Poglavlje 2

RASPODJELE VJEROVATNOĆE

U ovom poglavlju nastavljamo sa proučavanjem vjerovatnoće kao alata za

donošenje odluka, uvodeći koncept slučajne promjenljive i raspodjele
vjerovatnoće. Razmotrićemo raspodjele vjerovatnoća kako diskretne tako i
kontinualne slučajne promjenljive. Od posebnog interesa biće tri posebne
raspodjele vjerovatnoće: binomna, Poissonova i normalna raspodjela. Primjena
ovih raspodjela vjerovatnoća je značajna u nizu situacija kada je potrebno
donijeti neku odluku, jer one čine podatak o vjerovatnoći lako dostupnim
donosiocu odluke.

2.1 SLUČAJNA PROMJENLJIVA

Prisjetimo se da smo u Poglavlju 1 eksperiment definisali kao bilo koji proces

koji ima dobro definisane ishode. Koncentrišimo se sada na proces dodjeljivanja
numeričkih vrijednosti ishodima eksperimenta. Dolazimo do uvođenja u igru
slučajne promjenljive.
Za bilo koji pojedinani eksperiment slučajna promjenljiva se može definisati
tako da svaki poseban ishod eksperimenta generiše tačno jednu numeričku
vrijednost slučajne promjenljive. Npr. ako posmatramo eksperiment dnevne
prodaje automobila kod određenog dilera, možemo odabrati da opišemo ishode
eksperimenta preko broja prodatih automobila. U ovom slučaju, ako je x = broj
automobila, x predstavlja slučajnu promjenljivu. Numerička vrijednost slučajne
promjenljive zavisi od ishoda ekspermenta. To znači da ne znamo specifičnu
vrijednost slučajne promjenljive sve kod ne znamo ishod eksperimenta. Npr.
ako se datog dana prodaju tri automobila, slučajna promjenljiva poprima
vrijednost 3, ako se slijedećeg dana kada ponovimo eksperiment prodaju četiri
automobila, slučajna promjenljiva će uzeti vrijednost 4. Prema tome, slučajnu
promjenljivu definišemo na slijedeći način:
 Poglavlje 2

Slučajna promjenljiva je numerički opis ishoda eksperimenta.

Neki dodatni primjeri eksperimenata i pridruženih slučajnih promjenljivih dati

su u tabeli 2.1.

TABELA 2.1 Primjeri slučajnih promjenljivih.

Slučajna promjenljiva Moguće vrijednosti
Eksperiment
(x) slučajne promjenljive
Napraviti 100 poziva za
Ukupan broj prodaja 0, 1, 2, ..., 100
prodaju
Provjeriti isporuku od
Broj neispravnih 0, 1, 2, ..., 70
70 radio-aparata
Raditi 1 godinu na Procenat realizacije
projektu izgradnje nove projekta nakon 6 0 ≤ x ≤ 100
biblioteke mjeseci

Dok brojni eksperimenati, kao što su oni pobrojani u tabeli 2.1, imaju ishode
koji prirodno vode ka prezentaciji numeričkim vrijednostima, neki drugi
eksperimenti nemaju tu osobinu. Uzmimo za primjer eksperiment bacanja
novčićia jedan put. Rezultat eksperimenta bit će ili glava ili pismo, od kojih ni
jedan nema numeričku vrijednost. Meuđtim, mi još uvijek možemo nastojati da
izrazimo rezultat pomoću slučajne promjenljive. Stoga nam je potrebno pravilo
za pridruživanje numeričkih vrijednosti ishodima eksperimenta. Jedna od
mogućnosti je da dodijelimo slučajnoj promjenljivoj vrijednost x = 1 u slučaju
da je ishod glava, a x = 0 ako je ishod pismo. Kako su vrijednosti slučajne
promjenljive proizvoljne (mogli smo npr. odrediti 3 i 4), one su prihvatljive u
smislu definicije slučajne promjenljive. Dakle x je slučajna promjenljiva jer
numerički opisuje ishode eksperimenta.
Slučajne promjenljive mogu biti klasificirane kao diskretne ili kotinualne
zavisno od numeričkih vrijednosti koje može poprimiti. Slučajna promjenljiva
koja može poprimiti samo konačan i prebrojiv broj određenih različitih
vrijednosti se smatrara diskretnom slučajnom promjenljivom. Broj prodatih
jedinica, broj uočenih kvarova, broj mušterija koje su ušle u banku za vrijeme
jednog radnog dana itd. su primjeri diskretnih slučajnih promjenljivih. S druge
strane slučajne promjenljive kao što su težina, vrijeme, temperatura itd., koje
mogu poprimiti bilo koju vrijednost u određenom intervalu ili kolekciji
intervala predstavljaju kontinualne slučajne promjenljive. Npr. treća slučajna
promjenljiva u tabeli 2.1, procenat zavrešnog dijela projekta nakon šest mjeseci)
je kontinualna slučajna promjenljiva jer može uzeti bilo koju vrijednost u
intervalu od 0 – 100 (npr. 56.33, 64.22, itd).

34
Kvantitativne metode u inžinjerstvu i biznisu

2.2 DISKRETNE SLUČAJNE PROMJENLJIVE

U cilju demostriranja primjene diskretnih slučajnih promjenljivih razmatrimo

prodaju automobila u Hercegovina-auto. Direktor je zainteresovan za dnevni
obim prodaje automobila. Pretpostavo da je x slučajna promjenljiva koja
predstavlja broj automobila prodatih određenog dana. Knjige prodaje pokazuju
da je 5 maksimalni broj auta koje je Hercegovina-auto ikad prodala za vrijeme
jednog dana. Kako direktor vjeruje da je prethodni istorijat prodaje nešto što
adekvatno predstavlja šta će se desiti u budućnosti, možemo očekivati da
slučajna promjenljiva x uzme jednu od numeričkih vrijednosti 0, 1, 2, 3, 4 ili 5.
Moguće vrijednosti slučajne promjenljive su konačne; stoga ćemo klasicifirati x
kao diskretnu slučajnu promjenljivu.

2.2.1 Raspodjela vjerovatnoće diskretne slučajne promjenljive

Jednom kada smo definisali odgovarajuću diskretnu slučajnu promjenljivu za
određenu situaciju, možemo posvetiti pažnju određivanju vjerovatnoće
pridružene svakoj mogućoj vrijednosti slučajne promjenljive. U problemu
Hercegovina-auta zainteresovani smo za određivanje vjerovatnoća da x bude 0,
1, 2, 3, 4 ili 5. Drugim rijčima, želimo da znamo vjerovatnoću pridruženu
svakoj mogućoj dnevnoj vrijednosti obima prodaje automobila.
Pretpostavimo da provjera istorijata prodaje kod Hercegovina-auta pokazuje da
je u toku predhodne godine firma radila 300 dana. Obimi prodaje do kojih se
došlo i frekvencije njihovih pojava sumirani su u tabeli 2.2. Sa ovim dostupnim
podacima, direktor osjeća da je metod relativne frekvencije razumno primijeniti
za pridruživanje vjerovatnoće slučajnoj promjenljivoj x. Najprije moramo
definisati način označavanja koji ćemo primjeniti za predstavljanje ovih
vjerovatnoća. Funkcija vjerovatnoće, označena sa f(x), označava vjerovatnoću
da će slučajna promjenljiva x uzeti neku određenu vrijednost. Npr. kako u 54 od
300 dana Hercegovina-auto nije prodala ni jedno auto i kako prodaja ni jednog
auta dgovara vrijednosti x = 0, dodijelit ćemo f(0) vrijednost 54/300 = 0.18.
Slično tome, kako f(1) označava vjerovatnoću da će x uzeti vrijednost 1,
dodjeljujemo f(1) vrijednost 117/300 = 0.39. Nakon izračunavanja relativne
frekvencije za ostale moguće vrijednosti x, možemo sačiniti tabelu x i f(x) kao
što je prikazano u tabeli 2.3. Ova tabela je jedan od načina predstavljanja
raspodjele vjerovatnoće slučajne promjenljive x.
Možemo takođe predstaviti raspodjelu vjerovatnoće od x grafički. Na slici 2.1.
vrijednost slučajne promjenljive x je prikazana na horizontalnoj osi.
Vjerovatnoća da će x uzeti ove vrijednosti prikazana je na vertikalnoj osi. Za
mnoge diskretne slučajne promjenljive raspodjela vjerovatnoće se može
predstaviti kao formula koja daje f(x) za svaku moguću vrijednost od x. Ovaj
pristup ilustrovan je u sekciji 2.3.

35
 Poglavlje 2

TABELA 2.2 Broj dnevno prodatih automobila u Hercegovina-autu.

Obim prodaje Broj dana
Nijedan automobil 54
Jedan automobil 117
Dva automobila 72
Tri automobila 42
Četiri automobila 12
Pet automobila 3
Ukupno 300

TABELA 2.3 Raspodjela vjerovatnoće za broj dnevno prodatih automobila u

Hercegovina-autu.
x f(x)
0 0.18
1 0.39
2 0.24
3 0.14
4 0.04
5 0.01
Ukupno 1.00

Pri razvoju raspodjele vjerovatnoće diskretne slučajne promjenljive, slijedeća

dva uslova moraju biti zadovoljena:

0 ≤ f (x) ≤ 1.0 (2.1)

∑ f (x) = 1 (2.2)

Uslov 2.1 je zahtjev da vjerovatnoće pridružene svakoj vrijednosti x moraju biti

veće ili jednake nuli, dok 2.2 pokazuje da zbir vjerovatnoća za sve vrijednosti
slučajne promjenljive x mora biti jednak jedinici. Ako se osvrnemo na tabelu
2.3 za raspodjelu vjerovatnoće Hercegovina-auta, vidimo da su sve
vjerovatnoće veće ili jednake nuli. Uz to, takođe, možemo primjetiti da je

∑f(x) = f(0) + f(1) + f(2) + f(3) + f(4) + f(5)

= 0.18 + 0.39 + 0.24 + 0.14 + 0.04 + 0.01 = 1.00.

Pošto su 2.1 i 2.2 zadovoljene, raspodjela vjerovatnoće koju smo razvili za

Hercegovina-auto je validna diskretna raspodjela vjerovatnoće.
Nakon što je ustanovljena slučajna promjenljiva i njena raspodjela
vjerovatnoće, različite dodatne informacije o vjerovatnoći mogu se dobiti u
zavisnosti od potreba i interesovanja donosioca odluke.

36
Kvantitativne metode u inžinjerstvu i biznisu

Slika 2.1. Grafički prikaz raspodjele vjerovatnoće za broj

automobila prodatih u jednom danu

Npr. u problemu Hercegovina-auta, raspodjela vjerovatnoće prikazana u tabeli

2.3 može se upotrebiti da bi se dobile slijedeće informacije:

1. Vjerovatnoća da ni jedan automobil neće biti prodan u danu je 0.18

2. Vjerovatnoća da će najmanje jedna prodaja biti obavljena u toku dana je
0.82.
3. Najvjerovatniji obim prodaje je 1, jer je f(1) = 0.39
4. Postoji vjerovatnoća 0.05 da će biti izuzetni dan prodaje sa 4 ili 5
prodatih automobila.

