VJEROVATNO

´
CA I STATISTIKA
Zoran Mitrovi´c
Elektrotehniˇcki fakultet u Banjaluci
2
Sadrˇzaj
1 Predgovor 5
2 Prostor vjerovatno´ca 7
2.1 Prostor elementarnih dogadaja . . . . . . . . . . . . . . . . . . . 7
2.2 Relacije i operacije sa dogadajima . . . . . . . . . . . . . . . . . 8
2.3 Aksiome teorije vjerovatno´ce . . . . . . . . . . . . . . . . . . . . 9
2.4 Osobine vjerovatno´ce . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3 Uslovna vjerovatno´ca 15
3.1 Uslovna vjerovatno´ca . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Nezavisni dogadaji . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Fomula potpune vjerovatno´ce . . . . . . . . . . . . . . . . . . . . 17
3.4 Bajesova formula . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4 Viˇsestruka ispitivanja 27
4.1 Bernulijeva ˇsema . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Najvjerovatniji broj pojavljivanja dogadaja . . . . . . . . . . . . 28
4.3 Puasonova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4 Normalna (Gausova) raspodjela . . . . . . . . . . . . . . . . . . . 30
4.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5 Sluˇcajne promjenljive 35
5.1 Definicija i neki primjeri . . . . . . . . . . . . . . . . . . . . . . . 35
5.2 Zakon raspodjele sluˇcajne promjenljive
diskretnog tipa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.3 Funkcija raspodjele sluˇcajne promjenljive . . . . . . . . . . . . . 37
5.4 Sluˇcajne promjenljive neprekidnog tipa . . . . . . . . . . . . . . . 39
5.5 Pregled vaˇznijih raspodjela . . . . . . . . . . . . . . . . . . . . . 40
5.6 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3
4 SADR
ˇ
ZAJ
6 Sluˇcajni vektori 43
6.1 Sluˇcajni vektori . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2 Funkcija raspodjele sluˇcajnog vektora . . . . . . . . . . . . . . . 45
6.3 Uslovne raspodjele . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.4 Funkcije sluˇcajnih promjenljivih . . . . . . . . . . . . . . . . . . . 47
6.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
7 Numeriˇcke karakteristike sluˇcajnih promjenljivih 51
7.1 Matematiˇcko oˇcekivanje . . . . . . . . . . . . . . . . . . . . . . . 51
7.2 Varijansa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
7.3 Kovarijansa i koeficijent korelacije . . . . . . . . . . . . . . . . . 55
7.4 Matematiˇcko oˇcekivanje i varijansa nekih raspodjela . . . . . . . 57
7.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
8 Karakteristiˇcne funkcije 61
8.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
8.2 Osnovne osobine . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
8.3 Karakteristiˇcne funkcije nekih raspodjela . . . . . . . . . . . . . . 65
8.4 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
9 Graniˇcne teoreme 67
9.1
ˇ
Cebiˇsevljeva nejednakost . . . . . . . . . . . . . . . . . . . . . . . 67
9.2 Neke graniˇcne teoreme . . . . . . . . . . . . . . . . . . . . . . . . 68
9.3 Vrste konvergencija u teoriji vjerovatno´ce . . . . . . . . . . . . . 69
9.4 Centralna graniˇcna teorema . . . . . . . . . . . . . . . . . . . . . 70
9.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
10 Matematiˇcka statistika 73
10.1 Osnovni pojmovi . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.2 Ocjenjivanje parametara raspodjela . . . . . . . . . . . . . . . . . 74
10.3 Intervali povjerenja za nepoznatu binomnu vjerovatno´cu . . . . . 77
10.4 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
11 Sluˇcajni procesi 79
11.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.2 Lanci Markova . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.3 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
12 Literatura 83
Glava 1
Predgovor
5
6 GLAVA 1. PREDGOVOR
Glava 2
Prostor vjerovatno´ca
Uslovi nekog eksperimenta (opita) ne moraju jednoznaˇcno odredivati rezul-
tat. Na primjer ako se eksperiment sastoji u ”bacanju”novˇci´ca rezultat nije
jednoznaˇcan, jer se moˇze desiti da padne pismo (P) ili grb (G). Moˇzemo re´ci
da se u ovom sluˇcaju radi o sluˇcajnoj pojavi. Izuˇcavanjem zakonitosti sluˇcajnih
pojava bavi se teorija vjerovatno´ce.
Teorija vjerovatno´ce se poˇcela razvijati u 16. vijeku. Prva knjiga iz ove oblasti
je ”De Ludo Aleae” (O igri kockom), koja je ˇstampana 1663. godine. Njen autor
je Girolamo Cardano. Osnivaˇcem moderne teorije vjerovatno´ce smatra se Alek-
sandar Kolmogorov. On je 1933. godine dao aksiomatsko zasnivanje teorije
vjerovatno´ce. Teorija vjerovatno´ce je sastavni dio nekoliko nauˇcnih oblasti
na primjer: teorije telekomunikacija, teorije pouzdanosti, teorije informacija,
teorije automatskog upravljanja.
2.1 Prostor elementarnih dogadaja
Definicija 2.1. • Skup Ω svih mogu´cih ishoda nekog opita naziva se pros-
tor elementarnih dogadaja.
• Sluˇcajan dogadaj (dogadaj) je bilo koji podskup skupa Ω.
• Nemogu´c dogadaj oznaˇcavamo sa ∅, a Ω je siguran dogadaj.
Primjer 2.1. 1. Baca se kocka i registruje broj koji je pao na gornjoj strani.
Neka je A dogadaj koji oznaˇcava da je pao paran broj. Tada je
Ω = {ω
1
, ω
2
, ω
3
, ω
4
, ω
5
, ω
6
} i A = {ω
2
, ω
4
, ω
6
}, gdje je ω
k
−pao je broj k.
2. Novˇci´c se baca ˇcetiri puta i registruje koliko je ukupno puta palo pismo.
Neka je A dogadaj: broj pisama jednak je broju grbova. Tada je
Ω = {GGGG, GGGP, . . . , PPPP}.
Broj elemenata skupa Ω je 2
4
= 16. Dogadaj
A = {GGPP, GPGP, GPPG, PGGP, PGPG, PPGG}
7
8 GLAVA 2. PROSTOR VJEROVATNO
´
CA
i ima 6 elemenata.
3. Novˇci´c se baca do pojave grba. Ovde je
Ω = {G, PG, PPG, . . .} i ima beskonaˇcno elemenata.
4. Gada se kruˇzna meta polupreˇcnika r i registruje udaljenost pogotka od
centra mete. Neka je ∞ oznaka za promaˇsaj. Tada je
Ω = {x ∈ R : 0 ≤ x ≤ r} ∪ {∞}.
U ovom sluˇcaju Ω ima neprebrojivo elemenata.
Primjer 2.2. U kutiji se nalaze ˇcetiri listi´ca oznaˇcena brojevima 1, 2, 3, 4.
Odrediti skup ishoda, ako se listi´ci izvlaˇce jedan po jedan do pojave neparnog
broja (bez vra´canja).
Ω = {1, 3, 21, 23, 41, 43, 241, 243, 421, 423}.
2.2 Relacije i operacije sa dogadajima
U skupu Ω definiˇsemo relacije i operacije sa dogadajima na isti naˇcin kao i
sa skupovima:
• Ako dogadaj A implicira dogadaj B, to oznaˇcavamo sa A ⊆ B.
• Dogadaji A i B su ekvivalentni ako vrijedi A ⊆ B i B ⊆ A.
• Suprotan dogadaj dogadaja A oznaˇcavamo sa A
C
ili A i vrijedi
A
C
= {ω ∈ Ω : ω / ∈ A}.
• Presjek dogadaja A i B oznaˇcavamo sa A∩ B i vrijedi
A∩ B = {ω ∈ Ω : ω ∈ A∧ ω ∈ B}.
• Uniju dogadaja A i B oznaˇcavamo sa A∪ B i vrijedi
A∪ B = {ω ∈ Ω : ω ∈ A∨ ω ∈ B}.
• Razlika dogadaja A i B je dogadaj A\ B za koji vrijedi
A\ B = {ω ∈ Ω : ω ∈ A∧ ω / ∈ B}.
Primjer 2.3. Neka se opit sastoji u bacanju kocke i neka je dogadaj A−pao
je paran broj, B−pao je neparan broj, C−pao je prost broj. Odrediti dogadaje
A∪ B, B ∩ C i C.
Ω = {ω
1
, ω
2
, ω
3
, ω
4
, ω
5
, ω
6
},
A = {ω
2
, ω
4
, ω
6
}, B = {ω
1
, ω
3
, ω
5
}, C = {ω
2
, ω
3
, ω
5
},
A∪ C = {ω
2
, ω
3
, ω
4
, ω
5
, ω
6
}, B ∩ C = {ω
3
, ω
5
}, C = {ω
1
, ω
4
, ω
6
}.
2.3. AKSIOME TEORIJE VJEROVATNO
´
CE 9
Prebrojiva unija odnosno presjek dogadaja A
i
, i ∈ N definiˇse se na sljede´ci naˇcin:
¸
i∈N
A
i
= {ω ∈ Ω : (∃i ∈ N) ω ∈ A
i
},
¸
i∈N
A
i
= {ω ∈ Ω : (∀i ∈ N) ω ∈ A
i
}.
Navedimo i neke osobine definisanih operacija i relacija:
1. A∪ A = A, A∩ A = A,
2. A∪ B = B ∪ A, A∩ B = B ∩ A,
3. A∪ Ω = Ω, A∩ Ω = A,
4. A∪ ∅ = A, A∩ ∅ = ∅,
5. (A
C
)
C
= A, ∅
C
= Ω, Ω
C
= ∅,
6. A∪ A
C
= Ω, A∩ A
C
= ∅,
7. A∪ (B ∪ C) = (A∪ B) ∪ C, A∩ (B ∩ C) = (A∩ B) ∩ C,
8. A∪ (B ∩ C) = (A∪ B) ∩ (A∪ C), A∩ (B ∪ C) = (A∩ B) ∪ (A∩ C),
9. (A∪ B)
C
= A
C
∩ B
C
, (A∩ B)
C
= A
C
∪ B
C
.
2.3 Aksiome teorije vjerovatno´ce
U aksiomatskom zasnivanju teorije vjerovatno´ce znaˇcajan je pojam σ−polja
dogadaja.
Definicija 2.2. Neka je Ω prostor elementarnih dogadaja i P(Ω) familija svih
podskupova od Ω. Skup F ⊆ P(Ω) nazivamo σ−polje dogadaja ako vrijedi:
1. Ω ∈ F,
2. A ∈ F ⇒ A
C
∈ F,
3. (∀i ∈ N)A
i
∈ F ⇒
¸
i∈N
A
i
∈ F.
Primjer 2.4. (i) Neka je Ω proizvoljan skup i F = {∅, Ω}. Tada je F σ−polje
dogadaja.
(ii) Neka je Ω = {ω
1
, ω
2
}, familija F = {∅, {ω
1
}, {ω
2
}, {ω
1
, ω
2
}} je σ−polje
dogadaja.
(iii) Neka je Ω = {ω
1
, ω
2
, ω
3
, ω
4
}, familija F = {∅, Ω{ω
1
}, {ω
3
}, {ω
2
, ω
3
, ω
4
}}
nije σ−polje dogadaja.
Teorema 2.1. Neka je F σ−polje dogadaja. Tada vrijedi:
1. ∅ ∈ F,
10 GLAVA 2. PROSTOR VJEROVATNO
´
CA
2. A, B ∈ F ⇒ A∩ B, A\ B ∈ F,
3. A
i
∈ F, i ∈ N ⇒
¸
i∈N
A
i
∈ F.
Definisa´cemo sada pojam vjerovatno´ce koriste´ci aksiomatski pristup A. Kol-
mogorova.
Definicija 2.3. Neka je Ω prostor elementarnih dogadaja i F σ−polje dogadaja.
Funkcija P : F →R je vjerovatno´ca ako vrijedi:
1. P(A) ≥ 0, (∀A ∈ F),
2. P(Ω) = 1,
3. P(
+∞
¸
i=1
A
i
) =
+∞
¸
i=1
P(A
i
) za sve A
i
∈ F, i ∈ N takve de ja A
i
∩A
j
= ∅, i = j.
Ove osobine redom zovu se: nenegativnost, normiranost i σ−aditivnost.
Broj P(A) je vjerovatno´ca dogadaja A. Uredena trojka (Ω, F, P) se zove
prostor vjerovatno´ca.
Navedimo neke primjere.
Primjer 2.5. (Konaˇcan prostor vjerovatno´ca) Neka je n ∈ N i
Ω = {ω
1
, . . . , ω
n
}, F = P(Ω) i p
i
≥ 0, i = 1, . . . , n, takvi da je
n
¸
i=1
p
i
= 1.
Funkcija P : F →R definisana sa
P(A) =
¸
i∈I
p
i
, I = {j : ω
j
∈ A},
je vjerovatno´ca.
Ako je p
i
=
1
n
, i = 1, . . . , n kaˇzemo da se radi o klasiˇcnoj ili Laplasovoj
definiciji vjerovatno´ce.
Primjer 2.6. Odrediti vjerovatno´ce svih mogu´cih zbirova pri bacanju dvije
kocke.
Primjer 2.7. (Geometrijska definicija vjerovatno´ce) Neka je Ω skup u
R
2
ˇcija je povrˇsina µ(Ω) pozitivna i konaˇcna. Neka je
F = {A ⊆ Ω : A ima povrˇsinu }.
Definiˇsimo P : F →R tako da je
P(A) =
µ(A)
µ(Ω)
.
U ovom sluˇcaju funkcija P je vjerovatno´ca. Ovde se radi o geometrijskoj defini-
ciji vjerovatno´ce.
2.4. OSOBINE VJEROVATNO
´
CE 11
Primjer 2.8. Na kruˇznici polupreˇcnika R sluˇcajno su izabrane tri taˇcke A, B i
C. Kolika je vjerovatno´ca da je trougao ABC oˇstrougli?
Rjeˇsenje. Neka je x duˇzina luka kruˇznice koji spaja taˇcke A i B, a y duˇzina luka
kruˇznice koji spaja B i C. Izbor taˇcaka A, B i C jednoznaˇcno odreduje brojeve
x, y za koje vaˇzi
0 < x, 0 < y, x +y < 2Rπ.
Znaˇci,
Ω = {(x, y)|x > 0, y > 0, x +y < 2Rπ}.
Trougao ABC je oˇstrougli ako je
x < Rπ, y < Rπ, x +y > Rπ.
Sada je A = {(x, y) ∈ Ω|x < Rπ, y < Rπ, x +y > Rπ}.
Znaˇci,
P(A) =
m(A)
m(Ω)
=
1
2
R
2
π
2
2R
2
π
2
=
1
4
.
2.4 Osobine vjerovatno´ce
U ovoj sekciji navodimo neke osobine vjerovatno´ce koje slijede iz definicije:
• Aditivnost, P(
n
¸
i=1
A
i
) =
n
¸
i=1
P(A
i
),
• Monotonost, A ⊆ B ⇒ P(A) ≤ P(B),
• 0 ≤ P(A) ≤ 1,
• Vjerovatno´ca suprotnog dogadaja, P(A
C
) = 1 −P(A),
• Vjerovatno´ca unije dva dogadaja, P(A∪ B) = P(A) +P(B) −P(A∩ B),
• Princip ukljuˇcnosti-iskljuˇcnosti,
P(
k
¸
i=1
A
i
) =
k
¸
i=1
P(A
i
) −
¸
1≤i<j≤k
P(A
i
∩A
j
) +· · · +(−1)
k
P(A
1
∩· · · ∩A
k
),
• Ako je niz dogadaja {A
n
} monotono neopadaju´ci to jest A
n
⊆ A
n+1
onda
vrijedi
P(
+∞
¸
i=1
A
i
) = lim
n→+∞
P(A
n
),
• Ako je niz dogadaja {A
n
} monotono nerastu´ci to jest A
n+1
⊆ A
n
onda
vrijedi
P(
+∞
¸
i=1
A
i
) = lim
n→+∞
P(A
n
),
12 GLAVA 2. PROSTOR VJEROVATNO
´
CA
Primjedba 2.1. Poslednje dvije osobine su poznate kao neprekidnost vjero-
vatno´ce.
Primjer 2.9. Neka su dogadjaji A i B takvi da je
P(A∩ B) =
1
4
, P(A
C
) =
1
3
, P(B) =
1
2
.
Odrediti P(A∪ B).
Rjeˇsenje. Kako je
P(A∪ B) = P(A) +P(B) −P(A∩ B) i P(A
C
) = 1 −P(A),
imamo
P(A∪ B) =
2
3
+
1
2

1
4
=
11
12
.
Primjer 2.10. N lica izmjeˇsaju svoje ˇseˇsire i nasumice stavljaju na glavu po
jedan ˇseˇsir. Na´ci vjerovatno´cu da bar jedno lice stavi svoj ˇseˇsir na svoju glavu.
ˇ
Cemu teˇzi ta vjerovatno´ca kada broj lica i ˇseˇsira neograniˇceno raste?
Rjeˇsenje. Neka je A dogadaj da bar jedno lice stavi svoj ˇseˇsir na svoju glavu.
Sa A
i
oznaˇcimo dogadaj da je i−to lice stavilo svoj ˇseˇsir na svoju glavu (i =
1, 2, . . . , N). N lica moˇze rasporediti N ˇseˇsira na glave na N! naˇcina, ako
je i−to lice stavilo svoj ˇseˇsir na svoju glavu, tada preostalih N − 1 lica moˇze
rasporediti N − 1 ˇseˇsira na svoje glave na (N − 1)! naˇcina. Prema tome je
P(A
i
) =
(N−1)!
N!
=
1
N
. Sliˇcnim razmiˇsljanjem dobijamo da je
P(A
i
∩ A
j
) =
(N−2)!
N!
=
1
N(N−1)
, 1 ≤ i < j ≤ N,
P(A
i
∩ A
j
∩ A
k
) =
(N−3)!
N!
=
1
N(N−1)(N−2)
, 1 ≤ i < j < k ≤ N,
. . .
P(A
1
∩ A
2
∩ · · · ∩ A
N
) =
1
N!
.
Poˇsto je oˇcigledno A =
N
¸
i=1
A
i
i poˇsto vrijedi formula
P(
N
¸
i=1
A
i
) =
N
¸
i=1
P(A
i
) −
¸
1≤i<j≤N
P(A
i
∩ A
j
)+
¸
1≤i<j<k≤N
P(A
i
∩ A
j
∩ A
k
) −· · · + (−1)
N−1
P(A
1
∩ A
2
∩ · · · ∩ A
N
),
imamo da je
P(A) =
N
¸
i=1
1
N

¸
1≤i<j≤N
1
N(N−1)
+· · · + (−1)
N−1
·
1
N!
=
= 1 −

N
2

1
N(N−1)
+

N
3

1
N(N−1)(N−2)
−· · · + (−1)
N−1
·
1
N!
2.5. ZADACI 13
Znaˇci,
P(A) = 1 −
1
2!
+
1
3!
−· · · +
(−1)
N−1
N!
→ 1 −
1
e
kad N → ∞.
2.5 Zadaci
1. Ako je F σ−polje dogadaja i A, B ∈ F pokazati da je A∩ B, A\ B ∈ F.
2. U kutiji se nalazi 4 bijele i 6 crnih kuglica. Izvlaˇce se tri kuglice na sluˇcan
naˇcin. Kolika je vjerovatno´ca da se medu njima nalazi taˇcno dvije bijele i
1 crna kuglica.
3. U jednom preduze´cu od 100 ljudi njih 40 zna ruski jezik, 30 zna engleski, 26
francuski, 15 zna ruski i engleski, 10 zna ruski i francuski, 5 zna francuski
i engleski i 3 zna sva tri jezika. Ako se bira na sluˇcajan naˇcin delegacija
od tri ˇclana, kolika je vjerovatno´ca da :
(a) sva trojica znaju engleski,
(b) sva trojica znaju ruski i engleski,
(c) dvojica znaju dva strana jezika, a jedan nijedan?
4. Prijatelji se dogovore da se nadu izmedu 12 i 13 ˇcasova na ugovorenom
mjestu i da ˇcekaju jedan drugoga 20 minuta. Kolika je vjeovatno´ca da ´ce
do´ci do susreta?
5. Na sluˇcajan naˇcin se biraju dva broja iz intervala [0, 1]. Kolika je vjeo-
vatno´ca da je njihov zbir bar 1, a proizvod najviˇse
1
2
?
6. Iz skupa
Ω = {(x
1
, . . . , x
10
) : x
1
+· · · +x
10
= 20, x
i
∈ N ∪ {0}, i = 1, . . . , 10},
na sluˇcajan naˇcin se bira jedan elemenat (x
1
, x
2
, . . . , x
10
). Odrediti vjerovatno´cu
da je x
1
≥ 3 i x
10
≥ 5.
14 GLAVA 2. PROSTOR VJEROVATNO
´
CA
Glava 3
Uslovna vjerovatno´ca
3.1 Uslovna vjerovatno´ca
Neka je dat prostor elementarnih dogadaja Ω i neka se ostvario dogadaj
A. Ako se sada traˇzi vjerovatno´ca dogadaja B onda je prostor elementarnih
dogadaja suˇzen na A. Na taj naˇcin dolazimo do pojma uslovne vjerovatno´ce.
Primjer 3.1. Neka se u kutiji nalazi jedna bijela i dvije crne kuglice. Izvuˇcena
je na sluˇcajan naˇcin jedna kuglica bez vra´canja i konstatovano je da je ona bijela.
Kolika je vjerovatno´ca da je druga izvuˇcena kuglica crna?
Neka je b oznaka za bijelu i c
1
, c
2
oznake za crne kuglice. Sada imamo,
Ω = {(b, c
1
), (b, c
2
), (c
1
, b), (c
2
, b), (c
1
, c
2
), (c
2
, c
1
)},
A = {(b, c
1
), (b, c
2
)}, B = {(b, c
1
), (b, c
2
)}.
U sluˇcaju da se desio dogadaj A vjerovatno´ca dogadaja B je jednaka 1.
Inaˇce, da nije izvuˇcena prva kuglica vjerovatno´ca je
2
3
.
Neka je dat konaˇcan prostor vjerovatno´ca Ω koji ima n elemenata. Pret-
postavimo da dogadaji A ⊆ Ω, B ⊆ Ω i A∩ B redom imaju m, r i s elemenata.
Dalje, neka se ostvario dogadaj A i pretpostavimo da traˇzimo vjerovatno´cu
dogadaja B. Tada je
P =
s
m
=
s
n
m
n
=
P(A∩ B)
P(A)
.
Definicija 3.1. Neka je dat prostor Ω elementarnih dogadaja i vjerovatno´ca
P. Uslovna vjerovatno´ca dogadaja B u odnosu na dogadaj A takav da je
P(A) > 0 je
P(B|A) =
P(A∩ B)
P(A)
.
Koriste´ci definiciju uslovne vjerovatno´ce i matematiˇcku indukciju moˇzemo
dobiti sljede´cu teoremu o proizvodu vjerovatno´ca.
15
16 GLAVA 3. USLOVNA VJEROVATNO
´
CA
Teorema 3.1. Neka su dati dogadaji A
1
, A
2
, . . . , A
n
tada vrijedi
P(A
1
∩A
2
∩· · ·∩A
n
) = P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
∩A
2
) · · · P(A
n
|A
1
∩· · ·∩A
n−1
).
Primjer 3.2. Kutija od 100 proizvoda se smatra dobrom, ako se u prvih 5
proizvoda, na sluˇcajan naˇcin izabranih ne nalazi ni jedan neispravan proizvod.
Kolika je vjerovatno´ca da kutija u kojoj je 5% neispravnih proizvoda bude progla-
ˇsena za dobrom?
Oznaˇcima sa A
i
da je i−ti izabrani proizvod dobar, i = 1, . . . , 5. Tada je traˇzena
vjerovatno´ca P(
5
¸
i=1
A
i
). Na osnovu teoreme o proizvodu vjerovatno´ca imamo
P(
5
¸
i=1
A
i
) =
95
100
·
94
99
·
93
98
·
92
97
·
91
96
≈ 0.77.
Koriste´ci aksiome vjerovatno´ce jednostavno se dobija sljede´ca teorema.
Teorema 3.2. Ako je F σ−polje dogadaja, P vjerovatno´ca i P(H) > 0 tada je
funkcija P(·|H) : F → [0, +∞) vjerovatno´ca.
Dakle, pomo´cu uslovne vjerovatno´ce moˇzemo generisati nove vjerovatno´ce.
3.2 Nezavisni dogadaji
Uslovna vjerovatno´ca nas dovodi do pojma nezavisnosti dogadaja.
Definicija 3.2. Dogadaji A i B su nezavisni ako vrijedi
P(A∩ B) = P(A) · P(B).
Iz definicije nezavisnosti i definicije uslovne vjerovatno´ce dobijamo da je
P(B|A) = P(A) ako su dogadaji A i B nezavisni. Znaˇci, ako se ostvario dogadaj
A to ne utiˇce na vjerovatno´cu dogadaja B.
Definicija 3.3. Dogadaji A
1
, A
2
, . . . , A
n
su nezavisni u parovima ako vrijedi
P(A
i
A
j
) = P(A
i
)P(A
j
), i = j,
a nezavisni u ukupnosti (cjelosti) ako vrijedi
P(A
i
1
A
i
2
· · · A
i
k
) = P(A
i
1
)P(A
i
2
) · · · P(A
i
k
)
za sve izbore {i
1
, i
2
, . . . , i
k
} ⊆ {1, 2, . . . , n}.
Ako su dogadaji nezavisni u ukupnosti oni su nezavisni i u parovima. Medutim,
obrnuto ne vrijedi.
Primjer 3.3. Neka su dati dogadaji A = {1, 2}, B = {2, 3}, C = {2, 4} i
prostor elementarnih dogadaja Ω = {1, 2, 3, 4}. Tada je
P(A) = P(B) = P(C) =
1
2
, P(AB) = P(BC) = P(AC) =
1
4
,
3.3. FOMULA POTPUNE VJEROVATNO
´
CE 17
P(ABC) =
1
4
, P(A)P(B)P(C) =
1
8
,
pa imamo da su A, B i C nezavisni u parovima ali nisu nezavisni u ukupnosti,
jer nije P(ABC) = P(A)P(B)P(C).
Teorema 3.3. Ako su dogadaji A i B nezavisni onda su takvi i A i B
C
, A
C
i
B i A
C
i B
C
.
Dokaz. Kako su AB i AB
C
disjunktni dogadaji i A = AB +AB
C
imamo
P(A) = P(AB) +P(AB
C
).
Odavde je
P(AB
C
) = P(A)−P(AB) = P(A)−P(A)P(B) = P(A)(1−P(B)) = P(A)P(B
C
).
Analogno se pokazuje za A
C
i B. Dokaz za A
C
i B
C
se dobija polaze´ci od
nezavisnosti A
C
i B i koriste´ci dokaz nezavisnosti A
C
i B
C
.
Moˇze se pokazati da ako su dogadaji A
1
, . . . , A
n
nezavisni u cjelini (parovima)
i ako neke od tih dogadaja zamijenimo sa suprotnim dogadajima da dobi-
jamo takode nezavisne dogadaje u cjelini (parovima). Na osnovu toga lako
zakljuˇcujemo da vrijedi sljede´ca teorema.
Teorema 3.4. Ako su A
1
, . . . , A
n
nezavisni tada je
P(
n
¸
i=1
A
i
) = 1 −
n
¸
i=1
(1 −P(A
i
)).
Primjer 3.4. Tri strijelca po jednom gadaju metu. Vjerovatno´ca pogotka je
redom 0.8, 0.7 i 0.9. Na´ci vjerovatno´cu da je:
(i) cilj pogoden bar jednom,
(ii) cilj taˇcno jednom pogoden.
Rezultat. (i) 0.994, (ii) 0.092.
3.3 Fomula potpune vjerovatno´ce
Definicija 3.4. Dogadaji H
1
, H
2
, . . . , H
n
⊂ Ω, za koje vrijedi
(i) H
i
∩ H
j
= ∅, i = j,
(ii)
n
¸
i=1
H
i
= Ω,
zovu se hipoteze (potpun sistem dogadaja).
Teorema 3.5. (Formula potpune vjerovatno´ce)Neka su H
1
, H
2
, . . . , H
n

Ω hipoteze i A ⊂ Ω, tada je
P(A) =
n
¸
i=1
P(A|H
i
)P(H
i
).
18 GLAVA 3. USLOVNA VJEROVATNO
´
CA
Da´cemo jednu primjenu formule potpune vjerovatno´ce.
Primjer 3.5. U prvoj kutiji se nalazi 10 bijelih i 10 crnih kuglica, a u drugoj
kutiji se nalazi 8 bijelih i 10 crnih kuglica. Iz prve kutije se u drugu prebace
dvije kuglice, pa se nakon toga iz te kutije bira kuglica. Kolika je vjerovatno´ca
da se iz druge kutije izabere bijela kuglica?
Oznaˇcimo sa :
H
1
−u drugu kutiju su prebaˇcene dvije bijele kuglice,
H
2
−u drugu kutiju je prebaˇcena jedna bijela i jedna crna kuglica,
H
1
−u drugu kutiju su prebaˇcene dvije crne kuglice.
Tada je
P(H
1
) =

10
2

20
2
=
9
38
,
P(H
2
) =

10
1

10
1

20
2
=
10
19
,
P(H
3
) =

10
2

20
2
=
9
38
,
P(A|H
1
) =
10
20
=
1
2
, P(A|H
2
) =
9
20
, P(A|H
3
) =
8
20
=
2
5
.
Na osnovu formule potpune vjerovatno´ce dobijamo
P(A) =
3
¸
i=1
P(A|H
i
)P(H
i
) =
9
76
+
9
38
+
9
95
=
171
380
.
3.4 Bajesova formula
Koriste´ci uslovnu vjerovatno´cu moˇzemo raˇcunati vjerovatno´ce hipoteza posle
ostvarenog dogadaja. Formula pomo´cu koje to radimo poznata je kao Bajesova
formula (Thomas Bayes, 18. vijek)
Teorema 3.6. Neka su H
1
, H
2
, . . . , H
n
⊂ Ω hipoteze i A ⊂ Ω takav da je
P(A) = 0. Tada je
P(H
j
|A) =
P(H
j
)P(A|H
j
)
P(A)
=
P(H
j
)P(A|H
j
)
n
¸
i=1
P(A|H
i
)P(H
i
)
.
3.5. ZADACI 19
Primjedba 3.1. Vjerovatno´ce P(H
i
|A) nazivaju se aposteriorne vjerovatno´ce,
a vjerovatno´ce P(H
i
) apriorne vjerovatno´ce.
Primjer 3.6. Vjerovatno´ca da ´ce student A rijeˇsiti zadatak je 0.7, a za stu-
denta B odgovaraju´ca vjerovatno´ca oznosi 0.9. Sluˇcajno se bira student. Kolika
je vjerovatno´ca da ´ce zadatak biti rijeˇsen? Ako je zadatak rijeˇsen, kolika je
vjerovatno´ca da ga je rijeˇsio student B?
3.5 Zadaci
1.
ˇ
Cetiri kartice su numerisane brojevima 1, 2, 3, 4. Sluˇcajno se izvlaˇci jedna
kartica i registruje broj. Pokazati da su dogadaji: A-broj je paran, B-broj
je manji od 3, C-broj nije potpun kvadrat, u parovima nezavisni, ali nisu
nezavisni u ukupnosti.
Rjeˇsenje. Ovdje je
Ω = {1, 2, 3, 4}, A = {2, 4}, B = {1, 2}, C = {2, 3}.
Poˇsto je
A∩ B = A∩ C = B ∩ C = A∩ B ∩ C = {2},
vrijedi sljede´ce:
P(A) = P(B) = P(C) =
1
2
,
P(A∩ B) = P(A∩ C) = P(B ∩ C) =
1
4
P(A∩ B ∩ C) =
1
4
.
Dakle,
P(A∩ B) = P(A)P(B), P(A∩ C) = P(A)P(C), P(B ∩ C) = P(B)P(C),
ali je
P(A∩ B ∩ C) = P(A)P(B)P(C).
2. Neka su dogadjaji A i B takvi da je
P(A∩ B) =
1
4
, P(A
C
) =
1
3
, P(B) =
1
2
.
Odrediti P(A∪ B).
Rjeˇsenje. Kako je
P(A∪ B) = P(A) +P(B) −P(A∩ B) i P(A
C
) = 1 −P(A),
imamo
P(A∪ B) =
2
3
+
1
2

1
4
=
11
12
.
20 GLAVA 3. USLOVNA VJEROVATNO
´
CA
3. Tri igraˇca A, B, C tim redom bacaju kocku sve dok prvi put ne padne
broj 6. Pobjeduje onaj igraˇc kod koga padne 6. Na´ci za svakog igraˇca
vjerovatno´cu da bude pobjednik.
Rjeˇsenje. Neka su A
k
, B
k
, C
k
dogadaji: igraˇcu A, B, C je u k-tom pokuˇsaju
pala ˇsestica, a D
A
, D
B
, D
C
dogadaji da je odgovaraju´ci igraˇc pobijedio.
Tada vrijedi
D
A
= A
1
+A
C
1
B
C
1
C
C
1
A
2
+A
C
1
B
C
1
C
C
1
A
C
2
B
C
2
C
C
2
A
3
+· · · +
+A
C
1
B
C
1
C
C
1
A
C
2
B
C
2
C
C
2
· · · A
C
k
B
C
k
C
C
k
A
k+1
+. . .
Dogadaji A
C
1
, B
C
1
, C
C
1
, . . . , A
C
k
, B
C
k
, C
C
k
, A
k+1
, . . . su nezavisni i
P(A
C
k
) = P(B
C
k
) = P(C
C
k
) =
5
6
, P(A
k+1
) =
1
6
,
pa je
P(D
A
) =
1
6
+

