Professional Documents
Culture Documents
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:
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
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
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
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
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
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
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
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