Slučajna promenljiva i rasporedi verovatnoća

1
Slučajna promenljiva
U deskriptivnoj statistici koristili smo termin obeležje, kao
karakteristiku na osnovu koje se jedinice posmatranja međusobno
razlikuju.
 Tako, na primer, ako posmatramo broj računara po domaćinstvu u
Srbiji, tada je "broj računara po domaćinstvu" numeričko obeležje.
 Ako bismo uzeli uzorak od 100 domaćinstava, mogli bismo
formirati raspored frekvencija ovog obeležja u konkretnom uzorku.
 Neka smo kao rezultat tog eksperimenta dobili sledeći raspored
frekvencija:

2
Broj računara 0 1 2 3
Broj 70 25 4 1
domaćinstava
U statistici nas prevashodno interesuje kako se posmatrana pojava ponaša
u skupu, a ne u uzorku.
Da li, recimo, neko domaćinstvo u Srbiji ima 4 ili možda više računara?
Ako u našem uzorku 25% domaćinstava ima po jedan računar, da li ista
proporcija važi i u skupu svih domaćinstva u republici?

3
 Očigledno je da na osnovu uzorka ne možemo doći do tačnih odgovora
na postavljena pitanja, već moramo ispitati sva domaćinstva i na
osnovu tako dobijenog rasporeda frekvencija doneti ispravne
zaključke.
 Odmah se, naravno, postavlja pitanje kako bismo formirali raspored
frekvencija za broj računara po domaćinstvu u Evropi ili u svetu?
 Nameće se zaključak da je u nekim slučajevima popis skupa moguć,
dok je u velikom broju slučajeva praktično nemoguće obuhvatiti sve
elemente skupa.

4
 Na osnovu prethodno rečenog vidimo da je koncept obeležja i njegovog
rasporeda frekvencija nedovoljan kada se suočimo sa realnim
problemima.
 Potrebno je uvesti neke nove pojmove, ideje i načine da bismo analizirali
pojave u stvarnosti.
 Problemu pristupamo tako što realne pojave modeliramo i trudimo se da
ih teorijskim modelom na najbolji i najadekvatniji način opišemo. Jasno
je da ne postoji model koji može egzaktno, do kraja, da opiše realnost.
 Ovi modeli samo aproksimiraju, bolje rečeno, pojednostavljuju stvarnost,
i omogućavaju da se suočimo sa problemom i donesemo odluku u
uslovima neizvesnosti.

5
 Statističarisu formulisali veliki broj teorijskih modela, kojima su
opisivali ponašanje raznih pojava u biologiji, poljoprivredi,
psihologiji, ekonomiji, medicini itd.
 Svaki od tih teorijskih modela opisuje ponašanje neke kvantitativne
pojave, obuhvata sve vrednosti koje ona može uzeti i pripisuje svakoj
vrednosti odgovarajuću šansu javljanja, tj. verovatnoću.
 Takođe, svaki model se zasniva na ideji da je nemoguće unapred
predvideti koju vrednost će posmatrana pojava uzeti u nekom
konkretnom slučaju.

6
U našem primeru, ako bismo sproveli eksperiment i na slučaj uzeli
jedno domaćinstvo iz Srbije, ne bi bilo moguće unapred znati koliko
računara poseduje to domaćinstvo.
 Dakle, broj računara po domaćinstvu je promenljiva veličina, koja
uzima različite vrednosti od domaćinstva do domaćinstva.
 Ta promenljiva svoje vrednosti uzima "na slučaj" i zato je
nazivamo slučajna promenljiva (eng. random variable).
 Uzmimo jedan primer da bismo jasnije shvatili koncept slučajne
promenljive.

