Neki Dokument

Sluµcajna varijabla
STATISTIKA
Prirodoslovno-matematiµcki fakultet
doc.dr.sc. Nikola Koceić Bilan
STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 1 / 52

Diskretna sluµcajna varijabla
Pri praćenju nekoga pokusa zanimamo se za neko numeriµcko obiljeµzje

X toga pokusa. Kod numeriµckih varijabli populaciju su tvorili svi
pokusi i svakom pokusu varijabla je pridruµzivala njegovo numeriµcko
obiljeµzje. Kod konaµcne populacije svakom numeriµckom obiljeµzju se
pridruµzivala njezina relativna frekvencija i takvu funkciju smo nazivali
distribucijom relativne frekvencije numeriµcke varijable. No, kod
beskonaµcnih populacija pojam relativne frekvencije nekoga
numeriµckoga obiljeµzja nema smisla i mijenjamo ga s pojmom
vjerojatnosti doga†aja kojemu pridruµzujemo to numeriµcko obiljeµzje.
No, to znaµci da moramo zapoµceti od vjerojatnosnoga prostora
(Ω, F , p ), zatim ćemo svakom ishodu (elementarnom doga†aju)
pokusa ω 2 Ω pridruµziti neki broj (obiljeµzje).

De…nicija
Neka je (Ω, F , p ) vjerojatnosni prostor. Neka funkcija X : Ω ! R koja
svakom ishodu ω pridruµzuje realni broj x = X (ω ) poprima konaµcno ili
najviše prebrojivo vrijednosti x1 , x2 , .... Ako je X 1 (xi ) 2 F , za svaki i,
onda X nazivamo diskretnom sluµcajnom varijablom.

De…nicija
Ako je (Ω, F , p ) diskretni vjerojatnosni prostor (Ω je prebrojiv i F je

P (Ω)) onda je svaka funkcija X : Ω ! R diskretna sluµcajna
varijabla.

De…nicija

varijabla.
Koristit ćemo oznake (X = x0 ) za fω 2 Ω j X (ω ) = x0 g i analogno
(X < x0 ) = fω 2 Ω j X (ω ) < x0 g i sliµcno

De…nicija

varijabla.
Koristit ćemo oznake (X = x0 ) za fω 2 Ω j X (ω ) = x0 g i analogno
(X < x0 ) = fω 2 Ω j X (ω ) < x0 g i sliµcno
De…nicija
Neka diskretna sluµcajna varijabla poprima vrijednosti x1 , x2 , ... i neka je
pi = p (X = xi ) vjerojatnost doga†aja koji se sastoji od onih ishoda
kojima sluµcajna varijabla pridruµzi broj xi (doga†aj da sluµcajna varijabla ima
vrijednost xi ). Skup ure†enih parova f(x1 , p1 ) , (x2 , p2 ) , ...g nazivamo
distribucijom sluµcajne varijable X .
De…nicija
Oµcekivanje sluµcajne varijable X je broj (ukoliko postoji)
E [X ] = x1 p1 + x2 p2 + .

De…nicija
E [X ] = x1 p1 + x2 p2 + .
Oµcekivanje E [X ] odgovara aritmetiµckoj sredini µ numeriµcke varijable

zadane na konaµcnoj populaciji s vrijednostima x1 , x2 , ..., xN i
odgovarajućim relativnim frekvencijama p1 , ..., pN , pa se ovi brojevi
µcesto i jednako oznaµcuju sa µ

De…nicija
E [X ] = x1 p1 + x2 p2 + .

De…nicija
Ako je µ oµcekivanje sluµcajne varijable X , onda oµcekivanje sluµcajne
varijable (X µ)2 nazivamo varijancom sluµcajne varijable X i
oznaµcavamo jup sa Var [X ] = σ2 , a standardnom devijacijom D [X ] = σ
nazivamo broj σ2 .

De…nicija
E [X ] = x1 p1 + x2 p2 + .

De…nicija
Ako je µ oµcekivanje sluµcajne varijable X , onda oµcekivanje sluµcajne
varijable (X µ)2 nazivamo varijancom sluµcajne varijable X i
oznaµcavamo jup sa Var [X ] = σ2 , a standardnom devijacijom D [X ] = σ
nazivamo broj σ2 .
h i
Vrijedi σ2 = E (X µ)2 = (x1 µ)2 p1 + (x2 µ)2 p2 +

Svaku (statistiµcku) numeriµcku varijablu X : S ! R zadanu na konaµcnoj
populaciji S od N elementa koji poprimaju k razliµcitih vrijednosti x1 , ..., xk ,
moµzemo promatrati kao diskretnu sluµcajnu varijablu na sljedeći naµcin:
De…niramo prostor elementarnih doga†aja Ω elementi kojeg su ishodi
ω i ="element populacije ima obiljeµzje xi ". Za svaki taj ishod uzimamo
vjerojatnost pi koja odgovara relativnoj frekvenciji obiljeµzja xi . Na takav
naµcin je de…niran vjerojatnosni prostor (Ω, F , p ) , a sluµcajna varijabla
X : Ω ! R pridruµzuje ishodu ω i broj xi . Oµcekivanje i varijanca te sluµcajne
varijable odgovaraju aritmetiµckoj sredini i varijanci poµcetne statistiµcke
varijable. Nadalje, svaku diskretnu (statistiµcku) sluµcajnu varijablu zadanu
na beskonaµcnom skupu moµzemo promatrati kao diskretnu sluµcajnu
varijablu pri µcemu su vjerojatnosti pi elementarnih doga†aja ω i ="element
populacije ima obiljeµzje xi " de…nirane kao limesi lim Nfi odgovarajućih
N !∞
relativnih frekvencija, kad opseg populacije N ide u beskonaµcnost.

