Professional Documents
Culture Documents
Bs 4
Bs 4
56
Definicija 11 Neka je X : Ω → R slučajna varijabla. Funkciju FX : R → R
definiranu sa
def oznaka
FX (x) = P ({ω ∈ Ω : X(ω) ≤ x}) = P (X ≤ x)
Rješenje:
Očito je
ImX = {0, 1, 2, 3}.
1 3 3 1
P (X = 0) = , P (X = 1) = , P (X = 2) = , P (X = 3) = .
8 8 8 8
x < 0 : FX (x) = P (X ≤ x) = P (∅) = 0,
1
0 ≤ x < 1 : FX (x) = P (X ≤ x) = P (X = 0) = ,
8
4 1
1 ≤ x < 2 : FX (x) = P (X ≤ x) = P (X = 0) + P (X = 1) = = ,
8 2
7
2 ≤ x < 3 : FX (x) = P (X ≤ x) = P (X = 0) + P (X = 1) + P (X = 2) = ,
8
3 ≤ x : FX (x) = P (X ≤ x)
8
= P (Ω) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = = 1.
8
1. FX je rastuća funkcija.
3. FX (−∞) = 0, FX (+∞) = 1.
57
4.2 Diskretne slučajne varijable
Navedeni primjer spada u posebnu skupinu slučajnih varijabli koju nazi-
vamo diskretnim slučajnim varijablama kod kojih je ImX diskretan (najčešće
konačan) skup. Ako slučajna varijabla X može poprimiti bilo koju vrijednost
iz nekog intervala (visina, težina, vrijeme do prvog poziva itd.) nazivat ćemo
je neprekidnom.
U gornjem primjeru smo vidjeli da nakon što smo odredili ImX, te P (X =
xi ), xi ∈ ImX kod računanja daljnih vjerojatnosti ne koristimo konkretan
kontekst tj. vjerojatnostni prostor.
Općenito ako za neku slučajnu varijablu X odredimo
a) ImX = {a1 , a2 , ..., ai , ...}
P∞
b) pi = P (X = ai ), i = 1, 2, ... td. je i=1 pi = 1
govorit ćemo da je time odredena razdioba (distribucija) slučajne varijable
X.
Zapis: !
a1 a2 ... ai ...
X∼ .
p1 p2 ... pi ...
pX (ai ) := P (X = ai ) = pi
Vrijedi:
X
(i) E[g(X)] = g(ai ) · pX (ai ), g:R→R
ai ∈ImX
58
(iv) E[c] = c, c∈R
Definicija 14 Broj
X
Var[X] := (ai − E X)2 · pX (ai )
ai ∈ImX
Vrijedi:
59
Konačno se dobije:
1
P (|X − µ| ≥ ε) ≤ Var[X].
ε2
Dobije se i:
1
P (|X − µ| < ε) = 1 − P (|X − µ| ≥ ε) ≥ 1 − Var[X].
ε2
p
Pravilo 3-sigma: Neka je σ(X) = Var[X] standardna devijacija slučajne
varijable X. Iz Čebiševljeve nejednakosti dobijemo za ε = 3σ(X):
1 8
P (|X − µ| < 3σ(X)) ≥ 1 − Var[X] = = 0.89
9Var[X] 9
60
5. Poznato je da u 80% slučajeva iz posijanog sjemena nikne biljka. Kolika
je vjerojatnost da od 10 posijanih sjemenki nikne k biljki, 0 ≤ k ≤ 10?
E[X] = 0·q+1·p = p, Var[X] = E[X 2 ]−E 2 [X] = E[X]−E 2 [X] = p−p2 = pq.
61
Slučajnu varijablu za koju je
X ∼ B(5, 0.8).
Dobije se
!
0 1 2 3 4 5
X= .
0.00032 0.0064 0.0512 0.2048 0.4096 0.32768
1. P (X ≥ 4) = P (X = 4) + P (X = 5) = 0.73768
2. P (X ≤ 3) = 1 − P (X > 3) = 1 − P (X ≥ 4) = 0.26272.
3. P (2 ≤ X ≤ 4) = P (X = 2) + P (X = 3) + P (X = 4) = 0.6656.
62
Označimo sa Xi Bernoullijevu slučajnu varijablu koja registrira rezultat
i−tog pokusa tj. jednaka je 1 ako se u i−tom pokusu dogodio ”uspjeh”, a 0
ako se u i−tom pokusu nije dogodio ”uspjeh”, i = 1, 2, . . . , n. Kazat ćemo
da je zadan (konačan) niz nezavisnih jednako distribuiranih Bernoullijevih
slučajnih varijabli. Očito je
X = X1 + X2 + · · · + Xn−1 + Xn .