Koristeći informacije o vjerovatnoći poput navedenih, uprava Hercegovina-auta

može bolje razumjeti neodređenosti povezane sa poslovima prodaje automobila.
Možda poboljšano razumjevanje može poslužiti kao osnova za nova pravila
ponašanja ili odluke koje će povećati efikasnost firme.

2.2.2 Očekivana vrijednost

Kada smo konstruisali raspodjelu vjerovatnoće za slučajnu promjenljivu, često

želimo da izračunamo glavnu ili očekivanu vrijednost slučajne promjenljive.
Očekivana vrijednost diskretne slučajne promjenljive je prosjek težina svih
mogućih vrijednosti slučajne promjenljive, gdje se pod težinom podrazumjevaju
vjerorovatnoće date vrijednosti. Matematički izraz za računanje očekivane
vrijednosti diskretne slučajne promjenljive x je prikazan u formi:

E(x) = µ = ∑xf(x) (2.3)

Kao što se može vidjeti iz gornjeg izraza, oznake E(x) i µ su upotrebljene za

označavanje očekivane vrijednosti slučajne promjenljive. Jednačina 2.3 nam
govori da u cilju sračunavanja očekivane vrijednosti diskretne slučajne

37
 Poglavlje 2

promjenljive moramo svaku vrijednost promjenljive pomnožiti odgovarajućom

vrijednošću funkcije raspodjele vjerovatnoće. Zatim izvršimo sumiranje
izračunatih proizvoda. Izračunavanje očekivane vrijednosti slučajne
promjenljive (broj prodaja dnevno za Hercegovina-auto) je prikazan u tabeli
2.4. Prva kolona sadrži vrijednosti slučajne promjenljive x, dok druga kolona
sadrži njima pridružene vjerovatnoće f(x). Množenjem svake vrijednosti x sa
njenom vjerovatnoćom f(x) daje vrijednosti xf(x), što je prikazano u trećoj
koloni tabele 2.4. Prema jednačini 2.3, sabiranjem vrijednosti u ovoj koloni,
∑xf(x) doći ćemo do očekivane vrijednosti da se u toku dana proda 1.50
automobila.
Očekivana vrijednost slučajne promjenljive može se shvatiti kao srednja ili
prosjčena vrijednost. To znači da za eksperimente koji se mogu ponavljati više
puta, očekivana vrijednost se može predstaviti kao prosječna vrijednost na duže
staze. Međutim, očekivana vrijednost nije nužno i broj koji možemo očekivati
da će se desiti i slijedećeg puta kada budemo izveli eksperiment. Ustvari
nemoguće je Hercegovina-auto proda tačo 1.5 automobila bilo kojeg dana. Ali
vizija prodaje automobila HA za veći broj dana u budućnosti, očekivana
vrijednost od 1.5 automobila dnevno obezbjeđuje dobru procjenu za prosječnu
dnevnu prodaju.

TABELA 2.4 Očekivana vrijednost slučajne promjenljive.

x f(x) xf(x)
0 0.18 0⋅0.18 = 0.00
1 0.39 1⋅0.39 = 0.39
2 0.24 2⋅0.24 = 0.48
3 0.14 3⋅0.14 = 0.42
4 0.04 4⋅0.01 = 0.16
5 0.01 5⋅0.10 = 0.05
E(x) = µ = ∑xf(x) = 1.50

Očekivana vrijednost može biti značajna za menadžera kako iz ugla planiranja

tako i sa stanovišta donošenjao dluka. Npr. pretpostavimo da će HA biti otvoren
60 dana u naredna tri mjeseca. Koliko automobila će biti prodato za vrijeme
ovoga perioda? Kako ne možemo specifirati tačne prodaje za svaki dati dan,
očekivana vrijednost od 1.50 automobila na dan obezbjeđuje očekivanu ili
prosjčenu procjenu prodaje od 60⋅1.50 = 90 automobila za period od naredna 3
mjeseca. U smislu pripremanja kvota prodaje i/ili planiranja narudžbi
očekivana vrijednost može poslužiti kao veoma korisna informacija za
donošenje odluka.
Važno je napomenuti da problemi vjerovatnoće često uključuju i eksperimente
koji se ne ponavljaju. Tj., za razliku od problema dnevne prodaje HA, mnogi
drugi ekspermenti mogu imati ishode se dešavaju samo jedanput. Na primjer,

38
Kvantitativne metode u inžinjerstvu i biznisu

razmotrimo situaciju kompanije koja razvija veliki prodajni centar gdje je

slučajna promjenljiva povratak investiranih sredstava. U ovom tipu
eksperimenta mi ne možemo interpretirati očekivanu vrijednost slučajne
promjenljive kao prosjek na duge staze pošto se eksperiment neće ponavljati
više puta. Bez obzira na to, osoba koja donosi odluke može da razmišlja u
smislu eksperimenta koji se hipotetiki ponavlja veći broj puta, tako da se može
interpretirati kao prosjek na ''duge staze''.

2.2.3 Varijansa
Dok nam očekivana vrijednost daje ideju o prosječnoj ili srednjoj vrijednosti
slučajne promjenljive često želimo mjeru disperzije ili varijabilnosti slučajne
promjenljive. Npr. ako vrijednosti slučajne promjenljive variraju od vrlo velikih
do vrlo malih želimo da nam i vrijednost koja će mjeriti varijabilnost bude
velika. S druge strane ako vrijednost slučajne promjenljive pokazuju samo
skromno odstupanje željeli bismo relativno malu vrijednost varijabilnosti. Mi
sada želimo da uzmemo varijansu kako bi sumirali varijabilnost vrijednosti
slučajne promjenljive: Matematički izraz za varijansu diskretne slučajne
promjenljive je

Var(x) = σ2 = ∑(x-µ)2 f(x) (2.4)

Kako jednačina 2.4 pokazuje, ključni dio formule za varijansu je devijacija (x -

µ) koja mjeri koliko je daleko određena vrijednost slučajne promjenljive od
očekivane ili srednje vrijednosti µ. Pri računanju varijanse slučajne
promjenljive devijacija se kvadrira i onda množi odgovarajućom vrijednošću
funkcije vjerovatnoće. Suma ovih vrijednosti za sve vrijednosti slučajne
promjenljive se tretira kao varijansa. Stoga je varijansa samo prosjek kvadrata
devijacije.
Proračun varijanse za broj dnevnih prodaja za problem Hercegovina-auta (HA)
je sumiran u tabeli 2.5. Vidimo da je varijansa za broj prodatih automobila 1.25.
Pridružena mjera varijabilnosti je standardna devijacija σ, koja je definisana
kao pozitivni kvadratni korjen varijanse. Za HA standardna devijacija broja
dnevno prodatih automobila iznosi

σ = 1.25 = 1.118 .

U cilju lakše interpretacije od strane menadžera standardna devijacija će

vjerovatno biti više priželjkivana u odnosu na varijansu jer je mjerena u istim
jedinicama kao i slučajna promjenljiva (σ = 1.118 automobila prodatih na dan).
Varijansa (σ2) je mjerena u kvadratnim jedinicama i zato je teža menadžerima
za interpretaciju.

39
 Poglavlje 2

U ovom trenutku naša inerpretacija varijanse i standardne devijacije ograničena

je na poređenje varijabilnosti različitih slučajnih promjenljivih. Npr. ako podaci
o dnevnoj prodaji iz druge HA prodavnice u Mostaru se prikažu kao σ2 = 2.56 i
σ = 1.6, možemo zaključiti da broj automobila prodatih u ovoj prodavnici
pokazuje veću verijabilnost nego u prvoj HA prodavnici gdje je σ2 = 1.25 a σ =
1.18. Kasnije u ovom poglavlju ćemo diskutovati normalnu raspodjelu. Tada
ćemo pokazati da je poznavanje varijanse i standardne devijacije slučajne
promjenljive neophodno za pravljenje proračuna vjerovatnoće.

TABELA 2.5 Izračunavanje varijanse.

x x-µ (x - µ)2 f(x) (x - µ)2f(x)
0 0 – 1.50 = -1.50 2.25 0.18 2.25⋅0.18 = 0.4050
1 1 – 1.50 = -0.50 0.25 0.39 0.25⋅0.39 = 0.0975
2 2 – 1.50 = 0.50 0.25 0.24 0.25⋅0.24 = 0.0600
3 3 – 1.50 = 1.50 2.25 0.14 2.25⋅0.14 = 0.3150
4 4 – 1.50 = 2.50 6.25 0.04 6.25⋅0.04 = 0.2500
5 5 – 1.50 = 3.50 12.25 0.01 12.25⋅0.01 = 0.1225
σ2 = ∑(x - µ)2f(x) = 1.2500

2.3 BINOMNA RASPODJELA

U ovoj sekciji razmotrit ćemo klasu eksperimenata koji posjeduju slijedeće

karakteristike:

1. Eksperiment u cijelini može biti opisan kao slijed n identičnih

eksperimenata koje nazivamo pokušajima.
2. Dva rezultata su moguća u svakom pokušaju. Jedan od rezultata
označavamo kao uspjeh a drugi neuspjeh.
3. Vjerovatnoće dva ishoda se ne mijenjaju od jednog pokušaja do
drugog.
4. Pokušaji su nezavisni (tj. rezultat jednog pokušaja ne utiče na rezultat
bilo koga drugog pokušaja).

Npr, razmotrimo situaciju kada osoba koja prodaje osiguranje kontaktira deset
različitih familija. Rezultat pridružen svakoj familiji može se predstaviti kao
uspijeh ako familija kupi policu osiguranja, a kao neuspjeh ako ne kupi. Ako se
pretpostavi da je vjerovatnoća prodaje police ista za svaku familiju i odluka da
se kupi ili ne neke familije ne utiče na odluku bilo koje druge porodice, onda
imamo primjer koji pokazuje gornje četiri karakteristike.
Za eksperimente koji zadovoljavaju uslove 2, 3 i 4 kažemo da su generisani
Bernullijevim procesom. Uz to ako je zadovoljeni uslov 1 (postoji n pokušaja)

40
Kvantitativne metode u inžinjerstvu i biznisu

kažemo da imamo binomni eksperiment. Važna diskretna slučajna promjenljiva

pridružena binomnom eksperimentu je broj uspješnih rezultata u n pokušaja.
Ako označimo sa x vrijednost ove slučajne promjenljive tada x može dobiti
vrijednost 0,1,2,3..., n, u zavisnosti od broja uspjeha koje uočimo u n pokušaja .
Raspodjela vjerovatnoće pridružene ovoj slučajnoj promjenljivi se naziva
binomna raspodjela vjerovatnoće.
U slučajevima gdje je binomna raspodjela primjenjiva može se primjeniti
matematička formula za proračun vjerovatnoće pridružene bilo kojoj mogućoj
vrijednosti slučajne promjenljive. Pokazaćemo kako se može izvesti takva jedna
formula u kontekstu konkretnog ilustrativnog problema.