Primjer
Temperature zraka (zaokruµzene) izmjerene u travnju 2011. u Splitu u 12
sati su dane u tablici.
temperatura 18 19 20 21 22 23 24 25
fi 10 4 8 2 3 1 1 1
Tablica predstavlja distribuciju numeriµcke varijable
X : f1., 2., ..., 30.g ! R. Aritmetiµcka sredina (prosjeµcna temperatura za
travanj) je µ = 10 30 18 +
1
+ 30 25 = 19.867. De…nirajmo prostor
elementarnih doga†aja Ω = fω i j i = 0, ..., 40g kojeg tvore elementarni
doga†aji ω i "temperatura u Splitu izmjerena u 12 sati u nekom danu u
travnju je i-stupnjeva Celzijusa". Za vjerojatnost elementarnog doga†aja
fi
ω i ćemo staviti relativnu frekvenciju pi = 30 temperature i izmjerene
2011. tj. pi = 0, za i < 18, p18 = 10 30 , p 19 = 4 1
30 , ..., p25 = 30 . Sada je
diskretna vjerojatnost p de…nirana na svakom doga†aju iz F = P (Ω). Na
takav naµcin smo de…nirali diskretni vjerojatnosni prostor (Ω, F , p ) , pa
statistiµcku varijablu X moµzemo promatrati kao sluµcajnu varijablu
X : Ω ! N de…niranu sa X (ω i ) = i. Oµcekivanje te sluµcajne varijable je
E [X ] = 19.867.
U prethodnom primjeru statistiµcka varijabla opisuje samo postojeće stanje
doµcim sluµcajna varijabla daje model kojim se anticipiraju doga†aji u
budućnosti. No, taj model bi bio bolji da smo za odgovarajuće
vjerojatnosti mogli staviti relativne frekvencije pojedinih zaokruµzenih
temperatura izmjerenih u posljednjih 100 godina u travnju. Primijetimo da
je taj model utemeljen na empirijskim (aposteriori) vjerojatnostima.
Sluµcajna varijabla moµze i modelirati neke pojave koristeći teorijske (apriori)
vjerojatnosti koje se odnose na neke pokuse. Naime kod izvo†enja nekog
pokusa deskriptivna statistika pomoću statistiµcke varijable moµze samo
detektirati rezultate toga pokusa iz kojih nije razvidna neka zakonitost jer
se odnose na samo konkretno izvedene pokuse. S druge strane
inferencijalna statistika pomoću sluµcajne varijable nudi teorijski oµcekivane
rezultate koji se odnose na svaki pokus takve vrste.

Primjer
Neka se pokus sastoji u bacanju novµcića 3 puta odjednom i neka sluµcajna
varijabla biljeµzi koliko puta je palo pismo. Ova sluµcajna varijabla X je
de…nirana na vjerojatnosnom prostoru (Ω, P (X ) , p ) gdje je Ω =
f(i, j, k ) j i, j, k = 0, 1g . Prostor elementarnih doga†aja se sastoji od
ishoda ω 1 = (0, 0, 0) (niti jednom nije palo pismo), ω 2 = (0, 0, 1) (samo
jednom, u trećem bacanju je palo pismo), ω 3 = (0, 1, 0) ,
ω 4 = (0, 1, 1) , ω 5 = (1, 0, 0) , ω 6 = (1, 0, 1), ω 7 = (1, 1, 0)
ω 8 = (1, 1, 1) . Sluµcajna varijabla poprima ove vrijednosti X (ω 1 ) = 0,
X (ω 2 ) = X (ω 3 ) = X (ω 5 ) = 1, X (ω 4 ) = X (ω 6 ) = X (ω 7 ) = 2 i
X (ω 8 ) = 3, a pripadne vjerojatnosti su
p (X = 0) = 81 = p (X = 3) , p (X = 1) = 38 = p (X = 2) .
Primjerice doga†aj da sluµcajna varijabla poprima vrijednost veću od 1
pišemo (X > 1) = (X = 2) [ (X = 3) i on ima vjerojatnost
p (X > 1) = 83 + 18 = 0.5.

Primjer
Oµcekivanje ove sluµcajne varijable je
E [X ] = 81 0 + 38 1 + 38 2 + 81 3 = 12 3
8 = 2 = 1.5
Varijanca je σ2 =
1
8 (0 1.5)2 + 83 (1 1.5)2 + 38 (2 1.5)2 + 11 8 (3 1.5)2 = 3.562 5

Svaku (statistiµcku) numeriµcku varijablu X : S ! R zadanu na konaµcnoj
populaciji S od N elementa koji poprimaju k razliµcitih vrijednosti x1 , ..., xk ,
moµzemo promatrati kao diskretnu sluµcajnu varijablu na sljedeći naµcin.
De…niramo prostor elementarnih doga†aja Ω elementi kojeg su ishodi
ω i ="element populacije ima obiljeµzje xi ". Za svaki taj ishod uzimamo
vjerojatnost pi koja odgovara relativnoj frekvenciji obiljeµzja xi . Na takav
naµcin je de…niran vjerojatnosni prostor (Ω, F , p ) , a sluµcajna varijabla
X : Ω ! R pridruµzuje ishodu ω i broj xi . Oµcekivane i varijanca te sluµcajne
varijable odgovaraju aritmetiµckoj sredini i varijanci poµcetne statistiµcke
varijable.

Bernoullijev pokus
Pretpostavimo da u nekom pokusu vjerojatnost nekog doga†aja A je

p, odnosno vjerojatnost da ne nastupi taj doga†aj (Ac ) je 1 p.
Nadalje, pretpostavimo da se vjerojatnost toga doga†aja ne mijenja
pri ponavljanju pokusa. Takav doga†aj i pokus nazivamo
Bernoullijev.

Bernoullijev pokus
Pretpostavimo da u nekom pokusu vjerojatnost nekog doga†aja A je

p, odnosno vjerojatnost da ne nastupi taj doga†aj (Ac ) je 1 p.
Nadalje, pretpostavimo da se vjerojatnost toga doga†aja ne mijenja
pri ponavljanju pokusa. Takav doga†aj i pokus nazivamo
Bernoullijev.
Bernoullijev pokus je bacanje novµcića, bacanje kocke, izvlaµcenje
kuglice iz neke kutije koju vraćamo u kutiju nakon izvlaµcenja, a
odgovarajući Bernoullijevi doga†aji su: "palo je pismo", "pala je
šestica", "izvuµcena je toµcno odre†ena kuglica".

Binomna razdioba
De…nicija
Ako Bernoullijev pokus ponavljamo n puta, a sluµcajna varijabla Xn svakoj
seriji od n pokusa (svakoj ure†enoj n-torki ishoda jednog pokusa)
pridruµzuje ukupan broj ishoda dogo†aja A, onda varijablu Xn nazivamo
binomnom sluµcajnom varijablom ili da ima binomnu B fn, p g razdiobu.

Binomna razdioba
De…nicija
Ako Bernoullijev pokus ponavljamo n puta, a sluµcajna varijabla Xn svakoj
seriji od n pokusa (svakoj ure†enoj n-torki ishoda jednog pokusa)
pridruµzuje ukupan broj ishoda dogo†aja A, onda varijablu Xn nazivamo
binomnom sluµcajnom varijablom ili da ima binomnu B fn, p g razdiobu.
Teorem
Distribucija binomne sluµcajne varijable B fn, p g ( binomna distribucija) je
zadana sa
p (Xn = k ) = k !(nn! k )! p k (1 p )n k , k = 0, ..., n

Svaku diskretnu sluµcajnu varijablu koja poprima vrijednosti u
f0, 1, ..., ng za koju postoje p i n takvi da joj je distribucija B fn, p g
nazivamo binomnom

nazivamo binomnom
Broj p (k ) oznaµcuje vjerojatnost da se u n ponavljanja pokusa ishod A
ponovi k puta.

nazivamo binomnom
ponovi k puta.
Primjerice, vjerojatnost da u 5 bacanja padne 2 puta broj 6 je
5! 1 2 5 3 625
p (X = 2) = 2!3! 6 6 = 3888 0.16

nazivamo binomnom
ponovi k puta.
Primjerice, vjerojatnost da u 5 bacanja padne 2 puta broj 6 je
5! 1 2 5 3 625
p (X = 2) = 2!3! 6 6 = 3888 0.16
Teorem
Oµcekivanje binomne sluµcajne varijable s B fn, p g razdiobom
p je
E [Xn ] = np, a standardna devijacija je D [Xn ] = σ = np (1 p ).