Primjer 53 Odredite E[X], Var[X] u Primjeru 52. Izračunajte P (|X −µ| <
p
3σ(X)), pri čemu je µ = E[X], σ(X) = Var[X] standardna devijacija
slučajne varijable X.
P (|X − µ| < 3σ(X)) = P (|X − 4| < 2.683) = P (4 − 2.683 < X < 4 + 2.683)
63
Funkcija gustoće od X je:
k 5−k
5 3 1
pX (k) = P (X = k) = , k = 0, 1, 2, 3, 4, 5 (10)
k 4 4
a) Želimo izračunati vjerojatnost da je košarkaš pogodio koš točno 3 puta.
Zanima nas zapravo P (X = 3). Uvrštavanjem k = 3 u (10) lako dobijemo
rješenje: 3 2 3
5 3 1 5 3
P (X = 3) = = = 0.26
3 4 4 3 45
b) Kolika je vjerojatnost da košarkaš pogodi koš barem 3 puta? Taj dogadaj
izražen pomoću slučajne varijable X je X ≥ 3. Želimo dakle izračunati:
P (X ≥ 3) = P (X = 3) + P (X = 4) + P (X = 5)
P (X ≤ 2) = 1 − P (X ≥ 3) = 1 − 0.895 = 0.105
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)
64
Rješenje:
3
E [X] = 5 · = 3.75
4
3 1
Var [X] = 5 · · = 0.9375
√ 4 4
σX = 0.9375 = 0.968
Nadalje,
P (E [X] − 2σX < X < E [X] + 2σX ) = P (1.814 < X < 5.686)
= 0.088 + 0.26 + 0.395 + 0.24 = 0.983
Y n = X1 + X2 + · · · + Xn
65
gdje su Xi , i = 1, 2, ... nezavisne jednako distribuirane Bernoullijeve slučajne
varijable. Primjetimo da je Yn ∼ B(n, p).
Primjenimo Čebiševljevu nejednakost na slučajne varijable
Yn
X= ...relativna frekvencija ”uspjeha”.
n
Kako je
Yn 1 1
E = E[Yn ] = np = p
n n n
i
Yn 1 1 pq
Var = 2 Var[Yn ] = 2 npq = ,
n n n n
to iz Čebiševljeve nejednakosti slijedi:
Yn 1 pq 1 1
P − p ≥ ε ≤ 2 = 2 p(1 − p) ≤
n ε n nε 4nε2
odnosno
Yn 1
P − p < ε ≥ 1 −
.
n 4nε2
Primjetimo da odavde slijedi
Yn
lim P − p < ε = 1.
n→∞ n
Rješenje:
Xn . . . ukupan broj pisama u n−bacanja,
Xn ∼ B(n, p).
Xn
Procjena za p je relativna frekvencija n
. Iz uvjeta zadatka mora biti ispun-
jeno
Xn −2
P
− p < 0.5 · 10
≥ 0.95.
n
66
Kako iz Čebiševljeve nejednakosti slijedi
104
Xn −2 1
P − p < 0.5 · 10 ≥1− = 1 −
n 4n0.25 · 10−4 n
104
1− ≥ 0.95
n
što lako daje n ≥ 200000.
-odrediti mod binomne slučajne varijable
-primjeri (sa stupčastim dijagramima?) za p ≈ 0.5, p ≈ 0, p ≈ 1.
n(n − 1) · · · (n − k + 1) pkn (1 − pn )n
n k
P (Xn = k) = pn (1 − pn )n−k =
k k! (1 − pn )k
λ k
(1 − nλ )n
n(n − 1) · · · (n − k + 1) n
k! (1 − nλ )k
67
−k n
λk
k−1
λ 1 λ
= 1− 1− ··· 1− 1− ,
k! n n n n
što očito daje
λk −λ
lim P (Xn = k) = e .
n→∞ k!
Kako je E[Xn ] = npn i Var[Xn ] = npn (1 − pn ) i kako je
E[X] = λ Var[X] = λ.
68
dobivamo:
∞ ∞
X X λk −λ
E[X] = k · pX (k) = k· e
k=0 k=1
k!
∞ ∞
X λk−1 −λ
X λm −λ
= λ· e =λ· e = λ·1 =λ
k=1
(k − 1)! m=0
m!