7
 PRIMER 1: Posmatrajmo statistički eksperiment koji se sastoji u bacanju
dva novčića.
 U našem eksperimentu prostor uzorka S sastoji se od 4 elementarna ishoda
(Prostor uzorka je skup svih elementarnih ishoda (događaja) eksperimenta) :
 S = {(P,P),(P,G),(G,P),(G,G)},
 gde je sa P označen pad pisma, a sa G pad grba.
 Vidimo da se u četiri jednako moguća slučaja, u jednom slučaju grb ne
javlja nijedanput, u dva slučaja se javlja jedanput, a u jednom slučaju se
javlja dva puta.
 Samim tim, broj javljanja grba možemo posmatrati kao jednu promenljivu
veličinu, X, koja od ishoda do ishoda eksperimenta može uzimati različite
numeričke vrednosti.
8
 Elemente
prostora uzorka i odgovarajuće vrednosti promenljive X
možemo prikazati Tabelom:

Prostor uzorka Broj grbova

P,P 0
P,G 1
G,P 1
G,G 2

9
 Pošto smo u eksperimentu koristili pravilne novčiće, rezultat bacanja ne
možemo predvideti, jer zavisi od niza faktora koji nisu pod našom
kontrolom - prvobitnog položaja novčića u ruci, brzine bacanja, ravnine
podloge, itd.
 Usled toga, nikada ne možemo unapred predvideti ni vrednosti koje će
uzeti promenljiva X.
 Ona te vrednosti uzima na slučaj, pa se naziva slučajna promenljiva.
 Neki autori je zovu i aleatorna promenljiva, slučajna varijabla ili
stohastična promenljiva.
 Možemo je definisati na sledeći način: Slučajna promenljiva je
numerička funkcija koja svakom ishodu statističkog eksperimenta
pridružuje jedan realan broj.
10
 Vidimo da slučajna promenljiva X svaki od 4 ishoda eksperimenta
transformiše u jedan realan broj, odnosno, „numerička funkcija“ se u
ovom slučaju svodi na sabiranje broja javljanja grba (broja
„uspeha“) u eksperimentu.
 Vidimo, takođe, da svakom elementarnom ishodu odgovara samo
jedna vrednost slučajne promenljive, dok jedna vrednost slučajne
promenljive može biti povezana sa više elementarnih ishoda
(vrednosti 1 odgovaraju ishodi (P,G) i (G,P)).

11
 Uobičajeno je da se slučajna promenljiva označava velikim slovima
(npr. X, Y, Z).
 Jedan njen ishod, tj. realizovana vrednost slučajne promenljive,
obeležava se malim slovom x, y, z, ili x1, x2, x3...
 (Ponekad se slučajna promenljiva obeležava malim "bold" slovom,
npr. t, b0, b1, dok se njena realizovana vrednost obeležava sa t, b0,
b1).

12
 Važno je napomenuti da ako je X slučajna promenljiva, onda svaka
transformacija, tj. funkcija slučajne promenljive i sama predstavlja
slučajnu promenljivu.
 Na primer, ako se eksperiment sastoji u bacanju pravilne homogene
kocke, čije su strane obeležene brojevima od 1 do 6, onda X - broj na
kocki, predstavlja slučajnu promenljivu jer ne možemo unapred znati
koja će se strana realizovati prilikom bacanja.
 Ako sada strane kocke umesto od 1 do 6 obeležimo brojevima od 101
do106, tj. promenljivu X transformišemo primenom funkcije Y=X+100,
ponovo ne možemo unapred znati ishod bacanja, pa je i promenljiva Y
slučajna promenljiva.

13
 Slučajne promenljive, kao i numerička obeležja, možemo podeliti na
prekidne i neprekidne.
 Za slučajnu promenljivu kažemo da je prekidna (ili diskretna) ako
može uzeti konačan broj izolovanih vrednosti ili prebrojivo mnogo
vrednosti (tj. vrednosti koje se mogu prebrojati skupom celih
nenegativnih brojeva: 0, 1, 2, 3, ... itd.).
 Da bismo bolje razumeli smisao prekidne slučajne promenljive, kao
i broj vrednosti koje može uzeti, navešćemo nekoliko primera:

14
 Tabela 1: Primeri prekidnih slučajnih promenljivih

Slučajne promenljive Vrednosti slučajne Broj vrednosti

promenljive
1. X=broj korisnika 0,1,2,3,...,30 Konačan
kablovske TV u zgradi sa
30 stanova
2. Y=ocena na ispitu iz 5,6,7,8,9,10 Konačan
Statistike
3. Z=broj datoteka na hard 0,1,2,... Prebrojivo mnogo
disku

15
 Slučajna promenljiva je neprekidna (ili kontinuirana) ako može da
uzme bilo koju vrednost iz nekog intervala. Naime, između bilo koje
dve vrednosti x1 i x2 slučajne promenljive postoji sledeća moguća
vrednost, x3, koja je različita od x1 i x2.
 Broj vrednosti koje može uzeti neprekidna slučajna promenljiva je
beskonačan.
 Primeri neprekidnih slučajnih promenljivih su: visina i težina
studenata, vreme trajanja usmenog ispita, vek trajanja baterije na
vašem mobilnom telefonu, prečnik kugličnog ležaja, itd.

