Professional Documents
Culture Documents
SLUČAJNA VARIJABLA
razlika pri opisivanju vjerojatnosnih svojstava slučajnih varijabli kojima modeliramo varijable u
istraživanju
Ukoliko je R(X) konačan ili prebrojiv skup kažemo da je slučajna varijabla X diskretna.
Vjerojatnost događaja vezanog uz realizaciju diskretne slučajne varijable računamo pomoću vjerojatnosti
pojedinačnih realizacija.
Skupu svih mogućih realizacija diskretne slučajne varijable treba pridružiti skup vjerojatnosti da se dogodi
svaka pojedinačna realizacija => DISTRIBUCIJA (razdioba)
grafički prikaz:histogram- jedan stupac histograma odgovara jednoj realizaciji, a visina toga stupca
odgovara vjerojatnosti pojavljivanja te pojedinačne realizacije
tablica distribucije
1) skupom R(X)
Ako je poznata tablica distribucije diskretne slučajne varijable, kažemo da je poznata razdioba ili
distribucija.
Vjerojatnost događaja A vezanog uz realizaciju diskretne slučajne varijable jednaka je sumi vjerojatnosti
odgovarajućih ishoda.
SLUČAJNA VARIJABLA
Rješenje: Odrediti pripadni niz vjerojatnosti pi , i =1,..., n na temelju prikupljenih podataka primjenom
pretpostavke da se relativna frekvencija pojavljivanja realizacije xi u prikupljenim podacima može dovesti
u vezu s vjerojatnosti pi ukoliko je broj mjerenja dovoljno velik (statistička metoda određivanja
vjerojatnosti).
Prikupljanje podataka
Pretpostavka: diskretna slučajna varijabla X može primiti samo konačno mnogo vrijednosti, tj.
R(X) = {x1 , x2 , x3 , . . . , xn }
vjerojatnosna svojstva neprekidne slučajne varijable ne mogu se opisati korištenjem niza vjerojatnosti
pojedinačnih realizacija
naglasak pri njihovom opisivanju je na intervalu vrijednosti koje takva varijabla prima, a ne na
pojedinačnim realizacijama
predstavlja površinu između osi x i grafa funkcije f na intervalu [a, b]. Takvu funkciju f zovemo funkcija
gustoće neprekidne slučajne varijable X.
SLUČAJNA VARIJABLA
NUMERIČKE VARIJABLE numeričke podatke smo opisivali mjerama centralne tendencije i mjerema
raspršenosti
koristimo analogne mjere za lakši opis svojstava slučajnih varijabli i to posebno za:
2. Barem 88% (približno 90%) realizacija slučajne varijable padne u interval (μ − 3σ, μ + 3σ).
u statističkim istraživanjima varijable o kojima prikupljamo podatke modeliramo kao slučajne varijable.
koristiti prikupljene podatke za aproksimativno računanje vjerojatnosti
Varijable o kojima želimo zaključivati ne moraju biti uvijek diskretnog tipa s konačnim skupom vrijednosti
SLUČAJNA VARIJABLA
Parametri distribucije:
OČEKIVANJE μ = EX
Odstupanje od očekivanja 12 Vjerojatnost da realizacija slučajne varijable X~N (µ, σ 2 ) padne u interval:
a) [µ−σ, µ+σ] iznosi 0.68
INTERVALNA PROCJENA
INTERVAL POUZDANOSTI je interval koji sadrži stvarnu vrijednost veličine koju procijenjujemo s
vjerojatnošću barem γ.
U 100γ % slučajeva će interval pouzdanosti (interval realnih brojeva) sadržavati stvarnu vrijednost
veličine koju procijenjujemo.
Za uzorak kažemo da je velik ako je njegova dimenzija veća od 30, tj. ako sadrži više od 30 izmjerenih
vrijednosti.
Broj elemenata u uzorku (n) je dovoljno velik za primjenu ovakvog zaključivanja ako interval
ne sadrži ni 0 ni 1.
Testiranje hipoteza
oznaka: H
Testirati hipotezu znači donijeti odluku o tome hoćemo li H odbaciti ili prihvatiti.
a) test statistika
b) kritično područje
4. ODLUKA:
TESTIRANJE HIPOTEZA
2) test statistika
3) kritično područje/p-vrijednost
4) odluka
STATISTIČKO ZAKLJUČIVANJE – JEDNA VARIJABLA