(BIO)STATISTIKA. seminari. smjer: Prehrambena tehnologija i Biotehnologija. pripremila: dr.sc. Iva Franjić

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "(BIO)STATISTIKA. seminari. smjer: Prehrambena tehnologija i Biotehnologija. pripremila: dr.sc. Iva Franjić"

Transcript

1 (BIO)STATISTIKA seminari smjer: Prehrambena tehnologija i Biotehnologija pripremila: dr.sc. Iva Franjić

2 Sadržaj DESKRIPTIVNA STATISTIKA 4. Grafički prikaz podataka Srednje vrijednosti uzorka Aritmetička sredina uzorka Medijan uzorka Uzorački mod Mjere disperzije ili varijabiliteta Raspon uzorka Interkvartil Uzoračka varijanca i uzoračka standardna devijacija Mjere lokacije Mjere oblika Linearna regresija Slučajni uzorak i osnovne razdiobe. Slučajni uzorak Osnovne razdiobe Diskretne slučajne varijable Binomna razdioba Hipergeometrijska razdioba Poissonova razdioba Aproksimacija binomne razdiobe Poissonovom Uvjetna vjerojatnost. Nezavisni dogadaji Bayesova formula Neprekidne slučajne varijable Normalna razdioba Aproksimacija binomne razdiobe normalnom Eksponencijalna razdioba

3 3 Procjena parametara Pouzdani intervali za očekivanje normalne populacije Varijanca poznata Varijanca nepoznata Pouzdani intervali za očekivanje populacije na osnovi velikih uzoraka Pouzdan interval za parametar p binomne razdiobe Testiranje statističkih hipoteza Test o očekivanju normalno distribuirane populacije Varijanca poznata Varijanca nepoznata Testovi o očekivanju na osnovi velikih uzoraka Test o proporciji Usporedba očekivanja dviju normalno distribuiranih populacija (t-test) Usporedba proporcija Usporedba varijanci dviju normalno distribuiranih populacija (F-test) χ - test o prilagodbi modela podacima χ - test nezavisnosti dviju varijabli χ - test homogenosti populacija Usporedba očekivanja više normalno distribuiranih populacija (jednofaktorska analiza varijance ANOVA) Test koreliranosti dviju varijabli Linearni regresijski model 07 3

4 DESKRIPTIVNA STATISTIKA Prilikom opažanja ili eksperimentiranja, pažnja istraživača redovito je usmjerena na jednu ili više veličina. Ako se promatra samo jedna veličina, označimo ju s X, onda je rezultat jednog mjerenja jedan realan broj x. Višestrukim ponavljanjem mjerenja veličine X dobiva se konačni niz brojeva x, x,..., x n kao rezultat n ponovljenih mjerenja koji nazivamo realizacija od X. Veličina X obično se naziva statističko obilježje, a dobiveni niz brojeva x, x,..., x n statistički podaci o promatranom statističkom obilježju X.. Grafički prikaz podataka Primjer Neka X označava broj dobiven bacanjem igrače kocke. Kocku smo bacali 0 puta i dobiveni su sljedeći podaci:, 3,, 6,, 6, 4, 6, 3, 3, 4, 3,, 4, 4,, 4, 5, 3, 5. statističko obilježje X = broj na kocki ImX = {,, 3, 4, 5, 6} skup svih vrijednosti koje X može poprimiti u našem primjeru, ImX je diskretan, tj. konačan skup, pa kažemo da je X diskretno obilježje obilježje može biti numeričko ili nenumeričko nenumeričko obilježje nazivamo i kategorija; npr. spol, boja i slično; možemo mu pridijeliti neku numeričku vrijednost, ali tada nema smisla računati npr. aritmetičku sredinu podataka! svakom elementu a i ImX možemo pridružiti broj f i frekvencija (učestalost) pojavljivanja elementa a i u nizu podataka broj f ri = f i n : relativna frekvencija od a i (n je broj ponavljanja pokusa, u ovom primjeru n = 0) Prikažimo podatke u TABLICI FREKVENCIJA 4

5 a i f i f ri Σ 0.00 GRAFIČKI PRIKAZ PODATAKA POMOĆU STUPČASTOG DIJA- GRAMA (BAR - CHART) Stupčasti dijagram može se crtati i tako da ukupna površina stupića bude jednaka, što je bolje zbog usporedbe, npr. za različite n:

6 Primjer U uzorku od 44 ribe ulovljene u Bračkom kanalu, bilo je 36 lokardi, zubataca i 96 srdela. vrsta ribe frekvencija relativna frekvencija lokarde = % zubaci = % srdele = % Σ % HORIZONTALNI STUPČASTI DIJAGRAM lokarde 0.5 zubaci srdele STRUKTURNI KRUG (PIE CHART) -ako imamo relativno malo različitih vrijednosti koje statističko obilježje može poprimiti 67 % srdele 8 % zubaci 5 % lokarde 6

7 Primjer 3 Nacrtajmo histogram za podatke iz Primjera. svaka susjedna stupića se dodiruju i svaki ima težište u vrijednosti visina f i ili f ri površina svakog stupića jednaka je relativnoj frekvenciji pa je površina ispod cijelog grafa jednaka je nema smisla za nenumeričke vrijednosti Primjer 4 Mjerena je visina (u metrima) 30 0-ogodišnjaka. Dobiveni su podaci:.85,.88,.78,.7,.80,.7,.75,.7,.79,.8,.69,.76,.60,.78,.76,.74,.70,.86,.7,.75,.69,.79,.83,.79,.65,.76,.59,.68,.74,.86. statističko obilježje X = visina neprekidno statističko obilježje (poprima vrijednosti iz nekog intervala) podatke najprije moramo svrstati u razrede:. odredimo x min i x max : x min =.59, x max =.88. izaberemo adekvatan broj razreda (okvirno: n) k = 6 3. odredimo zajedničku širinu razreda: c = x max x min k = (uvijek zaokružujemo na više!) = c=0.05 7

8 4. odredimo razrede (tj. lijevi prag razreda): I,..., I k pritom I I... I k mora obuhvaćati sve podatke I i = [a i,, a i, ], a i, = a i+, I i+ = [a i+,, a i+, ] RAZREDI f i f ri = f i /n f ri /c I = [.585,.635] I = [.635,.685] I 3 = [.685,.735] I 4 = [.735,.785] I 5 = [.785,.835] I 6 = [.835,.885] Σ 30 0 Nacrtajmo histogram za ove podatke. (sada je jednaka širini razreda, tj. Širina stupića više nije proizvoljna c=0.05), pa da bi suma površina svih pravokutnika (odnosno površina ispod grafa) bila jednaka, na ordinatu ucrtavamo fr i c a ne f ri. Naime, 0 c = =

9 STEM AND LEAF DIJAGRAM stem leaf stem leaf Srednje vrijednosti uzorka.. Aritmetička sredina uzorka Aritmetička sredina uzorka je broj x := n (x + x x n ). Ako je ImX = {a, a,..., a k } i pritom se a i u uzroku ponavlja f i puta, tada x = n k f i a i, n = k f i. - ima smisla samo za numeričke podatke Primjer 5 Izračunajte x za podatke iz Primjera 4. Rješenje: x = ( ) =

10 .. Medijan uzorka uredimo podatke (sortiramo ih po veličini): x () x ()... x (n) ima smisla samo za numeričke podatke Medijan uzorka je broj za koji vrijedi da je 50% svih podataka manje od ili jednako njemu i 50% svih podataka veće od ili jednako njemu. Ako je broj podataka neparan, tj n = k, k N, tada je m = x (k). Za paran n (n = k), vrijedi Općenito, m = x ( n+ ). Vrijedi m = x (k) + x (k+). x ( p q ) = x (k+ r q ) x ( p q ) := x (k) + r q ( x(k+) x (k) ) Primjer 6 Nadite medijan uzorka za podatke iz Primjera. Rješenje: Sortiramo podatke po veličini: n = 0 = 0 m = x (0) + x () = = Uzorački mod Mod je ona vrijednost statističkog obilježja koja se u uzorku javlja s najvećom frekvencijom. koristan kod statističkih obilježja koja nisu numerička, pa nema aritmetičke sredine 0

11 BIMODALNI UZORAK: uzorak u kojem postoje vrijednosti s jednakom frekvencijom UNIMODALNI UZORAK: uzorak u kojem postoji samo jedan mod Ako svi podaci imaju istu frekvenciju pojavljivanja u uzorku, tada uzorak nema mod. Primjer 7 Nadite mod za podatke iz Primjera i 4. Rješenje: u Primjeru : mod = 3 & mod=4 bimodalan uzorak u Primjeru 4: mod =.7.3 Mjere disperzije ili varijabiliteta.3. Raspon uzorka Neka je x () x ()... x (n) uredeni niz podataka. Broj naziva se raspon uzorka. d = x (n) x () Primjer 8 Odredite raspon uzorka iz Primjera 4. Rješenje: d = = 0.9

12 .3. Interkvartil Donji kvartil q L je ona vrijednost uzroka za koju vrijedi da je 5% svih podataka manje ili jednako od nje i 75% svih podataka veće ili jednako od nje. q L = x ( n+ 4 ) Gornji kvartil q U je ona vrijednost uzroka za koju vrijedi da je 75% svih podataka manje ili jednako od nje i 5% svih podataka veće ili jednako od nje. Interkvartil: d q = q U q L q U = x ( 3(n+) 4 ) Primjer 9 Odredite interkvartil za podatke iz Primjera 4. Rješenje: q L = x ( n+ 4 ) = x ( 30+ ) = x ( ) = x (7) + 3 ( ) x(8) x (7) 4 = (.7.70) = q U = x = x 3(n+) ( ) ( ) = x (3+ 4 ) = x (3) + ( ) x(4) x (3) 4 =.79 + (.80.79) = d q = q U q L =.79.7 = 0.07 Uredenu petorku (x (), q L, m, q U, x (n) ) zovemo karakteristična petorka uzorka. Pomoću nje crtamo tzv. box and whisker dijagram, odnosno dijagram pravokutnika. Primjer 0 Nacrtajte box and whisker dijagram za podatke iz Primjera 4. x () =.59, q L =.7, m =.75, q U =.79, x (30) =.88, d q = 0.07

13 Zadatak U tablici su dane težine 00 studenata PBF-a. Nacrtajte histogram, nadite aritmetičku sredinu, medijan te interkvartil ovog uzorka. težina (kg) broj studenata sredina razreda f ri f ri /c Σ Rješenje:

14 Aritmetička sredina: x = ( ) = Medijan: U prva razreda upada 5+8=3 podataka, a u prva 3 razreda 5+8+4=65 podataka, što znači da se medijan nalazi negdje unutar 3.razreda, tj m Medijan dobivamo interpolacijom: m = ( ) = = Vrijednost medijana može se očitati i sa histograma - medijan je apscisa koja odgovara liniji koja dijeli histogram na dijela jednake površine. Interkvartil: Najprije moramo odrediti donji i gornji kvartil. Postupak je sličan kao kod odredivanja medijana - donji kvartil nalazi se negdje unutar 3.razreda tj q L 68.5, dok se gornji kvartil nalazi unutar 4.razreda (budući prva 3 razreda sadrže 65, a prva 4: =9 podatka), tj q U 7.5. Imamo: q L = ( ) = = q U = ( ) = = 69.6 d q = q U q L = = Definirajmo još i koeficijent kvartilne varijacije: v q = d q q L + q U -koristan kada varijabilitet želimo izraziti pomoću RELATIVNE veličine (neovisne o mjernim jedinicama).3.3 Uzoračka varijanca i uzoračka standardna devijacija Uzoračka varijanca: s = n n (x i x) 4

15 Uzoračka standardna devijacija: Vrijedi: s = + s s = = = n n n n (x i x) = n (x i x i x + x ) n ( n ) n n x i x x i + x ( n ) x i n x ( n ) = x i n x + n x n Ovaj oblik formule je puno praktičniji za računanje. Ako se u uzroku x, x,..., x n vrijednosti a, a,..., a k pojavljuju s frekvencijom f, f,..., f k, onda vrijedi: s = n k (a i x) f i = n ( k ) f i a i n x Primjer Izračunajte uzoračku varijancu s i uzoračku standardnu devijaciju s za podatke iz Primjera 4. Rješenje: s = n ( k ) f i a i n x = [ ( ) ] s = + s = Mjere lokacije Medijan, te gornji i donji kvartil spadaju u mjere lokacije. Tu su još i: 5

16 DECILI: k-ti uzorački decil je broj D k = x ( k(n+) 0 ), k =,,..., 9 (k/0 podataka je manje ili jednako njemu) PERCENTILI: k-ti uzorački percentil je broj P k = x ( k(n+) 00 ), k =,,..., 99 (k% podataka je manje ili jednako njemu) decili su specijalni slučaj percentila: D = P 0, D = P 0,..., D 9 = P 90 Zadatak Izmjeren je kapacitet na 485 istovrsnih kondenzatora. Rezultati mjerenja su dani sljedećom tablicom frekvencija (podaci su u µf zaokruženi na dvije decimale) i razred f i ā i d i f i d i f i d i f ri F i Σ