Za jako velike n (np > 4 i n (1 p ) > 4) binomna distribucija se moµze
dovoljno dobro opisati s normalnom distribucijom (odgovarajućom
formulom za normalnu distribuciju)
Na slici su prikazane binomne distribucije B f5, 0.5g , B f5, 0.25g i
B f5, 0.1g

Primjer
Iz kutije s 4 bijele i 6 crnih kuglica izvlaµcimo 5 puta za redom jednu s
vraćanjem. Kolika je vjerojatnost da smo 3 puta, odnosno najviše 3
puta dobili bijelu kuglicu? Koje je oµcekivanje sluµcajne varijable koja
registrira broj povoljnih ishoda u 5 izvlaµcenja?

Primjer
4
Ova sluµcajna varijabla je binomna s distribucijom B 5, 10 . Traµzene
3 2
vjerojatnosti su p (X = 3) = 3!5!2! 104 6
10
144
= 625 0, 2304
p (X 3) = 1 p (x > 3) = 1 p (X = 4) p (X = 5) =
5! 4 4 6 1 5! 4 5 6 0
1 4! 1! 10 10 5! 0! 10 10 = 2853
3125 0.913

Primjer
4
Ova sluµcajna varijabla je binomna s distribucijom B 5, 10 . Traµzene
3 2
vjerojatnosti su p (X = 3) = 3!5!2! 104 6
10
144
= 625 0, 2304
p (X 3) = 1 p (x > 3) = 1 p (X = 4) p (X = 5) =
5! 4 4 6 1 5! 4 5 6 0
1 4! 1! 10 10 5! 0! 10 10 = 2853
3125 0.913
Oµcekivanje je E [X ] = np = 2

Primjer
Prodavaµc u dogovoru s proizvo†aµcem daje jednogodišnje jamstvo na
neki ure†aj. Prema podacima iz prijašnjeg razdoblja, 15% kupaca
prijavljuje kvar u jamstvenom roku. Ako je jednoga dana prodano 8
ure†aja i ako varijabla X biljeµzi broj prijavljenih kvarova ure†aja u
jamstvenom roku, kako glasi distribucija sluµcajne varijable X , te kolika
je njezina oµcekivana vrijednost i devijacija.

Primjer
Sluµcajna varijabla je binomna s distribucijom B f8, 0.15g . Distribucija
je dana formulom p (k ) = k !(88! k )! 0.15k 0.858 k , k = 0, ..., n, a
vrijednosti su u tablici
xi 0 1 2 3 4 5 6,7,8
p (X = xi ) 0.272 0.384 0.237 0.083 0.018 0.002 0

Primjer
Sluµcajna varijabla je binomna s distribucijom B f8, 0.15g . Distribucija
je dana formulom p (k ) = k !(88! k )! 0.15k 0.858 k , k = 0, ..., n, a
vrijednosti su u tablici
xi 0 1 2 3 4 5 6,7,8
p (X = xi ) 0.272 0.384 0.237 0.083 0.018 0.002 0
Oµcekivanje je µ = 8 0.15 = 1.2, a st. dev. je σ = 1.009

Primjer
Ako se bacaju dvije kocke istovremeno 30 puta. Odredite oµcekivani
broj dobitka broja 3 i 4 u istom bacanju.

Primjer
2 1
Vjerojatnost da padnu 3 i 4 u istom bacanju je p = 36 = 18 .
Sluµcajna varijabla koja registrira broj dobitka para 3 i 4 u 30 bacanja
je binomna s distribucijom B f3, 0.055g . Distribucija je zadana
formulom p (X = k ) = k !(30 30!
k )!
0.055k (1 0.055)30 k .

Primjer
2 1
Vjerojatnost da padnu 3 i 4 u istom bacanju je p = 36 = 18 .
Sluµcajna varijabla koja registrira broj dobitka para 3 i 4 u 30 bacanja
je binomna s distribucijom B f3, 0.055g . Distribucija je zadana
formulom p (X = k ) = k !(30 30!
k )!
0.055k (1 0.055)30 k .
Oµcekivanje je
µ = E [X ] = 0p (0) + 1p (1) + + 30p (30) = np = 30 0.055 =
1.65

Poissonova razdioba
De…nicija
Kaµzemo da diskretna sluµcajna varijabla X koja poprima vrijednosti u N0
ima Poissanovu distribuciju ako postoji λ > 0 takav da je njezina
λ k
distribucija zadana sa p (X = k ) = e k !λ , k = 0, 1, ...

Poissonova razdioba
De…nicija
Kaµzemo da diskretna sluµcajna varijabla X koja poprima vrijednosti u N0
ima Poissanovu distribuciju ako postoji λ > 0 takav da je njezina
λ k
distribucija zadana sa p (X = k ) = e k !λ , k = 0, 1, ...
Teorem
Oµcekivanje varijable X s Poissonovom
p distribucijom je µ = E [X ] = λ, a
st. devijacija je σ = D [X ] = λ.

Poissonova razdioba je graniµcni sluµcaj niza binomnih varijabli Xn s
parametrima n, p uz graniµcni prijelaz n ! ∞, ali tako da n p ostaje
konstanta

konstanta
Za jako male vjerojatnosti (p 0.08) i veliki broj pokušaja
(n > 1500p), binomna distribucija se moµze dovoljno dobro opisati
pomoću Poissonove i njezina analiza je lakša

konstanta
Za jako male vjerojatnosti (p 0.08) i veliki broj pokušaja
(n > 1500p), binomna distribucija se moµze dovoljno dobro opisati
pomoću Poissonove i njezina analiza je lakša
Za dovoljno je veliki λ Poissanova distribucija se pribliµzno moµze
opisati normalnom

Poissanovu distribuciju je prikladna za opis:

rijetkih doga†aja (Bernoulijevih doga†aja s malom vjerojatnošću)
kada nam je n proizvoljan: broj dobitka brojeva 3 i 4 u istom bacanju
dvije kocke, ako se broj bacanja stalno ponavlja mnogo puta

broj ljudi oboljelih od gripe u nekom …ksnom periodu, broj autobusa
koji do†u na stajalište u nekom …ksnom vremenu...

