VJEROVATNO

CA I STATISTIKA
Zoran Mitrovic
Elektrotehnicki fakultet u Banjaluci
2
Sadrzaj
1 Predgovor 5
2 Prostor vjerovatnoca 7
2.1 Prostor elementarnih dogadaja . . . . . . . . . . . . . . . . . . . 7
2.2 Relacije i operacije sa dogadajima . . . . . . . . . . . . . . . . . 8
2.3 Aksiome teorije vjerovatnoce . . . . . . . . . . . . . . . . . . . . 9
2.4 Osobine vjerovatnoce . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3 Uslovna vjerovatnoca 15
3.1 Uslovna vjerovatnoca . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Nezavisni dogadaji . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Fomula potpune vjerovatnoce . . . . . . . . . . . . . . . . . . . . 17
3.4 Bajesova formula . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4 Visestruka ispitivanja 27
4.1 Bernulijeva sema . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Najvjerovatniji broj pojavljivanja dogadaja . . . . . . . . . . . . 28
4.3 Puasonova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4 Normalna (Gausova) raspodjela . . . . . . . . . . . . . . . . . . . 30
4.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5 Slucajne promjenljive 35
5.1 Denicija i neki primjeri . . . . . . . . . . . . . . . . . . . . . . . 35
5.2 Zakon raspodjele slucajne promjenljive
diskretnog tipa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.3 Funkcija raspodjele slucajne promjenljive . . . . . . . . . . . . . 37
5.4 Slucajne promjenljive neprekidnog tipa . . . . . . . . . . . . . . . 39
5.5 Pregled vaznijih raspodjela . . . . . . . . . . . . . . . . . . . . . 40
5.6 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3
4 SADR

ZAJ
6 Slucajni vektori 43
6.1 Slucajni vektori . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2 Funkcija raspodjele slucajnog vektora . . . . . . . . . . . . . . . 45
6.3 Uslovne raspodjele . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.4 Funkcije slucajnih promjenljivih . . . . . . . . . . . . . . . . . . . 47
6.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
7 Numericke karakteristike slucajnih promjenljivih 51
7.1 Matematicko ocekivanje . . . . . . . . . . . . . . . . . . . . . . . 51
7.2 Varijansa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
7.3 Kovarijansa i koecijent korelacije . . . . . . . . . . . . . . . . . 55
7.4 Matematicko ocekivanje i varijansa nekih raspodjela . . . . . . . 57
7.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
8 Karakteristicne funkcije 61
8.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
8.2 Osnovne osobine . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
8.3 Karakteristicne funkcije nekih raspodjela . . . . . . . . . . . . . . 65
8.4 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
9 Granicne teoreme 67
9.1

Cebisevljeva nejednakost . . . . . . . . . . . . . . . . . . . . . . . 67
9.2 Neke granicne teoreme . . . . . . . . . . . . . . . . . . . . . . . . 68
9.3 Vrste konvergencija u teoriji vjerovatnoce . . . . . . . . . . . . . 69
9.4 Centralna granicna teorema . . . . . . . . . . . . . . . . . . . . . 70
9.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
10 Matematicka statistika 73
10.1 Osnovni pojmovi . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.2 Ocjenjivanje parametara raspodjela . . . . . . . . . . . . . . . . . 74
10.3 Intervali povjerenja za nepoznatu binomnu vjerovatnocu . . . . . 77
10.4 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
11 Slucajni 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 vjerovatnoca
Uslovi nekog eksperimenta (opita) ne moraju jednoznacno odredivati rezul-
tat. Na primjer ako se eksperiment sastoji u bacanjunovcica rezultat nije
jednoznacan, jer se moze desiti da padne pismo (P) ili grb (G). Mozemo reci
da se u ovom slucaju radi o slucajnoj pojavi. Izucavanjem zakonitosti slucajnih
pojava bavi se teorija vjerovatnoce.
Teorija vjerovatnoce se pocela razvijati u 16. vijeku. Prva knjiga iz ove oblasti
je De Ludo Aleae (O igri kockom), koja je stampana 1663. godine. Njen autor
je Girolamo Cardano. Osnivacem moderne teorije vjerovatnoce smatra se Alek-
sandar Kolmogorov. On je 1933. godine dao aksiomatsko zasnivanje teorije
vjerovatnoce. Teorija vjerovatnoce je sastavni dio nekoliko naucnih oblasti
na primjer: teorije telekomunikacija, teorije pouzdanosti, teorije informacija,
teorije automatskog upravljanja.
2.1 Prostor elementarnih dogadaja
Denicija 2.1. Skup svih mogucih ishoda nekog opita naziva se pros-
tor elementarnih dogadaja.
Slucajan dogadaj (dogadaj) je bilo koji podskup skupa .
Nemoguc dogadaj oznacavamo sa , a je siguran dogadaj.
Primjer 2.1. 1. Baca se kocka i registruje broj koji je pao na gornjoj strani.
Neka je A dogadaj koji oznacava da je pao paran broj. Tada je
= {
1
,
2
,
3
,
4
,
5
,
6
} i A = {
2
,
4
,
6
}, gdje je
k
pao je broj k.
2. Novcic se baca cetiri puta i registruje koliko je ukupno puta palo pismo.
Neka je A dogadaj: broj pisama jednak je broju grbova. Tada je
= {GGGG, GGGP, . . . , PPPP}.
Broj elemenata skupa je 2
4
= 16. Dogadaj
A = {GGPP, GPGP, GPPG, PGGP, PGPG, PPGG}
7
8 GLAVA 2. PROSTOR VJEROVATNO

CA
i ima 6 elemenata.
3. Novcic se baca do pojave grba. Ovde je
= {G, PG, PPG, . . .} i ima beskonacno elemenata.
4. Gada se kruzna meta poluprecnika r i registruje udaljenost pogotka od
centra mete. Neka je oznaka za promasaj. Tada je
= {x R : 0 x r} {}.
U ovom slucaju ima neprebrojivo elemenata.
Primjer 2.2. U kutiji se nalaze cetiri listica oznacena brojevima 1, 2, 3, 4.
Odrediti skup ishoda, ako se listici izvlace jedan po jedan do pojave neparnog
broja (bez vracanja).
= {1, 3, 21, 23, 41, 43, 241, 243, 421, 423}.
2.2 Relacije i operacije sa dogadajima
U skupu denisemo relacije i operacije sa dogadajima na isti nacin kao i
sa skupovima:
Ako dogadaj A implicira dogadaj B, to oznacavamo sa A B.
Dogadaji A i B su ekvivalentni ako vrijedi A B i B A.
Suprotan dogadaj dogadaja A oznacavamo sa A
C
ili A i vrijedi
A
C
= { : / A}.
Presjek dogadaja A i B oznacavamo sa A B i vrijedi
A B = { : A B}.
Uniju dogadaja A i B oznacavamo sa A B i vrijedi
A B = { : A B}.
Razlika dogadaja A i B je dogadaj A\ B za koji vrijedi
A\ B = { : A / B}.
Primjer 2.3. Neka se opit sastoji u bacanju kocke i neka je dogadaj Apao
je paran broj, Bpao je neparan broj, Cpao je prost broj. Odrediti dogadaje
A B, B C i C.
= {
1
,
2
,
3
,
4
,
5
,
6
},
A = {
2
,
4
,
6
}, B = {
1
,
3
,
5
}, C = {
2
,
3
,
5
},
A C = {
2
,
3
,
4
,
5
,
6
}, B C = {
3
,
5
}, C = {
1
,
4
,
6
}.
2.3. AKSIOME TEORIJE VJEROVATNO

CE 9
Prebrojiva unija odnosno presjek dogadaja A
i
, i N denise se na sljedeci nacin:

iN
A
i
= { : (i N) A
i
},

iN
A
i
= { : (i N) A
i
}.
Navedimo i neke osobine denisanih operacija i relacija:
1. A A = A, A A = A,
2. A B = B A, A B = B A,
3. A = , A = A,
4. A = A, A = ,
5. (A
C
)
C
= A,
C
= ,
C
= ,
6. A A
C
= , 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 vjerovatnoce
U aksiomatskom zasnivanju teorije vjerovatnoce znacajan je pojam polja
dogadaja.
Denicija 2.2. Neka je prostor elementarnih dogadaja i P() familija svih
podskupova od . Skup F P() nazivamo polje dogadaja ako vrijedi:
1. F,
2. A F A
C
F,
3. (i N)A
i
F

iN
A
i
F.
Primjer 2.4. (i) Neka je proizvoljan skup i F = {, }. Tada je F polje
dogadaja.
(ii) Neka je = {
1
,
2
}, familija F = {, {
1
}, {
2
}, {
1
,
2
}} je polje
dogadaja.
(iii) Neka je = {
1
,
2
,
3
,
4
}, familija F = {, {
1
}, {
3
}, {
2
,
3
,
4
}}
nije polje dogadaja.
Teorema 2.1. Neka je F 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

iN
A
i
F.
Denisacemo sada pojam vjerovatnoce koristeci aksiomatski pristup A. Kol-
mogorova.
Denicija 2.3. Neka je prostor elementarnih dogadaja i F polje dogadaja.
Funkcija P : F R je vjerovatnoca ako vrijedi:
1. P(A) 0, (A F),
2. P() = 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 aditivnost.
Broj P(A) je vjerovatnoca dogadaja A. Uredena trojka (, F, P) se zove
prostor vjerovatnoca.
Navedimo neke primjere.
Primjer 2.5. (Konacan prostor vjerovatnoca) Neka je n N i
= {
1
, . . . ,
n
}, F = P() i p
i
0, i = 1, . . . , n, takvi da je
n

i=1
p
i
= 1.
Funkcija P : F R denisana sa
P(A) =

iI
p
i
, I = {j :
j
A},
je vjerovatnoca.
Ako je p
i
=
1
n
, i = 1, . . . , n kazemo da se radi o klasicnoj ili Laplasovoj
deniciji vjerovatnoce.
Primjer 2.6. Odrediti vjerovatnoce svih mogucih zbirova pri bacanju dvije
kocke.
Primjer 2.7. (Geometrijska denicija vjerovatnoce) Neka je skup u
R
2
cija je povrsina () pozitivna i konacna. Neka je
F = {A : A ima povrsinu }.
Denisimo P : F R tako da je
P(A) =
(A)
()
.
U ovom slucaju funkcija P je vjerovatnoca. Ovde se radi o geometrijskoj deni-
ciji vjerovatnoce.
2.4. OSOBINE VJEROVATNO

CE 11
Primjer 2.8. Na kruznici poluprecnika R slucajno su izabrane tri tacke A, B i
C. Kolika je vjerovatnoca da je trougao ABC ostrougli?
Rjesenje. Neka je x duzina luka kruznice koji spaja tacke A i B, a y duzina luka
kruznice koji spaja B i C. Izbor tacaka A, B i C jednoznacno odreduje brojeve
x, y za koje vazi
0 < x, 0 < y, x +y < 2R.
Znaci,
= {(x, y)|x > 0, y > 0, x +y < 2R}.
Trougao ABC je ostrougli ako je
x < R, y < R, x +y > R.
Sada je A = {(x, y) |x < R, y < R, x +y > R}.
Znaci,
P(A) =
m(A)
m()
=
1
2
R
2

2
2R
2

2
=
1
4
.
2.4 Osobine vjerovatnoce
U ovoj sekciji navodimo neke osobine vjerovatnoce koje slijede iz denicije:
Aditivnost, P(
n

i=1
A
i
) =
n

i=1
P(A
i
),
Monotonost, A B P(A) P(B),
0 P(A) 1,
Vjerovatnoca suprotnog dogadaja, P(A
C
) = 1 P(A),
Vjerovatnoca unije dva dogadaja, P(A B) = P(A) +P(B) P(A B),
Princip ukljucnosti-iskljucnosti,
P(
k

i=1
A
i
) =
k

i=1
P(A
i
)

1i<jk
P(A
i
A
j
) + +(1)
k
P(A
1
A
k
),
Ako je niz dogadaja {A
n
} monotono neopadajuci 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 nerastuci 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-
vatnoce.
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).
Rjesenje. 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 izmjesaju svoje sesire i nasumice stavljaju na glavu po
jedan sesir. Naci vjerovatnocu da bar jedno lice stavi svoj sesir na svoju glavu.