16
 Ipak, svaka realizacija neprekidne slučajne promenljive predstavlja
jednu numeričku vrednost, a od potreba istraživanja i raspoloživih
mernih instrumenata zavisi preciznost kojom vršimo merenje.
 Tako, na primer, visinu studenata najčešće izražavamo u
centimetrima, trajanje usmenog ispita u minutima, trajanje baterija u
broju sati, a prečnik kugličnog ležaja u stotim delovima milimetra.

17
 Podsetimo se da je po istom kriterijumu bila izvršena i podela
numeričkih obeležja na prekidna i neprekidna.
 Ovde se, takođe, javlja problem merenja vrednosti neprekidne
slučajne promenljive, zbog nedovoljne preciznosti mernih uređaja.
 U stvarnosti nikada nećemo moći egzaktno izmeriti npr. visinu ili
težinu neke osobe, jer ćemo uvek biti prinuđeni da uzimamo približne
vrednosti, zbog nepostojanja savršenog mernog instrumenta.
 Dakle, realan svet pruža nam samo diskretne podatke. Međutim,
uprkos navedenim ograničenjima, promenljive koje su podložne
merenjima najčešće su po svojoj prirodi kontinuirane.

18
RASPORED VEROVATNOĆA PREKIDNE SLUČAJNE
PROMENLJIVE
 Prekidna slučajna promenljiva može se opisati kao veličina koja
uzima određene izolovane vrednosti sa odgovarajućim
verovatnoćama.
 U Primeru 1, ako su novčići pravilni, svaki od 4 elementa u prostoru
uzorka ima jednaku verovatnoću javljanja koja je jednaka 1/4. Na
osnovu Tabele 1 vidimo da slučajna promenljiva X može uzeti
vrednosti 0, 1 i 2, čije se verovatnoće razlikuju i zavise od broja
povoljnih ishoda.
 Verovatnoću da slučajna promenljiva X uzme neku od navedenih
vrednosti označavamo sa P (X = xi) = pi.
19
 Dakle,
P(X=x1)=P(X=0)=p1=1/4
P(X=x2)=P(X=1)=p2=1/4+1/4=1/2
P(X=x3)=P(X=2)=p3=1/4
 Sada možemo precizno da opišemo ovu slučajnu promenljivu.
Izlistaćemo sve vrednosti koje ona može da uzme i svakoj vrednosti
ćemo pridružiti odgovarajuću verovatnoću.
 Tako formiramo raspored verovatnoća (eng. probability
distribution).

20
  Raspored verovatnoća (raspodela verovatnoća ili
funkcija verovatnoća ili zakon verovatnoća)
prekidne slučajne promenljive X je lista parova svih
vrednosti koje ona može da uzme i odgovarajućih
verovatnoća.

21
 Raspored verovatnoća u Primeru 1 prikazaćemo Tabelom 2.
 Tabela 2: Raspored verovatnoća za broj grbova u eksperimentu sa
dva novčića
Broj grbova Verovatnoća
(različite vrednosti x) P
0 1/4
1 1/2
2 1/4
Σ 1

22
 Na osnovu Tabele 2 možemo doneti dva zaključka koji važe za sve
prekidne slučajne promenljive.
 1. Nijedna verovatnoća u rasporedu verovatnoća ne može biti
negativna, tj. P(X=xi)≥0 za svako i .
 2. Suma verovatnoća koje odgovaraju svim vrednostima slučajne
promenljive X mora biti jednaka 1, ∑pi=1 .
 Raspored verovatnoća daje nam najiscrpniju informaciju o
karakteristikama neke slučajne promenljive. Kada nam je on poznat
možemo donositi različite probabilističke stavove o bilo kojim
vrednostima slučajne promenljive.