broj meteora vidljivih kroz neko …ksno vrijeme

broj gledatelja odre†ene utakmice

broj umrlih stanica u dijelu organizma u nekom …ksnom vremenu, broj
µcestica nastalih u nekom …zikalnom eksperimentu

broj umrlih stanica u dijelu organizma u nekom …ksnom vremenu, broj
µcestica nastalih u nekom …zikalnom eksperimentu
Kod navedenih empiriµckih primjera parametar λ Poissanove razdiobe
se u svakom pojedinom sluµcaju odre†uju eksperimentalno u ovisnosti
o promatranom uzorku (izjednaµcimo oµcekivanje µ = λ s aritmetiµckom
sredinom uzorka)

Prikazane su Poissonave distribucije za parametre µ = λ = 1, 2, 3, 4

Primjer
Ako je srednja vrijednost dolazaka autobusa na istu stanicu u
odre†enom vremenskom intervalu u nekoliko tjedana promatranja
jednaka 3. Odredite vjerojatnost da u tom razdoblju ne do†e niti
jedan autobus, da ih do†e 3, te da ih do†e 4.

Primjer
Ako je srednja vrijednost dolazaka autobusa na istu stanicu u
odre†enom vremenskom intervalu u nekoliko tjedana promatranja
jednaka 3. Odredite vjerojatnost da u tom razdoblju ne do†e niti
jedan autobus, da ih do†e 3, te da ih do†e 4.
Koristimo empiriµcki podatak o srednjoj vrijednosti x za oµcekivanje
(µ = E [X ] = λ) sluµcajne varijable s Poissonovom distribucijom.
Naime, iskustveno polazimo od pretpostavke da sluµcajna varijabla
koja biljeµzi broj dolazaka autobusa na isto mjesto u …ksnom periodu
ima Poissonovu razdiobu. Stoga je vjerojatnost zadana s formulom
λ k
p (X = k ) = e k !λ . Traµzene vjerojatnosti su
3 0 3 3
p (X = 0) = e 0!3 = e 3 = 0.049, p (X = 3) = e 3!3 = 0.224,
3 4
p (X = 4) = e 4!3 = 0.168.

Hipergeometrijska razdioba
Bernolijev pokus najlakše opisujemo kao izvlaµcenje, n puta uzastopce,
jednog elementa iz skupa od N elemenata od kojih M elemenata ima
svojstvo A , a preostalih N M elemenata nema svojstvo A. Nakon
što smo izvukli neki element, vraćamo ga nazad u skup, i postupak
ponavljamo. No, ukoliko u n izvlaµcenja element ne vraćamo natrag u
skup, već ga ostavljamo sa strane, vjerojatnost da se izvuµce element
sa svojstvom A se mijenja u svakom sljedećem pokušaju. Samo u
prvom pokušaju je p = M N . Varijablu koja biljeµzi koliko puta je
nastupio doga†aj A (tj. izvuµcen element koji ima svojstvo A)
nazivamo hipergeometrijskom sluµcajnom varijablom.

Hipergeometrijska razdioba
Bernolijev pokus najlakše opisujemo kao izvlaµcenje, n puta uzastopce,
jednog elementa iz skupa od N elemenata od kojih M elemenata ima
svojstvo A , a preostalih N M elemenata nema svojstvo A. Nakon
što smo izvukli neki element, vraćamo ga nazad u skup, i postupak
ponavljamo. No, ukoliko u n izvlaµcenja element ne vraćamo natrag u
skup, već ga ostavljamo sa strane, vjerojatnost da se izvuµce element
sa svojstvom A se mijenja u svakom sljedećem pokušaju. Samo u
prvom pokušaju je p = M N . Varijablu koja biljeµzi koliko puta je
nastupio doga†aj A (tj. izvuµcen element koji ima svojstvo A)
nazivamo hipergeometrijskom sluµcajnom varijablom.
Teorem
Distribucija hipergeometrijske sluµcajne varijable ( hipergeometrijska
distribucija s parametrima n, N i M) je zadana sa
M ! (N M ) !
(M k )!k !(N M n +k )!(n k )!
p (X = k ) = N! , k = 0, ..., n, k M, n k N M.
(N n )!n!

f0, 1, ..., ng za koju postoje n, N i M takvi da joj je distribucija
hipergeometrijska s parametrima n, N i M nazivamo
hipergeometrijskom.

f0, 1, ..., ng za koju postoje n, N i M takvi da joj je distribucija
hipergeometrijska s parametrima n, N i M nazivamo
hipergeometrijskom.
Theorem
Oµcekivanje hipergeometrijska sluµcajne varijable s parametrima n, N i M je
µ = E [X ] = n MN , a standardna devijacija je
q
σ = D (X ) = n M N 1
M N n
N N 1.

Kad je n < 0.005N hipergeometrijska distribucija se aproksimira
binomnom.

Kad je n < 0.005N hipergeometrijska distribucija se aproksimira
binomnom.
Na slikama su prikazane hipergeometrijske distribucije za n = 5,
N = 100 i M = 50, 25 i 10

Primjer
Proizvo†aµc isporuµcuje kupcu pošiljku od 15 komada nekog proizvoda,
me†u kojima se nalazi 4 neispravna. Zbog nemogućnosti kompletne
provjere kupac moµze provjeriti samo 4 sluµcajno odabrana komada iz
pošiljke. Kolika je vjerojatnost da će kupac prihvatiti pošiljku ako u
njoj moµze tolerirati najviše jedan neispravni komad? Koje je
oµcekivanje?

Primjer
oµcekivanje?
Budući da kupac provjerava 4 razliµcita sluµcajno odabrana komada (ili
nakon provjere komad ne vraćamo natrag, već uzimamo neki drugi) to
je sluµcajna varijabla koja biljeµzi broj neispravnih u uzorku od 4
hipergeometrijska s parametrima n = 4, N = 15 i M = 4. Traµzena
vjerojatnost je
4!11! 4!11!
p (X 1) = p (X = 0) + p (X = 1) = 0!4!5!6!
15! + 1!3!4!7!
15! = 0.593
10!5! 10!5!

Primjer
oµcekivanje?
Budući da kupac provjerava 4 razliµcita sluµcajno odabrana komada (ili
nakon provjere komad ne vraćamo natrag, već uzimamo neki drugi) to
je sluµcajna varijabla koja biljeµzi broj neispravnih u uzorku od 4
hipergeometrijska s parametrima n = 4, N = 15 i M = 4. Traµzena
vjerojatnost je
4!11! 4!11!
p (X 1) = p (X = 0) + p (X = 1) = 0!4!5!6!
15! + 1!3!4!7!
15! = 0.593
10!5! 10!5!
4 16
E [X ] = 4 15 = 15

Geometrijska razdioba
Ako se Bernoulijev pokus ponavlja sve dok se ne dogodi Bernoulijev

doga†aj A koji u svakom pokusu ima istu vjerojatnost p, tada se
sluµcajna varijabla X koja biljeµzi koliko je puta pokus izveden dok nije
nastupio doga†aj A naziva geometrijska sluµcajna varijabla. Ona
poprima vrijednosti iz N i njezina distribucija je
p (X = k ) = p (1 p )k 1 i nazivamo ju geometrijskom
distribucijom s parametrom p. Svaku varijablu s ovakvom
distribucijom jednako zovemo.

