
je raspodjeljena po t-raspodjeli sa stupnjem slobode k = n − 1, pri
čemu je
x - aritmetička sredina nasumičnog uzorka,
N - broj elemenata u uzorku,
Θ 2 - nepristrana procjena varijance σ 2 osnovnog skupa,
h x i - očekivanje varijable x osnovnog skupa za koju pretpostavljamo
da je raspodjeljena po Gaußovoj raspodjeli.
√
Za dokaz je dovoljno pokazati da se gornja varijabla t može prevesti u oblik z/ v/k
iz prethodnog teorema. Započnimo s transformacijom izraza za nepristranu procjenu
varijance
N N 2
1 σ2 xn − x
2
Θ =
N−1 ∑ ( x n − x2
) =
N−1 ∑ σ
.
n =1 n =1
Označimo sa
N 2
xn − x
2
χ = ∑ σ
,
n =1
pa je tada
σ2 2
Θ2 = χ , k = N − 1. (12.6)
k
12.6 Studentov t-test 503
x −µ √
z= N.
σ
raspodjeljena po jediničnoj Gaußovoj raspodjeli (onoj s h x i = 0 i σ 2 = 1). Time postaje
z √
t= p k,
χ2
Q.E.D.
Primjer 12.5 PRIMJER
dovršiti
H0 : h x i = µ0 ,
H1 : h x i = µ1 > µ0 .
Pt (t > t1−α ) = α,
a što se očitava iz tablice PAVLI Ć, Statistička teorija i primjena str. 383. Područja pri-
hvaćanja i odbacivanja hipoteze H0 su prikazan na slici 12.4. Razjasnimo područje
odbacivanja H0 na slici 12.4: Ako je istinita hipoteza H1 , tada je i aritmetička sredina
uzorka x nepristrana procjena očekivanja µ1 . Budući da je µ1 > µ0 , treba očekivati i veće
vrijednosti aritmetičke sredine x (veće nego da je točna hipoteza H0 ). Veća vrijednost x ,
znači da će i
x − µ0 √
t1 = N (12.8)
Θ
504 Poglavlje 12. Statistički testovi
biti veće. Ukoliko je razlika izned̄u µ0 i µ1 dovoljno velika, može se očekivati da će i
t biti toliko veliko (signifikantno veliko) da padne u desni rep t-raspodjele. Shodno
tomu, iz signifikantno velike vrijednosti t, razumno je zaključiti da je istinita hipoteza
H1 , kao što i piše u relaciji (12.7). Prema svemu ovome, testiranje H0 prema H1 sastoji
se u slijedećem: iz uzorka od N elemenata, izračunamo x , Θ 2 i t1 pomoću (12.8). Ako
je t1 ≤ t1−α , prihvaćamo hipotezu H0 kao istinitu. Ako je t1 > t1−α , odbacujemo H0 i
prihvaćamo H1 jer je razlika x − µ0 signifikantna (tj. vrlo je mala vjerojatnost da će se
pri istinitoj H0 dobiti tako veliki t1 ).
Slično se postupa i pri testiranju H0 prema H2
H2 : h x i = µ < µ0 .
x − µ0 √
N < tα , (12.9)
Θ
pri čemu je tα tako odabrano da vrijedi
Pt (th tα ) = α,
što se ponovo očitava iz tablice PAVLI Ć, Statistička teorija i primjena str. 383. Zbog
simetrije t-raspodjele, u odnosu na t = 0, vrijedi jednakost
t α = − t 1− α .
H4 : h x i = µ4 6= µ1 .
12.6 Studentov t-test 505
x − µ1 √ x − µ1 √
N h tα/2 , N > t1−α/2 .
Θ Θ
Zbog spomenute simetrije tα/2 = −t1−α/2 , obje gornje nejednakosti možemo napisati
kao
| x − µ1 | √
N > t1−α/2 .
Θ
Gornja je nejednakost skicirana na slici 12.5.
prihvaćamo hipotezu H4 .
Navedene tablice su primjenjive do k = 30. Za veće k-ove t-raspodjela se dobro
aproksimira Gaußovom raspodjelom, što znači da nećemo napraviti veliku pogrešku
ako na t1 primjenimo u-test signifikantnosti.
Naglasimo na kraju još jednom da se t-test temaljina pretpostavci da je nasumična
varijabla x raspodjeljena po Gaußovoj raspodjeli, što je pretpostavka koju takod̄er treba
provjeriti. Nasuprot tome u-test ne ovisi o tome kako je rasodjeljena varijabal x, samo
ako je broj elemenata u uzorku dovoljno velik (jer je tada, prema centralnom graničnom
teoremu, x raspodjeljeno po Gaußovoj raspodjeli).
506 Poglavlje 12. Statistički testovi
U ZORAK - UZORAK:
Sada promatramo dva uzorka. Prvi uzorak ima N1 elemenata i izvad̄en je iz osnovnog
skupa koji ima elemente raspodjeljene po Gaußovoj raspodjeli sa očekivanjem µ1 i
varijancom σ 2 . Karakteristične veličine tog uzorka su
N1
µ1 , σ12 , Θ12 = σ 2.
N1 − 1 1
Drugi je uzorak uzet iz osnovnog skupa čiji su elementi takod̄er raspodjeljeni po Ga-
ußovoj raspodjeli, ali s očekivanjem µ2 i istom varijancom kao i prvi skup, σ 2 . Karakte-
ristične veličine ovog uzorka su
N2
x 2, σ22 , Θ22 = σ 2.
N2 − 1 2
Ako su osim varijanci, jednaka i očekivanja, vrijedi slijedeći
x1 − x2
t= ,
Θd
gdje je
( N1 − 1)Θ12 + ( N2 − 1)Θ22 N1 + N2
Θd = ,
N1 + N2 − 2 N1 N2
raspodjeljena je po t-raspodjeli sa stupnjem slobode k = N1 + N2 − 2.
Dokaz:
Uz gornje uvjete teorema, prema (...), x j je nasumična varijabla Gaußove raspodjele s
očekivanjem µ j i varijancom σj2 /Nj . Prema adicijskom teoremu za Gaußove raspodjele
, (...), nasumična varijabla v = x 1 − x 2 je opet raspodjeljena po Gaußovoj raspodjeli s
očekivanjem
E ( v ) = µ1 − µ2
i varijancom
σ12 σ2
V (v) = σv2 = + 2.
N1 N2
Ako pretpostavimo da polazne Gaußove raspodjele imaju iste varijance σ12 = σ22 ≡ σ 2 ,
tada je i
σ2 σ2 N + N2
σv2 = + = σ2 1 .
N1 N2 N1 N2
Nadalje, prema (12.6), procjene varijanci Θ12 i Θ22 oba uzorka, možemo napisati kao
σ 2 χ12 σ 2 χ22
Θ12 = , Θ22 =
N1 − 1 N2 − 1
2
Θ ( N1 − 1) Θ 2 ( N2 − 1)
χ12 = 1 , χ22 = 2 ,
σ2 σ2
12.6 Studentov t-test 507
Θ12 ( N1 − 1) + Θ22 ( N2 − 1)
χ 2 = χ12 + χ22 =
σ2
takod̄er raspodjeljena po gama raspodjeli sa stupnjem slobode k = ( N1 − 1) + ( N2 − 1) =
N1 + N2 − 2. Budući da je varijabla v = x 1 − x 2 raspodjeljena po Gaußovoj raspodjeli s
očekivanjem µ1 − µ2 i varijancom σv2 , to je, prema (...), varijabla
( x 1 − x 2 ) − ( µ1 − µ2 )
z=
σv
raspodjeljena po jediničnoj Gaußovoj raspodjeli (onoj kojoj je očekivanje nula, a varijanca
jednaka jedan). Sad je, prema teoremu (12.4), varijabla
z p
t= p N1 + N2 − 2
χ2
gdje je
( N1 − 1)Θ12 + ( N2 − 1)Θ22 N1 + N2
Θd2 = ,
N1 + N2 − 2 ( N1 N2 ) 2
kao što je i trebalo dokazati. Q.E.D.
13.1 Uvod
y x (t) = f ( x, t),
κ ( t1 , t2 ) ≡ h y ( t1 ) y ( t2 ) i = h y ( t1 ) y ( t2 ) i − h y ( t1 ) i h y ( t2 ) i (13.1)
= h [y(t1 ) − h y(t1 ) i] [y(t2 ) − h y(t2 ) i] i .
Autokorelacijska funkcija u istom trenutku se svodi na vremenski ovisnu varijancu
h y ( t1 + τ ) y ( t2 + τ ) · · · y ( t n + τ ) i = h y ( t1 ) y ( t2 ) · · · y ( t n ) i , ∀τ ≷ 0.
Kao posebni slučaj gornjeg izraza stacionarnosti procesa je i
h y(t + τ ) i = h y(t)i ,
tj. h y(t)i ima istu vrijednost u svakom trenutku, pa je dakle vremenski neovisan
h y(t) i = h yi .
510 Poglavlje 13. Korelacijske funkcije
= h y(t) y(t + τ ) i − h y i 2 ,
Dh ih iE
κ (τ ) = y(t) − h y i y(t + τ ) − h y i (13.2)
t
pri čemu se oznaka usrednjavanja odnosi na usrednjavanje po vremenu. Račun ove
funkcije se sastoji od N 2 operacija. Označimo s d(t) ≡ y(t) − h y i trenutan otklon
varijable od srednje vrijednosti. Tada je
Z T
1 1
Z
κ (τ ) = d(t)d(t + τ ) dt = d(t − τ )d∗ (t) dt .
T 0 T
Svako odstupanje d(t) izrazimo preko Fourierove preobrazbe D(ω ), relacijom (6.25)
Z +∞
1
d( t ) = √ D(ω ) e−ı ω t dω (13.3)
2π −∞
y(t) = x1 + x2 t,
h xi i = ai , h xi xi i = σi2 .
Rješenje:
Prema (13.1) je
κ ( t1 , t2 ) = h y ( t1 ) y ( t2 ) i − h y ( t1 ) i h y ( t2 ) i .
hy(t)i = h x1 + x2 t i = h x1 i + h x2 i t = a1 + a2 t
h y ( t1 ) y ( t2 ) i = h ( x1 + x2 t1 ) ( x1 + x2 t2 ) i
= σ12 + a12 + (σ22 + a22 ) t1 t2 + h x1 x2 i (t1 + t2 ).
Uvrštavanjem gornjih izraza u definiciju autokorelacijske funkcije, dobiva se
h x1 x2 i = h x1 i h x2 i = a1 a2
i izraz za autokorelacijsku funkciju se pojednostavljuje na
κ ( t1 , t2 ) 6 = κ ( t1 − t2 ).
Ki,j (t1 , t2 ) = y i ( t1 ) y j ( t2 ) ,
512 Poglavlje 13. Korelacijske funkcije
Ki,j (τ ) = yi (0) y j (τ ) .
13.2 Ergodičnost
Neka je y(t) slučajan proces. S [ y ] se označava slijedeće vremensko usrednjenje
Z T/2
1
[ y ] = lim y(t) dt .
T →∞ T − T/2
tj. ako je
A KO SE IZVODI NIZ pokusa, pri čemu rezultat svakog pojedinog pokusa ovisi o slu-
čaju, tada se takav niz pokusa naziva stohastički proces.
Jedan tipičan primjer stohastičkog procesa je proučavanje gibanja čestica fluida (plina
ili tekućine). Broj čestica koje sudjeluju u tom gibanju je toliko velik da je praktički
nemoguće pratiti gibanje svake pojedine čestice na temelju njezine jednadžbe gibanja.