Cemu tezi ta vjerovatnoca kada broj lica i sesira neograniceno raste?

Rjesenje. Neka je A dogadaj da bar jedno lice stavi svoj sesir na svoju glavu.
Sa A
i
oznacimo dogadaj da je ito lice stavilo svoj sesir na svoju glavu (i =
1, 2, . . . , N). N lica moze rasporediti N sesira na glave na N! nacina, ako
je ito lice stavilo svoj sesir na svoju glavu, tada preostalih N 1 lica moze
rasporediti N 1 sesira na svoje glave na (N 1)! nacina. Prema tome je
P(A
i
) =
(N1)!
N!
=
1
N
. Slicnim razmisljanjem dobijamo da je
P(A
i
A
j
) =
(N2)!
N!
=
1
N(N1)
, 1 i < j N,
P(A
i
A
j
A
k
) =
(N3)!
N!
=
1
N(N1)(N2)
, 1 i < j < k N,
. . .
P(A
1
A
2
A
N
) =
1
N!
.
Posto je ocigledno A =
N

i=1
A
i
i posto vrijedi formula
P(
N

i=1
A
i
) =
N

i=1
P(A
i
)

1i<jN
P(A
i
A
j
)+

1i<j<kN
P(A
i
A
j
A
k
) + (1)
N1
P(A
1
A
2
A
N
),
imamo da je
P(A) =
N

i=1
1
N


1i<jN
1
N(N1)
+ + (1)
N1

1
N!
=
= 1

N
2

1
N(N1)
+

N
3

1
N(N1)(N2)
+ (1)
N1

1
N!
2.5. ZADACI 13
Znaci,
P(A) = 1
1
2!
+
1
3!
+
(1)
N1
N!
1
1
e
kad N .
2.5 Zadaci
1. Ako je F 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. Izvlace se tri kuglice na slucan
nacin. Kolika je vjerovatnoca da se medu njima nalazi tacno dvije bijele i
1 crna kuglica.
3. U jednom preduzecu 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 slucajan nacin delegacija
od tri clana, kolika je vjerovatnoca 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 casova na ugovorenom
mjestu i da cekaju jedan drugoga 20 minuta. Kolika je vjeovatnoca da ce
doci do susreta?
5. Na slucajan nacin se biraju dva broja iz intervala [0, 1]. Kolika je vjeo-
vatnoca da je njihov zbir bar 1, a proizvod najvise
1
2
?
6. Iz skupa
= {(x
1
, . . . , x
10
) : x
1
+ +x
10
= 20, x
i
N {0}, i = 1, . . . , 10},
na slucajan nacin se bira jedan elemenat (x
1
, x
2
, . . . , x
10
). Odrediti vjerovatnocu
da je x
1
3 i x
10
5.
14 GLAVA 2. PROSTOR VJEROVATNO

CA
Glava 3
Uslovna vjerovatnoca
3.1 Uslovna vjerovatnoca
Neka je dat prostor elementarnih dogadaja i neka se ostvario dogadaj
A. Ako se sada trazi vjerovatnoca dogadaja B onda je prostor elementarnih
dogadaja suzen na A. Na taj nacin dolazimo do pojma uslovne vjerovatnoce.
Primjer 3.1. Neka se u kutiji nalazi jedna bijela i dvije crne kuglice. Izvucena
je na slucajan nacin jedna kuglica bez vracanja i konstatovano je da je ona bijela.
Kolika je vjerovatnoca da je druga izvucena kuglica crna?
Neka je b oznaka za bijelu i c
1
, c
2
oznake za crne kuglice. Sada imamo,
= {(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 slucaju da se desio dogadaj A vjerovatnoca dogadaja B je jednaka 1.
Inace, da nije izvucena prva kuglica vjerovatnoca je
2
3
.
Neka je dat konacan prostor vjerovatnoca koji ima n elemenata. Pret-
postavimo da dogadaji A , B i A B redom imaju m, r i s elemenata.
Dalje, neka se ostvario dogadaj A i pretpostavimo da trazimo vjerovatnocu
dogadaja B. Tada je
P =
s
m
=
s
n
m
n
=
P(A B)
P(A)
.
Denicija 3.1. Neka je dat prostor elementarnih dogadaja i vjerovatnoca
P. Uslovna vjerovatnoca dogadaja B u odnosu na dogadaj A takav da je
P(A) > 0 je
P(B|A) =
P(A B)
P(A)
.
Koristeci deniciju uslovne vjerovatnoce i matematicku indukciju mozemo
dobiti sljedecu teoremu o proizvodu vjerovatnoca.
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
n1
).
Primjer 3.2. Kutija od 100 proizvoda se smatra dobrom, ako se u prvih 5
proizvoda, na slucajan nacin izabranih ne nalazi ni jedan neispravan proizvod.
Kolika je vjerovatnoca da kutija u kojoj je 5% neispravnih proizvoda bude progla-
sena za dobrom?
Oznacima sa A
i
da je iti izabrani proizvod dobar, i = 1, . . . , 5. Tada je trazena
vjerovatnoca P(
5

i=1
A
i
). Na osnovu teoreme o proizvodu vjerovatnoca imamo
P(
5

i=1
A
i
) =
95
100

94
99

93
98

92
97

91
96
0.77.
Koristeci aksiome vjerovatnoce jednostavno se dobija sljedeca teorema.
Teorema 3.2. Ako je F polje dogadaja, P vjerovatnoca i P(H) > 0 tada je
funkcija P(|H) : F [0, +) vjerovatnoca.
Dakle, pomocu uslovne vjerovatnoce mozemo generisati nove vjerovatnoce.
3.2 Nezavisni dogadaji
Uslovna vjerovatnoca nas dovodi do pojma nezavisnosti dogadaja.
Denicija 3.2. Dogadaji A i B su nezavisni ako vrijedi
P(A B) = P(A) P(B).
Iz denicije nezavisnosti i denicije uslovne vjerovatnoce dobijamo da je
P(B|A) = P(A) ako su dogadaji A i B nezavisni. Znaci, ako se ostvario dogadaj
A to ne utice na vjerovatnocu dogadaja B.
Denicija 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 = {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)(1P(B)) = P(A)P(B
C
).
Analogno se pokazuje za A
C
i B. Dokaz za A
C
i B
C
se dobija polazeci od
nezavisnosti A
C
i B i koristeci dokaz nezavisnosti A
C
i B
C
.
Moze 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
zakljucujemo da vrijedi sljedeca 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. Vjerovatnoca pogotka je
redom 0.8, 0.7 i 0.9. Naci vjerovatnocu da je:
(i) cilj pogoden bar jednom,
(ii) cilj tacno jednom pogoden.
Rezultat. (i) 0.994, (ii) 0.092.
3.3 Fomula potpune vjerovatnoce
Denicija 3.4. Dogadaji H
1
, H
2
, . . . , H
n
, za koje vrijedi
(i) H
i
H
j
= , i = j,
(ii)
n

i=1
H
i
= ,
zovu se hipoteze (potpun sistem dogadaja).
Teorema 3.5. (Formula potpune vjerovatnoce)Neka su H
1
, H
2
, . . . , H
n

hipoteze i A , tada je
P(A) =
n

i=1
P(A|H
i
)P(H
i
).
18 GLAVA 3. USLOVNA VJEROVATNO

CA
Dacemo jednu primjenu formule potpune vjerovatnoce.
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 vjerovatnoca
da se iz druge kutije izabere bijela kuglica?
Oznacimo sa :
H
1
u drugu kutiju su prebacene dvije bijele kuglice,
H
2
u drugu kutiju je prebacena jedna bijela i jedna crna kuglica,
H
1
u drugu kutiju su prebacene 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 vjerovatnoce 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
Koristeci uslovnu vjerovatnocu mozemo racunati vjerovatnoce hipoteza posle
ostvarenog dogadaja. Formula pomocu koje to radimo poznata je kao Bajesova
formula (Thomas Bayes, 18. vijek)
Teorema 3.6. Neka su H
1
, H
2
, . . . , H
n
hipoteze i A 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. Vjerovatnoce P(H
i
|A) nazivaju se aposteriorne vjerovatnoce,
a vjerovatnoce P(H
i
) apriorne vjerovatnoce.
Primjer 3.6. Vjerovatnoca da ce student A rijesiti zadatak je 0.7, a za stu-
denta B odgovarajuca vjerovatnoca oznosi 0.9. Slucajno se bira student. Kolika
je vjerovatnoca da ce zadatak biti rijesen? Ako je zadatak rijesen, kolika je
vjerovatnoca da ga je rijesio student B?
3.5 Zadaci
1.