Geometrijska razdioba

doga†aj A koji u svakom pokusu ima istu vjerojatnost p, tada se
sluµcajna varijabla X koja biljeµzi koliko je puta pokus izveden dok nije
nastupio doga†aj A naziva geometrijska sluµcajna varijabla. Ona
poprima vrijednosti iz N i njezina distribucija je
p (X = k ) = p (1 p )k 1 i nazivamo ju geometrijskom
distribucijom s parametrom p. Svaku varijablu s ovakvom
distribucijom jednako zovemo.
Teorem
Oµcekivanje geometrijske sluµcajne varijable s parametrom p je
E [X ] = 1 + 1 p p .

Varijabla koja biljeµzi koliko je bacanja dviju kocki potrebno dok ne
padnu dvije šestice zajedno je geometrijska sluµcajna varijabla s
1
p = 36 0.027.
Primjerice p (X = 1) = 0.027,
p (X = 2) = 0.027 (1 0.027) = 0.262,
p (X = 3) = 0.027 (1 0.027)2 = 0.255,
p (X = 4) = 0.027 (1 0.027)3 = 0.248,
p (X = 10) = 0.027 (1 0.027)9 = 0.211

Varijabla koja biljeµzi koliko je bacanja dviju kocki potrebno dok ne
padnu dvije šestice zajedno je geometrijska sluµcajna varijabla s
1
p = 36 0.027.
Primjerice p (X = 1) = 0.027,
p (X = 2) = 0.027 (1 0.027) = 0.262,
p (X = 3) = 0.027 (1 0.027)2 = 0.255,
p (X = 4) = 0.027 (1 0.027)3 = 0.248,
p (X = 10) = 0.027 (1 0.027)9 = 0.211
35
Oµcekivanje je µ = 1 + 36
1 = 36.
36

Pascalova razdioba

doga†aj A (koji u svakom pokusu ima istu vjerojatnost p) n puta,
tada se sluµcajna varijabla X koja biljeµzi koliko je puta pokus izveden
dok nije nastupio doga†aj A n puta naziva Pascalova sluµcajna
varijabla. Ona poprima vrijednosti n, n + 1, n + 2, ... i njezina
(k 1 ) !
distribucija je p (X = k ) = (n 1 )!(k n )! p n (1 p )k n i nazivamo ju
Pascalovom distribucijom s parametrom p i n. Svaku varijablu s
ovakvom distribucijom jednako zovemo.

Pascalova razdioba

doga†aj A (koji u svakom pokusu ima istu vjerojatnost p) n puta,
tada se sluµcajna varijabla X koja biljeµzi koliko je puta pokus izveden
dok nije nastupio doga†aj A n puta naziva Pascalova sluµcajna
varijabla. Ona poprima vrijednosti n, n + 1, n + 2, ... i njezina
(k 1 ) !
distribucija je p (X = k ) = (n 1 )!(k n )! p n (1 p )k n i nazivamo ju
Pascalovom distribucijom s parametrom p i n. Svaku varijablu s
ovakvom distribucijom jednako zovemo.
Teorem
Oµcekivanje Pascalove sluµcajne varijable s parametrom p i n je
E [X ] = n 1 + 1 p p .

Primjer
Izraµcunajte oµcekivanu vrijednost bacanja kocke dok se ne pojavi
šestica 3 puta, te vjerojatnost da je bilo potrebno najviše 4 bacanja za
to.

Primjer
to.
1
n = 3, p = 6 0.166

Primjer
to.
1
n = 3, p = 6 0.166
5
E [X ] = 3 1 + 6
1 = 18, p (X 4) = p (X = 3) + p (X = 4) =
6
0.1663 +3 0.1663 (1 0.166) = 0.1601

Jednolika distribucija
De…nicija
Diskretnu sluµcajnu varijablu X koja poprima konaµcno mnogo vrijednosti
x1 , ..., xn tako da je p (x1 ) = = p (xn ) = n1 nazivamo jednoliko
( uniformno) distribuiranom varijablom.
Primjerice varijabla koja biljeµzi broj karte koja je izvuµcena od 40 karata

(briškulica) je jednoliko distribuirana sluµcajna varijabla jer svi brojevi imaju
4
istu vjerojatnost da budu izvuµceni i ona iznosi 40 = 0.1.

De…nicija
Neka je (Ω, F , p ) vjerojatnosni prostor. Funkciju X : Ω ! R nazivamo
sluµcajnom varijablom ako je X 1 (ha, b i) 2 F za svaki a, b 2 R.

De…nicija
Kao i kod diskretne sluµcajne varijable koristimo oznake

p (a < X < b ) = p X 1 (a, b ) , p (X < a) = p X 1 ( ∞, a) ...

De…nicija
Kao i kod diskretne sluµcajne varijable koristimo oznake

p (a < X < b ) = p X 1 (a, b ) , p (X < a) = p X 1 ( ∞, a) ...
De…nicija
Funkcijom distribucije od X nazivamo funkciju FX : R ! [0, 1]
FX ( a ) = p ( X < a ) .

Oµcito je i diskretna sluµcajna varijabla X sluµcajna varijabla, no sada taj
poseban tip sluµcajne varijable moµzemo poopćiti dopuštajući da X
poprimi neprebrojivo mnogo vrijednosti, ali da postoji konaµcan ili
prebrojiv skup D R takav da je p (X 2 D ) = 1.

Oµcito je i diskretna sluµcajna varijabla X sluµcajna varijabla, no sada taj
poseban tip sluµcajne varijable moµzemo poopćiti dopuštajući da X
poprimi neprebrojivo mnogo vrijednosti, ali da postoji konaµcan ili
prebrojiv skup D R takav da je p (X 2 D ) = 1.
Oµcito je, za diskretnu sluµcajnu varijablu, funkcija distribucije
F : R ! [0, 1] F (x ) = ∑ p (X = d ) , oµcekivanje moµzemo de…nirati
d 2D
d <x
µ = E [X ] = ∑ d p (X = d )
d 2D

Kontinuirana sluµcajna varijabla
De…nicija
Za sluµcajnu varijablu X kaµzemo da je neprekidna (kontinuirana) ako
postoji nenegativna funkcija f : R ! R takva da je
Rb
p (a < X < b ) = f (x ) dx, za svaki a, b 2 R, a < b. Funkciju f
a
nazivamo gustoćom sluµcajne varijable a njezin graf krivuljom
distribucije.