17 () Nacrtajte histogram. (DZ) () Kako bi procijenili aritmetičku sredinu i varijancu uzroka? (3) Kako bi procijenili medijan te gornji i donji kvartil? Rješenje: 4 n = f i = f f 4 = 485 Budući je n = 485 vrlo velik broj, n u formuli za s približno je jednak n. Dovoljno je, dakle, uzeti: s = k f i (ā i x) gdje je x = n n Nadalje, širina razreda je c = Definirajmo: k f i ā i d i := āi ā 0 c ā i = ā 0 + c d i, gdje je ā 0 referentna vrijednost aritmetičkog niza ā,..., ā k. Za ā 0 se obično uzima vrijednost s najvećom frekvencijom. Dakle, ā 0 je mod (ili jedan od). U ovom zadatku ā 0 = Imamo: ( x = k f i ā i = k f i (ā 0 + c d i ) = n n n = ā 0 + c d, gdje je d = n s = n = n k f i (ā i x) = n k k f i d i, ā 0 k f i + c ) k f i d i k f i (ā 0 + c d i ā 0 c d) f i (c(d i d)) = c n Iz podataka dobivamo da je d = k f i (d i d) =... = c [ n = x = = 9.93 µf ) = 0.0 s = 0. µf ( s = ] k f i d i d

18 Kod odredivanja medijana, te donjeg i gornjeg kvartila pomoći će nam graf kumulativnih relativnih frekvencija koji je prikazan na donjoj slici Za kumulativne relativne frekvencije F j vrijedi: F j = j f ri, j =,..., k Medijan m je x-koordinata točke (m, 0.5) na grafu kumulativnih relativnih frekvencija. Ta točka leži na pravcu odredenom točkama (a 7, F 7 ) = (9.95, 0.48) i (a 8, F 8 ) = (9.975, 0.653) pa medijan možemo izračunati linearnom interpolacijom: F 7 = F 8 F 7 (m a 7 ) a 8 a = (m 9.95) m = 9.93 µf 0.05 Slično se mogu izračunati donji q L i gornji kvartil q U. Njima su na grafu pridružene, redom, točke (q L, 0.5) i (q U, 0.75): 4 F 5 = F 6 F 5 a 6 a 5 (q L a 5 ) q L = 9.86 µf 8

19 3 4 F 8 = F 9 F 8 a 9 a 8 (q U a 8 ) q U = 0.0 µf.5 Mjere oblika Slično kao što se definira uzoračka varijanca, može se definirati uzorački k-ti centralni moment, k N: Specijalno, µ = n µ = s µ 3 = n n µ k = n (x i x) = n n (x i x) 3 n (x i x) k n x i n= n x n = n x n n x n = 0 Primjer Promatrajmo uzorak:,, 4, 5. Srednja vrijednost tog uzorka je x = ( ) = 3. 4 S druge strane, 3.centalni moment tog uzorka je µ 3 = ( ( 3) 3 + ( 3) 3 + (4 3) 3 + (5 3) 3) = 0 3 Odavde možemo zaključiti da kada je uzorak simetričan s obzirom na aritmetičku sredinu, 3.centalni moment µ 3 = 0. Koeficijent asimetrije uzorka (skewness) definiran je s: Vrijedi: α 3 = µ 3 s 3 = n n ( ) 3 xi x = s n k ( ai x f i s ) 3 (i) α 3 = 0 uzorak je SIMETRIČAN (ii) α 3 > 0 uzorak je POZITIVNO ASIMETRIČAN (iii) α 3 < 0 uzorak je NEGATIVNO ASIMETRIČAN 9

20 .6 Linearna regresija Imamo n parova podataka (x i, y i ), i =,..., n. Želimo odrediti vezu izmedu nezavisne varijable x (nju možemo kontrolirati) i zavisne varijable y. Pretpostavimo da je veza linearna, tj. da je graf pripadajuće funkcije pravac y = αx + β. Procjenitelji su: pri čemu: Želimo odrediti procjenitelj za taj pravac oblika s x = n s y = n s xy = n y = ˆαx + ˆβ ˆα = s xy, ˆβ = ȳ ˆα x, s x ( n n ) (x i x) = x i n x n ( n n ) (y i ȳ) = yi nȳ n ( n n ) (x i x)(y i ȳ) = x i y i n xȳ n Zadatak 3 U tablici su dani podaci o broju emitiranih reklama tijekom mjesec dana za neki proizvod i ostvarenoj zaradi na tom proizvodu. pravac regresije za ove podatke. broj reklama promet (u tisućama kuna) Rješenje: n = 8 x = 8 ȳ = x i = ( ) = 5 8 y i = ( ) = x i = = Procijenite

21 ( n ) s x = x i n x = ( ) = n 7 8 x i y i = = 5838 s xy = n ( n ) x i y i n xȳ = ( ) = = ˆα = s xy = s x = = ˆβ = ȳ ˆα x = =.346 = y = x (PEARSONOV) KOEFICIJENT KORELACIJE r = n n ( xi x. r = 0 nema korelacije s x ) yi ȳ = s xy, r s y s x s y. r > 0 pozitivna korelacija (ako x raste, i y u pravilu raste) 3. r < 0 negativna korelacija (ako x raste, y u pravilu pada) Primjer 3 Nadite koeficijent korelacije za podatke iz Zadatka 3. Rješenje: s xy = s x = s x = ( n ) s y = yi nȳ = ( ) = s y = 3.99 n 7 = r = s xy s x s y = što je razmjerno visoka korelacija =

22 Slučajni uzorak i osnovne razdiobe. Slučajni uzorak Neka je X statističko obilježje koje izučavamo. Cilj statističke analize je da se na osnovi uzorka iz populacije izvedu odredeni zaključci o distribuciji obilježja X. Recimo da želimo raditi ispitivanje o zečevima (npr.duljini njihovih ušiju) u nekoj šumi. Populacija iz koje izabiremo uzorak su svi zečevi koji žive u toj šumi. Uzorak zečeva biramo na slučajan način. Dvije su različite mogućnosti da to učinimo: nakon što ulovimo zeca i izmjerimo mu dužinu ušiju, možemo ga pustiti i tako omogućiti da ga još (bar) jednom ulovimo te da on ude u uzorak (bar) dva puta. Druga mogućnost je da ga zadržimo dok ne izaberemo cijeli uzorak kako taj isti zec ne bi ušao u uzorak više od jednog puta. Slučajni uzorak kojeg uzimamo tako da svaki član populacije može ući u uzorak više od jednog puta zovemo jednostavni slučajni uzorak s ponavljanjem (slučaj kada zečeve puštamo natrag u šumu), a ukoliko svaki član populacije može ući u uzorak točno jednom tada se radi o jednostavnom slučajnom uzorku bez ponavljanja (slučaj kada zečeve ne puštamo prije nego izaberemo ostatak uzorka). Bitna razlika izmedu ove dvije vrste biranja uzroka je u tome što je u jednom slučaju populacija konačna a u drugom beskonačna. Naime, ako uzimamo uzorak s vraćanjem, tada možemo uzeti uzorak proizvoljne veličine, veće čak i od ukupnog broja članova same populacije. To je dakako u slučaju uzimanja uzorka bez vraćanja, nemoguće. S druge strane, često se promatraju konačne populacije koje su dovoljno velike da ih s aspekta statističke analize možemo smatrati beskonačnim. ZADAVANJE I RAČUNANJE VJEROJATNOSTI Primjer 4 Bacamo simetričnu kocku. paran broj? Kolika je vjerojatnost da je pao

23 Rješenje: Označimo s Ω skup svih elementarnih dogadaja, tj. skup svih mogućih ishoda pokusa kojeg radimo. Ω je kardinalni broj skupa Ω (ukupan broj njegovih članova). Tada je: Ω = {,, 3, 4, 5, 6}, Ω = 6 Označimo s A dogadaj čiju vjerojatnost računamo. Prebrojimo koliko elementarnih dogadaja je povoljno za dogadaj A. Dakle, zanimaju nas oni elementarni dogadaju, tj. ishodi, koji kad se dogode dogodi se i A. Imamo: A = {na kocki je pao paran broj} = {, 4, 6}, A = 3 Vjerojatnost dogadaja A računamo kao kvocijent odgovarajućih kardinalnih brojeva: P (A) = A Ω = 3 6 = Primjer 5 Bacamo simetrične kocke. Kolika je vjerojatnost da zbroj na te kocke bude jednak 7? Rješenje: Primjer se rješava slično kao prethodni - potrebno je odrediti i prebrojati skup Ω, te vidjeti koliko od njegovih elemenata je povoljno za dogadaj A (koji je u ovom slučaju dogadaj da je zbroj na kocke jednak 7). Ω = {(, ), (, ), (, 3), (, 4), (, 5), (, 6), (, ), (, ), (, 3),..., (6, 6)} = {(i, j) : i, j 6}, Ω = 6 6 = 36 A = {zbroj na kocke je jednak 7} = {(, 6), (, 5), (3, 4), (4, 3), (5, ), (6, )}, A = 6 = P (A) = A Ω = 6 36 = 6 Laplaceov model vjerojatnosti: Neka je Ω = {ω,..., ω m }, m N. Pretpostavimo da su svi elementarni dogadaji jednako vjerojatni. Tada 3

24 je P (ω i ) = pa je vjerojatnost dogadaja A, A Ω, jednaka: m P (A) = ω i A = A m = A Ω P (ω i ) = ω A m = m ω A = broj povoljnih elementarnih dogadaja ukupan broj elementarnih dogadaja Primjer 6 U kutiji se nalazi 0 mačića od kojih je tigrastih i 8 crnobijelih. Kolika je vjerojatnost da od 5 odabranih (na slučajan način izvučenih) mačića budu točno 3 tigrasta i crno-bijela ako a) mačiće ne vraćamo b) mačiće vraćamo? Rješenje: a) Pretpostavimo prvo da mačiće ne vraćamo. Dogadaj čiju vjerojatnost želimo izračunati je A = {izvukli smo 3 tigrasta i crno-bijela mačića}. Broj načina na koji od 0 mačića možemo izabrati njih 5, a da nam pritom nije važno koliko je izvučeno tigrastih a koliko crno-cijelih, je ( 0 5 ). Zapravo, imamo Ω = ( 0 5 ). Broj načina na koji od ukupno tigrastih mačića možemo izabrati njih 3 je ( ) 3. Analogno, broj načina na koji od ukupno 8 crno-bijelih mačića možemo izabrati je ( 8 ). Ako istovremeno izvučemo 3 tigrasta i crnobijela mačića, dogodit će se dogadaj A. Imamo: A = ( ) ( 3 8 ) Vjerojatnost dogadaja A je: P (A) = ( ) ) ( 3 8 ) = ( 0 5! 8! 3! 9!! 6! 0! 5! 5! = = b) Pretpostavimo sada da mačiće vraćamo. Bitna razlika u odnosu na prethodni slučaj je što je sada vjerojatnost da izvučemo tigrastog mačića u svakom izvlačenju ista jer mačiće vraćamo pa svaki put izvlačimo iz istog skupa. U prethodnom slučaju, vjerojatnost da izvučemo tigrastog mačića se 4

25 smanjuje iz izvlačenja u izvlačenje budući u kutiji svaki put (kad izvučemo tigrastog mačića) ostaje sve manje tigrastih mačića. Vjerojatnost da (u jednom izvlačenju) izvučemo jednog tigrastog mačića (označimo taj dogadaj s B) je: P (B) = ( ( 0 ) ) = 0 = 3 5 = 0.6 Dogadaj da je izvučen crno-bijeli mačić (označimo taj dogadaj s C) je suprotan ili komplementaran dogadaju B - medusobno se isključuju a zajedno pokrivaju sve mogućnosti koje se mogu dogoditi (tj. B C je siguran dogadaj). Zbroj vjerojatnosti suprotnih dogadaja jednak je. Odatle lako izračunamo vjerojatnost od C: P (C) = P (B c ) = P (B) = 3 5 = 5 = 0.4 Naravno, P (C) možemo izračunati i direktno, slično kao što smo izračunali P (B): ( 8 P (C) = ( ) 0 ) = 8 0 = 5 = 0.4 Ostalo je izračunati P (A). Kako mačiće vraćamo, postoji uredaj pri njihovom izlačenju - zna se koji (i kakav) je bio prvi, koji drugi, koji treći itd. Tu nam se otvara mogućnost izbora: koji po redu je bio svaki od 3 izvučena tigrasta mačića? Prvi, treći i peti? Drugi, četvrti i peti? Drugi, treći i četvrti? Sve su to naime različiti elementarni dogadaji. Dakle, od 5 mjesta (u poretku izvlačenja) moramo izabrati 3 na kojima su bili tigrasti mačići (na preostala su onda crno-bijeli mačići). To možemo učiniti na ( 5 ) 3 načina. Vjerojatnost da u jednom izvlačenju bude izvučen tigrasti mačić je, kao što znamo, 3. Sljedeće izvlačenje je nezavisno od prethodnog, pa je 5 vjerojatnost sa smo izvukli tigrasta mačića jednaka 3 3 = ( ) i analogno, vjerojatnost da smo ih izvukli 3 je ( ) U preostala izvlačenja morao se dogoditi suprotan dogadaj, odnosno morao je biti izvučen crno-bijeli mačić, vjerojatnost čega je (. 5) Uzmemo li sve do sad rečeno u obzir dobivamo: ( ) ( ) 3 ( ) 5 3 P (A) = =

