1

1.SLUCAJNI DOGADJAJI. RELACIJE I OPERACIJE SA DOGADJAJIMA. OSOBINE. ........................................ 2

2. POLJE DOGADJAJA. AKSIOME I OSOBINE VEROVATNOCE. ........................................................................ 3
3. KLASICNA DEFINICIJA VEROVATNOCE .......................................................................................................... 5
4. GEOMETRIJSKE VEROVATNOCE ...................................................................................................................... 6
5. USLOVNE VEROVATNOCE. NEZAVISNOST DOGADJAJA. ............................................................................. 6
6. POTPUN SISTEM DOGADJAJA. FORMULA POTPUNE VEROVATNOCE I BAJESOVA FORMULA. ........... 7
7. BINOMNA SEMA. HIPERGEOMETRIJSKE VEROVATNOCE ............................................................................ 8
8. SLUCAJNE VELICINE. FUNKCIJA RASPODELE. DEFINICIJA I OSOBINE .................................................... 9
9.Diskretne sluajne veliine. Zakon i funkcija raspodele ................................................................................. 9
10. Neprekidne sluajne veliine. Gustina i funkcija raspodele. Primeri ....................................................... 10
11. Dvodimenzionalne sluajne veliine. Nezavisnost sluajnih veliina. Koeficijent korelacije ................ 14
12. Binomna raspodela. Muavr-Laplasova teorema. ........................................................................................ 15
13. Puasonova raspodela. Geometrijska raspodela ......................................................................................... 16
14. Uniformna raspodela. Eksponencijalna raspodela ..................................................................................... 17
15. Normalna raspodela. Korienje tablica ...................................................................................................... 17
16. 2-raspodela. Studentova raspodela. Veze sa normalnom raspodelom. .............................................. 18
17. Matematiko oekivanje. Disperzija. Nejednakost ebieva. .................................................................. 19
18. Jo neke numerike karakteristike sluajnih veliinai njihove osobine .................................................. 20
19. Funkcije sluajnih veliina i njihove raspodele ........................................................................................... 21
20. Meavine sluajnih veliina i njihove raspodele ......................................................................................... 21
21. Aproksimacije sluajnih veliina zaseene sluajne veliine .................................................................... 22
22. Zakoni velikih brojeva. Bernujijev, i jo neki .............................................................................................. 22
23. Konvergencija u zakonu raspodele i centralna granina teorema .......................................................... 23
24. Populacija. Uzorak. Grafiko predstavljanje. Reprezentativnost. Prost sluajni uzorak. Uzorak sa
vraanjem i uzorak bez vraanja. ....................................................................................................................... 24
25. .
. . ....................................................................................................................... 24
26. Empirijska fukcija raspodele. Centralna teorema matematike statistike. ............................................ 27
27. Ocenjivanje parametra. Osobine ocena. ..................................................................................................... 28
28. Ocenjivanje matematikog oekivanja, disperzije, koeficijenta korelacije. ........................................... 29
29. Metoda maksimalne verodostojnosti ........................................................................................................... 29
30. Intervali poverenja. Definicija. Primeri za intervale poverenja za matematiko oekivanje kod
obeleja sa normalnom raspodelom ................................................................................................................... 29
31. Testiranje hipoteza. Osnovni pojmovi: nulta i alternativna hipoteza, kritina oblast, prag
znaajnosti, greka prve i druge vrste. .............................................................................................................. 30
32. Testiranje hipoteze o matematikom oekivanju obeleja koje ima normalnu raspodelu (poznata
disperzija i nepoznata disperzija) ........................................................................................................................ 31
33. Testiranje hipoteze o jednakosti matematikih oekivanja za 2 nezavisna obeleja sa normalnom
raspodelom. ........................................................................................................................................................... 31
34. 2 - test. Test frekvencija (primena 2 testa za proveru tablica suajnih cifara). .............................. 32
35. 2 - test. Testiranje nezavisnosti. (tabele kontigencije) .......................................................................... 33
36. Test Kolomogrova .......................................................................................................................................... 34
37. Test Vilkinson-Man-Vitni ................................................................................................................................ 34
38. Jednofaktorska disperziona analiza ............................................................................................................. 35
39. Modeliranje diskretnih sluajnih veliina. Modeliranje sluajnih dogaaja. Modeliranje meavina
sluajnih veliina. .................................................................................................................................................. 36
40. Modeliranje neprekidnih sluajnih veliina: metoda inverzne f-je, Nojmanova metoda i modeliranje
normalne raspodele. ............................................................................................................................................. 36

2

1.SLUCAJNI DOGADJAJI. RELACIJE I OPERACIJE SA DOGADJAJIMA.
OSOBINE.
Slucajni dogadjaji
Def.: Akko je A podskup skupa , tada je A sluajni dogaaj.

Akko je A sluajni dogaaj i ako je rezultat eksperimenta jedan od elementarnih dogaaja koji pripada
A , tj. elementarni dogaaj koji ima osobinu kojom se dogaaj A definie, tada se kae: dogaaj A se
ostvario (realizovao).
Skup A moe biti i jednolan. Znai, svaki elementarni dogaaj je sluajni dogaaj.
Ceo skup i prazan skup su takoe sluajni dogaaji i imaju posebne nazive: skup datih
elementarnih dogaaja je siguran (izvestan, pouzdan) dogaaj, a prazan skup u je nemogu
dogaaj.
Sluajni dogaaji se oznaavaju velikim slovima abecede A, B, C,... ili, po potrebi, sa indeksima A
1
, A
2
,
A
3
,
Relacije u skupu dogadjaja
U skupu sluajnih dogaaja definiu se neke relacije kojima se opisuju meusobni odnosi dogaaja.
Def.: (Relacija inkluzije) Akko svako ostvarivanje dogaaja A povlai (implicira) ostvarivanje
dogaaja B, tada dogaaj A povlai (implicira) dogaaj B.
To znai da svaki elementarni dogaaj koji pripada A je istovremeno elementarni dogaaj koji pripada
B. Zbog toga se za ovu relaciju koristi ista oznaka koja se koristi u teoriji skupova i pie: B A c .
Takoe se kae da su dogaaji A i B u relaciji inkluzije.
Def.: (Jednakost dogaaja) Akko je B A c i A B c , tada su dogaaji A i B jednaki (ekvivalentni).
Takoe se kae da su A i B u relaciji jednakosti. U sluaju jednakosti dogaaja A i B svaki elementarni
ishod koji pripada dogaaju A, pripada i dogaaju B, i obrnuto. Znai, ako se dogaaji posmatraju kao
skupovi elementarnih ishoda, ti skupovi e biti jednaki i zato se za jednakost dogaaja A i B koristi
oznaka: A = B.
Operacije u skupu dogadjaja
U skupu sluajnih dogaaja definiu se neke operacije kojima se, po odreenim pravilima, od zadatih
(poznatih) dogaaja fomiraju novi.
Def.: (Komplement dogaaja) Dogaaj A koji se realizuje ako i samo ako se dogaaj A ne realizuje je
komplement dogaaja A.
Kae se i: dogaaj A je suprotan dogaaju A ili dogaaj A je komplementaran dogaaju A. Koristi
se jo i oznaka
C
A .
Def.: (Presek dogaaja) Akko se dogaaj C realizuje ukoliko se realizuju i dogaaj A i dogaaj B, tada
je dogaaj C presek dogaaja A i B.
Dogaaju C pripadaju svi elementarni ishodi koji pripadaju i dogaaju A i dogaaju B, pa se stoga za
presek dogaaja koristi oznaka za presek skupova i piemo B A C = , ili, krae, C=AB.
Akko je AB = (to znai da se A i B ne mogu ostvariti istvremeno), tada se kae da su A i B
meusobno disjunktni dogaaji (iskljuuju se). Na taj nain se pomou operacije presek i relacije
jednakosti definie nova relacija meu dogaajima relacija disjunkcije.
Neka je
n
A A A ,..., ,
2 1
konaan niz dogaaja. Njihov presek
1 2
...
n
C A A A = je dogaaj koji se ostvaruje ako i
samo ako se ostvare svi dogaaji iz posmatranog niza. Slino vai i za presek beskonano mnogo
dogaaja.
Def.: (Unija dogaaja) Akko se dogaaj F realizuje ukoliko se realizuje bar jedan od dogaaja A i B,
tada je dogaaj F unija dogaaja A i B.
Dogaaju F pripadaju elementarni ishodi koji pripadaju dogaaju A ili koji pripadaju dogaaju B, pa se
zato za uniju dogaaja koristi ista oznaka kao i za uniju skupova i pie: B A F = .Ukoliko su dogaaji
A i B disjunktni, tada se za uniju tih dogaaja moe da koristi i oznaka: A+B.
Neka je
n
A A A ,..., ,
2 1
konaan niz dogaaja. Njihova unija D je
3

n
j
j n
A A A A D
1
2 1
...
=
= =
i predstavlja dogaaj koji se ostvaruje ako se ostvari bar jedan od dogaaja iz posmatranog niza. Slino
vai i za uniju beskonano mnogo dogaaja.
Def.: (Razlika dogaaja) Akko se dogaaj C realizuje ukoliko se realizuje dogaaj A i ne realizuje
dogaaj B, tada je dogaaj C razlika dogaaja A i B.
Na osnovu definicije zakljuuje se da je razlika dogaaja A i B jednaka dogaaju B A . Za razliku
dogaaja koristi se oznaka: A\B.
Def.: (Simetrina razlika dogaaja) Akko se dogaaj D realizuje ukoliko se realizuje A\B ili ukoliko
se realizuje B\A, onda je dogaaj D simetrina razlika dogaaja A i B.
Na osnovu definicije zakljuuje se da je simetrina razlika dogaaja A i B jednaka uniji dogaaja A\B i
B\A. Za simetrinu razliku se koristi oznaka AB.
Osobine
Neke od osobina definisanih relacija i operacija daje sledea teorema:
Teorema: Osobine relacija i operacija sa dogaajima
Za sluajne dogaaje A, B, C,... iz istog prostora elementarnih ishoda vai:
B A A AB _ _

