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 .

6 GLAVA 1. PREDGOVOR .

c Primjer 2. . a Ω je siguran dogadaj. jer se moˇe desiti da padne pismo (P) ili grb (G). godine. Tada je Ω = {ω1 . P P P P }. teorije pouzdanosti. ω3 . P GP G. Na primjer ako se eksperiment sastoji u ”bacanju”novˇi´a rezultat nije cc jednoznaˇan. 2. c Teorija vjerovatno´e se poˇela razvijati u 16. . Moˇemo re´i c z z c da se u ovom sluˇaju radi o sluˇajnoj pojavi. • Skup Ω svih mogu´ih ishoda nekog opita naziva se prosc tor elementarnih dogadaja. P GGP. Teorija vjerovatno´e je sastavni dio nekoliko nauˇnih oblasti c c c na primjer: teorije telekomunikacija. ω5 . • Nemogu´ dogadaj oznaˇavamo sa ∅. Novˇi´ se baca ˇetiri puta i registruje koliko je ukupno puta palo pismo. vijeku. ω4 .1 Prostor elementarnih dogadaja Definicija 2.1. Prva knjiga iz ove oblasti c c je ”De Ludo Aleae” (O igri kockom). Izuˇavanjem zakonitosti sluˇajnih c c c c pojava bavi se teorija vjerovatno´e. ω2 . Dogadaj A = {GGP P.Glava 2 Prostor vjerovatno´a c Uslovi nekog eksperimenta (opita) ne moraju jednoznaˇno odredivati rezulc tat. teorije informacija. c Neka je A dogadaj koji oznaˇava da je pao paran broj. Osnivaˇem moderne teorije vjerovatno´e smatra se Alekc c sandar Kolmogorov. 1. . ω4 . c c Broj elemenata skupa Ω je 24 = 16. gdje je ωk −pao je broj k. . GP P G. Tada je Ω = {GGGG. On je 1933. koja je ˇtampana 1663. godine dao aksiomatsko zasnivanje teorije vjerovatno´e. GGGP. P P GG} 7 .1. GP GP. cc c Neka je A dogadaj: broj pisama jednak je broju grbova. Baca se kocka i registruje broj koji je pao na gornjoj strani. ω6 }. Njen autor s je Girolamo Cardano. ω6 } i A = {ω2 . teorije automatskog upravljanja. 2. • Sluˇajan dogadaj (dogadaj) je bilo koji podskup skupa Ω.

2. c Ω = {1. C = {ω1 . ω5 . 421. 4. ω5 }. B ∩ C = {ω3 . Gada se kruˇna meta polupreˇnika r i registruje udaljenost pogotka od z c centra mete. / • Presjek dogadaja A i B oznaˇavamo sa A ∩ B i vrijedi c 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}. 2. 41. 21. B−pao je neparan broj. . . ω4 . C−pao je prost broj. . ω6 }. ω4 .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. U ovom sluˇaju Ω ima neprebrojivo elemenata. Novˇi´ se baca do pojave grba. PROSTOR VJEROVATNOCA 3. A = {ω2 . B ∩ C i C. 3. ω4 . ω5 }. 3. U kutiji se nalaze ˇetiri listi´a oznaˇena brojevima 1. P P G. 43. ´ GLAVA 2. Odrediti dogadaje A ∪ B. c c c Odrediti skup ishoda. 241.} i ima beskonaˇno elemenata. ω3 . ω6 }. ω3 .8 i ima 6 elemenata. A ∪ C = {ω2 . . Tada je s Ω = {x ∈ R : 0 ≤ x ≤ r} ∪ {∞}. c 4. ω4 . ω3 . c Primjer 2. ω6 }. Ω = {ω1 . ω5 }. Neka se opit sastoji u bacanju kocke i neka je dogadaj A−pao je paran broj. P G. ω5 . / Primjer 2. C = {ω2 . ω6 }. ako se listi´i izvlaˇe jedan po jedan do pojave neparnog c c broja (bez vra´anja). Neka je ∞ oznaka za promaˇaj. 23.2. ω2 . c • Uniju dogadaja A i B oznaˇavamo sa A ∪ B i vrijedi A ∪ B = {ω ∈ Ω : ω ∈ A ∨ ω ∈ B}. Ovde je cc Ω = {G. B = {ω1 .3. ω3 . to oznaˇavamo sa A ⊆ B. 423}. c • Dogadaji A i B su ekvivalentni ako vrijedi A ⊆ B i B ⊆ A. 243. • Suprotan dogadaj dogadaja A oznaˇavamo sa AC ili A i vrijedi c AC = {ω ∈ Ω : ω ∈ A}.

ω2 }} je σ−polje dogadaja. {ω2 . i ∈ N definiˇe se na sljede´i naˇin: s c c i∈N Ai = {ω ∈ Ω : (∃i ∈ N) ω ∈ Ai }. A ∩ A = A. 3. {ω2 }. {ω1 }. Skup F ⊆ P(Ω) nazivamo σ−polje dogadaja ako vrijedi: 1. ω3 .´ 2. 7.1. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C). A ∈ F ⇒ AC ∈ F. Primjer 2. A ∩ ∅ = ∅. ω2 }. Tada vrijedi: 1. 8. A ∩ AC = ∅. ΩC = ∅. A ∪ Ω = Ω. (A ∪ B)C = AC ∩ B C . 2. 3. A ∩ (B ∩ C) = (A ∩ B) ∩ C. Neka je F σ−polje dogadaja. 5. Teorema 2. (i) Neka je Ω proizvoljan skup i F = {∅. i∈N Ai = {ω ∈ Ω : (∀i ∈ N) ω ∈ Ai }. Ω}. ω2 . ω3 . A ∪ ∅ = A.3. ω4 }. A ∪ (B ∪ C) = (A ∪ B) ∪ C. . ω4 }} nije σ−polje dogadaja. A ∪ B = B ∪ A. AKSIOME TEORIJE VJEROVATNOCE 9 Prebrojiva unija odnosno presjek dogadaja Ai . Neka je Ω prostor elementarnih dogadaja i P(Ω) familija svih podskupova od Ω. Ω{ω1 }. A ∩ B = B ∩ A. 6.3 Aksiome teorije vjerovatno´e c U aksiomatskom zasnivanju teorije vjerovatno´e znaˇajan je pojam σ−polja c c dogadaja. {ω1 . Tada je F σ−polje dogadaja. ∅ ∈ F. 2. {ω3 }.2. A ∪ A = A. Definicija 2. Ω ∈ F. (iii) Neka je Ω = {ω1 . A ∩ Ω = A. 9. Navedimo i neke osobine definisanih operacija i relacija: 1. 4. familija F = {∅. 2. (ii) Neka je Ω = {ω1 . (A ∩ B)C = AC ∪ B C . A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C). (AC )C = A. (∀i ∈ N)Ai ∈ F ⇒ i∈N Ai ∈ F.4. A ∪ AC = Ω. familija F = {∅. ∅C = Ω.

2. i = 1. Ai ∈ F. c . B ∈ F ⇒ A ∩ B. µ(Ω) U ovom sluˇaju funkcija P je vjerovatno´a. (Geometrijska definicija vjerovatno´e) Neka je Ω skup u c c s c R2 ˇija je povrˇina µ(Ω) pozitivna i konaˇna. normiranost i σ−aditivnost. . i ∈ N ⇒ i∈N Ai ∈ F. .6.5. . P (Ω) = 1. i=1 je vjerovatno´a. . n. A \ B ∈ F . P ) se zove c prostor vjerovatno´a. (Konaˇan prostor vjerovatno´a) Neka je n ∈ N i c c Ω = {ω1 . i ∈ N takve de ja Ai ∩Aj = ∅.3. . (∀A ∈ F). 3.7. c Navedimo neke primjere. Definicija 2. i = 1. PROSTOR VJEROVATNOCA 2. c 1 Ako je pi = n . Neka je Ω prostor elementarnih dogadaja i F σ−polje dogadaja. P ( i=1 Ai ) = i=1 P (Ai ) za sve Ai ∈ F. . F = P(Ω) i pi ≥ 0. A. +∞ +∞ 3. Kolc c c mogorova. . . . Primjer 2. Ove osobine redom zovu se: nenegativnost.10 ´ GLAVA 2. . Broj P (A) je vjerovatno´a dogadaja A. ωn }. Definisa´emo sada pojam vjerovatno´e koriste´i aksiomatski pristup A. I = {j : ωj ∈ A}. s Definiˇimo P : F → R tako da je s P (A) = µ(A) . . Uredena trojka (Ω. Neka je F = {A ⊆ Ω : A ima povrˇinu }. Funkcija P : F → R definisana sa pi . Primjer 2. P (A) ≥ 0. c Primjer 2. takvi da je P (A) = i∈I n pi = 1. F. Ovde se radi o geometrijskoj definic c ciji vjerovatno´e. Odrediti vjerovatno´e svih mogu´ih zbirova pri bacanju dvije c c kocke. Funkcija P : F → R je vjerovatno´a ako vrijedi: c 1. . n kaˇemo da se radi o klasiˇnoj ili Laplasovoj z c definiciji vjerovatno´e. i = j.