Kontinuirana sluµcajna varijabla
De…nicija
Za sluµcajnu varijablu X kaµzemo da je neprekidna (kontinuirana) ako
postoji nenegativna funkcija f : R ! R takva da je
Rb
p (a < X < b ) = f (x ) dx, za svaki a, b 2 R, a < b. Funkciju f
a
nazivamo gustoćom sluµcajne varijable a njezin graf krivuljom
distribucije.
Slijedi da neprekidna sluµcajna varijabla moµze poprimiti bilo koju

vrijednost iz barem jednog intervala ha, b i, pa se najµcešće u literaturi
tako i de…nira (nepravilno), a isto tako da je diskretna ona koja moµze
poprimiti samo konaµcno ili mnogo vrijednosti. Ubuduće ćemo pod
sluµcajnom varijablom podrazumijevati onu koja je diskretna ili
kontinuirana

Funkcija distribucije neprekidne sluµcajne varijable gustoće f je dana s
Rx0
FX (x0 ) = f (x ) dx
∞

Funkcija distribucije neprekidne sluµcajne varijable gustoće f je dana s
Rx0
FX (x0 ) = f (x ) dx
∞
R∞ Rx0
Vrijedi 1 = p (X 2 R) = f (x ) dx i p (X = x0 ) = 0 = f (x ) dx.
∞ x0

Oµcekivanje
De…nicija
Oµcekivanjem neprekidne sluµcajne varijable gustoće f nazivamo broj (ako
R∞
postoji) µ = E [X ] = xf (x ) dx, a odgovarajućom standardnom
∞ s
R∞
devijacijom nazivamo broj σ = D [X ] = (x µ)2 f (x ) dx, odnosno
∞
varijancom broj σ2 = Var [X ] .

Oµcekivanje
De…nicija
Oµcekivanjem neprekidne sluµcajne varijable gustoće f nazivamo broj (ako
R∞
postoji) µ = E [X ] = xf (x ) dx, a odgovarajućom standardnom
∞ s
R∞
devijacijom nazivamo broj σ = D [X ] = (x µ)2 f (x ) dx, odnosno
∞
varijancom broj σ2 = Var [X ] .
Teorem
Ako su X i Y sluµcajne varijable s oµcekivanjima E [X ] i E [Y ] , tada
varijable c = const, cX i X + Y imaju sljedeća oµcekivanja E [c ] = c,
E [cX ] = cE [X ] i E [X + Y ] = E [X ] + E [Y ].

µ
Teorem (Cebiševljev)
Neka je X sluµcajna varijabla s oµcekivanjem µ i devijacijom σ i k 2 R,
k > 1. Tada je
p (X 2 hµ kσ, µ + kσi) > 1 k12 .

µ
Teorem (Cebiševljev)
Neka je X sluµcajna varijabla s oµcekivanjem µ i devijacijom σ i k 2 R,
k > 1. Tada je
p (X 2 hµ kσ, µ + kσi) > 1 k12 .
Primjerice, vjerojatnost da vrijednost sluµcajne varijable X bude u

intervalu hµ 2σ, µ + 2σi je uvijek barem 0, 75, da bude u intervalu
hµ 3σ, µ + 3σi je 0, 8̇...

Ako je X sluµcajna varijabla s oµcekivanjem µ i devijacijom σ, sluµcajnu
X µ X (ω ) µ
varijablu Z = σ (Z : Ω ! R, Z (ω ) = σ ) nazivamo
pripadnom standardiziranom varijablom. Standardizirana varijabla ima
oµcekivanje 0 i devijaciju 1.

X µ X (ω ) µ
Primjer

X µ X (ω ) µ
Primjer
Ako sluµcajna varijabla trajnosti auto guma nekog proizvo†aµca ima oµcekivanje
40000 km i devijaciju 4000, kolika je najmanja vjerojatnost da će gume
trajati izme†u 34000 i 46000 km?

X µ X (ω ) µ
Primjer
Ako sluµcajna varijabla trajnosti auto guma nekog proizvo†aµca ima oµcekivanje
40000 km i devijaciju 4000, kolika je najmanja vjerojatnost da će gume
trajati izme†u 34000 i 46000 km?
Na†imo prvo standardizirane vrijednosti z1 = 34000 40000 = 1.5 i
4000
z2 = 46000 40000 µ
= 1.5. Po Cebiševljevu teoremu traµzena vjerojatnost je
4000
1
veća od 1 1.52 = 0.55

Modeli kontinuiranih sluµcajnih varijabli
U prirodi i u statistiµckim primjenama najµcešći primjeri kontinuiranih

sluµcajnih varijabli su one µcija gustoća f je:


studentova t-funkcija s ν stupnjeva slobode. Za takvu varijablu
kaµzemo
q da je t-distribuirana, a njezino oµcekivanje je 0 a devijacija je
σ = νν2


kaµzemo
σ = νν2
χ2 -funkcija s ν stupnjeva slobode. Za takvu varijablu kaµzemo da je
χ2 -distribuirana,
p a njezino oµcekivanje je µ = ν a devijacija je
σ = 2ν


kaµzemo
σ = νν2
χ2 -funkcija s ν stupnjeva slobode. Za takvu varijablu kaµzemo da je
χ2 -distribuirana,
p a njezino oµcekivanje je µ = ν a devijacija je
σ = 2ν
Fisherova F -funkcija s parametrima-stupnjevima slobode ν1 i ν2
(površine ispod ove krivulje, tj. vjerojatnosti su zadane tabelarno).Za
takvu varijablu kaµzemo da je F -distribuirana. Njezino oµcekivanje je
µ = ν2ν2 2 , ν2 > 3

eksponencijalna funkcija f (x ) = λe λx , x > 0, s parametrom λ > 0.
Za takvu varijablu kaµzemo da je eksponencijalno distribuirana, a
njezino oµcekivanje je µ = λ1 , a devijacija je σ = λ1

eksponencijalna funkcija f (x ) = λe λx , x > 0, s parametrom λ > 0.
Za takvu varijablu kaµzemo da je eksponencijalno distribuirana, a
njezino oµcekivanje je µ = λ1 , a devijacija je σ = λ1
konstantna funkcija f (x ) = b 1 a s parametrima a < b, x 2 [a, b ] . Za
takvu varijablu kaµzemo da je neprekidno uniformno distribuirana, a
njezino oµcekivanje je µ = a +2 b , a devijacija je σ = 2bp3a .