1
A A =

2
A B B A c c

3
A B B A =

4
A B B A =

5
( ) ( ) C B A C B A =

6
( ) ( ) C B A C B A =

7
( ) ( ) ( ) C A C A C B A =

8
( ) ( ) ( ) C A C A C B A =

9
( )
( ) B A B A
B A B A
=
=

11
10
(De Morganovi obrasci)

De Morganovi obrasci se mogu uoptiti i posmatrati za konane ili beskonane prebrojive unije
i preseke sluajnih dogaaja:


k
k
k
k
A A =
|
|
.
|

\
|
,

k
k
k
k
A A =
|
|
.
|

\
|

2. POLJE DOGADJAJA. AKSIOME I OSOBINE VEROVATNOCE.

Polje dogadjaja

Def.:( -polje dogaaja) Neka je Y familija dogaaja iz sa osobinama:

1 A Pouzdan dogaaj pripada familiji Y

2 A Akko neki dogaaj A pripada familiji Y, onda i A pripada familiji YA

3 A Akko je ,... ,..., ,

2 1 n
A A A bilo koji konaan ili prebrojiv niz dogaaja koji pripadaju Y, tada i
njihova unija pripada YA
Takva familija dogaaja Y je -polje ili -algebra dogaaja.

4

Akko je skup svih elementarnih ishod konaan skup, tada je i svaka familija dogaaja iz konana
familija. Akko za jednu takvu familiju Y vae uslovi A1
o
i A2
o
, a umesto A3
o
vai da za svaki konaan
niz dogaaja iz familije Y i njihova unija pripada toj familiji, onda je posmatrana familija Y - polje
dogaaja.
Nad istim prostorom elementarnih ishoda moemo posmatrati vie razliitih polja ili -polja dogaaja.
Presek dva polja (-polja) je polje (-polje) dogaaja. Unija dva polja (-polja) ne mora biti polje (-
polje) dogaaja.
Akko neka familija dogaaja predstavlja polje (ili -polje), onda toj familiji dogaaja obavezno
pripadaju i preseci i razlike dogaaja koje sadri.
Teorema: (Osobina polja dogaaja) Akko su A i B dogaaji koji pripadaju polju (ili -polju) dogaaja
Y? tada i dogaaji B A , A\B pripadaju polju (ili -polju) YA

Dokaz: Na osnovu

2 A je A eY i B eYA Tada je, na osnovu

3 A i e B A Y? pa je na osnovu

2 A dogaaj e = B A C YAPo De Morganovim obrascima je B A C = , ime je zavren dokaz prvog

dela tvrenja.
Aksiome i osobine verovatnoce
Pri aksiomatskom zasnivanju teorije verovatnoe, verovatnoe dogaaja definiu se samo za dogaaje
koji pripadaju nekom polju (ili -polju) dogaaja.
Def.: (Verovatnoa) Neka realna funkcija P definisana na -polju Y dogaaja iz ima osobine:

1 B Za svaki dogaaj A koji pripada Y vai 0 ) ( > A P .

2 B Za siguran dogaaj vai 1 ) ( = O P .

3 B Za svaki niz (konaan ili prebrojiv) dogaaja koji pripadaju Y i koji su meusobno
disjunktni u parovima vai:
) (

=
|
|
.
|

\
|
j
j
j
j
A P A P


Tada je funkcija P verovatnoa na -polju Y A
Osobine

1 B ,

2 B ,

3 B su aksiome i nazivaju se, redom: nenegativnost, normiranost i aditivnost.
Aksiome teorije verovatnoe su

1 A ,

2 A ,

3 A ,

1 B ,

2 B ,

3 B , a ureena trojka (, Y? P) se naziva
prostor verovatnoa.
Aksiome verovatnoe

1 B ,

2 B ,

3 B ne daju nain za odreivanje verovatnoe u konkretnim zadacima,

ali se, polazei od definicije verovatnoe mogu izvesti mnoge opte osobine verovatnoe. Neke od tih
osobina su date u sledeoj teoremi.
Smatra se da svi dogaaji koji se javljaju u iskazu teoreme pripadaju istom prostoru elementarnih ishoda
i istom polju dogaaja.
Teorema: Osobine verovatnoe

1 Akko je B A _ , tada je ) ( ) ( B P A P s . (monotonost)

2 Akko je P(A) verovatnoa dogaaja A, tada je ( ) ( ) A P A P =1 , i specijalno P()=0.

3 Akko su A i B dva dogaaja, tada je

( ) ( ) ( ) ( ) AB P B P A P B A P + =

4 Akko je ,... ,
2 1
A A konaan ili prebrojiv niz dogaaja, tada je

( )
j j
j j
P A P A
| |
s |
|
\ .

(Bulova nejednakost)

5 Akko dogaaji ,... ,..., ,

2 1 n
A A A ine monotono neopadajui niz dogaaja, tada je
( )
1
lim
j n
n
j
P A P A

=
| |
= |
|
\ .

a ako dogaaji ,... ,..., ,
2 1 n
A A A ine monotono nerastui niz dogaaja, tada je
5

( )
1
lim
j n
n
j
P A P A

=
| |
= |
|
\ .

(neprekidnost)
Napomenimo da se koristi sledea oznaka:
j
j
j
j
A A

=
= lim
1

za monotono neopadajui niz dogaaja,

odnosno
j
j
j
j
A A

=
= lim
1

za monotono nerastui niz dogaaja. Stoga se navedene osobine za monotone

nizove dogaaja mogu napisati u obliku:
( )
j
j
j
j
A P A P

= |
.
|

\
|
lim lim .
Zbog ovoga se navedena osobina naziva neprekidnost verovatnoe.

3. KLASICNA DEFINICIJA VEROVATNOCE

Klasina definicija verovatnoe se odnosi na prostor elementarnih ishoda koji je konaan skup, pri
emu su verovatnoe pojavljivanja svih elementarnih ishoda iste. Tada se zapravo posmatra specijalni
sluaj prostora elementarnih ishoda sa konano mnogo elemenata: { }
n
e e e ,..., ,
2 1
= O . Elementarnom
dogaaju
j
e pridruuje se broj ,... 2 , 1 , 0 = > j p
j
, tako da je:
1 ...
2 1
= + + +
n
p p p
i broj
j
p se naziva verovatnoa elementarnog dogaaja n j
j
,... 2 , 1 , = e .
Dogaaj A koji sadri k elementarnih dogaaja moe se predstaviti u obliku:
{ }
k
j j j
A e e e ,..., ,
2 1
=
Verovatnoa dogaaja A se definie kao zbir verovatnoa elementarnih dogaaja koji pripadaju
dogaaju A:
( )
k
j j j
p p p A P + + + = ...
2 1
.
To je tzv. verovatnoa u konanoj emi.
Akko se svakom elementarnom dogaaju
j
e dodeli ista verovatnoa
, / 1 n p
j j
= e j=1,2,...n.
dobija se da je verovatnoa dogaaja A, koji sadri k elementarnih dogaaja, jednaka
( )
n
k
A P =
To je tzv. klasina definicija verovatnoe. Dakle, ako prostor elementarnih ishoda ima n
jednakoverovatnih elementarnih ishoda i ako dogaaj A ima k elementarnih dogaaja iz , tada je
verovatnoa pojavljivanja dogaaja A jednaka k/n.
Za elementarne ishode iz A kae se da su povoljni ishodi za dogaaj A. Znai, u klasinoj definiciji je
verovatnoa dogaaja A jednaka koliniku broja povoljnih ishoda za dogaaj A i broja svih moguih
ishoda.
Za verovatnou u konanoj emi, pa prema tome i za verovatnou u klasinoj definiciji vae svi zahtevi
iz definicije verovatnoe. Dakle, verovatnoe u konanoj emi i verovatnoe u klasinoj definiciji su
jedan konkretan model aksiomatike.
Klasinu definiciju verovatnoe je dao francuski matematiar Laplas (Pierre Simone Laplace, 1749
1827).
Na osnovu klasine definicije verovatnoe se moe pokazati da je:
(1) ( ) ( ) A P A P =1
(2) P()=0
(3) P()=1
6

(4) 1 ) ( 0 s s A P
(5) ( ) ( ) B P A P B A s c
(6) Za disjunktne dogaaje A i B vai:
( ) ( ) ( ) B P A P B A P + = +
a za uniju dva dogaaja u optem sluaju vai:
( ) ( ) ( ) ( ) AB P B P A P B A P + = .