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

1 ≤ i < j < N! 1 N! . P (B) = . P (A1 ∩ A2 ∩ · · · ∩ AN ) = k ≤ N. 4 3 2 Primjer 2. . 2. Kako je s P (A ∪ B) = P (A) + P (B) − P (A ∩ B) i P (AC ) = 1 − P (A). Neka su dogadjaji A i B takvi da je P (A ∩ B) = Odrediti P (A ∪ B). 1 ≤ i < j ≤ N. 3 2 4 12 1 1 1 . P (Ai ∩ Aj ∩ Ak ) = . N lica moˇe rasporediti N ˇeˇira na glave na N ! naˇina.. N ).1. N lica izmjeˇaju svoje ˇeˇire i nasumice stavljaju na glavu po s s s jedan ˇeˇir. Prema tome je s s c −1)! 1 c s P (Ai ) = (NN ! = N . Neka je A dogadaj da bar jedno lice stavi svoj ˇeˇir na svoju glavu. Na´i vjerovatno´u 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. imamo P (A ∪ B) = 11 2 1 1 + − = . 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 ). . Poslednje dvije osobine su poznate kao neprekidnost vjerovatno´e. .10. P (AC ) = .. PROSTOR VJEROVATNOCA Primjedba 2. N! (N −3)! 1 = N (N −1)(N −2) . 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. Sliˇnim razmiˇljanjem dobijamo da je P (Ai ∩ Aj ) = (N −2)! 1 = N (N −1) . c Primjer 2.12 ´ GLAVA 2. 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! . ako z s s c je i−to lice stavilo svoj ˇeˇir na svoju glavu.9. Rjeˇenje. tada preostalih N − 1 lica moˇe s s z rasporediti N − 1 ˇeˇira na svoje glave na (N − 1)! naˇina.

10}. U kutiji se nalazi 4 bijele i 6 crnih kuglica. . (b) sva trojica znaju ruski i engleski. . Ako je F σ−polje dogadaja i A. 10 zna ruski i francuski. A \ B ∈ F. U jednom preduze´u od 100 ljudi njih 40 zna ruski jezik. a jedan nijedan? 4. . Odrediti vjerovatno´u c c c da je x1 ≥ 3 i x10 ≥ 5. x10 ). 15 zna ruski i engleski. 26 c francuski. 2. . c P (A) = 1 − 1 (−1)N −1 1 1 + − ··· + →1− 2! 3! N! e kad N → ∞. x2 . B ∈ F pokazati da je A ∩ B. Kolika je vjerovatno´a da se medu njima nalazi taˇno dvije bijele i c c c 1 crna kuglica.2. . Kolika je vjeoc c vatno´a da je njihov zbir bar 1. Na sluˇajan naˇin se biraju dva broja iz intervala [0. . . kolika je vjerovatno´a da : c c (a) sva trojica znaju engleski. 5 zna francuski i engleski i 3 zna sva tri jezika.5 Zadaci 1. xi ∈ N ∪ {0}. na sluˇajan naˇin se bira jedan elemenat (x1 . . . i = 1. Ako se bira na sluˇajan naˇin delegacija c c od tri ˇlana. . Kolika je vjeovatno´a da ´e c c c do´i do susreta? c 5.5. 13 2. a proizvod najviˇe 1 ? c s 2 6. . Izvlaˇe se tri kuglice na sluˇan c c naˇin. 30 zna engleski. . ZADACI Znaˇi. (c) dvojica znaju dva strana jezika. . 1]. Prijatelji se dogovore da se nadu izmedu 12 i 13 ˇasova na ugovorenom c mjestu i da ˇekaju jedan drugoga 20 minuta. 3. Iz skupa Ω = {(x1 . x10 ) : x1 + · · · + x10 = 20.

PROSTOR VJEROVATNOCA .14 ´ GLAVA 2.

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

Dogadaji A1 . . . B = {2. . Ako je F σ−polje dogadaja. . 2.3. Kutija od 100 proizvoda se smatra dobrom.2. . 2 4 .3. Ako su dogadaji nezavisni u ukupnosti oni su nezavisni i u parovima. . 3}. obrnuto ne vrijedi. Medutim. 3. Primjer 3. Na osnovu teoreme o proizvodu vjerovatno´a imamo c · 94 99 P( i=1 Ai ) = 95 100 · 93 98 · 92 97 · 91 96 ≈ 0. . Dogadaji A i B su nezavisni ako vrijedi P (A ∩ B) = P (A) · P (B). Tada je traˇena c z 5 vjerovatno´a P ( c i=1 5 Ai ). . 2. c c z c 3. .77. na sluˇajan naˇin izabranih ne nalazi ni jedan neispravan proizvod. . An su nezavisni u parovima ako vrijedi P (Ai Aj ) = P (Ai )P (Aj ). ako se u prvih 5 proizvoda. Koriste´i aksiome vjerovatno´e jednostavno se dobija sljede´a teorema. c Dakle. 2}. P (AB) = P (BC) = P (AC) = . An tada vrijedi P (A1 ∩A2 ∩· · ·∩An ) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩A2 ) · · · P (An |A1 ∩· · ·∩An−1 ). 5. USLOVNA VJEROVATNOCA Teorema 3. . . ako se ostvario dogadaj c A to ne utiˇe na vjerovatno´u dogadaja B.2 Nezavisni dogadaji Uslovna vjerovatno´a nas dovodi do pojma nezavisnosti dogadaja. 4} i prostor elementarnih dogadaja Ω = {1. Primjer 3. c c Definicija 3. ik } ⊆ {1.1. A2 . i = 1. n}. Tada je P (A) = P (B) = P (C) = 1 1 . P vjerovatno´a i P (H) > 0 tada je c funkcija P (·|H) : F → [0. . pomo´u uslovne vjerovatno´e moˇemo generisati nove vjerovatno´e. Znaˇi.16 ´ GLAVA 3. .2. . 4}. .2. A2 . Neka su dati dogadaji A1 . Iz definicije nezavisnosti i definicije uslovne vjerovatno´e dobijamo da je c P (B|A) = P (A) ako su dogadaji A i B nezavisni. 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. . i = j. i2 . Neka su dati dogadaji A = {1. a nezavisni u ukupnosti (cjelosti) ako vrijedi P (Ai1 Ai2 · · · Aik ) = P (Ai1 )P (Ai2 ) · · · P (Aik ) za sve izbore {i1 . c c c Teorema 3. . C = {2. . . c Definicija 3. +∞) vjerovatno´a.

5. . .4. 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 ). 0. Na osnovu toga lako zakljuˇujemo da vrijedi sljede´a teorema. . . . Dokaz. (ii) i=1 Hi = Ω. . . Teorema 3. B i C nezavisni u parovima ali nisu nezavisni u ukupnosti. Primjer 3. AC i B i AC i B C . Ako su A1 . Hn ⊂ Ω. Hn ⊂ c Ω hipoteze i A ⊂ Ω. Na´i vjerovatno´u da je: c c (i) cilj pogoden bar jednom. c Rezultat. Moˇe se pokazati da ako su dogadaji A1 . .8. Vjerovatno´a pogotka je c redom 0.3 n Fomula potpune vjerovatno´e c Definicija 3. . c c Teorema 3. . Analogno se pokazuje za AC i B. . Dogadaji H1 . i = j. An nezavisni u cjelini (parovima) z i ako neke od tih dogadaja zamijenimo sa suprotnim dogadajima da dobijamo takode nezavisne dogadaje u cjelini (parovima). .4.9.092. Tri strijelca po jednom gadaju metu. zovu se hipoteze (potpun sistem dogadaja).3. (Formula potpune vjerovatno´e)Neka su H1 . (ii) cilj taˇno jednom pogoden. H2 . za koje vrijedi (i) Hi ∩ Hj = ∅. Kako su AB i AB C disjunktni dogadaji i A = AB + AB C imamo P (A) = P (AB) + P (AB C ). 4 8 pa imamo da su A. 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 . jer nije P (ABC) = P (A)P (B)P (C). Ako su dogadaji A i B nezavisni onda su takvi i A i B C . . . H2 .4. FOMULA POTPUNE VJEROVATNOCE P (ABC) = 17 1 1 . Teorema 3. 3. (ii) 0. .´ 3.7 i 0. (i) 0. . An nezavisni tada je n n P( i=1 Ai ) = 1 − i=1 (1 − P (Ai )). .3. P (A)P (B)P (C) = . tada je n P (A) = i=1 P (A|Hi )P (Hi ).994.

Tada je P (Hj |A) = P (Hj )P (A|Hj ) = P (A) P (Hj )P (A|Hj ) n .5. pa se nakon toga iz te kutije bira kuglica. . vijek) Teorema 3. 19 P (H2 ) = = P (H3 ) = = 9 . . P (A|H2 ) = . c Tada je 10 2 9 = . P (H1 ) = 38 20 2 10 1 20 2 10 2 20 2 10 1 10 . Formula pomo´u koje to radimo poznata je kao Bajesova formula (Thomas Bayes.6. a u drugoj kutiji se nalazi 8 bijelih i 10 crnih kuglica.18 ´ GLAVA 3. c H1 −u drugu kutiju su prebaˇene dvije crne 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 + + = .4 Bajesova formula Koriste´i uslovnu vjerovatno´u moˇemo raˇunati vjerovatno´e hipoteza posle c c z c c c ostvarenog dogadaja. Hn ⊂ Ω hipoteze i A ⊂ Ω takav da je P (A) = 0. c H2 −u drugu kutiju je prebaˇena jedna bijela i jedna crna kuglica. 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. USLOVNA VJEROVATNOCA Da´emo jednu primjenu formule potpune vjerovatno´e. Iz prve kutije se u drugu prebace dvije kuglice. U prvoj kutiji se nalazi 10 bijelih i 10 crnih kuglica. P (A|Hi )P (Hi ) i=1 . c c Primjer 3. 76 38 95 380 3. 38 P (A|H1 ) = 1 2 10 9 8 = . P (A|H3 ) = = . H2 . . 18. Neka su H1 .