23
 Tako,na osnovu Tabele 2 možemo, na primer, odrediti verovatnoće:
 P(0≤X≤1) = P(X=0)+P(X=1)=1/4+1/2=3/4
 P(X<1)=P(X=0)=1/4
 P(X>1)=P(X=2)=1/4
 Primetimo da se kod prekidne slučajne promenljive razlikuje
verovatnoća P(x1≤X≤x2) od P(x1≤X<x2), jer prva uključuje u sebe i
verovatnoću da je X jednako x2.

24
  Kao i prekidne rasporede frekvencija, tako i rasporede
verovatnoća prekidnih slučajnih promenljivih možemo grafički
predstaviti u vidu dijagrama verovatnoća.
 Vidimo da se na apscisu nanose moguće vrednosti slučajne
promenljive, a na ordinatu odgovarajuće verovatnoće.
 Visina svake ordinate mora biti proporcionalna odgovarajućoj
verovatnoći u rasporedu verovatnoća slučajne promenljive X.

25
26
 Diskretnost slučajne promenljive jasno se uočava zbog praznina
između ordinata na dijagramu verovatnoća - znači da je verovatnoća
da slučajna promenljiva uzme vrednost iz intervala između
celobrojnih vrednosti jednaka nuli.
 Grafik pokazuje kako je ukupna verovatnoća, koja je jednaka
jedinici, raspoređena. Mehanički ovo možemo interpretirati kao
da je izvesna masa jednaka jedinici raspoređena na takav način
da se u tačkama x1, x2, ..., xn nalaze odgovarajući delovi mase p1,
p2, ..., pn.
 Usled toga se često raspored verovatnoća prekidne slučajne
promenljive naziva funkcija mase verovatnoća.

27
 Generalno, raspored verovatnoća prekidne slučajne promenljive
možemo prikazati pomoću Tabele 3, koja sadrži skup parova
vrednosti slučajne promenljive i njihove verovatnoće, uz uslov da je
zbir verovatnoća jednak 1.
 Tabela 3: Raspored verovatnoća slučajne promenljive X

Različite vrednosti x x1, x2... xi... xn

Verovatnoća p p1, p2... pi... pn

28
 Raspored verovatnoća ne smemo poistovećivati sa rasporedom
frekvencija.
 Raspored verovatnoća je teorijski model koji pridružuje
verovatnoće pojedinim vrednostima slučajne promenljive pre
nego što spovedemo statistički eksperiment.
 Na primer, u primeru sa bacanjem dva novčića, pretpostavili smo
da su novčići pravilni i svim ishodima smo pripisali jednake
verovatnoće, a zatim smo na osnovu ovih verovatnoća odredili
raspored verovatnoća prikazan Tabelom 2.

29
S druge strane, raspored frekvencija možemo da formiramo tek na
osnovu podataka koje smo prikupili nakon izvršenog statističkog
eksperimenta.
 U principu, eksperiment će od slučaja do slučaja davati različite
rasporede frekvencija.
 Tako, na primer, ako posmatramo eksperiment u kome novčiće
bacamo 100 puta, možemo dobiti raspored frekvencija kao u Tabeli
4.

30
 Tabela
4: Raspored frekvencija dobijenih na osnovu 100 bacanja
dva novčića

x 0 1 2 Σ
Apsolutne 28 45 33 100
frekvencije
Relativne 0.28 0.45 0.33 1
frekvencije

31
 Primećujemo da postoji razlika između rasporeda verovatnoća i
rasporeda relativnih frekvencija.
 Poznato nam je da se, po koncepciji empirijske (statističke)
verovatnoće, relativne frekvencije stabilizuju sa povećavanjem broja
opita i da se pri beskonačnom broju opita granična vrednost
relativne frekvencije izjednačava sa verovatnoćom.
 Usled toga će i raspored relativnih frekvencija sa povećanjem broja
opita težiti da se izjednači sa rasporedom verovatnoća (pod uslovom
da su novčići pravilni).