Ove osobine se dokazuju neposredno iz definicije. Tako, na primer, iz P(A)=k/n i s obzirom da za broj
povoljnih ishoda k vai n k s s 0 , sledi 1 ) ( 0 s s A P .
4. GEOMETRIJSKE VEROVATNOCE

Kad prostor elementarnih ishoda ima beskonano, prebrojivo ili neprebrojivo mnogo, elementarnih
ishoda, mogu postojati elementarni ishodi ija je verovatnoe jednaka nuli.
Teorema: Akko prostor elementarnih ishoda ima beskonano mnogo elementarnih ishoda, onda najvie
prebrojivo mnogo elementarnih ishoda ima verovatnou razliitu od nule.
Akko prostor elementarnih ishoda ima beskonano neprebrojivo mnogo elementarnih ishoda mogue je
i da svi elementarni ishodi imaju verovatnou jednaku nuli. Upravo takvu situaciju opisuje sledei
model.
Taka M je sluajno izabrana u oblasti S u prostoru ,... 3 , 2 , 1 , = k R
k
ako je verovatnoa izbora
podoblasti
1
S (tj. verovatnoa izbora take iz podoblasti
1
S ) oblasti S proporcionalna meri te podoblasti i
ne zavisi od poloaja i forme te podoblasti:
( )
1
1


mera S
P M S
mera S
e =

U jednodimenzionalnom sluaju mera je duina, u dvodimenzi-onalnom sluaju to je povrina, a u
trodimenzionalnom zapremina.
Akko su, na primer, C i D take na dui AB, tada je u smislu gornje definicije, verovatnoa pogaanja
dui CD ako se bira taka sa dui AB jednaka koliniku duina |CD| i |AB|. U dvodimenzionalnom
sluaju je verovatnoa izbora take iz podoblasti
1
S oblasti S jednaka koliniku povrina podoblasti
1
S i
oblasti S, dok je u trodimenzionalnom sluaju jednaka koliniku zapremina.
U opisanoj situaciji govori se o geometrijskoj verovatnoi. Izbor neke take posmatrane oblasti S je
elementaran ishod i prema navedenom svi elementarni ishodi su jednakoverovatni. Verovatnoa izbora
jedne take jednaka je 0 (u bilo kom od tri navedena sluaja mera take je jednaka 0). Elementaran
ishod stoga predstavlja skoro nemogu dogaaj: verovatnoa da se desi je jednaka 0, iako se u svakom
biranju izabere neka taka. Suprotan skoro nemoguem je skoro siguran dogaaj: njegova verovatnoa
je jednaka 1, ali se on ne mora ostvariti.
5. USLOVNE VEROVATNOCE. NEZAVISNOST DOGADJAJA.
Definicija uslovne verovatnoce
Def.: (Uslovna verovatnoca) Neka su A i B dogadjaji iz istog prostora verovatnoce (,F, P) i neka je
P(B) > 0. Tada je uslovna verovatnoca dogadjaja A, ako se ostvario dogadjaj B jednaki
P(A|B) =
P(AB)
P(A)


Za uslovnu verovatnocu P(A|B) koristi se i oznaka P
B
(A).
Uslovne verovatnoce dogadjaja iz istog prostora verovatnoca, u odnosu na neki dogadjaj iz tog prostora
imaju sve osobine verovatnoce, tj. zadovoljavaju aksiome B1
o
, B2
o
, B3
o
:
7

B1
o
P(A|B) 0
B2
o
P(|B) = 1
B3
o
P|( A
] ]
)|B] = P(A
]
|B)
]

Akko se posmatra vise dogadjaja iz istog prostora verovatnoca, tada se pri odredjivanju verovatnoce
njihovog preseka mogu koristiti uslovne verovatnoce. Naime, neka su
A
1
, A
2
, A
3
,...A
n
dogadjaji iz istog prostora elementarnih ishoda i neka j presek tih dogadjaja neprazan
skup. Tada je A
1
, A
2
, A
3
,...A
k
0 za svako k=1, 2, ..., n-1 vazi:
P(A
1
A
2
A
3
,...A
n
) = P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
A
2
)...P(A
n
|A1A
2
...A
n-1
)
Nezavisnost dogadjaja
Def.: (Nezavisnost dogadjaja) Neka su A i B iz istog prostora verovatnoca. Akko vazi P(AB) =
P(A)P(B) tada su dogadjaji A i B nezavisni.
Na osnovu definicije zakljucuje se da za nezavisne dogadjaje A i B vazi:
P(A|B) = P(A) i P(B|A) = P(B)
Akko su dogadjaji A i B nezavisni, tada realizacija dogadjaja B ne utice na realizaciju dogadjaja A, ali
ako su dogadjaji A i B zavisni, tada je verovatnoca P(A|B) razlicita od P(A) i tada je moguce da bude
P(A|B) > P(A), ali takodje i da bude P(A|B) < P(A).
Sledece tvrdjenje daje vezu nezavisnosti i operacija sa dogadjajima.
Teorema: Neka su dogadjaji A, B, C nezavisni i neka je B
1
= B ili B
1
= B

odnosno C
1
=C ili C
1
= C

.
Tada su nezavisni dogadjaji
1. A

i B

, A

i C,

i C

2. A i B

, A

i B, A i C

, A

i C, B i C

, B

i C
3. A i B
1
r C
1
, A i B
1
U

C
1

Data teorema se moze uopstiti na slucaj vise dogadjaja. Sustina je u tome da ce novofirmirani dogadjaji
biti nezavisni ako su njihove komponente iz razlicitih dogadjaja. Znaci, ako su A,B,C i D nezavisni u
ukupnosti, onda su nezavisni I dogadjaji A, BC, i

.
6. POTPUN SISTEM DOGADJAJA. FORMULA POTPUNE VEROVATNOCE I
BAJESOVA FORMULA.
Potpun sistem dogadjaja
Def.: (Potpun sistem dogaaja) Ako su dogaaji
n
A A A ,..., ,
2 1
meusobno disjunktni u parovima i ako
je njihova unija siguran dogaaj, tada dogaaji
n
A A A ,..., ,
2 1
ine potpun sistem dogaaja.
Na osnovu definicije za dogaaje iz potpunog sistema dogaaja vai:
{ }
1
1 1 2
2
i j
n
j
j
A A ,i j,i, j , ,...,n ,
A
=
= u = e
= O

Ako dogaaji
n
A A A ,..., ,
2 1
in potpun sistem dogaaja, tada se kae da oni ine razlaganje (razbijanje)
.
Formula potpune verovatnoce i Bajesova formula
Neka su H
1
, H
2, .,
H
n
slucajni dogadjaji koji cine potpun sistem dogadjaja i neka je A neki dogadjaj iz
istog prostora elementarnih ishoda. Verovatnoca dogadjaja A se moze izracunati po formuli
P(A) = P(E
]
)P(A|E
]
)
n
]=1
(*)
Slucajni dogadjaji H
1
, H
2, .,
H
n
se nazivaju hipoteze, dok se formula (*) naziva formula potpune
verovatnoce.
Dokaz:Dokaz se zasniva na razlaganju dogadjaja A na disjunktne delove, sto proizilazi iz
A = A = A r (E
1
+ E
2
+ + E
n
) = AE
]
n
]=1

Kako su dogadjaji AH
i
i AH
j
za ij, disjunktni, dobija se da je verovatnoca dogadjaja A:
8

P(A) = P(AE
]
) = P(AE
]
)
n
]=1
n
]=1

Kad se verovatnoce preseka AH
j
izraze preko uslovnih verovatnoca
P(AE
]
) = P(E
]
)P(A|E
]
)
dobija se formula potpune verovatnoce (*).
Znaci da se koriscenjem uslovnih verovatnoca P(A|Hj) dobija verovatnoca dogadjaja A.
Verovatnoce P(H
j
) se nazivaju apriorne verovatnoce hipoteza. Ako se zna da se realizovao dogadjaj A
mozemo odrediti verovatnoce P(E
]
|A), za svako j=1,2,,n. Te verovatnoce se nazivaju aposteriorne
verovatnoce hipoteza.
Koristeci formulu potpune verovatnoce aposteriorne verovatnoce se racunaju po formuli :
P(E
k
|A) =
P(H
k
)P(A|H
k
)
P(H
]
)P(A|H
]
)
n
]=1
(**)
Formula (**) se naziva Bajesova formula.
7. BINOMNA SEMA. HIPERGEOMETRIJSKE VEROVATNOCE
Binomna sema
Posmatra se opit u kome dogadjaj A moze da se realizuje sa verovatnocom P(A) = p. Neka se taj opt
izvodi n puta pod istim uslovima, tj. neka je u svakom opitu P(A) = p, P(A

) = 1 -p = q i neka su sva
izvodjenja medjusobno nezavisna. Tada je verovatnoca da se u n opita dogadjaj A realizuje tacno k puta
(a da se dogadjaj A

realizuje n - k puta) jednaka:

P
n,k
= [
n
k
p
k
q
n-k
, k = u,1, , n
Opisana situacija se naziva binomna sema. Koristi se i naziv Bernulijeva sema.