P (X = 1) = P (X = 2),
Rješenje:
X ∼ P (λ)
λk −λ
pX (k) = P (X = k) = e , k = 0, 1, 2, 3, . . .
k!
λ1 −λ λ2 −λ λ2
P (X = 1) = P (X = 2) ⇒ e = e ⇒ λ= ⇒ λ2 − 2λ = 0
1! 2! 2
⇒ λ(λ − 2) = 0 ⇒ λ1 = 0, λ2 = 2
2k −2
⇒ X ∼ P (2), P (X = k) = e
k!
E [X] = λ = 2
P (X ≥ 4) = 1 − P (X < 4) = 1 − P (X ≤ 3)
= 1 − P (X = 0) − P (X = 1) − P (X = 2) − P (X = 3)
20 −2 21 −2 22 −2 23 −2
= 1− e − e − e − e
0! 1! 2!
3!
4 19
= 1 − e−2 1 + 2 + 2 + = 1 − e−2 · = 0.143
3 3
69
Zadatak 8 Pretpostavimo da je 220 grešaka rasporedeno slučajno unutar
knjige od 200 stranica. Odredite vjerojatnost da dana stranica knjige sadrži:
a) niti jednu grešku
b) točno jednu grešku
c) barem dvije greške
70
”slučajan” tj. da nije bilo gadanja u odredene ciljeve, odredite teorijske
frekvencije broja područja pogodenih sa točno 0, 1, 2, 3 rakete.
71
4.3.3 Hipergeometrijska slučajna varijabla
m
n
m! n!
k s−k k!(m−k)! (s−k)!(n−s+k)!
P (X = k) = m+n
= (m+n)!
s (m+n−s)!s!
s!
= ·
k!(s − k)!
m(m − 1) · · · (m − k + 1) · n(n − 1) · · · (n − s + k + 1)
,
(m + n)(m + n − 1) · · · (m + n − s + 1)
što dijeljenjem brojnika i nazivnika sa (m + n)s na limesu daje
s k m
P (X = k) ≈ p (1 − p)s−k , p ≈ .
k m+n
72
Zadatak 10 Kolika je vjerojatnost da se od 7 suglasnika i 5 samoglasnika
napravi riječ koja se sastoji od 4 suglasnika i 3 samoglasnika? (riječ ne mora
imati smisao)
73
4
6
3 4·1 1
pX (3) = P (X = 3) = 10
0 = 10·9·8 =
3 3·2
30
!
0 1 2 3
⇒ X∼
1/6 1/2 3/10 1/30
74
-2 1
Vrijedi:
P (a ≤ X ≤ b) = FX (b) − FX (a)
(2)
Z ∞
fX (t)dt = P (−∞ < X < ∞) = 1
−∞
gdje je sada Z ∞
2
E [X ] = t2 · fX (t)dt.
−∞
75
Općenito, za g : R → R vrijedi
Z ∞
E [g(X)] = g(t) · fX (t)dt.
−∞
1 − (t−µ)
2
fX (t) = √ e 2σ 2 (14)
σ 2π
Oznaka:
X ∼ N(µ, σ 2 )
Vrijedi:
X ∼ N(µ, σ 2 ) i a, b ∈ R, a 6= 0
tada je
Y = aX + b ∼ N(aµ + b, a2 σ 2 )
76
Funkciju distribucije jedinične normalne razdiobe N(0, 1) označavamo s
Φ(x) i vrijedi:
x
1
Z
t2
Φ(x) = √ e− 2 dt, x∈R
2π −∞
2
X + Y ∼ N(µX + µY , σX + σY2 ).