Cetiri kartice su numerisane brojevima 1, 2, 3, 4. Slucajno se izvlaci 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.
Rjesenje. Ovdje je
= {1, 2, 3, 4}, A = {2, 4}, B = {1, 2}, C = {2, 3}.
Posto je
A B = A C = B C = A B C = {2},
vrijedi sljedece:
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).
Rjesenje. 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 igraca A, B, C tim redom bacaju kocku sve dok prvi put ne padne
broj 6. Pobjeduje onaj igrac kod koga padne 6. Naci za svakog igraca
vjerovatnocu da bude pobjednik.
Rjesenje. Neka su A
k
, B
k
, C
k
dogadaji: igracu A, B, C je u k-tom pokusaju
pala sestica, a D
A
, D
B
, D
C
dogadaji da je odgovarajuci igrac 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
.
Slicno se dobije
P(D
B
) =
30
91
i P(D
C
) =
25
91
.
Krace je ovako. Neka je P(D
A
) = p. Tada je
P(D
B
) =
5
6
p,
jer ako igracu 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
= ,
odakle je
p +
5
6
p +
25
36
p = 1 i p =
36
91
.
Primjedba. Ako je A B = , umjesto A B pisemo A+B.
4. Data je elektricna sema
A C

B
Svaki od prekidaca je nezavisno od drugih, zatvoren sa vjerovatnocom
1
2
.
Naci vjerovatnocu da je mreza AB zatvorena.
3.5. ZADACI 21
Rjesenje. Dio mreze CD je otvoren ako su oba prekidaca otvorena. Vjerovatnoca
tog dogadaja je
1
4
, a vjerovatnoca da je dio CD zatvoren je
3
4
. Sada je
mreza reducirana na

A E CD F B
Dio EF je zatvoren ako su oba prekidaca zatvorena. Vjerovatnoca tog
dogadaja je
3
4

1
2
=
3
8
. Sada mreza izgleda ovako

A EF B
Dakle, mreza AB je otvorena sa vjerovatnocom
5
8

1
2
, a zatvorena sa vje-
rovatnocom
11
16
.
5. Iz skupa
= {(x
1
, . . . , x
10
) : x
1
+ +x
10
= 20, x
i
N {0}, i = 1, . . . , 10}
na slucajan nacin se bira jedan elemenat (x
1
, x
2
, . . . , x
10
). Odrediti vjerovatnocu
da je x
1
3 i x
10
5.
Rjesenje. Odredimo prvo broj rjesenja jednacine
x
1
+ +x
k
= n,
u nenegativnim cijelim brojevima.
Broj rjesenja jednak je broju nacina da se izmedu k 1 jedinica stavi n
nula sto je isto sto i broj nacina da se od n + k 1 elemenata izabere
podskup od k 1 elemenata, a to je

n +k 1
k 1

.
Broj elemenata skupa je

20 + 10 1
10 1

29
9

.
Broj svih elemenata iz za koje je x
1
3 i x
10
5 je broj rjesenja
jednacine
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
Trazena vjerovatnoca je
P =

21
9

29
9
.
6. Iz kutije koja sadrzi n bijelih i mcrnih kuglica slucajno izvlacimo k m+n
kuglica.
a) Naci vjerovatnocu da se medu kuglicama nalazi tacno j (j k) bijelih.
b) Koristeci se rezultatom pod a), naci zbir
k

j=0

n
j

m
k j

Rjesenje.
a) Trazena vjerovatnoca 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 slucajan nacin i nezavisno jedan od drugog ulazi n

putnika (n m). Odrediti vjerovatnocu da u svaki vagon ude bar jedan
putnik.

Neka je A
i
oznaka za dogadaj da u iti vagon nije niko usao, i = 1, 2, . . . , m.
Ako sa A oznacimo dogadaj cija se vjerovatnoca trazi u zadatku, tada
ocigledno 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
m1
) =

1
m1
m

n
, 1 i
1
< . . . i
m1
m.
3.5. ZADACI 23
Sada je
P(A
C
) =
m

i=1

1
1
m

1i<jm

1
2
m

n
+. . .
+ (1)
m1

1i
1
<<i
m1
m

1
m1
m

n
Znaci,
P(A) = 1

m
1

1
1
m

n
+ +(1)
m

m
m1

1
m1
m

n
.
8. Vozovi duzine 180 metara krecu se brzinom 30 metara u sekundi po
prugama koje se medusobno ukrstaju. Trenutak u kome ce oni proci kroz
raskrsce je slucajan izmedu 9
00
= i 9
30
=. Izracunati vjerovatnocu sudara.
Rjesenje. Neka je A dogadaj da je doslo do sudara. Ako sa X oznacimo
trenutak ulaska prvog, a sa Y trenutak ulaska drugog voza u raskrsce,
tada, posto vozovi duzine 180 metara prolaze kroz raskrsce 6 sekundi jer
se krecu brzinom 30 metara u sekundi imamo
= {(x, y)

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

|x y| < 6}.
Neka je m(A) mjera oblasti A, to jest u ovom slucaju povrsina. Trazena
vjerovatnoca je
P(A) =
m(A)
m()
=
1800
2
1794
2
1800
2
= 0.006656.
9. Brojevi x i y se na slucajan nacin 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
}.
Naci vjerovatnocu dogadjaja A B.
Rjesenje. Lako se dobija
(A) = 1
1
4
=
3
4
, (B) =
1
4
, (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. Vjerovatnoca da radi prvi dio u intervalu vremena t iznosi
0.8, vjerovatnoca da drugi dio radi u istom intervalu iznosi 0.7. Ako je
uredaj ispitivan u intervalu vremena t i otkazao je, naci vjerovatnocu da
su otkazala oba dijela.
24 GLAVA 3. USLOVNA VJEROVATNO

CA
Rjesenje. 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 skladistu su svi proizvodi ispravni, a u drugom ima 35% skarta.
Na slucajan nacin je odabran dobar proizvod iz nekog skladista i nakon
toga vracen u isto skladiste. Izracunati vjerovatnocu da je drugi proizvod
iz istog skladista skart.
Rjesenje. Neka je A dogadaj da je prvi izvuceni proizvod dobar. Neka
su H
1
, H
2
dogadaji (hipoteze) da je proizvod izvucen iz prvog odnosno
drugog skladista. 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 izvuceni proizvod skart. Opet, prema
formuli potpune vjerovatnoce 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
Visestruka ispitivanja
4.1 Bernulijeva sema
Neka je prostor elementarnih dogadaja i A . Za niz opita u kojima
je vjerovatnoca realizacije dogadaja ista i nezavisna od ostalih opita kazemo
da cini Bernulijevu semu. Sa S
n
oznacavamo broj realizacija dogadaja A
u Bernulijevoj semi. Broj
S
n
n
se naziva relativna ucestalost (frekvencija)
dogadaja A u n ponovljenih opita. Odredicemo vjerovatnocu P(S
n
= k), to jest
da ce poslije n opita dogadaj A nastupiti tacno 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
nk
, q = 1 p.
Nije tesko vidjeti da se vjerovatnoce P(S
n
= k) javljaju kao koecijenti uz x
k
u
razvoju binoma

n
(x) = (q +px)
n
=
n

j=0

n
j

p
j
q
nj
x
j
=
n

j=0
P(S
n
= j)x
j
.
Zbog prethodne osobine, vjerovatnoce date sa P(S
n
= k), k = 0, 1, . . . , n, zovu
se binomni zakon raspodjele vjerovatnoca, a po matematicaru Bernuliju i
Bernulijev zakon raspodjele vjerovatnoca.
Primjedba 4.1. Funkcija
n
zove se generatrisa vjerovatnoca P(S
n
= k).
Primjer 4.1. Vjerovatnoca prijema radio signala iznosi 0.9. Kolika je vjerovatnoca
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

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
Vjerovatnoce P(S
n
= k), k = 0, 1, . . . , n, mozemo shvatiti kao funkciju cjelo-
brojnog argumenta k. Ta funkcija dostize maksimum za neku vrijednost k
0
.
Vrijednost k
0
je najvjerovatniji broj realizacije dogadaja A u n ponavljanja
opita. Ocigledno 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
nk
0
i

n
k
0

p
k
0
q
nk
0

n
k
0
+ 1

p
k
0
+1
q
n(k
0
+1)
.
Iz ovih nejednacina 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-
jednacinu
np +p 1 k
0
np +p.
Odavde dobijamo da ako je np + p cijeli broj onda za k
0
mozemo uzeti dvije
vrijednosti np+p ili np+p1, 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.
Rjesenje. Za najvjerovatniji broj pojavljivanja dogadaja u Bernulijevoj semi, to
jest za broj k {0, 1, . . . , n} za koji je vjerovatnoca
P
k
=

n
k

p
k
q
nk
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 novcica.
Izracunati vjerovatnoce dogadaja:
A-bar jednom su na svim novcicima pali svi grbovi,
B-tacno m puta su na svim novcicima pali svi grbovi.
Rjesenje. Neka A
i
oznacava 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 vjerovatnocu dogadjaja B, koristeci vjerovatnocu pojavljivanja dogadjaja u
Bernulijevoj semi, imamo
P(B) =

n
m

1
2
k

1
1
2
k

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

100
1

0.004
1
(1 0.004)
1001
= 0.4 0.996
99
.
Vidimo da treba vrsiti ogromna izracunavanja.
Da bi rijesio probleme ove vrste Puason je dokazao sljedecu teoremu.
Teorema 4.1. Neka je P(A) =

n
, > 0 i neka ne zavisi od n. Tada za svaki
k = 0, 1, . . . , n vrijedi
lim
n+
P(S
n
= k) =

k
k!
e

.
30 GLAVA 4. VI

SESTRUKA ISPITIVANJA
Dokaz. Vidjeli smo da je
P(S
n
= k) =

n
k

1

n

nk
.
Na osnovu toga imamo
P(S
n
= k) =

k
k!

1

n

n
n!
(n k)!
1
n
k

1

n

k
,
pa dobijamo
P(S
n
= k) =

k
k!

1

n

1
k 1
n

1
k 2
n

1
1
n

1
k 1
n

k
k!
e

, n +.
Primjedba 4.2. (i) Prethodna teorema vrijedi i ako se pretpostavi da je P(A) =
p
n
, pri cemu je lim
n+
np
n
= .
(ii) Puasonova aproksimacija daje dobre rezultate za np < 10.
Raspodjela vjerovatnoca data sa
P(k) =

k
k!
e

, k = 0, 1, 2, . . . ,
zove se Puasonov zakon raspodjele vjerovatnoca ili Puasonova raspod-
jela.
Primjer 4.5. Poznato je da u odredenoj knjizi od 500 stranica postoji 500
stamparskih gresaka slucajno raspodijeljenih. Kolika je vjerovatnoca da na slucajno
odabranoj stranici knjige nema manje od tri greske ?
Rjesenja. Trazi se P(S
500
3), gdje je p =
1
500
i = 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 prakticnim problemima se pokazalo da Puasonova aproksimacija daje do-
bre rezultate za np < 10. Ako je np 10 koristi se normalna aproksimacija
data sljedecom teoremom.
4.4. NORMALNA (GAUSOVA) RASPODJELA 31
Teorema 4.2. (Lokalna Muavr-Laplasova teorema) Neka je p (0, 1)
vjerovatnoca 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

2npq
e

(knp)
2
2npq
= 1.
Dokaz. Kako je a
knp

npq
b imamo
a

npq
n

k
n
p
b

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

2nn
n
e
n
, n +) dobijamo
P(S
n
= k)

2nn
n

2kk
k

2(n k)(n k)
nk
p
k
q
nk
, n +.
Osim toga,

n
k(n k)
=

1
n
k
n

1
k
n

1

npq
, n = .
Dakle,
P(S
n
= k)
1

2npq

np
k

n(1 p)
n k

nk
,
a odavde je
P(S
n
= k)
1

2npq
e
k ln(1
knp
k
)
e
(nk) ln(1+
knp
nk
)
.
Kako je
ln(1 t) t
t
2
2
, t 0,
imamo
P(S
n
= k)
1

2npq
e
k

knp
k
+
(knp)
2
2k
2

+(nk)

knp
nk
+
(knp)
2
2(nk)
2

2npq
e

(knp)
2
2npq
.
32 GLAVA 4. VI

SESTRUKA ISPITIVANJA
Teorema 4.3. (Integralna Muavr-Laplasova teorema) Pri uslovima prethodne
teoreme vrijedi
P(a S
n
b)
1