Kada se za razne vrednosti n i p, racunaju binomne verovatnoce P
n,k
primecuju se sledece mogucnosti:
a) neke vrednosti k opadaju,ili
b) Stalno opadaju, ili
c) Stalno rastu.
Znaci, u slucaju a), dace za neku vrednost k vaziti
P
n,k
P
n,k
P
n,k+1
.
Iz poslednje nejednakosti dobija se da broj k

, za koji je verovatnoca P
n,k
pojavljivanja dogadaja A
najveca moguca, zadovoljava nejednakosti:
np +p - 1 k
i
np +p (*)
Binomna sema se po svojoj dediniciji vezuje za ponavljanje eksperimenata pod istim uslovima, a tome
odgovara slucajni izbor elemenata sa vracanjem.
Hipergeometrijske verovatnoce
Ako se uzima n artikala odjednom (ili n puta po jedan artikal, ali bez vracanja), verovatnoca da ce se
dobiti ukupno k artikala prve vrste je
P
n,k
-
=
[
m
k
[
o - m
n - k

[
o
n

, k = u,1,2
(za one vrednosti k za koje binomni koeficijenti u izrazu za P
n,k
-
imaju smisla).
Verovatnoce P
n,k
-
su hipergeometrijske verovatnoce i primecuje se da je
P
n,k
-
= P
n,k

Medjutim ako se m i a povecavaju i teze beskonacnosti, ali tako da
m
u
- p, u < p < 1, tada
hipergeometrijske verovatnoce teze binomnim verovatnocama:
P
n,k
-
- P
n,k

9

8. SLUCAJNE VELICINE. FUNKCIJA RASPODELE. DEFINICIJA I
OSOBINE
Def.: (Slucajna velicina) Neka je dat proctor verovatnoca (, F, P)i neka je X funkcija koja preslikava
proctor elementarnih ishoda u skup realnih brojeva R tako da vazi:
(1) Skup {|X() x] je dogadjaj koji pripada za svako xe R .
(2) P{|X() = -] = P{|X() = ] = u.
Tada je X slucajna velicina.

Osobina (1) se naziva merljivost i omogucava racunanje verovatnoca dogadjaja vezanih za slucajnu
velicinu. Osobina (2) je finitnost slucajne velicine X.
Kraci zapisi: {X x] zo {X|X() x], {X = x]zo {|X() = x] i slicno.
Funkcija raspodele
Funkcija raspodele se odnosi na svaku slucajnu velicinu,bez obzira na to koliko ona ima vrednosti.
Def.: (Funkcija raspodele) Neka je X slucajna velicina. Realna funkcija F definisana jednakoscu
F(x) = P{|X() x] = P{X x], xe R
je funkcija raspodele slucajne velicine X.
Osobine funkcije raspodele
Teorema: (Osobine funkcije raspodele) Ako je F funkcija raspodele neke slucajne velicine, a tada
1) F je neopadajuca f-ja
2) F(-) = u, F(+) = 1,
3) F je neprekidna sa desne strane za svako xeR.

Sa teorijske tacke gledista veoma je znacajna cinjenica da za svaku funkciju F koja zadovoljava uslove
ove teoreme postoji slucajna velicina X kojoj je F funkcija raspodele.
U praksi je od posebng znacaja mogucnost da se koriscenjem funkcije raspodele racunaju verovatnoce u
vezi sa odgovarajucom slucajnom velicinom. Naime ako je F funkcija raspodele slucajne velicine X i a i
b proizvoljni realni brojevi , tada je:
P{o < X < b] = F(b) - F(o)
Takodje vaze i jednakosti:
P{X > b] = 1 - F(b)
P{X b] = 1 -F(b) -P(X = b)
P{o X b] = F(b) -F(o) +P(X = o)
P{X o U X > b] = F(o) +(1 -F(b)), o < b
9.Diskretne sluajne veliine. Zakon i funkcija raspodele
Diskretne sluajne veliine
Neka je {x
1
,x
2
,...,x
n
} skup vrednosti sluajne veliine X i neka je:
P{X = x
k
} = p
k
, k=1,2,...,n
Smatramo da su te verovatnoe pozitivne i da su navedene sve mogue vrednosti koje sluajna veliina moe
imati sa verovatnoom veom od nule i zato je
p
l
+p
2
+... + p
n
=1.
Skup svih verovatnoa zajedno sa svim vrednostima sluajne veliine X odreuje zakon raspodele
(verovatnoa) sluajne veliine X . Uobiajeni zapis je oblika:

X: [
x
1
x
2
x
n
p
1
p
2
p
n


i kae se da je X diskretna sluajna veliina (sa konano mnogo vrednosti). Obino se vrednosti sluajne
veliine X piu u rastuem poretku: x
1
, < x
2
<... < x
n
.
Neka su dati: prostor elementarnih ishoda O
,
sluajni dogaaj A L

, polje dogaaja F = {, , , A
-
] i neka je
P verovatnoa na
10

F. PreslikavanjeX: - R zadato sa: X() = 1, e A; X() = u, e A
-
je sluajna veliina u odnosu na
posmatrano polje, a i u odnosu na svako drugo polje koje sadri posmatrano. Ta sluajna veliina je
najjednostavnija mogua i zove se indikator sluajnog dogaaja i obino oznaava sa I
A
, a njen zakon
raspodele je prema navedenom:

I
A
: _
u 1
P(A
-
) P(A)
]

Na taj nain se svakom sluajnom dogaaju pridruuje odgovarajua sluajna veliina, pa se prouavanjem
sluajne veliine - indikatora, zapravo prouava i odgovarajui sluajni dogaaj.
Ako je skup vrednosti sluajne veliine X prebrojiv, tj. ako je njen zakon raspodele oblika
X: [
x
1
x
2
x
n
p
1
p
2
p
n

gde je p
1
+p
2
++p
n
+=1, p
j
>0, jeN, tada se kae da je X elementarna sluajna veliina, a koristi se esto i
termin diskretna sluajna veliina sa prebrojivo mnogo vrednosti.

Funkcija raspodele

Funkcija raspodele je vana karakteristika i odnosi se na svaku sluajnu veliinu, bez obzira na to koliko ona ima
vrednosti.

Definicija 2. Funkcija raspodele
Neka je X sluajna veliina. Realna funkcija F definisana jednakou
F(x) = P{|X() x] = P{X x], x e R
je funkcija raspodele sluajne veliine X.

Osobine funkcije raspodele

Teorema 1. Osobine funkcije raspodele
Ako je F funkcija raspodele neke sluajne veliine, tada
1
o
Fj e neopadajua funkcija
2 F(-) = u, F(+) = 1.
3
o
F je neprekidna sa desne strane za svako x eR.

Osobine funkcije raspodele date u Teoremi 1 se dokazuju po definiciji sluajne veliine i na osnovu osobina
verovatnoe. Tako je osobina 1 posledica monotonosti verovatnoe, osobina 2 posledica finitnosti sluajne
veliine, dok osobina 3 proizilazi iz neprekidnosti verovatnoe (podsetite se u Lekciji 1).
Sa teorijske take gledita veoma je znaajna injenica da za svaku funkciju F koja zadovoljava uslove Teoreme 1
postoji sluajna veliina X. kojoj je F funkcija raspodele.