Stoga se ovom problemu pristupa statistički, tako što se sudari promatrane čestice s
ostalim česticama smatraju potpuno slučajnima. Npr. u slučaju DIFUZIJE, promatra se
proces miješanja dva fluida: u početnom su trenutku oni bili razdvojeni pregradom,
zatim se pregrada uklanja i fluidi se počinju miješati. Karakteristična pitanja koja se pri
tome postavljaju su: koliko vremena treba da se odred̄en broj čestica pomakne za odre-
d̄enu dužinu, kolika je brzina odvijanja difuzije, koliko vremena treba da se uspostavi
ravnoteža i slična pitanja. Jedan drugi primjer stohastičkog procesa je RADIOAKTIVNI
RASPAD , gdje je potrebno odrediti vjerojatnost da se u odred̄enom vremenskom inter-
valu odred̄eni broj čestica radioaktivno raspadne. Osim toga, stohastički su i procesi kao
Brownovo gibanje, umnožavanje kulture bakterija, broj elektrona i fotona u kozmičkim
zrakama i mnogi drugi.
Osnove teorije stohastičkih procesa su posatavili 1931. god. ruski matematičari A LEK -
SANDAR J AKOVLJEVI Č H IN ČIN 1 i A NDREJ N IKOLAJEVI Č K OLMOGOROV 2 . Kao što je
gore već spomenuto, klasični opis gibanja mnoštva čestica je neprovediv zbog velikog
broja čestica koje sudjeluju u procesu. Gledano sa stanovišta kvantne mehanike, opis
gibanja je još složeniji. Naime, pokazalo se da čak niti za jednu jedinu (a pogotovo ne
za mnoštvo) česticu nije moguće točno odrediti trajektoriju njezinog gibanja. Ono što je
moguće izračunati kvantnomehaničkim računom jeste vjerojatnost prijelaza iz nekog
poznatog kvantnog stanja ψ0 u kome se sustav nalazi u trenutku t0 , u jedno od niza
kvantnih stanja ψt u kojima se sustav može naći u trenutku t > t0 . Ta se vjerojatnost
označava kao
P(t0 , ψ0 ; t, ψt ), t > t0 .
1 Aleksandar Jakovljevič Hinčin, ruski matematičar. Rod̄en je 19. VII 1894. u Carskoj Rusiji, a umro je 18.
IX 1959. u SSSRu.
2 Andrej Nikolajevič Kolmogorov, ruski matematičar. Rod̄en je 25. IV 1903. u Tambovu u Carskoj Rusiji,
Slika 14.1: Aleksandar Jakovljevič Hinčin Slika 14.2: Andrej Nikolajevič Kolmogorov
Ako vjerojatnost stanja sustava u vremenu t ovisi samo o t0 , ALI NE I O RANIJIM VRE -
MENSKIM TRENUCIMA t < t 0 , onda se takvi procesi nazivaju M ARKOVLJEVI 3 procesi.
p( x, t)
X = N ∆ x.
Slika 14.3: Mogući pomaci čestice, ili vjerojatnost: čestica koja se u trenutku t nalazila u
točki x, u slijedećem trenutku, t + ∆ t, može biti u točki x − ∆ x s vjerojatnošću q, ili u
točki x + ∆ x s vjerojatnošću p.
x x x x + x
q p
t + t
x x x x + x
(B) koliko vremena (ili koraka) treba čestici da okonča svoj put u jednoj od rubnih točaka;
(D) vjerojatnost da se čestica nakon vremena 2t (ili 2 N koraka) ponovo nad̄e u ishodištu.
neparni broj - desno ili nešto slično. No, nije nužno promatrati ovako simetrične procese.
Od interesa mogu biti i procesi u kojima je npr. vjerojatnost pomaka lijevo i desno nije
ista8 (npr. brojevi 1 i 2 na kocki znače pomak lijevo, a svi ostali desno).
U terminima teorije igara: položaj čestice nakon m pomaka, odgovara količini novca
u posjedu igrača A nakon m odigranih igara. Nasumični hod završava kada čestica ili
stigne u ishodište x = 0 ili u x = X.
P( x, 0) ≡ P( x, t = 0 | x = 0, t = T ).
Druga je mogućnost da čestica u nekom trenutku T svoj hod okonča u točki X, uz uvjet
da je u početku, tj. u trenutku t = 0 bila u točki x. Ta će se vjerojatnost označiti s P( x, X ).
Ovo je takod̄er jedna uvjetna vjerojatnost koja se preciznije može zapisati i kao
P( x, X ) ≡ P( x, t = 0 | x = X, t = T ).
P( x, 0) + P( x, X ) = 1,
jer čestica mora svoj hod okončati ili u x = 0 ili u x = X. Treća mogućnost ne postoji.
jer što je čestica bliže ishodištu, veća je i vjerojatnost da će doći do tog istog ishodišta.
Isto tako, prema definiciji P( x, 0) vjerojatnosti, je
P(0, 0) = 1, (14.2)
8 Npr. sustav Isingovih spinova iznosa h̄/2 u vanjskom magnetskom polju: vjerojatnost prijelaza u
stanje paralelno vanjskom polju (što snižava energiju) će biti veća nego vjerojatnost prijelaza u stanje
antiparalelno polju. Drugi primjer je pijanac koji se nalazi na strmoj ulici: vjerojatnije je da će napraviti
korak niz nego uz strminu.
14.1 Nasumičan hod u jednoj dimenziji 519
jer ako čestica jeste u ishodištu, onda je vjerojatnost toga jednaka jedinici, a
P( X, 0) = 0, (14.3)
jer ako je čestica stigla u krajnju desnu točku, onda sigurno nije u ishodištu, a nasumični
hod je okončan. Ove dvije jednadžbe jesu RUBNI UVJETI za jednadžbu diferencija (14.1).
Potražimo rješenja te jednadžbe uz pretpostavku da je
p 6= q.
P( x, 0) = R n ,
1 q
R2 − R + = 0.
p p
R =1,
1 h i +
R± = 1 ± (1 − 2q) = q
2p R− = .
p
n
q
P( x, 0) = A+ · P+ ( x, 0) + A− · P− ( x, 0) = A+ · 1 + A− · , (14.4)
p
n = 0, P(0, 0) = 1 = A+ + A− ,
N
q
n = N, P( N, 0) = 0 = A+ + A− .
p
520 Poglavlje 14. Nasumičan hod
N n
q q
p − p
P( x, 0) = N , q 6= p. (14.5)
q
p −1
Slika 14.4: Ilustracija izraza (14.5) za X = 100 ∆ x, q = 0.4 i p = 0.6 (plava linija) i izraza
(14.7) za X = 100 ∆ x, q = p = 0.5 (crvena linija).
0.9
0.8
0.7
0.6
P (x, 0)
0.5
0.4 X = 100
p = 0.6 X = 100
0.3 q = 0.4 q = p = 0.5
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x/X
P( x, 0) + P( x, X ) = 1,
14.1 Nasumičan hod u jednoj dimenziji 521
(čestica mora okončati svoj nasumični hod ili u x = 0 ili u x = X) to je vjerojatnost da će
čestica koja se u danom trenutku nalazi u točki x, okončati svoj nasumični hod u točki
x = X, jednaka
N N −n
p
q − qp
P( x, X ) = 1 − P( x, 0) = N , q 6= p. (14.6)
p
q − 1
Nu N −1 − nun−1 n 1
P( x, 0) = lim N 1
=1− , q=p= .
u→1 Nu − −0 N 2
n 1
P( x, 0) = 1 − , q=p= , (14.7)
N 2
(crvena linija na slici 14.4). Vjerojatnost da čestica okonča hod u x = X je
n 1
P( x, X ) = 1 − P( x, 0) = , q=p= .
N 2
Sve zajedno
N n
q
p − qp
, p 6= q
N
q
1
P( x, 0) = p −
n
1− p = q = 0.5.
N
N N −n
p
q − qp
p 6= q
N
p
−1
P( x, X ) = q
n
p = q = 0.5.
N
Primjetimo da gornja rješenja zadovoljavaju rubne uvjete (14.2) i (14.2).
Zadatak 14.3 Zadan je interval na x osi [0, 1000 ∆ x ]. Čestica se nalazi u točki x =
999 ∆ x. Izračunajte vjerojatnost da čestica okonča svoj hod u točki x = 0,
ako je
(a) p = q = 1/2,
(b) p = 2/5, q = 3/5 .
Rješenje:
(a) Kada je q = p = 1/2, vjerojatnost P( x, 0) se računa iz (14.7)
n 999
P( x, 0) = 1 − =1− = 1 − 0.999 = 0.001 = 0.1 %.
N 1000
(b) Kada je q 6= p, vjerojatnost P( x, 0) se računa iz (14.5)
N n
q q
− 3 1000 3 999 3 999 3
1
p p 2 − 2 2 2 −
P( x, 0) = N = =
q 3 1000 3 1000
1 −1
−1 2 − 2
p
3 999 1 1
= 1 000 1 000
=
3 −2 3 1 − (2/3) 1 000
1
' ' 33 %.
3
Rješenje:
Kada je q 6= p, vjerojatnost dolaska u ishodište se računa iz (14.5)
N n
q q
p − p
P( x, 0) = N .
q
p −1
tj. čestica će sigurno okončati svoj hod u ishodištu. Ako je q = p, tada se P( x, 0) računa pomoću
(14.7),
n
P( x, 0) = lim 1 − = 1,
N→∞ N
i opet će čestica sa sigurnošću okončati svoj hod u ishodištu. Ako je q < p, tada je
N
q
lim = 0,
N→∞ p
14.1 Nasumičan hod u jednoj dimenziji 523
T (x)
koji napravi čestica, prije nego okonča svoj hod u x = 0 ili u x = X. Taj će se broj
izračunati tako što će se postaviti jednadžba koja povezuje broj koraka koji se razlikuju
za jedan: ako čestica skoči za jedno mjesto lijevo ili desno
T ( x ) = q T ( x − ∆ x ) + p T ( x + ∆ x ) + 1. (14.8)
Prvi član desne strane opisuje jedan korak čestice na lijevu stranu, a drugi član opisuje
jedan korak na desnu stranu. Treći član kaže da je broj koraka iz točaka x ± ∆ x za
jedan veći nego broj koraka iz točke x (računam broj koraka u odnosu na točku x: dakle,
čestica se iz x ± ∆ x treba vratiti u x i to vraćanje je taj +1 korak). Gornju jednadžbu
treba upotpuniti i s početnim uvjetima
T ( x = 0) = T ( x = X ) = 0, (14.9)
koji naprosto kažu da ako je čestica u početnom trenutku bila u jednoj od rubnih točaka,
proces slučajnog hoda je odmah okončan.
Jednadžba (14.8) je istog oblika kao i jednadžba (14.1), s tom razlikom da je ova jed-
nadžba NEHOMOGENA
q T ( x − ∆ x ) − T ( x ) + p T ( x + ∆ x ) = −1. (14.10)
T ( x ) = T ( x )hom. + T ( x ) part. .
T ( x = n ∆ x ) part. = a0 + a1 · n.
524 Poglavlje 14. Nasumičan hod
a0 = 0.
Time cijelo rješenje za T ( x ) postaje
n
q n
T ( x ) = A+ · 1 + A− · + .
p q−p
Konstante A+ i A− se odred̄uju iz početnih uvjeta na cijelo rješenje (14.9)
x = 0, T (0) = 0 = A + + A − ,
N
q N
x = X, T ( X = N ∆ x ) = 0 = A+ + A− · + .
p q−p
Rješavanjem gornjeg 2 × 2 sustava po A+ i A− , dobiva se
N N
q− p q− p
A+ = N , A− = − N = − A+ .
q q
p −1 p −1
Konačno rješenje je
n
q
n N p −1
T (x) = − N , q 6= p. (14.11)
q−p q−p q
p − 1
Slika 14.5: Ilustracija izraza (14.11) za X = 100 ∆ x, q = 0.4 i p = 0.6 (plava linija) i izraza
(14.12) za X = 100 ∆ x, q = p = 0.5 (crvena linija).
