Professional Documents
Culture Documents
2 Raspodjela Vjerovatnoca
2 Raspodjela Vjerovatnoca
RASPODJELE VJEROVATNOĆE
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
35
Poglavlje 2
36
Kvantitativne metode u inžinjerstvu i biznisu
37
Poglavlje 2
38
Kvantitativne metode u inžinjerstvu i biznisu
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
σ = 1.25 = 1.118 .
39
Poglavlje 2
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
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)
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:
gdje je
3! 3 ⋅ 2 ⋅ 1 6
= = =3
2!1! 2 ⋅ 1 ⋅ 1 2
n!
f ( x) = p x (1 − p ) n − x , x = 0,1,2, ..., n. (2.8)
x!(n-x)!
43
Poglavlje 2
10!
f (4) = 0.304 0.706 = 0.2001 .
4!6!
44
Kvantitativne metode u inžinjerstvu i biznisu
np = 3⋅0.3 = 0.9.
µ = np. (2.9)
σ2 = np(1 - p) (2.10)
45
Poglavlje 2
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
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.
10 x e-10
f (x) = za x = 0,1, 2, 3......
x!
47
Poglavlje 2
48
Kvantitativne metode u inžinjerstvu i biznisu
49
Poglavlje 2
50
Kvantitativne metode u inžinjerstvu i biznisu
1
, za 120 ≤ x ≤ 140
f ( x) = 20 (2.12)
0, za sve druge vrijednosti x
51
Poglavlje 2
1
, za 120 ≤ x ≤ 140
f ( x) = b - a .
0, za sve druge vrijednosti x
52
Kvantitativne metode u inžinjerstvu i biznisu
53
Poglavlje 2
54
Kvantitativne metode u inžinjerstvu i biznisu
σ = 7.5
f(x)
σ = 15
f(z) σ =1
z
µ
Slike 2.8. Standardna normalna raspodjela.
55
Poglavlje 2
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
56
Kvantitativne metode u inžinjerstvu i biznisu
57
Poglavlje 2
58
Kvantitativne metode u inžinjerstvu i biznisu
x−µ
z= (2.14).
σ
59
Poglavlje 2
60
Kvantitativne metode u inžinjerstvu i biznisu
σ =2
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
σ = 5000
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:
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
Potražnja Vjerovatnoća
0 0.10
1 0.15
2 0.30
3 0.20
4 0.15
5 0.10
65
Poglavlje 2
66
Kvantitativne metode u inžinjerstvu i biznisu
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?
Broj bolovanja
f(x)
x
0 0.05
1 0.20
2 0.40
3 0.20
4 0.15
67
Poglavlje 2
68
Kvantitativne metode u inžinjerstvu i biznisu
69
Poglavlje 2
70