26 Zadatak smo mogli riješiti i tako da razmatramo izvlačenje crno-bijelih mačića, odnosno da biramo mjesta na koja su došla izvučena crno-bijela, što je moguće učiniti na ( 5 ) načina. Sada bi komplementaran dogadaj bio izvlačenje tigrastog mačića i tako bi dobili: P (A) = ( 5 ) ( 5 ) ( ) što zbog simetrije binomnih koeficijenata očito daje isti rezultat kao gore. Napomena Općenito, kad imamo N predmeta od kojih je M jedne vrste, a N M druge, vjerojatnost da - bez vraćanja - izvučemo točno k predmeta prve vrste ako izvlačimo ukupno n predmeta (dakle, n k predmeta druge vrste) je: p X (k) = ( M ) ( k N M ) n k ( N, max (0, n (N M)) k min (M, n) () n) Mora vrijediti k min (M, n) jer niti možemo izvuči više predmeta prve vrste nego što ih ukupno izvlačimo (zato k n) niti možemo izvuči više predmeta prve vrste nego što ih ukupno uopće ima (zato k M). Uvjet k n (N M) n k N M osigurava pak da ne izvlačimo predmeta druge vrste (n k) više nego što ih ukupno ima (N M). Napomena Ako je vjerojatnost realizacije dogadaja A u nekom pokusu ( uspjeh ) jednaka p, tada je vjerojatnost da se dogadaj A dogodi točno k puta u n nezavisnih pokusa dana s ( ) n p X (k) = p k q n k, k 0 k n, () gdje je q = p vjerojatnost suprotnog dogadaja, odnosno neuspjeha. Primjer 6 odgovara izboru slučajnog uzorka bez, odnosno s vraćanjem. S () je zadana hipergeometrijska razdioba koja opisuje biranje slučajnog uzorka bez vraćanja, a s () binomna razdioba koja opisuje biranje s vraćanjem. 6

27 . Osnovne razdiobe Slučajna varijabla je funkcija X koja elementarnim dogadajima pridružuje brojeve. Dakle, X : Ω R... Diskretne slučajne varijable Označimo s ImX skup svih različitih vrijednosti koje slučajna varijabla X može poprimiti. Kažemo da je zadan zakon razdiobe ili distribucija slučajne varijable X ako je zadan skup ImX = {a, a, a 3,...}, te niz brojeva p i 0 tako da ) p i = P (X = a i ) ) p i = Zakon razdiobe zapisujemo u obliku tablice: ( ) a a a 3... X p p p 3... Budući je skup svih vrijednosti koje slučajna varijabla može poprimiti ImX = {a, a, a 3,...} diskretan (prebrojiv) skup, kažemo da je X diskretna slučajna varijabla. Definicija Neka je X : Ω R slučajna varijabla. Funkcija gustoće vjerojatnosti od X je funkcija p X : ImX [0, ] definirana s p X (a i ) := P (X = a i ) = p i Definicija Funkcija distribucije slučajne varijable X je funkcija F X : R [0, ] definirana s F X (x) := P (X x), x R. Vrijedi F X (x) = a i x p X (a i ). 7

28 Definicija 3 Matematičko očekivanje diskretne slučajne varijable je broj E[X] definiran s E[X] = a i p X (a i ) a i ImX Vrijedi: (i) E[g(X)] = g(a i ) p X (a i ), g : R R a i ImX (ii) E[X + Y ] = E[X] + E[Y ] (iii) E[cX] = c E[X], c R (iv) E[c] = c, c R Iz svojstva (ii) vidimo da je očekivanje aditivno, iz svojstva (iii) da je homogeno. Ta dva svojstva zajedno daju svojstvo linearnosti. Definicija 4 Broj Var[X] := (a i E X) p X (a i ) a i ImX zove se varijanca diskretne slučajne varijable X. Standardna devijacija slučajne varijable X je broj σ X := + Var[X] Vrijedi: (i) Var[X] = E[(X E X) ] (primijenimo svojstvo (i) od očekivanja za g(x) = (x E X) ) (ii) Var[X] = E[(X E X) ] = E[X X E X + (E X) ] = E[X ] E X E X + (E X) = E[X ] (E X) = Var[X] = E[X ] (E X) pritom: E[X ] = a i p X (a i ) a i ImX (iii) Var[aX + b] = E[(aX + b E (ax + b)) ] = E[(aX + b a E X b) ] = E[a (X E X) ] = a E[(X E X) ] = a Var X 8

29 Nadalje, ako su X i Y nezavisne slučajne varijable, onda vrijedi: E[X Y ] = E[X] E[Y ] Var[X + Y ] = Var[X] + Var[Y ] Općenito, ta identiteta ne vrijede! Zadatak 4 Slučajna varijabla zadana je razdiobom ( 0 X ) Odredite funkciju distribucije te slučajne varijable, te nacrtajte njen graf. Izračunaj vjerojatnost dogadaja X. Nadalje, izračunajte očekivanje i varijancu od X, te E[3X]. Rješenje: Funkciju distribucije moramo promatrati po intervalima. Krenimo od x,, tj. x <. U ovom slučaju: F X (x) = P (X x) = 0 budući slučajna varijabla X ne može poprimiti vrijednost x strogo manju od -. Dalje, neka je x [,. Tada: F X (x) = P (X x) = P (X = ) = 0. budući je - jedina vrijednost unutar intervala, (drugim riječima: jedina vrijednost manja od x) koju X može poprimiti, a vjerojatnost da se to dogodi znamo jer je dan zakon razdiobe od X. Neka je x [, 0. Tada: F X (x) = P (X x) = P (X = ) + P (X = ) = = 0.3 budući su - i - jedine vrijednosti unutar intervala, 0 koje X može poprimiti, a vjerojatnost da se to dogodi očitavamo iz zakona razdiobe od X. 9

30 Dalje zaključujemo analogno ako je x [0, : F X (x) = P (X = ) + P (X = ) + P (X = 0) = = 0.5 ako je x [, : F X (x) = P (X = ) + P (X = ) + P (X = 0) + P (X = ) = = 0.8 te konačno, ako je x [, +, tj. x : F X (x) = P (X = ) + P (X = ) + P (X = 0) + P (X = ) + P (X = ) = = što je bilo prirodno za očekivati budući X sigurno poprima vrijednost manju ili jednaku (tj. nikada ne poprima vrijednost veću od ). Tako smo dobili: 0, x < 0., x < 0.3, x < 0 F X (x) = 0.5, 0 x < 0.8, x <, x Grafički prikaz funkcije distribucije Nadalje, treba izračunati P ( X ). Vrijedi: P ( X ) = P ( X ) = P (X = ) + P (X = 0) + P (X = ) = =

31 Uočimo pritom da P ( X < ) = P ( < X < ) = P (X = 0) = 0. Preostalo je izračunati E[X] i Var[X]. E[X] = a i p X (a i ) = a i P (X = a i ) a i ImX a i ImX = 0. + ( ) = 0.3 Varijancu računamo po formuli: Var[X] = E[X ] (E[X]) E[X] smo upravo izračunali, treba nam još E[X ]: E[X ] = a i p X (a i ) = a i ImX a i ImX a i P (X = a i ) = ( ) 0. + ( ) =.7 pa imamo: Var[X] = =.6 Koliko je E[3X]? To možemo izračunati na načina. Jedan je - odrediti razdiobu slučajne varijable Y = 3X. ImX = {,, 0,, } ImY = Im 3X = { 6, 3, 0, 3, 6} i pritom P (Y = 6) = P (3X = 6) = P (X = ) = 0. P (Y = 3) = P (3X = 3) = P (X = ) = 0. P (Y = 0) = P (3X = 0) = P (X = 0) = 0. i tako analogno dalje. Slijedi: ( Y = 3X ) 3

32 pa onda E[Y ] = E[3X] = a i p Y (a i ) = a i P (Y = a i ) a i ImY a i ImY = ( 3) = 0.9 Jednostavniji način rješavanja je iskoristiti svojstvo homogenosti očekivanja prema kojem je E[3X] = 3 E[X] = = Binomna razdioba Definicija 5 Slučajna varijabla X ima binomnu razdiobu ili distribuciju s parametrima n i p ako je X poprima vrijednosti iz skupa {0,,,..., n} s vjerojatnostima p X (k) = P (X = k) = ( ) n p k q n k, 0 k n, (3) k gdje je q = p. S (3) je zadana funkcija gustoće binomne razdiobe. Slučajnu varijablu X koja ima binomnu razdiobu označavamo s: X B(n, p) Očekivanje bionomne razdiobe: Varijanca bionomne razdiobe: E [X] = np Var [X] = npq Osnovna svojstva koja opisuju binomnu distribuciju:. Pokus ponavljamo n puta.. Postoje samo mogućnosti ishoda u svakom pokusu. Jedan ishod ćemo zvati uspjeh a drugi neuspjeh. 3. Vjerojatnost uspjeha p jednaka je u svakom pokusu. Vjerojatnost neuspjeha je tada q = p. 3

33 4. Pokusi su medusobno nezavisni. 5. Binomna slučajna varijabla broji broj uspjeha k u tih n pokusa. Zadatak 5 Košarkaš gada koš 5 puta i u svakom pokušaju pogada s vjerojatnošću 3/4. Kolika je vjerojatnost da će košarkaš pogoditi koš: a) točno 3 puta b) barem 3 puta c) najviše puta Rješenje: Pokus je gadanje u koš; ponavljamo ga 5 puta. Uspjeh je pogodak u koš, neuspjeh je promašaj. Vjerojatnost uspjeha je zadana i jednaka je 3/4; vjerojatnost neuspjeha je tada /4 (=-3/4). Definiramo slučajnu varijablu X koja broji pogotke. Ona ima binomnu distribuciju: ( ) 3 X B 5, 4 Funkcija gustoće od X je: a) p X (k) = P (X = k) = ( 5 k ) ( 3 4 ) k ( ) 5 k, k = 0,,, 3, 4, 5 (4) 4 Želimo izračunati vjerojatnost da je košarkaš pogodio koš točno 3 puta. Zanima nas zapravo P (X = 3). Uvrštavanjem k = 3 u (4) lako dobijemo rješenje: ( ) ( ) 3 ( ) ( ) P (X = 3) = = = b) Kolika je vjerojatnost da košarkaš pogodi koš barem 3 puta? Taj dogadaj izražen pomoću slučajne varijable X je X 3. Želimo dakle izračunati: P (X 3) = P (X = 3) + P (X = 4) + P (X = 5) P (X = 3) smo već izračunali pod a). P (X = 4) i P (X = 5) računamo na sličan način - uvrštavanjem k = 4 odnosno k = 5 u (4). Slijedi: ( ) ( ) 4 ( ) 5 3 P (X = 4) = = = ( ) ( ) 5 ( ) 0 ( ) P (X = 5) = = = = P (X 3) = =

34 c) Kolika je vjerojatnost da košarkaš pogodi koš najviše puta? Taj dogadaj izražen pomoću slučajne varijable X je X a to je zapravo suprotan dogadaj dogadaju kojeg smo promatrali pod b) pa vrijedi: P (X ) = P (X 3) = = 0.05 Naravno, vjerojatnost tog dogadaja mogla bi se računati i direktno: P (X ) = P (X = 0) + P (X = ) + P (X = ) Zadatak 6 Odredite očekivanje, varijancu i devijaciju slučajne varijable X B ( 5, 3 4). Konstruirajte interval E [X] ± σx te izračunajte P (E [X] σ X < X < E [X] + σ X ) Rješenje: Traženi interval je: Nadalje, E [X] = = 3.75 Var [X] = = σ X = = ± = 3.75 ± < X < P (.84 < X < 5.686) = P ( X 5) = P (X = ) + P (X = 3) + P (X = 4) + P (X = 5) Posljednje 3 vjerojatnosti već smo izračunali u prethodnom zadatku. Fali nam još: P (X = ) = ( 5 ) ( 3 4 ) ( ) 3 = = =

35 Sada dobivamo: P (E [X] σ X < X < E [X] + σ X ) = P (.84 < X < 5.686) = = Odavde možemo zaključiti da će ova slučajna varijabla u 98.3% slučajeva odstupati od svog očekivanja za najviše devijacije. Zadatak 7 Četiri prijatelja igraju neku igru s kartama. Prilikom podjele 5 karte jedan od igrača 3 puta zaredom nije dobio asa. Kolika je vjerojatnost da mu se to dogodi? Rješenje: Definirajmo slučajnu varijablu X koja broji koliko puta Igrač nije dobio asa. X ima binomnu razdiobu: X B(3, p). Potrebno je izračunati vrijednost parametra p što je vjerojatnost uspjeha, tj. vjerojatnost da u jednom izvlačenju igrač nije dobio asa. Ta vjerojatnost jednaka je omjeru broja svih ishoda u kojima Igrač nije dobio asa kroz broj svih mogućih ishoda dijeljenja karata. Oduzmemo li sve aseve, ostat će nam 48 karata. Stoga, ) p = P (igrač nije dobio niti jednog asa) = = X B(3, ) ( 48 3 ( 5 3 ) = Vjerojatnost da Igrač 3 puta zaredom nije dobio asa jednaka je: ( ) 3 P (X = 3) = (0.3038) 3 ( ) 0 = Hipergeometrijska razdioba Definicija 6 Slučajna varijabla X ima hipergeometrijsku razdiobu ili distribuciju ako je funkcija gustoće te slučajne varijable zadana s: ( M )( N M ) k n k p X (k) = P (X = k) = ( N, max (0, n (N M)) k min (M, n) n) (5) 35