3000
2500
X = 100
q = p = 0.5
2000
T (x)
1500
1000 X = 100
q = 0.4
p = 0.6
500
0
0 10 20 30 40 50 60 70 80 90 100
x
Tmax = T ( x0 ).
(q/p) N − 1
ln
N ln(q/p)
, p 6= q
x0 = ln (q/p)
N
p = q = 0.5.
2
q n0
!
−1
n0 N p
, p 6= q
−
q N
q−p q−p
!
−1
Tmax = p
N2
p = q = 0.5.
4
Zadatak 14.5 (a) Čestica se nalazi u točki x = 500 ∆ x i giba po intervalu [0, 1 000 ∆ x ].
Vjerojatnosti koraka lijevo i desno su iste (difuzija). Koliki je očekivani
broj koraka čestice, prije nego završi u jednom od rubova?
(b) Čestica se nalazi u točki X = 1 000 ∆ x, intervala [0, 1 001 ∆ x ]. Vjero-
jatnosti koraka lijevo i desno su iste (difuzija). Koliki je očekivani broj
koraka čestice, prije nego završi u jednom od rubova?
Rješenje:
(a) Ako je q = p, broj koraka se računa iz 14.12
Dakle, iako se čestica nalazi sasvim uz desni rub, još uvijek se očekuje da će napraviti 1 000
koraka, prije nego dospije do samog ruba.
Rješenje:
Kada je q 6= p, broj koraka se računa iz (14.11)
n
q
n N p −1
T (x) = − N , q 6= p.
q−p q−p q
p − 1
n N
lim T ( x ) = − lim N .
N→∞ q− p N→∞ q
p
N 1
lim N = N = 0
N→∞ q q q
p ln ·
p p
tj. čestica će, nakon T ( x ) koraka, sigurno okončati svoj hod u ishodištu.
b) Ako je q = p, tada se T ( x ) računa pomoću (14.12),
T ( x ) = lim n ( N − n) = ∞.
N→∞
pa je opet
T ( x ) = ∞.
Ovaj beskonačan broj koraka koji se dobiva za q ≤ p je posve razumljiv: čestica se giba po
beskonačno velikom intervalu, a vjerojatnost skokova ne preferira smjer prema ishodištu.
− N ≤ n ≤ + N.
9U ishodište zato jer je q > p i vjerojatnije je gibanje čestice na lijevo prema ishodištu, nego desno.
10 Primjetimo da je broj k oraka vremenska varijabla.
528 Poglavlje 14. Nasumičan hod
Budući da kod odabira smjera pomaka postoje samo DVIJE mogućnosti, vjerojatnost da
je u N pomaka čestica napravila m pomaka na desnu i N − m koraka na lijevu stranu je
dana binomnom raspodjelom (4.11)
N
P(m) = p m q N −m .
m
Iz gornjeg izraza je
N+n N−n
m= ⇒ N−m= ,
2 2
pa je sada moguće sa P(m) prijeći na P(n) (pri čemu je x = n ∆ x)
N
P(m) → P(n) = N +n p( N +n)/2 q( N −n)/2
2
n/2
N p
N/2
P(n) = ( p q) N +n . (14.14)
2 q
h x i = hni ∆ x
hni = (14.13) = 2 hmi − N = 2N p − N = N (2p − 1) = N ( p − q),
x2 = n2 ∆ x
n 2 = (14.13) = 4m 2 − 4mN + N 2 ,
2
n = 4 m 2 − 4 hmi N + N 2 .
što vodi na
2 h i
n = 4 N p + N ( N − 1) p 2 − 4N pN + N 2 = N 2 − 4N ( N − 1) pq (14.15)
14.1 Nasumičan hod u jednoj dimenziji 529
Slika 14.6: Ilustracija nasumičnog hoda u jednoj dimenziji za N = 1000 koraka i p = 0.6
(plavo) i p = 0.5 (crveno).
< x > - σx
100
p = 0.6, q = 0.4
x
< x > + σx
0
<x>
-100
0 100 200 300 400 500 600 700 800 900 1000
t
Izraz (14.15) za n 2 sadrži dva granična ponašanja: ako sudara uopće nema i ako su
Vidimo da se krajnje točke svih nasumičnih putova, nakon 1 000 koraka nalaze približno
(s vjerojatnošću od oko 66 %) unutar intervala
hni − σn , hni + σn ,
Zadatak 14.7 Simulirajte nasumični hod čestice po osi x. Bacite kovanicu 50 puta
i odaberite koja će strana kovanice voditi na pomak u desnu, a koja u
lijevu stranu. Početni položaj čestice neka bude u x0 = 5. Prikažite hod
čestice na dijagramu, gdje ćete na apscisu nanositi redni broj bacanja
kovanice, a na ordinatu položaj čestice. Izračunajte x i σx .
Rješenje:
dovršiti
Zadatak 14.8 dovršiti
Rješenje:
dovršiti
N
načina. To je broj putanja (od ukupno 2 2N putanja) koje vode na povratak čestice u
polaznu točku. Zato je vjerojatnost da se to dogodi jednaka (povoljno kroz moguće)
(2N
N) (2N )!
2N
= 2 −2N .
2 ( N!)( N!)
14.2 Nasumični hod u dvije i tri dimenzije 531
2N
P(n) = p n q 2N −n .
n
2N (2N )!
P( N ) = pN qN = ( pq) N
N ( N!)( N!)
vjerojatnost da se nakon 2N koraka čestica nad̄e u polaznoj točki. Gornji izraz vrijedi za
svaki N (a ne samo za velike N) i za p = q = 1/2, kao i za p 6= q.
2500
N = 10 000
2000
px = py = 0.5
1500 N = 10 000
50
1000 px = 0.6, py = 0.4
500
0 0
y
-500
-1000
-50
-1500
-2000
-2500
-200 -150 -100 -50 0 50 -2500 -2000 -1500 -1000 -500 0 500 1000 1500 2000 2500
x x
(2) Neka sada jedini uvjet na broj skokova u smjeru pojedine osi dan sa Nx + Ny = N
x/2 y/2
Nx px Ny py
Nx /2 Ny /2
P( x, y) = P( x ) P(y) = ( p x q x ) Nx + x ( py qy ) Ny +y .
2 qx qy
2
p x x/2
y/2
Nx Ny py
Nx /2 Ny /2
P( x, y) = P( x ) P(y) P(z) = ( p x q x ) Nx + x ( py qy ) Ny +y
2 q x q y
2
z/2
Nz pz
( pz qz ) Nz /2 Nz +z .
2 q z
14.3 Lévyeva raspodjela 533
N N N
Nx ' , Ny ' , Nz ' .
3 3 3
dovršiti
Neka čestica s istom vjerojatnošću korača u jednu ili drugu stranu. Gustoća vjero-
jatnosti da čestica izvede korak duljine x se označava s ρ( x ). Odabiremo da je to
simetrična funkcija
ρ( x ) = ρ(− x ),
kao npr.
ρ0
ρ( x ) = , ρ0 = const.
| x |d+σ
Vrijeme čekanja izmed̄u dva koraka, τ, se takod̄er mjenja u skladu s vjerojatnošću
opisanu gustoćom vjerojatnosti
ψ ( τ ).
n( x, t)
Prva transportna jednadžba opisuje IZLAZNI tok čestica Nizl ( x, t) - koliko je čestica
napustilo točku x u jedinici vremena. Jednadžba povezuje tok iz odabrane točke u
prostoru i u odabranom vremenskom trenutku, s tokom iz svih susjednih točaka u
ranijim vremenskim trenucima
Z +∞ Z t
Nizl ( x, t) = ρ(y) ψ(τ ) Nizl ( x − y, t − τ ) dy dτ + n( x, 0) ψ(t). (14.20)
−∞ 0
U skladu s (14.19), drugi član desne strane je vjerojatnost da čestica koja bila u točki x u
t = 0, ostane u toj točki i u trenutku t (nije izvela skok).
Prvi član desne strane opisuje sve čestice koje su u intervalu od (0, t) došle iz točke x − y
u točku x izvodeći, s vjerojatnošću ρ(y), skok duljine y (dio sa ρ(y) Nizl ( x − y, t − τ )) i
ostale su u x (dakle nisu izvele skok, što opisuje član Ψ(τ )).
Sustav dvije integralne jednadžbe (14.20) i (14.21) rješava se kombiniranjem Fourierove
12 Ili u trenutku 0 ili u trenutku d τ ili u trenutku 2 d τ ili ....
14.3 Lévyeva raspodjela 535
Ova je funkcija dobro definirana samo za 0 < α ≤ 2, jer je, kao što će se kasnije vidjeti,
2
x = 0, α > 2,
e ( k ) = e − a|k| , 1 a
Z ⇔ ρ( x ) = ,
π a + x2
2
( x − h X i) 2
1 2 2 1
−
Z (k ) = exp ı k h X i − σ k ,
e ⇔ ρ( x ) = √ e 2 σ2 .
2 σ 2π
Pogledajmo kako izgleda raspodjela gustoće vjerojatnosti kada α nije niti jedan niti dva.
Ono što će se dobiti jeste da parametar α kontrolira repove raspodjele, tj. vrlo male,
x → 0 i vrlo velike, x → ∞ vrijednosti slučajne varijable.
Izračunajmo, relacijom (6.30), raspodjelu gustoće vjerojatnosti pridruženu karakteristič-
noj funkciji (14.22)
Z +∞ Z +∞
1 −ı k x − a|k| α 1
cos(k x ) e −ak dk = ρ(− x ).
α
ρ( x ) = e e dk =
2π −∞ π 0
k | x | = t.
13 Vidjeti npr. u G LUMAC, Matematičke metode fizike
536 Poglavlje 14. Nasumičan hod
U toj varijabli je
Z +∞ ∞ n Z +∞
1 − at α dt 1 −a 1
ρ( x ) =
π 0
cos(t) exp
|x| α
=
|x| π |x| ∑ |x| α n! 0
t nα cos(t) dt.
n =0
Gornji integral je tablični (A.53)
Z +∞ πa
x a−1 cos( x ) dx = cos
Γ ( a ), 0 < Re( a) < 1.
0 2
Njegovim uvrštavanjem u prethodni izraz se za raspodjelu gustoće vjerojatnosti dobiva
∞
1 (−1) n+1 a n nπα
ρ( x ) =
π ∑ n! | x | nα+1
sin
2
Γ(nα + 1).
n =1
Ψ(ω )
G (k, ω ) = .
1 − ψ(ω )ρ(k)
Z +∞
n( x, t) = G ( x − y) n(y, 0) dy .
−∞
Provjeriti normiranje.
Točni detalji ovih raspodjela nisu kvalitativno važni u asimptotskoj granici. Presudni su
njihovi repovi u obliku potencije koji odred̄uju ponašanje momenata ovih raspodjela
(svi ostali detalji će biti apsorbirani u konstantne prefaktore).
Dva su važna momenta: srednja vrijednost kvadrata dužine skoka
Z +∞
x2 = x 2 ρ( x ) dx ,
−∞
i srednje vrijeme čekanja izmed̄u dva uzastopna skoka
Z +∞
hτ i = τ ψ(τ ) dτ .
0
Kada su obje ove veličine konačne, rezultantna transportna jednadžba se svodi na
standardnu difuzijsku jednadžbu
∂n
= D 4 n( x, t),
∂t
538 Poglavlje 14. Nasumičan hod
s difuzijskim koeficijentom
2
x
D= .
