Osnove statistike

• Kombinatorika i vjerojatnost
• Obrada empirijskih podataka
• Mjere položaja i rasipanja
 Kombinatorika
• Kombinatorika – problem svrstavanja, raspoređivanja i
prebrojavanja elemenata skupova
• Slučajni događaj – događaj koji se pod nekim okolnostima
može ali i ne mora dogoditi. Služe pri određivanju
vjerojatnosti slučajnih događaja
• Modeli u kombinatorici:
– Permutacije (bez ponavljanja i s ponavljanjem)
– Varijacije (bez ponavljanja i s ponavljanjem)
– Kombinacije
– Složene kombinacije
Permutacije
• permutacije bez ponavljanja:
– niz n istovrsnih elemenata kojima se određuje broj mogućih
redoslijeda (poređaja)
P(n)  n!  n  (n  1)  ...  (n  k)  ...  1
Primjer: Na koliko se načina može poredati niz od 4 kuglice različite boje?
P (4)  4! 4  3  2 1  24
• permutacije s ponavljanjem:
– niz n istovrsnih elemenata među kojima postoje određene
podgrupe - određuje se broj mogućih redoslijeda (poređaja)
(n)
P A1 ,A2 ...AK  A1! A 2n!!...AK !
Primjer: Na koliko se načina može poredati niz od 6 kuglica (2 crvene, 2 plave
te zelena i žuta)?
6!
P (6)
2 , 2 ,1,1   180
2!2!
Varijacije
• varijacije bez ponavljanja:
– niz n istovrsnih elemenata iz kojeg se uzima uzorak r te se određuje
broj različitih (mogućih) ishoda
n n!
Vr 

(
)
n r !

)
Primjer: Koliko različitih uzoraka od po 3 kuglice možemo složiti iz skupa od 5 kuglica?
(5) 5!
V3   60
(5  3)!
• varijacije s ponavljanjem:
– niz n istovrsnih elemenata iz kojeg se uzima uzorak r te se određuje broj
različitih (mogućih) ishoda s mogućnošću ponavljanja elemenata iz
skupa n do maksimalno r-puta
n
Vr  nr
(
)

Primjer: Igranje sportske prognoze. Na koliko se načina može ispuniti listić sportske
prognoze ako se na listiću nalazi 12 parova, a mogući ishodi su 1,0 i 2?
(3)
V12  312  531 441
Kombinacije
• kombinacije bez ponavljanja:
– niz n istovrsnih elemenata iz kojeg se uzima uzorak od r elemenata
te se određuje broj različitih (mogućih) sastava uzorka gdje nije bitan
redoslijed već sadržaj (sastav)
(n) Vr(n)!  n  n!
Kr   
r!  r  (n  r)!  r!
Primjer: Koliko treba ispuniti nizova da bi se u LOTU 7/39 sigurno dobila ‘sedmica’?
NAPOMENA: budući da nije bitan redoslijed odabiranja (izvlačenja) kuglica
radi se o kombinacijama.

(39)  39  39!
K7    15 380 937
 7  (39  7)!7!
• kombinacije s ponavljanjem:
– n broj elemenata, r uzorak
 n +r - 1
K'r (n)
  
 r 
Složene kombinacije
• složene kombinacije – skup od N elemenata sadrži podskup elemenata
sa svojstvom A i podskup elemenata sa svojstvom Ā (non A)
SKUP
N

M (A) (N-M) (Ā)

UZORAK
n
 M N  M
K (M(N-M))
(x  (n- x))      
x el A (n-x) el Ā  x   n- x 
 Vjerojatnost
• Slučajni događaj – događaj koji se pod nekim okolnostima može a i ne mora
dogoditi
• Elementarni događaj – mogući ishod slučajnog događaja
• Skup (polje) mogućih događaja – skup koji se sastoji od elementarnih
događaja
• Vjerojatnost – mogućnost pojave nekog elementarnog događaja koji se promatra
n(A) n – broj svih mogućih ishoda (događaja)
P(A)  n(A) – broj događaja sa svojstvom A
n
P(A)  0 - nemoguć događaj
0  P(A)  1
P(A)  1 - siguran događaj

• Protivna vjerojatnost

P(A)  1  P(A)
• Teoremi vjerojatnosti (slučaj složenih događaja):
• zbrajanje vjerojatnosti - P(A1) ili P(A2)
• zanima nas vjerojatnost da se dogodi A1 ili A2
• uz uvjet da su događaji A1 i A2 disjunktni (međusobno se
isključuju)

P(A 1iliA 2 )  P(A 1 )  P(A 2 )

Primjer: Bacamo kocku. Kolika je vjerojatnost da će kocka pokazati broj 2 ili 4 ili 6?
1 1 1
P(broj 2)  ; P(broj 4)  ; P(broj 6) 
6 6 6
1 1 1 1
P(2 ili 4 ili 6)    
6 6 6 2
• množenje vjerojatnosti (NEZAVISNI DOGAĐAJI)- P(A1) i P(A2)
• zanima nas vjerojatnost događaja da se dogodi A1 i A2 (istovremeno)
P(A 1 i A 2 )  P(A 1 )  P(A 2 )
Primjer: Bacamo kocku i novčić. Kolika je vjerojatnost da će kocka pokazati broj 6 i
novčić pasti na ‘glavu’?
1 1 1 1 1
P(broj 6)  ; P(' glava' )   P(' glava' i '6' )   
6 2 6 2 12
• množenje vjerojatnosti (UVJETNI DOGAĐAJI)- P(A1) i P(A2)
• zanima nas vjerojatnost događaja da se realizira A1 i A2
• jedan događaj utječe na vjerojatnost drugog događaja
P(A 1 i A 2 )  P(A 1 )  P(A 2 /A 1 )
Primjer: U kutiji je 10 kuglica, 6 bijelih i 4 crvene kuglice. Kolika je vjerojatnost da
prva i druga kuglica budu bijele ako izvučenu kuglicu ne vraćamo u kutiju?
A1 - prva kuglica bijela
A2 – druga kuglica bijela
6 5 6 5 1
P(A 1 )  ; P(A 2 /A 1 )   P(A 1 i A 2 )   
10 9 10 9 3
• ostale vjerojatnosti - uvjet da se elementarni događaji ne isključuju te da se
dogodi bar jedan događaj
• slučaj kada tražimo vjerojatnost pojave događaja A1 ili A2 ili A1 i
A2. Takova vjerojatnost se računa na način da se od sume
vjerojatnosti za događaje A1 , A2 oduzme vjerojatnost događaja
A1 i A2 istovremeno (izbjegavanje dvostruke vjerojatnosti).