2.3.1 Problem prodavnice odjeće Borac

Kao ilustraciju binomne raspodjele vjerovatnoće razmotrimo događaj ulaska
mušterija u prodavnicu odjeće Borac, koja izvrši kupovinu. Da bi smo ovaj
problem održali relativno malim ograničimo pažnju na sljedeća tri kupca koji
uđu u prodavnicu. Ako, zasnovano na prethodnom iskustvu, menadžer
prodavnice pretpostavi da vjerovatnoća da će bilo koji kupac nešto kupiti iznosi
0.30, koja je vjerovatnoća da će baš dva od slijedeća tri kupca nešto kupiti?
Kolika je vjerovatnoća da ni jedan od tri kupca neće kupiti ništa?
Najprije pokažimo da ulazak tri kupca u prodavnicu odjeće, i izbor da li će ili
neće izvršiti kupovinu, možemo posmatrati kao binomni eksperiment. Provjera
četiri zahtjeva za binomni eksperiment, dovodi do sljedećeg:
1. Eksperiment može biti opisan kao niz tri identinča pokušaja, jedan
pokušaj za svakog od tri kupca koji će ući u prodavnicu.
2. Dva ishoda - kupac kupuje (uspjeh) ili kupac ne kupuje (neuspjeh) -
su mogući za svaki pokušaj (ili kupca).
3. Vjerovatnoće da će kupiti (0.30) ili da neće kupiti (0.70) su
pretpostavljene da su jednake za svakog kupca.
4. Odluka o kupovini svakog kupca je nezavisna od odluke drugih
kupaca.
Stoga, ako definišemo slučajnu promjenljivu x kao broj kupaca koji kupe (tj.
broj uspješnih od tri pokušaja) vidimo da su zahtjevi za binomnu raspodjelu
vjerovatnoće zadovoljeni.
Koliko ima moguićh rezultata u Borčvom problemu? Kako imamo trojicu
kupaca koji ulaze u prodavnicu, možemo zamisliti da se eksperiment izvodi u tri
uzastopna pokušaja ili koraka. Svaki korak odgovara jednom kupcu i ima dva
moguća rezultata: uspjeh označen sa S (kupovina) ili neuspjeh označen sa F
(nema kupovine). Slijedeći pravilo prebrojavanja za određivanje broja ishoda u
višesrukom eksperimentu (sekcija 1.1) vidimo da Borčev problem mora imati
2×2×2 = 8 ishoda. Stablo ishoda koje pokazuje osam rezultata prikazano je na

41
 Poglavlje 2

slici 2.2. Ishod (S,S,S) označava činjenicu da su sva tri kupca kupila, ishod
(S,S,F) pokazuje da su kupci 1 i 2 izvršili kupovinu a kupac 3 nije kupio ništa.
Na taj način specifičan uzorak S-ova i F-ova u stupcu sa ishodima na slici 2.2
pokazuje do kakvih se rezultata došlo. Pokušajmo sada odrediti vjerovatnoću da
će upravo 2 od 3 kupca izvršiti kupovinu. Sa slike 3.2 vidimo da postoje tri
moguća ishoda u kojima su nastala tančo dva uspjeha: (S,S,F), (S,F,S) i (F,S,S).
Kako u binomnom eksperimentu polazimo od pretpostavke da su pokušaji
nezavisni možemo primjeniti zakon množenja za nezavisne događaje (1.10)
kako bi izračunali vjerovatnoću svakoga ishoda. Ovaj proračun je prikazan na
slici 2.2. Iz toga vidimo da je vjerovatnoća da dva od tri kupca izvrše kupovinu
jednaka 0.063 + 0.063 + 0.063 = 0.189.
Napomenuvši da je vjerovatnoća svakog rezultata koji daje dva uspjeha 0.063
možemo razviti opšti izraz za vjerovatnoću x uspješnih pokušaja u binomnom
eksperimentu. Neka p predstavlja vjerovatnou uspjeha a 1 - p vjerovatnoću
neuspjeha bilo koga pokušaja. Ako uzmemo da binomni eksperiment uključuje
n pokušaja, vjerovatnoća da dobijemo x uspješnih pokušaja je data formulom:

px(1-p)n-x (2.5)

Slika 2.2 Stablo ishoda za problem prodavnice odjeće Borac.

Eksponent nad p predstavlja broj uspješnih pokušaja, a eksponent nad (1- p)

broj neuspjeha u nizu od n pokušaja. Za Borčev problem, gdje je n = 3 i p =
0.30, vjerovatnoća rezultata sa tačno x = 2 uspješna pokušaja prema jednačini
2.5 data je kao

0.302 ⋅ 0.701 = 0.63.

42
Kvantitativne metode u inžinjerstvu i biznisu

Kako može biti i više od jednog ishoda eksperimenta koji odgovara x uspjeha,
moramo množiti (2.5) sa brojem ishoda eksperimenta sa koji daju tančo x
uspjeha u n pokušaja. Ovaj broj se računa prema slijedećoj formuli:

Broj ishoda eksperimenta koji daju n!

= (2.6)
tačno x uspjeha u n pokušaja x!(n-x)!

gdje je

n! = n(n - 1)(n - 2) ⋅⋅⋅ 2 ⋅ 1 (2.7)

sa 0! definisanim da bude jednako 1.

Kod Borčevog problema sa n = 3 i x = 2 jednačina 2.6 daje

3! 3 ⋅ 2 ⋅ 1 6
= = =3
2!1! 2 ⋅ 1 ⋅ 1 2

eksperimentalna ishoda koji mogu rezultirati sa tačno dva uspjeha. Množenjem

jednačine 2.5 sa jednačinom 2.6 doći ćemo do podatka da je vjerovatnoća dvije
kupovine jednaka 3⋅0.063 = 0.189.
Kombinacijom jednačina 2.5 i 2.6 u jednu jednaičnu dobićemo formulu za
funkciju binomne vjerovatnoće:

n!
f ( x) = p x (1 − p ) n − x , x = 0,1,2, ..., n. (2.8)
x!(n-x)!

Jednačina 2.8 pokazuje da ako eksperiment posjeduje binomne karakteristike,

specificiranjem broja pokušaja n i vjerovatnoće uspjeha (p) za svaki pokušaj,
možemo izračunati vjerovatnoću za bilo koji broj uspješnih pokušaja (x). Tabela
2.6 pokazuje raspodjelu vjerovatnoće slučajne promjenljive x za problem
prodavnice odjeće Borac. Napomenimo da za sve četiri vrijednosti slučajne
promjenljive (0,1,2 i 3) jednačina 2.8 je iskorištena za sračunavanje pripadajuće
vjerovatnoće.
Uporediti rezultate u tabeli 2.6 sa sa vjerovatnoćama prikazanim na stablu
ishoda na slici 2.2.
Uvjeriti se da se i stablo ishoda i jednačina 2.8 mogu upotrijebiti za određivanje
vjerovatnoće x uspješnih pokušaja u binomnom eksperimentu. Prednost
upotrebe funkcije binomne vjerovatnoće 2.8 je da je u tome što je lakša za
primjenu nego stablo ishoda. Ovo posebno dolazi do izražaja kada broj pokušaja
(n) postaje veliki. Grafik raspodjele binomne vjerovatnoće za problem

43
 Poglavlje 2

prodavnice odjeće Borac prikazan je na slici 2.3.

Ako razmotrimo bilo koju varijaciju Borčevog eksperimenta, npr. tako što deset
kupaca ulazi u prodavnicu umjesto tri, funkcija binomne vjerovatnoće izrazena
sa 2.8 je još uvijek primjenjiva. Npr. vjerovatnoća da će tačno četiri kupca od
deset koliko ih je ušlo u prodavnicu izvršiti kupovinu iznosi:

10!
f (4) = 0.304 0.706 = 0.2001 .
4!6!

Ovo je binomni eksperiment sa n =10, x = 4, p = 0.30.

TABELA 2.6 Raspodjela vjerovatnoće za broj kupac koji su izvršili kupovinu

x f(x)
3!
0 0.300 0.703 = 0.343
0!3!
3!
1 0.3010.702 = 0.441
1!2!
3!
2 0.302 0.701 = 0.189
2!1!
3!
3 0.3030.701 = 0.027
3!0!
1.00
Ukupno
(Napomena: 0! = 1)

Slika 2.3 Grafička prezentacija raspodjele vjerovatnoće za Borčev problem.

Korištenjem jednačine 2.8, razvijene su tabele koje daju vjerovatnoće od x

uspjeha u n pokušaja za binomni eksperiment. Ove tabele su generalno

44
Kvantitativne metode u inžinjerstvu i biznisu

jednostavnije i brže za upotrbu nego jednačina 2.8, posebno kada je broj

analiziranih pokušaja veći. Dio takve tabele dat je u tabeli 2.7. Kako bi
primjenili ovu tabelu potrebno je specificirati vrijednosti n, p i x za binomni
eksperiment koji nas interesuje. Provjerite upotrebljivost ove tabele
primjenjujući je za verifikaciju vjerovatnoće za četiri uspijeha u deset pokušaja
za problem prodavnice odjeće Borac. Primijetimo da vrijednost f(4) = 0.2001
može biti direktno pročitana iz tabele binomnih vjerovatnoća, čineći
nepotrebnim provođenje proračuna koji zahtijeva jednačina 2.8.

2.3.2 Očekivana vrijednost i varijansa za

binomnu raspodjelu vjerovatnoće
Za date podatke u tabeli 2.6, može se upotrijebiti jednačina 2.3 za sračunavanje
očekivane vrijednosti ili očekivanog broj kupaca koji će izvršitin kupovinu:

µ = Σxf(x) = 0⋅0.343 + 1⋅ 0.441 + 2⋅ 0.189 + 3⋅ 0.027 = 0.9.

Uočimo da smo mogli doći do ove očekivane vrijednosti jednostavnim

množenjem n (broja pokušaja) sa p vjerovatnoća uspjeha u bilo kom pokušaju:

np = 3⋅0.3 = 0.9.

Za specijalni posebni slučaj binomne raspodjele vjerovatnoće, očekivana

vrijednost slučajne promjenljive data je sa:

µ = np. (2.9)

S toga nije neophodno provesti detaljne proračune što ih u skladu sa jednačinom

2.3 kako bi se sračunala očekivana vrijednost.
Pretpostavimo da se u toku slijedećeg mjeseca očekuje da će u prodavnicu
odjeće Borac ući 1000 kupaca. Koliki je očekivani broj kupaca koji će nešto
kupiti. Odgovor je µ = np = 1000⋅0.3 = 300. Tako u cilju povećanja očekivanog
broja kupovina, Borac mora privući više kupaca da dođu u radnju i povećati
vjerovatnoću da svaki pojedinani kupac izvrši kupovinu prilikom ulaska.
Za poseban slučaj binomne raspodjele, varijansa slučajne promjenljive može se
sračunati prema slijedećem obrascu:

σ2 = np(1 - p) (2.10)

Za problem prodavnice odjeće Borac sa tri kupca, vidjeli smo da varijansa i

standardna devijacija za broj kupaca koji će nešto kupiti iznosi

45
 Poglavlje 2

σ2 = np(1 - p) = 3⋅0.3 ⋅ 0.7 = 0.63

σ = 0.63 = 0.79

Problem 12 na kraju poglavlja traži od Vas da primjenite tabelu za raspodjelu

vjerovatnoće i formulu kako bi sračunali varijansu diskretne slučajne
promjenljive u cilju provjere ovog rezultata.

TABELA 2.7. Izabrane vrijednosti binomne vjerovatnoće.