5
6

3
1
6
+· · · +

5
6

3k
1
6
+· · · =
1
6
·
+∞
¸
k=0

125
216

k
=
36
91
.
Sliˇcno se dobije
P(D
B
) =
30
91
i P(D
C
) =
25
91
.
Kra´ce je ovako. Neka je P(D
A
) = p. Tada je
P(D
B
) =
5
6
p,
jer ako igraˇcu Au prvom bacanju ne padne 6, igra se ponavlja u redoslijedu
B, C, A. Takode,
P(D
C
) =
25
36
p
i
D
A
+D
B
+D
C
= Ω,
odakle je
p +
5
6
p +
25
36
p = 1 i p =
36
91
.
Primjedba. Ako je A∩ B = ∅, umjesto A∪ B piˇsemo A+B.
4. Data je elektriˇcna ˇsema
A C
¨
¨
¨
¨
¨
¨
D
¨
¨
B
Svaki od prekidaˇca je nezavisno od drugih, zatvoren sa vjerovatno´com
1
2
.
Na´ci vjerovatno´cu da je mreˇza AB zatvorena.
3.5. ZADACI 21
Rjeˇsenje. Dio mreˇze CD je otvoren ako su oba prekidaˇca otvorena. Vjerovatno´ca
tog dogadaja je
1
4
, a vjerovatno´ca da je dio CD zatvoren je
3
4
. Sada je
mreˇza reducirana na
¨
¨
¨
¨
¨
¨
A E CD F B
Dio EF je zatvoren ako su oba prekidaˇca zatvorena. Vjerovatno´ca tog
dogadaja je
3
4
·
1
2
=
3
8
. Sada mreˇza izgleda ovako
¨
¨
¨
¨
A EF B
Dakle, mreˇza AB je otvorena sa vjerovatno´com
5
8
·
1
2
, a zatvorena sa vje-
rovatno´com
11
16
.
5. Iz skupa
Ω = {(x
1
, . . . , x
10
) : x
1
+· · · +x
10
= 20, x
i
∈ N ∪ {0}, i = 1, . . . , 10}
na sluˇcajan naˇcin se bira jedan elemenat (x
1
, x
2
, . . . , x
10
). Odrediti vjerovatno´cu
da je x
1
≥ 3 i x
10
≥ 5.
Rjeˇsenje. Odredimo prvo broj rjeˇsenja jednaˇcine
x
1
+· · · +x
k
= n,
u nenegativnim cijelim brojevima.
Broj rjeˇsenja jednak je broju naˇcina da se izmedu k − 1 jedinica stavi n
nula ˇsto je isto ˇsto i broj naˇcina da se od n + k − 1 elemenata izabere
podskup od k −1 elemenata, a to je

n +k −1
k −1

.
Broj elemenata skupa Ω je

20 + 10 −1
10 −1

=

29
9

.
Broj svih elemenata iz Ω za koje je x
1
≥ 3 i x
10
≥ 5 je broj rjeˇsenja
jednaˇcine
y
1
+y
2
+· · · +y
10
= 20 −3 −5,
gdje je
y
1
= x
1
−3, y
i
= x
i
, i = 2, . . . , 9, y
10
= x
10
−5,
a to je

12 + 10 −1
10 −1

=

21
9

.
22 GLAVA 3. USLOVNA VJEROVATNO
´
CA
Traˇzena vjerovatno´ca je
P =

21
9

29
9
.
6. Iz kutije koja sadrˇzi n bijelih i mcrnih kuglica sluˇcajno izvlaˇcimo k ≤ m+n
kuglica.
a) Na´ci vjerovatno´cu da se medu kuglicama nalazi taˇcno j (j ≤ k) bijelih.
b) Koriste´ci se rezultatom pod a), na´ci zbir
k
¸
j=0

n
j

m
k −j

Rjeˇsenje.
a) Traˇzena vjerovatno´ca je
p
j
=

n
j

m
k −j

n +m
k
, j = 0, . . . , k.
Kako je
k
¸
j=0
p
j
= 1,
imamo
k
¸
j=0

n
j

m
k −j

=

n +m
k

7. U voz sa m vagona na sluˇcajan naˇcin i nezavisno jedan od drugog ulazi n
putnika (n ≥ m). Odrediti vjerovatno´cu da u svaki vagon ude bar jedan
putnik.
˚
Neka je A
i
oznaka za dogadaj da u i−ti vagon nije niko uˇsao, i = 1, 2, . . . , m.
Ako sa A oznaˇcimo dogadaj ˇcija se vjerovatno´ca traˇzi u zadatku, tada
oˇcigledno A
C
=
m
¸
i=1
A
i
.
P(A
i
) =

1 −
1
m

n
i = 1, 2, . . . , m
P(A
i
∩ A
j
) =

1 −
2
m

n
, 1 ≤ i < j ≤ m
. . .
P(A
i
1
∩ · · · ∩ A
i
m−1
) =

1 −
m−1
m

n
, 1 ≤ i
1
< . . . i
m−1
≤ m.
3.5. ZADACI 23
Sada je
P(A
C
) =
m
¸
i=1

1 −
1
m

n

¸
1≤i<j≤m

1 −
2
m

n
+. . .
· · · + (−1)
m−1
¸
1≤i
1
<···<i
m−1
≤m

1 −
m−1
m

n
Znaˇci,
P(A) = 1−

m
1

1 −
1
m

n
+· · · +(−1)
m

m
m−1

1 −
m−1
m

n
.
8. Vozovi duˇzine 180 metara kre´cu se brzinom 30 metara u sekundi po
prugama koje se medusobno ukrˇstaju. Trenutak u kome ´ce oni pro´ci kroz
raskrˇs´ce je sluˇcajan izmedu 9
00
= i 9
30
=. Izraˇcunati vjerovatno´cu sudara.
Rjeˇsenje. Neka je A dogadaj da je doˇslo do sudara. Ako sa X oznaˇcimo
trenutak ulaska prvog, a sa Y trenutak ulaska drugog voza u raskrˇs´ce,
tada, poˇsto vozovi duˇzine 180 metara prolaze kroz raskrˇs´ce 6 sekundi jer
se kre´cu brzinom 30 metara u sekundi imamo
Ω = {(x, y)

0 ≤ x ≤ 1800, 0 ≤ y ≤ 1800}.
A = {(x, y) ∈ Ω

|x −y| < 6}.
Neka je m(A) mjera oblasti A, to jest u ovom sluˇcaju povrˇsina. Traˇzena
vjerovatno´ca je
P(A) =
m(A)
m(Ω)
=
1800
2
−1794
2
1800
2
= 0.006656.
9. Brojevi x i y se na sluˇcajan naˇcin i nezavisno jedan od drugog biraju iz
intervala [0, 1]. Neka je
A = {(x, y) : |x −y| ≤
1
2
} i B = {(x, y) : max{x, y} ≤
1
2
}.
Na´ci vjerovatno´cu dogadjaja A∪ B.
Rjeˇsenje. Lako se dobija
µ(A) = 1 −
1
4
=
3
4
, µ(B) =
1
4
, µ(A∩ B) =
1
4
.
Kako je P(A∪ B) = P(A) +P(B) −P(A∩ B), imamo P(A∪ B) =
3
4
.
Primjedba. Kako je A∪ B = A imamo P(A∪ B) = P(A) =
3
4
.
10. Jedan uredaj se sastoji iz dva dijela. Da bi uredaj radio neophodno je da
radi svaki dio. Vjerovatno´ca da radi prvi dio u intervalu vremena t iznosi
0.8, vjerovatno´ca da drugi dio radi u istom intervalu iznosi 0.7. Ako je
uredaj ispitivan u intervalu vremena t i otkazao je, na´ci vjerovatno´cu da
su otkazala oba dijela.
24 GLAVA 3. USLOVNA VJEROVATNO
´
CA
Rjeˇsenje. Neka je A dogadaj da je uredaj otkazao i
H
00
dogadaj da su otkazala oba dijela,
H
10
dogadaj da je otkazao samo drugi dio,
H
01
dogadaj da je otkazao samo prvi dio,
H
11
dogadaj da su oba dijela ispravna.
Imamo,
P(H
00
) =
2
10
·
3
10
, P(A|H
00
) = 1,
P(H
10
) =
8
10
·
3
10
, P(A|H
10
) = 1,
P(H
01
) =
2
10
·
7
10
, P(A|H
01
) = 1,
P(H
11
) =
8
10
·
7
10
, P(A|H
11
) = 0.
P(A) = P(A|H
00
)P(H
00
) +P(A|H
01
)P(H
01
) +P(A|H
10
)P(H
10
)+
+P(A|H
11
)P(H
11
) =
6
100
+
24
100
+
14
100
=
44
100
.
P(H
00
|A) =
P(A|H
00
)P(H
00
)
P(A)
=
6
100
44
100
=
6
44
=
3
22
11. U jednom skladiˇstu su svi proizvodi ispravni, a u drugom ima 35% ˇskarta.
Na sluˇcajan naˇcin je odabran dobar proizvod iz nekog skladiˇsta i nakon
toga vra´cen u isto skladiˇste. Izraˇcunati vjerovatno´cu da je drugi proizvod
iz istog skladiˇsta ˇskart.
Rjeˇsenje. Neka je A dogadaj da je prvi izvuˇceni proizvod dobar. Neka
su H
1
, H
2
dogadaji (hipoteze) da je proizvod izvuˇcen iz prvog odnosno
drugog skladiˇsta. Imamo,
P(H
1
) =
1
2
, P(A|H
1
) = 1,
P(H
2
) =
1
2
, P(A|H
2
) =
65
100
.
Sada je
P(A) = P(H
1
)P(A|H
1
) +P(H
2
)P(A|H
2
) =
1
2

1 +
65
100

=
165
200
.
P(H
1
|A) =
P(H
1
)P(A|H
1
)
P(A)
=
1
2
·1
165
200
=
100
165
,
P(H
2
|A) =
P(H
2
)P(A|H
2
)
P(A)
=
1
2
·
65
100
165
200
=
65
165
.
Neka je B dogadaj da je drugi izvuˇceni proizvod ˇskart. Opet, prema
formuli potpune vjerovatno´ce je
P(B) = P(B|H

1
)P(H

1
) +P(B|H

2
)P(H

2
),
3.5. ZADACI 25
gdje je H

1
= H
1
|A, H

2
= H
2
|A.
P(B) =
65
165
·
35
100
+
100
165
· 0 =
65
165
·
35
100
=
91
660
.
26 GLAVA 3. USLOVNA VJEROVATNO
´
CA
Glava 4
Viˇsestruka ispitivanja
4.1 Bernulijeva ˇsema
Neka je Ω prostor elementarnih dogadaja i A ⊆ Ω. Za niz opita u kojima
je vjerovatno´ca realizacije dogadaja ista i nezavisna od ostalih opita kaˇzemo
da ˇcini Bernulijevu ˇsemu. Sa S
n
oznaˇcavamo broj realizacija dogadaja A
u Bernulijevoj ˇsemi. Broj
S
n
n
se naziva relativna uˇcestalost (frekvencija)
dogadaja A u n ponovljenih opita. Odredi´cemo vjerovatno´cu P(S
n
= k), to jest
da ´ce poslije n opita dogadaj A nastupiti taˇcno k puta (k ≤ n).
Odgovor na ovo pitanje je dao Jakob Bernuli u 18. vijeku. Naime, vrijedi,
P(S
n
= k) =

n
k

p
k
q
n−k
, q = 1 −p.
Nije teˇsko vidjeti da se vjerovatno´ce P(S
n
= k) javljaju kao koeficijenti uz x
k
u
razvoju binoma
ϕ
n
(x) = (q +px)
n
=
n
¸
j=0

n
j

p
j
q
n−j
x
j
=
n
¸
j=0
P(S
n
= j)x
j
.
Zbog prethodne osobine, vjerovatno´ce date sa P(S
n
= k), k = 0, 1, . . . , n, zovu
se binomni zakon raspodjele vjerovatno´ca, a po matematiˇcaru Bernuliju i
Bernulijev zakon raspodjele vjerovatno´ca.
Primjedba 4.1. Funkcija ϕ
n
zove se generatrisa vjerovatno´ca P(S
n
= k).
Primjer 4.1. Vjerovatno´ca prijema radio signala iznosi 0.9. Kolika je vjerovatno´ca
da ´ce se pri predaji 5 signala primiti :
(a) 3 signala?
(b) ne manje od 3 signala?
(a) P(S
5
= 3) =

5
3

0.9
3
· 0.1
2
= 0.0729.
27
28 GLAVA 4. VI
ˇ
SESTRUKA ISPITIVANJA
(b) P(3 ≤ S
5
≤ 5) = P(S
5
= 3) +P(S
5
= 4) +P(S
5
= 5) =

5
3

0.9
3
· 0.1
2
+

5
4

0.9
4
· 0.1 +

5
5

0.9
5
= 0.99.
4.2 Najvjerovatniji broj pojavljivanja dogadaja
Vjerovatno´ce P(S
n
= k), k = 0, 1, . . . , n, moˇzemo shvatiti kao funkciju cjelo-
brojnog argumenta k. Ta funkcija dostiˇze maksimum za neku vrijednost k
0
.
Vrijednost k
0
je najvjerovatniji broj realizacije dogadaja A u n ponavljanja
opita. Oˇcigledno je da za k
0
vrijedi

n
k
0
−1

p
k
0
−1
· q
n−(k
0
−1)

n
k
0

p
k
0
· q
n−k
0
i

n
k
0

p
k
0
· q
n−k
0

n
k
0
+ 1

p
k
0
+1
· q
n−(k
0
+1)
.
Iz ovih nejednaˇcina imamo
k
0
≤ np +p,
i
k
0
≥ np +p −1.
Dakle, P(S
n
= k) ima maksimum za ono k
0
koje zadovoljava dvostruku ne-
jednaˇcinu
np +p −1 ≤ k
0
≤ np +p.
Odavde dobijamo da ako je np + p cijeli broj onda za k
0
moˇzemo uzeti dvije
vrijednosti np+p ili np+p−1, a ako np+p nije cijeli broj onda za k
0
uzimamo
[np +p], gdje je [x] oznaka za cijeli dio broja x.
Primjer 4.2. Kocka se baca 50 puta. Odrediti najvjerovatniji broj pojavljivanja
dogadaja : pao je broj djeljiv sa 3.
Rjeˇsenje. Za najvjerovatniji broj pojavljivanja dogadaja u Bernulijevoj ˇsemi, to
jest za broj k ∈ {0, 1, . . . , n} za koji je vjerovatno´ca
P
k
=

n
k

p
k
q
n−k
maksimalna vrijedi
np −q ≤ k ≤ np +p.
Ovdje je
n = 50, p =
1
3
, q =
2
3
,
pa vrijedi
16 = 50
1
3

2
3
≤ k ≤ 50
1
3
+
1
3
= 17.
Dakle, k ∈ {16, 17}.
4.3. PUASONOVA RASPODJELA 29
Primjer 4.3. Izvodi se n nezavisnih opita koji se sastoje u bacanju k novˇci´ca.
Izraˇcunati vjerovatno´ce dogadaja:
A-bar jednom su na svim novˇci´cima pali svi grbovi,
B-taˇcno m puta su na svim novˇci´cima pali svi grbovi.
Rjeˇsenje. Neka A
i
oznaˇcava dogadjaj da u i-tom opitu nisu pali svi grbovi,
i = 1, . . . , n. Vrijedi
P(A
i
) = 1 −
1
2
k
, i = 1, . . . , n i A
C
= A
1
· · · A
n
.
Dogadjaji A
i
su nezavisni, pa vrijedi
P(A
C
) =

1 −
1
2
k

n
.
Dakle,
P(A) = 1 −

1 −
1
2
k

n
.
Za vjerovatno´cu dogadjaja B, koriste´ci vjerovatno´cu pojavljivanja dogadjaja u
Bernulijevoj ˇsemi, imamo
P(B) =

n
m

1
2
k

m

1 −
1
2
k

n−m
.
4.3 Puasonova raspodjela
Za velike vrijednosti n vjerovatno´ce P(S
n
= k) nije jednostavno odrediti.
Ilustrujmo to jednim primjerom.
Primjer 4.4. Pri proizvodnji nekog proizvoda vjerovatno´ca da ´ce se proizvesti
neispravan proizvod iznosi 0.004. Kolika je vjerovatno´ca da ´ce se u skupu od
100 proizvoda na´ci jedan neispravan proizvod?
Imamo
P(S
100
= 1) =

100
1

0.004
1
(1 −0.004)
100−1
= 0.4 · 0.996
99
.
Vidimo da treba vrˇsiti ogromna izraˇcunavanja.
Da bi rijeˇsio probleme ove vrste Puason je dokazao sljede´cu teoremu.
Teorema 4.1. Neka je P(A) =
λ
n
, λ > 0 i neka λ ne zavisi od n. Tada za svaki
k = 0, 1, . . . , n vrijedi
lim
n→+∞
P(S
n
= k) =
λ
k
k!
e
−λ
.
30 GLAVA 4. VI
ˇ
SESTRUKA ISPITIVANJA
Dokaz. Vidjeli smo da je
P(S
n
= k) =

n
k

λ
n

k

1 −
λ
n

n−k
.
Na osnovu toga imamo
P(S
n
= k) =
λ
k
k!

1 −
λ
n

n
n!
(n −k)!
1
n
k

1 −
λ
n

−k
,
pa dobijamo
P(S
n
= k) =
λ
k
k!

1 −
λ
n

n
·

1 −
k −1
n

·

1 −
k −2
n

· · ·

1 −
1
n

·

1 −
k −1
n

−k

λ
k
k!
e
−λ
, n → +∞.
Primjedba 4.2. (i) Prethodna teorema vrijedi i ako se pretpostavi da je P(A) =
p
n
, pri ˇcemu je lim
n→+∞
np
n
= λ.
(ii) Puasonova aproksimacija daje dobre rezultate za np < 10.
Raspodjela vjerovatno´ca data sa
P(k) =
λ
k
k!
e
−λ
, k = 0, 1, 2, . . . ,
zove se Puasonov zakon raspodjele vjerovatno´ca ili Puasonova raspod-
jela.
Primjer 4.5. Poznato je da u odredenoj knjizi od 500 stranica postoji 500
ˇstamparskih greˇsaka sluˇcajno raspodijeljenih. Kolika je vjerovatno´ca da na sluˇcajno
odabranoj stranici knjige nema manje od tri greˇske ?
Rjeˇsenja. Traˇzi se P(S
500
≥ 3), gdje je p =
1
500
i λ = n· p = 500·
1
500
= 1. Kako
je
P(S
500
≥ 3) = 1 −P(S
500
≤ 2),
na osnovu Puasonove teoreme imamo aproksimaciju
P(S
500
≥ 3) ≈ 1 −
2
¸
i=0
1
i!
e
−1
≈ 0.080301.
4.4 Normalna (Gausova) raspodjela
U praktiˇcnim problemima se pokazalo da Puasonova aproksimacija daje do-
bre rezultate za np < 10. Ako je np ≥ 10 koristi se normalna aproksimacija
data sljede´com teoremom.
4.4. NORMALNA (GAUSOVA) RASPODJELA 31
Teorema 4.2. (Lokalna Muavr-Laplasova teorema) Neka je p ∈ (0, 1)
vjerovatno´ca dogadaja u svakom od n nezavisnih opita i neka postoje a, b ∈ R
takvi da je
a ≤
k −np

npq
≤ b za sve k, n ∈ N, k ∈ {0, 1, . . . , n}, q = 1 −p.
Tada vrijedi
lim
n→+∞
P(S
n
= k)
1

2πnpq
e

(k−np)
2
2npq
= 1.
Dokaz. Kako je a ≤
k−np

npq
≤ b imamo
a

npq
n

k
n
−p ≤
b

npq
n
,
pa
k
n
→ p kad n → +∞.
Dalje, zbog formule Stirlinga (n! ∼

2πnn
n
e
−n
, n → +∞) dobijamo
P(S
n
= k) ∼

2πnn
n

2πkk
k

2π(n −k)(n −k)
n−k
p
k
q
n−k
, n → +∞.
Osim toga,

n
k(n −k)
=

1
n ·
k
n

1 −
k
n

1

npq
, n →= ∞.
Dakle,
P(S
n
= k) ∼
1

2πnpq
·

np
k

k

n(1 −p)
n −k

n−k
,
a odavde je
P(S
n
= k) ∼
1

2πnpq
e
k ln(1−
k−np
k
)
· e
(n−k) ln(1+
k−np
n−k
)
.
Kako je
ln(1 ±t) ∼ t ∓
t
2
2
, t → 0,
imamo
P(S
n
= k) ∼
1

2πnpq
e
k

k−np
k
+
(k−np)
2
2k
2

+(n−k)

k−np
n−k
+
(k−np)
2
2(n−k)
2


1

2πnpq
e

(k−np)
2
2npq
.
32 GLAVA 4. VI
ˇ
SESTRUKA ISPITIVANJA
Teorema 4.3. (Integralna Muavr-Laplasova teorema) Pri uslovima prethodne
teoreme vrijedi
P(a ≤ S
n
≤ b) ∼
1


ab−np

npq

a−np

npq
e

t
2
2
dt, n → +∞
Dokaz. Na osnovu prethodne teoreme je
P(a ≤ S
n
≤ b) ∼
¸
a≤k≤b
P(S
n
= k) ∼
¸
a≤k≤b
1

2πnpq
e

(k−np)
2
2npq
,
to jest
P(a ≤ S
n
≤ b) ∼
1


¸
a≤k≤b
1

npq
e

(k−np)
2
2npq

1


x
2

x
1
e

t
2
2
dt,
gdje je
x
1
=
a −np

npq
, x
2
=
b −np

npq
.
Primjedba 4.3. (i) Vrijednosti funkcije
Φ(x) =
1


x

0
e

t
2
2
dt
date su tablicama.
(ii) Kriva data jednaˇcinom
ϕ(t) =
1


e

t
2
2
,
zove se Gausova kriva obiˇcne normalne raspodjele.
(iii) Aproksimacija data prethodnom teoremom zove se i normalna aproksi-
macija.
Primjer 4.6. Vjerovatno´ca proizvodnje neispravnog proizvoda je 0.002. Na´ci
vjerovatno´cu da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i
57.
Rjeˇsenje. Ovde je np = 2500 · 0.002 = 50 > 10, pa koristimo normalnu aproksi-
maciju.
P(36 ≤ S
2500
≤ 57) ∼
1


1

−2
e

t
2
2
dt = Φ(1)−Φ(−2) = Φ(1)−(1−Φ(2)) ≈ 0.818.
4.5. ZADACI 33
4.5 Zadaci
1. U kutiji se nalazi 300 bijelih i 200 crnih kuglica. Sluˇcajno se bira 150
kuglica sa vra´canjem. Na´ci vjerovatno´cu da se broj bijelih kuglica nalazi
izmedu 78 i 108.
2. Iz skupa {1, 2, . . . , n} se na sluˇcajan naˇcin bira 2n brojeva sa vra´canjem
(n ≥ 10). Odrediti k takvo da je broj izvuˇcenih ˇcetvorki u tih 2n izvlaˇcenja
manji od k sa vjerovatno´com 0.95.
3. Uredaj moˇze imati kvar A sa vjerovatno´com 0.01 i nezavisno od toga kvar
B sa vjerovatno´com 0.02. Uredaj je pokvaren ako ima oba kvara. Kupac
prihvata seriju od 1000 uredaja ako u seriji nema viˇse od k neispravnih
uredaja. Odrediti k takvo da kupac prihvati seriju sa vjerovatno´com 0.999.
4. Vjerovatno´ca da je sluˇcajno izabrani ˇcovjek viˇsi od 180 cm je 0.27. Odred-
iti vjerovatno´cu da se u grupi od 1200 ljudi nalazi manje od 300 ljudi viˇsih
od 180 cm
5. Ako je poznato da je vjerovatno´ca radanja djeˇcaka pribliˇzno 0.515, na´ci
vjerovatno´cu da medu 1000 novorodenˇcadi ima bar 10 djevojˇcica viˇse nego
djeˇcaka.
34 GLAVA 4. VI
ˇ
SESTRUKA ISPITIVANJA
Glava 5
Sluˇcajne promjenljive
5.1 Definicija i neki primjeri
U klasiˇcnoj teoriji vjerovatno´ce osnovni pojam je sluˇcajni dogadaj. Savre-
mena teorija vjerovatno´ce je teorija sluˇcajnih promjenljivih.
U opitu se svakom ishodu moˇze pridruˇziti neki realan broj. To nas dovodi do
definicije sluˇcajne promjenljive.
Definicija 5.1. Neka je Ω prostor elementarnih dogadaja i F σ−polje dogadaja
na Ω. Za funkciju X : Ω →R za koju vrijedi
{ω ∈ Ω : X(ω) < x} ∈ F za sve x ∈ R,
kaˇzemo da je sluˇcajna promjenljiva (veliˇcina).
Dogadaj {ω ∈ Ω : X(ω) < x} kra´ce oznaˇcavamo sa {X < x}. Kako je
{X < x} = X
−1
(−∞, x), imamo da je X : Ω →R sluˇcajna promjenljiva ako
X
−1
(−∞, x) ∈ F za sve x ∈ R.
Primjer 5.1. 1. Novˇci´c se baca dva puta. Prostor elementarnih dogadaja je
Ω = {PP, PG, GP, GG}.
Neka je vjerovatno´ca svakog elementarnog dogadaja jednaka
1
4
. Neka je
X broj pojavljivanja pisama u dba bacanja novˇci´ca. Imamo X(PP) =
2, X(PG) = X(GP) = 1, X(GG) = 0.
2. U opitu sa dva ishoda od koji je jedan uspjeh, oznaˇcimo sa X = 1 ako se
dogodio uspjeh, a sa X = 0 ako se dogodio neuspjeh. Ako je p vjerovatno´ca
uspjeha, tada je P(X = 1) = p, P(X = 0) = 1 − p. Ovo je Bernulijeva
sluˇcajna promjenljiva.
35
36 GLAVA 5. SLU
ˇ
CAJNE PROMJENLJIVE
3. Neka je data Bernulijeva ˇsema sa vjerovatno´com uspjeha jednakom p.
Neka je X broj uspjeha u n uzastopnih ponavljanja. Tada je
P(X = k) =

n
k

p
k
(1 −p)
n−k
, k = 0, 1, . . . , n.
Sluˇcajna promjenljiva X se naziva binomnom sluˇcajnom promjenljivom.
4. Neka je A ⊂ Ω. Indikator dogadaja Aje sluˇcajna promjenljiva I
A
defin-
isana sa
I
A
(ω) =

1, ω ∈ A,
0, ω / ∈ A.
Imamo P(I
A
= 1) = P(A), P(I
A
= 0) = 1 −P(A).
5. Neka je X sluˇcajna promjenljiva koja moˇze da uzima proizvoljne vri-
jednosti iz segmenta [0, 1], tako da je P(X ∈ [a, b]) = b − a za svako
a, b ∈ [0, 1], a ≤ b. Sluˇcajna promjenljiva X se naziva uniformnom prom-
jenljivom na [0, 1].
5.2 Zakon raspodjele sluˇcajne promjenljive
diskretnog tipa
Definicija 5.2. Sluˇcajna promjenljiva X : Ω → R je diskretnog tipa ako je
skup X(Ω) konaˇcan ili prebrojiv.
Diskretna skuˇcajna promjenljiva X : Ω → R je opisana ako se zna skup
X(Ω) = {x
i
: i ∈ I}, gdje je I konaˇcan ili prebrojiv i ako se zna funkcija
P : X(Ω) → [0, 1], to jest ako se znaju vjerovatno´ce p
i
= P{ω ∈ Ω : X(ω) = x
i
}.
Zakon raspodjele sluˇcajne promjenljive X dat je tabelom
X :

x
1
x
2
· · · x
n
· · ·
p
1
p
2
· · · p
n
· · ·

.
Ovde je
¸
i∈I
{X = x
i
} = Ω i
¸
i∈I
p
i
= 1.
Primjer 5.2. Odredimo zakone raspodjele sluˇcajnih promjenljivih datih u primjeru5.1.
1. X :

0 1 2
1
4
1
2
1
4

,
2. X :

0 1
1 −p p

,
3. X :

¸
0 1 · · · n

n
0

(1 −p)
n

n
1

p(1 −p)
n−1
· · ·

n
n

p
n
¸

,
5.3. FUNKCIJA RASPODJELE SLU
ˇ
CAJNE PROMJENLJIVE 37
4. I
A
:

0 1
1 −P(A) P(A)

.
5. U ovom sluˇcaju se ne radi o diskretnoj sluˇcajnoj promjenljivoj.
5.3 Funkcija raspodjele sluˇcajne promjenljive
Neka je (Ω, F, P) prostor vjerovatno´ca i X : Ω → R sluˇcajna promjenljiva.
Kako vrijedi {ω ∈ Ω : X(ω) < x} ∈ F, za svaki x ∈ R je definisana vjerovatno´ca
P({ω ∈ Ω : X(ω) < x}). To nas dovodi do sljede´ce definicije.
Definicija 5.3. Neka je X : Ω →R sluˇcajna promjenljiva. Funkcija F : R →R
definisana sa
F(x) = P{ω ∈ Ω : X(ω) < x},
naziva se funkcija raspodjele sluˇcajne promjenljive X.
Osnovne osobine funkcije raspodjele su :
1. 0 ≤ F(x) ≤ 1x ∈ R,
2. F je monotono neopadaju´ca funkcija,
3. lim
x→−∞
= F(−∞) = 0, lim
x→+∞
= F(+∞) = 1,
4. lim
t→x−0
F(t) = F(x), lim
t→x+0
F(t) = F(x) +P(X = x),
5. P(a ≤ X < b) = F(b) −F(a),
P(a < X < b) = F(b) −F(a) −P(X = a),
P(a ≤ X ≤ b) = F(b) +P(X = b) −F(a),
P(a < X ≤ b) = F(b) +P(X = b) −F(a) −P(X = a).
Slede´ca teorema daje karakterizaciju funkcije raspodjele sluˇcajne promjenljive.
Teorema 5.1. Funkcija F : R → R je funkcija raspodjele neke sluˇcajne prom-
jenljive X ako i samo ako vrijedi :
1. 0 ≤ F(x) ≤ 1x ∈ R,
2. F je monotono neopadaju´ca funkcija,
3. lim
x→−∞
= F(−∞) = 0, lim
x→+∞
= F(+∞) = 1,
4. F je neprekidna s lijeva.
Primjedba 5.1. Funkcija raspodjele se moˇze definisati i sa
F(x) = P(X ≤ x), x ∈ R.
U tom sluˇcaju ona je neprekidna s desna.
38 GLAVA 5. SLU
ˇ
CAJNE PROMJENLJIVE
Ako znamo zakon raspodjele diskretne sluˇcajne promjenljive X onda moˇzemo
konstruisati njenu funkciju raspodjele. Naime,
F(x) = P(X < x) =
¸
x
x
<x
P(X = x
i
) =
¸
x
x
<x
p
i
.
Primjer 5.3. 1. Binomna raspodjela. Ovde je
F(x) = P(X < x) =

0, x ≤ 0,
¸
k<x

n
n

p
k
(1 −p)
n−k
, 0 < x ≤ n,
1, x > n.
2. Puasonova raspodjela. Diskretna sluˇcajna promjenljiva X moˇze uzi-
mati vrijednosti
0, 1, 2, . . .
sa vjerovatno´cama
P(X = k) =
λ
k
k!
e
−λ
, λ > 0.
Funkcija raspodjele ima oblik
F(x) = P(X < x) =

0, x ≤ 0,
¸
k<x
λ
k
k!
e
−λ
, x > 0.
3. Geometrijska raspodjela. Bernulijevi eksperimenti, sa vjerovatno´com
uspjeha p, izvode se do prvog uspjeha. Sluˇcajna promjenljiva X uzima
vrijednosti 1, 2, . . . sa vjerovatno´cama
P(X = k) = p(1 −p)
k−1
, k = 1, 2, . . . ,
F(x) = P(X < x) =

0, x ≤ 1,
¸
k<x
p(1 −p)
k−1
, x > 1.
4. Hipergeometrijska raspodjela. Od n predmeta, m je posebno oznaˇceno.
Bira se sluˇcajan uzorak od r predmeta. Neka je X broj posebno oznaˇcenih
predmeta u uzorku. Ovo je hpergeometrijska sluˇcajna promjenljiva. Imamo
P(X = k) =

m
k

·

n −m
r −k

n
r
, k = 0, 1, 2, . . . , r.
F(x) = P(X < x) =

0, x ≤ 0,
¸
k<x


m
k


·


n −m
r −k




n
r


, 0 < x < r.
1, x ≥ r.
5.4. SLU
ˇ
CAJNE PROMJENLJIVE NEPREKIDNOG TIPA 39
Kako zbir svih vjerovatno´ca mora da bude 1, dobijamo identitet
r
¸
k=0

m
k

n −m
r −k

=

n
r

.
5.4 Sluˇcajne promjenljive neprekidnog tipa
Definicija 5.4. Sluˇcajna promjenljiva X : Ω → R je neprekidnog tipa ako
postoji nenegativna integrabilna funkcija f : R →R takva da je
F(x) =
x

−∞
f(t)dt, za svaki x ∈ R.
Funkcija f je gustina raspodjele vjerovatno´ca sluˇcajne promjenljive X.
Ako je f integrabilna onda je F neprekidna, a ako je f neprekidna onda je
F diferencijabilna i vrijedi
F

(x) = f(x), x ∈ R.
Ako je f neprekidna tada je

b
a
f(t)dt = F(b) −F(a) i

b
a
f(t)dt = P(a ≤ X ≤ b).
Odavde dobijamo P(X = a) = 0.
Napomenimo da postoje sluˇcajne promjenljive koje nisu ni diskretne ni neprekidne.
Primjer 5.4. Sluˇcajna promjenljiva X ˇcija je funkcija raspodjele data sa
F(x) =

0, x <
1
2
,
x,
1
2
≤ x < 1,
1, 1 ≤ x,
nije ni diskretnog ni neprekidnog tipa.
Iz osobina funkcije raspodjele vjerovatno´ca sluˇcajne promjenljjive dobijamo
osobine funkcije gustine raspodjele vjerovatno´ca.
Teorema 5.2. Neka je X neprekidna sluˇcajna promjenljiva sa funkcijom raspod-
jele F i gustinom f. Tada vrijedi :
1. Za svako a ∈ R, P(X = a) = 0.
2. Za sve a, b ∈ R, (a < b) je
P(a < X < b) =
b

a
f(t)dt.
40 GLAVA 5. SLU
ˇ
CAJNE PROMJENLJIVE
3. Za svako a ∈ R je
P(X < a) = P(X ≤ a) =
a

−∞
f(t)dt,
P(X > a) = P(X ≥ a) =
+∞

a
f(t)dt.
4.
+∞

−∞
f(t)dt = 1.
Primjer 5.5. Funkcija gustine vjerovatno´ca sluˇcajne promjenljive X je
f(x) =

cx, x ∈ [3, 6]
0, x / ∈ [3, 6].
Na´ci:
(a) konstantu c,
(b) P(X ∈ [a, b]), gdje je [a, b] ⊂ [3, 6],
(c) P(X
2
−9X + 20 ≥ 0).
Rjeˇsenje.
(a) Iz relacije
6

3
cxdx = 1
dobijamo da je c =
2
27
.
(b) P(X ∈ [a, b]) =
b

a
2
27
xdx =
b
2
−a
2
27
.
(c)
P(X
2
−9X + 20 ≥ 0) = P((X −4)(X −5) ≥ 0) = P(X ∈ [3, 4] ∪ [5, 6]).
Dakle,
P(X
2
−9X + 20 ≥ 0) =
4