U praksi je od posebnog znaaja mogunost da se korienjem funkcije raspodele raunaju verovatnoe u vezi sa
odgovarajuom sluajnom veliinom. Naime, ako je F funkcija raspodele sluajne veliine X i a i b proizvoljni
realni brojevi, tada je:
P{o < X b] = F(b) - F(o)
Takoe vae i jednakosti:
P{X > b] = 1 - F(b)
P{X b] = 1 - F(b) - P(X = b)
P{o X b] = F(b) - F(o) + P(X = o)
P{X o U X > b] = F(o) + (1 -F(b)), o < b
10. Neprekidne sluajne veliine. Gustina i funkcija raspodele. Primeri
Apsolutno neprekidne sluajne veliine
Pored diskretnih sluajnih veliina, koje imaju konano ili prebrojivo mnogo vrednosti, postoje i
sluajne veliine sa neprebrojivo mnogo vrednosti. Postoje dve vrste takvih sluajnih veliina: apsolutno
neprekidne i singularne sluajne veliine.
11


Definicija 3. Apsolutno neprekidna sluajna veliina
Ako je F funkcija raspodele sluajne veliine X i ako postoji funkcija g definisana na R i takva da za svako x eR
vai:
1
o
g(x) u

2
o
F(x) = ] g(t)Jt
x
-


tada je F funkcija raspodele apsolutno neprekidne sluajne veliine X.

Funkcija g se naziva gustina raspodele apsolutno neprekidne sluajne veliine X. Gustina raspodele je
znaajna pri prouavanju sluajnih veliina, .a moe biti koriena pri zadavanju sluajnih veliina.
Diskretna sluajna veliina nema gustinu raspodele.
Na osnovu osobina funkcije raspodele i uslova 2 prethodne definicije zakljuuje se da gustina
raspodele mora imati svojstvo:
_ g(t)Jt = 1
+
-

Ako je X apsolutno neprekidna sluajna veliina sa gustinom raspodele g(x) i funkcijom raspodele F(x),
tada je
1
o
g(x) = F
i
(x)
2
o
P{o < X b] = ] g(x)Jx = F(b) - F(o), o, b e R, o b
b
u

3
o
P{X = o] = u, za svaki realni broj a.

Osim diskretnih i neprekidnih sluajnih veliina u Teoriji verovatnoe postoje i tzv. singularne sluajne
veliine, kod kojih izvod funkcije raspodele sluajne veliine X postoji i jednak je nuli skoro svuda. U
okviru ovog kursa nee biti govora o takvim sluajnim veliinama. -

Primer 7. Sluajna veliina sa neprebrojivo mnogo vrednosti Strelac gaa u krunu metu poluprenika r.
Rastojanje mesta pogotka od
centra mete je sluajna veliina X. Odrediti verovatnou P ]

4
< X <

2
.
Reenje: Sluajna veliina X ima neprebrojivo mnogo vrednosti. Skup vrednosti te sluajne veliine je
skup realnih brojeva iz intervala [0,r], ako se smatra da strelac sigurno pogaa metu. Takoe se smatra
da strelac sa jednakom verovatnoom pogaa u bilo koju oblast mete i da je verovatnoa pogaanja neke
oblasti mete proporcionalna povrini te oblasti. U tom sluaju traena verovatnoa se rauna po
pravilima za geometrijske verovatnoe, pa se dobija da je jednaka
P ]

4
< X <

2
=
1
4
-
1
16
=
3
16
.


Primer 8. Gustina i funkcija raspodele neprekidne sluajne veliine
Odrediti konstantu c tako da funkcija g(x), x eR , predstavlja gustinu raspodele, a zatim odrediti
odgovarajuu funkciju raspodele, ako je:
g(x) = _
x + 1, x e |-1,u)
c, x e |u,2]
u, x e |-1,2]

Ako je g gustina raspodele sluajne veliine X, odrediti verovatnou P{X e (-1,u]].

Reenje: Iz uslova,] g(t)Jt = 1
+
-
, tj. ] uJx +
0
-
] (x + 1)Jx + ] cJx +] uJx = 1
+
2

2
0
0
-1
,

12

dopija se c=l/4. Zatim, na osnovu formule se nalazi funkcija, F(x) = ] g(t)Jt
x
-
se nalazi funkcija
raspodele. U zavisnosti od realnog broja x se dobijaju vrednosti funkcije raspodele, a time i mogunost
da se skicira njen grafik
- za x<-1 vai: F(x) = ] uJt = u
x
-

- za -1 x < u vai: F(x) = ] uJt +
1
-
]
(t +1)Jt = (x +1)
x
-1
2
2
- za u x 2 vai: F(x) = ] uJt +
1
-
]
(t + 1)Jt + ]
1
4
x
0
Jt =
0
-1
1
2
+
x
4

- za x>2 vai: F(x) = 1.
Traea verovatnoa je: P{X e (u,1]] = F(1) - F(u) =
3
4
-
1
2
=
1
4

Funkcije sluajne veliine
Ako je X sluajna veliina i neprekidna funkcija, tada je Y=(x) sluajna veliina u smislu Definicije
1. Ako je sluajna veliina X data, tada je mogue odrediti osobine sluajne veliine Y, poevi od njene
raspodele.
Neka je X diskretna sluajna veliina sa zakonom raspodele
p

= P{X = x

], i e I L N, p
1
> u, p
2
> u, , p
1
+ p
2
+ = 1
(sa konano ili prebrojivo mnogo -vrednosti, zavisno od toga da li je skup I konaan ili prebrojiv) i neka
je Y=(x) nova sluajna, odreena neprekidnom funkcijom . Zakon raspodele sluajne veliine Y je
= (
(x
1
) (x
2
)
p
1
p
2

)
Zatim se vrednosti novodobijene sluajne veliine napiu u rastuem poretku. Pri tome e, moda, neke
vrednosti, zajedno sa odgovarajuim verovatnoama, da zamene mesto, a ako se desi da je, na primer,
(x
]
) = (x
k
) = z , tada e biti P{ = z] = p
]
+ p
k
.
Neka je X neprekidna sluajna veliina sa funkcijom raspodele F
x
i gustinom raspodele f
x
, i neka je
Y=(x) sluajna veliina sa funkcijom raspodele F
y
i gustinom raspodele f
Y
. Vai:
F

(y) = P{(X) y]
Ako je (t), t e R neprekidna monotono rastua funkcija i njena inverzna funkcija, tada vai:
F

(y) = P{ (X) y] = P{ X (y)] = F

X
((y))
Ako je (t), te R neprekidna monotono opadajua funkcija, tada vai:
F

(y) = P{ (X) y] = P{ X > (y)] = 1 -P|X (y)) = 1 - F

X
((y))
Ako nije monotona funkcija na itavoj oblasti definisanosti, tada se oblast definisanosti deli na
intervale na kojima jeste monotona, pa se na svakom od tih intervala primenjuju gornje formule.
U sluaju apsolutno neprekidnih raspodela i diferencijabilnih funkcija i , gustina za Y, ako je
monotono rastua funkcija:
g

(y) = F

i
(y) = g
X
((y))
i
(y),
odnosno, ako je monotono opadajua funkcija:
g

(y) = F

i
(y) = -g
X
((y))
i
(y),
Primer 9. Funkcije sluajnih veliina
a) Odrediti zakon raspodele sluajne veliine Y=X
2
-4, ako je da zakon raspodele sluajne veliine
X:
X: [
-1 u 1
u.2 u.S u.S

b) Sluajna veliina X ima gustinu raspodele g(x)=2(x+1)/9, za x e |-1,2], van tog interval gustina
je jednaka 0. Odrediti gustinu raspodele sluajne veliine Y=X
3
.

Reenje:
a) Vrednosti sluajne veliine Y su (-1)
2
-4 = -3, 0
2
-4 = -4, 1
2
-4 = -3, a odgovarajue
verovatnoe su, redom: 0.2, 0.3, 0.5. Poto su dve vrednosti -3, to je: P{ = -S] = u.2 +
u.S = u.7
i zakon raspodele za Y je:
13

: [
-4 -S
u.S u.7

b) Funkcija (x) = x
3
je monotono rastua, pa je gustina raspodele g

(y) za Y jednaka:
g

(y) =
2(y
3
+ 1)
9
1
S
y
-
2
3
=
2
27
(y
3
+ 1)y
-
2
3

(Inverzna funkcija funkcije je jednaka (x) = x
3
)
Primer 10. Eksperimenti i raspodele sluajnih veliina
Zakon raspodele
[
-1 1
u.S u.S

je zakon raspodele neke sluajne veliine koja moe da ima vrednosti -1 i 1, svaku sa verovatnoom 0.5.
Ako se posmatra bacanje numerisane kocke i igra u kojoj se dobija 1 dinar ako se dobije paran broj na
kocki, a plaa jedan dinar ako se dobije neparan broj, onda sluajna veliina X koja je jednaka dobitku u
ovoj igri ima datu raspodelu. Meutim, moe da se posmatra bacanje dinara i pretpostavi da je dobitak 1
dinar ako se dobije "pismo", a u suprotnom se plaa 1 dinar. Sluajna veliina Y koja je jednaka dobitku
u ovakvoj igri ima datu raspodelu.
Primer 11. Raspodele funkcija sluajnih veliina
U eksperimentu se na sluajan nain bira jedna taka sa intervala (1,6) i belei njeno rastojanje X od
koordinatnog poetka. Odrediti funkciju i gustinu raspodele sluajne veliine X, kao i sluajnih veliina
Y i Z odreenih jednakostima Y=2X+5, Z = -X +3
Reenje.
Neka je interval (1,6) oznaen sa AB, i neka je C jedna proizvoljna, ali fiksirana taka te dui, takva da
je na rastojanju x od koordinatnog poetka. Neka je T taka koja je sluajno izabrana na dui. Prema
principu za raunanje geometrijskih verovatnoa je
P(I e AC) =
AC
AB
=
(x -1)
S