Primjer: n= 10; x = 4; p = 0.30; f (4) = 0.2001.
p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
9 0 .6302 .3874 .2316 .1342 .0751 .0404 .0207 .0101 .0046 .0020
1 .2985 .3874 .3679 .3020 .2253 .1556 .1004 .0605 .0339 .0176
2 .0629 .1722 .2597 .3020 .3003 .2668 .2162 .1612 .1110 .0703
3 .0077 .0446 .1069 .1762 .2336 .2668 .2716 .2508 .2119 .1641
4 .0006 .0074 .0283 .0661 .1168 .1715 .2194 .2508 .2600 .2461

5 .0000 .0008 .0050 .0165 .0389 .0735 .1181 .1672 .2128 .2461
6 .0000 .0001 .0006 .0028 .0087 .0210 .0424 .0743 .1160 .1641
7 .0000 .0000 .0000 .0003 .0012 .0039 .0098 .0212 .0407 .0703
8 .0000 .0000 .0000 .0000 .0001 .0004 .0013 .0035 .0083 .0176
9 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0008 .0020

10 0 .5987 .3487 .1969 .1074 .0563 .0282 .0135 .0060 .0025 .0010
1 .3151 .3874 .3474 .2684 .1877 .1211 .0725 .0403 .0207 .0098
2 .0746 .1937 .2759 .3020 .2816 .2335 .1757 .1209 .0763 .0439
3 .0105 .0574 .1298 .2013 .2503 .2668 .2522 .2150 .1665 .1172
4 .0010 .0112 .0401 .0881 .1460 .2001 .2377 .2508 .2384 .2051

5 .0001 .0015 .0085 .0264 .0584 .1029 .1536 .2007 .2340 .2461
6 .0000 .0001 .0012 .0055 .0162 .0368 .0689 .1115 .1596 .2051
7 .0000 .0000 .0001 .0008 .0031 .0090 .0212 .0425 .0746 .1172
8 .0000 .0000 .0000 .0001 .0004 .0014 .0043 .0106 .0229 .0439
9 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0016 .0042 .0098
10 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010

11 0 .5688 .3138 .1673 .0859 .0422 .0198 .0088 .0036 .0014 .0005
1 .3293 .3835 .3248 .2362 .1549 .0932 .0518 .0266 .0125 .0054
2 .0867 .2131 .2866 .2953 .2581 .1998 .1395 .0887 .0531 .0269
3 .0137 .0710 .1517 .2215 .2581 .2568 .2254 .1774 .1259 .0806
4 .0014 .0158 .0536 .1107 .1721 .2201 .2428 .2365 .2060 .1611

5 .0001 .0025 .0132 .0388 .0803 .1321 .1830 .2207 .2360 .2256
6 .0000 .0003 .0023 .0097 .0268 .0566 .0985 .1471 .1931 .2256
7 .0000 .0000 .0003 .0017 .0064 .0173 .0379 .0701 .1128 .1611
8 .0000 .0000 .0000 .0002 .0011 .0037 .0102 .0234 .0462 .0806
9 .0000 .0000 .0000 .0000 .0001 .0005 .0018 .0052 .0126 .0269
10 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0007 .0021 .0054
11 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0005

46
Kvantitativne metode u inžinjerstvu i biznisu

2.4 POISSONOVA RASPODJELA

U ovoj sekciji razmotrit ćemo diskretnu slučajnu promjenljivu koja često može
biti korisna kada imamo slučaj većeg broja događanja u određenom intervalu
vremena ili prostora. Npr. slučajna promjenljiva koja nas zanima može bi biti
broj dolazaka u praonicu automobila u toku jednog sata, broj potrebnih
popravki na 10 kilometara autoputa ili broj otkaza na 100 kilometara gasovoda.
Ako dvije pretpostavke navedene dolje budu zadovoljene može se dokazati da
rezultujuća funkcija vjerovatnoće slučajne promjenljive koja nas zanima je data
jednačinom 2.11. Ona se naziva Poissonovom funkcijom vjerovatnoće.

1. Vjerovatnoća dešavanja događaja je ista za bilo koja dva intervala

jednake dužine.
2. Dešavanje ili nedešavanje događaja u bilo kome intervalu nezavisno je
od dešavanja ili nedešavanja u bilo kome drugom intervalu.

λ x e-λ
f (x) = , za x = 0, 1, 2, ... (2.11)
x!
gdje je
λ = prosječan broj dešavanja u intervalu,
e = 2.71828.

Prije nego što razmotrimo na primjeru primjenu Poissonove raspodjele,

primjetimo da 2.11 pokazuje da nema ograničenja broja vrijednosti koje
Poissonova slučajna promjenljiva može imati. Dakle, iako je x i dalje diskretna
slučajna promjenljiva x = 0,1,2,3......, Poissonova slučajna promjenljiva nema
određene gornje granice.

2.4.1 Poissonov primjer sa vremenskim intervalima

Pretpostavimo da nas zanima broj dolazaka na šalter naplatne rampe za vrijeme
perioda od 15 minuta u jutarnjem periodu dana. Ako pretpostavimo da je
vjerovatnoća da automobil uđu na rampu jednaka za bilo kaja dva vremenska
perioda jednake dužine i da je dolazak ili nedolazak automobila nezavisan od
dolaska ili nedolaska u bilo kome drugom periodu, može se primjeniti
Poissonova funkcija vjerovatnoće. Uzimajući da su gornje predpostavke
zadovoljene i da analiza ranijih rezultata pokazuje da je prosječan broj
automobila koji naiđu u periodu od 15 minuta jednak 10, može se primjeniti
sljedeća Poissonova funkcija vjerovatnoće:

10 x e-10
f (x) = za x = 0,1, 2, 3......
x!

47
 Poglavlje 2

Ako menadžment želi da zna vjerovatnoću da se tačno 5 dolazaka se dogodi za

15 minuta, postavili bismo x = 5 i dobili

Vjerovatnoća tačno pet 105 e-10

= f (5) = = 0.0378
dolazaka u 15 minuta 5!

Iako smo gornju vjerovatnoću odredili računanjem funkcije vjerovatnoće sa λ =

10, i x =5, često je jednostavnije pogledati tabelu Poissonove raspodjele
vjerovatnoće. Ova tabela pruža mogućnost da za specifične vrijednosti x i λ
dobijemo odgovarajući rezultat. Dio te tabele prikazan je u tabeli 2.8.
Primjetitimo da kako bi se koristili tabelom Poissonove vjerovatnoće sve što
treba je da odredimo vrijednosti x i λ. Prema tome iz tabele 2.8 vidimo da je
vjerovatnoća 5 dolazaka u 15 minuta dobijena tako što se locira vrijednost u
redu tabele koji odgovara x = 5 i kolone koja odgovara λ =10. Dobije se f(5) =
0.0378.

2.4.2 Poissonov primjer sa intervalima dužine ili rastojanja

Ilustrujmo različite aplikacije gdje je korisna Poissonova raspodjela
vjerovatnoće. Pretpostavimo da razmatramo slučaj krupnijih oštećenja na dijelu
auto puta mjesec dana nakon to je urađeno presvlačenje kolovozne trake.
Pretpostavit ćemo da je vjerovatnoća oštećenja ista za bilo kaja dva intervala
jednake dužine. Pretpostavit ćemo, takođe, da je nastanak ili nenenastanak
oštećenja na nekom intervalu nezavisan od toga da li se oštećenje desilo ili nije
desilo na nekom drugom intervalu. Tako, u ovoj situaciji možemo primjeniti
Poissonovu raspodjelu vjerovatnoće. Pretpostavimo da smo uočili da krupnija
oštećenja mjesec nakon reasvaltiranja nastaju prosječno na svaka dva kilometra.
Pronađimo vjerovatnoću da neće biti krupnijih oštećenja na određenom dijelu
puta na dužini od 3 kilometra. Kako smo zainteresovani za interval dužine 3 km
λ = (dva oštećenja po kilometru) × 3 kilometra = 6, što predstavlja očekivani
broj krupnijih oštećenja na dijelu autoputa u dužini od 3 km. Korištenjem
jednačine 2.11 ili tabele 2.8 možemo vidjeti da je vjerovatnoća da neće biti
krupnijih oštećenja jednaka 0.0025. Zaključujemo da su veoma male šanse da
neće biti krupnijih oštećenja na dijelu puta u dužini od 3 km. U stvari,
vjerovatnoća iznosi 1 - 0.0025 = 0.9975 da će se najmanje jedano krupnijie
oštećenje desiti na tom dijelu puta.

2.4.3 Poissonova aproksimacija binomne vjerovatnoće

Tablice binomne vjerovatnoće obično nisu dostupne za veće vrijednosti broja
broja pokušaja n. Može se pokazati da što n postaje veće i p postaje manje,
Poissonova raspodjela sa λ = np obezbjeđuje dobru aproksimaciju binomne

48
Kvantitativne metode u inžinjerstvu i biznisu

rasopdjele. Pravilo je da je Poissonova aproksimacija dobra dok god je p ≤ 0.50

i n ≥ 20. Naravano, aproksimacija se može upotrijebiti i kada ovo pravilo nije
zadovoljeno, ali aproksimacija tada neće biti tako dobra.

Tabela 2.8. Selektovane vrijednosti Poissonove vjerovatnoće

Primjer: λ =10; x = 5; f (5) = 0.0378.
λ
x 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10
0 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0000
1 .0010 .0009 .0009 .0008 .0007 .0007 .0006 .0005 .0005 .0005
2 .0046 .0043 .0040 .0037 .0034 .0031 .0029 .0027 .0025 .0023
3 .0140 .0131 .0123 .0115 .0107 .0100 .0093 .0087 .0081 .0076
4 .0319 .0302 .0285 .0269 .0254 .0240 .0226 .0213 .0201 .0189
5 .0581 .0555 .0530 .0506 .0483 .0460 .0439 .0418 .0398 .0378
6 .0881 .0851 .0822 .0793 .0764 .0736 .0709 .0682 .0656 .0631
7 .1145 .1118 .1091 .1064 .1037 .1010 .0982 .0955 .0928 .0901
8 .1302 .1286 .1269 .1251 .1232 .1212 .1191 .1170 .1148 .1126
9 .1317 .1315 .1311 .1306 .1300 1293 .1284 .1274 .1263 .1251
10 .1198 .1210 .1219 .1228 .1235 .1241 .1245 .1249 .1250 .1251
11 .0991 .1012 .1031 .1049 1067 .1083 .1098 .1112 .1125 .1137
12 .0752 .0776 .0799 .0822 .0844 .0866 .0888 .0908 .0928 .0948
13 .0526 .0549 .0572 .0594 .0617 .0640 .0662 .0685 .0707 .0729
14 .0342 .0361 .0380 .0399 .0419 .0439 .0459 .0479 .0500 .0521
15 .0208 .0221 .0235 .0250 .0265 .0281 .0297 .0313 .0330 .0347
16 .0118 .0127 .0137 .0147 .0157 .0168 .0180 .0192 .0204 .0217
17 .0063 .0069 .0075 .0081 .0088 .0095 .0103 .0111 .0119 .0128
18 .0032 .0035 .0039 .0042 .0046 .0051 .0055 .0060 .0065 .0071
19 .0015 .0017 .0019 .0021 .0023 .0026 .0028 .0031 .0034 .0037
20 .0007 .0008 .0009 0010 .0011 .0012 .0014 .0015 .0017 .0019
21 .0003 .0003 .0004 .0004 .0005 .0006 .0006 .0007 .0008 .0009
22 .0001 .0001 .0002 .0002 .0002 .0002 .0003 .0003 .0004 .0004
23 .0000 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0002 .0002
24 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001