4}. 3. 3. B-broj je manji od 3. 4 3 2 . 4. u parovima nezavisni. C = {2. P (A ∩ C) = P (A)P (C). Poˇto je s A ∩ B = A ∩ C = B ∩ C = A ∩ B ∩ C = {2}. 2. P (B) = . 2}. Pokazati da su dogadaji: A-broj je paran. a za stuc c s denta B odgovaraju´a vjerovatno´a oznosi 0. Kako je s P (A ∪ B) = P (A) + P (B) − P (A ∩ B) i P (AC ) = 1 − P (A).7. 1 . 2 1 4 P (A ∩ B) = P (A ∩ C) = P (B ∩ C) = P (A ∩ B ∩ C) = Dakle. 4}. Vjerovatno´a da ´e student A rijeˇiti zadatak je 0. imamo P (A ∪ B) = 2 1 1 11 + − = . c Primjer 3. Ovdje je s Ω = {1. P (B ∩ C) = P (B)P (C). Sluˇajno se izvlaˇi jedna c c kartica i registruje broj. c c c a vjerovatno´e P (Hi ) apriorne vjerovatno´e. Kolika c c c je vjerovatno´a da ´e zadatak biti rijeˇen? Ako je zadatak rijeˇen. ali je P (A ∩ B ∩ C) = P (A)P (B)P (C). 4 P (A ∩ B) = P (A)P (B). 3}.9.1.5.5 Zadaci ˇ 1. vrijedi sljede´e: c P (A) = P (B) = P (C) = 1 . C-broj nije potpun kvadrat. Cetiri kartice su numerisane brojevima 1. ali nisu nezavisni u ukupnosti. ZADACI 19 Primjedba 3. Neka su dogadjaji A i B takvi da je P (A ∩ B) = Odrediti P (A ∪ B). P (AC ) = .6.3. A = {2. 3 2 4 12 1 1 1 . Rjeˇenje. Rjeˇenje. B = {1. kolika je c c s s vjerovatno´a da ga je rijeˇio student B? c s 3. 2. Vjerovatno´e P (Hi |A) nazivaju se aposteriorne vjerovatno´e. Sluˇajno se bira student. 2.

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

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

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

Trenutak u kome ´e oni pro´i kroz s c c 00 30 c c raskrˇ´e je sluˇajan izmedu 9 = i 9 =. Jedan uredaj se sastoji iz dva dijela. m(Ω) 18002 9.3. · · · + (−1)m−1 Znaˇi. 4 4 4 4 Kako je P (A ∪ B) = P (A) + P (B) − P (A ∩ B). Neka je m(A) mjera oblasti A.8. Traˇena c s z vjerovatno´a je c P (A) = m(A) 18002 − 17942 = = 0. na´i vjerovatno´u da su otkazala oba dijela. imamo P (A ∪ B) = 3 . to jest u ovom sluˇaju povrˇina. a sa Y trenutak ulaska drugog voza u raskrˇ´e. y) 0 ≤ x ≤ 1800.. Ako sa X oznaˇimo s s c trenutak ulaska prvog. 4 Primjedba. Neka je A = {(x. y) : max{x. y} ≤ 1 }. y) ∈ Ω |x − y| < 6}.. sc c Rjeˇenje. µ(B) = . vjerovatno´a da drugi dio radi u istom intervalu iznosi 0. 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 . 2 2 Na´i vjerovatno´u dogadjaja A ∪ B.5. Neka je A dogadaj da je doˇlo do sudara. . sc tada. Vjerovatno´a da radi prvi dio u intervalu vremena t iznosi c 0. 0 ≤ y ≤ 1800}. Vozovi duˇine 180 metara kre´u se brzinom 30 metara u sekundi po z c prugama koje se medusobno ukrˇtaju. 8.7. Brojevi x i y se na sluˇajan naˇin i nezavisno jedan od drugog biraju iz c c intervala [0. 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 + . Ako je c c c uredaj ispitivan u intervalu vremena t i otkazao je. Kako je A ∪ B = A imamo P (A ∪ B) = P (A) = 3 . c c Rjeˇenje. A = {(x. y) : |x − y| ≤ 1 } i B = {(x. 4 10. µ(A ∩ B) = . 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.006656. Da bi uredaj radio neophodno je da radi svaki dio. Izraˇunati vjerovatno´u sudara. 1]. Lako se dobija s µ(A) = 1 − 3 1 1 1 = .

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

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

USLOVNA VJEROVATNOCA .26 ´ GLAVA 3.

. Odredi´emo vjerovatno´u P (Sn = k). c Odgovor na ovo pitanje je dao Jakob Bernuli u 18. 3 27 . Naime. . c c Primjedba 4. n.93 · 0. Vjerovatno´a prijema radio signala iznosi 0. . Funkcija ϕn zove se generatrisa vjerovatno´a P (Sn = k).1. vijeku. .12 = 0. Zbog prethodne osobine. k = 0. 1. 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 . zovu c se binomni zakon raspodjele vjerovatno´a. a po matematiˇaru Bernuliju i c c Bernulijev zakon raspodjele vjerovatno´a. Primjer 4.Glava 4 Viˇestruka ispitivanja s 4. P (Sn = k) = n k pk q n−k . 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. to jest c da ´e poslije n opita dogadaj A nastupiti taˇno k puta (k ≤ n).9. vjerovatno´e date sa P (Sn = k). vrijedi. Za niz opita u kojima z je vjerovatno´a realizacije dogadaja ista i nezavisna od ostalih opita kaˇemo c c da ˇini Bernulijevu ˇemu.1. Broj Sn se naziva relativna uˇestalost (frekvencija) s n c c dogadaja A u n ponovljenih opita.0729.1 Bernulijeva ˇema s Neka je Ω prostor elementarnih dogadaja i A ⊆ Ω. Sa Sn oznaˇavamo broj realizacija dogadaja A c s c u Bernulijevoj ˇemi. q = 1 − p.

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

(Integralna Muavr-Laplasova teorema) Pri uslovima prethodne teoreme vrijedi ab−np √ npq 1 P (a ≤ Sn ≤ b) ∼ √ 2π e− 2 dt. c (iii) Aproksimacija data prethodnom teoremom zove se i normalna aproksimacija. n → +∞ a−np √ npq t2 Dokaz. Vjerovatno´a proizvodnje neispravnog proizvoda je 0. 2πnpq x2 e− 2 dt. t2 .818.3. pa koristimo normalnu aproksis maciju. Rjeˇenje. VISESTRUKA ISPITIVANJA Teorema 4.3. P (36 ≤ S2500 1 ≤ 57) ∼ √ 2π 1 −2 e− 2 dt = Φ(1)−Φ(−2) = Φ(1)−(1−Φ(2)) ≈ 0. x1 = √ npq npq Primjedba 4. 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 .002 = 50 > 10. 2π x e− 2 dt 0 t2 zove se Gausova kriva obiˇne normalne raspodjele. (i) Vrijednosti funkcije 1 Φ(x) = √ 2π date su tablicama. Ovde je np = 2500 · 0.32 ˇ GLAVA 4.6. Na´i c c vjerovatno´u da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i c 57. Primjer 4.002. (ii) Kriva data jednaˇinom c t2 1 ϕ(t) = √ e− 2 . x1 t2 a − np b − np . x2 = √ .

Uredaj moˇe imati kvar A sa vjerovatno´om 0. . Ako je poznato da je vjerovatno´a radanja djeˇaka pribliˇno 0. na´i c c z c vjerovatno´u da medu 1000 novorodenˇadi ima bar 10 djevojˇica viˇe nego c c c s djeˇaka. Uredaj je pokvaren ako ima oba kvara. .95. ZADACI 33 4.01 i nezavisno od toga kvar z c B sa vjerovatno´om 0. Vjerovatno´a da je sluˇajno izabrani ˇovjek viˇi od 180 cm je 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 5.999. n} se na sluˇajan naˇin bira 2n brojeva sa vra´anjem c c c (n ≥ 10). . 2.4.5. U kutiji se nalazi 300 bijelih i 200 crnih kuglica.27. Odrediti k takvo da kupac prihvati seriju sa vjerovatno´om 0. Kupac c prihvata seriju od 1000 uredaja ako u seriji nema viˇe od k neispravnih s c uredaja. Odrediti k takvo da je broj izvuˇenih ˇetvorki u tih 2n izvlaˇenja c c c manji od k sa vjerovatno´om 0. 2. Na´i vjerovatno´u da se broj bijelih kuglica nalazi c c c izmedu 78 i 108.02. c 3.515. 4. c . . Iz skupa {1.5 Zadaci 1. Sluˇajno se bira 150 c kuglica sa vra´anjem.

34 ˇ GLAVA 4. VISESTRUKA ISPITIVANJA .

GG}. Primjer 5. z c c c c Dogadaj {ω ∈ Ω : X(ω) < x} kra´e oznaˇavamo sa {X < x}. Za funkciju X : Ω → R za koju vrijedi {ω ∈ Ω : X(ω) < x} ∈ F za sve x ∈ R. Neka je Ω prostor elementarnih dogadaja i F σ−polje dogadaja na Ω. To nas dovodi do z z definicije sluˇajne promjenljive. P G. Savrec c c mena teorija vjerovatno´e je teorija sluˇajnih promjenljivih. Ovo je Bernulijeva sluˇajna promjenljiva. Ako je p vjerovatno´a c uspjeha. P (X = 0) = 1 − p. imamo da je X : Ω → R sluˇajna promjenljiva ako X −1 (−∞. kaˇemo da je sluˇajna promjenljiva (veliˇina). Neka je vjerovatno´a svakog elementarnog dogadaja jednaka 1 . Imamo X(P P ) = cc 2.Glava 5 Sluˇajne promjenljive c 5.1. x). c c U opitu se svakom ishodu moˇe pridruˇiti neki realan broj. cc 1. a sa X = 0 ako se dogodio neuspjeh. oznaˇimo sa X = 1 ako se c dogodio uspjeh.1. GP. U opitu sa dva ishoda od koji je jedan uspjeh. Neka je c 4 X broj pojavljivanja pisama u dba bacanja novˇi´a. Kako je c {X < x} = X −1 (−∞. Prostor elementarnih dogadaja je Ω = {P P. X(P G) = X(GP ) = 1.1 Definicija i neki primjeri U klasiˇnoj teoriji vjerovatno´e osnovni pojam je sluˇajni dogadaj. Novˇi´ se baca dva puta. tada je P (X = 1) = p. X(GG) = 0. x) ∈ F za sve x ∈ R. 2. c Definicija 5. c 35 .