36 Očekivanje hipergeometrijske razdiobe: E [X] = nm N Varijanca hipergeometrijske razdiobe: Var [X] = nm(n M)(N n) N (N ) Osnovna svojstva koja opisuju hipergeometrijsku distribuciju:. Pokus se sastoji od slučajnog izvlačenja, bez vraćanja, n elemenata iz skupa od N elemenata, od kojih je njih M jedne vrste (izvlačenje takvog smatramo uspjehom) i N M neke druge vrste (izvlačenje takvog smatramo neuspjehom).. Hipergeometrijska slučajna varijabla broji broj uspjeha (odnosno elemenata prve vrste) k u izvlačenju ukupno n elemenata. Zadatak 8 Kolika je vjerojatnost da se od 7 suglasnika i 5 samoglasnika napravi riječ koja se sastoji od 4 suglasnika i 3 samoglasnika? mora imati smisao) Rješenje: (riječ ne Od ukupno 7+5= slova želimo izabrati 4+3=7 slova. Neka je izvlačenje samoglasnika uspjeh. Slučajna varijabla X koja broji uspjehe ima hipergeometrijsku razdiobu a funkcija gustoće joj je zadana s: ( 5 7 ) p X (k) = P (X = k) = k)( 7 k ), 0 k 5 Dogadaj da su izabrana 4 suglasnika i 3 samoglasnika pomoću slučajne varijable X možemo izraziti kao X = 3. Sada: ( 5 )( 7 3 p X (3) = P (X = 3) = ) 4) = = 0.44 ( 7 ( 7 Zadatak 9 Iz vaze koja sadrži 4 crvene i 6 bijelih ruža izvlačimo 3 ruže. S X označimo slučajnu varijablu koja broji izvučene crvene ruže. Odredite njen zakon razdiobe, te prosječan broj izvučenih crvenih ruža. 36

37 Rješenje: X = broj crvenih ruža Od ukupno 0=4+6 ruža izvlačimo 3, a izvlačenje crvene ruže smatramo uspjehom. Tada X ima hipergeometrijsku distribuciju a funkcija gustoće joj je: p X (k) = P (X = k) = ( 4 6 ) k)( 3 k ), 0 k 3 Dakle, ImX = {0,,, 3}. Trebaju nam pripadne vjerojatnosti. Imamo ( 4 )( 6 0 p X (0) = P (X = 0) = ( 3) 0 ) = = 6 3 ( 4 )( 6 p X () = P (X = ) = ( ) ) = = 3 3 p X () = P (X = ) = p X (3) = P (X = 3) = X Provjera da smo dobro računali: ( 0 3 ( 4 )( 6 ( ) 0 ) = 3 ( 4 )( 6 3( 0) 0 3 ( ) = ) /6 / 3/0 / = Izračunajmo sada E [X] (što je zapravo prosječan broj): = 3 0 = 30 E [X] = 3 a k p X (k) = k=0 3 k=0 k p X (k) = = 6 5 =. Umjesto pomoću definicije, očekivanje smo mogli izračunati i pomoću gore navedene formule: E [X] = nm N = = 0 =. 37

38 ..4 Poissonova razdioba Definicija 7 Slučajna varijabla X ima Poissonovu razdiobu ili distribuciju s parametrom λ > 0 ako je funkcija gustoće te slučajne varijable zadana s: p X (k) = P (X = k) = λk k! e λ, k = 0,,, 3,... (6) Poissonova distribucija daje model vjerojatnosti rijetkih dogadaja (ponekad se naziva i zakon rijetkih dogadaja ) koji se dogadaju u jedinici vremena, površine, volumena i slično. Broj prometnih nesreća na odredenoj dionici autoceste u jednom danu, telefonski pozivi na centrali u jednoj minuti, defekti po jedinici duljine bakrene žice, broj mjesečnih nesreća u tvornici, broj oboljelih stabala po aru šume te broj vidljivih grešaka na dijamantu su npr. varijable čije se relativne frekvencije mogu dobro aproksimirati Poissonovom distribucijom. Slučajnu varijablu X koja ima Poissonovu razdiobu označavamo s: X P (λ) Očekivanje Poissonove razdiobe: Varijanca Poissonove razdiobe: E [X] = λ Var [X] = λ Osnovna svojstva koja opisuju Poissonovu distribuciju:. Pokus se sastoji od prebrojavanja koliko puta (k) se neki dogadaj dogodi u jedinici vremena, jedinici površine, volumena, težine, daljine ili bilo kojoj drugoj mjerenoj jedinici.. Vjerojatnost da će se dogadaj kojeg promatramo dogoditi jednaka je za svaku mjernu jedinicu (za svaku sekundu, svaki metar, svaki karat i sl.). 3. Broj dogadaja koji se dogode u pojedinoj jedinici vremena, površine ili volumena nezavisan je od broja dogadaja koji se dogodi u bilo kojoj drugoj jedinici. 38

39 4. Prosječni ili očekivani broj dogadaja u jednoj jedinici jednak je parametru λ, odnosno E[X] = λ. Zadatak 0 Dokažite da je E[X] = λ. Rješenje: Koristeći definiciju očekivanja, funkciju gustoće Poissonove razdiobe zadanu s (6) te svojstvo p X (k) = k=0 k=0 λ k k! e λ = dobivamo: E[X] = k p X (k) = k=0 = λ k= k= k λk k! e λ λ k (k )! e λ = λ m=0 λ m m! e λ = λ = λ Zadatak Slučajna varijabla X ima Poissonovu razdiobu. Ako vrijedi P (X = ) = P (X = ), izračunajte očekivanje E [X] i P (X 4). Rješenje: X P (λ) p X (k) = P (X = k) = λk k! e λ, k = 0,,, 3,... P (X = ) = P (X = ) λ! e λ = λ! e λ λ = λ λ λ = 0 λ(λ ) = 0 λ = 0, λ = Budući mora biti λ > 0, jedino rješenje je λ =. X P (), P (X = k) = k k! e 39

40 E [X] = λ = P (X 4) = P (X < 4) = P (X 3) = P (X = 0) P (X = ) P (X = ) P (X = 3) = 0 0! e! e! e 3 3! e ( = e ) = e = 0.43 Zadatak Pretpostavimo da je 0 grešaka rasporedeno slučajno unutar knjige od 00 stranica. Odredite vjerojatnost da dana stranica knjige sadrži: a) niti jednu grešku b) točno jednu grešku c) barem dvije greške Rješenje: Definirajmo slučajnu varijablu X koja broji greške na pojedinoj stranici. Ona ima Poissonovu distribuciju. Kako bi odredili njenu funkciju gustoće, potreban nam je parametar λ. Znamo da je taj parametar jednak očekivanom ili prosječnom broju dogadaja (= broj grešaka) koji se dogode u jednoj jedinici (= na jednoj stranici). Stoga λ = 0 00 =. p X (k) = P (X = k) = λk k! e λ = (.)k k! e., k = 0,,,... (7) Pomoću ovako definirane slučajne varijable, dogadaj pod a) možemo zapisati kao X = 0, dogadaj pod b) kao X =, a dogadaj pod c) kao X. Vjerojatnosti tih dogadaja računamo uvrštavanjem odgovarajućih k u (7). Dobivamo: a) P (X = 0) = (.)0 0! e. = e. = b) P (X = ) = (.) e. = 0.366! c) P (X ) = P (X = 0) P (X = ) = =

41 Prethodni zadatak lijepo ilustrira zašto se Poissonova distribucija naziva i zakon rijetkih dogadaja. Dogadaji da na stranici nema niti jedne greške (X = 0) i da je na stranici točno jedna greška (X = ) - dakle rijetki dogadaji (u smislu malog broja grešaka) - imaju veću vjerojatnost nego dogadaj da su stranici ili 3 ili 4 ili 5 ili... ili n ili... grešaka (X )...5 Aproksimacija binomne razdiobe Poissonovom binomna razdioba B(n, p) može se aproksimirati Poissonovom razdiobom P(np). Aproksimacija je to bolja što je parametar n veći, a parametar p manji. Zadatak 3 Kolika je vjerojatnost da medu 00 ljudi bude barem 4 ljevaka, ako ljevaka ima prosječno %? Rješenje: Definirajmo slučajnu varijabu X koja broji ljevake. Ona ima binomnu razdiobu s parametrima n = 00 (promatramo 00 ljudi, tj. 00 puta ponavljamo pokus) i p = /00 (što je vjerojatnost uspjeha, odnosno vjerojatnost da je izabrani čovjek ljevak). Njena funkcija gustoće zadana je s: ( 00 P (X = k) = k ) ( 00 Zanima nas kolika je P (X 4): ) k ( ) 00 k 99, 0 k P (X 4) = P (X = 0) P (X = ) P (X = ) P (X = 3) ( ) ( ) 0 ( ) 00 ( ) ( ) ( ) = ( ) ( ) ( ) 98 ( ) ( ) 3 ( ) = Dobiveni izrazi nisu baš praktični za računanje. Tu će nam pomoći aproksimacija Poissonovom razdiobom: B(n, p) P (np) 4

42 Sada dobivamo: λ = n p = = P (X = k) = k k! e, k = 0,,,... P (X 4) = P (X = 0) P (X = ) P (X = ) P (X = 3) = 0 0! e! e! e 3 3! e ( = ) e = Zadatak 4 Stroj proizvodi 99.8% ispravnih i 0.% neispravnih proizvoda. Kolika je vjerojatnost da u uzorku od 500 proizvoda više od 3 budu neispravna? Rješenje: Definirajmo slučajnu varijabu X koja broji neispravne proizvode. X ima binomnu razdiobu: X B(500, 0.00). Nas zanima P (X > 3) = P (X = 0) P (X = ) P (X = ) P (X = 3) Direktno korištenje binomne razdiobe ponovo bi dovelo do nezgrapnih izraza. Iskoristimo stoga aproksimaciju Poissonovom razdiobom: Slijedi: λ = n p = = P (X = k) = k k! e =, k = 0,,,... k! e P (X > 3) = 0! e! e! e 3! e = 8 3e =

43 .3 Uvjetna vjerojatnost. Nezavisni dogadaji. Pretpostavimo da znamo da se dogodio dogadaj B. Utječe li to na vjerojatnost dogadaja A? Vjerojatnost dogadaja A uz uvjet da se dogodio dogadaj B zovemo uvjetna vjerojatnost, označavamo s P(A B) i definiramo s: P (A B) = P (A B). P (B) Dogadaj B pritom na neki način postaje novi skup svih elementarnih dogadaja, tj. novi Ω. Za dogadaje A i B kažemo da su nezavisni ako vrijedi: P (A B) = P (A) P (B), gdje A B predstavlja dogadaj kada se istovremeno dogode A i B. Pretpostavimo da su dogadaji A i B nezavisni. Tada P (A B) = P (A B) P (B) = P (A) P (B) P (B) = P (A). Dakle, ako su dogadaji nezavisni, onda uvjet da se dogodio jedan od njih ne utječe na vjerojatnost dogadanja onog drugog. Vrijedi i obrat - ukoliko vrijedi gornji identitet, tada su dogadaji nezavisni. Naime, P (A B) P (A B) = P (A) = P (A) P (A B) = P (A) P (B) P (B) dogadaji A i B su nezavisni Primjer 7 Promatramo obitelj s 3 djece. Pretpostavimo da je svih 3 = 8 mogućnosti kombinacija djece (po spolu i po starosti) jednako vjerojatno. Skup svih elementarnih dogadaja Ω je: Ω = {MMM, MMŽ, MŽM, ŽMM, ŽŽM, ŽMŽ, MŽŽ, ŽŽŽ}. Promatramo dogadaje: A = {u obitelji su djeca oba spola}, 43

44 B = {u obitelji nema više od djevojčice}. Jesu li ti dogadaji nezavisni? Da bismo odgovorili na to pitanje, potrebno je provjeriti vrijedi li definicija. Izračunajmo najprije P (A) i P (B). Što su povoljni elementarni dogadaji za A? Svi oni, koji pripadaju Ω, i koji opisuju obitelji s bar jednom djevojčicom odnosno bar jednim dječakom. Dakle, A = Ω\{ MMM, ŽŽŽ } pa je Slično vidimo da je P (A) = 8 = 3 4. B = { MMM, MMŽ, MŽM, ŽMM } pa je P (B) = 4 8 = + ( ) 3 = 8. Dogadaj A B opisuje istovremeno dogadanje dogadaja A i B, što znači da obitelj mora imati djecu oba spola i pritom najviše jednu djevojčicu - što znači zapravo točno jednu djevojčicu! - pa stoga A B = {MMŽ, MŽM, ŽMM} = B\{MMM} a odatle slijedi Kako je P (A B) = 3 8. P (A) P (B) = 3 4 = 3 = P (A B) 8 time smo pokazali da su dogadaji A i B - u ovom slučaju - nezavisni. No, vrijedi li to općenito, odnosno za obitelji s proizvoljnim brojem djece? Pokazuje se da za obitelji s ili 4 djece ova dogadaja nisu nezavisna! 44

45 Dokazat ćemo to za slučaj obitelji s 4 djece; samostalno to pokušajte učiniti za slučaj obitelji s djece. Imamo: P (A) = = 7 4 8, P (B) = + ( ) 4 = 5 ( ) Konačno, kako je P (A) P (B) = 7 8 P (A B) = 4 = = zaključujemo da dogadaji A i B nisu nezavisni! = P (A B), Zadatak 5 Bacamo kocke. Koja je vjerojatnost da je na prvoj kocki pao broj 5, ako je zbroj na dvije kocke jednak 7? Izračunajte P (max (X, Y ) ). Rješenje: Treba izračunati: Ω = {(i, j) : i, j 6} definiramo slučajne varijable X, Y : Ω R tako da X pamti broj na prvoj kocki, a Y na drugoj ImX = ImY = {,, 3, 4, 5, 6} P (X = 5 X + Y = 7) = P (X = 5, X + Y = 7) P (X + Y = 7) Imamo {X + Y = 7} = {(, 6), (, 5), (3, 4), (4, 3), (5, ), (6, )} {X = 5} {X + Y = 7} = {(5, )} pa stoga P (X = 5 X + Y = 7) = = 6. 45