Primjer
Ako neki stroj neprekidno puni butelje µcija zapremnina moµze biti bilo koja
izme†u 0.7 i 0.755 dcl. Ako pretpostavimo da su te vrijednosti neperkidno
uniformno distribuirane onda je oµcekivana vrijednost sluµcajne varijable koja
biljeµzi zapremninu µ = a +2 b = 0.725. Vjerojatnost da je zapremnina
sluµcajno odabrane boce veća od 0.75 je
R
0.755
1 1 0.755 0.75
p (X > 0.75) = 0.755
0.755 0.7 dx = 0.055 x j0.75 = 0.055 = 0.005
0.055 =
0.75
0.09

Primjer
Ako neki stroj neprekidno puni butelje µcija zapremnina moµze biti bilo koja
izme†u 0.7 i 0.755 dcl. Ako pretpostavimo da su te vrijednosti neperkidno
uniformno distribuirane onda je oµcekivana vrijednost sluµcajne varijable koja
biljeµzi zapremninu µ = a +2 b = 0.725. Vjerojatnost da je zapremnina
sluµcajno odabrane boce veća od 0.75 je
R
0.755
1 1 0.755 0.75
p (X > 0.75) = 0.755
0.755 0.7 dx = 0.055 x j0.75 = 0.055 = 0.005
0.055 =
0.75
0.09
Primjer
Vrijeme posluµzivanja neke stranke na jednom šalteru banke u prosjeku
iznosi 10 minuta. Ako je utrošak vremena po stranci na tom šalteru
eksponencijalno distribuirana sluµcajna varijabla, tada, stavljajući
λ = µ1 = 101
je vjerojatnost da usluµzivanje sluµcajno prispijele stranke bude
do 6 minuta jednaka
R6 1 1 1
p (X < 6) = 10 e 10 x dx = e 10 x j60 = e 0.6 + 1 = 0.451
0
Primjer
Sluµcajna varijabla koja je χ2 -distribuirana s 20p
stupnjeva slobode ima
oµcekivanje µ = 20, a devijaciju jednaku σ = 2 10. Vjerojatnost da je
vrijednost sluµcajne varijable manja od 39.9968 je
p (X < 39.9968) = 1 p (X > 39.9968) = 1 0.005 = 0.995, a
vjerojatnost da je izme†u 34.1696 i 39.9968 je
p (X 2 h34.1696, 39.9968i) = p (X > 34.1696) p (X > 39.9968) =
0.025 0.005 = 0.02

Normalno distribuirana sluµcajna varijabla
1 x µ 2
Ako je gustoća sluµcajne varijable funkcija f (x ) = σp12π e 2 ( σ ) ,
x 2 R, µ 2 R, σ > 0, tada za nju kaµzemo da je normalno
distribuirana (ili samo normalna) i to N (µ, σ) distribuirana (time
naglašavamo µcinjenicu, da gustoća normalno distribuirane varijable
ovisi o 2 prametra)

1 x µ 2
ovisi o 2 prametra)
Teorem
Oµcekivanje normalno N (µ, σ) distribuirane varijable X je E [X ] = µ a st.
devijacija je D [X ] = σ.

1 x µ 2
ovisi o 2 prametra)
Teorem
Oµcekivanje normalno N (µ, σ) distribuirane varijable X je E [X ] = µ a st.
devijacija je D [X ] = σ.
X µ
Standardizirana varijabla Z = σ od normalno distribuirane
varijable je normalno N (0, 1) distribuirana varijabla µcija gustoća je
1 2
f (z ) = p12π e 2 z .

Normalnu distribuciju imaju sljedeće varijable:

visina i teµzina ljudi

inteligencija i razne …ziµcke i mentalne karakteristike ljudi i drugih zivih
bića

inteligencija i razne …ziµcke i mentalne karakteristike ljudi i drugih zivih
bića
Parametri Gaussove razdiobe se u svakom pojedinom sluµcaju odre†uju
eksperimentalno u ovisnosti o populaciji koju promatramo (prona†u se
aritmetiµcka sredina i st. dev. uzorka)

Primjer
µ se pakira u vrećice nominalne mase 50g. Masa vrećica je normalno
Caj
distribuirana sluµcajna varijabla s oµcekivanjem jednakim nominalnoj
masi i devijacijom od 2 g. Ako se sluµcajno odabere vrećica, kolika je
vjerojatnost da je njezina masa manja od 51 g i izme†u 48 i 49 g.?

Primjer
µ se pakira u vrećice nominalne mase 50g. Masa vrećica je normalno
Caj
distribuirana sluµcajna varijabla s oµcekivanjem jednakim nominalnoj
masi i devijacijom od 2 g. Ako se sluµcajno odabere vrećica, kolika je
vjerojatnost da je njezina masa manja od 51 g i izme†u 48 i 49 g.?
p (X < 51) = p Z < 51 2 50 = p (Z < 0.5) =
p (Z < 0) + p (0 Z < 0.5) = 0.5 + 0.1915 = 0.6915
p (48 < X < 49) = p ( 1 < Z < 0.5) =
p ( 1 < Z < 0) p ( 0.5 < Z < 0) =
p (0 < Z < 1) p (0 < Z < 0.5) = 0.3413 0.1915 = 0.149 8.

Primjer
Ako je sluµcajna varijabla normalno N (µ, σ) distribuirana odredite
vjerojatnost da poprimi vrijednost iz intervala hµ σ, µ + σi te
intervala hµ 2σ, µ + 2σi , hµ 3σ, µ + 3σi .

Primjer
p (µ σ < X < µ + σ) = p ( 1 < Z < 1) = 2p (0 < Z < 1) =
2 0.3413 = 0.6826

Primjer
p (µ σ < X < µ + σ) = p ( 1 < Z < 1) = 2p (0 < Z < 1) =
2 0.3413 = 0.6826
p (µ 2σ < X < µ + 2σ) = p ( 2 < Z < 2) = 2p (0 < Z < 2) =
2 0.4772 = 0.9544

Primjer
p (µ σ < X < µ + σ) = p ( 1 < Z < 1) = 2p (0 < Z < 1) =
2 0.3413 = 0.6826
p (µ 2σ < X < µ + 2σ) = p ( 2 < Z < 2) = 2p (0 < Z < 2) =
2 0.4772 = 0.9544
p (µ 3σ < X < µ + 3σ) = p ( 3 < Z < 3) = 2p (0 < Z < 3) =
2 0.4987 = 0.9974

µ
Cesto puta se kaµze i za diskretnu sluµcajnu varijablu X da je distribuirana
razdiobom neke kontinuirane sluµcajne varijable µcija je gustoća f , primjerice
da je normalno distribuirana. No, to zapravo podrazumijeva da se skup
toµcaka f(x1 , p1 ) , (x2 , p2 ) , ...g distribucije te sluµcajne varijable X nalazi na
grafu funkcije gustoće f i da ove dvije varijable imaju jednaka (ili pribliµzno
jednaka) oµcekivanja i varijance. Napose, svaku statistiµcku numeriµcku
varijablu zadanu na konaµcnom skupu (ili općenitije svaku diskretnu
statistiµcku numeriµcku varijablu) moµzemo konvertirati u diskretnu sluµcajnu
varijablu pa ako za nju moµzemo reći da je distribuirana razdiobom neke
kontinuirane sluµcajne varijable onda to isto kaµzemo i za poµcetnu statistiµcku
varijablu. Zbog toga smatramo korektnima izjave: visina svih Hrvata je
normalno distribuirana, uspjeh studenata 5 godina poslije uvo†enja
bolonjske deklaracije je normalno distribuiran...