c Diskretna skuˇajna promjenljiva X : Ω → R je opisana ako se zna skup c X(Ω) = {xi : i ∈ I}. Sluˇajna promjenljiva X : Ω → R je diskretnog tipa ako je c skup X(Ω) konaˇan ili prebrojiv. 5. 1. c Zakon raspodjele sluˇajne promjenljive X dat je tabelom c X: Ovde je i∈I x1 p1 x2 p2 ··· ··· xn pn ··· ··· pi = 1. b ∈ [0. ω ∈ A. n. to jest ako se znaju vjerovatno´e pi = P {ω ∈ Ω : X(ω) = xi }. . 1]. Odredimo zakone raspodjele sluˇajnih promjenljivih datih u primjeru5. gdje je I konaˇan ili prebrojiv i ako se zna funkcija c P : X(Ω) → [0. X :  (1 − p)n . Sluˇajna promjenljiva X se naziva binomnom sluˇajnom promjenljivom. . b]) = b − a za svako a. Tada je P (X = k) = n k pk (1 − p)n−k . SLUCAJNE PROMJENLJIVE 3. c 1. c c c 4. {X = xi } = Ω i i∈I Primjer 5. a ≤ b. 1]. IA (ω) = 0. Sluˇajna promjenljiva X se naziva uniformnom promc jenljivom na [0. Neka je X sluˇajna promjenljiva koja moˇe da uzima proizvoljne vric z jednosti iz segmenta [0.36 ˇ GLAVA 5. k = 0. ω ∈ A. / Imamo P (IA = 1) = P (A). 1 n 1 p(1 − p)n−1 ··· ··· n n n pn  0 1 1−p p 0 n 0 3. Neka je A ⊂ Ω.2. P (IA = 0) = 1 − P (A).2 Zakon raspodjele sluˇajne promjenljive c diskretnog tipa Definicija 5. s c Neka je X broj uspjeha u n uzastopnih ponavljanja. . X : 2.2. X :  0 1 4 1 1 2 2 1 4 . Indikator dogadaja Aje sluˇajna promjenljiva IA definisana sa 1. 1]. Neka je data Bernulijeva ˇema sa vjerovatno´om uspjeha jednakom p. 5. . . 1]. . . tako da je P (X ∈ [a.1.

c c Kako vrijedi {ω ∈ Ω : X(ω) < x} ∈ F. P ) prostor vjerovatno´a i X : Ω → R sluˇajna promjenljiva. c 3. 5. c c 5. Funkcija raspodjele se moˇe definisati i sa z F (x) = P (X ≤ x). ≤ b) = F (b) + P (X = b) − F (a) − P (X = a).3 Funkcija raspodjele sluˇajne promjenljive c Neka je (Ω.ˇ 5. c c Definicija 5. Funkcija F : R → R definisana sa F (x) = P {ω ∈ Ω : X(ω) < x}. F je neprekidna s lijeva. 37 5. F je monotono neopadaju´a funkcija. x→+∞ lim = F (+∞) = 1. c Osnovne osobine funkcije raspodjele su : 1. t→x−0 lim F (t) = F (x). To nas dovodi do sljede´e definicije. Slede´a teorema daje karakterizaciju funkcije raspodjele sluˇajne promjenljive. c 3. < b) = F (b) − F (a) − P (X = a). P (a ≤ X P (a < X P (a ≤ X P (a < X < b) = F (b) − F (a). 4. F je monotono neopadaju´a funkcija. za svaki x ∈ R je definisana vjerovatno´a c P ({ω ∈ Ω : X(ω) < x}). x→+∞ lim = F (+∞) = 1. Funkcija F : R → R je funkcija raspodjele neke sluˇajne promc jenljive X ako i samo ako vrijedi : 1. c . F.1.1. 0 ≤ F (x) ≤ 1x ∈ R. Neka je X : Ω → R sluˇajna promjenljiva. t→x+0 lim F (t) = F (x) + P (X = x). Primjedba 5. FUNKCIJA RASPODJELE SLUCAJNE PROMJENLJIVE 4. x ∈ R.3. IA : 0 1 1 − P (A) P (A) . 0 ≤ F (x) ≤ 1x ∈ R. U ovom sluˇaju se ne radi o diskretnoj sluˇajnoj promjenljivoj. 2. ≤ b) = F (b) + P (X = b) − F (a). U tom sluˇaju ona je neprekidna s desna. x→−∞ lim = F (−∞) = 0.3. c c Teorema 5. x→−∞ lim = F (−∞) = 0. 4. naziva se funkcija raspodjele sluˇajne promjenljive X. 2.

Bernulijevi eksperimenti. Hipergeometrijska raspodjela. Ovde je  0. Geometrijska raspodjela. . λk −λ e . 2. 1. F (x) = P (X < x) =  k<x n   1. m je posebno oznaˇeno. Imamo c m k · n r                  k<x P (X = k) = n−m r−k . Sluˇajna promjenljiva X uzima c vrijednosti 1. 4. sa vjerovatno´om c uspjeha p. 0 < x < r. izvode se do prvog uspjeha. . p(1 − p)k−1 . 0 < x ≤ n. x ≥ r. . .38 ˇ GLAVA 5. c Bira se sluˇajan uzorak od r predmeta. 1.3. 3. x ≤ 1. . F (x) = P (X < x) = k<x 0. Binomna raspodjela. . λ > 0.    n pk (1 − p)n−k . 0. sa vjerovatno´ama c P (X = k) = p(1 − p)k−1 . . F (x) = P (X < x) = xx <x P (X = xi ) = xx <x pi . k! x ≤ 0. Neka je X broj posebno oznaˇenih c c predmeta u uzorku. x > 0. x > 1. . . Ovo je hpergeometrijska sluˇajna promjenljiva. . x > n. . k = 1. Puasonova raspodjela. 2. F (x) = P (X < x) = k<x λk −λ . 2. 1. SLUCAJNE PROMJENLJIVE Ako znamo zakon raspodjele diskretne sluˇajne promjenljive X onda moˇemo c z konstruisati njenu funkciju raspodjele. m k  ·    F (x) = P (X < x) = n r n−m r−k     x ≤ 0. Primjer 5. sa vjerovatno´ama c P (X = k) = Funkcija raspodjele ima oblik 0. 2. . Od n predmeta. . . r. Diskretna sluˇajna promjenljiva X moˇe uzic z mati vrijednosti 0. Naime. . . k! e 1. 2. k = 0. x ≤ 0.

Tada vrijedi : 1.4 Sluˇajne promjenljive neprekidnog tipa c Definicija 5. c Primjer 5. nije ni diskretnog ni neprekidnog tipa. 2 1 x. 5. SLUCAJNE PROMJENLJIVE NEPREKIDNOG TIPA Kako zbir svih vjerovatno´a mora da bude 1. Napomenimo da postoje sluˇajne promjenljive koje nisu ni diskretne ni neprekidne.2. a ako je f neprekidna onda je F diferencijabilna i vrijedi F ′ (x) = f (x). Za sve a. Odavde dobijamo P (X = a) = 0.  0. P (X = a) = 0. Funkcija f je gustina raspodjele vjerovatno´a sluˇajne promjenljive X. c c Ako je f integrabilna onda je F neprekidna.ˇ 5. Iz osobina funkcije raspodjele vjerovatno´a sluˇajne promjenljjive dobijamo c c osobine funkcije gustine raspodjele vjerovatno´a. Sluˇajna promjenljiva X ˇija je funkcija raspodjele data sa c c  x < 1. Neka je X neprekidna sluˇajna promjenljiva sa funkcijom raspodc jele F i gustinom f . b ∈ R. Za svako a ∈ R.4. za svaki x ∈ R. 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. . dobijamo identitet c r 39 k=0 m k n−m r−k = n r . x ∈ R. 2 ≤ x < 1. F (x) =  1.4. c Teorema 5. 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). 1 ≤ x.4. (a < b) je b P (a < X < b) = a f (t)dt. 2.

6] 0. / Na´i: c (a) konstantu c. b 2 27 xdx a = b2 −a2 27 . (c) P (X 2 − 9X + 20 ≥ 0). s (a) Iz relacije 6 cxdx = 1 3 dobijamo da je c = (b) P (X ∈ [a. Dakle. +∞ f (t)dt. 6]. −∞ Primjer 5. 6]). 27 27 27 3 3 5. a f (t)dt = 1. Funkcija gustine vjerovatno´a sluˇajne promjenljive X je c c f (x) = cx. 6]. b] ⊂ [3. Za svako a ∈ R je ˇ GLAVA 5. P (X = 0) = 1 − p.40 3. 1. 4] ∪ [5. Rjeˇenje. Bernoullijeva .5 Pregled vaˇnijih raspodjela z P (X = 1) = p. −∞ +∞ P (X > a) = P (X ≥ a) = 4. SLUCAJNE PROMJENLJIVE a P (X < a) = P (X ≤ a) = f (t)dt. b]). 4 6 P (X − 9X + 20 ≥ 0) = 2 2 xdx + 27 5 42 − 32 62 − 52 2 2 xdx = + = . (b) P (X ∈ [a. gdje je [a.5. x ∈ [3. b]) = (c) 2 27 . x ∈ [3. P (X 2 − 9X + 20 ≥ 0) = P ((X − 4)(X − 5) ≥ 0) = P (X ∈ [3.