P(A 1 ili A 2 )  P(A 1 )  P(A2)  P(A 1 )  P(A2)

• Bayes-ov teorem

P(A)  P(B/A) P(A)  P(B/A)

P(A/B)= 
P(B) P(A)  P(B/A)+P(A)  P(B/A)
P(A/B) - Vjerojatnost da se dogodi A ako se dogodio B
P(B/A) - Vjerojatnost da se dogodi B ako se dogodio A

Primjer 1: U dvije kutije su raspoređene crvene i plave kuglice. U prvoj kutiji je 7 crvenih i 3
plave kuglice, dok su u drugoj kutiji 5 crvenih i 5 plavih. Potrebno je pronaći
vjerojatnost da ako je odabrana plava kuglica da je izvučena iz prve kutije.

K1 K2
10
P(K1)=P(K2)= =0,5
20
3
P(K1)  P(p/K1) P(p/K1)=  0, 3
P(K1/p)= 10
P(K1)  P(p/K1)+P(K2)  P(p/K2)
5
0,15 P(p/K2)=  0, 5
P(K1/p)=  0, 375 10
0,15  0, 25
Primjer 2: Tri posude sadrže crvene i plave novčiće. Posuda B1 sadrži 2 crvena i 4 plava
novčića, posuda B2 sadrži 1 crveni i 2 plava novčića te posuda B3 sadrži 5
crvenih i 4 plava novčića. Vjerojatnosti odabira posuda su redom: P(B1)=1/3,
P(B2)=1/6, P(B3)=1/2. Izračunati:
a) Vjerojatnost izvlačenja crvenog novčića.
b) Vjerojatnost da je izvučeni crveni novčić iz posude B1.
a) P(c)=P(B1)  P(c/B1)+P(B2)  P(c/B2)+P(B3)  P(c/B3)
2 1 5
P(c/B1)= ; P(c/B2)= ; P(c/B3)=
6 3 9
1 2 1 1 1 5 4
P(c)=      
3 6 6 3 2 9 9

b)
P(B1)  P(c/B1)
P(B1/c)= 
P(c)
1 2

P(K1/p)= 3 6  1
4 4
9
Primjer 3: 1% od ukupne populacije osoba starijih od 40 godina obolijeva od jedne vrste
karcinoma. Osoba oboljela od karcinoma u 90% slučajeva ima pozitivan rezultat
testa, dok osoba koja nije oboljela od karcinoma u 10% slučajeva također
dobiva pozitivan rezultat. Kolika je vjerojatnost da testirana osoba uistinu
oboljela ako se rezultat testa pokaže kao pozitivan?

Događaji:
A - rezultat testa pozitivan
B - osoba uistinu oboljela
Vjerojatnosti:
P(B)  P(A/B)
P(B/A)=
P(A)
P(B)=0,01; P(A/B)=0,90; P(A/ B)=0,10;
P(A)=P(B)  P(A/B)+P(B)  P(A/ B)=0,01  0,90+0,99  0,1=0,108;
0, 01  0, 90
P(B/A)=  0, 08333  8, 33%
0,108
• Upotreba teorije vjerojatnosti na primjerima iz prakse
• Slučaj serijskog spoja – problem vezan za pouzdanost sustava

Primjer: Pojednostavljen slučaj vjerojatnosti pogotka cilja projektilom. Projektil na

putu do cilja prolazi kroz faze koje imaju svoju vjerojatnost uspjeha.
Vjerojatnost uspješnog pogotka cilja se može prikazati kao serijski spoj
faza (vjerojatnosti uspjeha svake faze). Svaka faza ima vjerojatnost
uspjeha 0,99. Kolika je vjerojatnost uspješnog pogotka cilja?

Za uspješan pogodak projektil mora uspješno proći sve faze.

Radi se o serijskom spoju (množenju vjerojatnosti).

P(uspješan pogodak)  P(det)  P(lnch)  P(lock)  P(trk)  P(hit)  P(kill)

P(uspješan pogodak)  0,99 6  0,941
• Slučaj paralelnog spoja – problem vezan za pouzdanost sustava
Primjer: U kritičnom dijelu nekoga procesa važno je da je barem jedna pumpa u
stanju ispravnog rada kako ne bi došlo do zastoja. Ako su vjerojatnosti
ispravnog rada (pouzdanost) svake pumpe R=0,99 kolika je vjerojatnost da
sustav funkcionira ispravno?
Budući da je P(ispravnog rada)+P(zastoja)=1
možemo pisati sljedeće:

P(ispravno g rada)  1- P(zastoja);