3
2
27
xdx +
6

5
2
27
xdx =
4
2
−3
2
27
+
6
2
−5
2
27
=
2
3
.
5.5 Pregled vaˇznijih raspodjela
1. Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 −p.
5.5. PREGLED VA
ˇ
ZNIJIH RASPODJELA 41
2. Binomna B(n, p)
P(X = k) =

n
k

p
k
(1 −p)
n−k
, k = 0, . . . , n.
3. Geometrijska
P(X = k) = p(1 −p)
k−1
, k = 1, 2, . . .
4. Hipergeometrijska
P(X = k) =

m
k

n −m
r −k

n
r
, k = 0, . . . , r, r ≤ m < n.
5. Negativna binomna
P(X = k) =

k −1
r −1

p
r
(1 −p)
k−r
, k = r, r + 1, . . .
6. Poissonova P(λ)
P(X = k) = e
−λ
λ
k
k!
, k = 0, 1, . . .
7. Uniformna U(a, b)
f(x) =
1
b −a
, x ∈ [a, b].
8. Eksponencijalna E(λ)
f(x) = λe
−λx
, x ≥ 0, λ > 0.
9. Normalna N(µ, σ
2
)
f(x) =
1
σ


e

(x−µ)
2

2
, x ∈ R.
10. Gama Γ(α, λ)
f(x) =
λ
α
e
−λx
x
α−1
Γ(α)
, x > 0.
11. Beta B(α, β)
f(x) =
Γ(α +β)
Γ(α)Γ(β)
x
α−1
(1 −x)
β−1
, 0 < x < 1.
42 GLAVA 5. SLU
ˇ
CAJNE PROMJENLJIVE
12. Hi kvadrat χ
2
(n)
f(x) =
1
2
n
2
Γ(
n
2
)
x
n
2
−1
e

x
2
, x > 0.
13. Studentova t(n)
f(x) =
Γ((n + 1)/2)

nπΓ(n/2)

1 +
x
2
n

−(n+1)/2
, x ∈ R.
5.6 Zadaci
1. Noˇci´c se baca pet puta. Sluˇcajan promjenljiva X je broj pojavljivanja
grba. Opisati tu sluˇcajnu promjenljivu.
2. Neka je X sluˇcajna promjenljiva i
f(x) =

ax +b, |x| ≤ 1
0, |x| > 1
njena gustina raspodjele vjerovatno´ca. Pokazati da je b =
1
2
i |a| ≤
1
2
.
3. Neka X ima normalnu raspodjelu sa parametrima µ = 10 i σ = 3. Odrediti
vjerovatno´cu dogadjaja (X ∈ [4, 16]).
4. Neka X ima N(0, σ
2
) raspodjelu. Odrediti vrijednost σ tako da je vjerovatno´ca
P(1 ≤ X ≤ 3) najve´ca.
5. Sluˇcajna promjenljiva X je neprekidna sa gustinom
f(x) =

c(4x −2x
2
), x ∈ (0, 2),
0, x / ∈ (0, 2).
Odrediti c, a zatim na´ci P(X > 1).
Glava 6
Sluˇcajni vektori
6.1 Sluˇcajni vektori
U nekim sluˇcajevima ishodu nekog opita moˇzemo pridruˇziti viˇse numeriˇckih
karakteristika.
Na primjer, taˇcka pogotka mete moˇze da se opiˇse sa dvije sluˇcajne promjenljive,
apscisom i ordinatom.
Ovakvi primjeri nas dovode do pojma viˇsedimenzionalne sluˇcajne prom-
jenljive.
Definicija 6.1. Funkcija X = [X
1
, . . . , X
n
]
T
: Ω → R
n
je n−dimenzionalna
sluˇcajna promjenljiva, ako je za svaki i ∈ {1, . . . , n} funkcija X
i
sluˇcajna
promjenljiva.
Ako je n = 2 radi se o sluˇcajnom vektoru. Koristi se i oznaka
X =
¸
X
1
X
2

= [X
1
, X
2
]
T
ili X = (X
1
, X
2
).
Ako su X
i
, i ∈ {1, . . . , n} diskretne (neprekidne) sluˇcajne promjenljive onda je
X diskretna (neprekidna) n−dimenzionalna sluˇcajna promjenljiva.
Neka su X i Y diskretne sluˇcajne promjenljive i
X(Ω) = {x
i
: i ∈ I}, Y (Ω) = {y
j
: j ∈ J},
gdje su I i J konaˇcni ili prebrojivi skupovi. Tada je skup vrijednosti sluˇcajnog
vektora Z = [X, Y ]
T
dat sa
Z(Ω) =
¸
x
i
y
j

: i ∈ I, j ∈ J

.
Zakon raspodjele vjerovatno´ca sluˇcajnog vektora Z dat je funkcijom P :
Z(Ω) →R, to jest vjerovatno´cama
p
ij
= P(X = x
i
, Y = y
j
), i ∈ I, j ∈ J.
43
44 GLAVA 6. SLU
ˇ
CAJNI VEKTORI
To obiˇcno predstavljamo pomo´cu tabele
X\Y y
1
y
2
· · · y
j
· · ·
x
1
p
11
p
12
· · · p
1j
· · ·
x
2
p
21
p
22
· · · p
2j
· · ·
.
.
.
.
.
.
.
.
. · · ·
.
.
. · · ·
x
i
p
i1
p
i2
· · · p
ij
· · ·
.
.
.
.
.
.
.
.
.
.
.
. · · ·
.
.
.
Kako je
Ω =
¸
i,j
{X = x
i
, Y = y
j
} imamo
¸
i∈I
¸
j∈J
p
ij
= 1.
Ako je poznat zakon raspodjele vjerovatno´ca sluˇcajnog vektora Z = [X, Y ]
T
tada moˇzemo odrediti zakone raspodjela vjerovatno´ca sluˇcajnih promjenljivih
X i Y . To su marginalni zakoni raspodjela vjerovatno´ca.
Kako je
{X = x
i
} =
¸
j
{X = x
i
, Y = y
j
}
imamo
p
i
= P(X = x
i
) =
¸
j
p
ij
,
analogno dobijamo
q
j
= P(Y = y
j
) =
¸
i
p
ij
.
Dakle, vrijedi
X :

x
1
x
2
· · · x
i
· · ·
p
1
p
2
· · · p
i
· · ·

i
Y :

y
1
y
2
· · · y
j
· · ·
q
1
q
2
· · · q
j
· · ·

.
Primjer 6.1. Zakon raspodjele sluˇcajnog vektora (X, Y ) dat je sljede´com tabe-
lom
X\Y 1 2 3 4
1
1
12
1
6
0
1
4
1
2
2 0
1
6
0
1
12
1
4
3
1
6
0 0
1
4
1
4
1
3
1
12
1
3
(i) Na´ci vrijednost koja nedostaje u tabeli tj. P(X = 3, Y = 3).
(ii) Na´ci P(X ≤ Y ).
(iii) Na´ci P(X = 2).
6.2. FUNKCIJA RASPODJELE SLU
ˇ
CAJNOG VEKTORA 45
(iv) Odrediti marginalne zakone raspodjela vjerovatno´ca za X i Y .
Rezultat.
(i) P(X = 3, Y = 3) =
1
12
.
(ii) P(X ≤ Y ) = p
11
+p
12
+p
13
+p
14
+p
22
+p
23
+p
24
+p
33
+p
34
=
5
6
.
(iii) P(X = 2) =
¸
j
p
2j
=
1
4
.
(iv)
X :

1 2 3
1
2
1
4
1
4

,
X :

1 2 3 4
1
4
1
3
1
12
1
3

.
6.2 Funkcija raspodjele sluˇcajnog vektora
Neka su X i Y sluˇcajne promjenljive, tada ima smisla traˇziti vjerovatno´cu
dogadaja {ω ∈ Ω : X(ω) < x, Y (ω) < y}, tj, da sluˇcajna taˇcka padne u oblast
{(u, v) : u < x, v < y}.
Definicija 6.2. Funkcija raspodjele sluˇcajnog vektora (X, Y ) je funkcija
F : R
2
→R data sa
F(x, y) = P(X < x, Y < y).
Osobine funkcije raspodjele :
1. 0 ≤ F(x, y) ≤ 1, x, y ∈ R,
2. F je neopadaju´ca po svakoj promjenljivoj,
3. F je neprekidna s lijeve strane po svakoj promjenljivoj,
4. lim
x → +∞
y → +∞
F(x, y) = 1, lim
x → −∞
y → −∞
F(x, y) = 0.
Teorema 6.1. Neka je F funkcija raspodjele sluˇcajnog vektora (X, Y ) tada je
P(a
1
≤ X ≤ a
2
, b
1
≤ Y ≤ b
2
) = F(a
2
, b
2
) −F(a
1
, b
2
) −F(a
2
, b
1
) +F(a
1
, b
1
).
Sljede´ca teorema daje karakterizaciju funkcije raspodjele sluˇcajnog vektora.
Teorema 6.2. Funkcija F : R
2
→ R je funkcija raspodjele sluˇcajnog vektora
(X, Y ) ako i samo ako vrijedi 1, 2, 3, 4, i
F(a
2
, b
2
) −F(a
1
, b
2
) −F(a
2
, b
1
) +F(a
1
, b
1
) ≥ 0.
46 GLAVA 6. SLU
ˇ
CAJNI VEKTORI
6.3 Uslovne raspodjele
Polaze´ci od formule
P(A|B) =
P(AB)
P(B)
, P(B) > 0,
dolazimo do pojma uslovne raspodjele.
Pretpostavimo da su X i Y diskretne sluˇcajne promjenljive. Tada je
p(x
i
|y
j
) = P(X = x
i
|Y = y
j
) =
P(X = x
i
, Y = y
j
)
P(Y = y
j
)
=
p
ij
q
j
.
Analogno je
q(y
j
|x
i
) = P(Y = y
j
|X = x
i
) =
P(Y = y
j
, X = x
i
)
P(X = x
i
)
=
p
ij
p
i
.
Primjer 6.2. Zakon raspodjele sluˇcajnog vektora dat je tabelom
X\Y 1 2 3
0
2
27
6
27
0
8
27
1 0
6
27
6
27
12
27
2 0
6
27
0
6
27
3
1
27
0 0
1
27
3
27
18
27
6
27
Na´ci uslovnu raspodjelu X|Y = 2.
Rezultat.
X|Y = 2 :

0 1 2 3
1
3
1
3
1
3
0

.
Definicija 6.3. Sluˇcajne promjenljive X i Y su nezavisne ako vrijedi
P(X < x, Y < y) = P(X < x)P(Y < y) za sve x, y ∈ R.
Ako su X i Y nezavisne tada vrijedi
F(x, y) = F
X
(x)F
Y
(y), x, y ∈ R,
gdje je F(x, y) funkcija raspodjele sluˇcajnog vektora (X < Y ), a F
X
(x)(F
Y
(y))
funkcija raspodjele sluˇcajne promjenljive X(Y ).
Ako su X i Y diskretne sluˇcajne promjenljive tada je nezavisnost ekvivalentna
uslovu
p(x
i
, y
j
) = p(x
i
)q(y
j
), i ∈ I, j ∈ J.
Primjer 6.3. X i Y su nezavisne sluˇcajne promjenljive sa Poasonovom raspod-
jelom P(λ). Na´ci raspodjelu sluˇcajne promjenljive X|X +Y = m.
Rjeˇsenje.
P{X = k|X +Y = m} =
P{X = k, X +Y = m}
P{X +Y = m}
, k = 0, 1, . . . , m.
6.4. FUNKCIJE SLU
ˇ
CAJNIH PROMJENLJIVIH 47
P{X = k, X + Y = m} = P{X = k, Y = m − k}. Sada zbog nezavisnosti
sluˇcajnih promjenljivih X i Y je
P{X = k, X +Y = m} = P{X = k}P{Y = m−k} =
λ
k
k!
· e
−λ
·
λ
m−k
(m−k)!
e
−λ
=

m
k

λ
m
m!
e
−2λ
, k = 0, 1, . . . , m.
P{X +Y = m} =
m
¸
i=0
P{X = i, Y = m−i} =
=
m
¸
i=0
P{X = i}P{Y = m−i} =
= =
m
¸
i=0

m
i

λ
m
m!
e
−2λ
=
λ
m
m!
e
−2λ
m
¸
i=0

m
i

=
(2λ)
m
m!
e
−2λ
.
Sada je
P{X = k|X +Y = m} =

m
k

λ
m
m!
e
−2λ
(2λ)
m
m!
e
−2λ
=
1
2
m

m
k

.
Znaˇci X|X +Y = m ima binomnu raspodjelu B(m,
1
2
).,
6.4 Funkcije sluˇcajnih promjenljivih
Neka je X = (X
1
, . . . , X
n
) viˇsedimenzionalna sluˇcajna pomjenljiva i
g : R
n
→R
data funkcija. Tada je funkcija
Y : Ω →R
data sa
Y = g ◦ X
sluˇcajna promjenljiva.
Ovde se bavimo problemom odredivanja raspodjele sluˇcajne promjenljive Y ako
je poznata funkcija g i raspodjela X. Smatra´cemo da je n = 1, u opˇstem sluˇcaju
su potrebna neka razmatranja iz analize funkcija viˇse promjenljivih ˇsto prelazi
okvire ovoga kursa. Ramotrimo prvo sljede´ce primjere.
Primjer 6.4. Neka X ima Poasonovu raspodjelu P(λ). Definiˇsimo Y = X
2
i
Z = sin
πX
2
. Odrediti zakon raspodjele za Y i Z.
Rjeˇsenje. Imamo da je
P(X = k) = e
−λ
λ
k
k!
, k = 0, 1, . . .
Sluˇcajna promjenljiva Y = X
2
moˇze uzimati samo vrijednosti koje su kvadrati
prirodnih brojeva i nule, pri ˇcemu je
P(Y = k
2
) = P(X = k) = e
−λ
λ
k
k!
, k = 0, 1, . . .
48 GLAVA 6. SLU
ˇ
CAJNI VEKTORI
Sluˇcajna promjenljiva Z uzima vrijednosti iz skupa {−1, 0, 1}. Imamo da je
P(Z = 0) =
+∞
¸
k=0
P(X = 2k) = e
−λ
+∞
¸
k=0
λ
2k
(2k)!
= e
−λ
chλ.
Na sliˇcan naˇcin nalazimo
P(Z = 1) = e
−λ
shλ + sin λ
2
i
P(Z = −1) = e
−λ
shλ −sin λ
2
.
Primjer 6.5. Sluˇcajna promjenljiva X ima normalnu raspodjelu N(0, 1) i sluˇcajna
promjenljiva Y ima log normalnu raspodjelu, to jest Y = e
X
. Odrediti raspodjelu
sluˇcajne promjenljive Y .
Rjeˇsenje. Za funkciju raspodjele F
Y
sluˇcajne promjenljive Y vrijedi
F
Y
(y) = P(Y < y) = P(e
X
< y) = 0, y ≤ 0,
F
Y
(y) = P(X < ln y) =
1


ln y

−∞
e

t
2
2
dt, y > 0.
Gustina sluˇcajne promjenljive Y je
f
Y
=

1

2πy
e

ln
2
y
2
, y > 0
0, y ≤ 0.
Koriste´ci ideje date u prethodnim primjerima dobijamo opˇsti rezultat.
Diskretan sluˇcaj. Neka je data sluˇcajna promjenljiva X sa zakonom raspodjele
X :

x
1
x
2
· · · x
i
· · ·
p
1
p
2
· · · p
i
· · ·

i funkcija
g : R →R.
Odredimo zakon raspodjele sluˇcajne promjenljive Y = g ◦ X. Vrijedi
P(Y = g(x
i
)) =
¸
j∈I
i
P(X = x
j
),
gdje je
I
i
= {j : g(x
i
) = g(x
j
)}.
Neprekidan sluˇcaj. Neka je X neprekidna sluˇcajna promjenljiva sa funkcijom
raspodjele vjerovatno´ca F
X
(x). Tada za funkciju raspodjele vjerovatno´ca F
Y
(y)
sluˇcajne promjenljive Y imamo
F
Y
(y) = P(Y < y) = P(g(X) < y) = P(x ∈ g
−1
(−∞, y)).
Na kraju, zavrˇsimo sa jednim primjerom.
6.5. ZADACI 49
Primjer 6.6. Neka su X i Y nezavisne sluˇcajne promjenljive i
P(X = k) = P(Y = k) = q
k
p, k = 0, 1, 2, . . . , p ∈ (0, 1), q = 1 −p
Sluˇcajne promjenljive Z i W definisane su sa
Z = Y −X, W = min(X, Y ).
(i) Pokazati da je P(W = w, Z = z) = p
2
q
2w+|z|
, w ≥ 0, z ∈ Z.
(ii) Odrediti P(W = w).
(iii) Odrediti P(Z = z).
(iv) Da li su Z i W nezavisne sluˇcajne promjenljive?
Rjeˇsenje.
(i) Ako je Y −X = Z < 0 tada je w = W = Y i X = Y −Z = w +|z|. Dakle,
P(W = w, Z = z) = P(Y = w, X = w +|z|) = p
2
q
2w+|z|
.
Ako je Y −X = Z ≥ 0 tada je w = W = X i Y = X +Z = w +z. Dakle,
P(W = w, Z = z) = P(X = w, Y = w +z) = p
2
q
2w+z
.
(ii)
P(W = w) =
+∞
¸
z=−∞
p
2
q
2w+|z|
=
p
2
q
2w
[2
+∞
¸
z=0
q
|z|
−1] = p
2
q
2w

2
p
−1

= p(2 −p)q
2w
.
(iii)
P(Z = z) =
+∞
¸
w=0
p
2
q
2w+|z|
= p
2
q
|z|
1
1 −q
2
=
pq
|z|
2 −p
.
(iv) Sluˇcajne promjenljive Z i W su nezavisne jer vrijedi
P(Z = z, W = w) = P(Z = z)P(W = w).
6.5 Zadaci
1. Zakon raspodjele sluˇcajne promjnljive X dat sa
P(X = k) = 2
−k
, k ∈ N.
Odrediti zakon raspodjele sluˇcajne promjenljive Y = 2 cos
πx
2
.
2. Sluˇcajna promjenljiva X ima unifomnu raspodjelu na intervalu [0, 1]. Odred-
iti raspodjelu sluˇcajne promjenljive Y = X
2
.
50 GLAVA 6. SLU
ˇ
CAJNI VEKTORI
3. Sluˇcajna promjenljiva X ima gustinu
f(x) =

e
−x
, x > 0,
0 x ≤ 0.
Odrediti gustinu sluˇcajne promjenljive Y = (X −1)
2
.
4. Sluˇcajna promjenljiva X ima Koˇsijevu raspodjelu
f(x) =
1
π
·
1
1 +x
2
.
Na´ci gustinu sluˇcajne promjenljive
Y =
2X
1 −X
2
.
Glava 7
Numeriˇcke karakteristike
sluˇcajnih promjenljivih
7.1 Matematiˇcko oˇcekivanje
Neka je Ω = {ω
1
, ω
2
, . . . , ω
n
} i X :

x
1
x
2
· · · x
k
p
1
p
2
· · · p
k

. Oznaˇcimo sa
A
i
= {ω ∈ Ω : X(ω) = x
i
}, i = 1, 2, . . . , k.
Ako je |A
i
| = n
i
, i = 1, 2, . . . , k imamo p
i
=
n
i
n
, pa za srednju vrijednost
X(ω
1
) +X(ω
2
) +· · · +X(ω
n
)
n
sluˇcajne promjenljive X imamo
n
1
x
1
+n
2
x
2
+· · · +n
k
x
k
n
=
k
¸
i=1
p
i
x
i
.
Prethodno razmatranje je motiv za sljede´cu definiciju.
Definicija 7.1. Neka je X diskretna sluˇcajna promjenljiva ˇciji je zakon raspod-
jele vjerovatno´ca dat sa
X :

x
1
x
2
· · · x
n
· · ·
p
1
p
2
· · · p
n
· · ·

.
Matematiˇcko oˇcekivanje sluˇcajne promjenljive X je broj
E(X) =
+∞
¸
n=1
x
n
p
n
,
51
52GLAVA7. NUMERI
ˇ
CKE KARAKTERISTIKE SLU
ˇ
CAJNIHPROMJENLJIVIH
ako je dati red apsolutno konvergentan.
Za neprekidnu sluˇcajnu promjenljivu sa gustinom raspodjele f, matematiˇcko
oˇcekivanje definiˇse se sa
E(X) =

+∞
−∞
xf(x)dx,
ako je integral apsolutno konvergentan.
Primjer 7.1. Neka je X sluˇcajna promjenljiva koja predstavlja broj na gornjoj
strani kocke. Ovde je E(X) = 3.5.
Primjer 7.2. Neka X ima Koˇsijevu raspodjelu, to jest radi se o sluˇcajnoj prom-
jenljivoj ˇcija je gustina raspodjele
f(x) =
1
π(1 +x
2
)
, x ∈ R.
U ovom sluˇcaju ne postoji E(X), jer je

+∞
−∞
|x|
π(1 +x
2
)
dx = +∞,
pa integral

+∞
−∞
x
π(1 +x
2
)
dx,
ne kovergira apsolutno.
Neka je X sluˇcajna promjenljiva i g : R → R data funkcija. Ako je X
diskretnog tipa onda je
E(g(X)) =
+∞
¸
n=1
g(x
n
)p
n
.
U sluˇcaju da je X neprekidnog tipa sa gustinom f onda je
E(g(X)) =

+∞
−∞
g(x)f(x)dx.
Primjer 7.3. (i) Neka je
X :

−2 2
1
2
1
2

.
Odrediti E(X
2
).
Ovde je g(x) = x
2
, x ∈ R, pa vrijedi
E(X
2
) = (−2)
2
1
2
+ 2
2
1
2
= 0.
7.2. VARIJANSA 53
(ii) X je sluˇcajna promjenljiva koja oznaˇcava duˇzinu preˇcnika kruga i vrijedi
X : U(5, 7). Odrediti matematiˇcko oˇcekivanje povrˇsine kruga. U ovom sluˇcaju
je g(x) = π
2

x
2

2
, pa je
E

π
2

X
2

2

=

7
5
π
2
x
2
4
·
1
2
dx =
109π
2
12
.
U sljede´coj teoremi dajemo osnovne osobine matematiˇckog oˇcekivanja.
Teorema 7.1. 1. Neka je c ∈ R tada je E(c) = c,
2. ako je c ∈ R i X sluˇcajna promjenljiva tada je E(cX) = cE(X),
3. ako su X i Y sluˇcajne promjenljive tada je E(X +Y ) = E(X) +E(Y ),
4. ako su X i Y nezavisne sluˇcajne promjenljive tada je
E(X · Y ) = E(X) · E(Y ).
Primjer 7.4. Na´ci matematiˇcko oˇcekivanje zbira broja taˇcaka pri bacanju dvije
kocke.
Rjeˇsenje. Neka su X i Y sluˇcajne promjenljive-broj taˇcaka koji se pojavio na
prvoj, odnosno na drugoj kocki. Prema osobini 3. imamo E(X +Y ) = E(X) +
E(Y ). Sada, na osnovu primjera 7.1 dobijamo E(X +Y ) = 3.5 + 3.5 = 7.
Primjer 7.5. Za sluˇcajnu promjenljivu X vrijedi E(X) = 100.
Odrediti E(2X + 6).
Rjeˇsenje. Vrijede formule
E(cX) = cE(X), E(X +c) = E(X) +E(c) = E(X +c).
Dakle,
E(2X + 6) = 2E(X) + 6 = 206.
7.2 Varijansa
Matematiˇcko oˇcekivanje daje informaciju o sluˇcajnoj promjenljivoj koja je
ne opisuje u potpunosti. Ilustrujmo to sljede´cim primjerom.
Primjer 7.6. Neka je
X :

−1 0 1
1
3
1
3
1
3

i Y :

−100 50 100
1
2
0
1
2

.
Tada je E(X) = E(Y ) = 0.
Dakle, potrebno je posmatrati i odstupanje sluˇcajne promjenljive od E(X),
to jest |X−E(X)|. Izraz (X−E(X))
2
takode daje odstupanje ali je jednostavniji
za analizu.
54GLAVA7. NUMERI
ˇ
CKE KARAKTERISTIKE SLU
ˇ
CAJNIHPROMJENLJIVIH
Definicija 7.2. Varijansa (disperzija) sluˇcajne promjenljive X je
V ar(X) = E(X −E(X))
2
.
Koristi se i oznaka D
2
(X) = E(X − E(X))
2
. Broj

V ar(X) se naziva stan-
dardna devijacija.
Osnovne osobine varijanse sadrˇzane su u sljede´coj teoremi.
Teorema 7.2. 1. V ar(X) = E(X
2
) −E
2
(X),
2. V ar(X) ≥ 0,
3. ako je c ∈ R onda je V ar(c) = 0,
4. V ar(cX) = c
2
V ar(X),
5. ako su X i Y nezavisne sluˇcajne promjenljive onda je
V ar(X +Y ) = V ar(X) +V ar(Y ).
Primjedba 7.1. Ako je V ar(X) = 0 onda je P(X = c) = 1 i kaˇze se da je X = c
skoro sigurno (s. s.).
Primjer 7.7. Odredimo V ar(I
A
), to jest varijansu indikatora dogadaja A.
Sluˇcajna promjenljiva I
A
je definisana sa (vidi primjer 5.1)
I
A
(ω) =

1, ω ∈ A,
0, ω / ∈ A.
Imamo P(I
A
= 1) = P(A), P(I
A
= 0) = 1 −P(A).
V ar(I
A
) = p −p
2
= p(1 −p).
Primjer 7.8. Ako je
X :

1 2 3
p
1
p
2
p
3

sluˇcajna promjenljiva kod koje je E(X) = 2 i V ar(X) =
2
3
odrediti p
1
, p
2
i p
3
.
Rjeˇsenje. Vrijedi
p
1
+p
2
+p
3
= 1,
osim toga, kako je E(X) = 2 imamo
p
1
+ 2p
2
+ 3p
3
= 2.
Dalje,
V ar(X) = E(X
2
) −E
2
(X) =
2
3
,
pa je
p
1
+ 4p
2
+ 9p
3
−4 =
2
3
.
Sada iz
p
1
+p
2
+p
3
= 1
7.3. KOVARIJANSA I KOEFICIJENT KORELACIJE 55
p
1
+ 2p
2
+ 3p
3
= 2
p
1
+ 4p
2
+ 9p
3
=
14
3
,
dobijamo
p
1
= p
2
= p
3
=
1
3
.
7.3 Kovarijansa i koeficijent korelacije
Definicija 7.3. Neka je X sluˇcajna promjenljiva. Osnovni momenat k−tog
reda je
E(X
k
), k = 0, 1, 2, . . .
Centralni momenat k−tog reda je
E(X −E(X))
k
, k = 0, 1, 2, . . .
Matematiˇcko oˇcekivanje je osnovni momenat prvog reda, a varijansa je cen-
tralni momenat drugog reda.
Ako postoji osnovni momenat k−tog reda (k ≥ 2) onda postoje i momenti i−tog
reda i ∈ {0, 1, . . . , k −1}. Naime, neka je

+∞
−∞
|x
k
f(x)|dx < +∞,
tada je

+∞
−∞
|x
i
f(x)|dx =

−1
−∞
|x
k
f(x)|dx +

1
−1
|x
k
f(x)|dx +

+∞
1
|x
k
f(x)|dx ≤
≤ 1 +

+∞
−∞
|x
k
f(x)|dx < +∞.
Definicija 7.4. Neka su X i Y sluˇcajne promjenljive. Broj
E((X −E(X))(Y −E(Y ))
nazivamo kovarijacija i oznaˇcavamo sa cov(X, Y ).
Osnovne osobine kovarijacije su :
1. cov(X, Y ) = cov(Y, X),
2. cov(X, X) = V ar(X),
3. cov(X, Y ) = E(XY ) −E(X)E(Y ),
4. ako su X i Y nezavisne sluˇcajne promjenljive onda je cov(X, Y ) = 0.
56GLAVA7. NUMERI
ˇ
CKE KARAKTERISTIKE SLU
ˇ
CAJNIHPROMJENLJIVIH
Primjer 7.9. Neka sluˇcajni vektor (X, Y ) ima zakon raspodjele vjerovatno´ca
Y \X -1 0 1
0
1
12
1
2
1
12
2
1
12
1
6
1
12
Na´ci cov(X, Y ).
Rjeˇsnje. Zakoni raspodjela za X, Y i XY su
X :

−1 0 1
1
6
2
3
1
6

, Y :

0 2
2
3
1
3

, XY :

−2 0 2
1
12
5
6
1
12

.
Sada je E(X) = 0, E(Y ) =
2
3
i E(XY ) = 0, pa je cov(X, Y ) = 0. Primjetimo
da X i Y nisu nezavisne, jer na primjer
P(X < 0) =
1
6
, P(Y < 2) =
2
3
i P(X < 0, Y < 2) =
1
12
,
tako da je
P(X < 0, Y < 2) = P(X < 0)P(Y < 2).
Definicija 7.5. Sluˇcajna promjenljiva
X
0
= X −E(X)
naziva se centralizovana sluˇcajna promjenljiva.
Sluˇcajna promjenljiva
X

=
X −E(X)

V ar(X)
naziva se standardizovana sluˇcajna promjenljiva. Kovarijacija standardizo-
vanih sluˇcajnih promjenljivih X

i Y

naziva se koeficijent korelacije sluˇcajnih
promjenljivih X i Y i oznaˇcava se sa ρ
XY
.
Dakle,
ρ
XY
= cov(X

, Y

)) = E

X −E(X)

V ar(X)
·
Y −E(Y )

V ar(Y )

=
E(XY ) −E(X)E(Y )

V ar(X)

V ar(Y )
.
Osobine koeficijenta korelacije :
1. ρ
XX
= 1,
2. ρ
XY
= ρ
Y X
,
3. |ρ
XY
| ≤ 1,
4. ako su X i Y nezavisne sluˇcajne promjenljive onda je ρ
XY
= 0,
5. ρ
XY
∈ {−1, 1} ako i samo ako postoje a, b ∈ R takvi da je Y = aX + b
skoro sigurno.
7.4. MATEMATI
ˇ
CKOO
ˇ
CEKIVANJE I VARIJANSANEKIHRASPODJELA57
Primjedba 7.2. Za sluˇcajne promjenljive X i Y kaˇzemo da su :
• nekorelisane ako je ρ
XY
= 0,
• pozitivno korelisane ako je ρ
XY
> 0,
• negativno korelisane ako je ρ
XY
< 0.
Primjer 7.10. Sluˇcajne promjenljive X i Y su nezavisne sa zakonom raspodjele

0 1
1
2
1
2

.
Neka je U = min{X, Y } i V = max{X, Y }. Na´ci koeficijent korelacije ρ
U,V
.
Rjeˇsenje. Raspodjela sluˇcajnog vektora (U, V ) je data sljede´com tabelom
U\V 0 1
0 0.25 0.5
1 0 0.25
Koeficijent korelacije
ρ
U,V
=
E(UV ) −E(U)E(V )

V ar(U)

V ar(V )
=
0.25 −0.25 · 0.75

3
4

3
4
=
1
3
.
7.4 Matematiˇcko oˇcekivanje i varijansa nekih raspod-
jela
1. Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 −p.
E(X) = p, V ar(X) = p(1 −p).
2. Binomna B(n, p)
P(X = k) =

n
k

p
k
(1 −p)
n−k
, k = 0, . . . , n.
E(X) = np, V ar(X) = np(1 −p).
3. Geometrijska
P(X = k) = p(1 −p)
k−1
, k = 1, 2, . . .
E(X) =
1
p
, V ar(X) =
1 −p
p
2
.
58GLAVA7. NUMERI
ˇ
CKE KARAKTERISTIKE SLU
ˇ
CAJNIHPROMJENLJIVIH
4. Hipergeometrijska
P(X = k) =

m
k

n −m
r −k

n
r
, k = 0, . . . , r, r ≤ m < n.
E(X) =
rm
n
, V ar(X) =
rm(n −m)(n −r)
n
2
(n −1)
.
5. Negativna binomna
P(X = k) =

k −1
r −1

p
r
(1 −p)
k−r
, k = r, r + 1, . . .
E(X) =
r
p
, V ar(X) =
r(1 −p)
p
2
.
6. Poissonova P(λ)
P(X = k) = e
−λ
λ
k
k!
, k = 0, 1, . . .
E(X) = λ, V ar(X) = λ.
7. Uniformna U(a, b)
f(x) =
1
b −a
, x ∈ [a, b].
E(X) =
a +b
2
, V ar(X) =
(b −a)
2
12
.
8. Eksponencijalna E(λ)
f(x) = λe
−λx
, x ≥ 0, λ > 0.
E(X) =
1
λ
, V ar(X) =
1
λ
2
.
9. Normalna N(µ, σ
2
)
f(x) =
1
σ


e

(x−µ)
2

2
, x ∈ R.
E(X) = µ, V ar(X) = σ
2
.
7.5. ZADACI 59
7.5 Zadaci
1. Ako je X : U(a, b), odrediti E(X) i V ar(X).
2. Sluˇcajne promjenljive
X :

−2 0 2
1
4
0
3
4

i Y :

1 2 3 4
1
5
3
5
1
5
0

su nezavisne. Odrediti E(XY ) i V ar(X +Y ).
3. Za sluˇcajnu promjenljivu X vrijedi E(X) = 10 i V ar(X) = 5. Odrediti
E(X
2
), E(2X + 6) i V ar(−3X + 5).
4. Neka je X sluˇcajna promjenljiva. Pokazati da je
|E(X)| ≤ E(X
2
) +
1
4
.
5. X i Y su nezavisne sluˇcajne promjenljive sa Poasonovom raspodjelom
P(λ). Na´ci E(X|X +Y = m).
60GLAVA7. NUMERI
ˇ
CKE KARAKTERISTIKE SLU
ˇ
CAJNIHPROMJENLJIVIH
Glava 8
Karakteristiˇcne funkcije
8.1 Uvod
Kompleksna sluˇcajna promjenljiva Z = X + iY je preslikavanje skupa Ω u
skup C. Matematiˇcko oˇcekivanje sluˇcajne promjenljive Z je kompleksan broj
E(Z) = E(X) + iE(Y ). U ovoj sekciji uvodimo pojam karakteristiˇcne funkcije
kao matematiˇcko oˇcekivanje komplesne sluˇcajne promjenljive. Ideja potiˇce od
matematiˇcara Ljapunova. Naime, on je koristio metodu karakteristiˇcnih funkcija
da bi doˇsao do graniˇcnih teorema, koje izuˇcavamo u sljede´coj glavi.
Definicija 8.1. Karakteristiˇcna funkcija ϕ sluˇcajne promjenljive X : Ω →R
je funkcija ϕ : R →C,
ϕ(t) = E(e
itX
).
Ako je f gustina sluˇcajne promjenljive X, tada je
ϕ(t) =
+∞

−∞
e
itx
f(x)dx,
a ako je sa p
k
= P(X = x
k
) dat zakon raspodjele diskretne sluˇcajne promjenljive
X, onda je
ϕ(t) =
¸
k
e
itx
k
p
k
.
Napomenimo da se na osnovu veze izmedju originala i slike Furijeove trans-
formacije moˇze pokazati da vrijedi
f(x) =
1

+∞

−∞
ϕ(t)e
−itx
dt,
ako je X neprekidnog tipa i
p
k
=
1

π

−π
ϕ(t)e
−itx
k
dt,
61
62 GLAVA 8. KARAKTERISTI
ˇ
CNE FUNKCIJE
ako je X diskretnog tipa.
Primjer 8.1. Odrediti karaktristiˇcnu funkciju sluˇcajne promjenljive X ˇcija je
gustina vjerovatno´ce
f(x) =
1
2
e
−|x|
.
Rjeˇsenje. Iz definicije karakteristiˇcne funkcije dobijamo
ϕ(t) =
1
2
+∞