. k = 1. . k = 0. b) λk . r ≤ m < n. σ 2 ) f (x) = 10. .ˇ 5. . . b−a 8. Gama Γ(α. r. σ 2π . 0 < x < 1. 9. . PREGLED VAZNIJIH RASPODJELA 2. k = 0. . . Beta B(α. Binomna B(n. Γ(α) (x−µ)2 1 √ e− 2σ2 . . f (x) = 1 . k! k−1 r−1 pr (1 − p)k−r . p) P (X = k) = 3. β) f (x) = Γ(α + β) α−1 x (1 − x)β−1 . . n. Poissonova P(λ) P (X = k) = e−λ 7. x ∈ R. x ∈ [a. x > 0. 2. Eksponencijalna E(λ) f (x) = λe−λx . . . r + 1. 4. . . x ≥ 0. 5. Geometrijska P (X = k) = p(1 − p)k−1 . 1. λ > 0. . Hipergeometrijska m k n r n−m r−k n k pk (1 − p)n−k . k = 0. . Uniformna U(a. k = r. λ) f (x) = 11. Negativna binomna P (X = k) = 6.5. Normalna N (µ. . Γ(α)Γ(β) λα e−λx xα−1 . 41 P (X = k) = . b].

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

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

To su marginalni zakoni raspodjela vjerovatno´a. ··· ··· ··· ··· ··· . xi . y2 p12 p22 . c (ii) Na´i P (X ≤ Y ). c (iii) Na´i P (X = 2). i∈I j∈J Ako je poznat zakon raspodjele vjerovatno´a sluˇajnog vektora Z = [X. . . .j ˇ GLAVA 6. . . . . Primjer 6. yj p1j p2j . SLUCAJNI VEKTORI y1 p11 p21 . 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. . c . P (X = 3. vrijedi X: i Y : x1 p1 y1 q1 x2 p2 y2 q2 ··· ··· ··· ··· xi pi yj qj ··· ··· ··· ··· .1. . . . {X = xi . Y = yj } j imamo pi = P (X = xi ) = j pij . . c Kako je {X = xi } = {X = xi . Y = yj } imamo pij = 1. analogno dobijamo qj = P (Y = yj ) = i pij . Dakle. 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. . Y ]T c c tada moˇemo odrediti zakone raspodjela vjerovatno´a sluˇajnih promjenljivih z c c X i Y .44 To obiˇno predstavljamo pomo´u tabele c c X\Y x1 x2 . . Y = 3). . pi1 . pi2 . . pij ··· ··· ··· ··· ··· ··· . . . Kako je Ω= i.

2. 45 (ii) P (X ≤ Y ) = p11 + p12 + p13 + p14 + p22 + p23 + p24 + p33 + p34 = 5 . b2 ) − F (a1 . Y ) je funkcija c F : R2 → R data sa F (x. Funkcija F : R2 → R je funkcija raspodjele sluˇajnog vektora c (X. Y ) tada je c P (a1 ≤ X ≤ a2 . Osobine funkcije raspodjele : 1. Neka je F funkcija raspodjele sluˇajnog vektora (X. c 3. 4 1 3 2 1 3 3 1 12 . b1 ) + F (a1 . lim F (x. y) ≤ 1. i F (a2 . F je neprekidna s lijeve strane po svakoj promjenljivoj. x → +∞ x → −∞ y → +∞ y → −∞ Teorema 6. b1 ) + F (a1 . Y (ω) < y}. 2. lim F (x. c c Teorema 6.2. v < y}. b1 ) ≥ 0. b1 ). b2 ) − F (a2 . v) : u < x. 6 (iii) P (X = 2) = j p2j = 1 .1. y ∈ R.2. (i) P (X = 3. Y = 3) = 1 12 . tj. . F je neopadaju´a po svakoj promjenljivoj. y) = 1. 2. 0 ≤ F (x. b1 ≤ Y ≤ b2 ) = F (a2 . Definicija 6. tada ima smisla traˇiti vjerovatno´u c z c c c dogadaja {ω ∈ Ω : X(ω) < x. Y < y). da sluˇajna taˇka padne u oblast {(u. Y ) ako i samo ako vrijedi 1. c Rezultat. x. FUNKCIJA RASPODJELE SLUCAJNOG VEKTORA (iv) Odrediti marginalne zakone raspodjela vjerovatno´a za X i Y . 6. 4 (iv) X: X: 1 1 4 1 1 2 2 1 4 3 1 4 . b2 ) − F (a2 .2 Funkcija raspodjele sluˇajnog vektora c Neka su X i Y sluˇajne promjenljive. y) = 0. b2 ) − F (a1 .ˇ 6. Funkcija raspodjele sluˇajnog vektora (X. 4. 4. Sljede´a teorema daje karakterizaciju funkcije raspodjele sluˇajnog vektora. y) = P (X < x. 3.

SLUCAJNI VEKTORI 6. gdje je F (x. . X i Y su nezavisne sluˇajne promjenljive sa Poasonovom raspodc jelom P(λ). 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 .46 ˇ GLAVA 6. m. Sluˇajne promjenljive X i Y su nezavisne ako vrijedi c P (X < x. Definicija 6. y) funkcija raspodjele sluˇajnog vektora (X < Y ). Na´i raspodjelu sluˇajne promjenljive X|X + Y = m. y ∈ R. = P (Y = yj ) qj Primjer 6. yj ) = p(xi )q(yj ).3. Zakon raspodjele sluˇajnog vektora dat je tabelom c X\Y 0 1 2 3 Na´i uslovnu raspodjelu X|Y = 2. Primjer 6. . Y = yj ) pij . Pretpostavimo da su X i Y diskretne sluˇajne promjenljive.3.2. a FX (x)(FY (y)) c funkcija raspodjele sluˇajne promjenljive X(Y ). i ∈ I. . y ∈ R. s P {X = k|X + Y = m} = P {X = k. c Ako su X i Y diskretne sluˇajne promjenljive tada je nezavisnost ekvivalentna c uslovu p(xi . Y < y) = P (X < x)P (Y < y) za sve x. P (B) Polaze´i od formule c dolazimo do pojma uslovne raspodjele. c c Rjeˇenje. c Rezultat.3 Uslovne raspodjele P (A|B) = P (AB) . P (X = xi ) pi P (X = xi . P {X + Y = m} . X + Y = m} . 1. x. Ako su X i Y nezavisne tada vrijedi F (x. X = xi ) = . j ∈ J. k = 0. y) = FX (x)FY (y). . 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 . P (B) > 0.

k! Y =g◦X Sluˇajna promjenljiva Y = X 2 moˇe uzimati samo vrijednosti koje su kvadrati c z prirodnih brojeva i nule. c Primjer 6. 2 Rjeˇenje.ˇ 6. 2m k Znaˇi X|X + Y = m ima binomnu raspodjelu B(m. Imamo da je s P (X = k) = e−λ λk . Ramotrimo prvo sljede´e primjere. Definiˇimo Y = X 2 i s πX Z = sin . m! e P {X = k|X + Y = m} = m λm −2λ k m! e (2λ)m −2λ m! e = 1 m . . Y = m − k}. . . c Ovde se bavimo problemom odredivanja raspodjele sluˇajne promjenljive Y ako c je poznata funkcija g i raspodjela X. m. 1. . X + Y = m} = P {X = k}P {Y = m − k} = m λk λm−k −λ · (m−k)! e−λ = m λ e−2λ . 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 . 1 ). u opˇtem sluˇaju c s c su potrebna neka razmatranja iz analize funkcija viˇe promjenljivih ˇto prelazi s s okvire ovoga kursa. . k = 0.4. . 1. Smatra´emo da je n = 1. pri ˇemu je c P (Y = k 2 ) = P (X = k) = e−λ λk . k = 0. Tada je funkcija Y :Ω→R data sa sluˇajna promjenljiva. Neka X ima Poasonovu raspodjelu P(λ). . . Odrediti zakon raspodjele za Y i Z.4 Funkcije sluˇajnih promjenljivih c g : Rn → R Neka je X = (X1 . Xn ) viˇedimenzionalna sluˇajna pomjenljiva i s c data funkcija. FUNKCIJE SLUCAJNIH PROMJENLJIVIH 47 P {X = k. . Sada zbog nezavisnosti sluˇajnih promjenljivih X i Y je c P {X = k. k! · e k m! P {X + Y = m} = m m i=0 P {X = i. . 1. X + Y = m} = P {X = k. . . k = 0. .. c 2 6. k! . .4.

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

Sluˇajna promjenljiva X ima unifomnu raspodjelu na intervalu [0. c 2 1. Z = z) = p2 q 2w+|z| . Odrediti zakon raspodjele sluˇajne promjenljive Y = 2 cos πx . Neka su X i Y nezavisne sluˇajne promjenljive i c P (X = k) = P (Y = k) = q k p. 1 − q2 2−p (iv) Sluˇajne promjenljive Z i W su nezavisne jer vrijedi c P (Z = z. 1. (iii) P (Z = z) = w=0 p2 q 2w+|z| = p2 q |z| pq |z| 1 = . Dakle. s (i) Ako je Y − X = Z < 0 tada je w = W = Y i X = Y − Z = w + |z|. z ∈ Z. Y ). q = 1 − p Sluˇajne promjenljive Z i W definisane su sa c Z = Y − X. ZADACI Primjer 6. 1]. Zakon raspodjele sluˇajne promjnljive X dat sa c 2. . w ≥ 0. . X = w + |z|) = p2 q 2w+|z| . 2. (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 . Y = w + z) = p2 q 2w+z . k ∈ N. Ako je Y − X = Z ≥ 0 tada je w = W = X i Y = X + Z = w + z. (i) Pokazati da je P (W = w.6. W = min(X. (iv) Da li su Z i W nezavisne sluˇajne promjenljive? c 49 Rjeˇenje. Z = z) = P (Y = w. Z = z) = P (X = w. . c . Dakle. 6. p ∈ (0. (ii) Odrediti P (W = w). (iii) Odrediti P (Z = z). P (W = w.5. . P (W = w. k = 0.5 Zadaci P (X = k) = 2−k . W = w) = P (Z = z)P (W = w). Odredc iti raspodjelu sluˇajne promjenljive Y = X 2 .6. 1).

x > 0. 1 − X2 1 1 · .50 3. 0 x ≤ 0. SLUCAJNI VEKTORI e−x . c 4. π 1 + x2 . Sluˇajna promjenljiva X ima gustinu c f (x) = ˇ GLAVA 6. Odrediti gustinu sluˇajne promjenljive Y = (X − 1)2 . Sluˇajna promjenljiva X ima Koˇijevu raspodjelu c s f (x) = Na´i gustinu sluˇajne promjenljive c c Y = 2X .