Ilustrujmo primjenu Poissonove aproksimacije za binomnu raspodjele u slučaju

kada je n = 20 i p = 0.05. Neki menadžer prodavnice namirnica izvještava da
5% kupaca kupuje za više od 100 KM. Menadžer prodavnice želi da zna
vjerovatnoću da niko od kupaca u uzorku od 20 neće kupiti za više od 100 KM.
U tablici binomne vjerovatnoće za n = 20 i p = 0.05 naći ćemo da vjerovatnoća
neuspjeha iznosi 0.3585. Kako bismo primjenili Poissonova aproksimaciju
postavit ćemo da je λ = np = 20⋅0.05 = 1 i x = 0. Tablica Poissonove
vjerovatnoće daje vjerovatnoću neuspjeha u iznosu od 0.3679. Tabeli 2.9
prikazane su tačne i aprokimativne vrijednosti binomne vjerovatnoće.
Poređenjem vjerovatnoća datih u tabeli 2.9 vidimo da je Poissonova
aproksimacija dosta dobra. U najgorem slučaju vjerovatnoće odstupaju za nešto
manje od 0.01. Za veće vrijednosti n i manje vrijednosti p, Poissonova
aproksimacija bila bi čak i preciznija. Kao jedan završni primjer primjene

49
 Poglavlje 2

Poissonove aproksimacije binomne vjerovatnoće, razmotrimo ilustraciju ranije

navedenog u slučaju menadžera prodavnice namirnica. Ovoga puta
pretpostavimo da je n = 100. Pošto binomne tabele ne idu dalje od n = 20,
moramo primjeniti Poissonovu aproksimaciju da bi odredili vjerovatnoću da
niko od kupaca u uzorku od 100 neće napraviti kupovinu u iznosu većem od
100 KM. Ako se pozovemo na tablicu Poissonove vjerovatnoće za λ = np =
100⋅0.05 = 5 i x = 0; dobit ćemo da je vjerovatnoća ovakog događaja 0.0067.

Tabela 2.9. Poređenje binomne vjerovatnoće sa Poissonovom aproksomacijom za n =

20 i p = 0.05.
Binomna Poissonova
x Razlika
vjerovatnoća aproksimacija
0 .3585 .3679 -.0094
1 .3774 .3679 .0095
2 .1887 .1839 .0048
3 .0596 .0613 -.0017
4 .0133 .0153 -.0020
5 .0022 .0031 -.0009
6 .0003 .0005 -.0002

2.5 KONTINUALNE SLUČAJNE PROMJENLJIVE

Do sada smo se bavili raspodjelom vjerovatnoće za diskretne slučajne
promjenljive, tj. promjenljive koje su mogle uzimati konačan ili prebrojiv niz
vrijednosti. U ovoj sekciji uvesti ćemo raspodjelu vjerovatnoće za kontinualne
slučajne promjenljive. Sjetimo se definicije u sekciji 3.1, da slučajne
promjenljive koje mogu uzeti bilo koju vrijednost iz određenog intervala ili
skupa intervala, nazivamo kontinualnim. Neki primjeri kontinualnih slučajnih
promjenljivih su:
1. Broj dkg u supi koja se nalazi u konzervi označenom sa “8 dkg”;
2. Vrijeme leta aviona koji putuje od Sarajeva do Moskve;
3. Životni vijek katodne cijevi u novom kolor televizoru;
4. Dubina bušenja potrebnog da bi se došlo do nafte na naftnoj bušotini.
U cilju što potpunijeg razumijevanja prirode kontinualnih slučajnih
promjenljivih, razmotrimo prvi primjer iz gornje liste. Pretpostavimo da
provjerom težine konzervi supe otkrijemo da jedna konzerva teži 8.2 dkg a
druga 8.3 dkg. Ostale konzerve mogu težiti 8.25, 8.225, itd. U suštini aktuelna
težina može biti numerička vrijednost od 0 dkg, za potpuno praznu konzervu, do
10 dkg za konzervu koja je napunjena do punog kapaciteta. Kako postoji
neograničen broj vrijednosti u ovom intervalu, ne možemo više izlistavati svaku

50
Kvantitativne metode u inžinjerstvu i biznisu

vrijednost kao slučajnu promjenljivu i onda identificirati pridruženu

vjerovatnoću. U stvari, za kontinualne slučajne promjenljive moramo uvesti
novi metod računanja vjerovatnoće pridružene vrijednostima slučajnih
promjenljivih.

2.5.1 Primjer primjene uniformne raspodjele

Razmotrimo slučajnu promjenljivu x koja predstavlja ukupno vrijeme leta
aviona koji leti od Sarajeva do Moskve. Pretpostavimo da je minimalno vrijeme
leta dva sata, i da je maksimalno vrijeme leta 2 sata i 20 minuta. To znači da
vrijeme leta izraženo u minutama može biti bilo koja vrijednost u intervalu od
120 do 140 minuta, npr. 124 minute, 125.48 minuta, itd. Kako slučajna
promjenljiva x može uzeti bilo koju vrijednost izmeu 120 i 140 minuta, x je
kontinualna a ne diskretna slučajna promjenljiva. Pretpostavimo dodatno da
raspolažemo sa dovoljnim aktuelnim podacima o letu iz kojih možemo
zaključiti da je vjerovatnoća da vrijeme leta bude između 120 i 121 minute ista
kao vjerovatnoća dužine leta u bilo kome jednominutnom intervalu, sve do
uključivo 140 minuta. Kako je svaki jednominutni interval jednako moguć, za
slučajnu promjenljiva x se kaže da ima uniformnu raspodjelu vjerovatnoće.
Funkcija koja se naziva funkcijom gustine vjerovatnoće, koja opisuje
ravnomjernu raspodjelu vjerovatnoće za slučajnu promjenljivu vrijeme leta je

1
 , za 120 ≤ x ≤ 140
f ( x) =  20 (2.12)
 0, za sve druge vrijednosti x

Slika 2.4. Uniformna gustina vjerovatnoće vremena leta.

Grafik funkcije gustine vjerovatnoće prikazan je na slici 2.4. Općenito, funkcija

gustine uniformne vjerovatnoće za slučajnu promjenljivu x je

51
 Poglavlje 2

 1
 , za 120 ≤ x ≤ 140
f ( x) =  b - a .
 0, za sve druge vrijednosti x

U primjeru ukupnog vremena leta, a = 120 i b = 140. Na grafiku funkcije

gustine vjerovatnoće f(x) prikazuje visinu ili vrijednost funkcije za bilo koju
datu vrijednost x. Kako imamo uniformnu funkciju gustine vjerovatnoće, visina
ili vrijednost funkcije je ista za svaku vrijednost x između 120 i 140. Tj. f(x) =
1/20 za sve vrijednosti x između 120 i 140. Funkcija gustine vjerovatnoće f(x),
za razliku od funkcije vjerovatnoće diskretne slučajne promjenljive predstavlja
visinu funkcije za bilo koju određenu vrijednost x a ne vjerovatnoću.
Podsjetimo se da je za svaku vrijednost diskretne slučajne promjenljive, recimo
x = 2, funkcija vjerovatnoće dodjeljivala samo jednu vrijednost vjerovatnoće,
npr. f(2). Međutim, kako kontinualna slučajna promjenljiva ima neograničen
broj mogućih vrijednosti, ne možemo više pokušati da identificiramo
vjerovatnoću za svaku specifičnu vrijednost x. Umjesto toga moramo posmatrati
vjerovatnoću samo u smislu izglednosti da slučajna promjenljiva ima vrijednost
u konkretnom intervalu. Npr., u našem problemu sa vremenom letenja
prihvatljivo pitanje o vjerovatnoći je slijedeće: “Koja je vjerovatnoća da će
vrijeme leta biti između 120 i 130 minuta?”. Tj., koliko je P(120 ≤ x ≤ 130)?
Kako vrijeme leta mora biti između 120 i 140 minuta, i kako je vjerovatnoća
uniformna na čitavom intervalu, možemo komotno reći da je P(120 ≤ x ≤ 130)
= 0.50. Zaista, kao što ćemo vidjeti, ovo je tačno.

2.5.2 Površina kao mjera vjerovatnoće.

Napravimo opservaciju vezanu za graf prikazan na slici 2.5. Prije svega uočimo
površinu ispod grafikona f(x) u intervalu od 120 do 130 minuta. Područje je
pravougaonog oblika, a površina pravougaonika je jednostavno širina puta
visina. Kako je širina intervala jednaka 130 - 120 = 10, a visina grafika f(x) je
jednaka 1/20, imamo površinu 10⋅1/20 = 0.50.
Šta možemo uočiti kada su u pitanju površina ispod grafikona f(x) i
vjerovatnoća? One su identične. Zapravo, ovo je istina za svaku kontinualnu
slučajnu promjenljivu. Naime, kada je ustanovljena funkcija gustine
vjerovatnoće za kontinualnu slučajnu promjenljivu, tada vjerovatnoća da će x
uzeti vrijednost izmeu neke vrijednosti a i neke vrijednosti b može biti određena
računanjem površine ispod grafika f(x) na intervalu [a, b].
Jedanput kada ustanovimo odgovarajuću vjerovatnoće i prihvatimo
interpretaciju površine kao vjerovatnoće, možemo odgovoriti na neograničen
broj pitanja o vjerovatnoći. Npr. koja je vjerovatnoa da će vrijeme leta biti
između 128 i 136 minuta. Širina intervala je 136 –128 = 8. Sa ravnomjernom
visinom od 1/20 vidimo da je P(128 ≤ x ≤ 136) = 8/20 = 0.40.

52
Kvantitativne metode u inžinjerstvu i biznisu

Slika 2.5. Površina koja pokazuje vjerovatnoću vremena letenja.

Primjetimo da je vjerovatnoća P(120 ≤ x ≤ 140) = 20/20 = 1. To jest, ukupna

površina ispod krive f(x) jednaka je 1. Ovaj uslov važi za sve kontinualne
raspodjele vjerovatnoće i analogna je uslovu da je suma vjerovatnoća jednaka
jedinici za slučaj diskretne raspodjele vjerovatnoće. Za kontinualnu raspodjelu
vjerovatnoće moramo takođe zahtjevati da je f(x) ≥ 0 za sve vrijednosti x. Ovo
je analogno zahtijevu da je f(x) ≥ 0 kod diskretne raspodjele vjerovatnoće.
Kada govorimo o kontinualnim slučajnim promjenljivim i raspodjeli
vjerovatnoće, dvije glavne razlike važe u poređenju sa tretmanom diskretnih
promjenljivih:

1. Više ne govorimo o vjerovatnoći da slučajna promjenljiva uzme određenu

vrijednost. Umjesto toga govorimo o vjerovatnoći da slučajna promjenljiva
uzme vrijedenost unutar nekog datog intervala.
2. Vjerovatnoća da slučajna promjenljiva uzme vrijednost unutar nekog zadatog
intervala je definisana površinom ispod grafika funkcije gustine
vjerovatnoće na tom intervalu. Iz ovog proizilazi da je vjerovatnoća da
kontinualna slučajna promjenljiva dobije neku određenu vrijednost jednaka
nuli jer površina ispod grafika f(x) za pojedinu tačku je nula.