−∞
e
itx
e
−|x|
dx =
1
2

¸
0

−∞
e
itx
e
x
dx +
+∞

0
e
itx
e
−x
dx
¸

=
1
1 +t
2
.
8.2 Osnovne osobine
Osnovne osobine karakteistiˇcne funkcije su :
1. ϕ(0) = 1, |ϕ(t)| ≤ 1, ϕ(−t) = ϕ(t).
2. Ako je X sluˇcajna promjenljiva i a, b ∈ R, tada je
ϕ
aX+b
(t) = e
ibt
ϕ
X
(at).
3. Ako postoji momenat E(X
n
), tada je
ϕ
(n)
(0) = i
n
E(X
n
).
4. Ako su X i Y nezavisne sluˇcajne promjenljive, tada je
ϕ
X+Y
(t) = ϕ
X
(t) · ϕ
Y
(t).
Primjedba 8.1. Matematiˇckom indukcijom se pokazuje da za nezavisne sluˇcajne
promjenljive X
1
, . . . , X
n
vrijedi
ϕ
X
1
+···+X
n
(t) = ϕ
X
1
(t) · · · ϕ
X
n
(t).
Kao posljedicu osobine 3. dobijamo da za karateristiˇcnu funkciju vrijedi
ϕ(t) =
n
¸
k=0
i
k
E(X
k
)
k!
t
k
+o(t
n
),
ako postoje momenti E(X
k
), k = 1, 2, . . . , n.
Sljede´ci primjer pokazuje da ne vrijedi obrnuto tvrdenje u 4.
8.2. OSNOVNE OSOBINE 63
Primjer 8.2. Zakon raspodjele sluˇcajnog vektora (X, Y ) odreden je tablicom
Y \X 0 1 3
0
1
9
0
2
9
1
2
9
1
9
0
3 0
2
9
1
9
Pokazati da za karakteristiˇcne funkcije ϕ
X+Y
, ϕ
X
, ϕ
Y
vrijedi
ϕ
X+Y
(t) = ϕ
X
(t)ϕ
Y
(t)
ali da su sluˇcajne promjenljive X i Y zavisne.
Rjeˇsenje.
h
X
(t) =
3
9
+
3
9
e
it
+
3
9
e
3it
=
1 +e
it
+e
3it
3
h
Y
(t) =
3
9
+
3
9
e
it
+
3
9
e
3it
=
1 +e
it
+e
3it
3
Sluˇcajna promjenljiva X +Y ima slede´ci zakon raspodjele
X +Y :

0 1 2 3 4 6
1
9
2
9
1
9
2
9
2
9
1
9

.
Dakle,
ϕ
X+Y
(t) =
1
9
(1 + 2e
it
+e
2it
+ 2e
3it
+ 2e
4it
+e
6it
) =

1 +e
it
+e
3it
3

2
,
pa imamo
ϕ
X+Y
(t) = ϕ
X
(t)ϕ
Y
(t).
Sluˇcajne promjenljive X i Y su zavisne jer je, na primjer
P{X = 0} = P{Y = 1} =
1
3
, P{X = 0, Y = 1} =
2
9
,
pa je
P{X = 0}P{Y = 1} = P{X = 0, Y = 1}.
Sljede´ca teorema je poznata kao teorema o neprekidnosti.
Teorema 8.1. Neka su (ϕ
n
(t)) i (F
n
(x)) nizovi karakteristiˇcnih funkcija i odgo-
varaju´cih funkcija raspodjele. Ako ϕ
n
(t) → ϕ(t), ϕ je neprekidna u 0 i F je
funkcija raspodjele koja odgovara karakteristiˇcnoj funkciji ϕ, onda F
n
(x) →
F(x) u svakoj taˇcki naprekidnosti funkcije F.
64 GLAVA 8. KARAKTERISTI
ˇ
CNE FUNKCIJE
Primjer 8.3. Neka je X
1
, X
2
, . . . niz nezavisnih sluˇcajnih promjenljivih takvih
da je
X
k
:

−1 1
1
2
1
2

, k = 1, 2, . . .
i
X =
+∞
¸
k=1
X
k
2
k
.
Dokazati da X ima uniformnu raspodjelu U(−1, 1).
Rjeˇsenje. Raspodjelu za X odredi´cemo pomo´cu karakteristiˇcnih funkcija. Za
sluˇcajnu promjenljivu X
k
karakteristiˇcna funkcija je
h
X
k
(t) =
1
2
e
−it
+
1
2
e
it
= cos t, k = 1, 2, . . . .
Neka je
Y
n
=
n
¸
k=1
X
k
2
k
,
poˇsto su sluˇcajne promjenljive X
1
, X
2
, . . . nezavisne, za karakteristiˇcnu funkciju
sluˇcajne promjenljive Y
n
vrijedi
ϕ
Y
n
(t) =
¸
n
k=1
ϕX
k
2
k
(t) =
¸
n
k=1
cos
t
2
k
= cos
t
2
cos
t
2
2
. . . cos
t
2
n
=
=
sin t
2 sin
t
2
·
sin
t
2
2 sin
t
2
2
·
sin
t
2
2
2 sin
t
2
3
· · ·
sin
t
2
n−1
2 sin
t
2
n
=
sin t
2
n
sin
t
2
n
.
Sada je ϕ
Y
n
(t) →
sin t
t
, n → +∞.
Znaˇci, niz karakteristiˇcnih funkcija ϕ
Y
n
konvergira za svako t = 0 ka funkciji
ϕ(t) =
sin t
t
, t = 0
Poˇsto, lim
t→0
sin t
t
= 1, ϕ se moˇze definisati u nuli h(0) = 1 da bi bila neprekidna.
Poˇsto je ϕ
Y
n
(0) = 1 za svako n = 1, 2, . . . imamo da niz karakteristiˇcnih funkcija
ϕ
Y
n
konvergira za svako t ∈ R ka funkciji
ϕ(t) =

sin t
t
, t = 0
1 , t = 0.
Karakteristiˇcna funkcija za uniformnu raspodjelu U(−1, 1), je
ϕ
U
=
e
it
−e
−it
2it
,
kako je
sin t
t
=
e
it
−e
−it
2it
,
to na osnovu teoreme o neprekidnosti zakljuˇcujemo da X ima uniformnu raspod-
jelu U(−1, 1).
8.3. KARAKTERISTI
ˇ
CNE FUNKCIJE NEKIH RASPODJELA 65
8.3 Karakteristiˇcne funkcije nekih raspodjela
1. Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 −p.
ϕ(t) = 1 −p +pe
it
.
2. Binomna B(n, p)
P(X = k) =

n
k

p
k
(1 −p)
n−k
, k = 0, . . . , n.
ϕ(t) = (1 −p +pe
it
)
n
.
3. Geometrijska
P(X = k) = p(1 −p)
k−1
, k = 1, 2, . . .
ϕ(t) =
pe
it
1 −(1 −p)e
it
.
4. Poissonova P(λ)
P(X = k) = e
−λ
λ
k
k!
, k = 0, 1, . . .
ϕ = e
λ(e
it
−1)
.
5. Uniformna U(a, b)
f(x) =
1
b −a
, x ∈ [a, b].
ϕ(t) =
e
itb
−e
ita
it(b −a)
.
6. Eksponencijalna E(λ)
f(x) = λe
−λx
, x ≥ 0, λ > 0.
ϕ(t) =
λ
λ −it
.
7. Normalna N(µ, σ
2
)
f(x) =
1
σ


e

(x−µ)
2

2
, x ∈ R.
ϕ = e
iµt−
σ
2
t
2
2
.
66 GLAVA 8. KARAKTERISTI
ˇ
CNE FUNKCIJE
8.4 Zadaci
1. Sluˇcajne promjenljive X
1
, X
2
, X
3
su nezavisne sa raspodjelama:
P{X
1
= k} =
1
2
k
, P{X
2
= k} =
2
3
k
, P{X
3
= k} =
4
5
k
, k ∈ N.
Koriste´ci karakteristiˇcne funkcije na´ci raspodjelu za sluˇcajnu promjenljivu
X, gdje je
X = X
1
+X
2
+X
3
.
2. Neka X ima binomnu raspodjelu B(n, p). Na´ci E(X
3
).
3. Karakteristiˇcne funkcije nezavisnih sluˇcajnih promjenljivih X i Y su
h
X
(t) = e
2e
it
−2
i h
Y
(t) =

1
4

10

3e
it
+ 1

10
.
Odrediti
P(X +Y = 2), P(XY = 0) i E(XY ).
4. Sluˇcajna promjenljiva X ima karakteristiˇcnu funkciju h(t). Izraˇcunati
V ar(sin X) +V ar(cos X) preko h(1).
5. Sluˇcajne promjenljive X
1
, . . . , X
n
su nezavisne i vrijedi X
i
: N(µ
i
, σ
2
i
), i =
1, . . . , n. Odrediti raspodjelu sluˇcajne promjenljive
X = a
1
X
1
+a
2
X
2
+· · · +a
n
X
n
+b,
gdje su a
1
, a
2
, . . . , a
n
, b realni brojevi.
Glava 9
Graniˇcne teoreme
9.1
ˇ
Cebiˇsevljeva nejednakost
Ako znamo funkciju raspodjele vjerovatno´ca moˇzemo odrediti vjerovatno´cu
dogadaja {|X| ≥ ǫ}, ǫ > 0. Na primjer, ako je X neprekidna sluˇcajna prom-
jenljiva sa gustinom f, onda je
P(|X| ≥ ǫ) =

−ǫ
−∞
f(x)dx +

+∞
ǫ
f(x)dx.
Ovde dajemo ocjenu gornje granice vjerovatno´ce P(|X| ≥ ǫ), ako je X nenega-
tivna sluˇcajna promjenljiva.
Teorema 9.1. (Nejednakost Markova) Neka je X nenegativna sluˇcajna prom-
jenljiva. Ako postoji E(X
k
), k ∈ N tada je
P(X ≥ ǫ) ≤
E(X
k
)
ǫ
k
za svako ǫ > 0.
Posljedica nejednakosti Markova je sljede´ca nejednakost poznata kao
ˇ
Cebiˇsevljeva
nejednakost.
Teorema 9.2. Ako postoji V ar(X), tada je
P(|X −E(X)| ≥ ǫ) ≤
V ar(X)
ǫ
2
.
Primjer 9.1. Sluˇcajna promjenljiva X ima pozitivnu varijansu. Pokazati da je
P



10 <
X −E(X)

V ar(X)
<

10

> 0.9.
Rjeˇsenje. Kako je
P



10 <
X −E(X)

V ar(X)
<

10

= 1 −P

X −E(X)

V ar(X)



10

67
68 GLAVA 9. GRANI
ˇ
CNE TEOREME
i
E

X −E(X)

V ar(X)

2
= 1,
koriste´ci nejednakost
ˇ
Cebiˇseva imamo
P



10 <
X −E(X)

V ar(X)
<

10

≥ 1 −
1
10
= 0.9.
Primjer 9.2. Koliko je potrebno sprovesti nezavisnih ispitivanja da bi, sa vjerovatno´com
ne manjom od 0.979 vaˇzila nejednakost

X
n
n
−p

< 0.01,
gdje je X
n
broj pozitivnih realizacija u n ispitivanja, a p = 0.3 vjerovatno´ca poz-
itivne realizacije u jednom ispitivanju. Na´ci ocjenu za najmanji broj ispitivanja
koriste´ci nejednakost
ˇ
Cebiˇseva.
Rjeˇsenje. Sluˇcajna promjenljiva X
n
ima binomnu raspodjelu B(n, 0.3), pa je
E(X) =
3n
10
, V ar(X) =
21n
100
.
Koriste´ci nejednakost
ˇ
Cebiˇseva dobijamo
P

X
n
n
−p

≥ 0.01

<
V ar(
X
n
n
)
0.01
2
,
to jest
P

X
n
n
−p

≥ 0.01

<
2100
n
.
Znaˇci, treba na´ci takvo n da vaˇzi
P

X
n
n
−p

< 0.01

> 1 −
2100
n
≥ 0.979.
Rjeˇsavanjem ove nejednaˇcine dobijamo n ≥ 10
5
.
9.2 Neke graniˇcne teoreme
U opitu bacanja homogenog noˇci´ca vjerovatno´ca pojave grba (pisma) je
1
2
.
To se dovodi u vezu sa grupisanjem relativne uˇcestalosti
S
n
n
oko
1
2
, pri velikom
ponavljanju opita. Medutim, nije mogu´ce dokazati
lim
n→+∞
S
n
n
=
1
2
.
9.3. VRSTE KONVERGENCIJA U TEORIJI VJEROVATNO
´
CE 69
Postupa se na drugi naˇcin. Za proizvoljan ǫ > 0 posmatra se vjerovano´ca
P

S
n
n
−p

< ǫ

.
Ako za svaki ǫ > 0 vrijedi
lim
n→+∞
P

S
n
n
−p

< ǫ

= 1,
onda imamo opradanje statistiˇcke definicije vjerovatno´ce.
Sljede´ca teorema dokazuje se koriste´ci
ˇ
Cebiˇsevljevu nejednakost.
Teorema 9.3. (Bernoulli)Neka je ǫ > 0 i S
n
: B(n, p), tada je
lim
n→+∞
P

S
n
n
−p

< ǫ

= 1 (9.1)
Primjedba 9.1. Formula 9.1 ekvivalentna je sa
lim
n→+∞
P

S
n
n
−p

≥ ǫ

= 0.
Teorema 9.4. (
ˇ
Cebiˇsev) Neka je (X
n
) niz nezavisnih sluˇcajnih promjenljivih,
sa uniformno ograniˇcenim varijansama, to jest, postoji c ∈ R tako da je za svaki
n ∈ N V ar(X
n
) ≤ c. Tada za svaki ǫ > 0 vrijedi
lim
n→+∞
P

1
n
n
¸
i=1
X
i

1
n
n
¸
i=1
E(X
i
)

< ǫ

= 1 (9.2)
Teorema 9.5. (Hinˇcin) Neka je (X
n
) niz nezavisnih sluˇcajnih promjenljivih,sa
ostom raspodjelom i matematiˇckim oˇckivanjem m ∈ R. Tada je za svako ǫ > 0
lim
n→+∞
P

1
n
n
¸
i=1
X
i
−m

< ǫ

= 1. (9.3)
Uoˇcimo da su formule (9.1), (9.2) i (9.3) istog tipa. Definisa´cemo pojmove
pomo´cu kojih se navedene teoreme mogu iskazati na isti naˇcin. To nas dovodi
do raliˇcitih konvergencija u teoriji vjerovatno´ce.
9.3 Vrste konvergencija u teoriji vjerovatno´ce
Definicija 9.1. Neka su X, X
,
X
2
, . . . sluˇcajne promjenljive.
1. Kaˇzemo da niz (X
n
) strogo konvergira ili konvergira skoro sigurno ka
sluˇcajnoj promjenljivoj X ako je
P( lim
n→+∞
X
n
= X) = 1.
70 GLAVA 9. GRANI
ˇ
CNE TEOREME
2. Niz (X
n
) konvergira u vjerovatno´ci ka X ako je
lim
n→+∞
P(|X
n
−X| ≥ ǫ) = 0 (∀ǫ > 0).
3. Niz (X
n
) konvergira ka X u raspodjeli ili slabo konergira ako je
lim
n→+∞
P(X
n
< x) = P(X < x).
4. Za dato p ≥ 1 kaˇzemo da niz (X
n
) L
p
−konvergira ka X ako je
lim
n→+∞
E|X
n
−X|
p
= 0.
Ako je p = 2 kaˇzemo da niz (X
n
) konvergira u srednjem kvadratnom.
Definicija 9.2. Ako niz aritmetiˇckih sredina (X
n
) (X
n
=
1
n
n
¸
i=1
X
i
), konvergira
u vjerovatno´ci ka
1
n
n
¸
i=1
E(X
i
) kaˇzemo da za niz (X
n
) vaˇzi slabi zakon velikih
brojeva.
Ako niz (X
n
) konvergira skoro sigurno ka
1
n
n
¸
i=1
E(X
i
) kaˇzemo da za niz (X
n
)
vaˇzi jaki zakon velikih brojeva.
Teoreme 9.3, 9.4 i 9.5 zovu se Bernulijev,
ˇ
Cebiˇsev i Hinˇcinov zakon velikih
brojeva. To su slabi zakoni velikih brojeva. Navedimo i jedan jaki zakon velikih
brojeva.
Teorema 9.6. (Borel) Za Bernulijevu ˇsemu vrijedi
S
n
n
→ p skoro sigurno.
9.4 Centralna graniˇcna teorema
Teorema 9.7. Neka je (X
n
) niz nezavisnih sluˇcajnih promjenljivih sa istom
raspodjelom, za koje je E(X
n
) = m i V ar(X
n
) = σ
2
za svaki n ∈ N. Tada
vrijedi
lim
n→+∞
P(Y

n
< x) =
1


x

−∞
e

t
2
2
dt,
gdje je
Y

n
=
X
1
+· · · +X
n
−n · m
σ

n
.
Primjer 9.3. Broj ljudi koji udu u jednu robnu ku´cu u toku jednog minuta ima
P(6) raspodjelu.
a) Kolika je vjerovatno´ca da u toku dva sata u robnu ku´cu ude bar 700 ljudi?
9.5. ZADACI 71
b) Koliko vremena treba da prode da bi sa vjerovatno´com 0.95 u robnu ku´cu uˇslo
bar 700 ljudi?
Rjeˇsenje. Neka je X
i
sluˇcajna promjenljiva koja predstavlja broj ljudi koji udu
u robnu ku´cu toku i− tog minuta. X
i
ima P(6) raspodjelu, pa je E(X
i
) =
6, V ar(X
i
) = 6. Broj ljudi koji udu u toku n minuta je Y
n
=
n
¸
i=1
X
i
i vrijedi
E(Y
n
) = 6n, V ar(Y
n
) = 6n.
Poˇsto su sluˇcajne promjenljive X
1
, X
2
, . . . X
n
nezavisne i sve imaju istu raspod-
jelu vaˇzi centralna graniˇcna teorema, znaˇci raspodjela
Y
n
−E(Y
n
)

V ar(Y
n
)
teˇzi ka normalnoj raspodjeli N(0, 1).
a) P(Y
n
≥ 700) = 1 −P(Y
n
< 700), pa kako je
P

Y
n
−720

6 · 120
< −0.745

≈ φ(−0.745) ≈ 0.77,
imamo da je
P(Y
n
≥ 700) ≈ 0.77.
b)
P(Y
n
≥ 700) ≈ 1 −φ

700 −6n

6n

,
pa iz
1 −φ

700 −6n

6n

= 0.95
nalazimo
700 −6n

6n
= −1.645.
Odavde dobijamo da je n ≈ 124.15, pa je traˇzeno vrijeme 125 minuta.
9.5 Zadaci
1. Sluˇcajna promjenljiva X data je funkcijom gustine
f(x) =

x
m
m!
e
−x
, x ≥ 0
0, x < 0.
Dokazati, koriste´ci nejednakost
ˇ
Cebiˇseva, da je
P(0 < X < 2(m+ 1)) >
m
m+ 1
.
72 GLAVA 9. GRANI
ˇ
CNE TEOREME
2. Pretpostavimo da nezavisne sluˇcajne promjenljive X
1
, X
2
, . . . , X
30
, imaju
uniformnu raspodjelu na [0, 1]. Neka je sluˇcajna promjenljiva Y definisana
sa
Y = X
1
+X
2
+· · · +X
30
.
Koriste´ci centralnu graniˇcnu teoremu odrediti P(13 ≤ Y ≤ 18).
3. Sluˇcajne promjenljive X
i
, i = 1, . . . , n su nezavisne i vrijedi
P

X
i
=
5
4

= P

X
i
=
4
5

=
1
2
, i = 1, . . . , n.
Neka je Y =
n
¸
i=1
X
i
odrediti P(Y ≤ 0.001). Kolika je ta vjerovatno´ca ako
je n = 1000.
4. Primjenom centralne graniˇcne teoreme na niz nezavisnih sluˇcajnih prom-
jenljivih sa P(1) raspodjelom, dokazati da je
lim
n→+∞
e
−n
n
¸
k=0
n
k
k!
=
1
2
.
5. Raˇcunar vrˇsi obraˇcun elektriˇcne energije kod 100 korisnika. Vrijeme obraˇcuna
za svakog korisnika ima eksponencijalnu raspodjelu sa oˇcekivanjem 3 sekunde
i nezavisno je od drugih korisnika. Na´ci vjerovatno´cu da ´ce obraˇcun trajati
izmedu 3 i 6 minuta.
Glava 10
Matematiˇcka statistika
Matematiˇcka statistika je blisko povezana sa teorijom vjerovatno´ce. Cilj je
da se na osnovu rezultata eksperimenata donesu zakljuˇcci o zakonima raspodjela
i numeriˇckim karakteristikama sluˇcajnih promjenljivih.
10.1 Osnovni pojmovi
Skup Ω elemenata ω naziva se populacija ili generalni skup. Za svaki
ω ∈ Ω posmatra se neka numeriˇcka karakteristika X(ω) koja se naziva obiljeˇzje.
Primjer 10.1. Populacija je skup svih stanovnika neke zemlje. Obiljeˇzje svakog
stanovnika je npr. visina ili godine starosti.
Primjer 10.2. Svi proizvodi jedne fabrike ˇcine populaciju. Obiljeˇzje svakog
proizvoda je npr. njegova cijena.
ˇ
Cesto je komplikovano registrovati obiljeˇzje za svaki elemenat populacije.
Zato se obiljeˇzje registruje na dijelu populacije (uzorak), pa se dobijena raspod-
jela smatra raspodjelom cijele populacije. Vaˇzno je da uzorak dobro odraˇzava
(reprezentuje) populaciju. Ovo se rjeˇsava tako da se uzorak bira sluˇcajno. Tada
je populacija skup svih mogu´cih ishoda ω. Prema tome, obiljeˇzje X(ω), ω ∈ Ω je
sluˇcajna promjenljiva. Dakle, treba odrediti funkciju raspodjele F(x) sluˇcajne
promjenljive X. Uzorak obima n je n−torka ω
1
, . . . , ω
n
sluˇcajnih ishoda iz Ω i
naziva se sluˇcajni uzorak.
Sluˇcajan uzorak (X
1
, . . . , X
n
) je prost sluˇcajan uzorak ako su sluˇcajne prom-
jenljive X
i
, i = 1, . . . , n nezavisne i sa istom raspodjelom. Posmatra´cemo samo
proste sluˇcajne uzorke koje ´cemo jednostavnije zvati uzorcima.
Kada je izabran uzorak, sluˇcajna promjenljiva (X
1
, . . . , X
n
) postaje n−torka
(x
1
, . . . , x
n
) ∈ R
n
i naziva se realizovani uzorak.
Neka je X obiljeˇzje sa funkcijom raspodjele F(x) i neka je (X
1
, . . . , X
n
) prost
uzorak. Funkcija koja svakom x ∈ R dodjeljuje relativnu ˇcestalost dogadaja
(X < x) u n opita naziva se empirijska funkcija raspodjele i oznaˇcava se sa
73
74 GLAVA 10. MATEMATI
ˇ
CKA STATISTIKA
S
n
.
Neka je I
(X
i
<x)
indikator dogadaja (X
i
< x), i = 1, . . . , n, tada vrijedi
S
n
(x) =
1
n
n
¸
i=1
I
(X
i
<x)
.
Kako je P(X
i
< x) = F(x) slijedi da S
n
(x) ima Bin(n, F(x)) raspodjelu. Zbog
teoreme Borela imamo, da za fiksiran x ∈ R, ako n → +∞
S
n
(x) → F(x) skoro sigurno.
Ovo je centralna teorema matematiˇcke statistike.
Neka je X obiljeˇzje, (X
1
, . . . , X
n
) prost uzorak i funkcija f : R
n
→R. Sluˇcajna
promjenljiva Y = f(X
1
, . . . , X
n
) zove statistika. Koristimo sljede´ce dvije
statistike :
• Sredinu uzorka X
n
=
1
n
n
¸
i=1
X
i
,
• Varijansu (disperziju) uzorka S
n
2
=
1
n
n
¸
i=1
(X
i
−X
n
)
2
.
10.2 Ocjenjivanje parametara raspodjela
Neka je dato obiljeˇzje X sa raspodjelom koja zavisi od jednog parametra θ.
Neka je Θ odgovaraju´ci dopustivu skup, tj. skup kome pripada θ. Na taj naˇcin
imamo familiju raspodjela
{F(x, θ) : θ ∈ Θ}.
Zadatak je da se na osnovu uzorka (X
1
, . . . , X
N
) odredi vrijednost parame-
tra θ odnosno raspodjela F(x, θ) za X. Izloˇzi´cemo taˇckaste ocjene param-
etara. Kod ovih ocjena bira se statistika U = ϕ(X
1
, · · · , X
n
) takva da se za
ocjenu nepoznatog parametra θ uzima realizovana vrijednost u = ϕ(x
,
. . . , x
n
).
Statisitka U zove se ocjena.
Statistika U je nepristrasna (centrirana) ocjena parametra θ ako je
E(U) = θ.
Ako je
lim
n→+∞
E(U) = θ,
kaˇzemo da je U asimptotski centrirana. Statistika U
1
je bolja ocjena od
statistike U
2
ako je
V ar(U
1
) < V ar(U
2
).
10.2. OCJENJIVANJE PARAMETARA RASPODJELA 75
Metod maksimalne vjerodostojnosti
Funkcija vjerodostojnosti L((x
,
x
2
, . . . , x
n
; θ) obiljeˇzja X sa funkcijom
raspodjele F(x, θ) je
L(x
1
, x
2
, . . . , x
n
; θ) =
n
¸
i=1
p(x
i
, θ),
ako je X diskretnog tipa, sa raspodjelom vjerovatno´ca P(x, θ), a ako je X
neprekidnog tipa sa funkcijom gustine raspodjele f(x; θ) tada je
L((x
,
x
2
, . . . , x
n
; θ) =
n
¸
i=1
f(x
i
, θ).
Neka je θ = g(x
1
, x
2
, . . . , x
n
) vrijednost parametra kojom se postiˇze maksimum
za L(x
1
, x
2
, . . . , x
n
; θ) pri fiksiranim x
1
, x
2
, . . . , x
n
. Statistika
´
θ = g(X
1
, X
2
, . . . , X
n
)
je ocjena maksimalne vjerodostojnosti parametra θ.
Primjer 10.3. 1. Vjerovatno´ca da proizvod bude neispravan je p. Proizvodi
se prave sve dok se prvi put ne pojavi neispravan proizvod. Na osnovu
uzorka obima n, metodom maksimalne vjerodostojnosti ocijeniti nepoznatu
vjerovatno´cu.
Na osnovu uzorka
x
k
5 6 7 8 9 10
m
k
10 12 11 9 7 6
izraˇcunati ocjenu za p.
Rjeˇsenje. Funkcija vjerodostojnosti je, ( radi se o geometrijskoj raspodjeli)
L(x
1
, x
2
, . . . , x
n
, p) =
n
¸
i=1
(1 −p)
x
i
−1
p =

p
1 −p

n
(1 −p)
n

i=1
x
i
.
Iz uslova
∂L(x
1
, x
2
, . . . x
n
)
∂p
= 0,
imamo
´ p =
n
n
¸
i=1
x
i
.
Na osnovu uzorka dobija se
´ p =
55
392
.
2. Ako su X
1
, X
2
, . . . , X
n
nezavisne sluˇcajne promjenljive sa eksponencijal-
nom raspodjelom i nepoznatim matematiˇckim oˇcekivanjem a > 0, metodom
76 GLAVA 10. MATEMATI
ˇ
CKA STATISTIKA
maksimalne vjerodostojnosti na´ci ocjenu za a na bazi uzorka X
1
, X
2
, . . . , X
n
.
Rjeˇsenje. Vrijedi
X
i
: E

1
a

, i = 1, . . . , n,
pa je funkcija vjerodostojnosti
L(x
1
, x
2
, . . . , x
n
; a) =
n
¸
i=1
1
a
e

x
i
a
=
1
a
n
e

n

i=1
x
i
a
.
Imamo sljede´ce
ln L(x
1
, x
2
, . . . , x
n
; a) = −nln a −
n
¸
i=1
x
i
a
,
∂ ln L
∂a
= −
n
a
+
n
¸
i=1
x
i
a
2
.
Sada dobijamo
´a =
1
n
n
¸
i=1
x
i
.
3. Iz Poissonove raspodjele sa nepoznatim parametrom λ dobijen je uzorak 0,
1, 0, 2, 3, 0. Na´ci ocjenu maksimalne vjerodostojnosti za λ.
Rjeˇsenje.
L(0, 1, 0, 2, 3, 0; λ) =
λ
2
12
e
−6λ
,
pa se dobije
´
λ = 1.
4. Na osnovu uzorka obima n metodom maksimalne vjerodostojnosti odrediti
parametre m i σ
2
ako
(i) obiljeˇzje X ima normalnu raspodjelu N(m, 5),
(ii) obiljeˇzje X ima normalnu raspodjelu N(10, σ
2
).
Rjeˇsenje. Sliˇcnim postupkom kao u prethodnim zadacima dobijamo
´ m =
1
n
n
¸
i=1
x
i
,
´
σ
2
=
n
¸
i=1
(x
i
−10)
2
.
10.3. INTERVALI POVJERENJAZANEPOZNATUBINOMNUVJEROVATNO
´
CU77
10.3 Intervali povjerenja za nepoznatu binomnu
vjerovatno´cu
Neka S
n
ima binomnu raspodjelu sa nepoznatim parametrom p. Tada za
svako ǫ > 0 vrijedi
P

p ∈
¸
S
n
n
−ǫ,
S
n
n

≥ 1 −
1
4nǫ
2
. (10.1)
Naime, nejednakost (10.1) slijedi iz nejednakosti
ˇ
Cebiˇseva
P

S
n
n
−p

≤ ǫ) ≥ 1 −
p(1 −p)

2
i ˇcinjenice da funkcija ϕ(p) = p(1 −p) ima maksimum, koji je jednak
1
4
i koji se
dostiˇze za p =
1
2
.
Interval

S
n
n
−ǫ,
S
n
n

naziva se interval povjerenja za nepoznatu vjerovatno´cu
p.
Primjer 10.4. U sluˇcaju da je n = 1000 odrediti duˇzinu intervala povjerenja
kome sa vjerovatno´com 0.99 pripada parametar p.
Rjeˇsenje. Iz uslova 1 −
1
4nǫ
2
= 0.99, za n = 1000 dobijamo ǫ ≈ 0.316. Dakle,
duˇzina intervala povjerenja je 0.632.
Neka S
n
ima binomnu raspodjelu sa nepoznatim parametrom p. Tada za
nule x
1
i x
2
, (x
1
< x
2
) kvadratnog polinoma
p(x) = (n
2
+c
2
n)x
2
−(c
2
n + 2nS
n
)x +S
2
n
vrijedi
P(x
1
≤ p ≤ x
2
) ≈ 2Φ(c) −1. (10.2)
Naime, na osnovu Muavr-Laplasove teoreme imamo
P

S
n
−np

np(1 −p)

≤ c

≈ 2Φ(c) −1.
Kako je nejednakost

S
n
−np

np(1 −p)

≤ c
ekvivalentna sa
(n
2
+c
2
n)p
2
−(c
2
n + 2nS
n
)p +S
2
n
≤ 0
to za nule x
1
i x
2
polinoma p(x) vrijedi
P(x
1
≤ p ≤ x
2
) = P

S
n
−np

np(1 −p)

≤ c

≈ 2Φ(c) −1.
78 GLAVA 10. MATEMATI
ˇ
CKA STATISTIKA
Primjer 10.5. Na osnovu 10.2 odrediti 95% interval povjerenja za nepoznati
parametar p ako je n = 1000 i S
n
= 540.
Rjeˇsenje. Iz uslova 2Φ(c) − 1 = 0.95 dobijamo c = 1.96. Kako je n = 1000 i
S
n
= 540 imamo
p(x) = 1003841, 6x
2
−1083841, 6x + 291600
odakle slijedi x
1
= 0.509, x
2
= 0.570. Dakle, u konkretnom sluˇcaju dobijamo da
je 95% interval povjerenja [0.509, 0.570].
10.4 Zadaci
1. Obiljeˇzje X ima raspodjelu odredenu gustinom
f(x) =

α
c

c
x

α+1
, x > c
0 , x ≤ c
gdje je α > 0. Na osnovu uzorka obima n ocijeniti parametar α. Ispitati
centriranost tako dobijene ocjene.
2. Obiljeˇzje X ima raspodjelu datu funkcijom gustine
f(x) =

2
a
2
e

2
a

x
, x > 0
0 , x ≤ 0.
Na osnovu uzorka obima n, metodom maksimalne vjerodostojnosti ocijen-
iti parametar a. Da li je tako dobijena ocjena centrirana ?
3. Gustina sluˇcajne promjenljive X je
f(x) =