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

Primjer 7. Za neprekidnu sluˇajnu promjenljivu sa gustinom raspodjele f . matematiˇko c c oˇekivanje definiˇe se sa c s +∞ E(X) = −∞ xf (x)dx. Ovde je E(X) = 3. π(1 + x2 ) U ovom sluˇaju ne postoji E(X). Neka je X sluˇajna promjenljiva i g : R → R data funkcija. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH ako je dati red apsolutno konvergentan.5. π(1 + x2 ) ne kovergira apsolutno. (i) Neka je X: Odrediti E(X 2 ). x ∈ R.1. Primjer 7. Ovde je g(x) = x2 . 2 2 −2 1 2 2 1 2 . . x ∈ R. π(1 + x2 ) +∞ pa integral −∞ x dx. Primjer 7. jer je c +∞ −∞ |x| dx = +∞. Neka X ima Koˇijevu raspodjelu. Ako je X c diskretnog tipa onda je +∞ E(g(X)) = n=1 g(xn )pn .2. pa vrijedi E(X 2 ) = (−2)2 1 1 + 22 = 0. U sluˇaju da je X neprekidnog tipa sa gustinom f onda je c +∞ E(g(X)) = −∞ g(x)f (x)dx.ˇ ˇ 52GLAVA 7.3. ako je integral apsolutno konvergentan. to jest radi se o sluˇajnoj proms c jenljivoj ˇija je gustina raspodjele c f (x) = 1 . Neka je X sluˇajna promjenljiva koja predstavlja broj na gornjoj c strani kocke.

1 dobijamo E(X + Y ) = 3. E(2X + 6) = 2E(X) + 6 = 206.5 + 3. Sada.4. Za sluˇajnu promjenljivu X vrijedi E(X) = 100. c 3. Tada je E(X) = E(Y ) = 0. 2. E(X + c) = E(X) + E(c) = E(X + c). Odrediti matematiˇko oˇekivanje povrˇine kruga. Neka su X i Y sluˇajne promjenljive-broj taˇaka koji se pojavio na s c c prvoj.2 Varijansa Matematiˇko oˇekivanje daje informaciju o sluˇajnoj promjenljivoj koja je c c c ne opisuje u potpunosti. . na osnovu primjera 7. c Primjer 7.2.1. Dakle. pa je E π2 X 2 2 7 = 5 π2 109π 2 x2 1 · dx = . ako su X i Y sluˇajne promjenljive tada je E(X + Y ) = E(X) + E(Y ). U ovom sluˇaju c c s c 2 x 2 je g(x) = π 2 . potrebno je posmatrati i odstupanje sluˇajne promjenljive od E(X). 7.5 = 7. Rjeˇenje. Primjer 7. odnosno na drugoj kocki. ako je c ∈ R i X sluˇajna promjenljiva tada je E(cX) = cE(X). Na´i matematiˇko oˇekivanje zbira broja taˇaka pri bacanju dvije c c c c kocke. Dakle.6. c to jest |X −E(X)|. VARIJANSA 53 (ii) X je sluˇajna promjenljiva koja oznaˇava duˇinu preˇnika kruga i vrijedi c c z c X : U(5. Izraz (X −E(X))2 takode daje odstupanje ali je jednostavniji za analizu. imamo E(X + Y ) = E(X) + E(Y ). ako su X i Y nezavisne sluˇajne promjenljive tada je c E(X · Y ) = E(X) · E(Y ). 7). Vrijede formule s E(cX) = cE(X). Ilustrujmo to sljede´im primjerom. Rjeˇenje.7.5. 4 2 12 U sljede´oj teoremi dajemo osnovne osobine matematiˇkog oˇekivanja. 1. Primjer 7. Neka je X: −1 1 3 0 1 3 1 1 3 iY : −100 50 100 1 1 0 2 2 . Prema osobini 3. c 4. c Odrediti E(2X + 6). Neka je c ∈ R tada je E(c) = c. c c c Teorema 7.

Sluˇajna promjenljiva IA je definisana sa (vidi primjer 5. 3 odrediti p1 . / 1. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH Definicija 7. to jest varijansu indikatora dogadaja A. Imamo P (IA = 1) = P (A). p2 i p3 . Odredimo V ar(IA ). P (IA = 0) = 1 − P (A).1. ω ∈ A. Primjer 7. V ar(IA ) = p − p2 = p(1 − p). V ar(X) = E(X 2 ) − E 2 (X) = pa je p1 + 4p2 + 9p3 − 4 = Sada iz p1 + p2 + p3 = 1 2 . 2. V ar(cX) = c2 V ar(X). Varijansa (disperzija) sluˇajne promjenljive X je c V ar(X) = E(X − E(X))2 . . V ar(X) se naziva stan- Osnovne osobine varijanse sadrˇane su u sljede´oj teoremi. V ar(X) = E(X 2 ) − E 2 (X). 3. ako je c ∈ R onda je V ar(c) = 0.1) c IA (ω) = 1. Koristi se i oznaka D2 (X) = E(X − E(X))2 .7.). ω ∈ A. Primjer 7. 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. kako je E(X) = 2 imamo p1 + 2p2 + 3p3 = 2.ˇ ˇ 54GLAVA 7. s. Primjedba 7. osim toga. ako su X i Y nezavisne sluˇajne promjenljive onda je c V ar(X + Y ) = V ar(X) + V ar(Y ). 0. 5.2.8. 4.2. 3 2 . z c Teorema 7. Broj dardna devijacija. V ar(X) ≥ 0. Vrijedi s p1 + p2 + p3 = 1. Dalje. Ako je V ar(X) = 0 onda je P (X = c) = 1 i kaˇe se da je X = c z skoro sigurno (s.

Matematiˇko oˇekivanje je osnovni momenat prvog reda. KOVARIJANSA I KOEFICIJENT KORELACIJE p1 + 2p2 + 3p3 = 2 p1 + 4p2 + 9p3 = dobijamo p1 = p2 = p3 = 14 . 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 < +∞. Neka su X i Y sluˇajne promjenljive. neka je +∞ −∞ |xk f (x)|dx < +∞. . Y ) = E(XY ) − E(X)E(Y ). X) = V ar(X). X). 1. . Y ) = 0.7. c . cov(X. 3. Naime. Ako postoji osnovni momenat k−tog reda (k ≥ 2) onda postoje i momenti i−tog reda i ∈ {0.3. k = 0. a varijansa je cenc c tralni momenat drugog reda. Definicija 7. 1. . 2. c Osnovne osobine kovarijacije su : 1. 3 1 . cov(X. ako su X i Y nezavisne sluˇajne promjenljive onda je cov(X. Y ) = cov(Y. . 3 55 7. Osnovni momenat k−tog c reda je E(X k ). 1. Broj c E((X − E(X))(Y − E(Y )) nazivamo kovarijacija i oznaˇavamo sa cov(X.3 Kovarijansa i koeficijent korelacije Definicija 7. cov(X. 4.3. Neka je X sluˇajna promjenljiva. 2. . Centralni momenat k−tog reda je E(X − E(X))k . . k − 1}.4. . 2. . k = 0. Y ). . .

ρXY ∈ {−1. Zakoni raspodjela za X. ρXX = 1. jer na primjer P (X < 0) = tako da je P (X < 0. 1} ako i samo ako postoje a. Definicija 7. 3. 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.5. E(Y ) = 2 i E(XY ) = 0. 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 ) . ρXY = ρY X . Y < 2) = P (X < 0)P (Y < 2). 1 2 1 . Kovarijacija standardizoc vanih sluˇajnih promjenljivih X ⋆ i Y ⋆ naziva se koeficijent korelacije sluˇajnih c c promjenljivih X i Y i oznaˇava se sa ρXY . 6 3 12 Osobine koeficijenta korelacije : 1. P (Y < 2) = i P (X < 0. Sada je E(X) = 0. Sluˇajna promjenljiva c X 0 = X − E(X) naziva se centralizovana sluˇajna promjenljiva. b ∈ R takvi da je Y = aX + b skoro sigurno. Primjetimo 3 da X i Y nisu nezavisne. |ρXY | ≤ 1. 4. ako su X i Y nezavisne sluˇajne promjenljive onda je ρXY = 0. 2. Neka sluˇajni vektor (X.ˇ ˇ 56GLAVA 7.9. Y ) = 0. . Y i XY su s X: −1 1 6 0 2 3 1 1 6 . Y < 2) = . Y ). c Dakle. c Rjeˇnje. c 5. pa je cov(X. c Sluˇajna promjenljiva c X − E(X) X⋆ = V ar(X) naziva se standardizovana sluˇajna promjenljiva. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH Primjer 7. Y : 0 2 3 2 1 3 . ρXY = cov(X ⋆ . XY : −2 1 12 0 5 6 2 1 12 .