32
 Na osnovu navedenih razmatranja možemo sagledati vezu između
pojmova koje smo do sada upoznali.
 Podsetimo se da smo populaciju (ili statistički skup) definisali kao
skup svih podataka koji se odnose na jedno obeležje, a uzorak kao
reprezentativni deo skupa. Upravo takvu vezu nam pružaju Tabele
3 i 4.
 Naime, obeležje predstavlja slučajnu promenljivu, X, a modaliteti
obeležja su moguće realizacije slučajne promenljive.
 Ako je posmatrani skup konačan, i ako izvršimo popis, onda su
relativne frekvencije jednake verovatnoćama pojedinih vrednosti
slučajne promenljive.

33
 Drugim rečima, ako obuhvatimo sve elemente jednog osnovnog
skupa, onda raspored relativnih frekvencija posmatranog obeležja
predstavlja zapravo raspored verovatnoća slučajne promenljive.
 Na žalost, u praksi najčešće ne raspolažemo svim podacima o
populaciji (ili je ona beskonačno velika) kada ne možemo da
odredimo tačan raspored verovatnoća slučajne promenljive.

34
 Jedan od načina da ga analiziramo je da, na osnovu raspoloživih
informacija ili pretpostavki, raspored promenljive prikažemo nekim
teorijskim modelom rasporeda.
 Takođe, iz skupa možemo izabrati uzorak i na osnovu relativnih
frekvencija u uzorku oceniti verovatnoće odgovarajućih vrednosti
slučajne promenljive. Što je uzorak veći to će se i relativne
frekvencije sve manje razlikovati od odgovarajućih verovatnoća.

35
FUNKCIJA RASPOREDA PREKIDNE SLUČAJNE
PROMENLJIVE

 Kao što smo videli, raspored verovatnoća prekidne slučajne

promenljive, koja ima konačan broj vrednosti, može se predstaviti
kao lista svih pojedinačnih vrednosti slučajne promenljive sa
odgovarajućim verovatnoćama.
 Međutim, postavlja se pitanje, kako opisati prekidnu slučajnu
promenljivu koja ima prebrojivo mnogo, tj. beskonačno mnogo
vrednosti.

36
 Trebalo bi formirati listu od beskonačno mnogo parova vrednosti
slučajne promenljive i njihovih verovatnoća, što bi bilo praktično
neizvodljivo.
 Isti problem se javlja i prilikom predstavljanja neprekidne slučajne
promenljive koja može uzeti jednu od beskonačno mnogo vrednosti.
 Zbog ovih ograničenja potrebno je pronaći drugačiji način
predstavljanja, koji bi važio za bilo koju slučajnu promenljivu.
 To se upravo postiže pomoću funkcije rasporeda (eng. distribution
function).
 Svaka slučajna promenljiva ima svoju funkciju rasporeda.

37
 Funkcija rasporeda (naziva se još i kumulativna funkcija
rasporeda) prekidne slučajne promenljive predstavlja
verovatnoću da slučajna promenljiva X uzme vrednost koja je
manja ili jednaka bilo kojoj proizvoljnoj vrednosti x.
 Funkcija rasporeda slučajne promenljive X se označava sa F(x) i
jednaka je:
 F (x) = P(X≤x)
 gde x može biti bilo koji realan broj.

38
 Neka je X prekidna slučajna promenljiva koja može uzeti vrednosti
x1, x2, ..., xr, ..., xn , gde su x1< x2<..< xn.
 Neka P (X = xi) označava verovatnoću da X uzme vrednost xi.
 Tada F(xr) predstavlja verovatnoću da slučajna promenljiva X uzme
vrednost koja će biti manja ili jednaka xr i dobija se sabiranjem
(kumuliranjem) verovatnoća za sve vrednosti slučajne promenljive
koje su manje ili jednake xr tj.
 F(x )= P(X≤ x )= ∑P(x= x )=P(x= x )+P(x=x )+...+P(x=x )
r r i 1 2 r

39
  Svaka funkcija rasporeda mora da ispuni sledeće matematičke
karakteristike:
 a. Za bilo koju vrednost a, 0 ≤F(a) ≤ 1
 Ovo je jasno, jer je funkcija rasporeda po definiciji verovatnoća;
 b. F(−∞) =0 i F (+∞ ) = 1 ,
 c. ako je a < b, tada je F (a) ≤ F (b).
 Ovo znači da je funkcija rasporeda bilo koje slučajne promenljive
neopadajuća funkcija.