2
abnp

npq

anp

npq
e

t
2
2
dt, n +
Dokaz. Na osnovu prethodne teoreme je
P(a S
n
b)

akb
P(S
n
= k)

akb
1

2npq
e

(knp)
2
2npq
,
to jest
P(a S
n
b)
1

akb
1

npq
e

(knp)
2
2npq

2
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
(x) =
1

2
x

0
e

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

2
e

t
2
2
,
zove se Gausova kriva obicne normalne raspodjele.
(iii) Aproksimacija data prethodnom teoremom zove se i normalna aproksi-
macija.
Primjer 4.6. Vjerovatnoca proizvodnje neispravnog proizvoda je 0.002. Naci
vjerovatnocu da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i
57.
Rjesenje. Ovde je np = 2500 0.002 = 50 > 10, pa koristimo normalnu aproksi-
maciju.
P(36 S
2500
57)
1

2
1

2
e

t
2
2
dt = (1)(2) = (1)(1(2)) 0.818.
4.5. ZADACI 33
4.5 Zadaci
1. U kutiji se nalazi 300 bijelih i 200 crnih kuglica. Slucajno se bira 150
kuglica sa vracanjem. Naci vjerovatnocu da se broj bijelih kuglica nalazi
izmedu 78 i 108.
2. Iz skupa {1, 2, . . . , n} se na slucajan nacin bira 2n brojeva sa vracanjem
(n 10). Odrediti k takvo da je broj izvucenih cetvorki u tih 2n izvlacenja
manji od k sa vjerovatnocom 0.95.
3. Uredaj moze imati kvar A sa vjerovatnocom 0.01 i nezavisno od toga kvar
B sa vjerovatnocom 0.02. Uredaj je pokvaren ako ima oba kvara. Kupac
prihvata seriju od 1000 uredaja ako u seriji nema vise od k neispravnih
uredaja. Odrediti k takvo da kupac prihvati seriju sa vjerovatnocom 0.999.
4. Vjerovatnoca da je slucajno izabrani covjek visi od 180 cm je 0.27. Odred-
iti vjerovatnocu da se u grupi od 1200 ljudi nalazi manje od 300 ljudi visih
od 180 cm
5. Ako je poznato da je vjerovatnoca radanja djecaka priblizno 0.515, naci
vjerovatnocu da medu 1000 novorodencadi ima bar 10 djevojcica vise nego
djecaka.
34 GLAVA 4. VI

SESTRUKA ISPITIVANJA
Glava 5
Slucajne promjenljive
5.1 Denicija i neki primjeri
U klasicnoj teoriji vjerovatnoce osnovni pojam je slucajni dogadaj. Savre-
mena teorija vjerovatnoce je teorija slucajnih promjenljivih.
U opitu se svakom ishodu moze pridruziti neki realan broj. To nas dovodi do
denicije slucajne promjenljive.
Denicija 5.1. Neka je prostor elementarnih dogadaja i F polje dogadaja
na . Za funkciju X : R za koju vrijedi
{ : X() < x} F za sve x R,
kazemo da je slucajna promjenljiva (velicina).
Dogadaj { : X() < x} krace oznacavamo sa {X < x}. Kako je
{X < x} = X
1
(, x), imamo da je X : R slucajna promjenljiva ako
X
1
(, x) F za sve x R.
Primjer 5.1. 1. Novcic se baca dva puta. Prostor elementarnih dogadaja je
= {PP, PG, GP, GG}.
Neka je vjerovatnoca svakog elementarnog dogadaja jednaka
1
4
. Neka je
X broj pojavljivanja pisama u dba bacanja novcica. Imamo X(PP) =
2, X(PG) = X(GP) = 1, X(GG) = 0.
2. U opitu sa dva ishoda od koji je jedan uspjeh, oznacimo sa X = 1 ako se
dogodio uspjeh, a sa X = 0 ako se dogodio neuspjeh. Ako je p vjerovatnoca
uspjeha, tada je P(X = 1) = p, P(X = 0) = 1 p. Ovo je Bernulijeva
slucajna promjenljiva.
35
36 GLAVA 5. SLU

CAJNE PROMJENLJIVE
3. Neka je data Bernulijeva sema sa vjerovatnocom uspjeha jednakom p.
Neka je X broj uspjeha u n uzastopnih ponavljanja. Tada je
P(X = k) =

n
k

p
k
(1 p)
nk
, k = 0, 1, . . . , n.
Slucajna promjenljiva X se naziva binomnom slucajnom promjenljivom.
4. Neka je A . Indikator dogadaja Aje slucajna promjenljiva I
A
den-
isana sa
I
A
() =

1, A,
0, / A.
Imamo P(I
A
= 1) = P(A), P(I
A
= 0) = 1 P(A).
5. Neka je X slucajna promjenljiva koja moze 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. Slucajna promjenljiva X se naziva uniformnom prom-
jenljivom na [0, 1].
5.2 Zakon raspodjele slucajne promjenljive
diskretnog tipa
Denicija 5.2. Slucajna promjenljiva X : R je diskretnog tipa ako je
skup X() konacan ili prebrojiv.
Diskretna skucajna promjenljiva X : R je opisana ako se zna skup
X() = {x
i
: i I}, gdje je I konacan ili prebrojiv i ako se zna funkcija
P : X() [0, 1], to jest ako se znaju vjerovatnoce p
i
= P{ : X() = x
i
}.
Zakon raspodjele slucajne promjenljive X dat je tabelom
X :

x
1
x
2
x
n

p
1
p
2
p
n

.
Ovde je

iI
{X = x
i
} = i

iI
p
i
= 1.
Primjer 5.2. Odredimo zakone raspodjele slucajnih 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)
n1

n
n

p
n

,
5.3. FUNKCIJA RASPODJELE SLU

CAJNE PROMJENLJIVE 37
4. I
A
:

0 1
1 P(A) P(A)

.
5. U ovom slucaju se ne radi o diskretnoj slucajnoj promjenljivoj.
5.3 Funkcija raspodjele slucajne promjenljive
Neka je (, F, P) prostor vjerovatnoca i X : R slucajna promjenljiva.
Kako vrijedi { : X() < x} F, za svaki x R je denisana vjerovatnoca
P({ : X() < x}). To nas dovodi do sljedece denicije.
Denicija 5.3. Neka je X : R slucajna promjenljiva. Funkcija F : R R
denisana sa
F(x) = P{ : X() < x},
naziva se funkcija raspodjele slucajne promjenljive X.
Osnovne osobine funkcije raspodjele su :
1. 0 F(x) 1x R,
2. F je monotono neopadajuca funkcija,
3. lim
x
= F() = 0, lim
x+
= F(+) = 1,
4. lim
tx0
F(t) = F(x), lim
tx+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).
Sledeca teorema daje karakterizaciju funkcije raspodjele slucajne promjenljive.
Teorema 5.1. Funkcija F : R R je funkcija raspodjele neke slucajne prom-
jenljive X ako i samo ako vrijedi :
1. 0 F(x) 1x R,
2. F je monotono neopadajuca funkcija,
3. lim
x
= F() = 0, lim
x+
= F(+) = 1,
4. F je neprekidna s lijeva.
Primjedba 5.1. Funkcija raspodjele se moze denisati i sa
F(x) = P(X x), x R.
U tom slucaju ona je neprekidna s desna.
38 GLAVA 5. SLU

CAJNE PROMJENLJIVE
Ako znamo zakon raspodjele diskretne slucajne promjenljive X onda mozemo
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)
nk
, 0 < x n,
1, x > n.
2. Puasonova raspodjela. Diskretna slucajna promjenljiva X moze uzi-
mati vrijednosti
0, 1, 2, . . .
sa vjerovatnocama
P(X = k) =

k
k!
e

, > 0.
Funkcija raspodjele ima oblik
F(x) = P(X < x) =

0, x 0,

k<x

k
k!
e

, x > 0.
3. Geometrijska raspodjela. Bernulijevi eksperimenti, sa vjerovatnocom
uspjeha p, izvode se do prvog uspjeha. Slucajna promjenljiva X uzima
vrijednosti 1, 2, . . . sa vjerovatnocama
P(X = k) = p(1 p)
k1
, k = 1, 2, . . . ,
F(x) = P(X < x) =

0, x 1,

k<x
p(1 p)
k1
, x > 1.
4. Hipergeometrijska raspodjela. Od n predmeta, m je posebno oznaceno.
Bira se slucajan uzorak od r predmeta. Neka je X broj posebno oznacenih
predmeta u uzorku. Ovo je hpergeometrijska slucajna 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

CAJNE PROMJENLJIVE NEPREKIDNOG TIPA 39

Kako zbir svih vjerovatnoca mora da bude 1, dobijamo identitet
r

k=0

m
k

n m
r k

n
r

.
5.4 Slucajne promjenljive neprekidnog tipa
Denicija 5.4. Slucajna promjenljiva X : 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 vjerovatnoca slucajne 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 slucajne promjenljive koje nisu ni diskretne ni neprekidne.
Primjer 5.4. Slucajna promjenljiva X cija 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 vjerovatnoca slucajne promjenljjive dobijamo
osobine funkcije gustine raspodjele vjerovatnoca.
Teorema 5.2. Neka je X neprekidna slucajna 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

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 vjerovatnoca slucajne promjenljive X je
f(x) =

cx, x [3, 6]
0, x / [3, 6].
Naci:
(a) konstantu c,
(b) P(X [a, b]), gdje je [a, b] [3, 6],
(c) P(X
2
9X + 20 0).
Rjesenje.
(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 vaznijih raspodjela
1. Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 p.
5.5. PREGLED VA

ZNIJIH RASPODJELA 41
2. Binomna B(n, p)
P(X = k) =

n
k

p
k
(1 p)
nk
, k = 0, . . . , n.
3. Geometrijska
P(X = k) = p(1 p)
k1
, 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)
kr
, k = r, r + 1, . . .
6. Poissonova P()
P(X = k) = e

k
k!
, k = 0, 1, . . .
7. Uniformna U(a, b)
f(x) =
1
b a
, x [a, b].
8. Eksponencijalna E()
f(x) = e
x
, x 0, > 0.
9. Normalna N(,
2
)
f(x) =
1

2
e

(x)
2
2
2
, x R.
10. Gama (, )
f(x) =

e
x
x
1
()
, x > 0.
11. Beta B(, )
f(x) =
( +)
()()
x
1
(1 x)
1
, 0 < x < 1.
42 GLAVA 5. SLU

CAJNE PROMJENLJIVE
12. Hi kvadrat
2
(n)
f(x) =
1
2
n
2
(
n
2
)
x
n
2
1
e

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

n(n/2)