λ
x
λ+1
, x > 1
0 , x ≤ 1,
gdje je λ > 0. Na osnovu uzorka obima n ocijeniti parametar λ. Ispitati
centriranost tako dobijene ocjene.
4. Ako je u 1000 bacanja novˇci´ca pismo palo 525 puta, odrediti 99% interval
povjerenja za npoznatu vjerovatno´cu padanja pisma.
5. Ako je u 100 izvedenih slobodnih bacanja koˇsarkaˇs pogodio koˇs 75 puta
odrediti 95% interval povjerenja za nepoznatu vjerovatno´cu ubacivanja
lopte u koˇs u jednom bacanju.
Glava 11
Sluˇcajni procesi
11.1 Uvod
Neka je (Ω, F, P) prostor vjerovatno´ca i T skup vrijednosti parametra t.
Sluˇcajni proces je familija sluˇcajnih promjenljivih {X
t
}, t ∈ T. Indeks t se
obˇcno interpretira kao vrijeme, a za skup T se uzima skup (0, +∞) ili neki njegov
podskup. Ako je T diskretan podskup, tada se radi o procesu sa diskretnim
vremenom, a u protivnom imamo proces sa neprekidnim vremenom. Za sluˇcajni
proces moˇzemo re´ci da je funkcija, koja pri svakom fiksiranom t ∈ T je sluˇcajna
promjenljiva X(t, ω) = X(t), ω ∈ Ω. Ako je ω = ω
0
fiksirano , tada je X(t, ω
0
)
nesluˇcajna funkcija i zove se realizacija ili trajektorija procesa. Ako je T
prebrojiv skup, tada se radi o sluˇcajnom nizu, a ako je T neprebrojiv tada
imamo sluˇcajni proces.
Neka je data funkcija raspodjele sluˇcajnog vektora
(X(t
1
), X(t
2
), . . . , X(t
n
)).
Sluˇcajni proces kod koga su sve konaˇcnodimenzionalne raspodjele normalne
nazivamo Gaussovim sluˇcajnim procesom.
Nesluˇcajna funkcija
m(t) = E(X(t))
je matematiˇcko oˇcekivanje sluˇcajnog procesa,
K(t, s) = E(X(t) −m(t))(X(s) −m(s))
je njegova korelaciona funkcija.
11.2 Lanci Markova
U daljem posmatra´cemo sluˇcajne procese kod kojih je skup T prebrojiv.
Neka je dat niz sluˇcajnih promjenljivih (X
n
), kod koga sve sluˇcajne prom-
jenljive imaju iste konaˇcne ili prebrojive skupove vrijednosti (skupove stanja).
79
80 GLAVA 11. SLU
ˇ
CAJNI PROCESI
Smatra´cemo da je skup vrijednosti {0, 1, . . . , } ili neki njegov podskup. Ako
vrijednost koju je postigla sluˇcajna promjenljiva X
n
potpuno odredjuje zakon
raspodjele sluˇcajne promjenljive X
n+1
i taj zakon raspodjele ne zavisi od vri-
jednosti koje su postigle sluˇcajne promjenljive X
k
, k < n, tada za niz (X
n
)
kaˇzemo da ˇcini lanac Markova. Dakle, niz (X
n
) sluˇcajnih promjenljivih je
lanac Markova ako vrijedi
P(X
n
= x
n
|X
k
1
= x
k
1
, . . . , X
k
r
= x
k
r
) = P(X
n
= x
n
|X
k
1
= x
k
1
)
za sve proizvoljne prirodne brojeve n > k
1
> k
2
> . . . > k
r
.
Ova osobina govori o tome da vjerovatno´ca da se dati sistem u trenutku n + 1
nalazi u datom stanju, ako je poznato njegovo stanje u trenutku n, ne zavisi od
ponaˇsanja tog sistema u proˇslosti to jest prije trenutka n.
Vjerovatno´ca da se sluˇcajna promjenljiva X
n+1
nadje u stanju j, ako je poznato
da se X
n
nalazi u stanju i naziva se vjerovatno´ca prelaza. Imamo
p
n,n+1
ij
= P(x
n+1
= j|X
n
= i).
Ako vjerovatno´ce p
n,n+1
ij
ne zavise od n lanac je homogen.
Oznaˇcimo sa p
ij
(n) vjerovatno´ce prelaza iz stanja i u stanje j za n koraka.
Matrice M
n
= [p
ij
(n)] se zovu matrice vjerovatno´ca prelaza za n koraka.
Kod njih su svi elementi nenegativni i zbir u svakoj vrsti je 1.} Koriste´ci teoremu
o totalnoj vjerovatno´ci imamo da je za 1 ≤ m ≤ n,
p
ij
(n) =
¸
k
p
ik
(m)p
kj
(n −m).
To su jednaˇcine Kormogorova-
ˇ
Cepmena. Matriˇcni oblik je
M
n
= M
m
M
n−m
,
odavde je
M
n
= M
n
1
.
Ako postoji prirodan broj n tako da su svi elementi matrice M
n
strogo pozitivni,
tada za svako j = 1, 2, . . . , postoji graniˇcna vrijednost
lim
n→+∞
p
ij
(n) = p

j
,
koja ne zavisi od i. Brojevi p

j
zovu se finalne vjerovatno´ce. Finalne vjerovatno´ce
se mogu dobiti iz sistema jednaˇcina:
¸
j
p

j
= 1,
¸
k
p

k
p
kj
= p

j
, j = 1, 2, . . .
Lanac koji ima finalne vjerovatno´ce zove se ergodiˇcan.
11.3. ZADACI 81
11.3 Zadaci
1. Vjerovatno´ce prelaza u lancu Markova zadane su matricom
M =

¸
1
3
1
3
1
3
1
2
1
3
1
6
1
4
1
2
1
4
¸

(a) Da li je lanac homogen?
(b) Koliko je p
13
, a koliko je p
23
?
(c) Koliko je p
13
(2)?
(d) Na´ci M
2
.
2. Dokazati da lanac sa matricom vjerovatno´ca prelaza
M =

0 1
1 0

nije ergodiˇcan.
3. Dokazati da je ergodiˇcan lanac sa matricom prelaza za jedan korak

1
4
3
4
1
3
2
3

i na´ci finalne vjerovatno´ce.
4. Lanac Markova zadat je matricom prelaza

¸
¸
¸
0 0 0 1
0 0 0 1
1
2
1
2
0 0
0 0 1 0
¸

.
Ispitati da li je lanac ergodiˇcan i na´ci asimptotsko ponaˇsanje vjerovatno´ca
prelaza p
ij
(n) kad n → +∞.
5. U kutiji se nalazi jedna bijela i jedna crna kuglica. Na sluˇcajan naˇcin se izvlaˇci
po jedna kuglica, pri ˇcemu se ona odmah vra´ca u kutiju zajedno sa joˇs jednom
kuglicom suprotne boje. Neka je X
n
broj bijelih kuglica u kutiji prije n−tog
izvlaˇcenja. Da li je X
n
Markovski proces? Opisati stanja sistema i odrediti
vjerovatno´ce prelaza u jednom koraku.
82 GLAVA 11. SLU
ˇ
CAJNI PROCESI
Glava 12
Literatura
83

2

Sadrˇaj z
1 Predgovor 2 Prostor vjerovatno´a c 2.1 Prostor elementarnih dogadaja . . 2.2 Relacije i operacije sa dogadajima 2.3 Aksiome teorije vjerovatno´e . . . c 2.4 Osobine vjerovatno´e . . . . . . . . c 2.5 Zadaci . . . . . . . . . . . . . . . . 3 Uslovna vjerovatno´a c 3.1 Uslovna vjerovatno´a . . . . . c 3.2 Nezavisni dogadaji . . . . . . 3.3 Fomula potpune vjerovatno´e c 3.4 Bajesova formula . . . . . . . 3.5 Zadaci . . . . . . . . . . . . . 5 7 7 8 9 11 13 15 15 16 17 18 19 27 27 28 29 30 33 35 35 36 37 39 40 42

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

4 Viˇestruka ispitivanja s 4.1 Bernulijeva ˇema . . . . . . . . . s 4.2 Najvjerovatniji broj pojavljivanja 4.3 Puasonova raspodjela . . . . . . 4.4 Normalna (Gausova) raspodjela . 4.5 Zadaci . . . . . . . . . . . . . . .

. . . . . . dogadaja . . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

5 Sluˇajne promjenljive c 5.1 Definicija i neki primjeri . . . . . . . . . . 5.2 Zakon raspodjele sluˇajne promjenljive c diskretnog tipa . . . . . . . . . . . . . . . 5.3 Funkcija raspodjele sluˇajne promjenljive c 5.4 Sluˇajne promjenljive neprekidnog tipa . . c 5.5 Pregled vaˇnijih raspodjela . . . . . . . . z 5.6 Zadaci . . . . . . . . . . . . . . . . . . . . 3

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 6 Sluˇajni vektori c 6.1 Sluˇajni vektori . . . . . . . . . . . . . c 6.2 Funkcija raspodjele sluˇajnog vektora c 6.3 Uslovne raspodjele . . . . . . . . . . . 6.4 Funkcije sluˇajnih promjenljivih . . . . c 6.5 Zadaci . . . . . . . . . . . . . . . . . .

ˇ SADRZAJ 43 43 45 46 47 49 51 51 53 55 57 59 61 61 62 65 66 67 67 68 69 70 71 73 73 74 77 78

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

7 Numeriˇke karakteristike sluˇajnih promjenljivih c c 7.1 Matematiˇko oˇekivanje . . . . . . . . . . . . . . . . c c 7.2 Varijansa . . . . . . . . . . . . . . . . . . . . . . . . 7.3 Kovarijansa i koeficijent korelacije . . . . . . . . . . 7.4 Matematiˇko oˇekivanje i varijansa nekih raspodjela c c 7.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Karakteristiˇne funkcije c 8.1 Uvod . . . . . . . . . . . . . . 8.2 Osnovne osobine . . . . . . . 8.3 Karakteristiˇne funkcije nekih c 8.4 Zadaci . . . . . . . . . . . . . 9 Graniˇne teoreme c ˇ s 9.1 Cebiˇevljeva nejednakost . . 9.2 Neke graniˇne teoreme . . . c 9.3 Vrste konvergencija u teoriji 9.4 Centralna graniˇna teorema c 9.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . raspodjela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . vjerovatno´e c . . . . . . . . . . . . . . . .

10 Matematiˇka statistika c 10.1 Osnovni pojmovi . . . . . . . . . . . . . . . . . . . . . . 10.2 Ocjenjivanje parametara raspodjela . . . . . . . . . . . . 10.3 Intervali povjerenja za nepoznatu binomnu vjerovatno´u c 10.4 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11 Sluˇajni procesi c 79 11.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 11.2 Lanci Markova . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 11.3 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 12 Literatura 83

Glava 1 Predgovor 5 .

PREDGOVOR .6 GLAVA 1.

koja je ˇtampana 1663. Moˇemo re´i c z z c da se u ovom sluˇaju radi o sluˇajnoj pojavi. 2. Teorija vjerovatno´e je sastavni dio nekoliko nauˇnih oblasti c c c na primjer: teorije telekomunikacija. P GP G. c Neka je A dogadaj koji oznaˇava da je pao paran broj. P P GG} 7 . teorije automatskog upravljanja. ω4 . Osnivaˇem moderne teorije vjerovatno´e smatra se Alekc c sandar Kolmogorov.1. Dogadaj A = {GGP P. teorije pouzdanosti. • Nemogu´ dogadaj oznaˇavamo sa ∅. c Teorija vjerovatno´e se poˇela razvijati u 16. Prva knjiga iz ove oblasti c c je ”De Ludo Aleae” (O igri kockom). cc c Neka je A dogadaj: broj pisama jednak je broju grbova. jer se moˇe desiti da padne pismo (P) ili grb (G). GGGP. 1. c Primjer 2. P P P P }. GP GP. . teorije informacija. . ω6 } i A = {ω2 . vijeku. ω6 }. Baca se kocka i registruje broj koji je pao na gornjoj strani. godine. ω2 .Glava 2 Prostor vjerovatno´a c Uslovi nekog eksperimenta (opita) ne moraju jednoznaˇno odredivati rezulc tat. P GGP. Novˇi´ se baca ˇetiri puta i registruje koliko je ukupno puta palo pismo. • Sluˇajan dogadaj (dogadaj) je bilo koji podskup skupa Ω. gdje je ωk −pao je broj k. GP P G. . Njen autor s je Girolamo Cardano.1 Prostor elementarnih dogadaja Definicija 2. • Skup Ω svih mogu´ih ishoda nekog opita naziva se prosc tor elementarnih dogadaja. Tada je Ω = {GGGG.1. c c Broj elemenata skupa Ω je 24 = 16. ω5 . Izuˇavanjem zakonitosti sluˇajnih c c c c pojava bavi se teorija vjerovatno´e. . a Ω je siguran dogadaj. ω3 . On je 1933. Tada je Ω = {ω1 . godine dao aksiomatsko zasnivanje teorije vjerovatno´e. 2. Na primjer ako se eksperiment sastoji u ”bacanju”novˇi´a rezultat nije cc jednoznaˇan. ω4 .

B = {ω1 . 3. U kutiji se nalaze ˇetiri listi´a oznaˇena brojevima 1. c c c Odrediti skup ishoda. . Neka se opit sastoji u bacanju kocke i neka je dogadaj A−pao je paran broj. . c 4. ω5 }. Tada je s Ω = {x ∈ R : 0 ≤ x ≤ r} ∪ {∞}.2. to oznaˇavamo sa A ⊆ B. ω6 }. 421. ω5 . • Razlika dogadaja A i B je dogadaj A \ B za koji vrijedi A \ B = {ω ∈ Ω : ω ∈ A ∧ ω ∈ B}. c Ω = {1. A = {ω2 . ω6 }. 2. C−pao je prost broj. B ∩ C i C. / • Presjek dogadaja A i B oznaˇavamo sa A ∩ B i vrijedi c A ∩ B = {ω ∈ Ω : ω ∈ A ∧ ω ∈ B}. C = {ω1 . • Suprotan dogadaj dogadaja A oznaˇavamo sa AC ili A i vrijedi c AC = {ω ∈ Ω : ω ∈ A}. ako se listi´i izvlaˇe jedan po jedan do pojave neparnog c c broja (bez vra´anja). ω5 }. 43. ω4 . ´ GLAVA 2. 423}. 243. C = {ω2 . ω5 }. 23. PROSTOR VJEROVATNOCA 3. / Primjer 2. Ω = {ω1 . Novˇi´ se baca do pojave grba. ω6 }. 4. Gada se kruˇna meta polupreˇnika r i registruje udaljenost pogotka od z c centra mete. P P G. U ovom sluˇaju Ω ima neprebrojivo elemenata. Neka je ∞ oznaka za promaˇaj. . Ovde je cc Ω = {G. B−pao je neparan broj. c • Dogadaji A i B su ekvivalentni ako vrijedi A ⊆ B i B ⊆ A. 41. ω4 .} i ima beskonaˇno elemenata. ω3 . ω5 . ω2 .2 Relacije i operacije sa dogadajima U skupu Ω definiˇemo relacije i operacije sa dogadajima na isti naˇin kao i s c sa skupovima: • Ako dogadaj A implicira dogadaj B. 3.8 i ima 6 elemenata. . ω3 . c • Uniju dogadaja A i B oznaˇavamo sa A ∪ B i vrijedi A ∪ B = {ω ∈ Ω : ω ∈ A ∨ ω ∈ B}. ω3 . Odrediti dogadaje A ∪ B. c Primjer 2. ω4 . ω4 . B ∩ C = {ω3 .3. A ∪ C = {ω2 . P G. 2. ω6 }. 21. 241. ω3 .

familija F = {∅. A ∩ Ω = A. A ∪ ∅ = A. 4. Tada je F σ−polje dogadaja. 3. (ii) Neka je Ω = {ω1 . ω2 }. Primjer 2. A ∪ B = B ∪ A. {ω1 . (A ∩ B)C = AC ∪ B C . A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C). A ∩ (B ∩ C) = (A ∩ B) ∩ C. ω3 . A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).2. A ∪ (B ∪ C) = (A ∪ B) ∪ C.4. Ω ∈ F.1. ω4 }.´ 2. Tada vrijedi: 1. {ω2 . . ω4 }} nije σ−polje dogadaja. ω2 . A ∪ AC = Ω. Ω{ω1 }. familija F = {∅. ω3 . Navedimo i neke osobine definisanih operacija i relacija: 1. 8. 5. Definicija 2. A ∩ A = A. ∅ ∈ F. {ω1 }. A ∪ A = A. i ∈ N definiˇe se na sljede´i naˇin: s c c i∈N Ai = {ω ∈ Ω : (∃i ∈ N) ω ∈ Ai }. (A ∪ B)C = AC ∩ B C . AKSIOME TEORIJE VJEROVATNOCE 9 Prebrojiva unija odnosno presjek dogadaja Ai . A ∈ F ⇒ AC ∈ F. (AC )C = A. 2. (i) Neka je Ω proizvoljan skup i F = {∅. Skup F ⊆ P(Ω) nazivamo σ−polje dogadaja ako vrijedi: 1. ω2 }} je σ−polje dogadaja. Teorema 2. 2.3 Aksiome teorije vjerovatno´e c U aksiomatskom zasnivanju teorije vjerovatno´e znaˇajan je pojam σ−polja c c dogadaja. 6. A ∩ B = B ∩ A. A ∪ Ω = Ω. 2. 3. ΩC = ∅. A ∩ AC = ∅. i∈N Ai = {ω ∈ Ω : (∀i ∈ N) ω ∈ Ai }. Neka je F σ−polje dogadaja. {ω2 }. Neka je Ω prostor elementarnih dogadaja i P(Ω) familija svih podskupova od Ω. 7. {ω3 }. (∀i ∈ N)Ai ∈ F ⇒ i∈N Ai ∈ F. Ω}. (iii) Neka je Ω = {ω1 .3. A ∩ ∅ = ∅. 9. ∅C = Ω.

i = 1. Neka je Ω prostor elementarnih dogadaja i F σ−polje dogadaja. normiranost i σ−aditivnost. F = P(Ω) i pi ≥ 0. takvi da je P (A) = i∈I n pi = 1. i ∈ N ⇒ i∈N Ai ∈ F.6. Definisa´emo sada pojam vjerovatno´e koriste´i aksiomatski pristup A. 3. ωn }. Ovde se radi o geometrijskoj definic c ciji vjerovatno´e.5. Ove osobine redom zovu se: nenegativnost. Kolc c c mogorova. Odrediti vjerovatno´e svih mogu´ih zbirova pri bacanju dvije c c kocke. Ai ∈ F. . F. i = 1. A. n. i ∈ N takve de ja Ai ∩Aj = ∅. i=1 je vjerovatno´a. I = {j : ωj ∈ A}. . Funkcija P : F → R definisana sa pi . Funkcija P : F → R je vjerovatno´a ako vrijedi: c 1.7. Primjer 2. µ(Ω) U ovom sluˇaju funkcija P je vjerovatno´a. c Primjer 2. . n kaˇemo da se radi o klasiˇnoj ili Laplasovoj z c definiciji vjerovatno´e. 2. PROSTOR VJEROVATNOCA 2. P ) se zove c prostor vjerovatno´a. Uredena trojka (Ω. P ( i=1 Ai ) = i=1 P (Ai ) za sve Ai ∈ F. .10 ´ GLAVA 2.3. Neka je F = {A ⊆ Ω : A ima povrˇinu }. Primjer 2. c Navedimo neke primjere. B ∈ F ⇒ A ∩ B. +∞ +∞ 3. (Konaˇan prostor vjerovatno´a) Neka je n ∈ N i c c Ω = {ω1 . . Definicija 2. s Definiˇimo P : F → R tako da je s P (A) = µ(A) . . P (A) ≥ 0. . P (Ω) = 1. c 1 Ako je pi = n . Broj P (A) je vjerovatno´a dogadaja A. . . A \ B ∈ F . c . . (Geometrijska definicija vjerovatno´e) Neka je Ω skup u c c s c R2 ˇija je povrˇina µ(Ω) pozitivna i konaˇna. i = j. . . (∀A ∈ F).

• Ako je niz dogadaja {An } monotono neopadaju´i to jest An ⊆ An+1 onda c vrijedi +∞ P( i=1 Ai ) = lim P (An ). x + y > Rπ}. Na kruˇnici polupreˇnika R sluˇajno su izabrane tri taˇke A. • 0 ≤ P (A) ≤ 1. y)|x > 0. y za koje vaˇi z 0 < x. y < Rπ. c 1 2 2 R π m(A) 1 P (A) = = 2 2 2 = .8. a y duˇina luka s z z c z kruˇnice koji spaja B i C. 0 < y. x + y < 2Rπ. • Vjerovatno´a suprotnog dogadaja. Znaˇi. x + y < 2Rπ}. c • Princip ukljuˇnosti-iskljuˇnosti. Sada je A = {(x. Izbor taˇaka A. c • Vjerovatno´a unije dva dogadaja.4 Osobine vjerovatno´e c n n U ovoj sekciji navodimo neke osobine vjerovatno´e koje slijede iz definicije: c • Aditivnost. Kolika je vjerovatno´a da je trougao ABC oˇtrougli? c s Rjeˇenje. B i z c c c C. Neka je x duˇina luka kruˇnice koji spaja taˇke A i B. A ⊆ B ⇒ P (A) ≤ P (B). Trougao ABC je oˇtrougli ako je s x < Rπ. i=1 • Monotonost. n→+∞ . OSOBINE VJEROVATNOCE 11 Primjer 2. c Ω = {(x. x + y > Rπ. y > 0. P (A ∪ B) = P (A) + P (B) − P (A ∩ B). c c k k P( i=1 Ai ) = i=1 P (Ai ) − 1≤i<j≤k P (Ai ∩ Aj ) + · · · + (−1)k P (A1 ∩ · · · ∩ Ak ). n→+∞ • Ako je niz dogadaja {An } monotono nerastu´i to jest An+1 ⊆ An onda c vrijedi +∞ P( i=1 Ai ) = lim P (An ). y) ∈ Ω|x < Rπ. m(Ω) 2R π 4 2. Znaˇi. P (AC ) = 1 − P (A).4. P ( Ai ) = i=1 P (Ai ). B i C jednoznaˇno odreduje brojeve z c c x.´ 2. y < Rπ.

P (A1 ∩ A2 ∩ · · · ∩ AN ) = k ≤ N. ..12 ´ GLAVA 2. 3 2 4 12 1 1 1 . Kako je s P (A ∪ B) = P (A) + P (B) − P (A ∩ B) i P (AC ) = 1 − P (A). PROSTOR VJEROVATNOCA Primjedba 2. ako z s s c je i−to lice stavilo svoj ˇeˇir na svoju glavu. Neka je A dogadaj da bar jedno lice stavi svoj ˇeˇir na svoju glavu. s Sa Ai oznaˇimo dogadaj da je i−to lice stavilo svoj ˇeˇir na svoju glavu (i = c s s 1. . P (B) = . s s c c s s ˇ Cemu teˇi ta vjerovatno´a kada broj lica i ˇeˇira neograniˇeno raste? z c s s c s s Rjeˇenje. N lica moˇe rasporediti N ˇeˇira na glave na N ! naˇina. tada preostalih N − 1 lica moˇe s s z rasporediti N − 1 ˇeˇira na svoje glave na (N − 1)! naˇina. Prema tome je s s c −1)! 1 c s P (Ai ) = (NN ! = N . 1 ≤ i < j ≤ N. 1 ≤ i < j < N! 1 N! . N lica izmjeˇaju svoje ˇeˇire i nasumice stavljaju na glavu po s s s jedan ˇeˇir. P (AC ) = . Poslednje dvije osobine su poznate kao neprekidnost vjerovatno´e. Sliˇnim razmiˇljanjem dobijamo da je P (Ai ∩ Aj ) = (N −2)! 1 = N (N −1) . N! (N −3)! 1 = N (N −1)(N −2) . Neka su dogadjaji A i B takvi da je P (A ∩ B) = Odrediti P (A ∪ B). P (Ai ∩ Aj ∩ Ak ) = . imamo P (A ∪ B) = 11 2 1 1 + − = . N ).9.1. 4 3 2 Primjer 2. N Poˇto je oˇigledno A = s c i=1 N N Ai i poˇto vrijedi formula s P (Ai ∩ Aj )+ P( i=1 Ai ) = i=1 P (Ai ) − 1≤i<j≤N 1≤i<j<k≤N P (Ai ∩ Aj ∩ Ak ) − · · · + (−1)N −1 P (A1 ∩ A2 ∩ · · · ∩ AN ). c Primjer 2. . Rjeˇenje. imamo da je N P (A) = i=1 1 N − 1≤i<j≤N 1 N (N −1) + · · · + (−1)N −1 · 1 N (N −1)(N −2) 1 N! = =1− N 2 1 N (N −1) + N 3 − · · · + (−1)N −1 · 1 N! . . 2..10. Na´i vjerovatno´u da bar jedno lice stavi svoj ˇeˇir na svoju glavu.

(b) sva trojica znaju ruski i engleski.5 Zadaci 1. A \ B ∈ F.5. Prijatelji se dogovore da se nadu izmedu 12 i 13 ˇasova na ugovorenom c mjestu i da ˇekaju jedan drugoga 20 minuta. Ako se bira na sluˇajan naˇin delegacija c c od tri ˇlana. 2. na sluˇajan naˇin se bira jedan elemenat (x1 . Kolika je vjerovatno´a da se medu njima nalazi taˇno dvije bijele i c c c 1 crna kuglica. 10}. 5 zna francuski i engleski i 3 zna sva tri jezika. Odrediti vjerovatno´u c c c da je x1 ≥ 3 i x10 ≥ 5. . Kolika je vjeoc c vatno´a da je njihov zbir bar 1. B ∈ F pokazati da je A ∩ B. x10 ). . xi ∈ N ∪ {0}. a proizvod najviˇe 1 ? c s 2 6. Kolika je vjeovatno´a da ´e c c c do´i do susreta? c 5. 3. . ZADACI Znaˇi. . Izvlaˇe se tri kuglice na sluˇan c c naˇin. x10 ) : x1 + · · · + x10 = 20. . . . (c) dvojica znaju dva strana jezika. i = 1. x2 . U kutiji se nalazi 4 bijele i 6 crnih kuglica. 26 c francuski. c P (A) = 1 − 1 (−1)N −1 1 1 + − ··· + →1− 2! 3! N! e kad N → ∞. 13 2. Na sluˇajan naˇin se biraju dva broja iz intervala [0. 15 zna ruski i engleski. Ako je F σ−polje dogadaja i A. U jednom preduze´u od 100 ljudi njih 40 zna ruski jezik. a jedan nijedan? 4. . 10 zna ruski i francuski. . 1]. Iz skupa Ω = {(x1 . 30 zna engleski. . . .2. . kolika je vjerovatno´a da : c c (a) sva trojica znaju engleski.

14 ´ GLAVA 2. PROSTOR VJEROVATNOCA .

c U sluˇaju da se desio dogadaj A vjerovatno´a dogadaja B je jednaka 1. Ω = {(b.1. Ako se sada traˇi vjerovatno´a dogadaja B onda je prostor elementarnih z c z c c dogadaja suˇen na A. r i s elemenata. (c1 . neka se ostvario dogadaj A i pretpostavimo da traˇimo vjerovatno´u dogadaja B. (b. c c c 3 Neka je dat konaˇan prostor vjerovatno´a Ω koji ima n elemenata. c2 )}. c2 oznake za crne kuglice. (b. Na taj naˇin dolazimo do pojma uslovne vjerovatno´e. P = m P (A) n Definicija 3. c1 )}. c Inaˇe. Primjer 3. (c2 . Sada imamo. Izvuˇena c je na sluˇajan naˇin jedna kuglica bez vra´anja i konstatovano je da je ona bijela. (c1 . c2 ).1. z c Dalje. B = {(b. c1 ). Neka se u kutiji nalazi jedna bijela i dvije crne kuglice. c1 ). c c 15 . b). c1 ). Uslovna vjerovatno´a dogadaja B u odnosu na dogadaj A takav da je c P (A) > 0 je P (A ∩ B) P (B|A) = . c2 )}. c2 ). da nije izvuˇena prva kuglica vjerovatno´a je 2 .Glava 3 Uslovna vjerovatno´a c 3. Pretc c postavimo da dogadaji A ⊆ Ω. c c c Kolika je vjerovatno´a da je druga izvuˇena kuglica crna? c c Neka je b oznaka za bijelu i c1 .1 Uslovna vjerovatno´a c Neka je dat prostor elementarnih dogadaja Ω i neka se ostvario dogadaj A. A = {(b. (c2 . P (A) Koriste´i definiciju uslovne vjerovatno´e i matematiˇku indukciju moˇemo c c c z dobiti sljede´u teoremu o proizvodu vjerovatno´a. (b. B ⊆ Ω i A ∩ B redom imaju m. b). Tada je s P (A ∩ B) s n = m = . Neka je dat prostor Ω elementarnih dogadaja i vjerovatno´a c P .

ako se ostvario dogadaj c A to ne utiˇe na vjerovatno´u dogadaja B. . . i = 1. An su nezavisni u parovima ako vrijedi P (Ai Aj ) = P (Ai )P (Aj ). . c c z c 3. Neka su dati dogadaji A1 . A2 .77. . Tada je traˇena c z 5 vjerovatno´a P ( c i=1 5 Ai ). An tada vrijedi P (A1 ∩A2 ∩· · ·∩An ) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩A2 ) · · · P (An |A1 ∩· · ·∩An−1 ). . Neka su dati dogadaji A = {1. Dogadaji A i B su nezavisni ako vrijedi P (A ∩ B) = P (A) · P (B). . . Tada je P (A) = P (B) = P (C) = 1 1 . n}. . na sluˇajan naˇin izabranih ne nalazi ni jedan neispravan proizvod. . ako se u prvih 5 proizvoda. pomo´u uslovne vjerovatno´e moˇemo generisati nove vjerovatno´e. +∞) vjerovatno´a. . 4} i prostor elementarnih dogadaja Ω = {1. . c c c Teorema 3.3. ik } ⊆ {1. . Koriste´i aksiome vjerovatno´e jednostavno se dobija sljede´a teorema. . 2}. i2 . Znaˇi. 2.2 Nezavisni dogadaji Uslovna vjerovatno´a nas dovodi do pojma nezavisnosti dogadaja. . C = {2. 3. P vjerovatno´a i P (H) > 0 tada je c funkcija P (·|H) : F → [0. P (AB) = P (BC) = P (AC) = . c c Kolika je vjerovatno´a da kutija u kojoj je 5% neispravnih proizvoda bude proglac ˇena za dobrom? s Oznaˇima sa Ai da je i−ti izabrani proizvod dobar.1. Kutija od 100 proizvoda se smatra dobrom. c Definicija 3. a nezavisni u ukupnosti (cjelosti) ako vrijedi P (Ai1 Ai2 · · · Aik ) = P (Ai1 )P (Ai2 ) · · · P (Aik ) za sve izbore {i1 .2. B = {2. Ako je F σ−polje dogadaja.3. . Medutim.16 ´ GLAVA 3. Primjer 3. . . 2. Na osnovu teoreme o proizvodu vjerovatno´a imamo c · 94 99 P( i=1 Ai ) = 95 100 · 93 98 · 92 97 · 91 96 ≈ 0. obrnuto ne vrijedi. . i = j. Dogadaji A1 . Ako su dogadaji nezavisni u ukupnosti oni su nezavisni i u parovima. A2 . USLOVNA VJEROVATNOCA Teorema 3.2.2. . Iz definicije nezavisnosti i definicije uslovne vjerovatno´e dobijamo da je c P (B|A) = P (A) ako su dogadaji A i B nezavisni. 3}. c c Definicija 3. Primjer 3. c Dakle. 2 4 . 5. 4}. .

. Analogno se pokazuje za AC i B. (Formula potpune vjerovatno´e)Neka su H1 . (ii) 0.4. An nezavisni tada je n n P( i=1 Ai ) = 1 − i=1 (1 − P (Ai )). . . B i C nezavisni u parovima ali nisu nezavisni u ukupnosti. . Kako su AB i AB C disjunktni dogadaji i A = AB + AB C imamo P (A) = P (AB) + P (AB C ). za koje vrijedi (i) Hi ∩ Hj = ∅. . . Na osnovu toga lako zakljuˇujemo da vrijedi sljede´a teorema. Ako su dogadaji A i B nezavisni onda su takvi i A i B C . (ii) i=1 Hi = Ω. Vjerovatno´a pogotka je c redom 0. Na´i vjerovatno´u da je: c c (i) cilj pogoden bar jednom. jer nije P (ABC) = P (A)P (B)P (C). Dokaz.092. . .´ 3. . (i) 0. H2 . . An nezavisni u cjelini (parovima) z i ako neke od tih dogadaja zamijenimo sa suprotnim dogadajima da dobijamo takode nezavisne dogadaje u cjelini (parovima). 3. tada je n P (A) = i=1 P (A|Hi )P (Hi ). Primjer 3.3. Dogadaji H1 .3 n Fomula potpune vjerovatno´e c Definicija 3.8. Hn ⊂ c Ω hipoteze i A ⊂ Ω. . . AC i B i AC i B C . 4 8 pa imamo da su A. zovu se hipoteze (potpun sistem dogadaja). c c Teorema 3. FOMULA POTPUNE VJEROVATNOCE P (ABC) = 17 1 1 . . Hn ⊂ Ω. Dokaz za AC i B C se dobija polaze´i od c c nezavisnosti AC i B i koriste´i dokaz nezavisnosti AC i B C .4. 0.9. i = j. Odavde je P (AB C ) = P (A)−P (AB) = P (A)−P (A)P (B) = P (A)(1−P (B)) = P (A)P (B C ). P (A)P (B)P (C) = . Moˇe se pokazati da ako su dogadaji A1 .4. Teorema 3. . . (ii) cilj taˇno jednom pogoden. Tri strijelca po jednom gadaju metu. H2 .3.994.7 i 0. . c Rezultat. . Teorema 3. Ako su A1 .5.

Iz prve kutije se u drugu prebace dvije kuglice. 20 2 20 20 5 Na osnovu formule potpune vjerovatno´e dobijamo c 3 P (A) = i=1 P (A|Hi )P (Hi ) = 9 9 171 9 + + = .18 ´ GLAVA 3.6. vijek) Teorema 3. . c H2 −u drugu kutiju je prebaˇena jedna bijela i jedna crna kuglica. c Tada je 10 2 9 = . . U prvoj kutiji se nalazi 10 bijelih i 10 crnih kuglica. c H1 −u drugu kutiju su prebaˇene dvije crne kuglice. c c Primjer 3.4 Bajesova formula Koriste´i uslovnu vjerovatno´u moˇemo raˇunati vjerovatno´e hipoteza posle c c z c c c ostvarenog dogadaja. 18. . H2 .5. Tada je P (Hj |A) = P (Hj )P (A|Hj ) = P (A) P (Hj )P (A|Hj ) n . 19 P (H2 ) = = P (H3 ) = = 9 . a u drugoj kutiji se nalazi 8 bijelih i 10 crnih kuglica. Neka su H1 . USLOVNA VJEROVATNOCA Da´emo jednu primjenu formule potpune vjerovatno´e. P (A|Hi )P (Hi ) i=1 . 38 P (A|H1 ) = 1 2 10 9 8 = . P (A|H3 ) = = . pa se nakon toga iz te kutije bira kuglica. Formula pomo´u koje to radimo poznata je kao Bajesova formula (Thomas Bayes. Kolika je vjerovatno´a c da se iz druge kutije izabere bijela kuglica? Oznaˇimo sa : c H1 −u drugu kutiju su prebaˇene dvije bijele kuglice. P (A|H2 ) = . 76 38 95 380 3. Hn ⊂ Ω hipoteze i A ⊂ Ω takav da je P (A) = 0. P (H1 ) = 38 20 2 10 1 20 2 10 2 20 2 10 1 10 . .

6. kolika je c c s s vjerovatno´a da ga je rijeˇio student B? c s 3. imamo P (A ∪ B) = 2 1 1 11 + − = . 1 . c Primjer 3. a za stuc c s denta B odgovaraju´a vjerovatno´a oznosi 0. u parovima nezavisni.7. 4 3 2 . 4}. C-broj nije potpun kvadrat. Sluˇajno se izvlaˇi jedna c c kartica i registruje broj. Kolika c c c je vjerovatno´a da ´e zadatak biti rijeˇen? Ako je zadatak rijeˇen. 2. P (AC ) = . A = {2.5. Kako je s P (A ∪ B) = P (A) + P (B) − P (A ∩ B) i P (AC ) = 1 − P (A).3. ZADACI 19 Primjedba 3. Pokazati da su dogadaji: A-broj je paran. 3. vrijedi sljede´e: c P (A) = P (B) = P (C) = 1 . Rjeˇenje. P (B ∩ C) = P (B)P (C). Poˇto je s A ∩ B = A ∩ C = B ∩ C = A ∩ B ∩ C = {2}. Vjerovatno´a da ´e student A rijeˇiti zadatak je 0. B = {1. 2}. ali nisu nezavisni u ukupnosti. 4}. B-broj je manji od 3. C = {2.5 Zadaci ˇ 1. Neka su dogadjaji A i B takvi da je P (A ∩ B) = Odrediti P (A ∪ B). ali je P (A ∩ B ∩ C) = P (A)P (B)P (C). Vjerovatno´e P (Hi |A) nazivaju se aposteriorne vjerovatno´e. Ovdje je s Ω = {1. Rjeˇenje.9. Cetiri kartice su numerisane brojevima 1. 3 2 4 12 1 1 1 . 2. P (B) = .1. Sluˇajno se bira student. 3}. 2. 3. 4. P (A ∩ C) = P (A)P (C). 4 P (A ∩ B) = P (A)P (B). 2 1 4 P (A ∩ B) = P (A ∩ C) = P (B ∩ C) = P (A ∩ B ∩ C) = Dakle. c c c a vjerovatno´e P (Hi ) apriorne vjerovatno´e.