46 Nadalje, treba izračunati P (max (X, Y ) ). Dogadaj {max (X, Y ) }, realizirat će se ako na obje kocke ne padne broj veći od - samo tako maksimum može biti ne veći od. Bacanje prve kocke nezavisno je od bacanja druge, odnosno realizacija na prvoj kocki ne utječe na realizaciju na drugoj, stoga možemo koristiti svojstva nezavisnih dogadaja iz njihove definicije. Slijedi: P (max (X, Y ) ) = P (X, Y ) = P (X ) P (Y ) = 6 6 = 9.4 Bayesova formula Dogadaji H, H,... H n čine potpun sistem dogadaja ako je: ) P (H i ) > 0 za i =,,..., n ) H i H j = za i j, i, j =,,..., n 3) n H i = Ω Elemente potpunog sistema dogadaja H, H,..., H n nazivamo hipoteze. Važno! Hipoteze se uzajamno isključuju (svojstvo ) i točno jedna od njih se mora dogoditi (svojstvo 3), u svakom izvodenju pokusa. Formula potpune vjerojatnosti: Neka je {H, H,..., H n } potpun sistem dogadaja i neka je A proizvoljan dogadaj. Tada vrijedi: P (A) = n P (H i ) P (A H i ) Neka je zadan potpun sistem dogadaj {H, H,..., H n }. Pretpostavimo da je pokus izveden i da se kao njegov ishod pojavio dogadaj A. Vjerojatnosti P (H i ) bile su poznate prije izvodenja pokusa. Koliku vjerojatnost imaju hipoteze H i (i =,..., n) nakon izvodenja pokusa? Bayesova formula: Neka je {H, H,..., H n } potpun sistem dogadaja i neka je A Ω dogadaj takav da je P (A) > 0. Tada za svaki i =,,..., n 46

47 vrijedi P (H i A) = P (H i ) P (A H i ) n j= P (H j) P (A H j ) Dokaz. Primjenom definicije uvjetne vjerojatnosti slijedi i s druge strane P (H i A) = P (H i A) P (A) P (A H i ) = P (A H i) P (H i ) P (A H i ) = P (H i ) P (A H i ). Primjenimo ovo pa iz gornje jednakosti dobivamo P (H i A) = P (H i A) P (A) = P (H i ) P (A H i ) n j= P (H j) P (A H j ) Spoznaja da se dogodio dogadaj A mijenja naše uvjerenje o mogućnosti pojavljivanja hipoteza H, H,..., H n. Vrijedi: n P (H i A) = = n P (H i ) P (A H i ) n j= P (H j) P (A H j ) n j= P (H j)p (A H j ) n P (H i )P (A H i ) = P (A) P (A) = Primjer 8 Pri obradi jednoga pacijenta sumnja se na bolesti, H i H. U danim uvjetima njihove su vjerojatnosti dane s P (H ) = 0.6 i P (H ) = 0.4. Radi preciziranja dijagnoze obavlja se odredena pretraga na pacijentu, čiji su rezultati pozitivna ili negativna reakcija. U slučaju bolesti H vjerojatnost pozitivne reakcije je 0.9, a negativne 0., a u slučaju bolesti H i pozitivna i negativna reakcija imaju vjerojatnost 0.5. Pretraga je obavljena puta i oba puta reakcija je bila negativna. Kolike su vjerojatnosti svake od bolesti poslije ovih pretraga? Koja hipoteza je vjerodostojnija? Rješenje: Skup {H, H } je potpun sistem dogadaja - dogadaji H i H medusobno se isključuju a jedan se mora dogoditi. Definirajmo dogadaj A: 47

48 A = { pretraga je napravljena puta i oba puta reakcija je bila negativna} Želimo izračunati P (H A) = vjerojatnost da pacijent ima bolest H ako znamo da se dogodio A, te P (H A) = vjerojatnost da pacijent ima bolest H ako znamo da se dogodio A. To ćemo učiniti koristeći Bayesovu formulu. Treba nam P (A H ) = vjerojatnost da se dogodio A ako pacijent ima bolest H i P (A H ) = vjerojatnost da se dogodio A ako pacijent ima bolest H. Razumno je pretpostaviti da su napravljenje pretrage nezavisne jedna od druge pa imamo P (A H ) = = 0.0 P (A H ) = = 0.5 Primjenom Bayesove formule dobivamo: P (H A) = P (H A) = P (H ) P (A H ) j= P (H j) P (A H j ) = P (H ) P (A H ) j= P (H j) P (A H j ) = ili, jednostavnije, P (H A) = P (H A) 0.94 Zaključujemo da dobiveni rezultati pretraga daju jak razlog da se pretpostavi bolest H! Hipoteza H je vjerodostojnija..5 Neprekidne slučajne varijable Za slučajnu varijablu X kažemo da je neprekidna ako vrijedi sljedeće: (i) ImX je interval u R (ii) postoji nenegativna funkcija f X : R R tako da za svaka dva broja a, b (a < b) vrijedi P (a X b) = 48 b a f X (t)dt

49 Funkciju f X zovemo funkcija gustoće od X. Vjerojatnost da vrijednost slučajne varijable X upadne u interval [a, b] jednaka je dakle površini ispod grafa funkcije gustoće na tom intervalu. Ako je na slici prikazana funkcija gustoće od X, tada je P ( X ) jednaka sljedećoj površini: - Funkcija distribucije F X od X definirana je s: F X (x) := P (X x) = x f X (t)dt (8) Vrijedi: P (a X b) = F X (b) F X (a) (9) Navedimo još dva svojstva neprekidne slučajne varijable: () Za svaki broj a R je () P (X = a) = lim b a P (a X b) = lim b a b a f X (t)dt = f X (t)dt = P ( < X < ) = a a f X (t)dt = 0 što znači da je ukupna površina ispod grafa funkcije gustoće jednaka. Matematičko očekivanje od X definirano je s: E [X] = t f X (t)dt, (0) 49

50 a za varijancu vrijedi relacija kao i kod diskretnih slučajnih varijabli Var [X] = E [X ] (E [X]) () gdje je sada E [X ] = Općenito, za g : R R vrijedi E [g(x)] = t f X (t)dt. () g(t) f X (t)dt. Zadatak 6 Funkcija gustoće neke slučajne varijable X dana je grafom. Odredite analitički prikaz od f X (x), F X (x), te izračunajte Var[X] i P ( X ) Rješenje: Da bi neka funkcija bila funkcija gustoće, mora zadovoljavati: ) f X (t) 0, t R ) + f X (t)dt = Prvo svojstvo dana funkcija očito zadovoljava, a iz drugog svojstva slijedi da površina dva trokuta sa slike - što je površina ispod grafa zadane funkcije - mora biti jednaka. Označimo li nepoznatu visinu na y-osi s v, slijedi: v + 3 v = v = Točke (, ) i (0, 0) jednoznačno odreduju pravac y = x, a točke (0, ) i (3, 0) pravac y = x, pa smo tako dobili analitički prikaz funkcije gustoće: 6 0, x < x f X (x) =, x < 0 x, 0 x 3 6 0, x 3 50

51 Sljedeći korak je odrediti funkciju distribucije F X (x). Prisjetimo se njene definicije (8). Imamo: x : F X (x) = x 0 : F X (x) = 0 x 3 : F X (x) = pa slijedi: x 3 : F X (x) = x x f X (t)dt = f X (t)dt = x 0dt = 0 0dt + = 4 (x ) = 4 ( x ) x = t + x x 3 f X (t)dt = 0 0dt + x 0 + t x 0 6 t f X (t)dt = 0dt = t 0 0dt + x t 3 0, x F X (x) = ( 4 x ), x 0 (3 + 6x x ), 0 x 3, x 3 ( t ) dt = t x ( t ) dt + x = 4 + x ( t ) dt t 0 x 3 0 ( t ) dt 6 ( t 6 ) dt 3 0 = = Koliko je varijanca zadane slučajne varijable X? Izračunat ćemo je koristeći (). Najprije izračunajmo očekivanje E[X] pomoću (0). + 0 ( t f X (t)dt = t 0dt + t t ) 3 dt + E[X] = = t t t3 3 Nadalje, E[X ] računamo pomoću (): E[X ] = = t4 4 t f X (t)dt = ( t t t3 3 ) dt + 3 = = 7 x t4 4 5 t 0dt + t 0dt 0 t 0 t ( t ) dt 3 = = 5 4 ( t ) dt + 6 x 3 t 0dt

3 Populacija i uzorak

3 Populacija i uzorak 3 Populacija i uzorak 1 3.1 Slučajni uzorak X varijabla/stat. obilježje koje izučavamo Cilj statističke analize na osnovi uzorka izvesti odredene zaključke o (populacijskoj) razdiobi od X 2 Primjer 3.1.

Διαβάστε περισσότερα

Slučajne varijable Materijali za nastavu iz Statistike

Slučajne varijable Materijali za nastavu iz Statistike Slučajne varijable Materijali za nastavu iz Statistike Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 1 Slučajna varijabla Slučajna varijabla je funkcija X koja elementarnim dogadajima pridružuje

Διαβάστε περισσότερα

2.2 Srednje vrijednosti. aritmetička sredina, medijan, mod. Podaci (realizacije varijable X): x 1,x 2,...,x n (1)

2.2 Srednje vrijednosti. aritmetička sredina, medijan, mod. Podaci (realizacije varijable X): x 1,x 2,...,x n (1) 2.2 Srednje vrijednosti aritmetička sredina, medijan, mod Podaci (realizacije varijable X): x 1,x 2,...,x n (1) 1 2.2.1 Aritmetička sredina X je numerička varijabla. Aritmetička sredina od (1) je broj:

Διαβάστε περισσότερα

Slučajne varijable. Diskretna slučajna varijabla X je promjenjiva veličina koja poprima vrijednosti iz skupa

Slučajne varijable. Diskretna slučajna varijabla X je promjenjiva veličina koja poprima vrijednosti iz skupa Slučajne varijable Statistički podaci su distribuirani po odredenoj zakonitosti. Za matematičko (apstraktno) opisivanje te zakonitosti potrebno je definirati slučajnu varijablu kojoj pripada odredena razdioba

Διαβάστε περισσότερα

VJEROJATNOST I STATISTIKA Popravni kolokvij - 1. rujna 2016.

VJEROJATNOST I STATISTIKA Popravni kolokvij - 1. rujna 2016. Broj zadataka: 5 Vrijeme rješavanja: 120 min Ukupan broj bodova: 100 Zadatak 1. (a) Napišite aksiome vjerojatnosti ako je zadan skup Ω i σ-algebra F na Ω. (b) Dokažite iz aksioma vjerojatnosti da za A,

Διαβάστε περισσότερα

Funkcija gustoće neprekidne slučajne varijable ima dva bitna svojstva: 1. Nenegativnost: f(x) 0, x R, 2. Normiranost: f(x)dx = 1.

Funkcija gustoće neprekidne slučajne varijable ima dva bitna svojstva: 1. Nenegativnost: f(x) 0, x R, 2. Normiranost: f(x)dx = 1. σ-algebra skupova Definicija : Neka je Ω neprazan skup i F P(Ω). Familija skupova F je σ-algebra skupova na Ω ako vrijedi:. F, 2. A F A C F, 3. A n, n N} F n N A n F. Borelova σ-algebra Definicija 2: Neka

Διαβάστε περισσότερα

3.1 Granična vrednost funkcije u tački

3.1 Granična vrednost funkcije u tački 3 Granična vrednost i neprekidnost funkcija 2 3 Granična vrednost i neprekidnost funkcija 3. Granična vrednost funkcije u tački Neka je funkcija f(x) definisana u tačkama x za koje je 0 < x x 0 < r, ili

Διαβάστε περισσότερα

a M a A. Može se pokazati da je supremum (ako postoji) jedinstven pa uvodimo oznaku sup A.

a M a A. Može se pokazati da je supremum (ako postoji) jedinstven pa uvodimo oznaku sup A. 3 Infimum i supremum Definicija. Neka je A R. Kažemo da je M R supremum skupa A ako je (i) M gornja meda skupa A, tj. a M a A. (ii) M najmanja gornja meda skupa A, tj. ( ε > 0)( a A) takav da je a > M

Διαβάστε περισσότερα

Riješeni zadaci: Limes funkcije. Neprekidnost

Riješeni zadaci: Limes funkcije. Neprekidnost Riješeni zadaci: Limes funkcije. Neprekidnost Limes funkcije Neka je 0 [a, b] i f : D R, gdje je D = [a, b] ili D = [a, b] \ { 0 }. Kažemo da je es funkcije f u točki 0 jednak L i pišemo f ) = L, ako za

Διαβάστε περισσότερα

Verovatnoća i Statistika I deo Teorija verovatnoće (zadaci) Beleške dr Bobana Marinkovića

Verovatnoća i Statistika I deo Teorija verovatnoće (zadaci) Beleške dr Bobana Marinkovića Verovatnoća i Statistika I deo Teorija verovatnoće zadaci Beleške dr Bobana Marinkovića Iz skupa, 2,, 00} bira se na slučajan način 5 brojeva Odrediti skup elementarnih dogadjaja ako se brojevi biraju

Διαβάστε περισσότερα

(Hi-kvadrat test) r (f i f ti ) 2 H = f ti. i=1

(Hi-kvadrat test) r (f i f ti ) 2 H = f ti. i=1 χ 2 test (Hi-kvadrat test) Jedan od prvih statističkih testova je χ 2 -test. Predložio ga je K. Pearson 900. godine, pa je poznat i pod nazivom Pearsonov test. χ 2 test je neparametarski test. Pomoću χ

Διαβάστε περισσότερα

Sadrˇzaj. Sadrˇzaj 1 9 DVODIMENZIONALNI SLUČAJNI VEKTOR DISKRETNI DVODIMENZIONALNI

Sadrˇzaj. Sadrˇzaj 1 9 DVODIMENZIONALNI SLUČAJNI VEKTOR DISKRETNI DVODIMENZIONALNI Sadrˇzaj Sadrˇzaj DVODIMENZIONALNI. DISKRETNI DVODIMENZIONALNI............................ KONTINUIRANI -dim tko želi znati više.............................. 5. KOVARIJANCA, KORELACIJA, PRAVCI REGRESIJE........