Na osnovu toga, ako X oznaava rastojanje take T od koordinatnog poetka, prethodni rezultat moe da
se napie u obliku
P(X x) =
x-1
5
,
ako je 1<x<6. Ako je pak x<l onda je ta verovatnoa jednaka 0, jer taka T ne moe biti levo od A. Ako
je x>6, ta verovatnoa je jednaka 1, jer su rastojanja svih taaka sa dui AB manja od 6.
Za sluajnu veliinu Y je funkcija raspodele
P( x) = P(2X + S x) = P [X
x-5
2
=
b-1
5
, b =
x-5
2

Uslov da je argument b u intervalu (1,6) daje interval za x: (7,17).
Za sluajnu veliinu Z je funkcija raspodele
P(Z < x) = P(-X +S < x) = P(X > S -x) = 1 -
c-1
5
, c= S - x
Uslov daje argument c u intervalu (1,6) daje interval za x: (-3,2).
Grafici funkcija raspodele za sluajne veliine X, Y i Z su:

Odgovarajue gustine raspodele se dobijaju kao prvi izvodi funkcija raspodele, pa je
g
X
(x) = _
u, x e (1,6)
1S, x e (1,6)
, g

(x) = _
u, x e (7,17)
11u, x e (7,17)
, g
z
(x) = _
u, x e (-S,2)
1S, x e (S,2)

a grafici tih raspodela su na slici:

14


Napomena. Funkcije i gustine raspodela za Y i Z su dobijene direktno, bez eksplicitnog korienja
formula datih na strani 11 i 12. Reite zadatak i korienjem datih formula.
11. Dvodimenzionalne sluajne veliine. Nezavisnost sluajnih veliina.
Koeficijent korelacije
DVODIMENZIONALNE SLUAJNE VELIINE
Definicija. Dvodimenzionalna sluajna veliina
Neka su X i Y sluajne veliine definisane nad (, F, P). Tada ureeni par (X,Y) predstavlja dvodimenzionalnu sluajnu
veliinu (dvodimenzionalni sluajni vektor).
Ako u R
2
postoji diskretan skup taaka S takav da je

tada je P{(X, ) e S] = 1, tada je (X,Y) diskretna
sluajna veliina. Ako su X i Y diskretne sluajne veliine, tada e i (X,Y) biti diskretna dvodimenzionalna
sluajna veliina. Za takvu sluajnu veliinu se odreuje zakon raspodele, analogno odreivanju zakona
raspodele jednodimenzionalne sluajne veliine. Znai, treba odrediti sve mogue vrednosti sluajne veliine
(X,Y) i odgovarajue verovatnoe.
Neka su x
1
, x
2
,... vrednosti sluajne veliine X, i neka su y
1
,y
2
,... vrednosti sluajne veliine Y. Sluajna veliina
(X,Y) e imati vrednosti sa verovatnoama
p
]k
= P|X = x
]
r = y
k
|, ] e [ L N, k e K L N
Umesto P{X = x
]
r = y
k
] esto se pie P{X = x
]
, = y
k
].
Ako su X i Y sluajne veliine nad istim prostorom verovatnoa

(, F, P), tada dogaaji oblika {X =
], {X < ], {X > ] itd. imaju verovatnou (tj. pripadaju F ), odnosno mogue je porediti sluajne veliine.
Definicija. Funkcija raspodele
Neka je data dvodimenzionalna sluajna veliina (X,Y). Tada je funkcija F(x, y) = P{|X() x r Y() y], x, y e R
funkcija raspodele sluajne veliine (X,Y).
Obino se pie: F(x, y) = P{X x, y]
Uoava se analogija sa definicijom funkcije raspodele jednodimenzionalne sluajne veliine.
Iz definicije funkcije raspodele proizilaze i osobine:
1. funkcija raspodele je monotono neopadajua funkcija po svakom argumentu,
2. F{-,y) = F{x,- ) = 0, F(+,+) = 1,
3. ako su a
1
, a
2
, b
1
, b
2
realni brojevi takvi da je a
1
b
1
, a
2
b
2
tada
P{a
1
<Xb
1
, a
2
<Yb
2
} = F{b
1
, b
2
)-F{b
1
, a
2
)-F{a
1
, b
2
)+F{a
1
, a
2
)
4. funkcija raspodele je neprekidna sa desne strane po svakom
argumentu.
Definicija. Apsolutno neprekidna sluajna veliina Neka je data dvodimenzionalna sluajna veliina (X,Y) ija je
funkcija raspodele F. Ako postoji funkcija g(x,y) tako da je
1
o
g(x, y)>0, (x, y)e R
2
,
2
o
F(x
,
y)=] ] g(t, s)utus,
y
+
x
-

tada je (X,Y) apsolutno neprekidna dvodimenzionalna sluajna veliina i g(x,y) je njena gustina raspodele.

Osobine gustine raspodele apsolutno neprekidne dvodimenzionalna sluajne veliine su analogne
osobinama gustine raspodele jednodimenzionalne sluajne veliine. Naime, vai:
1) g(x, y) =

2
P(x,)
x

2) ] ] g(t, s)utus = 1
+
-
+
-

Neka je (X,Y) diskretna sluajna veliina i neka su x
1
,x
2
,...,x
n
mogue vrednosti sluajne veliine X, a y
l
,y
2
,...,y
m

mogue vrednosti sluajne veliine Y. Neka je poznat zajedniki zakon raspodele:
P
ij
=P{ X =x
i
, Y = y
j
}, i = 1,2,...n, j = 1,2,...m.
Zakon raspodele za X se naziva marginalni zakon raspodele i moe se odrediti iz zajednikog zakona raspodele:
15

r
k
=P{ X = x
k
}= P
m
j=1
{ X = x
k
, Y = y
J
}, (1)
za Y analogno:
s
j
= P|Y = y
j
| = P{X = x
k
, Y = y
j
]
n
k=1
(2)
Ovo pokazuje da zajedniki zakon raspodele jednoznano odreuje marginalne zakone raspodele.

Funkcije raspodele sluajnih veliina X i Y se mogu dobiti takoe iz zajednike funkcije raspodele.
Funkcija
F
1
(x) = lim
-+
F(x, y) = F(x, +)
je marginalna funkcija raspodele veliine X, a funkcija
F
2
(y) = lim
x-+
F(x, y) = F(+, y)
je marginalna funkcija raspodele veliine Y.
U sluaju neprekidnih sluajnih veliuja X i Y se od margi-nalnih funkcija raspodele dobijaju marginalne
gustine raspodele:
F'
1
(x) = g
1
(x), F'
2
(y) = g
2
(y),
Margina gustine raspodele se mogu dobiti i iz zajednike gustine raspodele dvodimenzionalne
sluajne veliine:
g
1
(x) = ] g(x, y)uy
+
-
, g
2
(x) = ] g(x, y)ux
+
-

Nezavisnost sluajnih veliina
Definicija. Nezavisnost sluajnih veliina
Neka su S
1
i S
2
skupovi realnih brojeva koji se dobijaju od najvie prebrojivo mnogo intervala oblika (a,b)
primenom najvie prebrojivo mnogo operacija unija, presek I komplement. Ako za sluajne velicine X i Y vai
P{X e S
1
, e S
2
, ] = P{X e S
1
] - P{ e S
2
]
tada s uXi Y nezavisne sluajne veliine.
U sluaju nezavisnosti zajednika funkcija raspodele je proizvod marginalnih funkcija raspodele:
F( x , y ) = F
1
( x ) *F
2
( y ) .
Pri tom za nezavisne diskretne sluajne veliine vai i:
P|X = x