2 hτ i
14.3 Lévyeva raspodjela 539
1. M ARTIN Z. B AZANT.
Random walks and diffusion. 2006. URL: https : / / ocw . mit . edu / courses /
mathematics / 18 - 366 - random - walks - and - diffusion - fall - 2006 / lecture -
notes/
2. N EVEN E LEZOVI Ć.
Vjerojatnost i statistika 3 - matematička statistika i stohastički procesi. Element, Zagreb,
2007
3. J OSÉ L UIS G ARCIA -PALACIOS. „
Introduction to the theory of stochastic processes and Brownian motion problems”.
(2007). URL: arxiv.org/abs/cond-mat/0701242
4. C HARLES M. G RINSTEAD I J. L AURIE S NELL.
Introduction to probability. 2019. URL: https://www.math.dartmouth.edu/~prob/
prob/prob.pdf
5. P. H SU H WEI.
Theory and problems of probability, random variables and random processes. McGraw -
Hill, 1997
6. F REDERICK R EIF.
Fundamentals of Statistical and Thermal Physics. McGraw-Hill, 1967
7. S HELDON M. R OSS.
Introduction to Probability Models. 2019. URL: https://fac.ksu.edu.sa/sites/
default/files/introduction-to-probability-model-s.ross-math-cs.blog_
.ir_.pdf
8. V LADIMIR V RANI Ć.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971
9. S VETOZAR V. V UKADINOVI Ć.
Zbirka rešenih zadataka iz teorije verovatnoće. Privredni pregled, Beograd, 1990
Dodatak
A. Matematički dodatak
∞ n
1
∂ ∂ ∂
f ( x, y, z) = f ( x0 , y0 , z0 ) + ∑ ( x − x0 ) + ( y − y0 ) + ( z − z0 ) f ( x, y, z)
n =1
n! ∂x ∂y ∂z x0 ,y0 ,z0
(A.1)
Iz razvoja eksponencijalne funkcije
∞
x2 x3 xn
ex = 1 + x + + + ··· = ∑ , (A.2)
2 6 n =0 n !
x2 x3 xn
ln (1 + x ) = x − + + · · · + (−1)n+1 + ··· − 1 < x ≤ 1, (A.6)
2 3 n
x2 x3 xn
ln (1 − x ) = − x + + + ··· + + ··· − 1 ≤ x < 1, (A.7)
2 3 n
1+x x3 x5 x 2n+1
ln =2 x+ + + ··· + + ··· − 1 < x < 1, (A.8)
1−x 3 5 2n + 1
1 1 4 1 6
ln [cosh( x )] = x 2 − x + x + ··· x → 0, (A.9)
2 12 45
544 Poglavlje A. Matematički dodatak
1 1 1·3 2 1·3·5 3
√ =1∓ x+ x ∓ x + ··· |x| < 1 (A.10)
1±x 2 2·4 2·4·6
1
= 1 ∓ x + x2 ∓ x3 + x4 ∓ · · · |x| < 1 (A.11)
1±x
1 3 3·5 2 3·5·7 3
=1∓ x+ x ∓ x ··· |x| < 1 (A.12)
(1 ± x )3/2 2 2·4 2·4·6
1 1·3 2 1·3·5 3
(1 + α)−1/2 = 1 − α+ α − α + ... − 1 < x ≤ +1
2 2·4 2·4·6
N N
2
(1 ± α ) N = 1± Nα + α ± α3 + · · ·
2 3
x3 x5
sinh x = x + + + O x7 , −∞ < x < +∞
6 120
x2 x4
cosh( x ) = 1 + + + O x6 , −∞ < x < +∞
2 24
x3 2 x5
tanh( x ) = x − + + O x7 ,
3 15
A.2 Redovi
N
qN − 1
∑ q n −1 =
q−1
, (A.13)
n =1
N
q N +1 − 1
∑ qn =
q−1
, (A.14)
n =0
N −1
a − [ a + ( N − 1)r ] q N 1 − q N −1
∑ ( a + nr ) q n =
1−q
+ qr
(1 − q ) 2
, (A.15)
n =0
∞
1
∑ qn =
1−q
|q| < 1, (A.16)
n =0
∞ ∞
q
∑ n · qn = ∑ n · qn =
(1 − q ) 2
|q| < 1, (A.17)
n =0 n =1
N
1
∑ [a 1 + ( n − 1) d ] =
2
N ( a1 + aN ) (A.18)
n =1
A.2 Redovi 545
546 Poglavlje A. Matematički dodatak
p tan( ax
2 )+q
√2 arctan √ , p2 > q2
a p 2 −q 2 p 2 −q 2
Z
dx
= √ 2 2 (A.37)
p + q sin( ax ) p tan( ax
2 )+q− q −p
√ 12 ln √ 2 2, p 2 < q 2.
a q −p2 p tan( ax
2 )+q+ q −p
(b−c) tan( ax
√2 2 )
arctan √ , b2 > c2
a b 2 −c 2 b 2 −c 2
dx
Z
= √ (A.38)
b + c cos ax (c−b) tan( ax 2 2
√1 2 )+√c −b
ln , b2 < c 2.
ax
a c 2 −b 2 (c−b) tan( 2 )− c −b 2
2
x n ax n
Z Z
x n e ax dx = e − x n−1 e ax dx (A.39)
a a
(A.40)
1
Γ n+
Z +∞
n − ax 2 2
x e dx = (n+1)/2 , a > 0, n > −1
0 2a
1 · 3 · . . . · (2k − 1) √
π n = 2k
2k+1 ak+1/2
= (A.41)
k!
n = 2k + 1.
2ak+1
Z +∞
x a − 1 π
dx = , 0 < a < b, (A.42)
0 1+x b b sin aπb
(A.43)
Z ∞
Γ ( n + 1)
x n e−ax dx = . (A.44)
0 a n +1
548 Poglavlje A. Matematički dodatak
Z +∞ r
π b 2 /(4a)
− ax 2 +bx
e e dx =, a > 0, (A.45)
−∞ a
Z +∞ √ 2
2 b π b
x exp − ax + bx dx = exp , Re ( a) > 0, (A.46)
−∞ 2a 3/2 4a
√
(b 2 + 2a) π b 2 /(4a)
Z +∞
2 − ax 2 +bx
x e dx = e , Re ( a) > 0,
−∞ 4 a 5/2
(A.47)
√
b(b 2 + 6a) π b 2 /(4a)
Z +∞
2 + bx
x 3 e−ax dx = e , Re ( a) > 0,
−∞ 8 a 7/2
(A.48)
Z +∞ [n/2]
n
r
− ax 2 +bx π b 2 /(4a)
−∞
n
x e dx =
a
e ∑ 2k
(2k − 1)!! (2a) k−n b n−2k , a > 0,
k =0
(A.49)
k +1
1 Γ 4
Z +∞
k −a x 4
x e dx = , a>0 (A.50)
−∞ 2 a(k+1)/4
Z +∞
b Γ(1/b)
e−ax dx = , (A.51)
0 b a1/b
Z +∞ πa
x a−1 sin( x ) dx = sin Γ ( a ), −1 < Re( a) < 1 (A.52)
0 2
Z +∞ πa
a −1
x cos( x ) dx = cos Γ ( a ), 0 < Re( a) < 1 (A.53)
0 2
Z +∞
1 π −ω 2 /(4λ)
r
2
e−λx cos(ωx ) dx = e , λ>0 (A.54)
0 2 λ
Z +∞
2 sin( kx ) k
π
e−λx dx = er f √ (A.55)
0 x 2 2 λ
Z ∞
1
− µ/ν
x µ dx 1 p Γ(µ/ν) Γ(n + 1 − µ/ν)
n 1
= n 1
,
( p + qx ) ν + νp + q Γ ( n + 1)
0
+∞
Z
n n
! r
1 (2π ) n 1 ~ T −1 ~
exp −
2 ∑ xi Ai,j x j + ∑ Bi xi n
d x=
Det A
exp
2
B A B .
−∞ i,j=1 i =1
1 · 3 · 5 · · · (2n − 1) π (2n − 1) !! π
Z π/2
sin2n ( x ) dx = = , (A.57)
0 2 · 4 · 6 · · · (2n) 2 (2n) !! 2
2 · 4 · 6 · · · (2n) (2n) !!
Z π
sin2n+1 ( x ) dx = 2 =2 , (A.58)
0 3 · 5 · · · (2n − 1)(2n + 1) (2n + 1) !!
sin2 ( ax )
Z +∞
π
dx = | a |. (A.59)
0 x2 2
A.4 Odred̄eni integrali 549
1h i
cosh(α + β) · cosh(α − β) = cosh(2 α) + cosh(2 β) (A.60)
2
Neka je
N = 2M + 1,
k = 1, 2, · · · , M,
l = 1, 2, · · · , M,
tada je
N−2
k = l,
4
M
2π · m · k 2π · m · l
∑ cos
N
cos
N
= (A.63)
m =1
1
k 6= l .
−
2
Neka je
N = 2M + 1,
l = 1, 2, · · · , M,
k = M + 1, M + 2, · · · , 2M,
tada je
N
M
2π · m · k
2π · m · l
−
k + l = N,
4
∑ sin
N
sin
N
= (A.64)
m =1
0 k + l 6= N .
550 Poglavlje A. Matematički dodatak
http://en.wikipedia.org/wiki/Hubbard-Stratonovich_transformation
- Canning, JPA, 25, 1992, 4723-35, Canning, JPA, 26, 1993, 3029-36.
- A. Campa, T. Dauxois, S. Ruffo Statistical mechanics and dynamics of solvable models with
long-range interactions Phys. Rev. 480 (2009) 57-159
- A. Campa, A Giansanti, d Moroni Canonical solution of classical magnetic models with
long-range couplings J. Phys. A 36 (2003) 6897 - Nishimori, Ch 2
Z +∞
c y 2 /2 1 2 / (2 c )+ xy
e =√ e −x dx , (A.66)
2π c −∞
a +∞
r Z
b 2 /(4a) 2
e = e−aφ +b φ d φ, (A.67)
π −∞
Z +∞ √
2 1 2
ea = √ e−φ /2+a φ 2 d φ, (A.68)
2 π −∞
r Z +∞ √
a2 N 2
e = e− x N/2+a x 2 N dx (A.69)
2 π −∞
r Z +∞
2 1 2
e −a x /2 = e−y /(2 a)−ı y x d y, (A.70)
2 π a −∞
r Z +∞
a S2 1 2
e = e−z /(4 a)+S z d z, Re a > 0, (A.71)
4 π a −∞
+∞
r Z
b m2 b 2
e = e−b x +2 m b x dx , (A.72)
π −∞
aN +∞ −aNm 2 /2+amx√ N
r Z
2
e a x /2 = e d m, (A.73)
2π −∞
r Z +∞
1
Ks 2 K 1 2
e 2 = e− 2 Kφ +Ksφ dφ, (A.74)
2π −∞
s
Det K +∞
Z
1 1
e 2 ∑i,j Ki,j si s j = N
dφ1 · · · dφN e− 2 ∑i,j φi Ki,j φj +∑i,j si Ki,j φj . (A.75)
(2π ) −∞
s
Z +∞
1
∑i,j Ki,j si s j 1 −1
− 12 ∑i,j φi Ki,j φj +∑i,j si φj
e 2 = dφ 1 · · · dφ N e . (A.76)
Det K(2π ) N −∞
♣
1 · 3 · 5 · · · (2n − 1) π
Z π/2
sin2n ( x ) dx = .
0 2 · 4 · 6 · · · (2n) 2
♣ Luijten-Bloete, Int. J. Mod. Phys. C 6 (1995) 359-370, p. 8
k +1
Z +∞
4 1 Γ 4
dx x k e −a x = , a > 0.