k = 1, P (|X − µ| ≤ σ) = 0.6826,
77
Rješenje:
1 1
a) P (0 ≤ X ≤ 1) = Φ(1) − Φ(0) = + Φ0 (1) − − Φ0 (0)
2 2
= Φ0 (1) − Φ0 (0) = 0.3413 − 0 = 0.3413
1 1
b) P (−1 ≤ X ≤ 2) = Φ(2) − Φ(−1) = + Φ0 (2) − − Φ0 (−1)
2 2
= Φ0 (2) + Φ0 (1) = 0.4772 + 0.3413 = 0.8185
1
c) P (X ≤ 1) = Φ(1) = + Φ0 (1) = 0.5 + 0.3413 = 0.8413
2
d) P (X ≥ 1) = 1 − P (X < 1) = 1 − P (X ≤ 1) = 1 − (1/2 + Φ0 (1)) = 0.1587
Rješenje:
X −µ X −2
X ∼ N(2, 4) ⇒ X∗ = = ∼ N(0, 1)
σ 2
a) P (0 ≤ X ≤ 4) = FX (4) − FX (0)
0−2 X −2 4−2
=P ≤ ≤ = P (−1 ≤ X ∗ ≤ 1)
2 2 2
= Φ0 (1) − Φ0 (−1) = 2Φ0 (1) = 2 · 0.3413 = 0.6826
b) P (X ≥ 4) = 1 − P (X < 4) = 1 − P (X ≤ 4) = 1 − FX (4)
4−2
∗ 1
=1−P X ≤ = 1 − Φ(1) = 1 − + Φ0 (1)
2 2
1
= − Φ0 (1) = 0.5 − 0.3413 = 0.1587
2
78
Rješenje: Slučajna varijabla X mjeri odstupanje aviona od sredine koridora.
Vrijedi: X ∼ N(100, 2002 )
a) Ako želimo da avion leti sredinom koridora širine 500m, tada on od sredine
tog koridora može odstupati najviše 250m prema gore ili prema dole pa
imamo:
−250 − 100 250 − 100
P (−250 ≤ X ≤ 250) = P ≤ X∗ ≤
200 200
3 7 3 7
=Φ −Φ − = Φ0 + Φ0
4 4 4 4
= 0.2734 + 0.4599 = 0.7333
Zn = X1 + X2 + · · · + Xn , n ∈ N.
Tada vrijedi:
! Z b
Zn − E[Zn ] 1 t2
lim P a≤ p ≤b = √ e− 2 dt.
n→∞ Var[Zn ] 2π a
Primjetimo da su slučajne varijable
Zn − E[Zn ]
Zn∗ = p
Var[Zn ]
standardizirane tj. E[Zn∗ ] = 0, Var[Zn∗ ] = 1, te da se s desne strane jed-
nakosti nalazi Φ(b) − Φ(a) gdje je Φ funkcija distribucije jediniňe normalne
slučajne varijable. Iz centralnog graničnog teorema slijedi da za ”velike” n
vrijedi aproksimacija
!
Zn − E[Zn ]
P a≤ p ≤ b ≈ Φ(b) − Φ(a).
Var[Zn]
79
Najčešći način upotrebe Centralnog graničnog teorema je kada su X1 , X2 ,
. . . Bernoullijeve slučajne varijable tj. Zn binomne slučajne varijable.
B@10,0.3D i N@3,2.1D
0.25
0.2
0.15
0.1
0.05
0 2 4 6 8 10
B@20,0.3D i N@6,4.2D
0.15
0.1
0.05
0 5 10 15 20
80
Označimo sa X ∗ standardiziranu slučajnu varijablu X tj.
X − E[X] X − 720
X∗ = = .
σX 12
a)
P (X = 750) = P (749.5 < X < 750.5)
749.5 − 720 750.5 − 720
∗
=P <X < = P (2.46 < X ∗ < 2.54)
12 12
≈ Φ(2.54) − Φ(2.46) = 0.014.
b)
P (X = 710) = P (709.5 < X < 710.5)
709.5 − 720 710.5 − 720
∗
=P <X < = P (−0.875 < X ∗ < −0.792)
12 12
≈ Φ(−0.792) − Φ(−0.875) = Φ0 (0.875) − Φ0 (0.792) = 0.0254.
c)
P (710 ≤ X ≤ 740) = P (709.5 < X < 740.5)
709.5 − 720 740.5 − 720
∗
=P <X < = P (−0.875 < X ∗ < 1.71)
12 12
≈ Φ(1.71) − Φ(−0.875) = Φ0 (1.71) + Φ0 (0.875) = 0.767.
Rješenje:
Xn . . . ukupan broj pisama u n bacanja.
Očito je
Xn ∼ B(n, p).
81
Procjena za p je relativna frekvencija
Xn
.
n
Iz uvjeta zadatka imamo
Xn −2
P − p ≤ 0.5 · 10 ≥ 0.95.
n
Odavde je
√
Xn ε p
2Φ0 (ε) ≈ P (|Xn − np| ≤ npqε) = P − p ≤ √ p(1 − p)
n n
Xn ε
≤ P − p ≤ √ .
n 2 n
Stavljajući
ε
√ = 0.005
2 n
odnosno
√
ε = 0.01 n
82