, = y
]
, | = P{X = x

] - P| = y
]
|
za svaki par vrednosti ( x
i
, y
j
) .To znai daj e u sluaju nezavisnosti mogue dobiti zajedniku raspodelu na
osnovu marginalnih raspodela.
Za nezavisne neprekidne sluajne veliine zajednika gustina raspodele je proizvod marginalnih gustina
raspodele:
g(x, y) = g
1
(x) - g
2
(y)
Koeficijent korelacije
Definicija. Koeficijent korelacije
Kolinik
p
X,
=
C
X,
(X) - ()

je koeficijent korelacije sluajnih veliina X i Y.
Ako su X i Y nezavisne sluajne veliine, tada jep
X,
= u , dok obrnuto ne vai. Vrednosti koeficijenata
korelacije se nalaze u intervalu [-1,1]. Ako je Y=aX+b, a<0, tada je p
X,
= 1 , a ako je a<0 tada je p
X,
= -1.
Isto tako, ako je p
X,
= 1 ili p
X,
= -1, tada je Y
linearna funkcija od X (sa verovatnoom 1).
Koeficijent korelacije je nain merenja stepena zavisnosti sluajnih veliina X i Y. Ako je zavisnost tih
veliina linearna, koeficijent korelacije je, po modulu, jednak 1. Ali, ako je koeficijent korelacije blizak 1 (ili -1)
ne mora znaiti da su X i Y medusobno zavisne, ve da postoji trea sluajna veliina Z, od koje zavise i X i Y.
Stoga se definie parcijalni koeficijent korelacije pomou kojeg se nalazi zavisnost X od Y bez uticaja Z. Neka
su r
12
,r
13
, r
23
, koeficijenti korelacija, redom, izmeu sluajnih veliina X i Y, bez uticaja Z
i
12
- i
13
- i
23
(1 -i
13
2
) - (1 - i
23
2
)

12. Binomna raspodela. Muavr-Laplasova teorema.
Binomna raspodela
16

Neka se izvodi n eksperimenata pod istim uslovima i nezavisno jedan od drugog i neka je
verovatnoa realizacije dogaaja A u svakom od tih eksperimenata konstantna i jednaka p. Ako je
sluajna veliina X jednaka broju realizacija dogaaja A pri opisanim uslovima, tada se kae da X ima
binomnu raspodelu sa parametrima n i p to se zapisuje
X: B(n,p)
esto se sree i naziv Bernulijeva raspodela kao i oznaka S
n
za sluajnu veliinu sa B(n,p)
raspodelom.
Dakle, za sluajnu veliinu sa binomnom raspodelom je:
X: _
u 1
p
n,0
p
n,1




n
p
n,n
],
p
n,]
= _
n
p
] p
]
(1 -p)
n-]
, ] = u,1, , n
Ako sluajna veliina X ima B(n
1
,p) raspodelu, a sluajna veliina Y, B(n
2
,p) raspodelu, i ako su X i Y
nezavisne, tada sluajna veliina Z=X+Y ima B(n
1
+ n
2
,p) raspodelu.
Raspodela za Y uslovno u odnosu na Z=X+Y=k, u sluaju nezavisnih veliina X i Y sa B(n
1
,p) i
B(n
2
,p) raspodelama je
P{ = ]|Z = k] =
P{ = ]|Z = k]
P{Z = k]
=
P{X = k - ]]P{ = ]]
P{Z = k]
=
[
n
1
k-]
[
n
2
]

(
n
1
+n
2
k
)

gde mora biti max{0, k-n
1
] ] min{k,n
2
}
Neka sluajna veliina X ima B(n,p) raspodelu. Za fiksirano n, u zavisnosti od p, menjae se
meusobni odnos verovatnoa p
n,k
, ke{0,1,,n}, ali se moe uoiti da e postojati jedna ili dve
(meusobno jednake) najvee verovatnoe u zakonu raspodele.
Neka je X sluajna veliina sa B(n,p) raspodelom. Izraunavanje vrednosti izraza
P{X = k] = (
n
k
)p
k
(1 - p)
n-k
=
n!
k!(n-k)!
p
k
(1 -p)
n-k
,
ke{0,1,,n}, za konkretne vrednosti n i p moe biti sloeno ak i kada se koristi elektronski kalkurator.
Navedene verovatnoe zadovoljavaju relaciju
P{X = k + 1] =
p
1-p
n-k
k+1
P{X = k],
pa na osnovu te jednakosti se mogu raunati potrebne verovatnoe jedna za drugom.
Muavr-Laplasova teorema
Neka je sluajna veliina S
n
ima B(n,p) raspodelu. Tada za verovatnou iz zakona raspodele za
S
n
vai, kada n:
(1) P{S
n
= ]] -
1

npq
g(
]-np

npq
),
(2) P{o S
n
b] - ] g(x)Jx
[
u
,
gde je q=1-p, o =
u-np

npq
, [ =
b-np

npq
, g(x) =
1
2n
c
-
x
2
2

Muavr-Laplasovom teoremom se utvruje da je, pri velikom n, raspodela sluajne veliine S
n
-
=
S
n
-np

npq

priblino normalna raspodela N(0,1), pri emu sluajna veliina S
n
ima B(n,p).
Napomena: U zadacima se primenjuje aproksimacija binomne raspodele normalnom raspodelom
ako je n dovoljno veliko (n>30) i ako je pritom np>10.

13. Puasonova raspodela. Geometrijska raspodela
Puasonova raspodela
Ako je >0 i
X: _
u 1
p
0
p
1


n
p
n

], p
]
=
x
]
]!
c
-x
, j=0,1,2
17

tada se kae da X ima Puasonovu raspodelu sa parametrom , to se zapisuje X:P(). Ova sluajna veliina ima
prebrojivo mnogo vrednosti, a uspeno se koristi pri opisivanju sluajnih pojava kod kojih se najverovatnije javlja
mali broj realizacija posmatranog dogaaja, iako je potencijalno mogue i da ih bude mnogo.
U sluaju kada je u binomnom zakonu raspodele B(n,p) broj n veliki, izraunavanje binomnih
verovatnoa p
n,k
moe biti komplikovano. Ako je n Su i np<10 razlika izmeu verovatnoa iz binomnog zakona
raspodele i Puasonove raspodele P(np) je vrlo mala. Preciznije, vai tvrenje:
Ako se posmatra binomna raspodela S
n
:B(n,p
n
) kod koje verovatnoa p
n
realizacije dogaaja A u n-tom
opitu zavisi od n, tako da np
n
, n, tada vai tzv. Puasonova aproksimacija binomne raspodele, tj.:
P{S
n
= ]] -
x
]
]!
c
-z
, n - , ] = u,1,2
Aproksimacija
P{S
n
= ]] =
x
]
]!
c
-z
,
se obino koristi za velike vrednosti n (n vee od 30) i ako je =np<10.
Odatle takoe sledi da za velike vrednosti n, pri emu je np=<10 vai i:
P{m
1
S
n
m
2
] = P{S
n
= ]] =
x
]
]!
c
-z
m
2
]=m
1
m
2
]=m
1

gde su m
1
, m
2
= u,1,2 i m
1
m
2

Ako parametar Puasonove raspodele nije prirodan broj, tada raspodela ima jedan mod jednak celom
delu broja , a ako je prirodan broj, tada Puasonova raspodela ima dva moda i to su (-1) i .
Geometrijska raspodela
Neka je verovatnoa realizacije nekog dogaaja A u svakom eksperimentu jednaka p i neka se
eksperimenti ponavljaju (pri istim uslovima) dok se prvi put ne ostvari dogaaj A. Sluaajna veliina X koja je
jednaka broju izvedenih eksperimenata je sluajna veliina sa geometrijskom raspodelom. Njen zakon raspodele
je:
X: _
1 2 S
p (1 -p)p (1 - p)
2
p

n
(1 -p)
n-1
p
]
14. Uniformna raspodela. Eksponencijalna raspodela
Uniformna raspodela
Ako je gustina raspodele sluajna veliina X jednaka
g(x) = _
1
b-u
, x e (o, b)
u, x e (o, b)

tada se kae da je X sluajna veliina sa uniformnom raspodelom na intervalu (a,b), a koristi se i
termin ravnomerna raspodela.
Uobiajena oznaka uniformne raspodele je X:U(a,b).
Eksponencijalna raspodela
Ako je gustina raspodele sluajne veliine oblika
g(x) = _
u, x u
zc
-xx
, x > u

tada se kae da sluajna veliina X ima eksponencijalnu raspodelu sa parametrom , >0, to se
oznaava sa X: c().
15. Normalna raspodela. Korienje tablica
Normalna raspodela
U teoriji verovatnoe i matematikoj statistici posebno znaajno mesto zauzima tzv. normalna ili
Gausova raspodela. To je jedna neprekidna raspodela, koja je povezana sa mnogim drugim diskretnim i
neprekidnim raspodelama.
Ako je gustina raspodele za sluajnu veliinu X:
g(x) =
1
c2n
c
-
(x-m)
2
2o
2
, x e R, o > u, m e R,
tada se kae da X ima normalnu raspodelu sa parametrima m i o
2
to se oznaava X:N(m,o
2
).
18

Specijalni sluaj predstavlja normalna raspodela sa parametrima m=0 i o=1. Za takvu sluajnu veliinu se
kae da ima normalnu normiranu raspodelu N(0,1). Znaaj ove raspodele proizilazi iz sledeeg tvrenja:
Teorema 1.
Ako sluajna veliina X ima N(m,o
2
) raspodelu, tada sluajna veliina Y=(X-m)/o ima N(0,1) raspodelu.
Ova teorema se primenjuje pri izraunavanju verovatnoa vezanih za sluajne veliine sa normalnom
raspodelom. Teorema pokazuje da je za raunanje vrednosti funkcije raspodele bilo koje sluajne veliine sa
normalnom raspodelom, dovoljno znati vrednosti funkcije raspodele sluajne veliine sa normalnom normiranom
raspodelom.
Poto se vrednost integrala
F(x) = _
1
2n
x
-
c
-
t
2
2
Jt
ne moe dobiti elementarnim putem, odgovarajuom numerikom metodom su izraunate vrednosti tog
integrala, tj. vrednosti funkcije raspodele za normalnu normiranu sluajnu veliinu i date su u tablicama.
Korienje tablica
Osobina funkcije F(x) omoguava da se u tablicama daju vrednosti funkcije
(x) = ]
1
2n
c
-
t
2
2
Jt
x
0
, za xe[0,5]
Ako X:N(0,1) tada se iz tablica itaju verovatnoe F(x) = P{X < x] = u.S + (x), za xe[0;2.99], pri
emu se vrednosti za x date na dve decimale.
16.
2
-raspodela. Studentova raspodela. Veze sa normalnom
raspodelom.