P(zastoja)  Q(pumpa1)  Q(pumpa2)  Q(pumpa3)
P(ispravno g rada)  1- 0,01 0,01 0,01  0.999999
 Obrada empirijskih podataka
• deskriptivna statistika – opisivanje podataka iz uzorka ili populacije u formi
osnovnih parametara, identifikacija procesa
• osnovne vrste podataka – po nastanku varijable (upotreba različitih mjernih
ljestvica) se mogu klasificirati na:
1. Kvalitativne: nominalne (Da, Ne ; Dobar, Loš...), ordinalne (rangovi)
2. Kvantitativne: diskretne (cjelobrojne vrijednosti, pobrojane),
kontinuirane (neprekinute, mjerene)
a) Diskretne varijable – nastaju prebrojavanjem
x i 0,1,2..., n; P(x i ) P(0), P(1), P(2)..., P(n)
x x x x x
0 1 2 3 4 5 x
b) Kontinuirane varijable – nastaju mjerenjem

   x  

a b x
• Grafička obrada empirijskih podataka
• vrste grafičkih prikaza:
1. Histogram (‘bar chart’) – prikazivanje učestalosti podataka
stupićima te povezivanje vrhova u poligon frekvencija

Primjer:Histogram
12 - histogramski prikaz za diskretnu varijablu
- direktno očitavanje vjerojatnosti pojave pojedine
10
vrijednosti varijable
8
Frequency

6 Histogram
- histogramski prikaz
4
7
za kontinuiranu
6
varijablu
2
5 - prikaz preko
razreda podataka po
Frequency

0 4
0 1 2 3 4 5
C1
3 kojima klasificiramo
2
podatke
- u tehnici se radi sa
1
razredima jednake
0
22 24 26
x
28 30 veličine (širine)
 Histogram of x1

20 - kumulanta – histogramski prikaz frekvencija koje se

kumuliraju od najnižega ka najvišem razredu
Cumulative Frequency

15 - mogućnost prikaza relativnih frekvencija (u %) na

ordinati
10

0
22 24 26 28 30 32 34
x1

2. ‘Box- whisker’ prikaz (prikaz ‘kutija – brkovi’) – jedno od najčešćih prikaza podataka
Primjer:
Boxplot of x1; x2

40
- ‘box-whisker’ prikaz za kontinuiranu varijablu
- prikaz je moguće kreirati u različitim verzijama
35
(središnja točka medijan/aritmetička sredina,
podjela po percentilima/intervalima povjerenja...)
Data

30
- jednostavna dijagnostika problematičnih podataka
(ekstrema, ‘outliera’)
25
- mogućnost prikazivanja dva ili više uzoraka
paralelno te brzo dijagnosticiranja njihovih relacija i
20
x1 x2
karakteristika
3. ‘Stem-leaf’ prikaz (prikaz ‘stabljika - list’)
Primjer: fi Stem Leaf
- prikaz ‘stabljika-list’ se najčešće koristi na
2 21 02
podacima koji su u decimalnom obliku gdje
4 22 3349
se znamenka cijelog broja prikazuju kao
5 23 12589
stabljika a decimalni dio kao ‘list’
4 24 5678
2 25 48
1 26 4

4. Ostali prikazi:
• ‘Individual plot’,
• ‘Scatter plot’,
• ‘Line plot’,
• ‘Dot plot’ ,
• ‘Marginal plot’ ,
• ‘Area plot’,
• ‘Pie chart’
• ‘Normal probability plot’,
• ...
Primjer grafičke analize podataka: Na jednom uzorku izmjerene su vrijednosti vlačne
čvrstoće šarže čeličnog lima (u N/mm2). Nakon mjerenja dobiveni su sljedeći
podaci: 430, 440, 450, 460, 440, 430, 410, 410
Histogram
440, 440, 430, 440, 420, 450, 430, 450
7
420, 440, 420, 450, 410, 440, 460, 430
6

5
Frekvencija

Histogram kumulativnih frekvencija

3
25
2

1 20
Kumulativne frekvencija

0 Boxplot of Vlačne čvrstoće, N/mm2

410 420 430 440 450 460 15
Vlačne čvrstoće, N/mm2 460

10
450

Vlačne čvrstoće, N/mm2

5
440

0
410 420 430 440 450 460
Vlačne čvrstoće, N/mm2 430

420

410
• Numerička obrada empirijskih podataka
• MJERE POLOŽAJA
• aritmetička sredina – suma svih elemenata u populaciji podijeljena sa brojem
elemenata populacije (težište – paralela sa mehaničkim modelom)
N n

 ix  xi
E ( x)  μ  ocekivanje  i 1 x  aritm. sredina uzorka  i 1

N n
n
najvažnije svojstvo aritmetičke sredine:  ( xi x )  0
i 1

• mod – podatak(ili razred) koji ima najveću frekvenciju

- mod dijeli distribuciju frekvencija na rastuću i padajuću stranu
- vrste distribucija s obzirom na mod
• medijan – 50% podataka je manje, a 50% veće od te vrijednosti

• kvantili - vrijednosti numeričkog obilježja koje niz uređen po veličini dijele na

q jednakih dijelova

Medijan

Kvartili

Decili

Percentili
• MJERE RASIPANJA
• standardna devijacija σ – prosječno odstupanje svakog podatka od arit. sredine
• varijanca σ2 – prosječno kvadratno odstupanje svakog podatka od arit. sredine
n
 ( xi  x )
2

2  i 1
   2
n n
• nepristrana procjena varijance osnovnog skupa (σo2) :  i
( x  x ) 2

s2  i 1
n 1
• koeficijent varijacije, V – međusobno uspoređivanje varijabilnosti pojava
ili svojstava
- pokazuje koliki odnos vrijednosti aritm. sredine iznosi
vrijednost standardne devijacije (u %)
koeficijent varijacije