−∞ 2 a ( k + 1 )/4
♣
h √ i
√2 ax
b2 − c2 , b2 > c2
arctan f rac(b − c) tan 2
a b 2 −c 2
dx
Z
= √
b + c cos ax (c−b) tan( ax 2
2 )+√c −b
2
√1 ln , b 2 < c 2.
ax
a c 2 −b 2 (c−b) tan( 2 )− c −b 2
2
♣ Hesse-ova matrica
In mathematics, the Hessian matrix (or simply the Hessian) is the square matrix of
second-order partial derivatives of a function; that is, it describes the local curvature of
a function of many variables. The Hessian matrix was developed in the 19th century
by the German mathematician Ludwig Otto Hesse and later named after him. Hesse
himself had used the term "functional determinants". Given the real-valued function
f ( x1 , x2 , . . . , xn ), if all second partial derivatives of f exist, then the Hessian matrix of f is
the matrix
H ( f )ij ( x ) = di d j f ( x ),
where x = ( x1 , x2 , ..., xn ) and di is the differentiation operator with respect to the ith
argument and the Hessian becomes
2
∂ f ∂2 f ∂2 f
2 ∂x1 ∂x2 · · · ∂x1 ∂xn
∂x1
2 2 2
∂ f ∂ f ∂ f
∂x2 ∂x1 ∂x2 2 · · · ∂x2 ∂xn
H( f ) =
. .. .. ..
.. . . .
2 2 2
∂ f ∂ f ∂ f
∂xn ∂x1 ∂xn ∂x2 · · · ∂x 2
.
n
Some mathematicians [1] define the Hessian as the determinant of the above matrix.
Hessian matrices are used in large-scale optimization problems within Newton-type
methods because they are the coefficient of the quadratic term of a local Taylor expansion
of a function. That is,
1
y = f (x + δx) ≈ f (x) + J (x)δx + δxT H (x)δx
2
where J is the Jacobian matrix, which is a vector (the gradient) for scalar-valued functi-
ons. The full Hessian matrix can be difficult to compute in practice; in such situations,
quasi-Newton algorithms have been developed that use approximations to the Hessian.
The most well-known quasi-Newton algorithm is the BFGS algorithm.
x = ρ cos( ϕ),
y = ρ sin( ϕ).
x = a cosh(u) cos(v),
y = a sinh(u) sin(v).
x = ξ η,
1 2
y = η − ξ2 .
2
(d) bipolarni
a sinh(η )
x = ,
cosh(η ) − cos(ξ )
a sin(η )
y = .
cosh(η ) − cos(ξ )
x1 , x2 , · · · , x d ,
R, θ1 , θ2 , · · · , θd−1
neka su sferne koordinate u d-dimenzijskom prostoru. Veza med̄u njima je dana relaci-
jama
x1 = R cos(θ1 ),
x2 = R sin(θ1 ) cos(θ2 ),
x3 = R sin(θ1 ) sin(θ2 ) cos(θ3 ),
..
.
xd−1 = R sin(θ1 ) sin(θ2 ) · · · sin(θd−2 )cos(θd−1 ),
xd = R sin(θ1 ) sin(θ2 ) · · · sin(θd−2 ) sin(θd−1 ).
554 Poglavlje A. Matematički dodatak
Ω1 = 2,
Ω2 = 2 π,
Ω3 = 4 π,
Ω4 = 2 π 2 ,
8 2
Ω5 = π ,
3
Ω6 = π 3 ,
16 3
Ω7 = π ,
15
1 4
Ω8 = π ,
3
32 4
Ω9 = π ,
105
1 5
Ω10 = π .
12
∞
(−1)n−1 1 1 1
η (s) = ∑ ns
= 1 − 21− s
ζ (s) = 1 − s + s − s + · · ·
2 3 4
n =1
Lerch
∞
1
ζ ( a, s) = ∑ (n + a)s
, ζ (1, s) = ζ (s)
n =0
p
1 n
ps ∑ ζ
p
,s = ζ (s)
n =1
DIRACOVA δ- FUNKCIJA
- Multidimensional delta functions: Cd-1 /Methematics/MathematicalPhysics/Kelly/note4.pdf
- Arfken-Weber, p. 81
- Poissonova jednadžba za gravitacijsko polje, A-W, p. 80
δ( x − a) = 0, x 6= a,
Z
f ( x ) δ( x − a) dx = f ( a ),
g( xn ) = 0, g 0 ( xn ) 6= 0 n = 1, 2, · · · , N.
Z ∞ N
1
−∞
f ( x ) δ[ g( x )] dx = ∑ |g 0 (x n )|
f ( x n ).
n =1
N
δ( x − xn )
δ[ g( x )] = ∑ | g 0 ( xn )|
g( xn ) = 0, g 0 ( xn ) 6= 0.
n =1
Z +∞
1
δ(t − x ) = eı ω ( t − x ) d ω
2π −∞
Gama funkcija
Γ ( n ) = ( n − 1) !
1 1 1
ln (n !) = n ln n − n + ln (2 π n) + − + ··· . (A.78)
2 12 n 360 n 3
1 √ 3 1√ 5 3√
Γ = π, Γ = π, Γ = π,
2 2 2 2 4
A.10 Redovi
Neka je
N = 2M + 1,
l = 1, 2, · · · , M,
tada je
M
2π · m · l 1
∑ cos
N
=−
2
(A.79)
m =1
Neka je
N = 2M + 1,
k = 1, 2, · · · , M,
l = 1, 2, · · · , M,
tada je
N−2
k = l,
4
M
2π · m · k 2π · m · l
∑ cos
N
cos
N
=
m =1
1
k 6= l .
−
2
Neka je
N = 2M + 1,
l = 1, 2, · · · , M,
k = M + 1, M + 2, · · · , 2M,
tada je
N
M
2π · m · k 2π · m · l
− k + l = N,
4
∑ sin
N
sin
N
=
m =1
0 k + l 6= N .
A.11 Trigonometrija
♠
x cosh( x ) − 1
sinh2 =
2 2
x cosh( x ) + 1
cosh2 =
2 2
♠
A.12 Mali trikovi 557
2π 4π 1
cos+ cos = − ,
5 5 2
2π 2 4π 2 3
cos + cos = ,
5 5 4
2π 4π 1
cos · cos = − .
5 5 4
1h i
cosh(α + β) · cosh(α − β) = cosh(2 α) + cosh(2 β)
2
sin(α) = cos(π/2 − α)
tanh( x ) ± tanh y
tanh( x ± y) =
1 ± tanh( x ) tanh y
♠ cm-0204424, Ghulghazaryan et al
C N + d N = ∏ C + e 2 π ı n/N d ,
n
where
n = 1, 2, · · · , N, N odd,
1 3 N−1
n = , ,··· , , N even.????
2 2 2
1, Si = S j
δSi ,Sj = , Si , S j = 0, 1, 2, · · · , q − 1.
0, Si 6 = S j
ω = de f . = e 2 π ı/q .
q −1
1
δSi ,Sj =
q ∑ Sik · S− k
j , Si = ω n , n = 0, 1, 2, · · · , q − 1.
k =0
Note: Si ∈ C.
q −1
1
δSi ,Sj =
q ∑ ω k·(Si −Sj ) , Si = 0, 1, 2, · · · , q − 1.
k =0
Note: Si ∈ R.
♠ Eulerova formula
min { D,s}
D S−D S
∑ d s−d
=
s
. (A.80)
d =0
... where we have used the following theorem involving binomial coefficients:
n
( k + a ) ! ( n + a + 1) !
∑ k!a!
=
n!( a + 1)!
. (A.81)
k =0
♠
m −1
a m − 1 = ( a − 1) ∑ aj. (A.82)
j =0
Rječnik osnovnih pojmova
A
A DITIVNOST VS . E KSTENZIVNOST
Additivity plays a central role in the formulation of thermodynamics. If a system is
divided into different parts, each part possessing a certain energy, the system is said
to be additive if the energy due to the interactions between these parts is negligible
in comparison with the total energy. Due to additivity, the extensive quantities are
linear functions of the system size and the thermodynamic potentials present always
the same concavity. Macroscopic systems with short-range interactions are additive. In
contrast, the energy due to interactions between different parts of the system cannot be
neglected if these interactions are long-ranged, causing the system to be intrinsically
nonadditive. This lack of additivity has been identified as the source of the unusual
thermodynamic properties of systems with longrange interactions, typically associated
with a curvature anomaly of the relevant thermodynamic potential. The same happens
in small systems with short-range interactions, where the range of the interaction is of
the order of system size. A peculiar thermodynamic property such as negative heat
capacity is seen as unusual if one takes the thermodynamics of additive systems as a
paradigm. In practice, properties of this kind are found in a large variety of systems
in nature, ranging from atomic to stellar clusters, so that they have become just other
common properties to be considered.
A FINI PROSTOR
je poopćenje euklidskoga prostora u algebarskoj geometriji pri kojemu koordinate to-
čaka nisu nužno realni ili kompleksni brojevi, već elementi zadanoga polja.
560 Poglavlje A. Matematički dodatak
6!
= 90
2! 2! 2!
načina koje nazivamo konfiguracijama i označavamo s
Zi = Tr |Ci i , i = 1, 2, · · · , 90.
ANNEALED DISORDER
Fa = −kB T ln ( Z1 + Z2 + · · · + Z90 )
Fi = −kB T ln ( Zi ) ,
ARPES
(Angle-resolved photoemission spectroscopy)
also known as ARUPS (angle-resolved ultraviolet photoemission spectroscopy), is a
direct experimental technique to observe the distribution of the electrons (more precisely,
the density of single-particle electronic excitations) in the reciprocal space of solids.
ARPES is one of the most direct methods of studying the electronic structure of the
surface of solids. ARPES gives information on the direction, speed and scattering
process of valence electrons in the sample being studied (usually a solid). This means
that information can be gained on both the energy and momentum of an electron,
resulting in detailed information on band dispersion and Fermi surface. This technique
is a refinement of ordinary photoemission spectroscopy.
B
B AZA VEKTORSKOG PROSTORA
Skup vektora {~e1 ,~e2 , · · · ,~eD } je ortonormirana baza u R D , ako i samo ako vrijedi da se
svaki vektor ~x ∈ R D može jednoznačno prikazati kao ~x = a1~e1 + a2~e2 + · · · + aD~eD , pri
čemu su
1, i=j
~ei ·~e j =
0, i 6= j.
A.12 Mali trikovi 561
D
D IRAC SEMIMETAL
In crystals that are symmetric under inversion and time reversal, electronic energy
bands are two-fold degenerate. This degeneracy is referred to as Kramers degeneracy.
Therefore, semimetals with linear crossings of two energy bands (two-fold degeneracy)
at the Fermi energy exhibit a four-fold degeneracy at the crossing point. The effective
Hamiltonian for these states can be written as
!
~k ·~σ 0
H = h̄v D .
0 −~k ·~σ
This has exactly the matrix structure of Dirac matter. Examples of experimentally reali-
sed Dirac semimetals are sodium bismuthide, Na3 Bi and cadmium arsenide, Cd3 As2 .
E
E KSTENZIVNA VS . A DITIVNA
Ekstenzivna opservabla nekog sustava je ona čiji je iznos jednak zbroju iznosa svih
podsustava (masa, volumen). Omjer dvije ekstenzivne opservable je intenzivna opser-
vabla (omjer mase i gustoće homogenog tijela je konstantna gustoća, energija, entalpija,
entropija).
Opsrevabla Q( x1 , x2 , · · · , xn ) je aditivna u odnosu na dva podsustava koji se sastoje
od m i n − m čestica, ako je Q(n) = Q(m) + Q(n − m).