. AC . s Tada vrijedi C C C C C C DA = A1 + AC B1 C1 A2 + AC B1 C1 AC B2 C2 A3 + · · · + 1 1 2 C C C C C C C C C +A1 B1 C1 A2 B2 C2 · · · Ak Bk Ck Ak+1 + . su nezavisni i 1 k C C P (AC ) = P (Bk ) = P (Ck ) = k 5 1 . . . . B. Ck dogadaji: igraˇu A. odakle je 25 36 5 . Ako je A ∩ B = ∅. . DC dogadaji da je odgovaraju´i igraˇ pobijedio. DB . C1 . A. Neka je P (DA ) = p. . Data je elektriˇna ˇema c s . Neka su Ak . Bk . Tada je c P (DB ) = P (DB ) = 5 p. . Takode. USLOVNA VJEROVATNOCA 3. 6 6 pa je P (DA ) = 1 + 6 5 6 3 1 + ··· + 6 5 6 3k 1 1 + ··· = · 6 6 +∞ k=0 125 216 k = 36 . Ak+1 . C je u k-tom pokuˇaju s c s c c pala ˇestica. B. zatvoren sa vjerovatno´om 1 . . 91 91 Kra´e je ovako. C tim redom bacaju kocku sve dok prvi put ne padne c c c c broj 6. 25 p P (DC ) = 36 i DA + DB + DC = Ω. 91 30 25 i P (DC ) = . Tri igraˇa A. a DA . p+ p+ p=1 i p= 6 36 91 Primjedba. umjesto A ∪ B piˇemo A + B. C.20 ´ GLAVA 3. 6 Sliˇno se dobije c jer ako igraˇu A u prvom bacanju ne padne 6. C C C C Dogadaji AC . igra se ponavlja u redoslijedu c B. Bk . Na´i za svakog igraˇa vjerovatno´u da bude pobjednik. . s ¨ ¨ ¨ ¨ A C ¨ ¨ Svaki od prekidaˇa je nezavisno od drugih. P (Ak+1 ) = . Pobjeduje onaj igraˇ kod koga padne 6. c c z D ¨ ¨ B 4. c Rjeˇenje. B1 . Ck . c c 2 Na´i vjerovatno´u da je mreˇa AB zatvorena.

mreˇa AB je otvorena sa vjerovatno´om 5 · 1 . Odredimo prvo broj rjeˇenja jednaˇine s s c x1 + · · · + xk = n. . . . c 16 5. Odrediti vjerovatno´u c c da je x1 ≥ 3 i x10 ≥ 5. x2 . xi ∈ N ∪ {0}. . u nenegativnim cijelim brojevima. . Sada je 4 4 mreˇa reducirana na z A E ¨ ¨ CD ¨ ¨ ¨ ¨ F B Dio EF je zatvoren ako su oba prekidaˇa zatvorena. . Sada mreˇa izgleda ovako z 4 2 8 ¨ ¨ A EF B ¨ ¨ Dakle. i = 2. y10 = x10 − 5. . Vjerovatno´a tog c c dogadaja je 3 · 1 = 3 . a zatvorena sa vjez c 8 2 rovatno´om 11 . . x10 ) : x1 + · · · + x10 = 20. a vjerovatno´a da je dio CD zatvoren je 3 . i = 1. . . a to je n+k−1 k−1 Broj elemenata skupa Ω je 20 + 10 − 1 10 − 1 = 29 9 . gdje je y1 = x1 − 3. Broj rjeˇenja jednak je broju naˇina da se izmedu k − 1 jedinica stavi n s c nula ˇto je isto ˇto i broj naˇina da se od n + k − 1 elemenata izabere s s c podskup od k − 1 elemenata. . . . Dio mreˇe CD je otvoren ako su oba prekidaˇa otvorena. . . . 10} c na sluˇajan naˇin se bira jedan elemenat (x1 . . . 9. Rjeˇenje. Vjerovatno´a s z c c c tog dogadaja je 1 . x10 ). yi = xi .5. a to je 12 + 10 − 1 10 − 1 = 21 9 . ZADACI 21 Rjeˇenje. Broj svih elemenata iz Ω za koje je x1 ≥ 3 i x10 ≥ 5 je broj rjeˇenja s jednaˇine c y1 + y2 + · · · + y10 = 20 − 3 − 5.3. Iz skupa Ω = {(x1 .

s c c z Ako sa A oznaˇimo dogadaj ˇija se vjerovatno´a traˇi u zadatku.22 Traˇena vjerovatno´a je z c ´ GLAVA 3. U voz sa m vagona na sluˇajan naˇin i nezavisno jedan od drugog ulazi n c c putnika (n ≥ m). 1≤i<j≤m n m−1 m . m. Kako je pj = 1. .. a) Na´i vjerovatno´u da se medu kuglicama nalazi taˇno j (j ≤ k) bijelih. 2. c c c b) Koriste´i se rezultatom pod a). 2. . . . m n P (Ai ∩ Aj ) = 1 − . j = 0. P (Ai1 ∩ · · · ∩ Aim−1 ) = 1 − 2 m . tada c oˇigledno AC = c m Ai . j=0 imamo k j=0 n j m k−j = n+m k 7. im−1 ≤ m. s a) Traˇena vjerovatno´a je z c n j m k−j n+m k k pj = . k. . . . . na´i zbir c c k j=0 n j m k−j Rjeˇenje. USLOVNA VJEROVATNOCA P = 21 9 29 9 . 6. . . 1 ≤ i1 < . Odrediti vjerovatno´u da u svaki vagon ude bar jedan c putnik. ˚ Neka je Ai oznaka za dogadaj da u i−ti vagon nije niko uˇao.. . i=1 P (Ai ) = 1 − 1 m n i = 1. i = 1. . Iz kutije koja sadrˇi n bijelih i m crnih kuglica sluˇajno izvlaˇimo k ≤ m+n z c c kuglica. . . .

4 4 4 4 Kako je P (A ∪ B) = P (A) + P (B) − P (A ∩ B). Traˇena c s z vjerovatno´a je c P (A) = m(A) 18002 − 17942 = = 0. sc tada. to jest u ovom sluˇaju povrˇina.5. na´i vjerovatno´u da su otkazala oba dijela. Vozovi duˇine 180 metara kre´u se brzinom 30 metara u sekundi po z c prugama koje se medusobno ukrˇtaju. vjerovatno´a da drugi dio radi u istom intervalu iznosi 0. y) ∈ Ω |x − y| < 6}. sc c Rjeˇenje. y) : max{x. µ(B) = .006656. · · · + (−1)m−1 Znaˇi. Ako je c c c uredaj ispitivan u intervalu vremena t i otkazao je. c c Rjeˇenje. 1]. µ(A ∩ B) = .3. Kako je A ∪ B = A imamo P (A ∪ B) = P (A) = 3 . a sa Y trenutak ulaska drugog voza u raskrˇ´e. 0 ≤ y ≤ 1800}. Neka je A = {(x. 2 2 Na´i vjerovatno´u dogadjaja A ∪ B. y) : |x − y| ≤ 1 } i B = {(x. m(Ω) 18002 9. Neka je m(A) mjera oblasti A. Izraˇunati vjerovatno´u sudara. A = {(x. Da bi uredaj radio neophodno je da radi svaki dio. Lako se dobija s µ(A) = 1 − 3 1 1 1 = . 8. Ako sa X oznaˇimo s s c trenutak ulaska prvog. Trenutak u kome ´e oni pro´i kroz s c c 00 30 c c raskrˇ´e je sluˇajan izmedu 9 = i 9 =. imamo P (A ∪ B) = 3 . poˇto vozovi duˇine 180 metara prolaze kroz raskrˇ´e 6 sekundi jer s z sc se kre´u brzinom 30 metara u sekundi imamo c Ω = {(x. Jedan uredaj se sastoji iz dva dijela. 4 Primjedba. . 4 10. y) 0 ≤ x ≤ 1800.7. c P (A) = 1 − m 1 1− 1≤i1 <···<im−1 ≤m 1− 1 m n + · · · + (−1)m m m−1 1− m−1 m n .. Brojevi x i y se na sluˇajan naˇin i nezavisno jedan od drugog biraju iz c c intervala [0. y} ≤ 1 }.8.. Vjerovatno´a da radi prvi dio u intervalu vremena t iznosi c 0. Neka je A dogadaj da je doˇlo do sudara. ZADACI Sada je P (AC ) = m i=1 23 1− 1 m n − 1≤i<j≤m 1− m−1 m 2 m n n + .

P (A|H10 ) = 1. P (A|H01 ) = 1. P (A|H1 ) = 1. H01 dogadaj da je otkazao samo prvi dio. 1 65 2 · 100 165 200 = 65 165 . P (A|H2 ) = 2 Sada je P (A) = P (H1 )P (A|H1 ) + P (H2 )P (A|H2 ) = P (H1 |A) = P (H2 |A) = P (H1 )P (A|H1 ) P (A) P (H2 )P (A|H2 ) P (A) 1 2 65 100 . P (A|H00 ) = 1. 7 10 . 2 3 P (H00 ) = 10 · 10 .24 ´ GLAVA 3. Neka je B dogadaj da je drugi izvuˇeni proizvod ˇkart. s s Na sluˇajan naˇin je odabran dobar proizvod iz nekog skladiˇta i nakon c c s toga vra´en u isto skladiˇte. Imamo. Imamo. 2 P (H2 ) = 1 . Opet. 7 10 . s P (H1 ) = 1 . s s c Rjeˇenje. P (A|H11 ) = 0. = = 1 2 ·1 165 200 = 100 165 . Izraˇunati vjerovatno´u da je drugi proizvod c s c c iz istog skladiˇta ˇkart. U jednom skladiˇtu su svi proizvodi ispravni. prema c s formuli potpune vjerovatno´e je c ′ ′ ′ ′ P (B) = P (B|H1 )P (H1 ) + P (B|H2 )P (H2 ). H2 dogadaji (hipoteze) da je proizvod izvuˇen iz prvog odnosno drugog skladiˇta. H10 dogadaj da je otkazao samo drugi dio. Neka je A dogadaj da je prvi izvuˇeni proizvod dobar. USLOVNA VJEROVATNOCA Rjeˇenje. P (A) = P (A|H00 )P (H00 ) + P (A|H01 )P (H01 ) + P (A|H10 )P (H10 )+ +P (A|H11 )P (H11 ) = P (H00 |A) = 6 100 + 24 100 + 14 100 = 44 100 . a u drugom ima 35% ˇkarta. Neka je A dogadaj da je uredaj otkazao i s H00 dogadaj da su otkazala oba dijela. P (H10 ) = P (H01 ) = P (H11 ) = 8 10 2 10 8 10 · · · 3 10 . 1+ 65 100 = 165 200 . P (A|H00 )P (H00 ) = P (A) 6 100 44 100 = 3 6 = 44 22 11. Neka s c su H1 . H11 dogadaj da su oba dijela ispravna. .

5. ZADACI ′ ′ gdje je H1 = H1 |A. H2 = H2 |A. 25 P (B) = 100 65 35 91 65 35 · + ·0= · = . 165 100 165 165 100 660 .3.

USLOVNA VJEROVATNOCA .26 ´ GLAVA 3.

0729. Sa Sn oznaˇavamo broj realizacija dogadaja A c s c u Bernulijevoj ˇemi. k = 0. vijeku. Kolika je vjerovatno´a c c da ´e se pri predaji 5 signala primiti : c (a) 3 signala? (b) ne manje od 3 signala? 5 (a) P (S5 = 3) = 0. q = 1 − p. Odredi´emo vjerovatno´u P (Sn = k).9. 3 27 . Zbog prethodne osobine. vjerovatno´e date sa P (Sn = k). a po matematiˇaru Bernuliju i c c Bernulijev zakon raspodjele vjerovatno´a. zovu c se binomni zakon raspodjele vjerovatno´a.1 Bernulijeva ˇema s Neka je Ω prostor elementarnih dogadaja i A ⊆ Ω. Funkcija ϕn zove se generatrisa vjerovatno´a P (Sn = k). vrijedi.1.1. . . . Broj Sn se naziva relativna uˇestalost (frekvencija) s n c c dogadaja A u n ponovljenih opita. n. Za niz opita u kojima z je vjerovatno´a realizacije dogadaja ista i nezavisna od ostalih opita kaˇemo c c da ˇini Bernulijevu ˇemu. to jest c da ´e poslije n opita dogadaj A nastupiti taˇno k puta (k ≤ n). P (Sn = k) = n k pk q n−k . c c Primjedba 4.Glava 4 Viˇestruka ispitivanja s 4.93 · 0. 1. . Vjerovatno´a prijema radio signala iznosi 0. Naime. c Odgovor na ovo pitanje je dao Jakob Bernuli u 18. Primjer 4. Nije teˇko vidjeti da se vjerovatno´e P (Sn = k) javljaju kao koeficijenti uz xk u s c razvoju binoma n ϕn (x) = (q + px)n = j=0 n j n pj q n−j xj = j=0 P (Sn = j)xj .12 = 0.

28

ˇ GLAVA 4. VISESTRUKA ISPITIVANJA 5 3 0.93 · 0.12 +

(b) P (3 ≤ S5 ≤ 5) = P (S5 = 3) + P (S5 = 4) + P (S5 = 5) = 5 4 0.94 · 0.1 + 5 5 0.95 = 0.99.

4.2

Najvjerovatniji broj pojavljivanja dogadaja

Vjerovatno´e P (Sn = k), k = 0, 1, . . . , n, moˇemo shvatiti kao funkciju cjeloc z brojnog argumenta k. Ta funkcija dostiˇe maksimum za neku vrijednost k0 . z Vrijednost k0 je najvjerovatniji broj realizacije dogadaja A u n ponavljanja opita. Oˇigledno je da za k0 vrijedi c n k0 − 1 i n k0 pk0 −1 · q n−(k0 −1) ≤ n k0 + 1 n k0 pk0 · q n−k0

pk0 · q n−k0 ≥

pk0 +1 · q n−(k0 +1) .

Iz ovih nejednaˇina imamo c i k0 ≤ np + p, k0 ≥ np + p − 1.

z Odavde dobijamo da ako je np + p cijeli broj onda za k0 moˇemo uzeti dvije vrijednosti np + p ili np + p − 1, a ako np + p nije cijeli broj onda za k0 uzimamo [np + p], gdje je [x] oznaka za cijeli dio broja x.

Dakle, P (Sn = k) ima maksimum za ono k0 koje zadovoljava dvostruku nejednaˇinu c np + p − 1 ≤ k0 ≤ np + p.

Primjer 4.2. Kocka se baca 50 puta. Odrediti najvjerovatniji broj pojavljivanja dogadaja : pao je broj djeljiv sa 3. s Rjeˇenje. Za najvjerovatniji broj pojavljivanja dogadaja u Bernulijevoj ˇemi, to s jest za broj k ∈ {0, 1, . . . , n} za koji je vjerovatno´a c Pk = maksimalna vrijedi Ovdje je np − q ≤ k ≤ np + p. n = 50, p = pa vrijedi 2 1 , q= , 3 3 n k pk q n−k

1 2 1 1 16 = 50 − ≤ k ≤ 50 + = 17. 3 3 3 3

Dakle, k ∈ {16, 17}.

4.3. PUASONOVA RASPODJELA

29

Primjer 4.3. Izvodi se n nezavisnih opita koji se sastoje u bacanju k novˇi´a. cc Izraˇunati vjerovatno´e dogadaja: c c A-bar jednom su na svim novˇi´ima pali svi grbovi, cc B-taˇno m puta su na svim novˇi´ima pali svi grbovi. c cc c Rjeˇenje. Neka Ai oznaˇava dogadjaj da u i-tom opitu nisu pali svi grbovi, s i = 1, . . . , n. Vrijedi P (Ai ) = 1 − 1 , i = 1, . . . , n i AC = A1 · · · An . 2k

Dogadjaji Ai su nezavisni, pa vrijedi P (AC ) = Dakle, P (A) = 1 − 1 − 1 2k
n

1−

1 2k

n

.

.

Za vjerovatno´u dogadjaja B, koriste´i vjerovatno´u pojavljivanja dogadjaja u c c c Bernulijevoj ˇemi, imamo s P (B) = n m 1 2k
m

1−

1 2k

n−m

.

4.3

Puasonova raspodjela

Za velike vrijednosti n vjerovatno´e P (Sn = k) nije jednostavno odrediti. c Ilustrujmo to jednim primjerom. Primjer 4.4. Pri proizvodnji nekog proizvoda vjerovatno´a da ´e se proizvesti c c neispravan proizvod iznosi 0.004. Kolika je vjerovatno´a da ´e se u skupu od c c 100 proizvoda na´i jedan neispravan proizvod? c Imamo P (S100 = 1) = 100 1 0.0041 (1 − 0.004)100−1 = 0.4 · 0.99699 .

Vidimo da treba vrˇiti ogromna izraˇunavanja. s c Da bi rijeˇio probleme ove vrste Puason je dokazao sljede´u teoremu. s c Teorema 4.1. Neka je P (A) = k = 0, 1, . . . , n vrijedi
λ n, λ

> 0 i neka λ ne zavisi od n. Tada za svaki λk −λ e . k!

n→+∞

lim P (Sn = k) =

30 Dokaz. Vidjeli smo da je P (Sn = k) = Na osnovu toga imamo P (Sn = k) = pa dobijamo P (Sn = k) = 1 n λk k! 1− · 1− λ n λk k! 1−

ˇ GLAVA 4. VISESTRUKA ISPITIVANJA

n k

λ n

k

1−

λ n

n−k

.

λ n

n

1 n! (n − k)! nk k−1 n

1−

λ n

−k

,

n

· 1−
−k

· 1−

k−2 n

···

1−

k−1 n

λk −λ e , n → +∞. k!

Primjedba 4.2. (i) Prethodna teorema vrijedi i ako se pretpostavi da je P (A) = pn , pri ˇemu je lim npn = λ. c
n→+∞

(ii) Puasonova aproksimacija daje dobre rezultate za np < 10. Raspodjela vjerovatno´a data sa c P (k) = λk −λ e , k = 0, 1, 2, . . . , k!

zove se Puasonov zakon raspodjele vjerovatno´a ili Puasonova raspodc jela. Primjer 4.5. Poznato je da u odredenoj knjizi od 500 stranica postoji 500 ˇtamparskih greˇaka sluˇajno raspodijeljenih. Kolika je vjerovatno´a da na sluˇajno s s c c c odabranoj stranici knjige nema manje od tri greˇke ? s 1 1 Rjeˇenja. Traˇi se P (S500 ≥ 3), gdje je p = 500 i λ = n · p = 500 · 500 = 1. Kako s z je P (S500 ≥ 3) = 1 − P (S500 ≤ 2), na osnovu Puasonove teoreme imamo aproksimaciju
2

P (S500 ≥ 3) ≈ 1 −

i=0

1 −1 e ≈ 0.080301. i!

4.4

Normalna (Gausova) raspodjela

U praktiˇnim problemima se pokazalo da Puasonova aproksimacija daje doc bre rezultate za np < 10. Ako je np ≥ 10 koristi se normalna aproksimacija data sljede´om teoremom. c

4.4. NORMALNA (GAUSOVA) RASPODJELA

31

Teorema 4.2. (Lokalna Muavr-Laplasova teorema) Neka je p ∈ (0, 1) vjerovatno´a dogadaja u svakom od n nezavisnih opita i neka postoje a, b ∈ R c takvi da je k − np ≤ b za sve k, n ∈ N, k ∈ {0, 1, . . . , n}, q = 1 − p. a≤ √ npq Tada vrijedi
n→+∞

lim

P (Sn = k)
√ 1 e− 2πnpq
(k−np)2 2npq

= 1.

Dokaz. Kako je a ≤

k−np √ npq

≤ b imamo √ √ a npq b npq k ≤ −p≤ , n n n

pa k → p kad n → +∞. n √ Dalje, zbog formule Stirlinga (n! ∼ 2πnnn e−n , n → +∞) dobijamo √ 2πnnn pk q n−k , n → +∞. P (Sn = k) ∼ √ 2πkk k 2π(n − k)(n − k)n−k Osim toga, n = k(n − k) Dakle, P (Sn = k) ∼ √ a odavde je P (Sn = k) ∼ √ Kako je ln(1 ± t) ∼ t ∓ imamo P (Sn = k) ∼ √
k 1 e 2πnpq
(k−np)2 k−np + 2k2 k

k n

1 1−

k n

∼√

1 , n →= ∞. npq
n−k

1 np · k 2πnpq

k

n(1 − p) n−k

,

k−np k−np 1 ek ln(1− k ) · e(n−k) ln(1+ n−k ) . 2πnpq

t2 , t → 0, 2
(k−np)2 k−np n−k + 2(n−k)2

+(n−k)

∼√

(k−np)2 1 e− 2npq . 2πnpq

c (iii) Aproksimacija data prethodnom teoremom zove se i normalna aproksimacija. Na´i c c vjerovatno´u da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i c 57. Primjer 4.6.3. x1 = √ npq npq Primjedba 4. 2πnpq x2 e− 2 dt. x2 = √ . Ovde je np = 2500 · 0. t2 . (Integralna Muavr-Laplasova teorema) Pri uslovima prethodne teoreme vrijedi ab−np √ npq 1 P (a ≤ Sn ≤ b) ∼ √ 2π e− 2 dt.818. Vjerovatno´a proizvodnje neispravnog proizvoda je 0. (ii) Kriva data jednaˇinom c t2 1 ϕ(t) = √ e− 2 .002 = 50 > 10. Rjeˇenje. 2π x e− 2 dt 0 t2 zove se Gausova kriva obiˇne normalne raspodjele. pa koristimo normalnu aproksis maciju. VISESTRUKA ISPITIVANJA Teorema 4. (i) Vrijednosti funkcije 1 Φ(x) = √ 2π date su tablicama. x1 t2 a − np b − np .002. P (36 ≤ S2500 1 ≤ 57) ∼ √ 2π 1 −2 e− 2 dt = Φ(1)−Φ(−2) = Φ(1)−(1−Φ(2)) ≈ 0.32 ˇ GLAVA 4.3. n → +∞ a−np √ npq t2 Dokaz. Na osnovu prethodne teoreme je P (a ≤ Sn ≤ b) ∼ to jest 1 P (a ≤ Sn ≤ b) ∼ √ 2π gdje je (k−np)2 1 1 e− 2npq ∼ √ √ npq 2π a≤k≤b a≤k≤b P (Sn = k) ∼ a≤k≤b √ (k−np)2 1 e− 2npq .

Sluˇajno se bira 150 c kuglica sa vra´anjem. Iz skupa {1. Ako je poznato da je vjerovatno´a radanja djeˇaka pribliˇno 0. ZADACI 33 4.95. Odrediti k takvo da kupac prihvati seriju sa vjerovatno´om 0. n} se na sluˇajan naˇin bira 2n brojeva sa vra´anjem c c c (n ≥ 10).27. Uredaj moˇe imati kvar A sa vjerovatno´om 0. . c . Uredaj je pokvaren ako ima oba kvara.999. 4. Kupac c prihvata seriju od 1000 uredaja ako u seriji nema viˇe od k neispravnih s c uredaja. 2.5 Zadaci 1. na´i c c z c vjerovatno´u da medu 1000 novorodenˇadi ima bar 10 djevojˇica viˇe nego c c c s djeˇaka.4. Odrediti k takvo da je broj izvuˇenih ˇetvorki u tih 2n izvlaˇenja c c c manji od k sa vjerovatno´om 0. Na´i vjerovatno´u da se broj bijelih kuglica nalazi c c c izmedu 78 i 108. c 3. . Vjerovatno´a da je sluˇajno izabrani ˇovjek viˇi od 180 cm je 0. .515.5.02.01 i nezavisno od toga kvar z c B sa vjerovatno´om 0. Odredc c c s iti vjerovatno´u da se u grupi od 1200 ljudi nalazi manje od 300 ljudi viˇih c s od 180 cm 5. 2. U kutiji se nalazi 300 bijelih i 200 crnih kuglica. .

VISESTRUKA ISPITIVANJA .34 ˇ GLAVA 4.

X(P G) = X(GP ) = 1. cc 1. Novˇi´ se baca dva puta.1 Definicija i neki primjeri U klasiˇnoj teoriji vjerovatno´e osnovni pojam je sluˇajni dogadaj. c 35 . Kako je c {X < x} = X −1 (−∞. z c c c c Dogadaj {ω ∈ Ω : X(ω) < x} kra´e oznaˇavamo sa {X < x}. Ovo je Bernulijeva sluˇajna promjenljiva. P G. Neka je Ω prostor elementarnih dogadaja i F σ−polje dogadaja na Ω. GG}.Glava 5 Sluˇajne promjenljive c 5. GP. kaˇemo da je sluˇajna promjenljiva (veliˇina). Neka je c 4 X broj pojavljivanja pisama u dba bacanja novˇi´a. Imamo X(P P ) = cc 2. a sa X = 0 ako se dogodio neuspjeh. Primjer 5. Prostor elementarnih dogadaja je Ω = {P P. c c U opitu se svakom ishodu moˇe pridruˇiti neki realan broj. tada je P (X = 1) = p. Ako je p vjerovatno´a c uspjeha.1. U opitu sa dva ishoda od koji je jedan uspjeh.1. To nas dovodi do z z definicije sluˇajne promjenljive. x) ∈ F za sve x ∈ R. Neka je vjerovatno´a svakog elementarnog dogadaja jednaka 1 . c Definicija 5. imamo da je X : Ω → R sluˇajna promjenljiva ako X −1 (−∞. X(GG) = 0. Savrec c c mena teorija vjerovatno´e je teorija sluˇajnih promjenljivih. P (X = 0) = 1 − p. x). 2. Za funkciju X : Ω → R za koju vrijedi {ω ∈ Ω : X(ω) < x} ∈ F za sve x ∈ R. oznaˇimo sa X = 1 ako se c dogodio uspjeh.

c 1.2. k = 0. to jest ako se znaju vjerovatno´e pi = P {ω ∈ Ω : X(ω) = xi }. X :  (1 − p)n . . Sluˇajna promjenljiva X se naziva binomnom sluˇajnom promjenljivom. SLUCAJNE PROMJENLJIVE 3. Sluˇajna promjenljiva X se naziva uniformnom promc jenljivom na [0. c Zakon raspodjele sluˇajne promjenljive X dat je tabelom c X: Ovde je i∈I x1 p1 x2 p2 ··· ··· xn pn ··· ··· pi = 1. b]) = b − a za svako a. Neka je A ⊂ Ω. 1]. b ∈ [0. Neka je data Bernulijeva ˇema sa vjerovatno´om uspjeha jednakom p. ω ∈ A. . c c c 4. 1. ω ∈ A. .2. 1]. Sluˇajna promjenljiva X : Ω → R je diskretnog tipa ako je c skup X(Ω) konaˇan ili prebrojiv. n. . Neka je X sluˇajna promjenljiva koja moˇe da uzima proizvoljne vric z jednosti iz segmenta [0.1. X : 2. s c Neka je X broj uspjeha u n uzastopnih ponavljanja. a ≤ b. Tada je P (X = k) = n k pk (1 − p)n−k . Indikator dogadaja Aje sluˇajna promjenljiva IA definisana sa 1. Odredimo zakone raspodjele sluˇajnih promjenljivih datih u primjeru5. / Imamo P (IA = 1) = P (A). P (IA = 0) = 1 − P (A). c Diskretna skuˇajna promjenljiva X : Ω → R je opisana ako se zna skup c X(Ω) = {xi : i ∈ I}. 1]. . 1]. tako da je P (X ∈ [a.36 ˇ GLAVA 5. . . {X = xi } = Ω i i∈I Primjer 5. 5. 5. X :  0 1 4 1 1 2 2 1 4 . IA (ω) = 0.2 Zakon raspodjele sluˇajne promjenljive c diskretnog tipa Definicija 5. gdje je I konaˇan ili prebrojiv i ako se zna funkcija c P : X(Ω) → [0. 1 n 1 p(1 − p)n−1 ··· ··· n n n pn  0 1 1−p p 0 n 0 3.

Slede´a teorema daje karakterizaciju funkcije raspodjele sluˇajne promjenljive. x→−∞ lim = F (−∞) = 0. c 3.1.3. ≤ b) = F (b) + P (X = b) − F (a) − P (X = a). c c Teorema 5. c c Kako vrijedi {ω ∈ Ω : X(ω) < x} ∈ F.3 Funkcija raspodjele sluˇajne promjenljive c Neka je (Ω. IA : 0 1 1 − P (A) P (A) . ≤ b) = F (b) + P (X = b) − F (a). c . t→x+0 lim F (t) = F (x) + P (X = x). x→+∞ lim = F (+∞) = 1. F je monotono neopadaju´a funkcija. c Osnovne osobine funkcije raspodjele su : 1. U tom sluˇaju ona je neprekidna s desna. P (a ≤ X P (a < X P (a ≤ X P (a < X < b) = F (b) − F (a). 0 ≤ F (x) ≤ 1x ∈ R. FUNKCIJA RASPODJELE SLUCAJNE PROMJENLJIVE 4. za svaki x ∈ R je definisana vjerovatno´a c P ({ω ∈ Ω : X(ω) < x}). x→+∞ lim = F (+∞) = 1. t→x−0 lim F (t) = F (x). c c 5.3. < b) = F (b) − F (a) − P (X = a). F.1. To nas dovodi do sljede´e definicije. 2. c 3. 0 ≤ F (x) ≤ 1x ∈ R. 37 5.ˇ 5. x ∈ R. naziva se funkcija raspodjele sluˇajne promjenljive X. F je monotono neopadaju´a funkcija. F je neprekidna s lijeva. Funkcija raspodjele se moˇe definisati i sa z F (x) = P (X ≤ x). 5. c c Definicija 5. Funkcija F : R → R definisana sa F (x) = P {ω ∈ Ω : X(ω) < x}. Funkcija F : R → R je funkcija raspodjele neke sluˇajne promc jenljive X ako i samo ako vrijedi : 1. 4. U ovom sluˇaju se ne radi o diskretnoj sluˇajnoj promjenljivoj. 4. P ) prostor vjerovatno´a i X : Ω → R sluˇajna promjenljiva. 2. Neka je X : Ω → R sluˇajna promjenljiva. x→−∞ lim = F (−∞) = 0. Primjedba 5.

m je posebno oznaˇeno. . x ≤ 1. Ovde je  0. .    n pk (1 − p)n−k . . Sluˇajna promjenljiva X uzima c vrijednosti 1. . . 0. 0 < x < r. 2. . F (x) = P (X < x) = k<x λk −λ . sa vjerovatno´ama c P (X = k) = p(1 − p)k−1 . 2. x ≥ r. 3. Od n predmeta. SLUCAJNE PROMJENLJIVE Ako znamo zakon raspodjele diskretne sluˇajne promjenljive X onda moˇemo c z konstruisati njenu funkciju raspodjele. x ≤ 0. . 2. sa vjerovatno´ama c P (X = k) = Funkcija raspodjele ima oblik 0. x > 1. F (x) = P (X < x) = k<x 0. . sa vjerovatno´om c uspjeha p. . . . p(1 − p)k−1 . c Bira se sluˇajan uzorak od r predmeta. Puasonova raspodjela. Naime. Ovo je hpergeometrijska sluˇajna promjenljiva. Primjer 5. k = 0. izvode se do prvog uspjeha. F (x) = P (X < x) =  k<x n   1. 4. Hipergeometrijska raspodjela. .38 ˇ GLAVA 5. 2. λk −λ e . Binomna raspodjela. k! x ≤ 0. 0 < x ≤ n. m k  ·    F (x) = P (X < x) = n r n−m r−k     x ≤ 0. 1. . k! e 1. Imamo c m k · n r                  k<x P (X = k) = n−m r−k . 1. . x > n. 2. k = 1. x > 0. . 1. Bernulijevi eksperimenti.3. λ > 0. . F (x) = P (X < x) = xx <x P (X = xi ) = xx <x pi . Geometrijska raspodjela. r. Diskretna sluˇajna promjenljiva X moˇe uzic z mati vrijednosti 0. Neka je X broj posebno oznaˇenih c c predmeta u uzorku.

Neka je X neprekidna sluˇajna promjenljiva sa funkcijom raspodc jele F i gustinom f . Sluˇajna promjenljiva X ˇija je funkcija raspodjele data sa c c  x < 1. a ako je f neprekidna onda je F diferencijabilna i vrijedi F ′ (x) = f (x). Funkcija f je gustina raspodjele vjerovatno´a sluˇajne promjenljive X. F (x) =  1. b ∈ R.4.2.ˇ 5. 5. 2 ≤ x < 1. x ∈ R. Za svako a ∈ R. . c Teorema 5. Iz osobina funkcije raspodjele vjerovatno´a sluˇajne promjenljjive dobijamo c c osobine funkcije gustine raspodjele vjerovatno´a.4.  0. 2 1 x. 2. 1 ≤ x. SLUCAJNE PROMJENLJIVE NEPREKIDNOG TIPA Kako zbir svih vjerovatno´a mora da bude 1. Za sve a. nije ni diskretnog ni neprekidnog tipa. Tada vrijedi : 1. P (X = a) = 0.4. za svaki x ∈ R. c Primjer 5. dobijamo identitet c r 39 k=0 m k n−m r−k = n r . (a < b) je b P (a < X < b) = a f (t)dt. Sluˇajna promjenljiva X : Ω → R je neprekidnog tipa ako c postoji nenegativna integrabilna funkcija f : R → R takva da je x F (x) = −∞ f (t)dt. Napomenimo da postoje sluˇajne promjenljive koje nisu ni diskretne ni neprekidne. c c Ako je f integrabilna onda je F neprekidna. Ako je f neprekidna tada je b a b f (t)dt = F (b) − F (a) i a f (t)dt = P (a ≤ X ≤ b). Odavde dobijamo P (X = a) = 0.4 Sluˇajne promjenljive neprekidnog tipa c Definicija 5.

x ∈ [3. 27 27 27 3 3 5. Dakle. a f (t)dt = 1. b]). P (X = 0) = 1 − p. P (X 2 − 9X + 20 ≥ 0) = P ((X − 4)(X − 5) ≥ 0) = P (X ∈ [3.40 3. b] ⊂ [3. s (a) Iz relacije 6 cxdx = 1 3 dobijamo da je c = (b) P (X ∈ [a. −∞ +∞ P (X > a) = P (X ≥ a) = 4. 6] 0. 6]. b]) = (c) 2 27 . Funkcija gustine vjerovatno´a sluˇajne promjenljive X je c c f (x) = cx. Rjeˇenje. SLUCAJNE PROMJENLJIVE a P (X < a) = P (X ≤ a) = f (t)dt.5. gdje je [a.5 Pregled vaˇnijih raspodjela z P (X = 1) = p. Za svako a ∈ R je ˇ GLAVA 5. 4 6 P (X − 9X + 20 ≥ 0) = 2 2 xdx + 27 5 42 − 32 62 − 52 2 2 xdx = + = . 4] ∪ [5. / Na´i: c (a) konstantu c. (b) P (X ∈ [a. +∞ f (t)dt. b 2 27 xdx a = b2 −a2 27 . (c) P (X 2 − 9X + 20 ≥ 0). −∞ Primjer 5. x ∈ [3. 6]). Bernoullijeva . 1. 6].