(relativna mjera rasipanja)
V  100%
x
• raspon, Rx – razlika najveće i najmanje vrijednosti u nekom nizu podataka
Rx  xmax  xmin
• MOMENTI STATISTIČKIH SKUPOVA
• mehanički model - greda, oslonac i opterećenje ( x1,x2, ... – jedinične sile)
x1 x2 x3 x4 x5 x6 x7

– centralni moment r-tog reda – moment oko centra (aritmetička sredina):

n
 (x i  x)r r=0 M0=1
Mr  i1 r=1 M1=0
varijanca
n r=2 M2=σ2
r=3 M3 koeficijent asimetrije
r=4 M4 koeficijent spljoštenosti
– pomoćni moment r-tog reda – moment oko točke 0
n
 xi
r
r=0 m0=1
r=1 m1= x aritmetička sredina
mr  i1

n
• MJERE OBLIKA STATISTIČKOG SKUPA
• koeficijent asimetrije (Skewness) – mjera nagnutosti distribucije na lijevu
ili desnu stranu
M n
1   (x  x)3
    3  
   n i
3 i1


3 3 3 svaki |α3| : 0 - 0,25 zanemariva asimetrija
0,25 – 0,50 slaba asimetrija
0,50 – 0,75 srednja asimetrija
0,75 - +  jaka asimetrija

pozitivna asimetrije α3>0

nema asimetrije α3=0
negativna asimetrija α3<0
• koeficijent spljoštenosti (Kurtosis)– mjera spljoštenosti (zaobljenosti) distribucije

M n
1   (x  x)4 M4
   4 '
4 n i
-3 -normiranje na nulu
i1
 4
(jednostavnije očitavanje)

4 4 4

0,9

0,8

0,7

0,6
spljoštenost α4<3 (α’4<0)
0,5
normalna spljoštenost α4=3 (α’4=0)
f(x)

0,4 izduženost α4>3 (α’4>0)

0,3

0,2

0,1

0,0
0 2 4 6 8 10 12
X
Primjer dva skupa:
a) sa istim očekivanjem a različitom varijancom

b) sa istim očekivanjem i varijancom ali različitim elementima

Primjer 1: Izmjerene su vlačne čvrstoće jednog čeličnog lima u N/mm2 (tablica). Potrebno je
odrediti sve osnovne statističke parametre te ih grafički prikazati u odgovarajućim prikazima.
410 410 410 410 420 420 420 430 430 430
430 430 430 440 440 440 440 440 440 440
440 440 440 450 450 450 450 450 460 460

aritmetička sredina, varijanca, raspon, nepristrana procjena varijance i stand. devijacije:

koeficijent varijacije, mod, medijan: 1 n
1 n 1 30
s 
2

n  1 i1
( xi x ) 2  205,17  N 2 /mm4 
x   xi   xi  435  N/mm2 
n i1 30 i1 s   s 2  14,33  N/mm 2 
1 n 1 30
   ( xi x )   ( xi 435)2  198,33  N 2 /mm4  koeficijenti nagiba i spljoštenosti:
2 2
n i1 30 i1
1 n
     14,08  N/mm 
2 2
M3 
n i 1
( xi  x )3
3    0,2864
R  xmax  xmin  50  N/mm  2
3 3
1 n
V

 100%  3,29 M4 
n i 1
( xi  x )4
x  '4  3  3  0,6624
4 4
xMod  440  N/mm2 

xMed  440  N/mm2 

Sturges-ovo pravilo za okvirni broj razreda:
za računanje po razredima:
k  1  3,3log N  1  3,3log 30  5,87  6
1 n
n
Razredi TABLICA FREKVENCIJA x f i xi
Apsolutna Kumulativna i 1
frek. frek.
1 n
   f i xi 2 x 2
2
405=<x<415 4 4 n i1
415<x<425 3 7
425<x<435 6 13
435<x<445 10 23
445<x<455 5 28
455<x<=465 2 30
Suma 30

Histogram of Vlačne čvrstoće [N/mm2] Histogram kumulativnih frekvencija

12 35

30
10

25
8
Frekvencija

20
Frekvencija

15

4
10

2
5

0 0
405 415 425 435 445 455 465 405 415 425 435 445 455
Vlačne čvrstoće [N/mm2] Vlačne čvrstoće [N/mm2]
Primjer 2: Rad jednog automata kontrolira se uzorcima od 15 proizvoda. U svakom uzorku
se ustanovljuje broj defektnih proizvoda. Budući da je uzeto 200 uzoraka, dobiveni podaci su
u sljedećoj tablici. Potrebno je izračunati osnovne statističke parametre te grafički prikazati
podatke u odgovarajućim prikazima.
x 0 1 2 3 4 5 6
fi 77 81 31 7 2 1 1

aritmetička sredina, varijanca, raspon, nepristrana procjena varijance i stand. devijacije:

mod, medijan: 1 N
s 
2

N  1 i 1
fi ( xi x ) 2  0,973
1 k 1 k 7
x   f i xi 
200 
f i xi  0,915
N i1 i 1
s   s 2  0,986
1 k 1 k 7
 2   f i ( xi x )2   f i ( xi 0,915)2  0,967 koeficijenti nagiba i spljoštenosti:
N i1 200 i 1 1 k
    2  0,9837 M3 
N i 1
f i ( xi  x )3
3    1,60
R  xmax  xmin  6 3 3
xMod  1 1 k
M4 
N i1
f i ( xi  x )4
xMed  1  '4  3  3  4, 24
4 4
grafički prikazi podataka:

Histogram frekvencija Histogram kumulativnih frekvencija

90 200

80 180

160
70

140
60
120
Frekvencija

Frekvencija
50
100
40
80
30
60

20
40

10 20

0 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
broj defektnih broj defektnih
Primjer 3: Sljedeći podaci prezentiraju temperature ‘O-ring’ brtvi raketnog motora prilikom
testiranja sustava paljenja: 84, 49, 61, 40, 83, 67, 45, 66, 70, 69, 80, 58, 68, 60, 67, 72, 73,
70, 57, 63, 70, 78, 52, 67, 53, 67, 75, 61, 70, 81, 76, 79, 75, 76, 58, 31. Potrebno je odrediti
sve osnovne statističke parametre i grafički prikazati podatke.