1 +
x
2
n

(n+1)/2
, x R.
5.6 Zadaci
1. Nocic se baca pet puta. Slucajan promjenljiva X je broj pojavljivanja
grba. Opisati tu slucajnu promjenljivu.
2. Neka je X slucajna promjenljiva i
f(x) =

ax +b, |x| 1
0, |x| > 1
njena gustina raspodjele vjerovatnoca. Pokazati da je b =
1
2
i |a|
1
2
.
3. Neka X ima normalnu raspodjelu sa parametrima = 10 i = 3. Odrediti
vjerovatnocu dogadjaja (X [4, 16]).
4. Neka X ima N(0,
2
) raspodjelu. Odrediti vrijednost tako da je vjerovatnoca
P(1 X 3) najveca.
5. Slucajna promjenljiva X je neprekidna sa gustinom
f(x) =

c(4x 2x
2
), x (0, 2),
0, x / (0, 2).
Odrediti c, a zatim naci P(X > 1).
Glava 6
Slucajni vektori
6.1 Slucajni vektori
U nekim slucajevima ishodu nekog opita mozemo pridruziti vise numerickih
karakteristika.
Na primjer, tacka pogotka mete moze da se opise sa dvije slucajne promjenljive,
apscisom i ordinatom.
Ovakvi primjeri nas dovode do pojma visedimenzionalne slucajne prom-
jenljive.
Denicija 6.1. Funkcija X = [X
1
, . . . , X
n
]
T
: R
n
je ndimenzionalna
slucajna promjenljiva, ako je za svaki i {1, . . . , n} funkcija X
i
slucajna
promjenljiva.
Ako je n = 2 radi se o slucajnom 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) slucajne promjenljive onda je
X diskretna (neprekidna) ndimenzionalna slucajna promjenljiva.
Neka su X i Y diskretne slucajne promjenljive i
X() = {x
i
: i I}, Y () = {y
j
: j J},
gdje su I i J konacni ili prebrojivi skupovi. Tada je skup vrijednosti slucajnog
vektora Z = [X, Y ]
T
dat sa
Z() =

x
i
y
j

: i I, j J

.
Zakon raspodjele vjerovatnoca slucajnog vektora Z dat je funkcijom P :
Z() R, to jest vjerovatnocama
p
ij
= P(X = x
i
, Y = y
j
), i I, j J.
43
44 GLAVA 6. SLU

CAJNI VEKTORI
To obicno predstavljamo pomocu 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
=

i,j
{X = x
i
, Y = y
j
} imamo

iI

jJ
p
ij
= 1.
Ako je poznat zakon raspodjele vjerovatnoca slucajnog vektora Z = [X, Y ]
T
tada mozemo odrediti zakone raspodjela vjerovatnoca slucajnih promjenljivih
X i Y . To su marginalni zakoni raspodjela vjerovatnoca.
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 slucajnog vektora (X, Y ) dat je sljedecom 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) Naci vrijednost koja nedostaje u tabeli tj. P(X = 3, Y = 3).
(ii) Naci P(X Y ).
(iii) Naci P(X = 2).
6.2. FUNKCIJA RASPODJELE SLU

CAJNOG VEKTORA 45
(iv) Odrediti marginalne zakone raspodjela vjerovatnoca 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 slucajnog vektora
Neka su X i Y slucajne promjenljive, tada ima smisla traziti vjerovatnocu
dogadaja { : X() < x, Y () < y}, tj, da slucajna tacka padne u oblast
{(u, v) : u < x, v < y}.
Denicija 6.2. Funkcija raspodjele slucajnog 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 neopadajuca 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 slucajnog 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
).
Sljedeca teorema daje karakterizaciju funkcije raspodjele slucajnog vektora.
Teorema 6.2. Funkcija F : R
2
R je funkcija raspodjele slucajnog 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

CAJNI VEKTORI
6.3 Uslovne raspodjele
Polazeci od formule
P(A|B) =
P(AB)
P(B)
, P(B) > 0,
dolazimo do pojma uslovne raspodjele.
Pretpostavimo da su X i Y diskretne slucajne 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 slucajnog 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
Naci uslovnu raspodjelu X|Y = 2.
Rezultat.
X|Y = 2 :

0 1 2 3
1
3
1
3
1
3
0

.
Denicija 6.3. Slucajne 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 slucajnog vektora (X < Y ), a F
X
(x)(F
Y
(y))
funkcija raspodjele slucajne promjenljive X(Y ).
Ako su X i Y diskretne slucajne 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 slucajne promjenljive sa Poasonovom raspod-
jelom P(). Naci raspodjelu slucajne promjenljive X|X +Y = m.
Rjesenje.
P{X = k|X +Y = m} =
P{X = k, X +Y = m}
P{X +Y = m}
, k = 0, 1, . . . , m.
6.4. FUNKCIJE SLU

CAJNIH PROMJENLJIVIH 47
P{X = k, X + Y = m} = P{X = k, Y = m k}. Sada zbog nezavisnosti
slucajnih promjenljivih X i Y je
P{X = k, X +Y = m} = P{X = k}P{Y = mk} =

k
k!
e

mk
(mk)!
e

m
k

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

i=0
P{X = i, Y = mi} =
=
m

i=0
P{X = i}P{Y = mi} =
= =
m

i=0

m
i

m
m!
e
2
=

m
m!
e
2
m

i=0

m
i

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

m
k

m
m!
e
2
(2)
m
m!
e
2
=
1
2
m

m
k

.
Znaci X|X +Y = m ima binomnu raspodjelu B(m,
1
2
).,
6.4 Funkcije slucajnih promjenljivih
Neka je X = (X
1
, . . . , X
n
) visedimenzionalna slucajna pomjenljiva i
g : R
n
R
data funkcija. Tada je funkcija
Y : R
data sa
Y = g X
slucajna promjenljiva.
Ovde se bavimo problemom odredivanja raspodjele slucajne promjenljive Y ako
je poznata funkcija g i raspodjela X. Smatracemo da je n = 1, u opstem slucaju
su potrebna neka razmatranja iz analize funkcija vise promjenljivih sto prelazi
okvire ovoga kursa. Ramotrimo prvo sljedece primjere.
Primjer 6.4. Neka X ima Poasonovu raspodjelu P(). Denisimo Y = X
2
i
Z = sin
X
2
. Odrediti zakon raspodjele za Y i Z.
Rjesenje. Imamo da je
P(X = k) = e

k
k!
, k = 0, 1, . . .
Slucajna promjenljiva Y = X
2
moze uzimati samo vrijednosti koje su kvadrati
prirodnih brojeva i nule, pri cemu je
P(Y = k
2
) = P(X = k) = e

k
k!
, k = 0, 1, . . .
48 GLAVA 6. SLU

CAJNI VEKTORI
Slucajna promjenljiva Z uzima vrijednosti iz skupa {1, 0, 1}. Imamo da je
P(Z = 0) =
+

k=0
P(X = 2k) = e

k=0

2k
(2k)!
= e

ch.
Na slican nacin nalazimo
P(Z = 1) = e

sh + sin
2
i
P(Z = 1) = e

sh sin
2
.
Primjer 6.5. Slucajna promjenljiva X ima normalnu raspodjelu N(0, 1) i slucajna
promjenljiva Y ima log normalnu raspodjelu, to jest Y = e
X
. Odrediti raspodjelu
slucajne promjenljive Y .
Rjesenje. Za funkciju raspodjele F
Y
slucajne promjenljive Y vrijedi
F
Y
(y) = P(Y < y) = P(e
X
< y) = 0, y 0,
F
Y
(y) = P(X < ln y) =
1

2
ln y

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

2y
e

ln
2
y
2
, y > 0
0, y 0.
Koristeci ideje date u prethodnim primjerima dobijamo opsti rezultat.
Diskretan slucaj. Neka je data slucajna 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 slucajne promjenljive Y = g X. Vrijedi
P(Y = g(x
i
)) =

jI
i
P(X = x
j
),
gdje je
I
i
= {j : g(x
i
) = g(x
j
)}.
Neprekidan slucaj. Neka je X neprekidna slucajna promjenljiva sa funkcijom
raspodjele vjerovatnoca F
X
(x). Tada za funkciju raspodjele vjerovatnoca F
Y
(y)
slucajne promjenljive Y imamo
F
Y
(y) = P(Y < y) = P(g(X) < y) = P(x g
1
(, y)).
Na kraju, zavrsimo sa jednim primjerom.
6.5. ZADACI 49
Primjer 6.6. Neka su X i Y nezavisne slucajne promjenljive i
P(X = k) = P(Y = k) = q
k
p, k = 0, 1, 2, . . . , p (0, 1), q = 1 p
Slucajne promjenljive Z i W denisane 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 slucajne promjenljive?
Rjesenje.
(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) Slucajne 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 slucajne promjnljive X dat sa
P(X = k) = 2
k
, k N.
Odrediti zakon raspodjele slucajne promjenljive Y = 2 cos
x
2
.
2. Slucajna promjenljiva X ima unifomnu raspodjelu na intervalu [0, 1]. Odred-
iti raspodjelu slucajne promjenljive Y = X
2
.
50 GLAVA 6. SLU

CAJNI VEKTORI
3. Slucajna promjenljiva X ima gustinu
f(x) =

e
x
, x > 0,
0 x 0.
Odrediti gustinu slucajne promjenljive Y = (X 1)
2
.
4. Slucajna promjenljiva X ima Kosijevu raspodjelu
f(x) =
1

1
1 +x
2
.
Naci gustinu slucajne promjenljive
Y =
2X
1 X
2
.
Glava 7
Numericke karakteristike
slucajnih promjenljivih
7.1 Matematicko ocekivanje
Neka je = {
1
,
2
, . . . ,
n
} i X :

x
1
x
2
x
k
p
1
p
2
p
k

. Oznacimo sa
A
i
= { : X() = 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(
1
) +X(
2
) + +X(
n
)
n
slucajne 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 sljedecu deniciju.
Denicija 7.1. Neka je X diskretna slucajna promjenljiva ciji je zakon raspod-
jele vjerovatnoca dat sa
X :

x
1
x
2
x
n

p
1
p
2
p
n

.
Matematicko ocekivanje slucajne promjenljive X je broj
E(X) =
+

n=1
x
n
p
n
,
51
52GLAVA7. NUMERI

CKE KARAKTERISTIKE SLU

CAJNIHPROMJENLJIVIH
ako je dati red apsolutno konvergentan.
Za neprekidnu slucajnu promjenljivu sa gustinom raspodjele f, matematicko
ocekivanje denise se sa
E(X) =

xf(x)dx,
ako je integral apsolutno konvergentan.
Primjer 7.1. Neka je X slucajna promjenljiva koja predstavlja broj na gornjoj
strani kocke. Ovde je E(X) = 3.5.
Primjer 7.2. Neka X ima Kosijevu raspodjelu, to jest radi se o slucajnoj prom-
jenljivoj cija je gustina raspodjele
f(x) =
1
(1 +x
2
)
, x R.
U ovom slucaju ne postoji E(X), jer je

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

x
(1 +x
2
)
dx,
ne kovergira apsolutno.
Neka je X slucajna 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 slucaju 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 slucajna promjenljiva koja oznacava duzinu precnika kruga i vrijedi
X : U(5, 7). Odrediti matematicko ocekivanje povrsine kruga. U ovom slucaju
je g(x) =
2

x
2

2
, pa je
E

X
2

7
5

2
x
2
4

1
2
dx =
109
2
12
.
U sljedecoj teoremi dajemo osnovne osobine matematickog ocekivanja.
Teorema 7.1. 1. Neka je c R tada je E(c) = c,
2. ako je c R i X slucajna promjenljiva tada je E(cX) = cE(X),
3. ako su X i Y slucajne promjenljive tada je E(X +Y ) = E(X) +E(Y ),
4. ako su X i Y nezavisne slucajne promjenljive tada je
E(X Y ) = E(X) E(Y ).
Primjer 7.4. Naci matematicko ocekivanje zbira broja tacaka pri bacanju dvije
kocke.
Rjesenje. Neka su X i Y slucajne promjenljive-broj tacaka 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 slucajnu promjenljivu X vrijedi E(X) = 100.
Odrediti E(2X + 6).
Rjesenje. 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
Matematicko ocekivanje daje informaciju o slucajnoj promjenljivoj koja je
ne opisuje u potpunosti. Ilustrujmo to sljedecim 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 slucajne promjenljive od E(X),
to jest |XE(X)|. Izraz (XE(X))
2
takode daje odstupanje ali je jednostavniji
za analizu.
54GLAVA7. NUMERI