40
  Ako se vratimo na naš primer sa dva novčića, korišćenjem
Tabele 2 možemo izračunati verovatnoće da slučajna
promenljiva X uzme vrednost manju ili jednaku proizvoljnoj
vrednosti x.
 Tabela 5: Raspored verovatnoća i funkcija rasporeda u primeru
dva novčića
xi pi=P(X=xi) F(x)=P(X≤x)
0 ¼ ¼
1 2/4 ¾
2 ¼ 1

41
42
 Grafik funkcije rasporeda sastoji se samo od horizontalnih linija.
Vertikalne linije nisu deo funkcije rasporeda, ali se obično
uključuju da bi grafik bio pregledniji.
 Sa Slike se može videti da funkcija rasporeda za sve vrednosti X
manje od nule ima vrednost 0, a da za sve vrednosti veće od 2 ima
vrednost 1.
 Funkcija rasporeda skokovito menja vrednosti za celobrojne
vrednosti slučajne promenljive, pa se na osnovu samog izgleda
grafika lako može uočiti diskretna priroda slučajne promenljive.

43
OČEKIVANA VREDNOST I VARIJANSA SLUČAJNE
PROMENLJIVE
U deskriptivnoj statistici opisivali smo rasporede frekvencija
pomoću deskriptivnih mera centralne tendencije, disperzije i oblika
rasporeda.
 Na analogan način se i raspored verovatnoća slučajne promenljive
prikazuje sintetičkim pokazateljima, od kojih ćemo se ovde
zadržati samo na dva:
 1. očekivanoj vrednosti slučajne promenljive, kao meri centralne
tendencije i
 2. varijansi slučajne promenljive, kao meri disperzije.

44
 Očekivana vrednost (eng. expected value) za neku slučajnu
promenljivu ima isto značenje kao i aritmetička sredina za neko
obeležje
 Očekivana vrednost se označava sa E(X) i jednaka je zbiru
proizvoda svih vrednosti slučajne promenljiva i odgovarajućih
verovatnoća.

45
46
 Očekivana vrednost se naziva i matematičko očekivanje ili,
jednostavno, očekivanje od X.
 E(X) predstavlja ponderisanu sredinu svih mogućih vrednosti
slučajne promenljive X, pri čemu su ponderi odgovarajuće
verovatnoće koje figurišu u rasporedu verovatnoća slučajne
promenljive X.

47
48
49
U praktičnim istraživanjima, pojam očekivana vrednost slučajne
promenljive X najčešće se poistovećuje sa aritmetičkom sredinom
statističkog skupa.
 Zbog toga možemo i napisati sledeću jednakost
 E(X)=μx= μ
 odnosno očekivana vrednost jednaka je aritmetičkoj sredini
populacije.

50
 Očekivana vrednost predstavlja osnovno sredstvo u analizi slučajnih
promenljivih i, kao aritmetička sredina, ima sledeće osobine:
♦ E(X) se nalazi između minimalne i maksimalne vrednosti slučajne
promenljive
♦ E(X) se ne mora poklapati ni sa jednom vrednošću slučajne
promenljive.
 Da sumiramo: pojam očekivana vrednost nikako ne možemo tumačiti
kao vrednost koja se očekuje u statističkom eksperimentu, već kao
prosečan očekivani ishod svih mogućih opita u eksperimentu.
 Drugačije rečeno, očekivana vrednost je prosek slučajne promenljive.

51
Varijansa prekidne slučajne promenljive

 Nameće se pitanje, u kojoj meri vrednosti slučajne promenljive

odstupaju od očekivane vrednosti, tj. kolika je disperzija?
 Kao meru disperzije ne možemo uzeti očekivanu vrednost
odstupanja, jer je ona jednaka nuli, kao što je zbir odstupanja svih
podataka od aritmetičke sredine jednak nuli.

52
53
 Sledeći istu logiku kao kod formulisanja varijanse rasporeda
frekvencija, potrebno je kvadrirati odstupanja pojedinih vrednosti
slučajne promenljive od njene očekivane vrednosti.
 Tako dobijamo varijansu slučajne promenljive koja se označava sa
Var X, ili σ2

54
55
 Vidimo da varijansa predstavlja prosek, odnosno očekivanu vrednost
kvadrata odstupanja vrednosti slučajne promenljive od njene
očekivane vrednosti.
 Ako očekivanu vrednost slučajne promenljive E(X) označimo sa μ i
X
shvatimo kao aritmetičku sredinu statističkog skupa (odnosno
populacije), zaključujemo da se formula za varijansu može napisati
u obliku.