Histogram of °F Boxplot of °F
14 90

12
80

10
70
Frequency

60
°F

4 50

2
40

0
30 40 50 60 70 80
30
°F
 SLUČAJNA VARIJABLA
• Definicija – pojam slučajne varijable je definirano kao veličina čije se
brojčane vrijednosti pridružuju pripadajućim događajima slučajnog pokusa
• Slučaj bacanja novčića:
 Elementarni događaj – P ili G
 Slučajna varijabla opisuje ishod: x(P)=1, x(G)=0
{x=1}={P}, {x=0}={G}

• Slučaj bacanja više novčića:

• Skup elementarnih događaja –    P P , G P , P G , G G 
• Slučajna varijabla može opisivati broj ponavljanja G
x(PP)=0, x(PG)=x(GP)=1, x(GG)=2
• Funkcija vjerojatnosti
k  x  xi 
p( xi ) 
k 
1 1 1
p( x1 )  , p( x2 )  , p( x3 ) 
4 2 4
 SLUČAJNA VARIJABLA - DEFINIRANJE
• diskretne varijable:
xi 0,1,2...,n ; P(xi ) P( 0 ),P( 1 ), P( 2 )...,P(n)
n
očekivanje E ( x)   xi  p( xi ),  p( x )  1
i
i 1

 2 ( x)  E  x  E ( x)  
2
varijanca

– vjerojatnost diskretne varijable:

f (x ) n
p( x )  1;
f ( xi )  0 p( x )  n
i
 i
 f (x )
i i 1

i 1 i

učestalost
vjerojatnost
– funkcija distribucije F(x) diskretne varijable (kumulanta):
k
F ( xk )   p( xi ) F ( xk )  P ( x  xk )
i 1
 Vjerojatnosti Kumulativni prikaz
50
100

40

Cumulative Percent Count

80

30
P*100%

60

20 40

10 20

0 0
0 1 2 3 4 x 5 0 1 2 3 4 5
x

zbrajanja frekvencija (kumuliranje)

• kontinuirane varijable:
   x  

očekivanje E ( x)   x  f ( x)dx očekivanje

2

 ( x)   x  f ( x)dx    x  f ( x)dx 

 
varijanca 2 2

   

– funkcija gustoće vjerojatnosti (kontinuirana varijabla):

svojstva f.g.v. :

1. f ( x)  0



2.  f ( x)dx  1


x2

3.  f ( x)dx  P( x1  x  x2 )
x1
– funkcija distribucije vjerojatnosti (kontinuirana varijabla):
povezanost f.g.v. i funkcije distribucije

x1
F ( x1 )   f ( x)dx

Primjer: Sljedeći podaci prezentiraju temperature ‘O-ring’ brtvi raketnog motora prilikom
testiranja sustava paljenja: 84, 49, 61, 40, 83, 67, 45, 66, 70, 69, 80, 58, 68, 60, 67, 72, 73,
70, 57, 63, 70, 78, 52, 67, 53, 67, 75, 61, 70, 81, 76, 79, 75, 76, 58, 31. Potrebno je odrediti
sve osnovne statističke parametre i grafički prikazati podatke.

Histogram of °F Boxplot of °F
14 90

12
80

10
70
Frequency

60
°F

4 50

2
40
0
30 40 50 60 70 80
°F 30
- Veza histograma frekvencija s funkcijom gustoće vjerojatnosti:
Primjer 1.
Na nekom stroju mogu se izrađivati dijelovi za neki sklop sastavljen iz tri dijela, na način da se prvi dio
izrađuje u 4 različite varijante, drugi dio u 7 varijanti, a treći dio sklopa u 5 varijanti. Koliko različitih
varijanti sklopova se može montirati iz tih dijelova?
Prvi dio izrađuje se u 4 varijante, te se poistovjećuje s komponentom a 1 koja se može izraditi na
p1  4 različita načina. Slično tome, drugi dio izrađuje se u 7 varijanti, te komponenta a 2 može biti na p 2  7
načina, a treći dio a 3 bira se na p 3  5 načina. Dakle, skup T  A1  A2  A3 je skup uređenih trojki  a1 , a 2 , a 3 
koje poprimaju vrijednosti, odnosno koje se biraju na 4, 7, i 5 načina, te se, prema (1.1), od njih može montirati
sklop na p  p1  p 2  p 3  4  7  5  140 načina.