Proračun očekivane vrijednosti E(x) i varijanse Var(x) za kontinualne slučajne

promjenljive je analogan onome kod diskretnih slučajnih promjenljivih. Ipak
kako procedure računanja uključuju integralni račun, ostavljamo naprednijim
udžbenicima da se bave izvođenjem odgovarajućih izraza.

2.6 NORMALNA RASPODJELA

Vjerovatno najvažnija raspodjela vjerovatnoće koja se koristi za opisivanje
kontinualne slučajne promjenljive je normalna raspodjela vjerovatnoće.

53
 Poglavlje 2

Normalna raspodjela vjerovatnoće je primjenjiva u velikom broju praktičnih

problema. Njena funkcija gustine vjerovatnoće ima oblik zvonaste krivulje, kao
što je prikazano na slici 2.6.
Matematički oblik funkcije gustine vjerovatnoće za ravnomjernu raspodjelu bio
je prilično jednostavan, f(x) = 1/(b - a) za a ≤ x ≤ b. Ovo je rezultiralo u
horizontalnoj liniji kao njenom grafikonu. Matematička funkcija koja daje
zvonastu krivu kod funkcije gustine normalne raspodjele je mnogo
kompleksnija. Matematički izraz ima slijedeći oblik:
( x − µ )2
1 −
f ( x) = e 2σ 2
, za − ∞ < x < ∞ , (2.13)
σ 2π
gdje su
µ = srednja ili očekivana vrijednost slučajne promjenljive x;
σ2 = varijansa slučajne promjenljive x;
σ = standardna devijacija za slučajnu promjenljivu x;
π ≈ 3.141;
e ≈ 2.7182 .
Prisjećajući se diskusije o kontinualnim slučajnim promjenljivama iz predhodne
sekcije, f(x) predstavlja visinu krive za određenu vrijednost x. Tako kada
jednom srednja vrijednost µ ili standardna devijacija σ ili varijanse σ2 bude
određena, jednačina 2.13 se može primjeniti za određivanje grafika
odgovarajuće normalne raspodjele. Npr. slika 2.7 pokazuje dvije normalne
raspodjele, jednu sa µ = 50 i σ = 15 i drugu sa µ = 50 i σ = 7.5.
Posebno primjetimo efekat koji standardna devijacija σ ima na opšti oblik krive
normalne raspodjele. Veća standardna devijacija pokazuje izravnavanje i
proširivanje krive. Ovo je naravno ono što bi i trebalo očekivati kako veće
vrijednosti σ ukazuju na veću varijabilnost u vrijednostima slučajne
promjenljive.

Slika 2.6. Zvonasta kriva normalne raspodjele vjerovatnoće.

54
Kvantitativne metode u inžinjerstvu i biznisu

σ = 7.5

f(x)

σ = 15

Slika 2.7. Primjeri normalne raspodjele za µ = 50.

Na sreću, kada god koristimo normalnu raspodjelu da bi odgovorili na pitanja

vezana za vjerovatnoću, ne moramo primjenjivati funkciju gustine vjerovatnoće
kao što je to prikazano u jednačini 2.13. Ustvari, kada primjenjujemo normalnu
raspodjelu imamo na raspolaganju tabelu vrijednosti vjerovatnoća (površina
ispod krive f(x)) koja nam daje željenu informaciju o vjerovatnoći. S ciljem
učenja kako da se koristimo ovim tabelama površina ili vjerovatnoća za
normalnu raspodjelu moramo najprije uvesti standardnu normalnu raspodjelu.

2.6.1 Standardna normalna raspodjela

Za slučajnu promjenljivu koja ima normalnu raspodjelu sa očekivanom
vrijednosti 0 i standardnu devijaciju 1, kaže se da ima standardnu normalnu
raspodjelu. Upotrjebit ćemo slovo z za označavanje ove slučajne promjenljive.
Grafik standardne normalne raspodjele prikazan je na slici 2.8. Primjetimo da
ima isti opšti izgled kao i bilo koja druga normalna raspodjela, ali da ima
posebne vrijednosti µ = 0 i σ =1. Jedinice na horizontalnoj osi (z) mjere broj
standardnih devijacija od srednje vrijednosti µ = 0.

f(z) σ =1

z
µ
Slike 2.8. Standardna normalna raspodjela.

55
 Poglavlje 2

TABELA 2.10 Površine ili vjerovatnoće kod standardne normalne raspodjele.

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 0319 .0359
.I .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
.4 .1554 .1591 .]628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549
.7 .2580 .2612 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4713 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
2.5 .4938 .4940 .494 .4943 .4945 .4946 .4948 .4949 .495 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .496 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .497 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .498
2.9 .498 .4982 .4982 .4983 .4884 .4984 .4985 .4985 .4986 .4986
3.0 .4986 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990

Prisjetimo se sada procedure nalaženja vjerovatnoća pridruženih kontinualnim

slučajnim promjenljivim. Želja nam je da odredimo vjerovatnoću slučajne

56
Kvantitativne metode u inžinjerstvu i biznisu

promjenljive čija vrijednost pripada određenom intervalu od a do b. Stoga

moramo naći površinu ispod krive na intervalu od a do b. U predhodnom
odjeljku vidjeli smo da je pronalaženje vjerovatnoće ili površine ispod krivulje
kod ravnomjerne raspodjele bilo relativno jednostavno. Sve što je trebalo da
uradimo je da pomnožimo širinu intervala sa visinom krive. Međutim, nalaženje
površina ispod krivulje normalne raspodjele može biti mnogo teže, jer visina
krive varira. Matematička tehnika dobivanja ovih površina je izvan područja
koje doseže ovaj tekst, ali na raspolaganju su tabele da nam daju površine ili
vrijednosti vjerovatnoća standardne normalne raspodjele. Tabela 2.10
predstavlja takvu tabelu površina.
Pogledajmo kako se služimo tabelom 2.10 da bi pronašli površine ili
vjerovatnoće. Najprije uočimo da se vrijednosti z pojavljuju u lijevoj koloni,
dok je druga decimala z se pojavljuje u prvom redu. Npr. za vrijednost z = 1.00
naći ćemo 1.0 u lijevom stupcu i 0.00 u prvom redu. Zatim gledamo tijelo tabele
i nalazimo vrijednost 0.3413 da odgovara vrijednosti z. Vrijednost 0.3413 je
površina ispod krive između srednje vrijednosti z = 0.00 i z = 1.00. Ovo je
grafički prikazano na slici 2.9. Uočavamo da vrijednosti u tabeli 2.10 daju
površine ispod krivulje između srednje vrijednosti z = 0.00 i bilo koje određene
pozitivne vrijednosti z. Za drugi primjer možemo se poslužiti tabelom da
nađemo površinu ili vjerovatnoću za nalaženja vrijednosti z u intevalu između
0.00 i 1.25. Rezlutat će biti 0.3944.
Pretpostavimo da želimo vjerovatnoću dobivanja vrijednosti z između z = -1.00
i z = 1.00. Već smo upotrijebili tabelu 2.10 da pronađemo da je vjerovatnoća da
vrijednosti z budu između z = 0.00 i z = 1.00 jednaka 0.3413. Uočimo sada da je
normalna raspodjela simetrična, dakle oblik krivulje lijevo od srednje
vrijednosti je slika u ogledalu oblika krivulje desno od srednje vrijednosti.
Stoga je vjerovatnoća da vrijednost z bude između 0.00 i –1.00 ista kao između
0.00 i 1.00., tj. jednaka 0.3413. Prema tome, vjerovatnoća da vrijednost z bude
između z = -1.00 i z = 1.00 mora da bude 0.3413 + 0.3431 = 0.6826. Ovo je
grafički prikazano na slici 2.10.
Slično tome, možemo pronaći da je vjerovatnoća da vrijednost z bude između –
2.00 i +2.00 jednaka 0.4772 + 0.4772 = 0.9544, dok je vjerovatnoća da
vrijednost z bude između –3.00 i +3.00 jenaka, 0.4986 + 0.4986 = 0.9972. Kako
znamo da ukupna vjerovatnoća ili ukupna površina ispod krivulje za bilo koju
kontinualnu slučajnu promjenljivu mora biti 1.00, vjerovatnoća od 0.9972 nam
kaže da će vrijednost z skoro uvijek pasti između –3.00 i +3.00. Uočimo da
slike koje opisuju standardnu normalnu raspodjelu prikazuju grafički ovu
činjenicu.
Pogledajmo još dva primjera računanja površina za standardnu normalnu
raspodjelu. Najprije nađimo vjerovatnoću da z bude veće od 2. Vidimo iz tabele
2.10 da je površina između z = 0.00 i z = 2.00 jednaka 0.4772. Pošto je 0.500
ukupna površina iznad srednje vrijednosti, površina iznad z = 2.00 mora biti

57
 Poglavlje 2

0.500 – 0.4772 = 0.0228. Ovo je grafički prikazano na slici 2.11. Obzirom na

činjenicu da je normalna raspodjela simetrična, vjerovatnoća dobivanja
vrijednosti z manje od z = -2.00 mora takođe biti 0.0228. Sada izračunajmo
vjerovatnoću da će z biti između 1.00 i 2.00. Najprije uočimo da je površina
između sredje vrijednosti z = 0.00 i z = 2.00 jednaka 0.4772. Površina između
srednje vrijednosti z = 0.00 i z = 1.00 je 0.3413. Stoga površina između z = 1.00
i z = 2.00 mora biti 0.4772 – 0.3413 = 0.1359. Rezultat je prikazan grafički na
slici 2.12.
Napomenimo ponovo da uslijed simetričnosti normalne raspodjele, 0.1359 je
takođe vjerovatnoća dobivanja vrijednosti z između z = –1.00 i z = -2.00.

Slika 2.9. vjerovatnoća da je z između 0.00 i +1.00.

Slika 2.10. Vjerovatnoća da je z između –1.00 i +1.00.

58
Kvantitativne metode u inžinjerstvu i biznisu

Slike 2.11 Vjerovatnoća da je z veće od 2.00.

2.6.2 Računanje vjerovatnoća za bilo koju normalnu raspodjelu

metodom konverzije u standardnu normalnu raspodjelu
Razlog zašto smo diskutovali o standardnoj normalnoj raspodjeli jeste da
vjerovatnoće bilo koje normalne raspodjele mogu biti sračunate tako da prvo
izvršimo konverziju u standardnu normalnu raspodjelu. Tako, kada imamo
normalnu raspodjelu sa bilo kojom srednjom vrijednošću µ i i bilo kojom
standardnom devijacijom σ, možemo odgovoriti na pitanja koja se tiču
vjerovatnoće u vezi sa raspodjelom tako što ćemo izvršiti konverziju u
standardnu normalnu raspodjelu zatim ćemo primijeniti tabelu 2.10 i
odgovarajuće z vrijednosti kako bismo pronašli vrijednosti površine ili
vrijednosti vjerovatnoća. Formula koja se primjenjuje za konverziju bilo koje
normalne slučajne promjenljive x sa srednjom vrijednošu µ i standardnom
devijacijom σ u standardnu normalnu raspodjelu je

x−µ
z= (2.14).
σ

Tako je z mjera broja standardnih devijacija rastojanja x od µ.