CKE KARAKTERISTIKE SLU

CAJNIHPROMJENLJIVIH
Denicija 7.2. Varijansa (disperzija) slucajne 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 sadrzane su u sljedecoj 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 slucajne 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 kaze se da je X = c
skoro sigurno (s. s.).
Primjer 7.7. Odredimo V ar(I
A
), to jest varijansu indikatora dogadaja A.
Slucajna promjenljiva I
A
je denisana sa (vidi primjer 5.1)
I
A
() =

1, A,
0, / 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

slucajna promjenljiva kod koje je E(X) = 2 i V ar(X) =

2
3
odrediti p
1
, p
2
i p
3
.
Rjesenje. 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 koecijent korelacije
Denicija 7.3. Neka je X slucajna promjenljiva. Osnovni momenat ktog
reda je
E(X
k
), k = 0, 1, 2, . . .
Centralni momenat ktog reda je
E(X E(X))
k
, k = 0, 1, 2, . . .
Matematicko ocekivanje je osnovni momenat prvog reda, a varijansa je cen-
tralni momenat drugog reda.
Ako postoji osnovni momenat ktog reda (k 2) onda postoje i momenti itog
reda i {0, 1, . . . , k 1}. Naime, neka je

|x
k
f(x)|dx < +,
tada je

|x
i
f(x)|dx =

|x
k
f(x)|dx +

1
1
|x
k
f(x)|dx +

+
1
|x
k
f(x)|dx
1 +

|x
k
f(x)|dx < +.
Denicija 7.4. Neka su X i Y slucajne promjenljive. Broj
E((X E(X))(Y E(Y ))
nazivamo kovarijacija i oznacavamo 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 slucajne promjenljive onda je cov(X, Y ) = 0.
56GLAVA7. NUMERI

CKE KARAKTERISTIKE SLU

CAJNIHPROMJENLJIVIH
Primjer 7.9. Neka slucajni vektor (X, Y ) ima zakon raspodjele vjerovatnoca
Y \X -1 0 1
0
1
12
1
2
1
12
2
1
12
1
6
1
12
Naci cov(X, Y ).
Rjesnje. 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).
Denicija 7.5. Slucajna promjenljiva
X
0
= X E(X)
naziva se centralizovana slucajna promjenljiva.
Slucajna promjenljiva
X

=
X E(X)

V ar(X)
naziva se standardizovana slucajna promjenljiva. Kovarijacija standardizo-
vanih slucajnih promjenljivih X

i Y

naziva se koecijent korelacije slucajnih

promjenljivih X i Y i oznacava se sa
XY
.
Dakle,

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 koecijenta korelacije :
1.
XX
= 1,
2.
XY
=
Y X
,
3. |
XY
| 1,
4. ako su X i Y nezavisne slucajne promjenljive onda je
XY
= 0,
5.
XY
{1, 1} ako i samo ako postoje a, b R takvi da je Y = aX + b
skoro sigurno.
7.4. MATEMATI

CKOO

CEKIVANJE I VARIJANSANEKIHRASPODJELA57
Primjedba 7.2. Za slucajne promjenljive X i Y kazemo da su :
nekorelisane ako je
XY
= 0,
pozitivno korelisane ako je
XY
> 0,
negativno korelisane ako je
XY
< 0.
Primjer 7.10. Slucajne 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 }. Naci koecijent korelacije
U,V
.
Rjesenje. Raspodjela slucajnog vektora (U, V ) je data sljedecom tabelom
U\V 0 1
0 0.25 0.5
1 0 0.25
Koecijent korelacije

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 Matematicko ocekivanje 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)
nk
, k = 0, . . . , n.
E(X) = np, V ar(X) = np(1 p).
3. Geometrijska
P(X = k) = p(1 p)
k1
, k = 1, 2, . . .
E(X) =
1
p
, V ar(X) =
1 p
p
2
.
58GLAVA7. NUMERI

CKE KARAKTERISTIKE SLU

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)
kr
, k = r, r + 1, . . .
E(X) =
r
p
, V ar(X) =
r(1 p)
p
2
.
6. Poissonova P()
P(X = k) = e

k
k!
, k = 0, 1, . . .
E(X) = , V ar(X) = .
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()
f(x) = e
x
, x 0, > 0.
E(X) =
1

, V ar(X) =
1

2
.
9. Normalna N(,
2
)
f(x) =
1

2
e

(x)
2
2
2
, x R.
E(X) = , V ar(X) =
2
.
7.5. ZADACI 59
7.5 Zadaci
1. Ako je X : U(a, b), odrediti E(X) i V ar(X).
2. Slucajne 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 slucajnu 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 slucajna promjenljiva. Pokazati da je
|E(X)| E(X
2
) +
1
4
.
5. X i Y su nezavisne slucajne promjenljive sa Poasonovom raspodjelom
P(). Naci E(X|X +Y = m).
60GLAVA7. NUMERI

CKE KARAKTERISTIKE SLU

CAJNIHPROMJENLJIVIH
Glava 8
Karakteristicne funkcije
8.1 Uvod
Kompleksna slucajna promjenljiva Z = X + iY je preslikavanje skupa u
skup C. Matematicko ocekivanje slucajne promjenljive Z je kompleksan broj
E(Z) = E(X) + iE(Y ). U ovoj sekciji uvodimo pojam karakteristicne funkcije
kao matematicko ocekivanje komplesne slucajne promjenljive. Ideja potice od
matematicara Ljapunova. Naime, on je koristio metodu karakteristicnih funkcija
da bi dosao do granicnih teorema, koje izucavamo u sljedecoj glavi.
Denicija 8.1. Karakteristicna funkcija slucajne promjenljive X : R
je funkcija : R C,
(t) = E(e
itX
).
Ako je f gustina slucajne promjenljive X, tada je
(t) =
+

e
itx
f(x)dx,
a ako je sa p
k
= P(X = x
k
) dat zakon raspodjele diskretne slucajne promjenljive
X, onda je
(t) =

k
e
itx
k
p
k
.
Napomenimo da se na osnovu veze izmedju originala i slike Furijeove trans-
formacije moze pokazati da vrijedi
f(x) =
1
2
+

(t)e
itx
dt,
ako je X neprekidnog tipa i
p
k
=
1
2

(t)e
itx
k
dt,
61
62 GLAVA 8. KARAKTERISTI

CNE FUNKCIJE
ako je X diskretnog tipa.
Primjer 8.1. Odrediti karaktristicnu funkciju slucajne promjenljive X cija je
gustina vjerovatnoce
f(x) =
1
2
e
|x|
.
Rjesenje. Iz denicije karakteristicne funkcije dobijamo
(t) =
1
2
+

e
itx
e
|x|
dx =
1
2

e
itx
e
x
dx +
+

0
e
itx
e
x
dx

=
1
1 +t
2
.
8.2 Osnovne osobine
Osnovne osobine karakteisticne funkcije su :
1. (0) = 1, |(t)| 1, (t) = (t).
2. Ako je X slucajna promjenljiva i a, b R, tada je

aX+b
(t) = e
ibt

X
(at).
3. Ako postoji momenat E(X
n
), tada je

(n)
(0) = i
n
E(X
n
).
4. Ako su X i Y nezavisne slucajne promjenljive, tada je

X+Y
(t) =
X
(t)
Y
(t).
Primjedba 8.1. Matematickom indukcijom se pokazuje da za nezavisne slucajne
promjenljive X
1
, . . . , X
n
vrijedi

X
1
++X
n
(t) =
X
1
(t)
X
n
(t).
Kao posljedicu osobine 3. dobijamo da za karateristicnu funkciju vrijedi
(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.
Sljedeci primjer pokazuje da ne vrijedi obrnuto tvrdenje u 4.
8.2. OSNOVNE OSOBINE 63
Primjer 8.2. Zakon raspodjele slucajnog 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 karakteristicne funkcije
X+Y
,
X
,
Y
vrijedi

X+Y
(t) =
X
(t)
Y
(t)
ali da su slucajne promjenljive X i Y zavisne.
Rjesenje.
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
Slucajna promjenljiva X +Y ima sledeci zakon raspodjele
X +Y :

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

.
Dakle,

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

X+Y
(t) =
X
(t)
Y
(t).
Slucajne 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}.
Sljedeca teorema je poznata kao teorema o neprekidnosti.
Teorema 8.1. Neka su (
n
(t)) i (F
n
(x)) nizovi karakteristicnih funkcija i odgo-
varajucih funkcija raspodjele. Ako
n
(t) (t), je neprekidna u 0 i F je
funkcija raspodjele koja odgovara karakteristicnoj funkciji , onda F
n
(x)
F(x) u svakoj tacki naprekidnosti funkcije F.
64 GLAVA 8. KARAKTERISTI

CNE FUNKCIJE
Primjer 8.3. Neka je X
1
, X
2
, . . . niz nezavisnih slucajnih 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).
Rjesenje. Raspodjelu za X odredicemo pomocu karakteristicnih funkcija. Za
slucajnu promjenljivu X
k
karakteristicna 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
,
posto su slucajne promjenljive X
1
, X
2
, . . . nezavisne, za karakteristicnu funkciju
slucajne promjenljive Y
n
vrijedi

Y
n
(t) =

n
k=1
X
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
n1
2 sin
t
2
n
=
sin t
2
n
sin
t
2
n
.
Sada je
Y
n
(t)
sin t
t
, n +.
Znaci, niz karakteristicnih funkcija
Y
n
konvergira za svako t = 0 ka funkciji
(t) =
sin t
t
, t = 0
Posto, lim
t0
sin t
t
= 1, se moze denisati u nuli h(0) = 1 da bi bila neprekidna.
Posto je
Y
n
(0) = 1 za svako n = 1, 2, . . . imamo da niz karakteristicnih funkcija

Y
n
konvergira za svako t R ka funkciji
(t) =

sin t
t
, t = 0
1 , t = 0.
Karakteristicna funkcija za uniformnu raspodjelu U(1, 1), je

U
=
e
it
e
it
2it
,
kako je
sin t
t
=
e
it
e
it
2it
,
to na osnovu teoreme o neprekidnosti zakljucujemo da X ima uniformnu raspod-
jelu U(1, 1).
8.3. KARAKTERISTI