Primjer 2.
Ako se u nekom pogonu kojeg opslužuje određena grupa radnika želi izabrati poslovođa i njegov zamjenik,
pri čemu je poznato da 6 radnika posjeduje kvalifikaciju za poslovođu, a nakon njegovog izbora preostaje 7
radnika kvalificiranih za zamjenika, potrebno je ustanoviti na koliko načina se ovakav izbor može napraviti?
Radnici kvalificirani za poslovođu predstavljaju skup A1 s elementima a1 kojih ima p1  6 . Preostali
radnici kvalificirani za zamjenika članovi su skupa A2 i poistovjećujemo ih s elementima a2 kojih je p2  7 .
Dakle, skup T  A1  A2 uređenih parova  a1 , a2  ima p  p1  p2  6  7  42 elemenata, tj. poslovođa i zamjenik
poslovođe mogu se birati na 42 različita načina.
Primjer 3.
Na koliko načina se od 5 radnika može izabrati grupa od troje ljudi, a iz koje bi jedan od radnika radio u
prvoj, drugi u drugoj, a treći u trećoj smjeni? Isti radnik ne smije raditi više od jedne smjene.
Skup A  a1 , a 2 , a 3 , a 4 , a 5  čini n  5 različitih radnika a1 , a 2 , a 3 , a 4 , a 5 od kojih treba formirati grupu
veličine r  3 , iz koje će svaki radnik dobiti svoju smjenu. Broj elemenata a , a
i j , ak  skupa svih mogućih
uređenih trojki T   a , a
i j , a k  : i , j , k  1, 2, ..., 5; i  j  k  je broj varijacija bez ponavljanja koji prema (1.11)
iznosi
V 3  5   5  4  3  60 . (a)
Drugim riječima, u prvu smjenu može se izabrati jedan od 5 radnika, u drugu jedan od preostalih 4, a u treću
jedan od preostala 3, što zbog teorema o uzastopnom prebrojavanju daje (a).
Primjer 4.
Na koliko načina se od 5 radnika može napraviti raspored takav da u svakoj od 3 smjene uvijek bude
jedan radnik? Isti radnik može biti u jednoj ili u više smjena.

Skup A  a1 , a2 , a3 , a4 , a5  čini n  5 različitih radnika a1 , a2 , a3 , a4 , a5 od kojih treba formirati grupu

veličine r  3 , iz koje svaki radnik može biti u svakoj smjeni. Broj elemenata  ai , a j , ak  skupa svih mogućih
uređenih trojki T   a , a , a  : i, j, k  1, 2,..., 5; i  j  k je broj varijacija s ponavljanjem koji iznosi
i j k

V3  5   53  125 . (a)

Drugim riječima, u prvu smjenu može se izabrati jedan od 5 radnika, a u drugu i treću smjenu opet jedan od istih
5, tako da iz teorema o uzastopnom prebrojavanju proizlazi (a).

Primjer 5.
Na koliko načina se od 5 radnika može formirati grupa u kojoj zbog prirode posla u isto vrijeme
trebaju raditi 3 čovjeka?
Skup A  a1 , a2 , a3 , a4 , a5  čini n  5 različitih radnika a1 , a2 , a3 , a4 , a5 od kojih treba formirati grupu
veličine r  3. Broj tih grupa, tj. skupova a , a , a 
i j k skupa svih mogućih skupova
T  a , a , a  : i, j, k  1, 2,..., 5; i  j  k 
i j k
(koji nisu uređeni jer njihov poredak nije bitan) je broj kombinacija
3. razreda bez ponavljanja od 5 elemenata koji iznosi
 5
K 3  5    , (a)
 3
odnosno,
5! 1 2  3  4  5
K3  5    10 . (b)
 5  3!3! 1  2 1 2  3
Primjer 6.
U nekom dijelu skladišta pohranjuje se 3 različite vrste robe. Na koliko načina se može odabrati roba za
skladištenje ako u taj dio skladišta treba pohraniti točno 5 komada?
Skup A  a1 , a 2 , a3  sadrži n  3 različite vrste robe a1 , a2 , a3 , od kojih treba formirati grupu veličine
r  5. Broj skupova a , a , a , a , a 
i j k l m iz skupa svih mogućih skupova
T  a , a , a , a , a  : i, j , k , l , m  1, 2, 3; i  j  k  l  m
i j k l m (koji nisu uređeni jer njihov poredak nije
bitan) je broj kombinacija 5. razreda s ponavljanjem od 3 elementa koji iznosi
 3  5  1  7  7!
K 5  3       21 .
 5   5  2!5!

Primjer 7.
U nekom pogonu potrebno je u jednom redu postaviti 4 različita stroja. Na koliko je načina to
moguće učiniti?
Ako strojeve označimo sa a1 , a2 , a3 , a4 , tada je iz skupa međusobno različitih strojeva
A  a1 , a2 , a3 , a4  moguće formirati njihove uređene četvorke a , a , a , a  .
i j k l Brojnost skupa
T   a , a , a , a  : i, j, k , l  1, 2, 3, 4; i  j  k  l , a
i j k l 1  a2  a3  a4 svih mogućih četvorki je broj permutacija
bez ponavljanja koji je jednak
P  4   4!  24 . (a)
To znači da se prvi stroj može postaviti na 4 različita mjesta, drugi stroj na preostala 3, treći na 2 i četvrti na
preostalo 1 mjesto, iz čega prema teoremu o uzastopnom prebrojavanju slijedi (a).
Primjer 8.
U nekom pogonu potrebno je u jednom redu postaviti 10 strojeva, od kojih su njih 2, 3 i 5 međusobno
identični. Na koliko je načina to moguće učiniti?
n  n1  n2  ...  nk  2  3  5 10