Opsrevabla Q( x1 , x2 , · · · , xn ) je ekstenzivna, ako postoji limes limn→∞ ( Q/n). O raz-
lici izmed̄u editivnih i ekstenzivnih varijabla, vidjeti opširnije u .../DrugiAutori/AdditiveVSExtensive.pdf
E NTROPIJA je termodinamička funkcija stanja sustava koja se može shvatiti kao mjera
vezane energije sustava, tj. onog dijela energije kojim se ne može vršiti rad (za raz-
liku od slobodne energije kojom se može obavljati rad). U statističkoj fizici je entropija
srazmjerna logaritmu broja mikroskopskih konfiguracija koje odgovaruju jednom ma-
kroskopskom stanju sustava.
U kontekstu promjene unutrašnje energije sustava, značenje entropija se može vidjeti iz
prvog načela termodinamike zapisanog u obliku
dU = T dS − p dV + µ dN .
dS
T dS = kB T ,
kB
tj. promjena entropije za ±1 · kB povećava/smanjuje unutrašnju energiju sustava za
±kB T (vidjeti natuknicu T EMPERATURA).
Entropija je funkcija slična funkciji djelovanja u mehanici (ili optici, Fermatovo načelo):
gibanje mehaničkog sustava je odred̄eno zahtjevom da funkcija djelovanja ima eks-
tremnu vrijednost; raspodjela vjerojatnosti zauzeća odred̄ene konfiguracije odred̄uje se
iz zahtjeva da je entropija maksimalna. (povezati to s temperaturom)
"You should call it entropy, for two reasons. In the first place your uncertainty function
has been used in statistical mechanics under that name, so it already has a name. In the
562 Poglavlje A. Matematički dodatak
second place, and more important, no one really knows what entropy really is, so in a
debate you will always have the advantage." J. Von Neumann, suggesting to Claude
Shannon a name for his new uncertainty function, as quoted in Scientific American 225,
3, p180 (1971).
Boltzmannova definicija entropije
Ω( E)
SB = kB ln [Ω( E)] = kB ln( PE ) + const., PE = ,
Ωtot
gdje je Ω( E) broj konfiguracija koje sve imaju istu energiju E, a Ωtot je broj svih mogućih
konfiguracija sustava. Dakle, ova definicija entropije se odnosi na mikrokanonski
ansambl u kojemu je energija sustava, E, konstantna. U svim ostalim ansamblima
u kojima energija nije konstantna, entropija se računa kao (Gibbs, Shannon) srednja
vrijednost Boltzmannove entropije
U = ∑ Pn En .
n
1
Z τ
h f (~q,~p)iτ ≡ lim f (~q,~p) dt , (A.83)
τ →∞ τ 0
h f (~q,~p)iτ = h f (~q,~p)i E
F
FAZA je fizički i kemijski homogeni dio heterogenog sustava koji je svojom graničnom
površinom odvojen od ostalih djelova sustava. Svaka se faza može sastojati od više
komponenata.
FAZNI PROSTOR
je 2s - dimenzijski prostor razapet položajima i brzinama (ili položajima i poopćenim
količinama gibanja) svih čestica sustava. Ako se sustav sastoji od samo jedne čestice
koja se giba po jednodimnzijskoj krivulji, fazni prostor je dvodimenzijski s jednom koor-
dinatom položaja x, i jednom koordinatom brzine ẋ. Fazni prostor sustava od N čestica
koje se gibaju u trodimenzijskom prostoru, ima 6 N dimenzija. Općenito, dimenzija
faznog prostora je dvostruko veća od broja stupnjeva slobode sustava. (Usporediti s -
konfiguracijski prostor)
F UNKCIJE PROCESA
su termodinamički parametri (poput rada, količine topline,...) čije vrijednosti ovise o
procesima koji su sustav doveli iz početnog u konačno stanje. S matematičkog stanovi-
šta, funkcije procesa nisu pravi (totalni) diferencijali.
F UNKCIJE STANJA
su termodinamički parametri (poput tlaka, temperature, volumena, unutrašnje energije,
...) čije vrijednosti ovise o stanju sustava, ali ne i procesima koji su sustav doveli u
to stanje. S matematičkog stanovišta, funkcije stanja su pravi (totalni) diferencijali.
Posebno važna funkcija stanja je unutrašnja energija, U. To je ukupna energija (kinetička
+ potencijalna + oscilatorna + vrtnja + elektronska pobud̄enja + ...) svih čestica sustava.
Sustavi u istom termodinamičkom stanju imaju istu vrijednost unutrašnje energije. Unu-
trašnja energija ovisi o drugim parametrima sustava, najčešće o temperaturi i volumenu.
F RUSTRACIJA
Geometrijske frustracije su u fenomen u fizici kondenzirane tvari u kome geometrijske
osobine kristalne rešetke ili prisustvo atomskih sila mogu „zabraniti“ spontano opadanje
energije, što može dovesti do poremećenog osnovnog stanja, odnosno entropije koja je
veća od nule na nula stupnjeva Kelvina.
In condensed matter physics, the term geometrical frustration (or in short: frustration)
refers to a phenomenon, where atoms tend to stick to non-trivial positions or where,
on a regular crystal lattice, conflicting inter-atomic forces (each one favoring rather
simple, but different structures) lead to quite complex structures. As a consequence of
the frustration in the geometry or in the forces, a plenitude of distinct ground states may
564 Poglavlje A. Matematički dodatak
result at zero temperature, and usual thermal ordering may be suppressed at higher
temperatures. Much studied examples are amorphous materials, glasses, or dilute
magnets. The term frustration, in the context of magnetic systems, has been introduced
by Gerard Toulouse (1977). Indeed, frustrated magnetic systems had been studied even
before. Early work includes a study of the Ising model on a triangular lattice with
nearest-neighbor spins coupled antiferromagnetically, by G. H. Wannier, published in
1950. Related features occur in magnets with competing interactions, where both ferro-
as well as antiferromagnetic couplings between pairs of spins or magnetic moments
are present, with the type of interaction depending on the separation distance of the
spins. In that case commensurability, such as helical spin arrangements may result, as
had been discussed originally, especially, by A. Yoshimori, T. A. Kaplan, R. J. Elliott,
and others, starting in 1959, to describe experimental findings on rare-earth metals. A
renewed interest in such spin systems with frustrated or competing interactions arose
about two decades later, beginning in the 70s of the 20th century, in the context of spin
glasses and spatially modulated magnetic superstructures. In spin glasses, frustration
is augmented by stochastic disorder in the interactions, as may occur, experimentally, in
non-stoichiometric magnetic alloys. Carefully analyzed spin models with frustration
include the Sherrington-Kirkpatrick model,[9] describing spin glasses, and the ANNNI
model, describing commensurability magnetic superstructures. Parametar reda koji
razlikuje visoko- od nisko-temperaturne faze je Edwards - Andersonov parametar reda
N
1
q(t) =
N ∑ hSn (t)i 2 .
n =1
G
G OLDSTONEOV BOZON
In particle and condensed matter physics, Goldstone bosons or Nambu–Goldstone
bosons (NGBs) are bosons that appear necessarily in models exhibiting spontaneous
breakdown of continuous symmetries. They were discovered by Yoichiro Nambu in
the context of the BCS superconductivity mechanism, and subsequently elucidated by
Jeffrey Goldstone, and systematically generalized in the context of quantum field theory.
These spinless bosons correspond to the spontaneously broken internal symmetry
generators, and are characterized by the quantum numbers of these. They transform
nonlinearly (shift) under the action of these generators, and can thus be excited out of the
asymmetric vacuum by these generators. Thus, they can be thought of as the excitations
of the field in the broken symmetry directions in group space—and are massless if the
spontaneously broken symmetry is not also broken explicitly. If, instead, the symmetry
is not exact, i.e. if it is explicitly broken as well as spontaneously broken, then the
Nambu–Goldstone bosons are not massless, though they typically remain relatively
light; they are then called pseudo-Goldstone bosons or pseudo-Nambu–Goldstone
bosons (abbreviated PNGBs).
I
I NTENZIVNA
veličina nekog sustava je ona čiji iznos ne ovisi o veličini sustava ili o količini tvari u
sustavu (temperatura, tlak, indeks loma, gustoća homogenih tijela).
A.12 Mali trikovi 565
K
K EMIJSKI POTENCIJAL
U kontekstu promjene unutrašnje energije sustava, značenje kemijskog potencijala se
može vidjeti iz prvog postulata termodinamike zapisanog u obliku
dU = T dS − p dV + µ dN .
Član s kemijskim potencijalom iščitavamo tako da on predstavlja povećavanje/smanjenje
unutrašnje energije sustava kada se broj čestica sustava poveća/smanji za dN = 1.
K IRALNOST
je svojstvo koje imaju likovi i tijela koje se očituje u tome da se zbog nesimetričnosti
prostornog rasporeda atoma ili molekula izvornik ne može poklopiti sa svojom zrcal-
nom slikom odnosno zrcalnim prostornim oblikom, bez obzira na to kakve pomake ili
zakrete napravili s njima. Primjer akiralnih molekula su molekule vode, kisika, dušika,
metana, ugljikovog dioksida, ugljikovog monoksida i dr. Primjeri kiralnih molekula su
molekule većine aminokiselina, šećera, nukleinskih kiselina i dr.
K OMPONENTA
je element ili spoj koje se u čistom stanju može izolirati.
K ONFIGURACIJSKI PROSTOR
Prostro dimenzije s (broj stupnjeva slobode sustava), čije su osi poopćene koordinate
q1 , q2 , · · · , qs . (Usporediti s - fazni prostor.)
K ONTAKT,
tj. termodinamički kontakt je veza izmed̄u dva sustava koja omogućava njihovo med̄u-
djelovanje, a može biti
mehanički, ako jedan sustav nad drugim obavlja mehanički rad;
čestični, ako dolazi do preraspodjela čestica izmed̄u raznih sustava;
toplinski, ako dolazi do izmjene energija med̄u sustavima;
adijabatski, ako granica med̄u sustavima ne omogućava izmjenu topline.
K ORELACIJSKA DUŽINA
se definira kao druga derivacija potencijalne energije po parametru reda , M,
d2 E p
ξ −2 = .
dM2
K VANTNI FAZNI PRIJELAZ
In physics, a quantum phase transition (QPT) is a phase transition between different
quantum phases (phases of matter at zero temperature). Contrary to classical phase
transitions, quantum phase transitions can only be accessed by varying a physical
parameter—such as magnetic field or pressure—at absolute zero temperature. The
transition describes an abrupt change in the ground state of a many-body system due
to its quantum fluctuations. Such a quantum phase transition can be a second-order
phase transition.
M
M IKROSKOPSKO STANJE
sustava je stanje definirano položajem i brzinama svih čestica sustava (dakle, nije defini-
566 Poglavlje A. Matematički dodatak
P
PARAMETAR REDA
feromagneti - magnetizacija,
antiferomagneti - Staggered magnetization, npr. Mst = ∑i (−1) i Si .
PARAMETRI,
tj. termodinamički parametri su opservable - makroskopske veličine koje se mogu
mjeriti i koje su nam (barem dio njih - tlak, temperatura, volumen, sastav,....) poznate iz
svakodnevice. Mogu biti:
Ekstenzivni parametri ili faktori kapaciteta, ovise o količini tvari. To su masa, volumen,
entropija, entalpija, ... ). Aditivnog su karaktera pa je npr. V = ∑n Vn .
Intenzivni parametri ili faktori intenziteta, ne ovise o količini tvari u sustavu. To su npr.
gustoća, tlak, temperatura, indeks loma, površinska napetost, molarni volumen, ...
Ekstenzivni parametri mogu postati intenzivni svod̄enjem na jediničnu vrijednost, jer
je omjer dvije ekstenzivne veličine intenzivna veličina. Tako su npr. masa i volumen
ekstenzivni parametri, ali je gustoća (omjer mase i volumena) intenzivan parametar.