Negativna binomna P (X = k) = 6. λ) f (x) = 11. k = 0. . r. Normalna N (µ. . x > 0. 2. . . 9. . . k! k−1 r−1 pr (1 − p)k−r . b) λk . r ≤ m < n. b]. Γ(α)Γ(β) λα e−λx xα−1 . . . k = 0. 4. k = 1. λ > 0. Geometrijska P (X = k) = p(1 − p)k−1 . . Poissonova P(λ) P (X = k) = e−λ 7. . Eksponencijalna E(λ) f (x) = λe−λx . k = 0. n. Binomna B(n. x ∈ R. Gama Γ(α. σ 2π . Γ(α) (x−µ)2 1 √ e− 2σ2 . Uniformna U(a. . Beta B(α. r + 1. σ 2 ) f (x) = 10. 1. 41 P (X = k) = . f (x) = 1 . . . 0 < x < 1. x ∈ [a. Hipergeometrijska m k n r n−m r−k n k pk (1 − p)n−k . β) f (x) = Γ(α + β) α−1 x (1 − x)β−1 . . 5.5. . x ≥ 0. b−a 8. p) P (X = k) = 3. . k = r. .ˇ 5. PREGLED VAZNIJIH RASPODJELA 2.

σ 2 ) raspodjelu. Neka X ima normalnu raspodjelu sa parametrima µ = 10 i σ = 3. |x| ≤ 1 0. Odrediti vrijednost σ tako da je vjerovatno´a c P (1 ≤ X ≤ 3) najve´a. c . / Odrediti c. x > 0. Opisati tu sluˇajnu promjenljivu. SLUCAJNE PROMJENLJIVE x n 1 2 −1 e− 2 . 0. |x| > 1 1 2 njena gustina raspodjele vjerovatno´a.42 12. 16]). Noˇi´ se baca pet puta. x ∈ (0. Neka X ima N (0. 2). Pokazati da je b = c i |a| ≤ 1 . 2 3. n x 2 Γ( 2 ) n 2 Γ((n + 1)/2) f (x) = √ nπΓ(n/2) 1+ x2 n −(n+1)/2 . Sluˇajan promjenljiva X je broj pojavljivanja cc c grba. Studentova t(n) ˇ GLAVA 5. a zatim na´i P (X > 1). c c 2. 2).6 Zadaci 1. Neka je X sluˇajna promjenljiva i f (x) = ax + b. Odrediti vjerovatno´u dogadjaja (X ∈ [4. Sluˇajna promjenljiva X je neprekidna sa gustinom c f (x) = c(4x − 2x2 ). x ∈ (0. 5. c 4. Hi kvadrat χ2 (n) f (x) = 13. x ∈ R. c 5.

.1. . . Y (Ω) = {yj : j ∈ J}. Y = yj ). . gdje su I i J konaˇni ili prebrojivi skupovi. c Neka su X i Y diskretne sluˇajne promjenljive i c X(Ω) = {xi : i ∈ I}. X2 ]T ili X = (X1 . . Xn ]T : Ω → Rn je n−dimenzionalna c sluˇajna promjenljiva. . 43 . ako je za svaki i ∈ {1. i ∈ {1. taˇka pogotka mete moˇe da se opiˇe sa dvije sluˇajne promjenljive. Na primjer. to jest vjerovatno´ama c pij = P (X = xi . i ∈ I. Funkcija X = [X1 .1 Sluˇajni vektori c U nekim sluˇajevima ishodu nekog opita moˇemo pridruˇiti viˇe numeriˇkih c z z s c karakteristika. . X2 ). n} funkcija Xi sluˇajna c promjenljiva. . j ∈ J . Y ]T dat sa Z(Ω) = xi yj : i ∈ I. c z s c apscisom i ordinatom. n} diskretne (neprekidne) sluˇajne promjenljive onda je c X diskretna (neprekidna) n−dimenzionalna sluˇajna promjenljiva. Ako su Xi . Ovakvi primjeri nas dovode do pojma viˇedimenzionalne sluˇajne proms c jenljive. .Glava 6 Sluˇajni vektori c 6. . j ∈ J. Zakon raspodjele vjerovatno´a sluˇajnog vektora Z dat je funkcijom P : c c Z(Ω) → R. Koristi se i oznaka c X= X1 X2 = [X1 . Ako je n = 2 radi se o sluˇajnom vektoru. . Tada je skup vrijednosti sluˇajnog c c vektora Z = [X. Definicija 6. .

analogno dobijamo qj = P (Y = yj ) = i pij . SLUCAJNI VEKTORI y1 p11 p21 .1. c (iii) Na´i P (X = 2). . . Primjer 6.44 To obiˇno predstavljamo pomo´u tabele c c X\Y x1 x2 . P (X = 3. y2 p12 p22 . . Zakon raspodjele sluˇajnog c lom X\Y 1 2 1 1 1 12 6 1 2 0 6 1 3 0 6 1 4 1 3 vektora (X. . xi . Kako je Ω= i. . i∈I j∈J Ako je poznat zakon raspodjele vjerovatno´a sluˇajnog vektora Z = [X. . . Y = yj } imamo pij = 1. . . . . pi2 . c Kako je {X = xi } = {X = xi . . c . . . Dakle. . c (ii) Na´i P (X ≤ Y ). yj p1j p2j . . Y ) dat je sljede´om tabec 3 0 0 1 12 4 1 4 1 12 1 2 1 4 1 4 0 1 3 (i) Na´i vrijednost koja nedostaje u tabeli tj. ··· ··· ··· ··· ··· . Y = 3). . pij ··· ··· ··· ··· ··· ··· . {X = xi . vrijedi X: i Y : x1 p1 y1 q1 x2 p2 y2 q2 ··· ··· ··· ··· xi pi yj qj ··· ··· ··· ··· . pi1 . Y = yj } j imamo pi = P (X = xi ) = j pij .j ˇ GLAVA 6. To su marginalni zakoni raspodjela vjerovatno´a. Y ]T c c tada moˇemo odrediti zakone raspodjela vjerovatno´a sluˇajnih promjenljivih z c c X i Y . .

Funkcija raspodjele sluˇajnog vektora (X. 2. Definicija 6. Y (ω) < y}. c c Teorema 6. Y < y).2. Neka je F funkcija raspodjele sluˇajnog vektora (X. da sluˇajna taˇka padne u oblast {(u. 2. y) = P (X < x. lim F (x. b2 ) − F (a2 . tj. x → +∞ x → −∞ y → +∞ y → −∞ Teorema 6. x. b1 ) + F (a1 .2. 45 (ii) P (X ≤ Y ) = p11 + p12 + p13 + p14 + p22 + p23 + p24 + p33 + p34 = 5 . .ˇ 6. 4.2 Funkcija raspodjele sluˇajnog vektora c Neka su X i Y sluˇajne promjenljive. b1 ). 6 (iii) P (X = 2) = j p2j = 1 . 0 ≤ F (x.1. F je neopadaju´a po svakoj promjenljivoj. c 3. b2 ) − F (a1 . lim F (x. Osobine funkcije raspodjele : 1. v) : u < x. y ∈ R. y) = 0. 3. b2 ) − F (a2 . Y ) ako i samo ako vrijedi 1. b1 ≤ Y ≤ b2 ) = F (a2 . 4 1 3 2 1 3 3 1 12 . Sljede´a teorema daje karakterizaciju funkcije raspodjele sluˇajnog vektora. 4 (iv) X: X: 1 1 4 1 1 2 2 1 4 3 1 4 . b1 ) ≥ 0. tada ima smisla traˇiti vjerovatno´u c z c c c dogadaja {ω ∈ Ω : X(ω) < x. v < y}. y) ≤ 1.2. i F (a2 . (i) P (X = 3. Y ) tada je c P (a1 ≤ X ≤ a2 . FUNKCIJA RASPODJELE SLUCAJNOG VEKTORA (iv) Odrediti marginalne zakone raspodjela vjerovatno´a za X i Y . b2 ) − F (a1 . 4. F je neprekidna s lijeve strane po svakoj promjenljivoj. y) = 1. Y ) je funkcija c F : R2 → R data sa F (x. Funkcija F : R2 → R je funkcija raspodjele sluˇajnog vektora c (X. Y = 3) = 1 12 . 6. c Rezultat. b1 ) + F (a1 .

i ∈ I. P (B) Polaze´i od formule c dolazimo do pojma uslovne raspodjele. s P {X = k|X + Y = m} = P {X = k. y ∈ R. . .3. Na´i raspodjelu sluˇajne promjenljive X|X + Y = m. X i Y su nezavisne sluˇajne promjenljive sa Poasonovom raspodc jelom P(λ). SLUCAJNI VEKTORI 6. y) = FX (x)FY (y). gdje je F (x. Definicija 6. Tada je c p(xi |yj ) = P (X = xi |Y = yj ) = Analogno je q(yj |xi ) = P (Y = yj |X = xi ) = pij P (Y = yj . Sluˇajne promjenljive X i Y su nezavisne ako vrijedi c P (X < x. c c Rjeˇenje. Ako su X i Y nezavisne tada vrijedi F (x.3. x. X|Y = 2 : 1 2 27 2 6 27 6 27 6 27 3 0 6 27 0 0 1 27 3 27 0 0 0 18 27 6 27 8 27 12 27 6 27 1 27 0 1 3 1 1 3 2 1 3 3 0 . c Ako su X i Y diskretne sluˇajne promjenljive tada je nezavisnost ekvivalentna c uslovu p(xi . X + Y = m} . a FX (x)(FY (y)) c funkcija raspodjele sluˇajne promjenljive X(Y ). 1. Y < y) = P (X < x)P (Y < y) za sve x. c Rezultat.2. P (B) > 0. . Primjer 6. = P (Y = yj ) qj Primjer 6.3 Uslovne raspodjele P (A|B) = P (AB) . j ∈ J. P {X + Y = m} . yj ) = p(xi )q(yj ). Zakon raspodjele sluˇajnog vektora dat je tabelom c X\Y 0 1 2 3 Na´i uslovnu raspodjelu X|Y = 2. P (X = xi ) pi P (X = xi . Y = yj ) pij . m.46 ˇ GLAVA 6. Pretpostavimo da su X i Y diskretne sluˇajne promjenljive. y) funkcija raspodjele sluˇajnog vektora (X < Y ). k = 0. . X = xi ) = . y ∈ R.

Smatra´emo da je n = 1. Tada je funkcija Y :Ω→R data sa sluˇajna promjenljiva. Y = m − i} = m = i=0 P {X = i}P {Y = m − i} = m i=0 m λm −2λ i m! e = Sada je = = λm −2λ m! e i=0 m i = (2λ)m −2λ . u opˇtem sluˇaju c s c su potrebna neka razmatranja iz analize funkcija viˇe promjenljivih ˇto prelazi s s okvire ovoga kursa. 1 ).4. . . k = 0. . m! e P {X = k|X + Y = m} = m λm −2λ k m! e (2λ)m −2λ m! e = 1 m . 1. . X + Y = m} = P {X = k. Neka X ima Poasonovu raspodjelu P(λ). Ramotrimo prvo sljede´e primjere.4 Funkcije sluˇajnih promjenljivih c g : Rn → R Neka je X = (X1 . c Primjer 6. 1.. X + Y = m} = P {X = k}P {Y = m − k} = m λk λm−k −λ · (m−k)! e−λ = m λ e−2λ . . . k = 0.ˇ 6. m. . . . k! · e k m! P {X + Y = m} = m m i=0 P {X = i. . . FUNKCIJE SLUCAJNIH PROMJENLJIVIH 47 P {X = k. Xn ) viˇedimenzionalna sluˇajna pomjenljiva i s c data funkcija.4. k = 0. k! . pri ˇemu je c P (Y = k 2 ) = P (X = k) = e−λ λk . 2m k Znaˇi X|X + Y = m ima binomnu raspodjelu B(m. k! Y =g◦X Sluˇajna promjenljiva Y = X 2 moˇe uzimati samo vrijednosti koje su kvadrati c z prirodnih brojeva i nule. Y = m − k}. c 2 6. Sada zbog nezavisnosti sluˇajnih promjenljivih X i Y je c P {X = k. c Ovde se bavimo problemom odredivanja raspodjele sluˇajne promjenljive Y ako c je poznata funkcija g i raspodjela X. . Odrediti zakon raspodjele za Y i Z. 1. 2 Rjeˇenje. . . Imamo da je s P (X = k) = e−λ λk . Definiˇimo Y = X 2 i s πX Z = sin .

Na kraju. Vrijedi c P (Y = g(xi )) = j∈Ii x1 p1 x2 p2 ··· ··· xi pi ··· ··· g : R → R. y ≤ 0. Imamo da je c +∞ +∞ P (Z = 0) = k=0 P (X = 2k) = e−λ k=0 λ2k = e−λ chλ. 2πy 2 0. to jest Y = eX . −∞ t2 ln y √ 1 e− 2 . Za funkciju raspodjele FY sluˇajne promjenljive Y vrijedi s c P (Z = −1) = e−λ FY (y) = P (Y < y) = P (eX < y) = 0. 2 Primjer 6. Odrediti raspodjelu sluˇajne promjenljive Y . (2k)! Na sliˇan naˇin nalazimo c c P (Z = 1) = e−λ i shλ + sin λ 2 shλ − sin λ . Koriste´i ideje date u prethodnim primjerima dobijamo opˇti rezultat. Sluˇajna promjenljiva X ima normalnu raspodjelu N (0. Neka je data sluˇajna promjenljiva X sa zakonom raspodjele c c X: i funkcija Odredimo zakon raspodjele sluˇajne promjenljive Y = g ◦ X. y > 0. 1}. c Rjeˇenje. s Ii = {j : g(xi ) = g(xj )}.48 ˇ GLAVA 6. zavrˇimo sa jednim primjerom. y>0 y ≤ 0. Neka je X neprekidna sluˇajna promjenljiva sa funkcijom c c raspodjele vjerovatno´a FX (x). ln y 1 FY (y) = P (X < ln y) = √ 2π Gustina sluˇajne promjenljive Y je c fY = e− 2 dt. SLUCAJNI VEKTORI Sluˇajna promjenljiva Z uzima vrijednosti iz skupa {−1. . 1) i sluˇajna c c promjenljiva Y ima log normalnu raspodjelu. y)). c s Diskretan sluˇaj.5. 0. gdje je Neprekidan sluˇaj. Tada za funkciju raspodjele vjerovatno´a FY (y) c c sluˇajne promjenljive Y imamo c FY (y) = P (Y < y) = P (g(X) < y) = P (x ∈ g −1 (−∞. P (X = xj ).

z ∈ Z. (ii) Odrediti P (W = w). . Odredc iti raspodjelu sluˇajne promjenljive Y = X 2 . Neka su X i Y nezavisne sluˇajne promjenljive i c P (X = k) = P (Y = k) = q k p. (iv) Da li su Z i W nezavisne sluˇajne promjenljive? c 49 Rjeˇenje.5. s (i) Ako je Y − X = Z < 0 tada je w = W = Y i X = Y − Z = w + |z|. 1 − q2 2−p (iv) Sluˇajne promjenljive Z i W su nezavisne jer vrijedi c P (Z = z. (iii) Odrediti P (Z = z).6. X = w + |z|) = p2 q 2w+|z| . (iii) P (Z = z) = w=0 p2 q 2w+|z| = p2 q |z| pq |z| 1 = . Dakle. P (W = w. Y = w + z) = p2 q 2w+z . q = 1 − p Sluˇajne promjenljive Z i W definisane su sa c Z = Y − X. 1. W = w) = P (Z = z)P (W = w). 6. Z = z) = P (X = w. Z = z) = p2 q 2w+|z| . Sluˇajna promjenljiva X ima unifomnu raspodjelu na intervalu [0. . Z = z) = P (Y = w. 2. Dakle. 1). Y ).5 Zadaci P (X = k) = 2−k . c 2 1. c . w ≥ 0. (ii) +∞ P (W = w) = z=−∞ +∞ p2 q 2w+|z| = 2 −1 p p2 q 2w [2 z=0 q |z| − 1] = p2 q 2w +∞ = p(2 − p)q 2w . k ∈ N. W = min(X. Zakon raspodjele sluˇajne promjnljive X dat sa c 2. . k = 0. p ∈ (0. . (i) Pokazati da je P (W = w. 1]. P (W = w.6. Odrediti zakon raspodjele sluˇajne promjenljive Y = 2 cos πx . Ako je Y − X = Z ≥ 0 tada je w = W = X i Y = X + Z = w + z. ZADACI Primjer 6.

SLUCAJNI VEKTORI e−x . 1 − X2 1 1 · . π 1 + x2 . c 4.50 3. 0 x ≤ 0. Odrediti gustinu sluˇajne promjenljive Y = (X − 1)2 . x > 0. Sluˇajna promjenljiva X ima gustinu c f (x) = ˇ GLAVA 6. Sluˇajna promjenljiva X ima Koˇijevu raspodjelu c s f (x) = Na´i gustinu sluˇajne promjenljive c c Y = 2X .

1 Matematiˇko oˇekivanje c c x1 p1 x2 p2 ··· ··· xk pk . i = 1. . . ωn } i X : Ai = {ω ∈ Ω : X(ω) = xi }. Matematiˇko oˇekivanje sluˇajne promjenljive X je broj c c c +∞ E(X) = n=1 xn pn . k imamo pi = ni n.Glava 7 Numeriˇke karakteristike c sluˇajnih promjenljivih c 7. i=1 Prethodno razmatranje je motiv za sljede´u definiciju. . Neka je X diskretna sluˇajna promjenljiva ˇiji je zakon raspodc c jele vjerovatno´a dat sa c X: x1 p1 x2 p2 ··· ··· xn pn ··· ··· . . . . pa za srednju vrijednost X(ω1 ) + X(ω2 ) + · · · + X(ωn ) n sluˇajne promjenljive X imamo c n1 x1 + n2 x2 + · · · + nk xk = n k pi xi . 2. 2. i = 1. . ω2 . . 51 . . .1. k. . c Definicija 7. Ako je |Ai | = ni . Oznaˇimo sa c Neka je Ω = {ω1 . .

Primjer 7. Neka je X sluˇajna promjenljiva i g : R → R data funkcija. jer je c +∞ −∞ |x| dx = +∞.3. Primjer 7. . matematiˇko c c oˇekivanje definiˇe se sa c s +∞ E(X) = −∞ xf (x)dx. to jest radi se o sluˇajnoj proms c jenljivoj ˇija je gustina raspodjele c f (x) = 1 . NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH ako je dati red apsolutno konvergentan. x ∈ R.5. pa vrijedi E(X 2 ) = (−2)2 1 1 + 22 = 0. π(1 + x2 ) +∞ pa integral −∞ x dx. π(1 + x2 ) ne kovergira apsolutno. Neka X ima Koˇijevu raspodjelu.2. x ∈ R.1. ako je integral apsolutno konvergentan. Ovde je E(X) = 3. U sluˇaju da je X neprekidnog tipa sa gustinom f onda je c +∞ E(g(X)) = −∞ g(x)f (x)dx. Za neprekidnu sluˇajnu promjenljivu sa gustinom raspodjele f . Primjer 7. (i) Neka je X: Odrediti E(X 2 ). Neka je X sluˇajna promjenljiva koja predstavlja broj na gornjoj c strani kocke. Ako je X c diskretnog tipa onda je +∞ E(g(X)) = n=1 g(xn )pn . π(1 + x2 ) U ovom sluˇaju ne postoji E(X). Ovde je g(x) = x2 .ˇ ˇ 52GLAVA 7. 2 2 −2 1 2 2 1 2 .

1 dobijamo E(X + Y ) = 3. potrebno je posmatrati i odstupanje sluˇajne promjenljive od E(X). 7. 4 2 12 U sljede´oj teoremi dajemo osnovne osobine matematiˇkog oˇekivanja. Odrediti matematiˇko oˇekivanje povrˇine kruga. c to jest |X −E(X)|. Primjer 7. VARIJANSA 53 (ii) X je sluˇajna promjenljiva koja oznaˇava duˇinu preˇnika kruga i vrijedi c c z c X : U(5. odnosno na drugoj kocki.5.5 = 7. Vrijede formule s E(cX) = cE(X). U ovom sluˇaju c c s c 2 x 2 je g(x) = π 2 . Izraz (X −E(X))2 takode daje odstupanje ali je jednostavniji za analizu. ako su X i Y sluˇajne promjenljive tada je E(X + Y ) = E(X) + E(Y ). 2. pa je E π2 X 2 2 7 = 5 π2 109π 2 x2 1 · dx = .4. Neka je c ∈ R tada je E(c) = c. E(2X + 6) = 2E(X) + 6 = 206. Primjer 7.1. Ilustrujmo to sljede´im primjerom.5 + 3.7. Rjeˇenje. Sada. na osnovu primjera 7. Rjeˇenje. Neka su X i Y sluˇajne promjenljive-broj taˇaka koji se pojavio na s c c prvoj. imamo E(X + Y ) = E(X) + E(Y ). c 4. Za sluˇajnu promjenljivu X vrijedi E(X) = 100. c Primjer 7. 1. Dakle. Dakle. c c c Teorema 7.6. Na´i matematiˇko oˇekivanje zbira broja taˇaka pri bacanju dvije c c c c kocke. Tada je E(X) = E(Y ) = 0. . Neka je X: −1 1 3 0 1 3 1 1 3 iY : −100 50 100 1 1 0 2 2 . 7). c Odrediti E(2X + 6).2 Varijansa Matematiˇko oˇekivanje daje informaciju o sluˇajnoj promjenljivoj koja je c c c ne opisuje u potpunosti. ako je c ∈ R i X sluˇajna promjenljiva tada je E(cX) = cE(X).2. E(X + c) = E(X) + E(c) = E(X + c). c 3. ako su X i Y nezavisne sluˇajne promjenljive tada je c E(X · Y ) = E(X) · E(Y ). Prema osobini 3.

kako je E(X) = 2 imamo p1 + 2p2 + 3p3 = 2. Imamo P (IA = 1) = P (A). 3. Primjedba 7. osim toga. Vrijedi s p1 + p2 + p3 = 1. Sluˇajna promjenljiva IA je definisana sa (vidi primjer 5.2. ako je c ∈ R onda je V ar(c) = 0. 3 odrediti p1 .ˇ ˇ 54GLAVA 7.). V ar(IA ) = p − p2 = p(1 − p).1) c IA (ω) = 1. Koristi se i oznaka D2 (X) = E(X − E(X))2 . Odredimo V ar(IA ).8. P (IA = 0) = 1 − P (A). z c Teorema 7. 4. V ar(X) = E(X 2 ) − E 2 (X) = pa je p1 + 4p2 + 9p3 − 4 = Sada iz p1 + p2 + p3 = 1 2 . . V ar(X) ≥ 0.7. to jest varijansu indikatora dogadaja A.2. Ako je V ar(X) = 0 onda je P (X = c) = 1 i kaˇe se da je X = c z skoro sigurno (s.1. Varijansa (disperzija) sluˇajne promjenljive X je c V ar(X) = E(X − E(X))2 . Dalje. 3 2 . p2 i p3 . Broj dardna devijacija. Primjer 7. 2. / 1. ω ∈ A. Ako je X: 1 p1 2 p2 3 p3 2 3 sluˇajna promjenljiva kod koje je E(X) = 2 i V ar(X) = c Rjeˇenje. Primjer 7. 5. V ar(X) = E(X 2 ) − E 2 (X). V ar(cX) = c2 V ar(X). s. ako su X i Y nezavisne sluˇajne promjenljive onda je c V ar(X + Y ) = V ar(X) + V ar(Y ). NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH Definicija 7. ω ∈ A. V ar(X) se naziva stan- Osnovne osobine varijanse sadrˇane su u sljede´oj teoremi. 0.

Ako postoji osnovni momenat k−tog reda (k ≥ 2) onda postoje i momenti i−tog reda i ∈ {0. 3 55 7.3. Definicija 7. . . neka je +∞ −∞ |xk f (x)|dx < +∞. c . . 3 1 . 1. Matematiˇko oˇekivanje je osnovni momenat prvog reda.7. . Y ) = 0.3 Kovarijansa i koeficijent korelacije Definicija 7. . Osnovni momenat k−tog c reda je E(X k ). X) = V ar(X). 2. a varijansa je cenc c tralni momenat drugog reda. 4.4. k = 0. cov(X. Naime. 1. X). . Centralni momenat k−tog reda je E(X − E(X))k . Neka je X sluˇajna promjenljiva. . 2.3. KOVARIJANSA I KOEFICIJENT KORELACIJE p1 + 2p2 + 3p3 = 2 p1 + 4p2 + 9p3 = dobijamo p1 = p2 = p3 = 14 . . k = 0. Neka su X i Y sluˇajne promjenljive. Y ) = E(XY ) − E(X)E(Y ). Y ). . 3. 2. Y ) = cov(Y. Broj c E((X − E(X))(Y − E(Y )) nazivamo kovarijacija i oznaˇavamo sa cov(X. tada je +∞ −∞ |xi f (x)|dx = −1 −∞ 1 +∞ |xk f (x)|dx + +∞ −1 |xk f (x)|dx + 1 |xk f (x)|dx ≤ ≤1+ −∞ |xk f (x)|dx < +∞. ako su X i Y nezavisne sluˇajne promjenljive onda je cov(X. c Osnovne osobine kovarijacije su : 1. 1. . k − 1}. cov(X. cov(X.

. |ρXY | ≤ 1. ρXY = ρY X . 4. P (Y < 2) = i P (X < 0. jer na primjer P (X < 0) = tako da je P (X < 0. Definicija 7. Neka sluˇajni vektor (X. Y ) = 0. Zakoni raspodjela za X. c Rjeˇnje. 2. 1} ako i samo ako postoje a. Y < 2) = . 3. c Dakle.9. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH Primjer 7. pa je cov(X. 1 2 1 .5. ρXY ∈ {−1. ρXY = cov(X ⋆ . Kovarijacija standardizoc vanih sluˇajnih promjenljivih X ⋆ i Y ⋆ naziva se koeficijent korelacije sluˇajnih c c promjenljivih X i Y i oznaˇava se sa ρXY . b ∈ R takvi da je Y = aX + b skoro sigurno. Sada je E(X) = 0. Sluˇajna promjenljiva c X 0 = X − E(X) naziva se centralizovana sluˇajna promjenljiva. Y ) ima zakon raspodjele vjerovatno´a c c Y \X 0 2 -1 1 12 1 12 0 1 2 1 6 1 1 12 1 12 Na´i cov(X. Y ⋆ )) = E X − E(X) Y − E(Y ) · V ar(X) V ar(Y ) = E(XY ) − E(X)E(Y ) V ar(X) V ar(Y ) . 6 3 12 Osobine koeficijenta korelacije : 1. c 5. ρXX = 1. Y ). XY : −2 1 12 0 5 6 2 1 12 . ako su X i Y nezavisne sluˇajne promjenljive onda je ρXY = 0. Y i XY su s X: −1 1 6 0 2 3 1 1 6 . Y < 2) = P (X < 0)P (Y < 2). Primjetimo 3 da X i Y nisu nezavisne. Y : 0 2 3 2 1 3 .ˇ ˇ 56GLAVA 7. E(Y ) = 2 i E(XY ) = 0. c Sluˇajna promjenljiva c X − E(X) X⋆ = V ar(X) naziva se standardizovana sluˇajna promjenljiva.

. Sluˇajne promjenljive X i Y su nezavisne sa zakonom raspodjele c 0 1 2 1 1 2 .25 − 0. 3. • pozitivno korelisane ako je ρXY > 0. .ˇ ˇ 7.5 0. . V ar(X) = np(1 − p). . V ar(X) = p(1 − p). Na´i koeficijent korelacije ρU.2.75 √ √ 3 3 4 4 0 0.25 0 1 0. .V = E(U V ) − E(U )E(V ) V ar(U ) V ar(V ) = 0. E(X) = p. 3 7. Geometrijska P (X = k) = p(1 − p)k−1 . k = 0. V ar(X) = p p2 . Bernoullijeva 2. k = 1. • negativno korelisane ako je ρXY < 0.4 Matematiˇko oˇekivanje i varijansa nekih raspodc c jela P (X = 1) = p. MATEMATICKO OCEKIVANJE I VARIJANSA NEKIH RASPODJELA57 Primjedba 7. Y }. E(X) = np. Y } i V = max{X. E(X) = 1 1−p . . p) P (X = k) = n k pk (1 − p)n−k . 1.4. Za sluˇajne promjenljive X i Y kaˇemo da su : c z • nekorelisane ako je ρXY = 0. c Rjeˇenje. .V . Raspodjela sluˇajnog vektora (U. P (X = 0) = 1 − p.10. Primjer 7.25 = 1 . n. V ) je data sljede´om tabelom s c c U \V 0 1 Koeficijent korelacije ρU.25 · 0. Binomna B(n. 2. Neka je U = min{X. .

x ≥ 0. V ar(X) = 2 . k = r. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH 4. λ λ E(X) = µ. Negativna binomna P (X = k) = rm(n − m)(n − r) rm . Normalna N (µ. . n n2 (n − 1) k−1 r−1 pr (1 − p)k−r . p p2 P (X = k) = e−λ λk . . V ar(X) = . E(X) = 6. . . V ar(X) = . x ∈ [a. . r. Poissonova P(λ) r(1 − p) r . σ 2 ) f (x) = (x−µ)2 1 √ e− 2σ2 . . k = 0. E(X) = 5. b−a (b − a)2 a+b . b) f (x) = E(X) = 8. σ 2π 1 . Eksponencijalna E(λ) f (x) = λe−λx . λ > 0. V ar(X) = . . 7. 2 12 1 1 . . x ∈ R. .ˇ ˇ 58GLAVA 7. r + 1. k! E(X) = λ. . V ar(X) = λ. . Uniformna U(a. k = 0. 1. E(X) = 9. Hipergeometrijska m k n r n−m r−k P (X = k) = . r ≤ m < n. b]. V ar(X) = σ 2 .

Odrediti c E(X 2 ). 4 5. 3.5 Zadaci 1. c . b). Za sluˇajnu promjenljivu X vrijedi E(X) = 10 i V ar(X) = 5. E(2X + 6) i V ar(−3X + 5). X i Y su nezavisne sluˇajne promjenljive sa Poasonovom raspodjelom c P(λ).7. odrediti E(X) i V ar(X). Sluˇajne promjenljive c X: −2 0 1 0 4 2 3 4 iY : 1 1 5 2 3 5 3 1 5 4 0 su nezavisne. Na´i E(X|X + Y = m). Pokazati da je c 1 |E(X)| ≤ E(X 2 ) + . 2.5. Ako je X : U(a. ZADACI 59 7. Odrediti E(XY ) i V ar(X + Y ). 4. Neka je X sluˇajna promjenljiva.

NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH .ˇ ˇ 60GLAVA 7.

−π 61 . Ideja potiˇe od c c c c matematiˇara Ljapunova. −∞ ϕ(t)e−itxk dt. U ovoj sekciji uvodimo pojam karakteristiˇne funkcije c kao matematiˇko oˇekivanje komplesne sluˇajne promjenljive. on je koristio metodu karakteristiˇnih funkcija c c da bi doˇao do graniˇnih teorema. Naime. s c c c Definicija 8.1 Uvod Kompleksna sluˇajna promjenljiva Z = X + iY je preslikavanje skupa Ω u c skup C. ϕ(t) = E(eitX ). ϕ(t) = k Napomenimo da se na osnovu veze izmedju originala i slike Furijeove transformacije moˇe pokazati da vrijedi z 1 f (x) = 2π ako je X neprekidnog tipa i 1 pk = 2π π +∞ ϕ(t)e−itx dt. a ako je sa pk = P (X = xk ) dat zakon raspodjele diskretne sluˇajne promjenljive c X.1. Karakteristiˇna funkcija ϕ sluˇajne promjenljive X : Ω → R c c je funkcija ϕ : R → C. tada je c +∞ ϕ(t) = −∞ eitx f (x)dx. koje izuˇavamo u sljede´oj glavi. Ako je f gustina sluˇajne promjenljive X. Matematiˇko oˇekivanje sluˇajne promjenljive Z je kompleksan broj c c c E(Z) = E(X) + iE(Y ). onda je eitxk pk .Glava 8 Karakteristiˇne funkcije c 8.

c . 2. Sljede´i primjer pokazuje da ne vrijedi obrnuto tvrdenje u 4. . k = 1. 1 + t2 8.1. . Ako postoji momenat E(X n ). KARAKTERISTICNE FUNKCIJE Primjer 8. . 2 Rjeˇenje. Kao posljedicu osobine 3. 3.62 ako je X diskretnog tipa. tada je c ϕX+Y (t) = ϕX (t) · ϕY (t). . n. Xn vrijedi ϕX1 +···+Xn (t) = ϕX1 (t) · · · ϕXn (t).1. Odrediti karaktristiˇnu funkciju sluˇajne promjenljive X ˇija je c c c gustina vjerovatno´e c 1 f (x) = e−|x| . . Ako su X i Y nezavisne sluˇajne promjenljive. ϕ(−t) = ϕ(t). Iz definicije karakteristiˇne funkcije dobijamo s c 1 ϕ(t) = 2 +∞ −∞  1 eitx e−|x| dx = 2 0 +∞ eitx ex dx + 0 −∞ eitx e−x dx =  1 . k! ako postoje momenti E(X k ). ϕ(0) = 1. Ako je X sluˇajna promjenljiva i a. tada je ϕ(n) (0) = in E(X n ). dobijamo da za karateristiˇnu funkciju vrijedi c n ϕ(t) = k=0 ik E(X k ) k t + o(tn ). . tada je c ϕaX+b (t) = eibt ϕX (at). ˇ GLAVA 8. Matematiˇkom indukcijom se pokazuje da za nezavisne sluˇajne c c promjenljive X1 . 2. Primjedba 8. b ∈ R. . 4.2 Osnovne osobine Osnovne osobine karakteistiˇne funkcije su : c 1. |ϕ(t)| ≤ 1. .