Da bismo vidjeli kako konverzija vrijednosti z omogućava da primjenimo
standardnu normalnu raspodjelu za izračunavanje vjerovatnoća za bilo koju
normalnu raspodjelu, razmotrimo slijedeći primjer. Pretpostavimo da imamo
normalnu raspodjelu sa µ = 10 i σ = 2. Ovakva normalna raspodjela prikazana je
grafički na slici 2.13. Uočimo da uz vrijednosti slučajne promjenljive prikazane
na osi x uključili smo i drugu osu z kako bi pokazali da za svaku vrijednost x
postoji i odgovarajuća vrijednost z. Npr. kada je x = 10, odgovarajuća vrijednost

59
 Poglavlje 2

z broja standardnih devijacija od srednje vrijednosti iznosi z = (x - µ)/σ = (10 -

10)/2 = 0. Slično tome, za x = 14 imamo da je z = (x - µ)/σ = (14 - 10)/2 = 2.

Slika 2.12 Vjerovatnoća da je z između 1.00 i 2.00.

Sada predpostavimo da hoćemo da postavimo slijedeće pitanje, koja je

vjerovatnoća da slučajna promjenljiva x bude između 10 i 14 tj. P(10 ≤ x ≤ 14)?
Ne raspolažemo tabelama koje bi nam omogućile da do te vjerovatnoće dođemo
direktnim putem. Međutim uočimo da na slici 2.13 površina ispod krive
vjerovatnoće za x između 10 i 14 je ista kao i površina ispod krive za z između 0
i 2. Uzimajući da je z = 2.00, iz tabele 2.10 nalazimo da je površina ili
vjerovatnoća da z bude između 0 i 2 jednaka 0.4772. Iz toga možemo zaključiti
da je vjerovatnoća da x bude izmeu 10 i 14 takođe 0.4772.
Gornja procedura se odnosi na problem bilo koje normalne raspodjele. To znači
da za bilo koju vrijednost x postoji odgovarajuća vrijednost z data jednačinom
2.14. Da bismo došli do vjerovatnoće da x leži u određenom specifičnom
intervalu jednostavno ćemo izvršiti konverziju x intervala u njegov
odgovarajući z interval. Tada je tabela za standardnu normalnu raspodjelu nešto
što možemo bez problema iskoristiti da odgovorimo na pitanje o vjerovatnoći.

2.6.3 Problem kompanije za proizvodnju guma

Pogledajmo sada praktičnu primjenu normalne raspodjele vjerovatnoće.
Pretpostavimo da je fabrika za proizvodnju guma upravo razvila novu radijalnu
gumu koja će se prodavati kroz državni lanac diskontnih prodavnica. Kako je
guma novi prizvod menadžment kompanije vjeruje da bi garancija za
kilometražu bila od koristi za ovu gumu i da bi bila važan faktor u prihvatanju
novog proizvoda. Prije nego finaliziraj garanciju za kilometražu gume,
menadžment bi želio da dobije informaciju o vjerovatnoći koja se tiče broja

60
Kvantitativne metode u inžinjerstvu i biznisu

kilometara koliko će ova guma moći uspješno da izdrži. Na osnovu stvarnih

testova sa gumama na cesti, inženjerski tim je došao do približne srednje
vrijednosti kilometraže za gumu µ = 36500 kilometara i standardne devijacije σ
= 5000 kilometara. Uz to, prikpljeni podaci pokazuju da je normalna raspodjela
nešto što se može smatrati razumnom pretpostavkom. Primjenom normalne
raspodjele, rzmotrimo za koji procenat guma se može očekivati da će trajati
duže od 40000 kilometara? Drugim riječima, kakva je vjerovatnoća da će
kilometraža gume preći 40000 kilometara? Ovo pitanje može se interpretirati
kao pokušaj da se pronađe površina osjenčene oblasti na slici 2.14. Za x =
40000 imamo

σ =2

Slika 2.13 Normalna raspodjela za µ = 10 i σ = 2.

z = (x - µ)/σ = (40.000 - 36.500)/5000 = 3500/5000 = 0.70.

Stoga je vjerovatnoća da će x imati vrijednost veću od 40000 pri normalnoj

raspodjeli jednaka vjerovatnoći da će pri standardnoj normalnoj raspodjeli z
imati vrijednost veću od 0.70. Upotrebom tabele 2.10 doći ćemo do je površine
koja odgovara z =0,70 jednaka 0.2580. Međutim, znamo da tabela uvijek daje
površinu između srednje vrijednosti i vrijednosti z. Stoga znamo da je 0.2580
površina između srednje vrijednosti i vrijednosti z = 0.70. S obzirom na to da je
površina desno od srednje vrijednosti 0.5000, moramo uzeti 0.5000 – 0.2580 =
0.2420 kao površinu ili vjerovatnoću iznad z = 0.70. Ako to prevedemo na jezik
kilometraže gume x, možemo zaključiti da postoji vjerovatnoća 0.2420 da će x
biti veće od 40000. Aproksimativno, 24.2% proizvedenih guma je nešto što
možemo očekivati da će trajati duže od 40000 kilometara. Pretpostavimo sada
da kompanija razmatra garanciju koja će dati popust na set novih guma ako
kilometraža za postojeće gume ne prelazi kilometražu koja je navedena u
garanciji. Kolika treba da bude da bude kilometraža u garanciji ako kompanija

61
 Poglavlje 2

želi dati željeni popust na ne više od 10% guma? Ovo pitanje se može
interpretirati grafički na slici 2.15.

σ = 5000

Slika 2.14 Vjerovatnoća da će guma preći 40000 kilometara.

σ = 5000

Slika 2.15 Garantovana kilometraža za gume.

Napomenimo da je 10% površine ispod nepoznate garantovane kilometraže. Sa

ovom informacijom znamo da 40% površine mora biti između srednje
vrijednosti i nepoznate garantovane kilometraže. Pitanje je koliko standardnih
devijacija vrijednosti z imamo ispod srednje vrijednosti, a da se zadržimo na
40% površine? Ako pogledamo iznad 0.4000 u tabeli 2.10 vidjećemo da je
0.4000 površina koja se javlja za z =1.28. Kako je površina ispod srednje

62
Kvantitativne metode u inžinjerstvu i biznisu

vrijednosti, znamo da je z vrijednost koja nas zanima –1.28. Ovo nam govori da
moramo imati 1.28 standardnih devijacija manje od srednje vrijednosti kako bi
dobili željenu garantovanu kilometražu. Ova kilometraža se može sračunati na
slijedeći način:

Garantovana kilometraža = µ - 1.28 σ =

= 36500 – 1.28⋅5000 = 30100.

Vidimo da garancija od 30100 kilometara zadovoljava zahtjev da

aproksimativno 10% guma ne bude prihvatljivo za popust. Vjerovatnoće na bazi
ove informacije omogućiće kompaniji da postavi svoju politiku garancije za
kilometražu na vrijednost od 30000 kilometara.
Još jednom vidimo važnost uloge raspodjele vjerovatnoće koju ona ima u
pribavljanju informacija onima koji donose odluke. Naime, jedanput kada se
uspostavi raspodjela vjerovatnoće za situaciju određenog konkretnog problema,
ona može biti upotrijebljena za dosta brzo i jednostavno pružanje podataka o
vjerovatnoći za taj problem. Iako podaci nemogu pružiti preporuku za odluku
direktno, oni daju informaciju koja pomaže donosiocu odluku da bolje razumije
problem. Ova informacija može pomoći donosiocu odluke da donese ispravnu
odluku .

ZAKLJUČAK
U ovom poglavlju nastavili smo sa proučavanjem vjerovatnoće uvođenjem
važnih koncepata slučajnih promjenljivih i raspodjele vjerovatnoće. Vidjeli smo
kako slučajne promjenljive mogu biti upotrebljene da pruža numeričke opise
ishoda eksperimenata. Kada primjenjujemo slučajne promjenljive, računanje
očekivanih vrijednosti, varijanse i standardne devijacije mogu pomoći
donosiocu odluke da razumije karakteristike problema kojeg proučava.
Diskutovali smo raspodjelu vjerovatnoće kako za diskretne tako i za
kontinualne slučajne promjenljive. Od posebnog interesovanja bile su specijalne
raspodjele vjerovatnoće kao što su binomna, Poissonova i normalna raspodjela.
Ove raspodjele su značajne jer imaju široku primjenu i imaju određene formule
i/ili tabele koje omogućavaju da informacija o vjerovatnoći bude vrlo
jednostavno dostupna donosiocu odluke. Putem čitavog niza problema i
primjena ilustrovali smo ulogu koju raspodjela vjerovatnoće igra u pružanju
informacija. Iako vrijednosti vjerovatnoće dobivene ovim tehnikama i
metodama same po sebi nemogu dati preporuku donosiocu odluke, one pružaju
pomoć u smislu razumijevanja neizvijesnosti koje su ugrađene u taj konkretni
problem. Na kraju, dublje razumijevanje problema može dovesti do novih i
boljih odlukama.

63
 Poglavlje 2

RJEČNIK POJMOVA
1. Slučajna promjenljiva Numerički opis ishoda eksperimenta.
Diskretna slučajna Slučajna promjenljiva koja može poprimiti
2.
promjenljiva samo konačan ili prebrojiv broj vrijednosti.
Slučajna promjenljiva koja može poprimiti
Kontinualna slučajna
3. svaku vrijednost u intervalu ili kolekciji
promjenljiva
intervala.
Tabela, graf ili jednačina koja opisuje
Diskretna raspodjela
4. vrijednosti slučajne promjenljive i pridruženih
vjerovatnoće
vjerovatnoća.
Otežani prosjek vrijednosti slučajne
promjenljive, gdje funkcija vjerovatnoće daje
otežanje. Ako se eksperiment može ponoviti
5. Očekivana vrijednost
veliki broj puta, srednja vrijednost se može
interpretirati kao "dugoročni prosjek" (long run
average).
Mjera disperzije ili varijabilnosti u slučajnoj
6. Varijansa promjenljivoj. Ovo je otežani prosjek kvadrata
devijacije od srednje vrijednosti µ.
7. Standardna devijacija Pozitivni kvadratni korijen varijanse.
Funkcija gustine Funkcija koja opisuje raspodjelu vjerovatnoće
8.
vjerovatnoće kontinualne slučajne promjenljive.
Kontinualna raspodjela vjerovatnoće, gdje je
Uniformna raspodjela vjerovatnoća da će slučajna varijabla poprimiti
9.
vjerovatnoće vrijednost u bilo kojem intervalu jednake
dužine ista za svaki interval.
Raspodjela vjerovatnoće za diskretnu slučajnu
Binomna raspodjela
10. promjenljivu. Koristi se za računanje
vjerovatnoće
vjerovatnoće x uspjeha u n pokušaja.
Raspodjela vjerovatnoće za diskretnu slučajnu
Poissonova raspodjela promjenljivu. Koristi se za računanje
11.
vjerovatnoće vjerovatnoće x dešavanja jednog događaja u
definisanom intervalu.
Kontinualna raspodjela vjerovatnoće. Njena
Normalna raspodjela funkcija raspodjele gustine vjerovatnoće ima
12.
vjerovatnoće zvonast oblik, a određena je srednjom
vrijednosti µ i standardnom devijacijom σ.
Standardna normalna Normalna raspodjela sa srednjom vrijenošću 0
13.
raspodjela i standardnim odstupanjem 1.