Upotreba sluµcajne varijable
Osnovna upotreba sluµcajne varijable u inferencijalnoj statistici je opisivanje

nekog sluµcajnog pokusa iz realnog µzivota. Pri tome sluµcajnim pokusom u
statistiµckoj analizi smatramo svaku djelatnost iz koje izvire neki broj kao
rezultat. Sluµcajni pokus moµze biti nasumiµcni odabir nekog elementa
populacije, µciji elementi se neprestano mijenjaju, pri µcemu je njegovo
numeriµcko obiljeµzje ishod toga pokusa. Primjerice, mjerenje teµzine ili visine
na populaciji svih Hajdukovih pretplatnika ili istraµzivanje o starosti
hrvatskih drµzavljana. Za …ksnu populaciju nam je dostatna i deskriptivna
statistika, odnosno statsitiµcka varijabla koja se odnosi samo na zadanu i
odre†enu …ksnu populaciju. Primjerice broj gledatelja na domaćim
utakmicama Jugoplastike u sezoni 1990/1991 je zadan i odre†en, na
…ksnoj i konaµcnoj populaciji svih domaćih utakmica te sezone.

Općenito, sluµcajni pokus moµze biti promatranje nekih procesa koji se mogu
proizvoljno mnogo puta izvesti. Primjerice, broj ubaµcenih koševa s crte
slobodnih bacanja odre†enoga igraµca u seriji od 30 bacanja, broj
automobila koji se skupe na prvom crvenom svjetlu na semaforu na
raskriµzju ulica Hrvatske mornarice i Domovinskog rata u Splitu iza 12 sati.
Sluµcajna varijabla modelira gore opisane pokuse i odnosi se na bilo koji
izvedeni pokus odre†ene vrste.
Pri izboru sluµcajne varijable za opis pojedinog procesa moµzemo reći da će
ona biti diskretna ako moµze poprimiti konaµcno mnogo ili najviše prebrojivo
mnogo (ne nuµzno cjelobrojnih) vrijednosti. Izabrati ćemo konkretan model
diskretne sluµcajne varijable ako su u tom sluµcajnom pokusu ispunjene
temeljne znaµcajke toga modela do µcega dolazimo iskustvenim saznanjima
ili teorijskim razmatranjem.

Primjerice, budući da teoretski svako slobodno bacanje odre†enog igraµca
ima jednaku vjerojatnost za koš, to pokus sa slobodnim bacanjima
opisujemo s binomnom sluµcajnom varijablom s binomnom B f30, p g
distribucijom pri µcemu za p moµzemo uzeti postotak šuta iz slobodnih
bacanja promatranog igraµca. Spomenuti pokus koji ispituje broj
automobila koji µcekaju da se upali zeleno svjetlo na toµcno odre†enom
semaforu iskustveno vjerojatno najbolje modelira sluµcajna varijabla s
Poissonovom distribucijom, pri µcemu za λ uzimamo srednju vrijednost
automobila u prethodnom promatranom razdoblju. Ako iz …ksne
populacije svih automobila s hrvatskim tablicama sluµcajnim odabirom iz
registra odaberemo 100 automobila me†u kojima brojimo one koji imaju
zadarske tablice onda je ovaj pokus opisan hipergeometrijskom varijablom
gdje je N broj registriranih automobila u R.H., M je broj automobila sa
zadarskim registarskim oznakama i n = 100.

Ne tako matematiµcki strogo, moµzemo reći da će sluµcajna varijabla koja
opisuje odre†eni pokus biti kontinuirana ako ona moµze poprimiti bilo koju
realnu vrijednost (neprebrojivo mnogo vrijednosti), odnosno ne moµzemo se
ograniµciti na prebrojivo mnogo vrijednosti koje ta sluµcajna varijabla moµze
poprimiti. Primjerice, istraµzivanje visine svih Dalmatinaca moramo opisati
kontinuiranom sluµcajnom varijablom (vjerojatno normalno distribuiranom).
Naime, iako u ovom trenutku ima samo konaµcno mnogo brojeva koji
predstavljaju visine svih trenutno µzivećih Dalmatinaca (pa µcak i onih koji
su umrli) ne moµzemo biti sigurni da će visina nekih Dalmatinaca u
budućnosti biti na tom popisu visina, odnosno ta visina u cm moµze biti
bilo koji realni broj (broj iz intervala h0, 300i). Toµcna temperatura zraka
izmjerena na odre†enom mjestu u odre†eno vrijeme je tako†er jedna
kontinuirana varijabla.

Neki Dokument

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Neki Dokument

Uploaded by

Copyright:

Available Formats

Sluµcajna varijabla

doc.dr.sc. Nikola Koceić Bilan

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 1 / 52

Pri praćenju nekoga pokusa zanimamo se za neko numeriµcko obiljeµzje

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 2 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 3 / 52

Ako je (Ω, F , p ) diskretni vjerojatnosni prostor (Ω je prebrojiv i F je

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 3 / 52

Ako je (Ω, F , p ) diskretni vjerojatnosni prostor (Ω je prebrojiv i F je

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 3 / 52

Ako je (Ω, F , p ) diskretni vjerojatnosni prostor (Ω je prebrojiv i F je

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 4 / 52

Oµcekivanje E [X ] odgovara aritmetiµckoj sredini µ numeriµcke varijable

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 4 / 52

Oµcekivanje E [X ] odgovara aritmetiµckoj sredini µ numeriµcke varijable

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 4 / 52

Oµcekivanje E [X ] odgovara aritmetiµckoj sredini µ numeriµcke varijable

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 4 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 5 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 7 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 8 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 9 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 10 / 52

Pretpostavimo da u nekom pokusu vjerojatnost nekog doga†aja A je

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 11 / 52

Pretpostavimo da u nekom pokusu vjerojatnost nekog doga†aja A je

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 11 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 12 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 12 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 13 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 13 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 13 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 13 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 14 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 15 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 15 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 15 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 16 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 16 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 16 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 17 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 17 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 17 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 18 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 18 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 19 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 19 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 19 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 20 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 20 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 20 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 20 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 20 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 20 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 20 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 21 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 22 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 22 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 23 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 23 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 24 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 24 / 52

STATISTIKA (PMF) doc.dr.sc. Nikola Koceić Bilan 25 / 52