Ako strojeve označimo sa a1 , a2 , a3 , a4 , a5 , a6 , a7 , a8 , a9 , a10  a1, a1 , a2 , a2 , a2 , a3 , a3 , a3 , a3 , a3 , tada je iz
    
n1  2 n2  3 n3  5

skupa strojeva A  a1 , a1 , a 2 , a 2 , a 2 , a3 , a3 , a3 , a3 , a3  moguće formirati njihove uređene desetorke
a , a , a
i j k , al , a m , a n , a o , a p , a q , a r  . Brojnost skupa T   a , a , a , a , a
i j k l m , a n , a o , a p , a q , a r  : i , j , k , l , m , n, o ,
p , q, r  1, 2, 3, 4, 5, 6, 7,8, 9,10; i  j  k  l  m  n  o  p  q  r svih mogućih desetorki je broj permutacija od
10 članova s ponavljanjem 2, 3 i 5 članova što iznosi
10!
P2,3,5 10    2520 .
2! 3! 5!
Primjer 9.
Nakon bacanja kocka se može zaustaviti na brojevima 1, 2, 3, 4, 5 ili 6. Koja je vjerojatnost da se
kocka zaustavi na parnom broju ili na broju koji je veći od 3?
Povoljan događaj je da se od 6 brojeva kocka zaustavi na parnom broju ili na broju koji je veći od 3, te
je skup povoljnih događaja A  2, 4, 5, 6 . Očito je broj elemenata skupa A jednak
k  A  4 . (a)
Skup elementarnih događaja  je skup svih brojeva na kojima se može zaustaviti kocka, tj.   1, 2, 3, 4,5, 6
i njegov kardinalni broj iznosi
k    6 . (b)

Vjerojatnost da se kocka zaustavi na parnom broju ili na broju koji je veći od 3 prema izrazu (2.10)
jednaka je kvocijentu kardinalnih brojeva (a) i (b) i iznosi
4
P  A    0, 667 , (c)
6
ili 66, 7% .
Primjer 10.
Poznato je da se u nekoj kutiji nalazi ukupno 50 proizvoda od kojih su 4 neispravna. Kolika je vjerojatnost
da se, pri slučajnom uzimanju 5 proizvoda iz kutije, nađu 3 neispravna?
Povoljan događaj A je da se od 50 proizvoda među 5 slučajno odabranih nađu 2 ispravna i 3
neispravna proizvoda. Broj elementarnih događaja koji čine događaj A jednak je broju načina na koje je moguće
odabrati 2 ispravna i 3 neispravna proizvoda. To je, prema teoremu o uzastopnom prebrojavanju, jednako
umnošku broja načina na koje je moguće odabrati 2 ispravna od 46 ispravnih proizvoda i broja načina na koje je
moguće odabrati 3 neispravna od 4 neispravna proizvoda. Broj načina na koje je moguće odabrati 2 ispravna od
46 ispravnih proizvoda odgovara broju kombinacija 2. razreda bez ponavljanja iz skupa od 46 elemenata što
iznosi
 46  46! 46  45
K 2  46        1035 . (a)
 2   46  2 !2! 1 2
Broj načina na koje je moguće odabrati 3 neispravna od 4 neispravna proizvoda odgovara broju kombinacija 3.
razreda bez ponavljanja iz skupa od 4 elementa što je jednako
 4 4! 1 2  3  4
K3  4       4. (b)
 3   4  3!3! 1  2  3
Ukupan broj elemenata skupa povoljnih događaja A jednak je umnošku
k  A   K 2  46  K 3  4   1035  4  4140 . (c)

Skup elementarnih događaja  čine svi podskupovi od 5 proizvoda skupa od 50 proizvoda. To

odgovara broju kombinacija 5. razreda bez ponavljanja skupa od 50 elemenata kojih ukupno ima
 50  50! 50  49  48  47  46
K 5  50        2118760 , (d)
 5   50  5 !5! 1 2  3  4  5
te ukupan broj elementarnih događaja iznosi
k     K 5  50   2118760 . (e)

Vjerojatnost da se, pri slučajnom uzimanju 5 proizvoda iz kutije, nađu 3 neispravna jednaka je
kvocijentu broja članova skupa povoljnih elementarnih događaja (c) i skupa svih elementarnih događaja (e), tj.
4140
P  A   0, 002 , (f)
2118760
što znači da će se događaj A ostvariti u 0, 2% slučajeva.
Primjer 11.
Dva radnika svaki na svom stroju proizvode istu seriju proizvoda. Nakon svakog završenog proizvoda
radnici ga ubacuju u zajedničku kutiju. Prvi radnik proizveo je 8 ispravnih i 2 neispravna proizvoda, a
drugi radnik 5 ispravnih i 1 neispravan proizvod. Kontrolor iz kutije izvlači jedan proizvod. Kolika je
vjerojatnost izvlačenja proizvoda kojega je proizveo prvi radnik? Kolika je vjerojatnost da je izvučen
proizvod prvog radnika ako je poznato da je izvučen neispravan proizvod?
BROJNOST SKUPOVA A, B, I, N
I N IUN
A 8 2 10
B 5 1 6
AUB 13 3 16

Vjerojatnost izvlačenja proizvoda kojega je proizveo prvi radnik jednaka je

k  A 10
P  A    0,625 , (a)
k    16
dok vjerojatnost događaja izvlačenja neispravnog proizvoda iznosi
k N 3
P N     0,188 , (b)
k    16
te presjeka događaja izvlačenja proizvoda prvog radnika koji je neispravan
k  A N  1
P A N     0,125 . (c)
k   8
Napokon, vjerojatnost izvlačenja proizvoda radnika A nakon što je poznato da je izvučen neispravan proizvod N
iznosi
P A N  2
P A/ N     0,667 . (d)
PN  3
Primjer 12.
U nekom pogonu proizvodi se proizvod u 4 klase kvalitete. Udjeli pojedinih klasa u proizvodnji su: 1.
klasa 38%, 2. klasa 26%, 3. klasa 15% i 4. klasa 21%. Klase imaju različite vjerojatnosti pojave kvara u
eksploatacijskom periodu od jedne godine koje iznose: 1. klasa 1%, 2. klasa 2%, 3. klasa 4% i 4. klasa
7%. Potrebno je izračunati vjerojatnost pojave kvara nasumce odabranog proizvoda u eksploatacijskom
periodu od jedne godine?