64
Kvantitativne metode u inžinjerstvu i biznisu

ZADACI ZA RJEŠAVANJE

1. Pretpostaviti eksperiment bacanja novčića dva puta uzastopno.

a. Navesti ishode eksperimenta.
b. Definisati slučajnu promjenljivu koja predstavlja broj “glava” koje
se pojavljuju na novčićima.
c. Prikazati koje vrijednosti slučajna promjenčjiva poprima za sve
vrijednosti ishoda eksperimenta.

2. Navedeni su primjeri eksperimenata i pridruženih slučajnih promjenljivih. U

svakom primjeru odrediti vrijednosti koje može poprimiti slučajna promjenljiva
i navesti da li je slučajna promjenljiva diskretna ili kontinualna.

Eksperiment Slučajna promjenljiva (x)

Test od dvadeset pitanja
Registrovati pristizanje
automobila na parking u toku
jednog sata
Pregled 50 pristiglih prijava
poreza
Posmatranje rada zaposlenika
Vagati vrijednosnu pošiljku.
Broj tačno odgovorenih pitanja
Broj pristiglih automobila
Broj prijava koje sadrže grešku.
Broj neproduktivnih sati u 8-časovnom
radnom danu
Broj kilograma

3. Jedna gvožđarija naručuje opremu svakog februara. Pretpostavljena je

slijedeća raspodjela vjerovatnoće za potražnju:

Potražnja Vjerovatnoća
0 0.10
1 0.15
2 0.30
3 0.20
4 0.15
5 0.10

a. Ako je gvožđarija naručila tri komada opreme, kolika je

vjerovatnoća da će prodati sva tri?
b. Kolika je očekivana potražnja za opremom?
c. Kolika je varijansa potražnje opreme? Kolika je standardna
devijacija?

65
 Poglavlje 2

4. Kompleks apartmana sastoji se od 80 dvosobnih apartmana. Broj klima

uređaja u apartmanima koji moraju biti zamjenjeni u toku sezone ima slijedeću
raspodjelu vjerovatnoće:

Zamjenjeni klima uređaji Vjerovatnoća

0 0.30
1 0.35
2 0.20
3 0.10
4 0.05

a. Koliki je očekivani broj klima uređaja koji će biti zamjenjen u toku

sezone?
b. Kolika je varijansa zamjene klima uređaja?
c. Kolika je standardna devijacija?

5. Rulet u kasinu ima 18 crvenih, 18 crnih i 2 zelena broja. Pretpostaviti da je 5

KM uloženo na crni broj. Ako se pojavi crni broj, igrač dobija 5 KM. U
suprotnom gubi 5 KM.
a. Neka je x slučajna promjenljiva koja predstavlja neto dobitak igrača
u igri. Prikazati raspodjelu vjerovatnoće za x.
b. Koliki je očekivani dobitak? Kakva je vaša interpretacija te
vrijednosti?
c. Kolika je varijansa dobitka? Kolika je standardna devijacija?
d. Ako igrač stavi 100 žetona od 5 KM, koliki je očekivani dobitak?
Komentarisati zašto kasina vole kockanje na velike iznose.

6. Raspodjela vjerovatnoće za osiguranje od sudara plaćeno od osiguravajućeg

društva je:
Iznos Vjerovatnoća
0 KM 0.90
200 KM 0.04
500 KM 0.03
1000 KM 0.01
2000 KM 0.01
3000 KM 0.01

a. Uzeti očekivanu vrijednost uplate osiguranja za određivanje premije

koja omogućava osiguranju isplatu čak i u slučaju realizacije dijela
police koja se odnosi na sudar.

66
Kvantitativne metode u inžinjerstvu i biznisu

b. Osiguravajuće društvo plaća 130 KM za popravku oštećenja od sudara.

Kolika je očekivana vrijednost polise osiguranja od sudara za vlasnika
polise? Zašto vlasnik polise kupuje polisu sa tom očekivanom
vrijednosti?

7. Broj neispravnih dijelova vraćenih proizvođaču varira od sedmice do

sedmice. Uzeti da broj vraćenih komada (x) ima slijedeću raspodjelu
vjerovatnoće:

x f(x)
0 0.10
1 0.15
2 0.30
3 0.25
4 0.10
5 0.10
a. Kolika je srednja vrijednost i varijansa vraćenih komada?
b. Ako je trošak zamjene neispravnog dijela 125 KM, koliki je očekivani
sedmični trošak zamjene neispravnih dijelova?

8. Šta od navedenog predstavlja raspodjelu vjerovatnoće, a šta ne? Objasniti.

x f(x) y f(y) z f(z)
0 0.20 0 0.25 -1 0.20
1 0.30 2 0.05 0 0.50
2 0.25 4 0.10 1 -0.10
3 0.35 6 0.60 2 0.40

9. Sedmični broj bolovanja na određenoj firmi ima slijedeću raspodjelu

vjerovatnoće:

Broj bolovanja
f(x)
x
0 0.05
1 0.20
2 0.40
3 0.20
4 0.15

67
 Poglavlje 2

a. Izračunati očekivanu vrijednost.

b. Izračunati varijansu.

10. Kada određena mašina ispravno funkcioniše, samo 1% proizvoda je

neispravno. Pretpostaviti da mašina radi ispravno pri odgovaranju na slijedeća
pitanja:
a. Ako su kontrolisana dva komada, kolika je vjerovatnoća da ni jedan nije
neispravan?
b. Ako je kontrolisano pet komada, kolika je vjerovatnoća da ni jedan nije
neispravan?
c. Kolika je očekivana vrijednost neispravnih komada u uzorku od 200
komada?
d. Kolika je standardna devijacija neispravnih komada u uzorku od 200
komada?

11. Na određenom univerzitetu je uočeno da 20% studenata napušta studij bez

položenog uvodnog kursa iz statistike. Pretpostaviti da je 20 studenata
prijavljeno za kurs ovog tromjesečja.
a. Kolika je vjerovatnoća da će dva ili manje napustiti studij?
b. Kolika je vjerovatnoća da će tačno četiri napustiti studij?
c. Kolika je vjerovatnoća da će više od tri napustiti studij?
d. Koliki je očekivani broj napuštanja studija?

12. U specijalnom slučaju binomne slučajne promjenljive rečeno je da variansa

može biti određena na osnovu formule σ 2 = np(1 - p). U slučaju prodavnice
odjeće, u tabeli 2.6 izračunato je σ 2 = np(1 - p) = 0.63. Koristeći opštu
definiciju varijanse za diskretnu slučajnu promjenljivu, jednačina (2.4), i
podatke iz tabele 2.6, provjeriti taj rezultat.

13. Preduzeće procjenjuje da je vjerovatnoća disciplinskog prekršaja radnika

određenog dana jednaka 0.10.
a. Kolika je vjerovatnoća da preduzeće ima sedmicu (5 radnih dana) bez
prekršaja?
b. Kolika je vjerovatnoća tačno 2 disciplinska problema u periodu od dvije
sedmice (10 radnih dana)?
c. Kolika je vjerovatnoća najmanje 2 dana sa disciplinskim problemima u
4 sedmice?

68
Kvantitativne metode u inžinjerstvu i biznisu

14. Pretpostavimo da prodavač ostvari prodaju u 20 % poziva.

a. Ako prodavač obavi tri poziva dnevno, kolika je vjerovatnoća više od
tri prodaje u 5 dana sedmično?
b. Ako prodavač radi 50 sedmica godišnje i ostvari proviziju od 100 KM
po prodaji, koliko prodaja se može očekivati godišnje? Koliki je
očekivani godišnji dohodak?

15. Prodavač iz zadatka 14 je zamoljen od strane menadžera prodaje da obavi

jedan ekstra poziv dnevno. Ako prodavač poveća pozive sa tri na četiri dnevno,
kolika je vjerovatnoća ostvarivanja više od tri prodaje sedmično? Koliki se
porast godišnjeg dohotka može očekivati?

16. Potražnja za novim proizvodom ima normalnu raspodjelu sa µ = 200 i σ =

40. Ako je x broj zahtjevanih jedinica proizvoda, izračunati:
a) P(180 ≤ x ≤ 220)
b) P(x ≥ 250)
c) P(x ≤ 100)
d) P(225 ≤ x ≤ 250)

17. Ukupno vrijeme potrebno za popunjavanje određene aplikacije je uniformno

raspoređeno između 3 i 7 dana.
a) Dati matematički izraz za gustoću raspodjele vjerovatnoće.
b) Kolika je vjerovatnoća da će aplikacija biti popunjena za manje
od tri dana?
c) Izračunati vjerovatnoću da će aplikacija biti popunjena za 5
dana ili prije.

18. Vrijeme čekanja lifta u nekoj zgradi je uniformno raspoređeno između 0 i 5

minuta.
a) Dati matematički izraz za gustoću raspodjele vjerovatnoće.
b) Kolika je vjerovatnoća čekanja duže od 3.5 minuta?
c) Kolika je vjerovatnoća da lift stiže u prvih 45 sekundi?
d) Kolika je vjerovatnoća čekanja između 1 i 3 minute?

19. Vijek trajanja katodne cijevi kolor televizora je normalno raspoređen, sa

srednjom vrijednošću 7.8 godina i standardnom devijacijom 2 godine.
a) Kolika je vjerovatnoća da će cijev trajati duže od 10 godina.

69
 Poglavlje 2

b) Ako firma daje garanciju na cijev 2 godine, koliki broj

televizora će morati biti zamijenjen zbog kvara cijevi?
c) Ako firma želi da zamijeni maksimalno 1% od prodatih
televizora, koliki mora biti garantni rok u tom slučaju?

20. Mašina puni posude sa određenim proizvodom. Poznato je da je standardna

devijacija mase 0.6 kg. Ako samo 2% posuda ima manje od 18 kg, kolika je
srednja vrijednost mase punjenja posuda? Tj. koliko je µ?

21. Test ponovljivosti mjerača protoka dao je slijedećih 35 izmjerenih

vrijednosti pri konstantnom ulaznom protoku od 1.4 × 10-2 m3/s: 208.6; 208.3;
208.7; 208.5; 208.8; 207.6; 208.9; 209.1; 208.2; 208.4; 208.1; 209.2; 209.6;
208.6; 208.5; 207.4; 210.2; 209.2; 208.7; 208.4; 207.7; 208.9; 208.7; 208.0;
209.0; 208.1; 209.3; 208.2; 208.6; 209.4; 207.6; 208.1; 208.8; 209.2; 209.7 Hz.

a) Koristeći jednake intervale širine 0.5 Hz nacrtaj histogram vrijednosti

gustine vjerovatnoće.
b) Izračunaj srednju vrijednost i standardnu devijaciju podataka.
c) Skiciraj Gausovu funkciju Gustine vjerovatnoće sa srednjom
vrijednošću i standardnim odstupanjem iz tačke b na histogramu
nacrtanom pod a.

70