Διαβάστε περισσότερα

radni nerecenzirani materijal za predavanja R(f) = {f(x) x D}

radni nerecenzirani materijal za predavanja R(f) = {f(x) x D} Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Neka su D i K bilo koja dva neprazna skupa. Postupak f koji svakom elementu x D pridružuje točno jedan element y K zovemo funkcija

Διαβάστε περισσότερα

(P.I.) PRETPOSTAVKA INDUKCIJE - pretpostavimo da tvrdnja vrijedi za n = k.

(P.I.) PRETPOSTAVKA INDUKCIJE - pretpostavimo da tvrdnja vrijedi za n = k. 1 3 Skupovi brojeva 3.1 Skup prirodnih brojeva - N N = {1, 2, 3,...} Aksiom matematičke indukcije Neka je N skup prirodnih brojeva i M podskup od N. Ako za M vrijede svojstva: 1) 1 M 2) n M (n + 1) M,

Διαβάστε περισσότερα

18. listopada listopada / 13

18. listopada listopada / 13 18. listopada 2016. 18. listopada 2016. 1 / 13 Neprekidne funkcije Važnu klasu funkcija tvore neprekidne funkcije. To su funkcije f kod kojih mala promjena u nezavisnoj varijabli x uzrokuje malu promjenu

Διαβάστε περισσότερα

Sume kvadrata. mn = (ax + by) 2 + (ay bx) 2.

Sume kvadrata. mn = (ax + by) 2 + (ay bx) 2. Sume kvadrata Koji se prirodni brojevi mogu prikazati kao zbroj kvadrata dva cijela broja? Propozicija 1. Ako su brojevi m i n sume dva kvadrata, onda je i njihov produkt m n takoder suma dva kvadrata.

Διαβάστε περισσότερα

UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET SIGNALI I SISTEMI. Zbirka zadataka

UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET SIGNALI I SISTEMI. Zbirka zadataka UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET Goran Stančić SIGNALI I SISTEMI Zbirka zadataka NIŠ, 014. Sadržaj 1 Konvolucija Literatura 11 Indeks pojmova 11 3 4 Sadržaj 1 Konvolucija Zadatak 1. Odrediti konvoluciju

Διαβάστε περισσότερα

Osnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju

Osnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju RAČUN OSTATAKA 1 1 Prsten celih brojeva Z := N + {} N + = {, 3, 2, 1,, 1, 2, 3,...} Osnovni primer. (Z, +,,,, 1) je komutativan prsten sa jedinicom: sabiranje (S1) asocijativnost x + (y + z) = (x + y)

Διαβάστε περισσότερα

Uvod u vjerojatnost i matematičku statistiku

Uvod u vjerojatnost i matematičku statistiku Uvod u vjerojatnost i matematičku statistiku - vježbe - Danijel Krizmanić 28. rujna 2007. Sadržaj Osnove vjerojatnosti 2 2 Kombinatorika i vjerojatnost 5 3 Uvjetna vjerojatnost. Nezavisnost 9 4 Geometrijske

Διαβάστε περισσότερα

Determinante. a11 a. a 21 a 22. Definicija 1. (Determinanta prvog reda) Determinanta matrice A = [a] je broj a.

Determinante. a11 a. a 21 a 22. Definicija 1. (Determinanta prvog reda) Determinanta matrice A = [a] je broj a. Determinante Determinanta A deta je funkcija definirana na skupu svih kvadratnih matrica, a poprima vrijednosti iz skupa skalara Osim oznake deta za determinantu kvadratne matrice a 11 a 12 a 1n a 21 a

Διαβάστε περισσότερα

Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika. Monotonost i ekstremi. Katica Jurasić. Rijeka, 2011.

Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika. Monotonost i ekstremi. Katica Jurasić. Rijeka, 2011. Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika Monotonost i ekstremi Katica Jurasić Rijeka, 2011. Ishodi učenja - predavanja Na kraju ovog predavanja moći ćete:,

Διαβάστε περισσότερα

IZVODI ZADACI (I deo)

IZVODI ZADACI (I deo) IZVODI ZADACI (I deo) Najpre da se podsetimo tablice i osnovnih pravila:. C`=0. `=. ( )`= 4. ( n )`=n n-. (a )`=a lna 6. (e )`=e 7. (log a )`= 8. (ln)`= ` ln a (>0) 9. = ( 0) 0. `= (>0) (ovde je >0 i a

Διαβάστε περισσότερα

Neka su A i B skupovi. Kažemo da je A podskup od B i pišemo A B ako je svaki element skupa A ujedno i element skupa B. Simbolima to zapisujemo:

Neka su A i B skupovi. Kažemo da je A podskup od B i pišemo A B ako je svaki element skupa A ujedno i element skupa B. Simbolima to zapisujemo: 2 Skupovi Neka su A i B skupovi. Kažemo da je A podskup od B i pišemo A B ako je svaki element skupa A ujedno i element skupa B. Simbolima to zapisujemo: A B def ( x)(x A x B) Kažemo da su skupovi A i

Διαβάστε περισσότερα

III VEŽBA: FURIJEOVI REDOVI

III VEŽBA: FURIJEOVI REDOVI III VEŽBA: URIJEOVI REDOVI 3.1. eorijska osnova Posmatrajmo neki vremenski kontinualan signal x(t) na intervalu definisati: t + t t. ada se može X [ k ] = 1 t + t x ( t ) e j 2 π kf t dt, gde je f = 1/.

Διαβάστε περισσότερα

Skup svih mogućih ishoda datog opita, odnosno skup svih elementarnih događaja se najčešće obeležava sa E. = {,,,... }

Skup svih mogućih ishoda datog opita, odnosno skup svih elementarnih događaja se najčešće obeležava sa E. = {,,,... } VEROVTNOĆ - ZDI (I DEO) U računu verovatnoće osnovni pojmovi su opit i događaj. Svaki opit se završava nekim ishodom koji se naziva elementarni događaj. Elementarne događaje profesori različito obeležavaju,

Διαβάστε περισσότερα

Statistika i osnovna mjerenja

Statistika i osnovna mjerenja Statistika i osnovna mjerenja Teorija vjerojatnosti M. Makek 2016/2017 Uvod Pokus bilo koji postupak ili proces koji rezultira opažanjem Ishod moguć rezultat pokusa (različiti ishodi se međusobno isključuju)

Διαβάστε περισσότερα

SISTEMI NELINEARNIH JEDNAČINA

SISTEMI NELINEARNIH JEDNAČINA SISTEMI NELINEARNIH JEDNAČINA April, 2013 Razni zapisi sistema Skalarni oblik: Vektorski oblik: F = f 1 f n f 1 (x 1,, x n ) = 0 f n (x 1,, x n ) = 0, x = (1) F(x) = 0, (2) x 1 0, 0 = x n 0 Definicije

Διαβάστε περισσότερα

( x) ( ) ( ) ( x) ( ) ( x) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

( x) ( ) ( ) ( x) ( ) ( x) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Zadatak 08 (Vedrana, maturantica) Je li unkcija () = cos (sin ) sin (cos ) parna ili neparna? Rješenje 08 Funkciju = () deiniranu u simetričnom području a a nazivamo: parnom, ako je ( ) = () neparnom,

Διαβάστε περισσότερα

Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama.

Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. a b Verovatno a da sluqajna promenljiva X uzima vrednost iz intervala

Διαβάστε περισσότερα

U teoriji vjerojatnosti razmatraju se događaji koji se mogu, ali ne moraju dogoditi. Takvi se događaji zovu slučajnim događajima.

U teoriji vjerojatnosti razmatraju se događaji koji se mogu, ali ne moraju dogoditi. Takvi se događaji zovu slučajnim događajima. Sažetak vjerojatnost Skup ishoda U teoriji vjerojatnosti razmatraju se događaji koji se mogu, ali ne moraju dogoditi. Takvi se događaji zovu slučajnim događajima. Jednostavne događaje u nekom pokusu zvat

Διαβάστε περισσότερα

41. Jednačine koje se svode na kvadratne

41. Jednačine koje se svode na kvadratne . Jednačine koje se svode na kvadrane Simerične recipročne) jednačine Jednačine oblika a n b n c n... c b a nazivamo simerične jednačine, zbog simeričnosi koeficijenaa koeficijeni uz jednaki). k i n k

Διαβάστε περισσότερα

Jednodimenzionalne slučajne promenljive

Jednodimenzionalne slučajne promenljive Jednodimenzionalne slučajne promenljive Definicija slučajne promenljive Neka je X f-ja def. na prostoru verovatnoća (Ω, F, P) koja preslikava prostor el. ishoda Ω u skup R realnih brojeva: (1)Skup {ω/

Διαβάστε περισσότερα

π π ELEKTROTEHNIČKI ODJEL i) f (x) = x 3 x 2 x + 1, a = 1, b = 1;

π π ELEKTROTEHNIČKI ODJEL i) f (x) = x 3 x 2 x + 1, a = 1, b = 1; 1. Provjerite da funkcija f definirana na segmentu [a, b] zadovoljava uvjete Rolleova poučka, pa odredite barem jedan c a, b takav da je f '(c) = 0 ako je: a) f () = 1, a = 1, b = 1; b) f () = 4, a =,

Διαβάστε περισσότερα

Mate Vijuga: Rijeseni zadaci iz matematike za srednju skolu

Mate Vijuga: Rijeseni zadaci iz matematike za srednju skolu 16. UVOD U STATISTIKU Statistika je nauka o sakupljanju i analizi sakupljenih podatka u cilju donosenja zakljucaka o mogucem toku ili obliku neizvjesnosti koja se obradjuje. Frekventna distribucija - je

Διαβάστε περισσότερα

Statistika. primjeri i zadaci. Ante Mimica, Marina Ninčević. 30. kolovoza 2010.

Statistika. primjeri i zadaci. Ante Mimica, Marina Ninčević. 30. kolovoza 2010. Statistika primjeri i zadaci Ante Mimica, Marina Ninčević 3. kolovoza. Sadržaj Opisna statistika 5. Zadaci za vježbu................................ 4 Neprekidne slučajne varijable 47. Normalna distribucija..............................

Διαβάστε περισσότερα

Testiranje statističkih hipoteza Materijali za nastavu iz Statistike

Testiranje statističkih hipoteza Materijali za nastavu iz Statistike Testiranje statističkih hipoteza Materijali za nastavu iz Statistike Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 39 Uvod Osnovna zadaća Statistike je na temelju uzorka ocijeniti kakvu razdiobu

Διαβάστε περισσότερα

Slučajna varijabla i vjerojatnost.