Događaje izvlačenja proizvoda 1., 2., 3. i 4. klase označimo s H1 , H 2 , H 3 i H 4 . Budući da H 1 , H 2 ,

H 3 i H 4 oni predstavljaju hipoteze koje čine potpun sustav događaja. Njihove vjerojatnosti su zadane i iznose:
P  H 1   0, 38 ; P  H 2   0, 26 ; P  H 3   0,15 ; P  H 4   0, 21 . (a)

Događaj pojave kvara u periodu od jedne godine označimo sa A . Vjerojatnost događaja A bit će
jednaka 1% ako se nasumce odabere proizvod koji odgovara 1. klasi, tj. ako je nastupio događaj H 1 . Na isti
način, vjerojatnost događaja A bit će jednaka 2%, 4% ili 7% ovisno o tome koji je od događaja H 2 , H 3 ili H 4
nastupio. Sada se može pisati da vjerojatnosti nastupa događaja A uvjetovane vjerojatnošću nastupa događaja
H1 , H 2 , H 3 i H 4 iznose:
P  A / H 1   0, 01 ; P  A / H 2   0, 02 ; P  A / H 3   0, 04 ; P  A / H 4   0, 07 . (b)

Korištenjem teorema totalne vjerojatnosti (2.46) dobiva se

P  A  P  H1  P  A / H1   P  H 2  P  A / H 2   P  H 3  P  A / H 3   P  H 4  P  A / H 4  
 0,38  0, 01  0, 26  0, 02  0,15  0, 04  0, 21 0, 07  0, 03 . (c)
Dakle, vjerojatnost nastupa događaja A , ovisno o vjerojatnostima nastupa događaja H 1 , H 2 , H 3 i H 4 , tj.
događaja pojave kvara u eksploatacijskom periodu od jedne godine nasumce odabranog proizvoda koji se može
pojaviti u četiri različite klase, iznosi 3%.
Primjer 13.
Dugotrajnim praćenjem zaključeno jest da neki pogon proizvodi proizvode pri čemu njih 6% ne zadovoljava
standardom propisane tehničke uvjete. Da bi se poboljšala proizvodnja, uvedena je gruba kontrola
proizvoda koja proglašava proizvod dobrim ako je on zaista dobar s vjerojatnošću 0,97 i dobrim ako je on
zaista loš s vjerojatnošću 0,04. Kolika je vjerojatnost da je proizvod zaista dobar ako ga je kontrola
proglasila dobrim?
Ako označimo događaj proizvod je dobar sa A , proizvod je loš s B i kontrola proglašava proizvod
dobrim s C , tada tražimo vjerojatnost P  A / C   ? Vjerojatnosti događaja A i B su zadane i iznose
P  A   0, 94 , P  B   0, 06 . (a)
Također, zadane su uvjetne vjerojatnosti događaja da kontrola proglašava proizvod dobrim ako je on stvarno
dobar, te događaj proglašavanja proizvoda dobrim ako je on loš:
P  C / A   0, 97 , P  C / B   0, 04 . (b)
Traži se vjerojatnost da proizvod kojega je kontrola proglasila dobrim bude dobar P  A / C  koja se može
izračunati primjenom Bayesovog izraza (2.50) u obliku
P  A P  C / A
P A/ C  , (c)
P C 
pri čemu nedostaje vjerojatnost događaja da kontrola proglašava proizvod dobrim P  C  . Ona se može
izračunati primjenom teorema totalne vjerojatnosti jer vrijedi da su A i B hipoteze budući da zadovoljavaju
uvjete (2.44) i (2.45), tj. A  B   i A  B   . Sada je
P  C   P  A  P  C / A   P  B  P  C / B   0, 94  0, 97  0, 06  0, 04  0, 914 , (d)
Uvrštavanjem dobivenog rezultata u Bayesovu formulu (c) dobiva se rješenje koje je jednako
0,94  0,97
P A/C   0,834 , (e)
0,914
te se može izjaviti da vjerojatnost da proizvod, kojega kontrola proglasi dobrim, zaista bude dobar iznosi 83, 4%
.
Primjer 14.
Na travnatoj površini omeđenoj asfaltiranim površinama i duljine 20 m potrebno je u liniji zasaditi dvije sadnice određenog
drveta. Kolika je vjerojatnost da će nasumičnim odabirom mjesta sadnice biti posađene minimalno 1 m od asfaltirane
površine te također s minimalno 1 m međusobnog razmaka? (Napomena: promatrati samo jednu dimenziju te zanemariti
debljinu sadnice).

Rješenje:

P ( A) 17 2
P   0, 7225
P (ukupno ) 20 2
Primjer 15.
Pouzdanost elemenata elektroničkih sklopova prikazanih na skicama je jednaka i međusobno nezavisna te iznosi Pi=0,95
(i=1, 2,...5). Potrebno je odrediti vjerojatnost ispravnog rada elektroničkih sklopova za skicirane slučajeve.

Rješenje:
a) P =P (1-Q
5 Q
I )=P
II [1-(1-P
5 P 1)(1-P
3 P )]=0,940969
2 3

b) Bayes- ukoliko element 3 ne radi:

sklopa

P(sklopA/3 ne radi)=1-(1-P 1P 4)(1- P 2P 4)=0,990494

Ukoliko element 3 radi:

P(sklopB/3 radi)=(1- Q 1Q 2)(1- Q 4Q 5)=0,995006

Puk=P(3ne radi)P(sklopA/3ne radi)+P(3radi)P(sklopB/3radi)=0,99478