E(X) = np. Bernoullijeva 2. . 3. p) P (X = k) = n k pk (1 − p)n−k . Geometrijska P (X = k) = p(1 − p)k−1 . 2.V . Y } i V = max{X. . V ar(X) = np(1 − p). . . 1. c Rjeˇenje. E(X) = p. MATEMATICKO OCEKIVANJE I VARIJANSA NEKIH RASPODJELA57 Primjedba 7. P (X = 0) = 1 − p.V = E(U V ) − E(U )E(V ) V ar(U ) V ar(V ) = 0. Sluˇajne promjenljive X i Y su nezavisne sa zakonom raspodjele c 0 1 2 1 1 2 . V ) je data sljede´om tabelom s c c U \V 0 1 Koeficijent korelacije ρU. Binomna B(n.4 Matematiˇko oˇekivanje i varijansa nekih raspodc c jela P (X = 1) = p. • negativno korelisane ako je ρXY < 0. k = 1. Neka je U = min{X. Za sluˇajne promjenljive X i Y kaˇemo da su : c z • nekorelisane ako je ρXY = 0.5 0.ˇ ˇ 7. Raspodjela sluˇajnog vektora (U.2.25 = 1 .25 − 0. Primjer 7.10. . Y }. k = 0. V ar(X) = p p2 . E(X) = 1 1−p .4.25 · 0. 3 7. n.75 √ √ 3 3 4 4 0 0. • pozitivno korelisane ako je ρXY > 0. .25 0 1 0. Na´i koeficijent korelacije ρU. . . V ar(X) = p(1 − p).

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

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

NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH .ˇ ˇ 60GLAVA 7.

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

2 Osnovne osobine Osnovne osobine karakteistiˇne funkcije su : c 1. . c . . Primjedba 8. . 2. Ako su X i Y nezavisne sluˇajne promjenljive. ϕ(−t) = ϕ(t). |ϕ(t)| ≤ 1. Odrediti karaktristiˇnu funkciju sluˇajne promjenljive X ˇija je c c c gustina vjerovatno´e c 1 f (x) = e−|x| . tada je c ϕX+Y (t) = ϕX (t) · ϕY (t). Ako je X sluˇajna promjenljiva i a. 1 + t2 8. 2 Rjeˇenje. tada je ϕ(n) (0) = in E(X n ). Sljede´i primjer pokazuje da ne vrijedi obrnuto tvrdenje u 4. . ˇ GLAVA 8. . Kao posljedicu osobine 3. 2. . . . Ako postoji momenat E(X n ). KARAKTERISTICNE FUNKCIJE Primjer 8. dobijamo da za karateristiˇnu funkciju vrijedi c n ϕ(t) = k=0 ik E(X k ) k t + o(tn ).1. b ∈ R. Xn vrijedi ϕX1 +···+Xn (t) = ϕX1 (t) · · · ϕXn (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 . 4. tada je c ϕaX+b (t) = eibt ϕX (at).62 ako je X diskretnog tipa. n.1. ϕ(0) = 1. Matematiˇkom indukcijom se pokazuje da za nezavisne sluˇajne c c promjenljive X1 . k = 1. 3. k! ako postoje momenti E(X k ).

ϕY vrijedi c ϕX+Y (t) = ϕX (t)ϕY (t) ali da su sluˇajne promjenljive X i Y zavisne. P {X = 0. onda Fn (x) → c F (x) u svakoj taˇki naprekidnosti funkcije F .2. Ako ϕn (t) → ϕ(t). c Teorema 8. Neka su (ϕn (t)) i (Fn (x)) nizovi karakteristiˇnih funkcija i odgoc varaju´ih funkcija raspodjele.1. Y = 1}. ϕX . OSNOVNE OSOBINE 63 Primjer 8. . 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 . ϕ je neprekidna u 0 i F je c funkcija raspodjele koja odgovara karakteristiˇnoj funkciji ϕ. ϕX+Y (t) = pa imamo ϕX+Y (t) = ϕX (t)ϕY (t).2. 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. c 2 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} = . Sluˇajne promjenljive X i Y su zavisne jer je. na primjer c P {X = 0} = P {Y = 1} = pa je P {X = 0}P {Y = 1} = P {X = 0. Zakon raspodjele sluˇajnog vektora (X. . c Rjeˇenje. Sljede´a teorema je poznata kao teorema o neprekidnosti.8.

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

. Geometrijska P (X = k) = p(1 − p)k−1 . k = 0. 1. . . f (x) = 1 . ϕ(t) = 4. . n. p) P (X = k) = n k pk (1 − p)n−k . . λ > 0. Eksponencijalna E(λ) f (x) = λe−λx . KARAKTERISTICNE FUNKCIJE NEKIH RASPODJELA 65 8. x ∈ [a. σ 2π σ 2 t2 2 λ . Normalna N (µ. 1 − (1 − p)eit ϕ = eλ(e 5. σ 2 ) f (x) = (x−µ)2 1 √ e− 2σ2 . Binomna B(n. x ∈ R. λ − it ϕ = eiµt− . ϕ(t) = 1 − p + peit .3 Karakteristiˇne funkcije nekih raspodjela c P (X = 1) = p. . x ≥ 0. b]. Uniformna U(a. 1.3. b−a eitb − eita . P (X = 0) = 1 − p. . it(b − a) ϕ(t) = 6. ϕ(t) = 7. .ˇ 8. 3. k! it peit . Poissonova P(λ) P (X = k) = e−λ λk . Bernoullijeva 2. k = 0. . b) −1) . . k = 1. . 2. ϕ(t) = (1 − p + peit )n .

Karakteristiˇne funkcije nezavisnih sluˇajnih promjenljivih X i Y su c c hX (t) = e2e Odrediti P (X + Y = 2). a2 . Odrediti raspodjelu sluˇajne promjenljive c it −2 i hY (t) = 1 4 10 3eit + 1 10 . X3 su nezavisne sa raspodjelama: c P {X1 = k} = Koriste´i karakteristiˇne funkcije na´i raspodjelu za sluˇajnu promjenljivu c c c c X.66 ˇ GLAVA 8. X2 . . an . . . Na´i E(X 3 ). . σi ). . 2 5. KARAKTERISTICNE FUNKCIJE 8. . P (XY = 0) i E(XY ). c 3. . . i = c 1. b realni brojevi. . 2. k ∈ N. . Sluˇajne promjenljive X1 . gdje su a1 . gdje je X = X1 + X 2 + X3 . Sluˇajna promjenljiva X ima karakteristiˇnu funkciju h(t). n. Sluˇajne promjenljive X1 . Xn su nezavisne i vrijedi Xi : N (µi . P {X2 = k} = k . Neka X ima binomnu raspodjelu B(n. p). . Izraˇunati c c c V ar(sin X) + V ar(cos X) preko h(1). P {X3 = k} = k . X = a1 X1 + a2 X2 + · · · + an Xn + b. k 2 3 5 1. . . 4.4 Zadaci 1 2 4 .

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

01 n < V ar( Xn ) n .979 vaˇila nejednakost z Xn − p < 0. V ar(X) = .012 Znaˇi. ˇ s koriste´i nejednakost Cebiˇeva imamo c P √ X − E(X) √ < 10 − 10 < V ar(X) ≥1− 1 = 0.01.3 vjerovatno´a pozc itivne realizacije u jednom ispitivanju.01 n >1− 2100 ≥ 0.68 i E ˇ GLAVA 9. pri velikom c n 2 c ponavljanju opita.3).9. sa vjerovatno´om c ne manjom od 0. 10 100 ˇ s Koriste´i nejednakost Cebiˇeva dobijamo c P to jest P Xn − p ≥ 0. 0. Koliko je potrebno sprovesti nezavisnih ispitivanja da bi. s c 9. c Rjeˇenje. nije mogu´e dokazati lim 1 Sn = .2 Neke graniˇne teoreme c U opitu bacanja homogenog noˇi´a vjerovatno´a pojave grba (pisma) je 1 . n Xn − p ≥ 0. Sluˇajna promjenljiva Xn ima binomnu raspodjelu B(n. 0. n 2 n→+∞ . pa je s c E(X) = 3n 21n .979. Medutim.2. cc c 2 To se dovodi u vezu sa grupisanjem relativne uˇestalosti Sn oko 1 . Na´i ocjenu za najmanji broj ispitivanja c ˇ s koriste´i nejednakost Cebiˇeva. n gdje je Xn broj pozitivnih realizacija u n ispitivanja.01 n < 2100 . treba na´i takvo n da vaˇi c c z P Xn − p < 0. 10 Primjer 9. n Rjeˇavanjem ove nejednaˇine dobijamo n ≥ 105 . a p = 0. GRANICNE TEOREME X − E(X) V ar(X) 2 = 1.

´ 9. X. n lim P Sn −p <ǫ n = 1.1.3. n→+∞ . tada je n→+∞ lim P Sn −p <ǫ n =1 (9. . Tada je za svako ǫ > 0 c c n→+∞ lim P 1 n n i=1 Xi − m < ǫ = 1. onda imamo opradanje statistiˇke definicije vjerovatno´e.1). Definisa´emo pojmove c c pomo´u kojih se navedene teoreme mogu iskazati na isti naˇin. . to jest. VRSTE KONVERGENCIJA U TEORIJI VJEROVATNOCE Postupa se na drugi naˇin. . sluˇajne promjenljive. c c Sljede´a teorema dokazuje se koriste´i Cebiˇevljevu nejednakost. sa uniformno ograniˇenim varijansama. (Bernoulli)Neka je ǫ > 0 i Sn : B(n.2) Teorema 9. postoji c ∈ R tako da je za svaki c n ∈ N V ar(Xn ) ≤ c. Kaˇemo da niz (Xn ) strogo konvergira ili konvergira skoro sigurno ka z sluˇajnoj promjenljivoj X ako je c P ( lim Xn = X) = 1. (Cebiˇev) Neka je (Xn ) niz nezavisnih sluˇajnih promjenljivih.3 Vrste konvergencija u teoriji vjerovatno´e c Definicija 9. To nas dovodi c c do raliˇitih konvergencija u teoriji vjerovatno´e. X2 . (9. Formula 9.sa c c ostom raspodjelom i matematiˇkim oˇkivanjem m ∈ R. Za proizvoljan ǫ > 0 posmatra se vjerovano´a c c P Ako za svaki ǫ > 0 vrijedi n→+∞ 69 Sn −p <ǫ . Neka su X.1 ekvivalentna je sa n→+∞ lim P Sn −p ≥ǫ n = 0. c c ˇ s Teorema 9.5. c c 9.3) Uoˇimo da su formule (9.4. ˇ s c Teorema 9. (9.3) istog tipa.2) i (9.1. (Hinˇin) Neka je (Xn ) niz nezavisnih sluˇajnih promjenljivih. p).1) Primjedba 9. 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. c 1.3.