Slučajna varijabla i vjerojatnost. Statistika, Prehrambeno-tehnološki fakultet 1 Slučajna varijabla i vjerojatnost. Primjer 1: Promotrimo pokus koji se sastoji od zagrijavanja određene količine vode pod normalnim atmosferskim tlakom na

Διαβάστε περισσότερα

- pravac n je zadan s točkom T(2,0) i koeficijentom smjera k=2. (30 bodova)

- pravac n je zadan s točkom T(2,0) i koeficijentom smjera k=2. (30 bodova) MEHANIKA 1 1. KOLOKVIJ 04/2008. grupa I 1. Zadane su dvije sile F i. Sila F = 4i + 6j [ N]. Sila je zadana s veličinom = i leži na pravcu koji s koordinatnom osi x zatvara kut od 30 (sve komponente sile

Διαβάστε περισσότερα

UVOD DEFINICIJA: Statistika planiranje i provođenje pokusa skupljanje podataka interpretacija

UVOD DEFINICIJA: Statistika planiranje i provođenje pokusa skupljanje podataka interpretacija OSNOVE STATISTIKE UVOD DEFINICIJA: Statistika je grana matematike koja obuhvaća sakupljanje, analizu, interpretaciju i prezentaciju podataka te izradu predviđanja koja se temelje na tim podacima. Smatra

Διαβάστε περισσότερα

4. poglavlje (korigirano) LIMESI FUNKCIJA

4. poglavlje (korigirano) LIMESI FUNKCIJA . Limesi funkcija (sa svim korekcijama) 69. poglavlje (korigirano) LIMESI FUNKCIJA U ovom poglavlju: Neodređeni oblik Neodređeni oblik Neodređeni oblik Kose asimptote Neka je a konačan realan broj ili

Διαβάστε περισσότερα

Više dokaza jedne poznate trigonometrijske nejednakosti u trokutu

Više dokaza jedne poznate trigonometrijske nejednakosti u trokutu Osječki matematički list 000), 5 9 5 Više dokaza jedne poznate trigonometrijske nejednakosti u trokutu Šefket Arslanagić Alija Muminagić Sažetak. U radu se navodi nekoliko različitih dokaza jedne poznate

Διαβάστε περισσότερα

9. GRANIČNA VRIJEDNOST I NEPREKIDNOST FUNKCIJE GRANIČNA VRIJEDNOST ILI LIMES FUNKCIJE

9. GRANIČNA VRIJEDNOST I NEPREKIDNOST FUNKCIJE GRANIČNA VRIJEDNOST ILI LIMES FUNKCIJE Geodetski akultet, dr sc J Beban-Brkić Predavanja iz Matematike 9 GRANIČNA VRIJEDNOST I NEPREKIDNOST FUNKCIJE GRANIČNA VRIJEDNOST ILI LIMES FUNKCIJE Granična vrijednost unkcije kad + = = Primjer:, D( )

Διαβάστε περισσότερα

radni nerecenzirani materijal za predavanja

radni nerecenzirani materijal za predavanja Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Kažemo da je funkcija f : a, b R u točki x 0 a, b postiže lokalni minimum ako postoji okolina O(x 0 ) broja x 0 takva da je

Διαβάστε περισσότερα

2.7 Primjene odredenih integrala

2.7 Primjene odredenih integrala . INTEGRAL 77.7 Primjene odredenih integrala.7.1 Računanje površina Pořsina lika omedenog pravcima x = a i x = b te krivuljama y = f(x) i y = g(x) je b P = f(x) g(x) dx. a Zadatak.61 Odredite površinu

Διαβάστε περισσότερα

Četrnaesto predavanje iz Teorije skupova

Četrnaesto predavanje iz Teorije skupova Četrnaesto predavanje iz Teorije skupova 27. 01. 2006. Kratki rezime prošlog predavanja: Dokazali smo teorem rekurzije, te primjenom njega definirali zbrajanje ordinalnih brojeva. Prvo ćemo navesti osnovna

Διαβάστε περισσότερα

Vjerojatnost i matematička statistika

Vjerojatnost i matematička statistika Vjerojatnost i matematička statistika Ante Mimica Poslijediplomski specijalistički studij aktuarske matematike 29. siječnja 2016. Sadržaj kolegija 1. Opisna analiza podataka 2. Slučajne varijable 3. Funkcije

Διαβάστε περισσότερα

Parametarski zadane neprekidne distribucije

Parametarski zadane neprekidne distribucije Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Kristijan Šućur Parametarski zadane neprekidne distribucije Završni rad Osijek, 217. Sveučilište

Διαβάστε περισσότερα

4.1 Elementarne funkcije

4.1 Elementarne funkcije . Elementarne funkcije.. Polinomi Funkcija f : R R zadana formulom f(x) = a n x n + a n x n +... + a x + a 0 gdje je n N 0 te su a n, a n,..., a, a 0 R, zadani brojevi takvi da a n 0 naziva se polinom

Διαβάστε περισσότερα

Zadaci iz Osnova matematike

Zadaci iz Osnova matematike Zadaci iz Osnova matematike 1. Riješiti po istinitosnoj vrijednosti iskaza p, q, r jednačinu τ(p ( q r)) =.. Odrediti sve neekvivalentne iskazne formule F = F (p, q) za koje je iskazna formula p q p F

Διαβάστε περισσότερα

4 Testiranje statističkih hipoteza

4 Testiranje statističkih hipoteza 4 Testiranje statističkih hipoteza 1 4.1. Statistička hipoteza Promatramo statističko obilježje X. Statistička hipoteza je (bilo koja) pretpostavka o (populacijskoj) razdiobi od X. Kažemo da je statistička

Διαβάστε περισσότερα

Ispitivanje toka i skiciranje grafika funkcija

Ispitivanje toka i skiciranje grafika funkcija Ispitivanje toka i skiciranje grafika funkcija Za skiciranje grafika funkcije potrebno je ispitati svako od sledećih svojstava: Oblast definisanosti: D f = { R f R}. Parnost, neparnost, periodičnost. 3

Διαβάστε περισσότερα

IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f

IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f 2. Nule i znak funkcije; presek sa y-osom IspitivaƬe

Διαβάστε περισσότερα

VJEŽBE IZ MATEMATIKE 1

VJEŽBE IZ MATEMATIKE 1 VJEŽBE IZ MATEMATIKE 1 Ivana Baranović Miroslav Jerković Lekcija 8 Pojam funkcije, grafa i inverzne funkcije Poglavlje 1 Funkcije Neka su X i Y dva neprazna skupa. Ako je po nekom pravilu, ozna imo ga

Διαβάστε περισσότερα

MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15

MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15 MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15 Matrice - osnovni pojmovi (Matrice i determinante) 2 / 15 (Matrice i determinante) 2 / 15 Matrice - osnovni pojmovi Matrica reda

Διαβάστε περισσότερα

( , treći kolokvij) 3. Na dite lokalne ekstreme funkcije z = x 4 + y 4 2x 2 + 2y 2 3. (20 bodova)

( , treći kolokvij) 3. Na dite lokalne ekstreme funkcije z = x 4 + y 4 2x 2 + 2y 2 3. (20 bodova) A MATEMATIKA (.6.., treći kolokvij. Zadana je funkcija z = e + + sin(. Izračunajte a z (,, b z (,, c z.. Za funkciju z = 3 + na dite a diferencijal dz, b dz u točki T(, za priraste d =. i d =.. c Za koliko

Διαβάστε περισσότερα

KVADRATNA FUNKCIJA. Kvadratna funkcija je oblika: Kriva u ravni koja predstavlja grafik funkcije y = ax + bx + c. je parabola.

KVADRATNA FUNKCIJA. Kvadratna funkcija je oblika: Kriva u ravni koja predstavlja grafik funkcije y = ax + bx + c. je parabola. KVADRATNA FUNKCIJA Kvadratna funkcija je oblika: = a + b + c Gde je R, a 0 i a, b i c su realni brojevi. Kriva u ravni koja predstavlja grafik funkcije = a + b + c je parabola. Najpre ćemo naučiti kako

Διαβάστε περισσότερα

MATEMATIKA Pokažite da za konjugiranje (a + bi = a bi) vrijedi. a) z=z b) z 1 z 2 = z 1 z 2 c) z 1 ± z 2 = z 1 ± z 2 d) z z= z 2

MATEMATIKA Pokažite da za konjugiranje (a + bi = a bi) vrijedi. a) z=z b) z 1 z 2 = z 1 z 2 c) z 1 ± z 2 = z 1 ± z 2 d) z z= z 2 (kompleksna analiza, vježbe ). Izračunajte a) (+i) ( i)= b) (i+) = c) i + i 4 = d) i+i + i 3 + i 4 = e) (a+bi)(a bi)= f) (+i)(i )= Skicirajte rješenja u kompleksnoj ravnini.. Pokažite da za konjugiranje

Διαβάστε περισσότερα

1 Aksiomatska definicija skupa realnih brojeva

1 Aksiomatska definicija skupa realnih brojeva 1 Aksiomatska definicija skupa realnih brojeva Definicija 1 Polje realnih brojeva je skup R = {x, y, z...} u kojemu su definirane dvije binarne operacije zbrajanje (oznaka +) i množenje (oznaka ) i jedna binarna

Διαβάστε περισσότερα

OSNOVNI PRINCIPI PREBROJAVANJA. () 6. studenog 2011. 1 / 18

OSNOVNI PRINCIPI PREBROJAVANJA. () 6. studenog 2011. 1 / 18 OSNOVNI PRINCIPI PREBROJAVANJA () 6. studenog 2011. 1 / 18 TRI OSNOVNA PRINCIPA PREBROJAVANJA -vrlo često susrećemo se sa problemima prebrojavanja elemenata nekog konačnog skupa S () 6. studenog 2011.

Διαβάστε περισσότερα

Grafičko prikazivanje atributivnih i geografskih nizova

Grafičko prikazivanje atributivnih i geografskih nizova Grafičko prikazivanje atributivnih i geografskih nizova Biserka Draščić Ban Pomorski fakultet u Rijeci 17. veljače 2011. Grafičko prikazivanje atributivnih nizova Atributivni nizovi prikazuju se grafički

Διαβάστε περισσότερα

4 Funkcije. 4.1 Pojam funkcije

4 Funkcije. 4.1 Pojam funkcije 4 Funkcije 4.1 Pojam unkcije Neka su i neprazni skupovi i pravilo koje svakom elementu skupa pridružuje točno jedan element skupa. Tada se uredena trojka (,, ) naziva preslikavanje ili unkcija sa skupa

Διαβάστε περισσότερα

Aritmetička sredina Medijan Mod. Harmonijska sredina

Aritmetička sredina Medijan Mod. Harmonijska sredina MJERE CENTRALNE TENDENCIJE Aritmetička sredina Medijan Mod Geometrijska sredina Harmonijska sredina MJERA CENTRALNE TENDENCIJE ili središnja vrijednost jest brojčana vrijednost koja reprezentira skupinu

Διαβάστε περισσότερα

1 Osnovni pojmovi Tipovi varijabli Skale mjerenja... 3

1 Osnovni pojmovi Tipovi varijabli Skale mjerenja... 3 Sadržaj Predgovor iii 1 Osnovni pojmovi 1 1.1 Tipovi varijabli............................ 2 1.2 Skale mjerenja............................ 3 2 Organizacija i prikazivanje podataka 5 2.1 Sirovi podatci.............................

Διαβάστε περισσότερα

Karakteristične funkcije

Karakteristične funkcije Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Matea Spajić Karakteristične funkcije Završni rad Osijek, 2015. Sveučilište J. J. Strossmayera u

Διαβάστε περισσότερα

Riješeni zadaci: Realni brojevi i realne funkcije jedne realne varijable

Riješeni zadaci: Realni brojevi i realne funkcije jedne realne varijable Riješeni zadaci: Realni brojevi i realne funkcije jedne realne varijable Infimum i supremum skupa Zadatak 1. Neka je S = (, 1) [1, 7] {10}. Odrediti: (a) inf S, (b) sup S. (a) inf S =, (b) sup S = 10.

Διαβάστε περισσότερα

2. KOLOKVIJ IZ MATEMATIKE 1

2. KOLOKVIJ IZ MATEMATIKE 1 2 cos(3 π 4 ) sin( + π 6 ). 2. Pomoću linearnih transformacija funkcije f nacrtajte graf funkcije g ako je, g() = 2f( + 3) +. 3. Odredite domenu funkcije te odredite f i njenu domenu. log 3 2 + 3 7, 4.

Διαβάστε περισσότερα

MATEMATIKA 2. Grupa 1 Rexea zadataka. Prvi pismeni kolokvijum, Dragan ori

MATEMATIKA 2. Grupa 1 Rexea zadataka. Prvi pismeni kolokvijum, Dragan ori MATEMATIKA 2 Prvi pismeni kolokvijum, 14.4.2016 Grupa 1 Rexea zadataka Dragan ori Zadaci i rexea 1. unkcija f : R 2 R definisana je sa xy 2 f(x, y) = x2 + y sin 3 2 x 2, (x, y) (0, 0) + y2 0, (x, y) =

Διαβάστε περισσότερα

STATISTIKA I OSNOVE FIZIKALNIH MJERENJA

STATISTIKA I OSNOVE FIZIKALNIH MJERENJA STATISTIKA I OSNOVE FIZIKALNIH MJERENJA ŽELJKO SKOKO PREDAVANJA: ČETVRTAK, 12-14 h, F25 VJEŽBE: ČETVRTAK, 14-15 h, F25 MIRKO BAĆANI KONZULTACIJE: PETAK, 11-12.30 h ili prema dogovoru e-mail: zskoko@phy.hr

Διαβάστε περισσότερα

Zadaci iz trigonometrije za seminar

Zadaci iz trigonometrije za seminar Zadaci iz trigonometrije za seminar FON: 1. Vrednost izraza sin 1 cos 6 jednaka je: ; B) 1 ; V) 1 1 + 1 ; G) ; D). 16. Broj rexea jednaqine sin x cos x + cos x = sin x + sin x na intervalu π ), π je: ;

Διαβάστε περισσότερα

Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu

Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu Trigonometrijske jednačine i nejednačine. Zadaci koji se rade bez upotrebe trigonometrijskih formula. 00. FF cos x sin x

Διαβάστε περισσότερα

Matematičke metode u marketingumultidimenzionalno skaliranje. Lavoslav ČaklovićPMF-MO

Matematičke metode u marketingumultidimenzionalno skaliranje. Lavoslav ČaklovićPMF-MO Matematičke metode u marketingu Multidimenzionalno skaliranje Lavoslav Čaklović PMF-MO 2016 MDS Čemu služi: za redukciju dimenzije Bazirano na: udaljenosti (sličnosti) među objektima Problem: Traži se

Διαβάστε περισσότερα

1 Diferencijabilnost Motivacija. Kažemo da je funkcija f : a, b R derivabilna u točki c a, b ako postoji limes f f(x) f(c) (c) = lim.