CNE FUNKCIJE NEKIH RASPODJELA 65

8.3 Karakteristicne funkcije nekih raspodjela
1. Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 p.
(t) = 1 p +pe
it
.
2. Binomna B(n, p)
P(X = k) =

n
k

p
k
(1 p)
nk
, k = 0, . . . , n.
(t) = (1 p +pe
it
)
n
.
3. Geometrijska
P(X = k) = p(1 p)
k1
, k = 1, 2, . . .
(t) =
pe
it
1 (1 p)e
it
.
4. Poissonova P()
P(X = k) = e

k
k!
, k = 0, 1, . . .
= e
(e
it
1)
.
5. Uniformna U(a, b)
f(x) =
1
b a
, x [a, b].
(t) =
e
itb
e
ita
it(b a)
.
6. Eksponencijalna E()
f(x) = e
x
, x 0, > 0.
(t) =

it
.
7. Normalna N(,
2
)
f(x) =
1

2
e

(x)
2
2
2
, x R.
= e
it

2
t
2
2
.
66 GLAVA 8. KARAKTERISTI

CNE FUNKCIJE
8.4 Zadaci
1. Slucajne 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.
Koristeci karakteristicne funkcije naci raspodjelu za slucajnu promjenljivu
X, gdje je
X = X
1
+X
2
+X
3
.
2. Neka X ima binomnu raspodjelu B(n, p). Naci E(X
3
).
3. Karakteristicne funkcije nezavisnih slucajnih 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. Slucajna promjenljiva X ima karakteristicnu funkciju h(t). Izracunati
V ar(sin X) +V ar(cos X) preko h(1).
5. Slucajne promjenljive X
1
, . . . , X
n
su nezavisne i vrijedi X
i
: N(
i
,
2
i
), i =
1, . . . , n. Odrediti raspodjelu slucajne 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
Granicne teoreme
9.1

Cebisevljeva nejednakost
Ako znamo funkciju raspodjele vjerovatnoca mozemo odrediti vjerovatnocu
dogadaja {|X| }, > 0. Na primjer, ako je X neprekidna slucajna prom-
jenljiva sa gustinom f, onda je
P(|X| ) =

f(x)dx +

f(x)dx.
Ovde dajemo ocjenu gornje granice vjerovatnoce P(|X| ), ako je X nenega-
tivna slucajna promjenljiva.
Teorema 9.1. (Nejednakost Markova) Neka je X nenegativna slucajna prom-
jenljiva. Ako postoji E(X
k
), k N tada je
P(X )
E(X
k
)

k
za svako > 0.
Posljedica nejednakosti Markova je sljedeca nejednakost poznata kao

Cebisevljeva
nejednakost.
Teorema 9.2. Ako postoji V ar(X), tada je
P(|X E(X)| )
V ar(X)

2
.
Primjer 9.1. Slucajna promjenljiva X ima pozitivnu varijansu. Pokazati da je
P

10 <
X E(X)

V ar(X)
<

10

> 0.9.
Rjesenje. 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

CNE TEOREME
i
E

X E(X)

V ar(X)

2
= 1,
koristeci nejednakost

Cebiseva 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 vjerovatnocom
ne manjom od 0.979 vazila nejednakost

X
n
n
p

< 0.01,
gdje je X
n
broj pozitivnih realizacija u n ispitivanja, a p = 0.3 vjerovatnoca poz-
itivne realizacije u jednom ispitivanju. Naci ocjenu za najmanji broj ispitivanja
koristeci nejednakost

Cebiseva.
Rjesenje. Slucajna promjenljiva X
n
ima binomnu raspodjelu B(n, 0.3), pa je
E(X) =
3n
10
, V ar(X) =
21n
100
.
Koristeci nejednakost

Cebiseva 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
.
Znaci, treba naci takvo n da vazi
P

X
n
n
p

< 0.01

> 1
2100
n
0.979.
Rjesavanjem ove nejednacine dobijamo n 10
5
.
9.2 Neke granicne teoreme
U opitu bacanja homogenog nocica vjerovatnoca pojave grba (pisma) je
1
2
.
To se dovodi u vezu sa grupisanjem relativne ucestalosti
S
n
n
oko
1
2
, pri velikom
ponavljanju opita. Medutim, nije moguce dokazati
lim
n+
S
n
n
=
1
2
.
9.3. VRSTE KONVERGENCIJA U TEORIJI VJEROVATNO

CE 69
Postupa se na drugi nacin. Za proizvoljan > 0 posmatra se vjerovanoca
P

S
n
n
p

<

.
Ako za svaki > 0 vrijedi
lim
n+
P

S
n
n
p

<

= 1,
onda imamo opradanje statisticke denicije vjerovatnoce.
Sljedeca teorema dokazuje se koristeci

Cebisevljevu nejednakost.
Teorema 9.3. (Bernoulli)Neka je > 0 i S
n
: B(n, p), tada je
lim
n+
P

S
n
n
p

<

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

S
n
n
p

= 0.
Teorema 9.4. (

Cebisev) Neka je (X
n
) niz nezavisnih slucajnih promjenljivih,
sa uniformno ogranicenim varijansama, to jest, postoji c R tako da je za svaki
n N V ar(X
n
) c. Tada za svaki > 0 vrijedi
lim
n+
P

1
n
n

i=1
X
i

1
n
n

i=1
E(X
i
)

<

= 1 (9.2)
Teorema 9.5. (Hincin) Neka je (X
n
) niz nezavisnih slucajnih promjenljivih,sa
ostom raspodjelom i matematickim ockivanjem m R. Tada je za svako > 0
lim
n+
P

1
n
n

i=1
X
i
m

<

= 1. (9.3)
Uocimo da su formule (9.1), (9.2) i (9.3) istog tipa. Denisacemo pojmove
pomocu kojih se navedene teoreme mogu iskazati na isti nacin. To nas dovodi
do ralicitih konvergencija u teoriji vjerovatnoce.
9.3 Vrste konvergencija u teoriji vjerovatnoce
Denicija 9.1. Neka su X, X
,
X
2
, . . . slucajne promjenljive.
1. Kazemo da niz (X
n
) strogo konvergira ili konvergira skoro sigurno ka
slucajnoj promjenljivoj X ako je
P( lim
n+
X
n
= X) = 1.
70 GLAVA 9. GRANI

CNE TEOREME
2. Niz (X
n
) konvergira u vjerovatnoci ka X ako je
lim
n+
P(|X
n
X| ) = 0 ( > 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 kazemo da niz (X
n
) L
p
konvergira ka X ako je
lim
n+
E|X
n
X|
p
= 0.
Ako je p = 2 kazemo da niz (X
n
) konvergira u srednjem kvadratnom.
Denicija 9.2. Ako niz aritmetickih sredina (X
n
) (X
n
=
1
n
n

i=1
X
i
), konvergira
u vjerovatnoci ka
1
n
n

i=1
E(X
i
) kazemo da za niz (X
n
) vazi slabi zakon velikih
brojeva.
Ako niz (X
n
) konvergira skoro sigurno ka
1
n
n

i=1
E(X
i
) kazemo da za niz (X
n
)
vazi jaki zakon velikih brojeva.
Teoreme 9.3, 9.4 i 9.5 zovu se Bernulijev,

Cebisev i Hincinov zakon velikih
brojeva. To su slabi zakoni velikih brojeva. Navedimo i jedan jaki zakon velikih
brojeva.
Teorema 9.6. (Borel) Za Bernulijevu semu vrijedi
S
n
n
p skoro sigurno.
9.4 Centralna granicna teorema
Teorema 9.7. Neka je (X
n
) niz nezavisnih slucajnih promjenljivih sa istom
raspodjelom, za koje je E(X
n
) = m i V ar(X
n
) =
2
za svaki n N. Tada
vrijedi
lim
n+
P(Y

n
< x) =
1

2
x

t
2
2
dt,
gdje je
Y

n
=
X
1
+ +X
n
n m

n
.
Primjer 9.3. Broj ljudi koji udu u jednu robnu kucu u toku jednog minuta ima
P(6) raspodjelu.
a) Kolika je vjerovatnoca da u toku dva sata u robnu kucu ude bar 700 ljudi?
9.5. ZADACI 71
b) Koliko vremena treba da prode da bi sa vjerovatnocom 0.95 u robnu kucu uslo
bar 700 ljudi?
Rjesenje. Neka je X
i
slucajna promjenljiva koja predstavlja broj ljudi koji udu
u robnu kucu 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.
Posto su slucajne promjenljive X
1
, X
2
, . . . X
n
nezavisne i sve imaju istu raspod-
jelu vazi centralna granicna teorema, znaci raspodjela
Y
n
E(Y
n
)

V ar(Y
n
)
tezi 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

(0.745) 0.77,
imamo da je
P(Y
n
700) 0.77.
b)
P(Y
n
700) 1

700 6n

6n

,
pa iz
1

700 6n

6n

= 0.95
nalazimo
700 6n

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

x
m
m!
e
x
, x 0
0, x < 0.
Dokazati, koristeci nejednakost

Cebiseva, da je
P(0 < X < 2(m+ 1)) >
m
m+ 1
.
72 GLAVA 9. GRANI

CNE TEOREME
2. Pretpostavimo da nezavisne slucajne promjenljive X
1
, X
2
, . . . , X
30
, imaju
uniformnu raspodjelu na [0, 1]. Neka je slucajna promjenljiva Y denisana
sa
Y = X
1
+X
2
+ +X
30
.
Koristeci centralnu granicnu teoremu odrediti P(13 Y 18).
3. Slucajne 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 vjerovatnoca ako
je n = 1000.
4. Primjenom centralne granicne teoreme na niz nezavisnih slucajnih prom-
jenljivih sa P(1) raspodjelom, dokazati da je
lim
n+
e
n
n

k=0
n
k
k!
=
1
2
.
5. Racunar vrsi obracun elektricne energije kod 100 korisnika. Vrijeme obracuna
za svakog korisnika ima eksponencijalnu raspodjelu sa ocekivanjem 3 sekunde
i nezavisno je od drugih korisnika. Naci vjerovatnocu da ce obracun trajati
izmedu 3 i 6 minuta.
Glava 10
Matematicka statistika
Matematicka statistika je blisko povezana sa teorijom vjerovatnoce. Cilj je
da se na osnovu rezultata eksperimenata donesu zakljucci o zakonima raspodjela
i numerickim karakteristikama slucajnih promjenljivih.
10.1 Osnovni pojmovi
Skup elemenata naziva se populacija ili generalni skup. Za svaki
posmatra se neka numericka karakteristika X() koja se naziva obiljezje.
Primjer 10.1. Populacija je skup svih stanovnika neke zemlje. Obiljezje svakog
stanovnika je npr. visina ili godine starosti.
Primjer 10.2. Svi proizvodi jedne fabrike cine populaciju. Obiljezje svakog
proizvoda je npr. njegova cijena.

Cesto je komplikovano registrovati obiljezje za svaki elemenat populacije.