56
57
58
59
 Kada znamo očekivanu vrednost E(X) i standardnu devijaciju σX,
slučajnu promenljivu X možemo transformisati u slučajnu promenljivu
Z čija je očekivana vrednost jednaka 0, a standardna devijacija 1.
 Slučajna promenljiva Z se naziva standardizovana slučajna
promenljiva.
 Slučajnu promenljivu X standardizujemo tako što se od nje oduzme
njena očekivana vrednost i razlika podeli standardnom devijacijom
(čime se eliminiše jedinica mere):

60
61
62
 MODELI PREKIDNIH RASPOREDA
VEROVATNOĆA

 Model rasporeda verovatnoća formulišemo u vidu opšteg algebarskog

izraza, tj. formule koja povezuje pojedinačne vrednosti slučajne
promenljive X sa njima odgovarajućim verovatnoćama.
 Takva funkcionalna veza:
 pi=f(xi) i = 1, 2, ..., n
 na kondenzovan način sadrži raspored verovatnoća i naziva se model
rasporeda.

63
 Akonam je poznat model rasporeda „f“, tada možemo jednostavno
odrediti verovatnoću javljanja svake pojedinačne vrednosti slučajne
promenljive, xi, i = 1, 2, ..., n.
 Osnovniznačaj modela rasporeda je u tome što se na njima bazira
celokupno statističko zaključivanje.

64
 Modele rasporeda verovatnoća delimo kao i slučajne promenljive na
prekidne i neprekidne.
 Najpoznatiji modeli prekidnih rasporeda verovatnoća su: binomni,
hipergeometrijski, Poizonov i uniformni.
 U okviru modela neprekidnih rasporeda verovatnoća, u statističkoj
praksi najčešće se koriste: normalan, Studentov, χ2 (hi kvadrat) i
Snidikorov (Fišerov) raspored.

65
Binomni raspored
 Najčešće korišćeni prekidni raspored u primenjenoj statistici jeste
binomni raspored. Da bismo ga razumeli, potrebno je da prethodno
objasnimo pojam tzv. Bernulijevog procesa.
 Posmatrajmo sukcesivno izvođenje nekog eksperimenta u kome se jedno
izvođenje naziva opit.
 Pretpostavimo da su u svakom pojedinom opitu moguća samo dva,
uzajamno isključiva, ishoda, koje nazivamo uspeh i neuspeh.
 Ova dva termina (uspeh i neuspeh) se koriste samo radi razgraničavanja
dva moguća ishoda i ne označavaju "kvalitet" nekog događaja. Veliki
broj eksperimenata može se statistički klasifikovati na ovaj način.

66
 Na primer, prilikom bacanja novčića moguća su samo dva događaja:
pad pisma ili grba; proizvedeni artikal može biti ispravan ili
neispravan; ispit iz statistike student može položiti ili pasti, itd.
 U svakom od ovih primera, u zavisnosti od toga šta je predmet našeg
istraživanja, jedan događaj označavamo kao uspeh a drugi kao
neuspeh.
 Na primer, pad pisma možemo označiti kao uspeh, ali i neispravan
proizvod je moguće klasifikovati kao uspeh.

67
 Takav opit, koji može imati samo dva ishoda naziva se Bernulijev
opit, po švajcarskom matematičaru Jakobu Bernuliju (Jacob
Bernoulli), koji je dao veliki doprinos teoriji verovatnoća.
 Nas, međutim, neće interesovati samo jedan Bernulijev opit, već niz
nezavisnih, ponovljenih Bernulijevih opita. Takav niz opita naziva
se Bernulijev proces, ukoliko su ispunjeni sledeći uslovi:

68
 (1) Svaki opit ima samo dva moguća ishoda: uspeh (U) i neuspeh
(N).
 (2) Verovatnoća uspeha, p = P (U), je konstantna od opita do opita.
Verovatnoća neuspeha, P(N) = 1 – p, označava se sa q, tako da je
p+q=1.
 (3) Opiti su nezavisni, odnosno, realizacija bilo kog ishoda u jednom
opitu nema uticaja na verovatnoću ishoda u bilo kom drugom opitu.