Teorema 9. Broj ljudi koji udu u jednu robnu ku´u u toku jednog minuta ima c P(6) raspodjelu. z 1 n 1 n n i=1 n 1 n n Xi ). a) Kolika je vjerovatno´a da u toku dva sata u robnu ku´u ude bar 700 ljudi? c c .3.6. Navedimo i jedan jaki zakon velikih brojeva. n 9. Cebiˇev i Hinˇinov zakon velikih c brojeva. (Borel) Za Bernulijevu ˇemu vrijedi s Sn → p skoro sigurno. GRANICNE TEOREME 2.2. Ako niz (Xn ) konvergira skoro sigurno ka vaˇi jaki zakon velikih brojeva. σ n Primjer 9.7. To su slabi zakoni velikih brojeva. Ako je p = 2 kaˇemo da niz (Xn ) konvergira u srednjem kvadratnom. Za dato p ≥ 1 kaˇemo da niz (Xn ) Lp −konvergira ka X ako je z n→+∞ lim E|Xn − X|p = 0.5 zovu se Bernulijev. Neka je (Xn ) niz nezavisnih sluˇajnih promjenljivih sa istom c raspodjelom.70 ˇ GLAVA 9. 3. Niz (Xn ) konvergira u vjerovatno´i ka X ako je c n→+∞ lim P (|Xn − X| ≥ ǫ) = 0 (∀ǫ > 0). Tada vrijedi n→+∞ lim ⋆ P (Yn 1 < x) = √ 2π x e− 2 dt.4 Centralna graniˇna teorema c Teorema 9. z Definicija 9.3. 4. 9. za koje je E(Xn ) = m i V ar(Xn ) = σ 2 za svaki n ∈ N. Niz (Xn ) konvergira ka X u raspodjeli ili slabo konergira ako je n→+∞ lim P (Xn < x) = P (X < x). Ako niz aritmetiˇkih sredina (Xn ) (Xn = c u vjerovatno´i ka c brojeva.4 i 9. −∞ t2 gdje je ⋆ Yn = X1 + · · · + X n − n · m √ . 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.

Xi ima P(6) raspodjelu.745 6 · 120 ≈ φ(−0. X2 . pa je traˇeno vrijeme 125 minuta. 1). Yn − 720 √ < −0. .15.5 Zadaci xm −x . . pa je E(Xi ) = c n 6. b) P (Yn ≥ 700) ≈ 1 − φ pa iz 1−φ nalazimo 700 − 6n √ 6n = 0. da je c P (0 < X < 2(m + 1)) > m .645. Xi i vrijedi i=1 Poˇto su sluˇajne promjenljive X1 .745) ≈ 0. ˇ s Dokazati.9.95 u robnu ku´u uˇlo c c s bar 700 ljudi? c Rjeˇenje. pa kako je P imamo da je P (Yn ≥ 700) ≈ 0. znaˇi raspodjela z c c Yn − E(Yn ) V ar(Yn ) teˇi ka normalnoj raspodjeli N (0. koriste´i nejednakost Cebiˇeva. .95 700 − 6n √ 6n .77. m! e 1. ZADACI 71 b) Koliko vremena treba da prode da bi sa vjerovatno´om 0. m+1 . V ar(Yn ) = 6n. Sluˇajna promjenljiva X data je funkcijom gustine c f (x) = x≥0 0. z a) P (Yn ≥ 700) = 1 − P (Yn < 700). V ar(Xi ) = 6.5. 6n Odavde dobijamo da je n ≈ 124. 700 − 6n √ = −1. Neka je Xi sluˇajna promjenljiva koja predstavlja broj ljudi koji udu s u robnu ku´u toku i− tog minuta. x < 0. Xn nezavisne i sve imaju istu raspods c jelu vaˇi centralna graniˇna teorema. z 9. Broj ljudi koji udu u toku n minuta je Yn = E(Yn ) = 6n.77.

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

Tada s c je populacija skup svih mogu´ih ishoda ω. i = 1. Svi proizvodi jedne fabrike ˇine populaciju. . njegova cijena. . Prema tome. xn ) ∈ Rn i naziva se realizovani uzorak. treba odrediti funkciju raspodjele F (x) sluˇajne c c promjenljive X. . Ovo se rjeˇava tako da se uzorak bira sluˇajno. .1 Osnovni pojmovi Skup Ω elemenata ω naziva se populacija ili generalni skup. c z Primjer 10. . n nezavisne i sa istom raspodjelom. .Glava 10 Matematiˇka statistika c Matematiˇka statistika je blisko povezana sa teorijom vjerovatno´e. obiljeˇje X(ω). Populacija je skup svih stanovnika neke zemlje. . sluˇajna promjenljiva (X1 . Dakle. . ωn sluˇajnih ishoda iz Ω i c naziva se sluˇajni uzorak. Xn ) prost z uzorak. Posmatra´emo samo proste sluˇajne uzorke koje ´emo jednostavnije zvati uzorcima. . c c 10. pa se dobijena raspodz jela smatra raspodjelom cijele populacije. . . Obiljeˇje svakog z stanovnika je npr. ω ∈ Ω je c z sluˇajna promjenljiva.1. Obiljeˇje svakog c z proizvoda je npr. . . 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 . c c c Sluˇajan uzorak (X1 . . z Zato se obiljeˇje registruje na dijelu populacije (uzorak). . Neka je X obiljeˇje sa funkcijom raspodjele F (x) i neka je (X1 . Xn ) je prost sluˇajan uzorak ako su sluˇajne promc c jenljive Xi . Cilj je c c da se na osnovu rezultata eksperimenata donesu zakljuˇci o zakonima raspodjela c i numeriˇkim karakteristikama sluˇajnih promjenljivih. . . . . visina ili godine starosti. . Uzorak obima n je n−torka ω1 . c c Kada je izabran uzorak. Vaˇno je da uzorak dobro odraˇava z z (reprezentuje) populaciju. Primjer 10. Za svaki ω ∈ Ω posmatra se neka numeriˇka karakteristika X(ω) koja se naziva obiljeˇje. . .2. . Xn ) postaje n−torka c (x1 . . ˇ Cesto je komplikovano registrovati obiljeˇje za svaki elemenat populacije.

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

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

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

Dakle. Naime. U sluˇaju da je n = 1000 odrediti duˇinu intervala povjerenja c z kome sa vjerovatno´om 0.2) Sn − np np(1 − p) ≤c ≈ 2Φ(c) − 1. nejednakost (10. za n = 1000 dobijamo ǫ ≈ 0. (x1 < x2 ) kvadratnog polinoma 2 p(x) = (n2 + c2 n)x2 − (c2 n + 2nSn )x + Sn vrijedi P (x1 ≤ p ≤ x2 ) ≈ 2Φ(c) − 1.3. INTERVALI POVJERENJA ZA NEPOZNATU BINOMNU VJEROVATNOCU77 10. z Neka Sn ima binomnu raspodjelu sa nepoznatim parametrom p.4. s duˇina intervala povjerenja je 0. 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. c 1 Rjeˇenje. np(1 − p) .1) ˇ s Naime.´ 10.1) 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. Iz uslova 1 − 4nǫ2 = 0. Tada za svako ǫ > 0 vrijedi P p∈ Sn Sn − ǫ. Tada za nule x1 i x2 . +ǫ n n ≥1− 1 . z 2 c Interval Sn − ǫ.99. 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. 4nǫ2 (10.316.3 Intervali povjerenja za nepoznatu binomnu vjerovatno´u c Neka Sn ima binomnu raspodjelu sa nepoznatim parametrom p.99 pripada parametar p. koji je jednak 1 i koji se c 4 dostiˇe za p = 1 . Sn + ǫ naziva se interval povjerenja za nepoznatu vjerovatno´u n n p.632. Primjer 10.

Na osnovu uzorka obima n ocijeniti parametar α. s . Ako je u 1000 bacanja novˇi´a pismo palo 525 puta. Obiljeˇje X ima raspodjelu datu funkcijom gustine z f (x) = 2 2 −a a2 e √ x 0 . Da li je tako dobijena ocjena centrirana ? 3. Na osnovu uzorka obima n. x ≤ 1.509.x > c c f (x) =  0 . Na osnovu 10. 6x + 291600 odakle slijedi x1 = 0. u konkretnom sluˇaju dobijamo da c je 95% interval povjerenja [0.x > 1 .x ≤ c gdje je α > 0.96. 6x2 − 1083841.78 ˇ GLAVA 10.570. Ispitati centriranost tako dobijene ocjene. Kako je n = 1000 i s Sn = 540 imamo p(x) = 1003841. 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. Rjeˇenje. x2 = 0.2 odrediti 95% interval povjerenja za nepoznati parametar p ako je n = 1000 i Sn = 540. 10. c 5. x ≤ 0. Obiljeˇje X ima raspodjelu odredenu gustinom z  c α+1  α x .95 dobijamo c = 1. 2. Na osnovu uzorka obima n ocijeniti parametar λ.5.570]. 4. Iz uslova 2Φ(c) − 1 = 0.4 Zadaci 1. gdje je λ > 0.509. Ispitati centriranost tako dobijene ocjene. Gustina sluˇajne promjenljive X je c f (x) = λ xλ+1 0 . 0.x > 0 . Dakle. MATEMATICKA STATISTIKA Primjer 10. metodom maksimalne vjerodostojnosti ocijeniti parametar a. odrediti 99% interval cc povjerenja za npoznatu vjerovatno´u padanja pisma.

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

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

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

82 ˇ GLAVA 11. SLUCAJNI PROCESI .

Glava 12 Literatura 83 .

Sign up to vote on this title
UsefulNot useful