Zato se obiljezje registruje na dijelu populacije (uzorak), pa se dobijena raspod-
jela smatra raspodjelom cijele populacije. Vazno je da uzorak dobro odrazava
(reprezentuje) populaciju. Ovo se rjesava tako da se uzorak bira slucajno. Tada
je populacija skup svih mogucih ishoda . Prema tome, obiljezje X(), je
slucajna promjenljiva. Dakle, treba odrediti funkciju raspodjele F(x) slucajne
promjenljive X. Uzorak obima n je ntorka
1
, . . . ,
n
slucajnih ishoda iz i
naziva se slucajni uzorak.
Slucajan uzorak (X
1
, . . . , X
n
) je prost slucajan uzorak ako su slucajne prom-
jenljive X
i
, i = 1, . . . , n nezavisne i sa istom raspodjelom. Posmatracemo samo
proste slucajne uzorke koje cemo jednostavnije zvati uzorcima.
Kada je izabran uzorak, slucajna promjenljiva (X
1
, . . . , X
n
) postaje ntorka
(x
1
, . . . , x
n
) R
n
i naziva se realizovani uzorak.
Neka je X obiljezje sa funkcijom raspodjele F(x) i neka je (X
1
, . . . , X
n
) prost
uzorak. Funkcija koja svakom x R dodjeljuje relativnu cestalost dogadaja
(X < x) u n opita naziva se empirijska funkcija raspodjele i oznacava se sa
73
74 GLAVA 10. MATEMATI

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 ksiran x R, ako n +
S
n
(x) F(x) skoro sigurno.
Ovo je centralna teorema matematicke statistike.
Neka je X obiljezje, (X
1
, . . . , X
n
) prost uzorak i funkcija f : R
n
R. Slucajna
promjenljiva Y = f(X
1
, . . . , X
n
) zove statistika. Koristimo sljedece 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 obiljezje X sa raspodjelom koja zavisi od jednog parametra .
Neka je odgovarajuci dopustivu skup, tj. skup kome pripada . Na taj nacin
imamo familiju raspodjela
{F(x, ) : }.
Zadatak je da se na osnovu uzorka (X
1
, . . . , X
N
) odredi vrijednost parame-
tra odnosno raspodjela F(x, ) za X. Izlozicemo tackaste ocjene param-
etara. Kod ovih ocjena bira se statistika U = (X
1
, , X
n
) takva da se za
ocjenu nepoznatog parametra uzima realizovana vrijednost u = (x
,
. . . , x
n
).
Statisitka U zove se ocjena.
Statistika U je nepristrasna (centrirana) ocjena parametra ako je
E(U) = .
Ako je
lim
n+
E(U) = ,
kazemo 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
; ) obiljezja X sa funkcijom
raspodjele F(x, ) je
L(x
1
, x
2
, . . . , x
n
; ) =
n

i=1
p(x
i
, ),
ako je X diskretnog tipa, sa raspodjelom vjerovatnoca P(x, ), a ako je X
neprekidnog tipa sa funkcijom gustine raspodjele f(x; ) tada je
L((x
,
x
2
, . . . , x
n
; ) =
n

i=1
f(x
i
, ).
Neka je = g(x
1
, x
2
, . . . , x
n
) vrijednost parametra kojom se postize maksimum
za L(x
1
, x
2
, . . . , x
n
; ) pri ksiranim x
1
, x
2
, . . . , x
n
. Statistika

= g(X
1
, X
2
, . . . , X
n
)
je ocjena maksimalne vjerodostojnosti parametra .
Primjer 10.3. 1. Vjerovatnoca 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
vjerovatnocu.
Na osnovu uzorka
x
k
5 6 7 8 9 10
m
k
10 12 11 9 7 6
izracunati ocjenu za p.
Rjesenje. 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 slucajne promjenljive sa eksponencijal-
nom raspodjelom i nepoznatim matematickim ocekivanjem a > 0, metodom
76 GLAVA 10. MATEMATI

CKA STATISTIKA
maksimalne vjerodostojnosti naci ocjenu za a na bazi uzorka X
1
, X
2
, . . . , X
n
.
Rjesenje. 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

i=1
x
i
a
.
Imamo sljedece
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 dobijen je uzorak 0,
1, 0, 2, 3, 0. Naci ocjenu maksimalne vjerodostojnosti za .
Rjesenje.
L(0, 1, 0, 2, 3, 0; ) =

2
12
e
6
,
pa se dobije

= 1.
4. Na osnovu uzorka obima n metodom maksimalne vjerodostojnosti odrediti
parametre m i
2
ako
(i) obiljezje X ima normalnu raspodjelu N(m, 5),
(ii) obiljezje X ima normalnu raspodjelu N(10,
2
).
Rjesenje. Slicnim postupkom kao u prethodnim zadacima dobijamo
m =
1
n
n

i=1
x
i
,

2
=
n

i=1
(x
i
10)
2
.
10.3. INTERVALI POVJERENJAZANEPOZNATUBINOMNUVJEROVATNO

CU77
10.3 Intervali povjerenja za nepoznatu binomnu
vjerovatnocu
Neka S
n
ima binomnu raspodjelu sa nepoznatim parametrom p. Tada za
svako > 0 vrijedi
P

S
n
n
,
S
n
n
+

1
1
4n
2
. (10.1)
Naime, nejednakost (10.1) slijedi iz nejednakosti

Cebiseva
P

S
n
n
p

) 1
p(1 p)
n
2
i cinjenice da funkcija (p) = p(1 p) ima maksimum, koji je jednak
1
4
i koji se
dostize za p =
1
2
.
Interval

S
n
n
,
S
n
n
+

naziva se interval povjerenja za nepoznatu vjerovatnocu

p.
Primjer 10.4. U slucaju da je n = 1000 odrediti duzinu intervala povjerenja
kome sa vjerovatnocom 0.99 pripada parametar p.
Rjesenje. Iz uslova 1
1
4n
2
= 0.99, za n = 1000 dobijamo 0.316. Dakle,
duzina 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
) 2(c) 1. (10.2)
Naime, na osnovu Muavr-Laplasove teoreme imamo
P

S
n
np

np(1 p)

2(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)

2(c) 1.
78 GLAVA 10. MATEMATI

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.
Rjesenje. Iz uslova 2(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 slucaju dobijamo da
je 95% interval povjerenja [0.509, 0.570].
10.4 Zadaci
1. Obiljezje X ima raspodjelu odredenu gustinom
f(x) =

c
x

+1
, x > c
0 , x c
gdje je > 0. Na osnovu uzorka obima n ocijeniti parametar . Ispitati
centriranost tako dobijene ocjene.
2. Obiljezje 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 slucajne promjenljive X je
f(x) =

x
+1
, x > 1
0 , x 1,
gdje je > 0. Na osnovu uzorka obima n ocijeniti parametar . Ispitati
centriranost tako dobijene ocjene.
4. Ako je u 1000 bacanja novcica pismo palo 525 puta, odrediti 99% interval
povjerenja za npoznatu vjerovatnocu padanja pisma.
5. Ako je u 100 izvedenih slobodnih bacanja kosarkas pogodio kos 75 puta
odrediti 95% interval povjerenja za nepoznatu vjerovatnocu ubacivanja
lopte u kos u jednom bacanju.
Glava 11
Slucajni procesi
11.1 Uvod
Neka je (, F, P) prostor vjerovatnoca i T skup vrijednosti parametra t.
Slucajni proces je familija slucajnih promjenljivih {X
t
}, t T. Indeks t se
obcno 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 slucajni
proces mozemo reci da je funkcija, koja pri svakom ksiranom t T je slucajna
promjenljiva X(t, ) = X(t), . Ako je =
0
ksirano , tada je X(t,
0
)
neslucajna funkcija i zove se realizacija ili trajektorija procesa. Ako je T
prebrojiv skup, tada se radi o slucajnom nizu, a ako je T neprebrojiv tada
imamo slucajni proces.
Neka je data funkcija raspodjele slucajnog vektora
(X(t
1
), X(t
2
), . . . , X(t
n
)).
Slucajni proces kod koga su sve konacnodimenzionalne raspodjele normalne
nazivamo Gaussovim slucajnim procesom.
Neslucajna funkcija
m(t) = E(X(t))
je matematicko ocekivanje slucajnog procesa,
K(t, s) = E(X(t) m(t))(X(s) m(s))
je njegova korelaciona funkcija.
11.2 Lanci Markova
U daljem posmatracemo slucajne procese kod kojih je skup T prebrojiv.
Neka je dat niz slucajnih promjenljivih (X
n
), kod koga sve slucajne prom-
jenljive imaju iste konacne ili prebrojive skupove vrijednosti (skupove stanja).
79
80 GLAVA 11. SLU

CAJNI PROCESI
Smatracemo da je skup vrijednosti {0, 1, . . . , } ili neki njegov podskup. Ako
vrijednost koju je postigla slucajna promjenljiva X
n
potpuno odredjuje zakon
raspodjele slucajne promjenljive X
n+1
i taj zakon raspodjele ne zavisi od vri-
jednosti koje su postigle slucajne promjenljive X
k
, k < n, tada za niz (X
n
)
kazemo da cini lanac Markova. Dakle, niz (X
n
) slucajnih 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 vjerovatnoca da se dati sistem u trenutku n + 1
nalazi u datom stanju, ako je poznato njegovo stanje u trenutku n, ne zavisi od
ponasanja tog sistema u proslosti to jest prije trenutka n.
Vjerovatnoca da se slucajna promjenljiva X
n+1
nadje u stanju j, ako je poznato
da se X
n
nalazi u stanju i naziva se vjerovatnoca prelaza. Imamo
p
n,n+1
ij
= P(x
n+1
= j|X
n
= i).
Ako vjerovatnoce p
n,n+1
ij
ne zavise od n lanac je homogen.
Oznacimo sa p
ij
(n) vjerovatnoce prelaza iz stanja i u stanje j za n koraka.
Matrice M
n
= [p
ij
(n)] se zovu matrice vjerovatnoca prelaza za n koraka.
Kod njih su svi elementi nenegativni i zbir u svakoj vrsti je 1.} Koristeci teoremu
o totalnoj vjerovatnoci imamo da je za 1 m n,
p
ij
(n) =

k
p
ik
(m)p
kj
(n m).
To su jednacine Kormogorova-

Cepmena. Matricni oblik je

M
n
= M
m
M
nm
,
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 granicna vrijednost
lim
n+
p
ij
(n) = p

j
,
koja ne zavisi od i. Brojevi p

j
zovu se nalne vjerovatnoce. Finalne vjerovatnoce
se mogu dobiti iz sistema jednacina:

j
p

j
= 1,

k
p

k
p
kj
= p

j
, j = 1, 2, . . .
Lanac koji ima nalne vjerovatnoce zove se ergodican.
11.3. ZADACI 81
11.3 Zadaci
1. Vjerovatnoce 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) Naci M
2
.
2. Dokazati da lanac sa matricom vjerovatnoca prelaza
M =

0 1
1 0

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

1
4
3
4
1
3
2
3

i naci nalne vjerovatnoce.

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 ergodican i naci asimptotsko ponasanje vjerovatnoca
prelaza p
ij
(n) kad n +.
5. U kutiji se nalazi jedna bijela i jedna crna kuglica. Na slucajan nacin se izvlaci
po jedna kuglica, pri cemu se ona odmah vraca u kutiju zajedno sa jos jednom
kuglicom suprotne boje. Neka je X
n
broj bijelih kuglica u kutiji prije ntog
izvlacenja. Da li je X
n
Markovski proces? Opisati stanja sistema i odrediti
vjerovatnoce prelaza u jednom koraku.
82 GLAVA 11. SLU

CAJNI PROCESI
Glava 12
Literatura
83