P ERKOLACIJA
se definira kao formiranje i/ili korištenje već postojećih putanja kroz porozni materijal.
Site perkolacija na pravilnoj rešetki ..
Bond perkolacija na pravilnoj rešetki..
Continuum perkolacija se dogad̄a u sustavima u kojima perkolacijski elementi mogu
zauzeti proizvoljan položaj u prostoru (nisu ograničeni na čvorove rešetke ili veze med̄u
čvorovima).
Vjerojatnost perkolacije, pc , je ona vjerojatnost pojave čvorova ili veza za koju je vjerojat-
nost pojave beskonačnog klastera, veća od nule. Od nje se razlikuje vjerojatnost pojave
spanning klastera koji povezuje suprotne stranice sustava:
At percolation theshhold pc , there may or may not exist a spanning cluster. The spanning
probability depends on many factors like the kind of percolation (site, bond, continuous,...), type
of lattice, boundary conditions, etc.
P ROCESI,
tj. termodinamički procesi su načini na koje se može mijenjati termodinamičko stanje
nekog sustava. Ne mjenja se sam sustav, nego se mjenjaju njegovi parametri. Ovi su
procesi opisani promjenama makroskopskih veličina (termodinamičkih parametara)
kao što su tlak, temperatura,volumen, ... Termodinamički procesi mogu bit spontani
(odvijaju se sami od sebe) ili inducirani (odvijaju se pod djelovanjem vanjske sile).
Reverzibilni (povratni) procesi su oni kod kojih sustav od početnog do konačnog
stanja sporo prolazi (kontinuiranim) nizom ravnotežnih stanja koja se med̄usobno
infinitezimalno razlikuju. Njime su povezana dva ravnotežna stanja. Reverzibilni proces
je rezultat djelovanja vanjskih sila na sustav i zato se (promjenom smjera djelovanja
vanjskih sila) proces može odvijati i u suprotnom smjeru.
Ireverzibilni (nepovratni) procesi su oni kod kojih sustav od početnog do konačnog
A.12 Mali trikovi 567
Q
Q UANTUM ENTANGLEMENT
(kvantno preplitanje) is a physical phenomenon that occurs when pairs or groups
of particles are generated, interact, or share spatial proximity in ways such that the
quantum state of each particle cannot be described independently of the state of the
other(s), even when the particles are separated by a large distance.
ρ(~r 1 ,~r 2 ) 6= ρ(~r 1 ) · ρ(~r 2 ).
DrugiAutori/SchmidtDecomp.pd f (p.21) In quantum information sciences, entangle-
ment is regarded as a quantum version of correlation. Gustoća vjerojatnosti dvije
varijable se ne može napisati kao umnožak dvije gustoće od po jedne varijable.
QUENCHED DISORDER
Vidjeti pod: annealed vs. quenched disorder.
S
S EMIMETAL
A semimetal is a material with a very small overlap between the bottom of the conduc-
tion band and the top of the valence band. According to electronic band theory, solids
can be classified as insulators, semiconductors, semimetals, or metals. In insulators and
semiconductors the filled valence band is separated from an empty conduction band
by a band gap. For insulators, the magnitude of the band gap is larger (e.g. > 4 eV)
than that of a semiconductor (e.g. < 4 eV). Because of the slight overlap between the
conduction and valence bands, semimetal has no band gap and a negligible density of
states at the Fermi level. A metal, by contrast, has an appreciable density of states at the
Fermi level because the conduction band is partially filled.
S PANNING CLUSTER
se definira kao putanja koja povezuje suprotne stranice sustava. Kritična gustoća nc je
gustoća elementa za koju je vjerojatnost nalaženja bar jednog spanning clustra jednaka
50 %.
S PARS MATRICES
broj matričnih elemenata u svakom redu/stupcu ostaje konačan čak i u granici kada
red matrice postaje beskonačan.
S PINSKO STAKLO
spinsko staklo, magnetski materijal u kojem »zamrznuti« smjerovi slučajno orijentiranih
magnetskih momenata atoma ne podliježu dugodosežnomu magnetskom ured̄enju
(stanje koje podsjeća na strukturnu neured̄enost stakla). Iznad kritične temperature T f
opaža se paramagnetizam slobodnih, neinteragirajućih atomskih momenata, gdje se
paramagnetna susceptibilnost χ ponaša po Curieovu zakonu: χ 1/T. Na temperaturi
T f , za razliku od normalnih paramagnetskih tvari, susceptibilnost se smanjuje. U stanju
spinskoga stakla nema spontane magnetizacije kao u feromagnetika, ali ima ostatka na-
kon isključivanja vanjskoga magnetskog polja i postoji petlja histereze. Stanje spinskoga
stakla opaža se uglavnom kod slitina s primjesom od nekoliko postotaka kemijskoga
elementa koji ima izražena magnetska svojstva.
S TANJE,
tj. termodinamičko stanje sustava je naziv za skup vrijednosti termodinamičkih para-
metara pridružen danom sustavu. Dva sustava s istim vrijednostima termodinamičkih
parametara, nalaze se u istom stanju.
Ravnotežno stanje termodinamičkog sustava je ono stanje u kojemu se termodinamički
parametri sustava spontano ne mjenjaju u vremenu (potrebna je vanjska sila da bi se oni
promjenili) ili u koje se sustav periodički vraća. Ne dolazi do transporta mase i energije.
Postoje tri vrste ravnotežnih stanja:
termička ravnoteža - u svim djelovima sustava, temperatura je konstantna;
mehanička ravnoteža - nema makroskopskih gibanja u sustvu ili gibanja sustava kao
cjeline u odnosu na okolinu.;
kemijska ravnoteža - kemijski sastav se ne mijenja tijekom vremena i isti je u svim
točkama sustava.
Stacionarno je ono stanje u kojemu se parametri stanja sa vremenom takod̄er ne mje-
njaju, ali dolazi do transporta mase i energije. "Steady state" in general means the
system may be dynamic but the derivatives are zero. For example, a fire burning inside
a box reaches steady state when the energy dissipated to the exterior matches the rate
of energy generated by the fire. This is not at equilibrium because energy is being
dissipated.
Neravnotežno stanje termodinamičkog sustava je ono stanje u kojemu se termodina-
mički parametri sustava spontano mjenjaju u vremenu (nije potrebna vanjska sila da
bi se oni promjenili). Non-equilibrium states can be steady states if there is a source of
energy to maintain the non-equilibrium condition. Without the source of energy, the
system would quickly settle into an equilibrium state.
S USTAV,
točnije termodinamički sustav je naziv za skup čestica (diskretna slika) ili (kontinuiranu)
nakupinu tvari koja se nalazi u zadanom volumenu i u kojem nastaju med̄usobne
pretvorbe topline i drugih oblika energije. Sve što je izvan sustava, naziva se okolina
A.12 Mali trikovi 569
T
T EMPERATURA
ili, preciznije rečeno, inverzna temperatura (to je veličina koja se prirodno pojavljuje u
teoriji), je veličina koja opisuje kako se entropija sustava mijenja s promjenom energije
1
∂S
= .
T ∂E N
T ERMODINAMIKA
označava znanstvenu disciplinu koja proučava pretvorbe jednog oblika energije u drugi
(napose pretvorbe topline). Početak razvoja termodinamike je u proučavanju toplinskih
strojeva (S. Carnot - O pokretačkoj sili ognja i strojevima sposobnim da razviju tu silu).
T ERMOSTAT
je okolina termodinamičkog sustava koja mu osigurava konstantnu temperaturu.
570 Poglavlje A. Matematički dodatak
T EŠKI FERMIONI
Sustavi teških fermiona su spojevi u kojima snažne elektronske i magnetske korelacije
omogućuju stvaranje egzotičnh osnovnih stanja kao što su nekonvencionalna supravod-
ljivost, magnetizam, spinske tekućine i stanja kvantne kritičnosti. Prisutnost povećanih
korelacija dovodi do anomalnog metalnog stanja koje se može opisati teorijom Fermi-
jeve tekućine, ali uz povećanje efektivne mase nosilaca naboja, i to do 1000 puta veće.
Po tom efektu su ovi materijali i dobili svoje ime.
T LAK
U kontekstu promjene unutrašnje energije sustava, značenje tlaka se može vidjeti iz
prvog postulata termodinamike zapisanog u obliku
dU = T dS − p dV + µ dN .
Član s tlakom
dV
− p dV = − pV0
V0
iščitavamo tako da pV0 predstavlja povećavanje/smanjenje unutrašnje energije sustava
kada se volumen sustava poveća/smanji za V0 .
T O ČKASTE PREOBRAZBE
konfiguracijskog prostora su one preobrazbe u konfiguracijskom prostoru kod kojih su
nove koordinate funkcije samo starih koordinata, ali ne i starih količina gibanja. Točkaste
preobrazbe faznog prostora su one preobrazbe u faznom prostoru kod kojih su nove
koordinate funkcije starih koordinata i starih količina gibanja.q̃s = q̃s (q1 , q2 , · · · , qs , t).
U
U NITARNA MATRICA
Matrica U dimenzije n × n je unitarna, ako stupci U čine ortonormiranu bazu u R n .
Matrica A dimenzije n × n je unitarno dijagonalizabilna, ako postoji n × n unitarna
matrica U, takva da je A = U · D · · · U −1 , gdje je D dijagonalna matrica. Za unitarne
matrice vrijedi da je U −1 = U | . Unitarna matrica prevodi jednu ortonormiranu bazu u
drugu ortonormiranu bazu. Drugim riječima, unitarna matrica izvodi vrtnju baze.
U NUTRAŠNJA ENERGIJA,
U, predstavlja ukupnu (kinetičku i potencijalnu) energiju sustava, odnosno energiju svih
čestica u sustavu (molekula, atoma, iona). Pojam kinetičke energije obuhvaća kinetičku
energiju translacije, vrtnje i titranja. Potencijalna energija je energija med̄udjelovanja
čestica. Unutrašnja energija sustava ne obuhvaća potencijalnu energiju sustava kao
cjeline usled njegovog položaja u prostoru niti kinetičku energiju gibanja sustava kao
cjeline. U termodinamici se promatraju sustavi koji miruju i nalaze se izvan gravitacij-
skog ili elektromagnetskog polja. Apsolutna vrijednost unutrašnje energije nije poznata
(nemoguće je znati sve njezine komponente) i zato se govori samo o promjenama unu-
trašnje energije, ∆ U. Unutrašnja energija sustava ovisi o prirodi sustava, njegovoj masi
i parametarima stanja sustava. Sa porastom mase sustava raste i energija sustava, pa se
ubraja u ekstenzivna svojstva sustava. Unutrašnja energija sustava više tjela jednaka je
zbroju unutrašnjih energija svakog od njih ponaosob i energijama njihovog med̄udjelo-
vanja (u tankom sloju na granici tjela; mala je i može se zanemariti).
A.12 Mali trikovi 571
W
W EYL FERMIONS
are massless chiral fermions that play an important role in quantum field theory and the
standard model. They are considered a building block for fermions in quantum field
theory, and were predicted from a solution to the Dirac equation derived by Hermann
Weyl called the Weyl equation.[1] For example, one-half of a charged Dirac fermion of
a definite chirality is a Weyl fermion.[2] They have not been observed as a fundamen-
tal particle in nature. Weyl fermions may be realized as emergent quasiparticles in a
low-energy condensed matter system. This prediction was first proposed by Conyers
Herring in the context of electronic band structures of solid state systems such as elec-
tronic crystals.[3][4][5] The first (non-electronic) liquid state which is suggested has
similarly emergent but neutral excitation and theoretically interpreted superfluid’s
chiral anomaly as observation of Fermi points is in Helium-3 A liquids.[6] Crystalline
tantalum arsenide (TaAs) is the first discovered topological Weyl fermion semimetal
exhibiting topological surface Fermi arcs where Weyl fermion is electrically charged
along the line of original suggestion by Herring.[7] An electronic Weyl fermion is not
only charged but stable at room temperature where there is no such superfluid or liquid
state known.