1 Diferencijabilnost Motivacija. Kažemo da je funkcija f : a, b R derivabilna u točki c a, b ako postoji limes f f(x) f(c) (c) = lim. 1 Diferencijabilnost 11 Motivacija Kažemo da je funkcija f : a, b R derivabilna u točki c a, b ako postoji es f f(x) f(c) (c) x c x c Najbolja linearna aproksimacija funkcije f je funkcija l(x) = f(c)

Διαβάστε περισσότερα

Periodične funkcije. Branimir Dakić, Zagreb

Periodične funkcije. Branimir Dakić, Zagreb Periodične funkcije Branimir Dakić, Zagreb Periodičnost 1 je pojava koju susrećemo na svakom koraku. Periodične su mnoge prirodne pojave, primjerice izmjena dana i noći ili izmjena godišnjih doba, pojava

Διαβάστε περισσότερα

Neprekinute funkcije i limesi Definicija neprekinute funkcije i njen odnos prema limesu Asimptote Svojstva neprekinutih funkcija

Neprekinute funkcije i limesi Definicija neprekinute funkcije i njen odnos prema limesu Asimptote Svojstva neprekinutih funkcija Sadržaj: Nizovi brojeva Pojam niza Limes niza. Konvergentni nizovi Neki važni nizovi. Broj e. Limes funkcije Definicija esa Računanje esa Jednostrani esi Neprekinute funkcije i esi Definicija neprekinute

Διαβάστε περισσότερα

KONVEKSNI SKUPOVI. Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5. Back FullScr

KONVEKSNI SKUPOVI. Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5. Back FullScr KONVEKSNI SKUPOVI Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5 KONVEKSNI SKUPOVI Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5 1. Neka su x, y R n,

Διαβάστε περισσότερα

1.3. Rješavanje nelinearnih jednadžbi

1.3. Rješavanje nelinearnih jednadžbi 1.3. Rješavanje nelinearnih jednadžbi Rješavanje nelinearnih jednadžbi sastoji se od dva bitna koraka: nalaženja intervala u kojem se nalazi nultočka (analizom toka), što je teži dio posla, nalaženja nultočke

Διαβάστε περισσότερα

Statističko zaključivanje jedna varijabla

Statističko zaključivanje jedna varijabla Poglavlje 5 Statističko zaključivanje jedna varijabla 5.1 Procjena distribucije, očekivanja i varijance U prethodnim poglavljima naučili smo da se veličine promatrane na jedinkama obuhvaćenim nekim istraživanjem

Διαβάστε περισσότερα

Uvod u teoriju brojeva. Andrej Dujella

Uvod u teoriju brojeva. Andrej Dujella Uvod u teoriju brojeva (skripta) Andrej Dujella PMF - Matematički odjel Sveučilište u Zagrebu Sadržaj. Djeljivost.... Kongruencije... 3. Kvadratni ostatci... 9 4. Kvadratne forme... 38 5. Aritmetičke funkcije...

Διαβάστε περισσότερα

Geometrija (I smer) deo 1: Vektori

Geometrija (I smer) deo 1: Vektori Geometrija (I smer) deo 1: Vektori Srdjan Vukmirović Matematički fakultet, Beograd septembar 2013. Vektori i linearne operacije sa vektorima Definicija Vektor je klasa ekvivalencije usmerenih duži. Kažemo

Διαβάστε περισσότερα

Diferencijalni račun

Diferencijalni račun ni račun October 28, 2008 ni račun Uvod i motivacija Točka infleksije ni račun Realna funkcija jedne realne varijable Neka je X neprazan podskup realnih brojeva. Ako svakom elementu x X po postupku f pridružimo

Διαβάστε περισσότερα

ASIMPTOTE FUNKCIJA. Dakle: Asimptota je prava kojoj se funkcija približava u beskonačno dalekoj tački. Postoje tri vrste asimptota:

ASIMPTOTE FUNKCIJA. Dakle: Asimptota je prava kojoj se funkcija približava u beskonačno dalekoj tački. Postoje tri vrste asimptota: ASIMPTOTE FUNKCIJA Naš savet je da najpre dobro proučite granične vrednosti funkcija Neki profesori vole da asimptote funkcija ispituju kao ponašanje funkcije na krajevima oblasti definisanosti, pa kako

Διαβάστε περισσότερα

BILJEŠKE ZA PREDAVANJA (za internu uporabu)

BILJEŠKE ZA PREDAVANJA (za internu uporabu) 1. Statistika - Nazivlje... 2 2. Statistika podjela statističkih analiza... 2 3. Objekti, varijable, mjerne skale... 3 4. Ekstremne i nedostajuće vrijednosti podaci... 4 5. Ciljevi statističke analize...

Διαβάστε περισσότερα

Prvi pismeni zadatak iz Analize sa algebrom novembar Ispitati znak funkcije f(x) = tgx x x3. 2. Naći graničnu vrednost lim x a

Prvi pismeni zadatak iz Analize sa algebrom novembar Ispitati znak funkcije f(x) = tgx x x3. 2. Naći graničnu vrednost lim x a Testovi iz Analize sa algebrom 4 septembar - oktobar 009 Ponavljanje izvoda iz razreda (f(x) = x x ) Ispitivanje uslova Rolove teoreme Ispitivanje granične vrednosti f-je pomoću Lopitalovog pravila 4 Razvoj

Διαβάστε περισσότερα

4 Numeričko diferenciranje

4 Numeričko diferenciranje 4 Numeričko diferenciranje 7. Funkcija fx) je zadata tabelom: x 0 4 6 8 fx).17 1.5167 1.7044 3.385 5.09 7.814 Koristeći konačne razlike, zaključno sa trećim redom, odrediti tačku x minimuma funkcije fx)

Διαβάστε περισσότερα

Dužina luka i oskulatorna ravan

Dužina luka i oskulatorna ravan Dužina luka i oskulatorna ravan Diferencijalna geometrija Vježbe Rješenja predati na predavanjima, u srijedu 9. ožujka 16. god. Zadatak 1. Pokazati da je dužina luka invarijantna pod reparametrizacijom

Διαβάστε περισσότερα

2.6 Nepravi integrali

2.6 Nepravi integrali 66. INTEGRAL.6 Neprvi integrli Definicij. Nek je f : [, R funkcij koj je Riemnn integrbiln n svkom podsegmentu [, ] od [,. Ako postoji končn es f() (.4) ond se tj es zove neprvi integrl funkcije f n [,

Διαβάστε περισσότερα

Program za tablično računanje Microsoft Excel

Program za tablično računanje Microsoft Excel Program za tablično računanje Microsoft Excel Teme Formule i funkcije Zbrajanje Oduzimanje Množenje Dijeljenje Izračun najveće vrijednosti Izračun najmanje vrijednosti 2 Formule i funkcije Naravno da je

Διαβάστε περισσότερα

Skupovi brojeva Materijali za nastavu iz Matematike 1

Skupovi brojeva Materijali za nastavu iz Matematike 1 Skupovi brojeva Materijali za nastavu iz Matematike 1 Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 32 Podsjetnik teorije skupova Operacije sa skupovima: A B = {x : x A x B} A B = {x : x A

Διαβάστε περισσότερα

Uvod u neparametarske testove

Uvod u neparametarske testove Str. 148 Uvod u neparametarske testove Predavač: Dr Mirko Savić savicmirko@ef.uns.ac.rs www.ef.uns.ac.rs Hi-kvadrat testovi c Str. 149 Koristi se za upoređivanje dve serije frekvencija. Vrste c testa:

Διαβάστε περισσότερα

STATISTIKA. KONCEPTI : POPULACIJA i UZORAK. Primjer: svi glasači, samo neki glasači

STATISTIKA. KONCEPTI : POPULACIJA i UZORAK. Primjer: svi glasači, samo neki glasači STATISTIKA KONCEPTI : POPULACIJA i UZORAK Primjer: svi glasači, samo neki glasači populacija uključuje sve podatke, a uzorak samo dio, slučajno izabranih kako procjeniti reprezentativni element? MJERE

Διαβάστε περισσότερα

Matrice linearnih operatora i množenje matrica. Franka Miriam Brückler

Matrice linearnih operatora i množenje matrica. Franka Miriam Brückler Matrice linearnih operatora i množenje matrica Franka Miriam Brückler Kako je svaki vektorski prostor konačne dimenzije izomorfan nekom R n (odnosno C n ), pri čemu se ta izomorfnost očituje odabirom baze,

Διαβάστε περισσότερα

DRUGI KOLOKVIJUM IZ MATEMATIKE 9x + 6y + z = 1 4x 2y + z = 1 x + 2y + 3z = 2. je neprekidna za a =

DRUGI KOLOKVIJUM IZ MATEMATIKE 9x + 6y + z = 1 4x 2y + z = 1 x + 2y + 3z = 2. je neprekidna za a = x, y, z) 2 2 1 2. Rešiti jednačinu: 2 3 1 1 2 x = 1. x = 3. Odrediti rang matrice: rang 9x + 6y + z = 1 4x 2y + z = 1 x + 2y + 3z = 2. 2 0 1 1 1 3 1 5 2 8 14 10 3 11 13 15 = 4. Neka je A = x x N x < 7},

Διαβάστε περισσότερα

VVR,EF Zagreb. November 24, 2009

VVR,EF Zagreb. November 24, 2009 November 24, 2009 Homogena funkcija Parcijalna elastičnost Eulerov teorem Druge parcijalne derivacije Interpretacija Lagrangeovog množitelja Ako je (x, y) R 2 uredjeni par realnih brojeva, onda je s (x,

Διαβάστε περισσότερα

Ovo nam govori da funkcija nije ni parna ni neparna, odnosno da nije simetrična ni u odnosu na y osu ni u odnosu na

Ovo nam govori da funkcija nije ni parna ni neparna, odnosno da nije simetrična ni u odnosu na y osu ni u odnosu na . Ispitati tok i skicirati grafik funkcij = Oblast dfinisanosti (domn) Ova funkcija j svuda dfinisana, jr nma razlomka a funkcija j dfinisana za svako iz skupa R. Dakl (, ). Ovo nam odmah govori da funkcija

Διαβάστε περισσότερα

Sadrˇzaj. Sadrˇzaj MATEMATIČKA STATISTIKA DESKRIPTIVNA STATISTIKA Ponovimo... 15

Sadrˇzaj. Sadrˇzaj MATEMATIČKA STATISTIKA DESKRIPTIVNA STATISTIKA Ponovimo... 15 Sadrˇzaj Sadrˇzaj 1 11 MATEMATIČKA STATISTIKA 3 11.1 DESKRIPTIVNA STATISTIKA..................... 5 11. Poovimo................................. 15 1 Radi materijal Poglavlje 11 MATEMATIČKA STATISTIKA

Διαβάστε περισσότερα

KONAČNA MATEMATIKA Egzistencija kombinatornih konfiguracija Dirichlet-ov i Ramseyev teorem

KONAČNA MATEMATIKA Egzistencija kombinatornih konfiguracija Dirichlet-ov i Ramseyev teorem Природно-математички факултет, Универзитет у Нишу, Србија http://www.pmf.ni.ac.yu/mii Математика и информатика 1 (3) (2009), 19-24 KONAČNA MATEMATIKA Egzistencija kombinatornih konfiguracija Dirichlet-ov

Διαβάστε περισσότερα

x + t x 2 x t x 2 t x = + x + = + x + = t 2. 3 y y [x množi cijelu zagradu] y y 2 x [na lijevu stranu prebacimo nepoznanicu y] [izlučimo 3 y ] x x x

x + t x 2 x t x 2 t x = + x + = + x + = t 2. 3 y y [x množi cijelu zagradu] y y 2 x [na lijevu stranu prebacimo nepoznanicu y] [izlučimo 3 y ] x x x Zadatak 00 (Sanja, gimnazija) Odredi realnu funkciju f() ako je f ( ) = Rješenje 00 Uvedemo supstituciju (zamjenu varijabli) = t Kvadriramo: t t t = = = = t Uvrstimo novu varijablu u funkciju: f(t) = t

Διαβάστε περισσότερα

Statistička obrada podataka

Statistička obrada podataka Statistička obrada podataka Ana Anušić Ervin Duraković Hrvoje Maltarić Ivan Pažin Sažetak U ovom članku provodimo statističko istraživanje koje se bazira na zavisnosti uspjeha na prijamnom ispitu i prve

Διαβάστε περισσότερα

OPĆINSKO/ŠKOLSKO NATJECANJE IZ MATEMATIKE 4. veljače razred-rješenja

OPĆINSKO/ŠKOLSKO NATJECANJE IZ MATEMATIKE 4. veljače razred-rješenja OPĆINSKO/ŠKOLSKO NATJECANJE IZ MATEMATIKE 4. veljače 00. 4. razred-rješenja. 00 + 00 + 00 3 + 00 4 + 00 = 00 ( + + 3 + 4 + ) = 00 = 300... UKUPNO 4 BODA. 96 8 : 4 + 0 ( 68 66 ) = 96 7 + 0 = 89 + 0 = 09...

Διαβάστε περισσότερα

Vjerojatnost - 1. dio. Uvod u vjerojatnost. 1. Kolika je vjerojatnost da se pri bacanju dviju kocki pojavi: a) zbroj 8 b) barem jedna četvorka?

Vjerojatnost - 1. dio. Uvod u vjerojatnost. 1. Kolika je vjerojatnost da se pri bacanju dviju kocki pojavi: a) zbroj 8 b) barem jedna četvorka? Vjerojatnost - 1. dio Uvod u vjerojatnost 1. Kolika je vjerojatnost da se pri bacanju dviju kocki pojavi: a zbroj 8 b barem jedna četvorka? ( 5, 11 36 36. Ako se znade da je od 100 žarulja pet neispravnih,

Διαβάστε περισσότερα