ϕY vrijedi c ϕX+Y (t) = ϕX (t)ϕY (t) ali da su sluˇajne promjenljive X i Y zavisne. Neka su (ϕn (t)) i (Fn (x)) nizovi karakteristiˇnih funkcija i odgoc varaju´ih funkcija raspodjele.8. na primjer c P {X = 0} = P {Y = 1} = pa je P {X = 0}P {Y = 1} = P {X = 0. ϕ je neprekidna u 0 i F je c funkcija raspodjele koja odgovara karakteristiˇnoj funkciji ϕ.1. . . 3 9 1 (1 + 2eit + e2it + 2e3it + 2e4it + e6it ) = 9 1 + eit + e3it 3 2 0 1 9 1 2 9 2 1 9 3 2 9 4 2 9 6 1 9 . Y = 1} = . c Teorema 8. c 2 1 .2. Ako ϕn (t) → ϕ(t).2. ϕX . Y ) odreden je tablicom c Y \X 0 0 1 9 1 0 1 9 3 2 9 1 2 9 0 1 9 3 0 2 9 Pokazati da za karakteristiˇne funkcije ϕX+Y . Y = 1}. Zakon raspodjele sluˇajnog vektora (X. P {X = 0. OSNOVNE OSOBINE 63 Primjer 8. ϕX+Y (t) = pa imamo ϕX+Y (t) = ϕX (t)ϕY (t). c Rjeˇenje. Sluˇajne promjenljive X i Y su zavisne jer je. s 3 3 3 1 + eit + e3it hX (t) = + eit + e3it = 9 9 9 3 it 3 3 3 1 + e + e3it hY (t) = + eit + e3it = 9 9 9 3 Sluˇajna promjenljiva X + Y ima slede´i zakon raspodjele c c X +Y : Dakle. onda Fn (x) → c F (x) u svakoj taˇki naprekidnosti funkcije F . Sljede´a teorema je poznata kao teorema o neprekidnosti.

X2 . 2. Raspodjelu za X odredi´emo pomo´u karakteristiˇnih funkcija. k = 1. . t Znaˇi. . . . Karakteristiˇna funkcija za uniformnu raspodjelu U(−1. niz nezavisnih sluˇajnih promjenljivih takvih c da je −1 1 . .3. X2 . za karakteristiˇnu funkciju s c sluˇajne promjenljive Yn vrijedi c ϕYn (t) = = n k=1 sin t t 2 sin 2 ϕ Xk (t) = · t sin 2 2 sin 2t 2 2k n k=1 sin 2t 2 2 sin 2t 3 t cos 2tk = cos 2 cos 2t2 . 2k c poˇto su sluˇajne promjenljive X1 . . t = 0. s z t c Poˇto je ϕYn (0) = 1 za svako n = 1. 2 2 n Xk . 1). k = 1. 2k Dokazati da X ima uniformnu raspodjelu U(−1.t = 0 . t 2it to na osnovu teoreme o neprekidnosti zakljuˇujemo da X ima uniformnu raspodc jelu U(−1. . . . 2. . imamo da niz karakteristiˇnih funkcija s ϕYn konvergira za svako t ∈ R ka funkciji ϕ(t) = sin t t 1 . . niz karakteristiˇnih funkcija ϕYn konvergira za svako t = 0 ka funkciji c c ϕ(t) = sin t . ϕ se moˇe definisati u nuli h(0) = 1 da bi bila neprekidna.64 ˇ GLAVA 8. Xk : 1 1 2 2 +∞ i X= k=1 Xk . je c ϕU = kako je eit − e−it . . . .t = 0 t Poˇto. Za s c c c sluˇajnu promjenljivu Xk karakteristiˇna funkcija je c c hXk (t) = Neka je Yn = k=1 1 −it 1 it e + e = cos t. . Rjeˇenje. 1). 2it eit − e−it sin t = . . Sada je ϕYn (t) → sin t . limt→0 sin t = 1. nezavisne. 2. Neka je X1 . KARAKTERISTICNE FUNKCIJE Primjer 8. . . 1). n → +∞. cos 2tn = · ··· sin 2 sin t 2n−1 t 2n = sin t 2n sin 2t n . .

k = 0. . 1. f (x) = 1 . 1 − (1 − p)eit ϕ = eλ(e 5. k = 1. ϕ(t) = 7. . 3. k = 0.3 Karakteristiˇne funkcije nekih raspodjela c P (X = 1) = p. σ 2π σ 2 t2 2 λ . KARAKTERISTICNE FUNKCIJE NEKIH RASPODJELA 65 8. . . . 2. Geometrijska P (X = k) = p(1 − p)k−1 . . Normalna N (µ. Poissonova P(λ) P (X = k) = e−λ λk .3. Uniformna U(a. x ∈ R. x ≥ 0. 1. n. λ − it ϕ = eiµt− . b]. . Binomna B(n. . ϕ(t) = 4. λ > 0. σ 2 ) f (x) = (x−µ)2 1 √ e− 2σ2 . P (X = 0) = 1 − p.ˇ 8. b−a eitb − eita . Bernoullijeva 2. b) −1) . it(b − a) ϕ(t) = 6. p) P (X = k) = n k pk (1 − p)n−k . Eksponencijalna E(λ) f (x) = λe−λx . k! it peit . . x ∈ [a. . ϕ(t) = (1 − p + peit )n . ϕ(t) = 1 − p + peit . .

σi ). k ∈ N. P {X3 = k} = k . . 2. . . . P {X2 = k} = k .66 ˇ GLAVA 8. b realni brojevi. X2 . Karakteristiˇne funkcije nezavisnih sluˇajnih promjenljivih X i Y su c c hX (t) = e2e Odrediti P (X + Y = 2). . gdje su a1 . X = a1 X1 + a2 X2 + · · · + an Xn + b. P (XY = 0) i E(XY ). 4. Izraˇunati c c c V ar(sin X) + V ar(cos X) preko h(1). . . 2 5. . a2 . . Sluˇajna promjenljiva X ima karakteristiˇnu funkciju h(t). Odrediti raspodjelu sluˇajne promjenljive c it −2 i hY (t) = 1 4 10 3eit + 1 10 . Sluˇajne promjenljive X1 . . KARAKTERISTICNE FUNKCIJE 8. gdje je X = X1 + X 2 + X3 . X3 su nezavisne sa raspodjelama: c P {X1 = k} = Koriste´i karakteristiˇne funkcije na´i raspodjelu za sluˇajnu promjenljivu c c c c X. Xn su nezavisne i vrijedi Xi : N (µi . an .4 Zadaci 1 2 4 . n. Sluˇajne promjenljive X1 . . p). Neka X ima binomnu raspodjelu B(n. . c 3. . i = c 1. k 2 3 5 1. Na´i E(X 3 ).

. tada je P (|X − E(X)| ≥ ǫ) ≤ V ar(X) . ǫk ˇ s Posljedica nejednakosti Markova je sljede´a nejednakost poznata kao Cebiˇevljeva c nejednakost. Na primjer. Ovde dajemo ocjenu gornje granice vjerovatno´e P (|X| ≥ ǫ).1. Kako je s P √ X − E(X) √ − 10 < < 10 V ar(X) =1−P 67 X − E(X) V ar(X) ≥ √ 10 √ X − E(X) √ − 10 < < 10 V ar(X) > 0.1. Teorema 9. Pokazati da je c P Rjeˇenje. ǫ2 Primjer 9. ako je X neprekidna sluˇajna promjenljiva sa gustinom f .2. ako je X nenegac tivna sluˇajna promjenljiva. Ako postoji V ar(X). Ako postoji E(X k ). (Nejednakost Markova) Neka je X nenegativna sluˇajna promc jenljiva. ǫ > 0.9. onda je P (|X| ≥ ǫ) = −ǫ −∞ +∞ f (x)dx + ǫ f (x)dx. c Teorema 9. k ∈ N tada je P (X ≥ ǫ) ≤ E(X k ) za svako ǫ > 0.Glava 9 Graniˇne teoreme c 9.1 ˇ Cebiˇevljeva nejednakost s Ako znamo funkciju raspodjele vjerovatno´a moˇemo odrediti vjerovatno´u c z c c dogadaja {|X| ≥ ǫ}. Sluˇajna promjenljiva X ima pozitivnu varijansu.

0. sa vjerovatno´om c ne manjom od 0.3 vjerovatno´a pozc itivne realizacije u jednom ispitivanju. pri velikom c n 2 c ponavljanju opita. 10 100 ˇ s Koriste´i nejednakost Cebiˇeva dobijamo c P to jest P Xn − p ≥ 0. Na´i ocjenu za najmanji broj ispitivanja c ˇ s koriste´i nejednakost Cebiˇeva.01 n < 2100 . Medutim.979. pa je s c E(X) = 3n 21n .979 vaˇila nejednakost z Xn − p < 0.2. n Rjeˇavanjem ove nejednaˇine dobijamo n ≥ 105 . treba na´i takvo n da vaˇi c c z P Xn − p < 0. n 2 n→+∞ .01 n >1− 2100 ≥ 0. GRANICNE TEOREME X − E(X) V ar(X) 2 = 1. 10 Primjer 9.01 n < V ar( Xn ) n . Koliko je potrebno sprovesti nezavisnih ispitivanja da bi.01. 0.68 i E ˇ GLAVA 9.9.012 Znaˇi. nije mogu´e dokazati lim 1 Sn = . Sluˇajna promjenljiva Xn ima binomnu raspodjelu B(n. ˇ s koriste´i nejednakost Cebiˇeva imamo c P √ X − E(X) √ < 10 − 10 < V ar(X) ≥1− 1 = 0. n gdje je Xn broj pozitivnih realizacija u n ispitivanja.2 Neke graniˇne teoreme c U opitu bacanja homogenog noˇi´a vjerovatno´a pojave grba (pisma) je 1 . c Rjeˇenje. V ar(X) = . n Xn − p ≥ 0. a p = 0. s c 9. cc c 2 To se dovodi u vezu sa grupisanjem relativne uˇestalosti Sn oko 1 .3).

onda imamo opradanje statistiˇke definicije vjerovatno´e.3 Vrste konvergencija u teoriji vjerovatno´e c Definicija 9. n→+∞ . Formula 9. c c Sljede´a teorema dokazuje se koriste´i Cebiˇevljevu nejednakost.1). VRSTE KONVERGENCIJA U TEORIJI VJEROVATNOCE Postupa se na drugi naˇin. X. to jest.´ 9.1. (9. To nas dovodi c c do raliˇitih konvergencija u teoriji vjerovatno´e.3. sluˇajne promjenljive. Tada je za svako ǫ > 0 c c n→+∞ lim P 1 n n i=1 Xi − m < ǫ = 1. X2 . c c 9.3) istog tipa. sa uniformno ograniˇenim varijansama.5. . c 1. Kaˇemo da niz (Xn ) strogo konvergira ili konvergira skoro sigurno ka z sluˇajnoj promjenljivoj X ako je c P ( lim Xn = X) = 1. n lim P Sn −p <ǫ n = 1.1) Primjedba 9.1. (Bernoulli)Neka je ǫ > 0 i Sn : B(n. ˇ s c Teorema 9. Neka su X. . c c ˇ s Teorema 9. (Hinˇin) Neka je (Xn ) niz nezavisnih sluˇajnih promjenljivih. tada je n→+∞ lim P Sn −p <ǫ n =1 (9. (Cebiˇev) Neka je (Xn ) niz nezavisnih sluˇajnih promjenljivih. (9.4. p). Za proizvoljan ǫ > 0 posmatra se vjerovano´a c c P Ako za svaki ǫ > 0 vrijedi n→+∞ 69 Sn −p <ǫ . Tada za svaki ǫ > 0 vrijedi n→+∞ lim P 1 n n i=1 Xi − 1 n n E(Xi ) < ǫ i=1 =1 (9. postoji c ∈ R tako da je za svaki c n ∈ N V ar(Xn ) ≤ c. Definisa´emo pojmove c c pomo´u kojih se navedene teoreme mogu iskazati na isti naˇin. .sa c c ostom raspodjelom i matematiˇkim oˇkivanjem m ∈ R.1 ekvivalentna je sa n→+∞ lim P Sn −p ≥ǫ n = 0.2) i (9.2) Teorema 9.3.3) Uoˇimo da su formule (9.

Ako niz (Xn ) konvergira skoro sigurno ka vaˇi jaki zakon velikih brojeva. Za dato p ≥ 1 kaˇemo da niz (Xn ) Lp −konvergira ka X ako je z n→+∞ lim E|Xn − X|p = 0. Ako je p = 2 kaˇemo da niz (Xn ) konvergira u srednjem kvadratnom. 4. Tada vrijedi n→+∞ lim ⋆ P (Yn 1 < x) = √ 2π x e− 2 dt.7. To su slabi zakoni velikih brojeva. Niz (Xn ) konvergira u vjerovatno´i ka X ako je c n→+∞ lim P (|Xn − X| ≥ ǫ) = 0 (∀ǫ > 0). a) Kolika je vjerovatno´a da u toku dva sata u robnu ku´u ude bar 700 ljudi? c c . σ n Primjer 9. (Borel) Za Bernulijevu ˇemu vrijedi s Sn → p skoro sigurno. konvergira i=1 E(Xi ) kaˇemo da za niz (Xn ) vaˇi slabi zakon velikih z z E(Xi ) kaˇemo da za niz (Xn ) z i=1 ˇ s Teoreme 9.4 i 9. Niz (Xn ) konvergira ka X u raspodjeli ili slabo konergira ako je n→+∞ lim P (Xn < x) = P (X < x). Navedimo i jedan jaki zakon velikih brojeva. za koje je E(Xn ) = m i V ar(Xn ) = σ 2 za svaki n ∈ N. z 1 n 1 n n i=1 n 1 n n Xi ). 9.3.70 ˇ GLAVA 9. −∞ t2 gdje je ⋆ Yn = X1 + · · · + X n − n · m √ .3. z Definicija 9.5 zovu se Bernulijev. Neka je (Xn ) niz nezavisnih sluˇajnih promjenljivih sa istom c raspodjelom. Ako niz aritmetiˇkih sredina (Xn ) (Xn = c u vjerovatno´i ka c brojeva. GRANICNE TEOREME 2.6. Teorema 9. Broj ljudi koji udu u jednu robnu ku´u u toku jednog minuta ima c P(6) raspodjelu. n 9.4 Centralna graniˇna teorema c Teorema 9.2. 3. Cebiˇev i Hinˇinov zakon velikih c brojeva.

Sluˇajna promjenljiva X data je funkcijom gustine c f (x) = x≥0 0.5. Xi ima P(6) raspodjelu.77.15.5 Zadaci xm −x . da je c P (0 < X < 2(m + 1)) > m . Xi i vrijedi i=1 Poˇto su sluˇajne promjenljive X1 . 6n Odavde dobijamo da je n ≈ 124. z 9. m! e 1. m+1 . ZADACI 71 b) Koliko vremena treba da prode da bi sa vjerovatno´om 0. . X2 . 700 − 6n √ = −1.95 700 − 6n √ 6n .645.745) ≈ 0.745 6 · 120 ≈ φ(−0. pa je traˇeno vrijeme 125 minuta. pa kako je P imamo da je P (Yn ≥ 700) ≈ 0. . ˇ s Dokazati. b) P (Yn ≥ 700) ≈ 1 − φ pa iz 1−φ nalazimo 700 − 6n √ 6n = 0. V ar(Yn ) = 6n. Yn − 720 √ < −0. x < 0. Neka je Xi sluˇajna promjenljiva koja predstavlja broj ljudi koji udu s u robnu ku´u toku i− tog minuta. Xn nezavisne i sve imaju istu raspods c jelu vaˇi centralna graniˇna teorema. koriste´i nejednakost Cebiˇeva. 1). znaˇi raspodjela z c c Yn − E(Yn ) V ar(Yn ) teˇi ka normalnoj raspodjeli N (0. . V ar(Xi ) = 6.9. Broj ljudi koji udu u toku n minuta je Yn = E(Yn ) = 6n.77. z a) P (Yn ≥ 700) = 1 − P (Yn < 700). pa je E(Xi ) = c n 6.95 u robnu ku´u uˇlo c c s bar 700 ljudi? c Rjeˇenje.

n su nezavisne i vrijedi c P n Xi = 5 4 =P Xi = 4 5 = 1 . dokazati da je n n→+∞ lim e−n k=0 1 nk = . . Raˇunar vrˇi obraˇun elektriˇne energije kod 100 korisnika. X30 . . .001). Primjenom centralne graniˇne teoreme na niz nezavisnih sluˇajnih promc c jenljivih sa P(1) raspodjelom. . n. i=1 Xi odrediti P (Y ≤ 0. 2 Neka je Y = je n = 1000. imaju c uniformnu raspodjelu na [0. Vrijeme obraˇuna c s c c c za svakog korisnika ima eksponencijalnu raspodjelu sa oˇekivanjem 3 sekunde c i nezavisno je od drugih korisnika. Sluˇajne promjenljive Xi . Kolika je ta vjerovatno´a ako c 4. . Koriste´i centralnu graniˇnu teoremu odrediti P (13 ≤ Y ≤ 18). k! 2 5. Pretpostavimo da nezavisne sluˇajne promjenljive X1 . X2 . c c 3. i = 1. . . GRANICNE TEOREME 2. . Neka je sluˇajna promjenljiva Y definisana c sa Y = X1 + X2 + · · · + X30 . 1]. . i = 1.72 ˇ GLAVA 9. . . . . Na´i vjerovatno´u da ´e obraˇun trajati c c c c izmedu 3 i 6 minuta.

. i = 1. Obiljeˇje svakog z stanovnika je npr. . Posmatra´emo samo proste sluˇajne uzorke koje ´emo jednostavnije zvati uzorcima. . Ovo se rjeˇava tako da se uzorak bira sluˇajno. . . c c 10. . . treba odrediti funkciju raspodjele F (x) sluˇajne c c promjenljive X. njegova cijena. . . . ωn sluˇajnih ishoda iz Ω i c naziva se sluˇajni uzorak. . visina ili godine starosti. Dakle.Glava 10 Matematiˇka statistika c Matematiˇka statistika je blisko povezana sa teorijom vjerovatno´e. Cilj je c c da se na osnovu rezultata eksperimenata donesu zakljuˇci o zakonima raspodjela c i numeriˇkim karakteristikama sluˇajnih promjenljivih. . . . . Neka je X obiljeˇje sa funkcijom raspodjele F (x) i neka je (X1 . .2.1. Xn ) je prost sluˇajan uzorak ako su sluˇajne promc c jenljive Xi . c c Kada je izabran uzorak. c z Primjer 10. Obiljeˇje svakog c z proizvoda je npr. c c c Sluˇajan uzorak (X1 . . . . ω ∈ Ω je c z sluˇajna promjenljiva. Vaˇno je da uzorak dobro odraˇava z z (reprezentuje) populaciju. Xn ) postaje n−torka c (x1 . Primjer 10. xn ) ∈ Rn i naziva se realizovani uzorak. sluˇajna promjenljiva (X1 . obiljeˇje X(ω). Svi proizvodi jedne fabrike ˇine populaciju. pa se dobijena raspodz jela smatra raspodjelom cijele populacije. n nezavisne i sa istom raspodjelom. . . Uzorak obima n je n−torka ω1 .1 Osnovni pojmovi Skup Ω elemenata ω naziva se populacija ili generalni skup. ˇ Cesto je komplikovano registrovati obiljeˇje za svaki elemenat populacije. Za svaki ω ∈ Ω posmatra se neka numeriˇka karakteristika X(ω) koja se naziva obiljeˇje. z Zato se obiljeˇje registruje na dijelu populacije (uzorak). Populacija je skup svih stanovnika neke zemlje. Xn ) prost z uzorak. . Funkcija koja svakom x ∈ R dodjeljuje relativnu ˇestalost dogadaja c (X < x) u n opita naziva se empirijska funkcija raspodjele i oznaˇava se sa c 73 . . Prema tome. Tada s c je populacija skup svih mogu´ih ishoda ω. .

Statisitka U zove se ocjena. . skup kome pripada θ. xn ). ako n → +∞ Sn (x) → F (x) skoro sigurno. θ) za X. . . z Neka je Θ odgovaraju´i dopustivu skup. Zbog teoreme Borela imamo. 10. (X1 . . . Zadatak je da se na osnovu uzorka (X1 . . Ovo je centralna teorema matematiˇke statistike. MATEMATICKA STATISTIKA Sn . . . . Statistika U1 je bolja ocjena od z statistike U2 ako je V ar(U1 ) < V ar(U2 ). . Kod ovih ocjena bira se statistika U = ϕ(X1 . Na taj naˇin c c imamo familiju raspodjela {F (x. . n. . θ) : θ ∈ Θ}.2 Ocjenjivanje parametara raspodjela Neka je dato obiljeˇje X sa raspodjelom koja zavisi od jednog parametra θ. . Neka je I(Xi <x) indikator dogadaja (Xi < x). F (x)) raspodjelu. . i = 1. tj. Koristimo sljede´e dvije statistike : • Sredinu uzorka Xn = 1 n n Xi . Izloˇi´emo taˇkaste ocjene paramzc c etara. . XN ) odredi vrijednost parametra θ odnosno raspodjela F (x. i=1 Kako je P (Xi < x) = F (x) slijedi da Sn (x) ima Bin(n. Sluˇajna z c c promjenljiva Y = f (X1 . . . . da za fiksiran x ∈ R. Xn ) takva da se za ocjenu nepoznatog parametra θ uzima realizovana vrijednost u = ϕ(x. · · · . c Neka je X obiljeˇje. . Ako je n→+∞ lim E(U ) = θ. Xn ) prost uzorak i funkcija f : Rn → R. kaˇemo da je U asimptotski centrirana. . i=1 2 1 n n i=1 • Varijansu (disperziju) uzorka Sn = (Xi − Xn )2 .74 ˇ GLAVA 10. . Xn ) zove statistika. Statistika U je nepristrasna (centrirana) ocjena parametra θ ako je E(U ) = θ. tada vrijedi Sn (x) = 1 n n I(Xi <x) .

X2 . 1. . xn . . xn . . xn . metodom maksimalne vjerodostojnosti ocijeniti nepoznatu vjerovatno´u. . p) = i=1 (1 − p)xi −1 p = p 1−p n n (1 − p)i=1 . .2. θ). . x2 . . . . . 392 c 2.10. . z Neka je θ = g(x1 . metodom c c . θ). θ) je n L(x1 . xn . Statistika θ = g(X1 . . . Funkcija vjerodostojnosti je. . Xn nezavisne sluˇajne promjenljive sa eksponencijalnom raspodjelom i nepoznatim matematiˇkim oˇekivanjem a > 0. . . . . Proizvodi c se prave sve dok se prvi put ne pojavi neispravan proizvod. . . . xi i=1 Na osnovu uzorka dobija se p= 55 . Ako su X1 . . . . xi Iz uslova ∂L(x1 . Na osnovu uzorka obima n. Xn ) je ocjena maksimalne vjerodostojnosti parametra θ. θ) tada je n L((x. x2 . . Vjerovatno´a da proizvod bude neispravan je p. X2 . . x2 . OCJENJIVANJE PARAMETARA RASPODJELA 75 Metod maksimalne vjerodostojnosti z Funkcija vjerodostojnosti L((x. . . . ako je X diskretnog tipa. θ). xn . x2 . . c Rjeˇenje. θ) pri fiksiranim x1 . . x2 . . xn ) = 0. . sa raspodjelom vjerovatno´a P (x. . ( radi se o geometrijskoj raspodjeli) s n L(x1 . x2 . . . θ) = i=1 f (xi . xn . . Primjer 10. .3. θ) = i=1 p(xi . x2 . a ako je X c neprekidnog tipa sa funkcijom gustine raspodjele f (x. x2 . θ) obiljeˇja X sa funkcijom raspodjele F (x. . c Na osnovu uzorka xk 5 6 7 8 9 10 mk 10 12 11 9 7 6 izraˇunati ocjenu za p. ∂p p= n n imamo . xn ) vrijednost parametra kojom se postiˇe maksimum za L(x1 .

0. 1. 0. . . . Iz Poissonove raspodjele sa nepoznatim parametrom λ dobijen je uzorak 0. 12 pa se dobije λ = 1. X2 . L(x1 . xn . 5). n. z Rjeˇenje. x2 . . xi . . . MATEMATICKA STATISTIKA maksimalne vjerodostojnosti na´i ocjenu za a na bazi uzorka X1 . Vrijedi s 1 . 0. σ 2 ). . 2. . . xn . 0. c Rjeˇenje. ∂ ln L n =− + ∂a a Sada dobijamo a= 1 n n xi i=1 a2 . Sliˇnim postupkom kao u prethodnim zadacima dobijamo s c 1 m= n n n xi . s λ2 −6λ e L(0. . Na´i ocjenu maksimalne vjerodostojnosti za λ. i = 1.76 ˇ GLAVA 10. 3. 3. . . a) = −n ln a − n i=1 a . . . λ) = . 2. c Rjeˇenje. z (ii) obiljeˇje X ima normalnu raspodjelu N (10. Na osnovu uzorka obima n metodom maksimalne vjerodostojnosti odrediti parametre m i σ 2 ako (i) obiljeˇje X ima normalnu raspodjelu N (m. 4. . a) = a a i=1 n n x Imamo sljede´e c n xi ln L(x1 . 1. . x2 . Xn . i=1 σ2 = i=1 (xi − 10)2 . . i=1 3. Xi : E a pa je funkcija vjerodostojnosti i i=1 1 1 − xi e a = n e− a .

Primjer 10. np(1 − p) .4.632. Dakle. Iz uslova 1 − 4nǫ2 = 0. (x1 < x2 ) kvadratnog polinoma 2 p(x) = (n2 + c2 n)x2 − (c2 n + 2nSn )x + Sn vrijedi P (x1 ≤ p ≤ x2 ) ≈ 2Φ(c) − 1. nejednakost (10. na osnovu Muavr-Laplasove teoreme imamo P Kako je nejednakost Sn − np ekvivalentna sa 2 (n2 + c2 n)p2 − (c2 n + 2nSn )p + Sn ≤ 0 (10.2) Sn − np np(1 − p) ≤c ≈ 2Φ(c) − 1.99 pripada parametar p. c 1 Rjeˇenje.1) slijedi iz nejednakosti Cebiˇeva P Sn −p n ≤ ǫ) ≥ 1 − p(1 − p) nǫ2 i ˇinjenice da funkcija ϕ(p) = p(1 − p) ima maksimum. U sluˇaju da je n = 1000 odrediti duˇinu intervala povjerenja c z kome sa vjerovatno´om 0. 4nǫ2 (10. za n = 1000 dobijamo ǫ ≈ 0. +ǫ n n ≥1− 1 . Tada za nule x1 i x2 . Naime.3 Intervali povjerenja za nepoznatu binomnu vjerovatno´u c Neka Sn ima binomnu raspodjelu sa nepoznatim parametrom p. koji je jednak 1 i koji se c 4 dostiˇe za p = 1 . z 2 c Interval Sn − ǫ. s duˇina intervala povjerenja je 0.99.1) ˇ s Naime.3. INTERVALI POVJERENJA ZA NEPOZNATU BINOMNU VJEROVATNOCU77 10.´ 10. Tada za svako ǫ > 0 vrijedi P p∈ Sn Sn − ǫ. z Neka Sn ima binomnu raspodjelu sa nepoznatim parametrom p. np(1 − p) ≤c to za nule x1 i x2 polinoma p(x) vrijedi P (x1 ≤ p ≤ x2 ) = P Sn − np ≤c ≈ 2Φ(c) − 1.316. Sn + ǫ naziva se interval povjerenja za nepoznatu vjerovatno´u n n p.

Obiljeˇje X ima raspodjelu odredenu gustinom z  c α+1  α x . gdje je λ > 0. Kako je n = 1000 i s Sn = 540 imamo p(x) = 1003841. Na osnovu 10. Da li je tako dobijena ocjena centrirana ? 3.x > 0 .x > 1 . metodom maksimalne vjerodostojnosti ocijeniti parametar a. Gustina sluˇajne promjenljive X je c f (x) = λ xλ+1 0 . 6x + 291600 odakle slijedi x1 = 0. Iz uslova 2Φ(c) − 1 = 0.509. x ≤ 1. Rjeˇenje.2 odrediti 95% interval povjerenja za nepoznati parametar p ako je n = 1000 i Sn = 540. c 5. Obiljeˇje X ima raspodjelu datu funkcijom gustine z f (x) = 2 2 −a a2 e √ x 0 . MATEMATICKA STATISTIKA Primjer 10. 6x2 − 1083841. 0. x ≤ 0. Na osnovu uzorka obima n ocijeniti parametar λ.570.78 ˇ GLAVA 10.5. Ispitati centriranost tako dobijene ocjene. Ispitati centriranost tako dobijene ocjene. Na osnovu uzorka obima n ocijeniti parametar α. Ako je u 1000 bacanja novˇi´a pismo palo 525 puta. Ako je u 100 izvedenih slobodnih bacanja koˇarkaˇ pogodio koˇ 75 puta s s s odrediti 95% interval povjerenja za nepoznatu vjerovatno´u ubacivanja c lopte u koˇ u jednom bacanju.95 dobijamo c = 1.96.4 Zadaci 1. Na osnovu uzorka obima n.x > c c f (x) =  0 .x ≤ c gdje je α > 0. u konkretnom sluˇaju dobijamo da c je 95% interval povjerenja [0. 2.509. 10. x2 = 0. odrediti 99% interval cc povjerenja za npoznatu vjerovatno´u padanja pisma.570]. Dakle. s . 4.

F. 11. ω ∈ Ω. Indeks t se c c obˇno interpretira kao vrijeme. X(tn )). c Neka je data funkcija raspodjele sluˇajnog vektora c (X(t1 ). . a ako je T neprebrojiv tada c imamo sluˇajni proces. P ) prostor vjerovatno´a i T skup vrijednosti parametra t. a u protivnom imamo proces sa neprekidnim vremenom. s) = E(X(t) − m(t))(X(s) − m(s)) je njegova korelaciona funkcija. ω0 ) nesluˇajna funkcija i zove se realizacija ili trajektorija procesa. Ako je T c prebrojiv skup. t ∈ T. tada je X(t. c Sluˇajni proces je familija sluˇajnih promjenljivih {Xt }. kod koga sve sluˇajne promc jenljive imaju iste konaˇne ili prebrojive skupove vrijednosti (skupove stanja). c 79 . Ako je T diskretan podskup. c c c Neka je dat niz sluˇajnih promjenljivih (Xn ). .Glava 11 Sluˇajni procesi c 11. +∞) ili neki njegov c podskup. Sluˇajni proces kod koga su sve konaˇnodimenzionalne raspodjele normalne c c nazivamo Gaussovim sluˇajnim procesom. c Nesluˇajna funkcija c m(t) = E(X(t)) je matematiˇko oˇekivanje sluˇajnog procesa. . ω) = X(t). Za sluˇajni c proces moˇemo re´i da je funkcija. Ako je ω = ω0 fiksirano .2 Lanci Markova U daljem posmatra´emo sluˇajne procese kod kojih je skup T prebrojiv. X(t2 ). koja pri svakom fiksiranom t ∈ T je sluˇajna z c c promjenljiva X(t.1 Uvod Neka je (Ω. tada se radi o sluˇajnom nizu. a za skup T se uzima skup (0. c c c K(t. tada se radi o procesu sa diskretnim vremenom. .

odavde je n Mn = M1 . Finalne vjerovatno´e c c j se mogu dobiti iz sistema jednaˇina: c p∗ = 1.n+1 = P (xn+1 = j|Xn = i). k < n. c ij c Oznaˇimo sa pij (n) vjerovatno´e prelaza iz stanja i u stanje j za n koraka. . . ij Ako vjerovatno´e pn. . Imamo c pn. s s Vjerovatno´a da se sluˇajna promjenljiva Xn+1 nadje u stanju j. c c Matrice Mn = [pij (n)] se zovu matrice vjerovatno´a prelaza za n koraka. 2. . .n+1 ne zavise od n lanac je homogen. Matriˇni oblik je c c Mn = Mm Mn−m . . . Dakle. . } ili neki njegov podskup. . Ova osobina govori o tome da vjerovatno´a da se dati sistem u trenutku n + 1 c nalazi u datom stanju. 1. ako je poznato njegovo stanje u trenutku n. tada za niz (Xn ) c kaˇemo da ˇini lanac Markova. . . . Ako c vrijednost koju je postigla sluˇajna promjenljiva Xn potpuno odredjuje zakon c raspodjele sluˇajne promjenljive Xn+1 i taj zakon raspodjele ne zavisi od vric jednosti koje su postigle sluˇajne promjenljive Xk . Xkr = xkr ) = P (Xn = xn |Xk1 = xk1 ) za sve proizvoljne prirodne brojeve n > k1 > k2 > . j = 1. tada za svako j = 1. niz (Xn ) sluˇajnih promjenljivih je z c c lanac Markova ako vrijedi P (Xn = xn |Xk1 = xk1 . 2. k j Lanac koji ima finalne vjerovatno´e zove se ergodiˇan. ako je poznato c c da se Xn nalazi u stanju i naziva se vjerovatno´a prelaza. ˇ To su jednaˇine Kormogorova-Cepmena.80 ˇ GLAVA 11. . ne zavisi od ponaˇanja tog sistema u proˇlosti to jest prije trenutka n. Ako postoji prirodan broj n tako da su svi elementi matrice Mn strogo pozitivni. SLUCAJNI PROCESI Smatra´emo da je skup vrijednosti {0. . . c c . Kod njih su svi elementi nenegativni i zbir u svakoj vrsti je 1. postoji graniˇna vrijednost c n→+∞ lim pij (n) = p∗ . > kr . Brojevi p∗ zovu se finalne vjerovatno´e. . . c pij (n) = k pik (m)pkj (n − m).} Koriste´i teoremu c o totalnoj vjerovatno´i imamo da je za 1 ≤ m ≤ n. j j k p∗ pkj = p∗ . j koja ne zavisi od i.

Da li je Xn Markovski proces? Opisati stanja sistema i odrediti c vjerovatno´e prelaza u jednom koraku. Dokazati da je ergodiˇan lanac sa matricom prelaza za jedan korak c 1 4 1 3 3 4 2 3 Ispitati da li je lanac ergodiˇan i na´i asimptotsko ponaˇanje vjerovatno´a c c s c prelaza pij (n) kad n → +∞. c c 4.3 Zadaci 1. Na sluˇajan naˇin se izvlaˇi c c c po jedna kuglica.3. U kutiji se nalazi jedna bijela i jedna crna kuglica. pri ˇemu se ona odmah vra´a u kutiju zajedno sa joˇ jednom c c s kuglicom suprotne boje. Vjerovatno´e prelaza u lancu Markova zadane su matricom c  1 1 1  (a) Da li je lanac homogen? (b) Koliko je p13 . c 3. Neka je Xn broj bijelih kuglica u kutiji prije n−tog izvlaˇenja. ZADACI 81 11. Dokazati da lanac sa matricom vjerovatno´a prelaza c M= 0 1 1 0 M = 3 1 2 1 4 3 1 3 1 2 3 1 6 1 4  nije ergodiˇan.11. Lanac Markova zadat je matricom prelaza  0 0 0 1  0 0 0 1  1 1  0 0 2 2 0 0 1 0   .  . c 2. 5. c i na´i finalne vjerovatno´e. a koliko je p23 ? (c) Koliko je p13 (2)? (d) Na´i M2 .

82 ˇ GLAVA 11. SLUCAJNI PROCESI .

Glava 12 Literatura 83 .

Sign up to vote on this title
UsefulNot useful