69
 Ukoliko izvršimo n ponovljenih Bernulijevih opita, tada broj uspeha
može iznositi 0, 1, 2, . . . , n.
 Cilj nam je da odredimo formulu za izračunavanje verovatnoće
ostvarivanja svakog mogućeg broja uspeha unutar n nezavisnih,
uzastopno ponovljenih opita, koji formiraju Bernulijev proces.
 Raspored do koga dolazimo na ovakav način i koji nam daje
željene verovatnoće naziva se binomni raspored.

70
71
Binomna distribucija verovatnoće

 Primer: Pet studenata izašlo je na pismeni deo ispita iz

statistike. Na osnovu rezultata predhodnih ispita
poznato nam je da je prolaznost na ovom ispitu 50% ili
p=0,5. Koje su verovatnoće svih mogućih ishoda na
ispitu?

72
Binomna distribucija verovatnoće

0,40
0,35
0,30
Verovatnoća

0,25
0,20
0,15
0,10
0,05
0,00
0 1 2 3 4 5
Broj studenata koji će položiti

73
 Poasonov raspored

 Binomni raspored pokazuje verovatnoće dobijanja x uspeha prilikom n

opita nekog eksperimenta, tj. Bernulijevog procesa, pod uslovom da je
verovatnoća uspeha, p, konstantna iz opita u opit.
 Ako je broj opita veliki i nalazi se izvan opsega datih u tablicama,
izračunavanje verovatnoće za odgovarajuće vrednosti slučajne
promenljive primenom formule postaje komplikovano.
 Ukoliko je verovatnoća uspeha p veoma mala (najčešće se uzima da
je p≤0,05) i kada je n≥20, umesto binomnog modela možemo koristiti
Poasonov model, kao zadovoljavajući način aproksimiranja
verovatnoća.
 Primetimo da kada je p blisko nuli u stvari ispitujemo retke događaje.

74
 Pored aproksimiranja binomnih verovatnoća, Poasonovim
rasporedom možemo opisivati veliki broj pojava, bilo u vremenu ili
prostoru:
 broj klijenata koji se nalaze u redu i čekaju na neki servis,
 broj saobraćajnih nezgoda tokom vikenda,
 broj štamparskih grešaka po stranici u nekoj knjizi,
 broj čestica emitovanih od neke radioaktivne supstance,
 broj zastoja u radu mašine u preduzeću,
 broj defekata na kvadratnom metru tkanine,
 godišnji broj umrlih u nekom gradu od neke retke bolesti, itd.

75
U navedenim primerima Poasonov raspored se može koristiti da bi
se odredila verovatnoća broja javljanja nekog događaja u jedinici
vremena ili prostora.
 Generalno, da bi Poasonov raspored mogao adekvatno da opiše neku
pojavu potrebno je da su ispunjena sledeća tri uslova:

76
 1. Broj javljanja događaja je nezavisan od jedne do druge jedinice
vremena ili prostora.
 2. Verovatnoća javljanja nekog događaja je proporcionalna dužini
određene jedinice vremena ili prostora.
 3. Verovatnoća istovremenog javljanja dva ili više događaja u
sasvim maloj jedinici vremena ili prostora je zanemarljivo mala.

77
 Podovim uslovima, slučajna promenljiva X, koja pokazuje koliko
puta se javio neki događaj u jedinici vremena ili prostora, ima
Poasonov raspored (nazvan je po francuskom matematičaru S. D.
Poisson-u, koji je 1837. objavio članak u kome se prvi put opisuje
ovaj raspored).

78
79
 Primenom formule izračunavamo verovatnoću da prekidna slučajna
promenljiva X uzme neku proizvoljnu vrednost x.
 Broj e je konstanta, predstavlja bazu prirodnog logaritma i iznosi
(zaokružen na pet decimala) 2,71828, pa vidimo da Poasonov
raspored ima samo jedan parametar, λ (lambda).
 Numerički, λ predstavlja prosečan broj javljanja nekog
događaja u jedinici vremena ili prostora. Parametar λ
istovremeno predstavlja aritmetičku sredinu i varijansu
Poasonovog rasporeda.

80