W EYL SEMIMETAL
A Weyl semimetal is a solid state crystal whose low energy excitations are Weyl fermions
that carry electrical charge even at room temperatures.[9][10] A Weyl semimetal enables
realization of Weyl fermions in electronic systems.[7] It is a topologically nontrivial
phase of matter, together with Helium-3 A superfluid phase, that broadens the topologi-
cal classification beyond topological insulators.[5] The Weyl fermions at zero energy
correspond to points of bulk band degeneracy, the Weyl nodes (or Fermi points), that
are separated in momentum space. Weyl fermions have distinct chiralities, either left
handed or right handed.
Weyl semimetals, for example strontium silicide Sr Si2 , Tantalum arsenide Ta As have a
Hamiltonian that is very similar to that of graphene, but now includes all three Pauli
matrices and the linear crossings occur in 3D:
Since all three Pauli matrices are present, there is no further Pauli matrix that could open
a gap in the spectrum and Weyl points are therefore topologically protected.[2] Tilting
of the linear cones so the Dirac velocity varies leads to type II Weyl semimetals.[19][20]
One distinct, experimentally observable feature of Weyl semimetals is that the surface
states form Fermi arcs since the Fermi surface does not form a closed loop.
Z
ZERO - RANGE PROCESESS
Skok čestice ovisi o stanju čvora sa kojega se skače (a ne o stanju čvora na koji se skače).
To omogućava kondenzaciju makroskopskog broja čestica na jednom čvoru.
B. Literatura, popis pojmova i autora
Popis literature
Knjige
A NDERSON , D AVID F.
Lecture notes on stochastic processes with application in biology. 2017 (citirano na stranci 492).
A RFKEN , G. B. I H. J. W EBER.
Mathematical Methods for Physicists. Academic Press, San Diego, 1995 (citirano na
stranicama 40, 270, 367, 378, 483).
A ROVAS , D ANIEL.
Lecture Notes on Nonequilibrium Statistical Physics. 2014. URL: https://www.academia.
edu / 11101928 / Lecture _ Notes _ on _ Nonequilibrium _ %20Statistical _ Physics
(citirano na stranci 311).
B AZANT, M ARTIN Z.
Random walks and diffusion. 2006. URL: https://ocw.mit.edu/courses/mathematics/
18-366-random-walks-and-diffusion-fall-2006/lecture-notes/ (citirano na
stranci 539).
B OCCIO , J OHN.
Quantum mechanics. 2017. URL: http : / / www . johnboccio . com / TQM / QM _ 1 . pdf
(citirano na stranci 169).
Bronxtein, Il Nikolaeviq i Konstantin Adolfovic Semendyev.
Matematički priručnik za inženjere i studente. Tehnička knjiga, Zagreb, 1975 (citirano
na stranci 326).
Č ULJAK , V ERA.
Vjerojatnost i statistika. 2011. URL: www.grad.hr/vera/webnastava/vjerojatnostistatistika/
vis-pdf.pdf (citirano na stranicama 40, 483).
D AMJANOVI Ć , A LEKSANDAR I G EORGIJE L UKATELA.
Teorija telekomunikacija 1. 1959 (citirano na stranci 311).
E LEZOVI Ć , N EVEN.
Vjerojatnost i statistika 2 - slučajne varijable. Element, Zagreb, 2007 (citirano na strani-
cama 169, 367, 378, 513).
574 Poglavlje B. Literatura, popis pojmova i autora
—
Vjerojatnost i statistika 3 - matematička statistika i stohastički procesi. Element, Zagreb,
2007 (citirano na stranicama 483, 513, 539).
—
Vjerojatnost i statistika. Element, Zagreb, 2008 (citirano na stranci 40).
—
Vjerojatnost i statistika 1 - diskretna vjerojatnost. Element, Zagreb, 2008 (citirano na
stranicama 100, 270).
G IORDANO , N ICHOLAS J. I H ISAO N AKANISHI.
Computational Physics. Pearson Prentice Hall, New York, 2006. URL: http://www.
physics.purdue.edu/~hisao/book/ (citirano na stranci 417).
G LUMAC , Z VONKO.
Klasična mehanika - kratak uvod. Odjel za fiziku, Osijek, 2019. URL: http : / / www .
fizika.unios.hr/~zglumac/utm.pdf (citirano na stranicama 132, 154, 156, 157,
291).
—
Matematičke metode fizike - kratak uvod. Odjel za fiziku, Osijek, 2019. URL: http :
//www.fizika.unios.hr/~zglumac/ummf.pdf (citirano na stranicama 62, 85, 122,
150, 151, 192, 200, 208, 214, 244, 254, 261, 273, 287, 313, 315, 317, 331, 334, 335, 367,
410, 535).
—
Računalne metode fizike - kratak uvod. Odjel za fiziku, Osijek, 2019. URL: http://www.
fizika.unios.hr/~zglumac/urmf.pdf (citirano na stranicama 302, 516, 529).
—
Statistička fizika - kratak uvod. Odjel za fiziku, Osijek, 2019. URL: http://www.fizika.
unios.hr/~zglumac/usf.pdf (citirano na stranicama 147, 260, 273, 274, 288, 297,
308, 516).
G RAHAM , R ONALD L., D ONALD E. K NUTH I O REN PATASHNIK.
Concrete Mathematics. McGraw - Hill, 1997 (citirano na stranci 367).
G RIGORIEV, R OMAN.
Mathematical Methods of Physics. 2019. URL: http://www.cns.gatech.edu/~predrag/
courses/PHYS-6124-12/roman07/ (citirano na stranicama 270, 513).
G RINSTEAD , C HARLES M. I J. L AURIE S NELL.
Introduction to probability. 2019. URL: https://www.math.dartmouth.edu/~prob/
prob/prob.pdf (citirano na stranicama 40, 169, 270, 539).
H WEI , P. H SU.
Theory and problems of probability, random variables and random processes. McGraw -
Hill, 1997 (citirano na stranicama 100, 270, 378, 492, 513, 539).
I VANOVI Ć , B RANISLAV.
Teorija verovatnoće. Univerzitetski udžbenici. Naučna knjiga, Beograd, 1977, stra-
nica 328 (citirano na stranicama 85, 100, 169, 192, 270, 311, 367, 378).
K AMAL , A HMAD A.
1 000 Solved Problems in Modern Physics. Springer Verlag, Berlin Heidelberg, 2010
(citirano na stranci 270).
M AC K AY, D AVID J.
Zipf - Mandelbrot distribution. 2019. URL: www.inference.phy.cam.ac.uk%20%E2%80%
BA%20donut%20%E2%80%BA%20infinite%20%E2%80%BA%20zipfMacKay (citirano na
stranci 270).
575
M ARKOVI Ć , B. I DRUGI.
Odabrana poglavlja fizike, III dio. PMF, Sveučilište u Zagrebu, 1963 (citirano na stranci 417).
M ARKOVI Ć , Ž ELJKO.
Uvod u višu analizu, I i II dio. Školska knjiga, Zagreb, 1952 (citirano na stranicama 208,
218).
M ATI Ć , B ORIVOJ.
Praktikum iz statistike. Ekonomski fakultet, Osijek, 1974 (citirano na stranci 483).
PAVLI Ć , I VO.
Statistička teorija i primjena. Panorama, Zagreb, 1965 (citirano na stranicama 40, 100,
169, 270, 367, 378, 417, 455, 480, 483, 492, 497, 499, 503–505, 508, 513).
P OPOVI Ć , M ARKO.
Entropija. 2017 (citirano na stranci 311).
P OŽEK , M IROSLAV.
Osnove teorije vjerojatnosti i matematičke statistike. 2003. URL: https://www.scribd.
com / document / 56377048 / Osnove - teorije - vjerojatnosti - i - matematicke -
statistike (citirano na stranicama 40, 417, 483).
R EIF, F REDERICK.
Fundamentals of Statistical and Thermal Physics. McGraw-Hill, 1967 (citirano na stranci 539).
R ILEY, K EN , M ICHAEL H OBSON I S TEPHEN B ENCE.
Mathematical Methods for Physics and Engineering. Cambridge Univ. Press, 2006 (citi-
rano na stranicama 100, 169, 270, 367, 378, 417, 455, 483, 492, 513).
R OSS , S HELDON M.
Introduction to Probability Models. 2019. URL: https://fac.ksu.edu.sa/sites/
default/files/introduction-to-probability-model-s.ross-math-cs.blog_
.ir_.pdf (citirano na stranci 539).
S HORTRIDGE , A SHTON.
Spatial Data Analysis. 2019. URL: https://msu.edu/~ashton/classes/866/ (citirano
na stranci 417).
S ILAGADZE , Z. K.
Citations and the Zipf-Mandelbrot’s law. 2019. URL: http://cds.cern.ch/record/
377204/files/9901035.pdf (citirano na stranci 270).
S PIEGEL , M URRAY R ALPH I L ARRY J. S TEPHENS.
Theory and problems of Statistics. Schaum’s outline series. McGraw-Hill, 1999 (citirano
na stranicama 270, 455, 483).
S UPEK , I VAN.
Teorijska fizika i struktura materije, 2. Školska knjiga, Zagreb, 1997 (citirano na stranci 100).
V RANI Ć , V LADIMIR.
Vjerojatnost i statistika. Tehnička knjiga, Zagreb, 1971 (citirano na stranicama 40, 100,
169, 234, 247–249, 270, 367, 378, 417, 455, 483, 490, 492, 539).
V UKADINOVI Ć , S VETOZAR V.
Zbirka rešenih zadataka iz teorije verovatnoće. Privredni pregled, Beograd, 1990 (citirano
na stranicama 169, 270, 311, 378, 513, 539).
W OLFRAM , M ATH W ORLD.
Bose-Einstein Distribution. http://mathworld.wolfram.com/Bose-EinsteinDistribution.html,
2019 (citirano na stranci 270).
—
Fermi-Dirac Distribution. http://mathworld.wolfram.com/Fermi-DiracDistribution.html,
2019 (citirano na stranci 270).
576 Poglavlje B. Literatura, popis pojmova i autora
Članci
D AUXOIS , T HIERRY I DRUGI. „
Dynamics and Thermodynamics of Systems with Long Range Interactions: an In-
troduction”. (2002). URL: https://arxiv.org/abs/cond-mat/0208455 (citirano na
stranci 311).
G ARCIA -PALACIOS , J OSÉ L UIS. „
Introduction to the theory of stochastic processes and Brownian motion problems”.
(2007). URL: arxiv.org/abs/cond-mat/0701242 (citirano na stranicama 169, 270,
367, 513, 539).
K AMBLY, D ANIA , C HRISTIAN F LINDT I M ARKUS B ÜTTIKER. „
Factorial cumulants reveal interactions in counting statistics”. Phys. Rev. B 83 (2011),
stranica 075432. URL: arXiv:1012.0750v2 (citirano na stranci 367).
T OUCHETTE , H UGO. „The large deviation approach to statistical mechanics”. Physics
Reports 478 (2009), stranice 1–69. URL: http://people.math.umass.edu/~rsellis/
pdf-files/Touchette-review.pdf (citirano na stranicama 270, 297).
Y OUNG , P ETER. „
Everything you wanted to know about Data Analysis and Fitting but were afraid to
ask”. (2012). URL: https://arxiv.org/abs/1210.3781 (citirano na stranicama 417,
483).
Popis pojmova