2
-raspodela
Neka su sluajne veliine X
1
, X
2
, , X
n
nezavisne i neka sve imaju N(0,1) raspodelu. Za sluajnu
veliinu
X = X
1
2
+ X
2
2
++ X
n
2

se kae da ima
2
-raspodelu sa n stepeni slobode, to se oznaava sa X: _
n
2

Veza
2
raspodele sa normalnom raspodelom.
Za dovoljno velike vrednosti n, raspodela X
n
2
moe se aproksimirati normalnom raspodelom N(n,2n), a
raspodela sluajne veliine
X
n
2
-n
2n
normalnom normiranom raspodelom.
Ova aproksimacija se primanjuje za n Su, pa je to ujedno i razlog to u tablicama esto ne figurie
vrednosti za n vee od 30.
Moe se koristiti i Fierova aproksimacija po kojoj 2X
n
2
ima priblino normalnu N(2n - 1, 1)
raspodelu.
Studentova raspodela
Ako su sluajne veliine Y:N(0,1) i Z: X
n
2
nezavisne, tada sluajna veliina
X =

_
Z
n

ima Studentovu raspodelu sa n stepeni slobode, u oznaci X:t
n
.
Dakle, ako su sluajne veliine Y, X
1
, X
2
,, X
n
nezavisne i sve imaju istu normalnu normiranu
raspodelu N(0,1), tada sluajna veliina
X =
n
X
1
2
+ X
2
2
+ + X
n
2

ima Studentovu t
n
raspodelu.
Verovatnoe vezane za Studentovu raspodelu se daju u tablicama, jer je neposredno
izraunavanje tih verovatnoa na osnovu odgovarajueg integrala gustine raspodele komplikovano.
Tablice za Studentovu t-raspodelu daju vrednosti t
o
za koje je verovatnoa
P{|X| t
u
] = o
gde je o zadato i jednako 0.99, 0.95,, 0.01 a sluajna veliina X ima t-raspodelu sa n stepeni slobode.
19

Za one vrednosti o koje nisu date u tablicama mogue je traenu verovatnou, odnosno vrednost
X
u
2
dobiti interpolacijom ili neposrednim izraunavanjem odgovarajueg izraza.
Veza Studentove i normalne raspodele
Ukoliko je n Su, t
n
raspodela se moe aproksimirati N(0,1) raspodelom, pa je to ujedno i
razlog to u tablicama esto ne figuriu vrednosti za n vee od 30.
17. Matematiko oekivanje. Disperzija. Nejednakost ebieva.
Matematikooekivanje
Def. 1 Neka je X diskretna sluajna veliina sa zakonom raspodele
X =
x
1
p
1
[
x
2
p
2

x
n
p
n

Tada je matematiko oekivanje sluajne veliine X jednako:
E(X) = x
1
p
1
+x
2
p
2
++x
n
p
n

Neka je X elementarna sluajna veliina sa zakonom raspodele:

Ako je red x
]
p
] ]
konvergentan, tada se kae da sluajna veliina X ima matematiko oekivanje
jednako
E(X) = x
]
p
]
]

Neka je X apsolutno neprekidna sluajna veliina sa gustinom raspodele g(x). Ako integral
_ x g(x)Jx
+
-

apsolutno konvergira, tada se kae da sluajna veliina X ima matematiko oekivanje, in da je ono
jednako
E(X) = _ x g(x)Jx
+
-

Ako u predhodnj definiciji posmatrani red/integral ne konvergira apsolutno tada odgovarajua sluajna
veliina nema matematiko oekivanje.
Teo. 1 Osobine matematikog oekivanja:
Osobine matematikog oekivanja proizilaze iz date definicije i osobina konanih suma, redova i
odreenih integrala.
1. E(X) i E(|X|) istovremeno postoje ili nepostoje
2. Ako je P{X = o] = 1 gde je o neka konstanta, tada je E(X) = o
3. Ako je P{X u] = 1, tada je E(X) u
4. Ako je P{X ] = 1, tada je E(X) E()
5. Ako je k konstanta, tada je E(kX) = k E(X)
6. Ako su X i dve sluajne veliine koje imaju matematika oekivanja, tada je E(X +) =
E(X) + E()
7. Ako je neprekidna f-ja i X diskretna ili elementarna sluajna veliina iji je zakon raspodele
p
]
= P{X = x], ] e [ L H, tada je matematiko oekivanje sluajne veliine = (X)
E((X)) = (x
]
)p
]
]

Ukoliko je na desnoj strani red, taj red mora da bude apsolutno konvergentan.
Ako je X neprekidna sluajna veliina sa gustinom raspodele g(x), tada je matematiko
oekivanje sluajne veliine = (X)
20

E((X)) = _ (x) g(x)Jx
+
-

Ako je integral na desnoj strani apsolutno konvergentan.
Disperzija
Def. 1NekajedatasluajnaveliinaX.AkopostojiE(X - E(X))
2
kaemodasluajnaveliinaXimadisperzijui
dajenjenadisperzija(varijansa):
(X) = E(X - E(X))
2

Pozitivnavrednostkorenadisperzijesenazivastandardnadevijacijaiestoseoznaavao
Izdefinicijeneposrednosledi:
(X) = E(X
2
) - E
2
(X)
Teo. 1Osobinedisperzije
1. Ako je P{X = o] = 1 gde je o neka konstanta, tada je (X) = u
2. Ako je k konstanta, tada je E(kX) = k
2
E(X)
3. Ako su X i dve nezavisne sluajne veliine koje imaju disperziju i o i b proizvoljne konstante,
tada je
(oX + b) = o
2
(X) +b
2
()
a ako su zavisne
(oX + b) = o
2
(X) + b
2
() + 2ob|E(X) - E(X)E()]
Nejednakostebieva
Neke je k e H i X sluana veliina. Ako postoje m
k
= E(X
k
), odnosno p
k
= E(X -E(X))
k
nazivaju
se k-tim momentom, i k-tim centralnim momentom respektivno sluajne veliine. Ako postoji momenat
reda r tada postoje i svi momenti reda k za sve k < r.
Ako je za sluajnu veliinu X matematiko oekivanje E(X
2
)konano tada vai nejednakost ebieva
P{|X| e]
E(X
2
)
e
2

Ako je disperzija sluajne veliine X konana, nejednakost ebieva moe dati i u obliku
P{|X -E(X)| e]
(X)
e
2

18. Jo neke numerike karakteristike sluajnih veliinai njihove
osobine
Kovarijansa
Matematiko oekivanje sluajne veliine (X - E(X))( - E()) je kovarijansa sluajnih veliina i
oznaava se saC
x,
= E [(X - E(X))( - E())
Ako je C
x,
= u sluajne veliine X i su nekorelisane.
Koeficijentkorelacije
Kolinik
p
x,
=
C
x,
(X)()

Je koeficijent korelacije sluajnih veliina X i .
Ako su X i nezavisne sluajne veliine, onda je p
x,
= u, ali obrnute nevai. p
x,
e |-1, 1]
21

Ako je = oX + b, o > u tada je p
x,
= 1, a ako je o < u p
x,
= -1
koeficijent korelacije je nain merenja stepena zavisnosti sluajnih veliina X i .
Koeficijentasimetrijeispljotenosti
Neka su E(X) = m i (X) = o
2
matematiko oekivanje i disperzija sluajne veliine X, ako postoje

1
=
E(X -m)
3
o
3
,
2
=
E(X - m)
4
o
4
- S
tada su to, redom, koeficijent asimetrije, i koeficijent spljotenosti.
Ako je raspodela sluajne veliine X simetrina oko vrednosti E(X) = m, tada je koeficijent asimetrije
jednak nuli.
Za svaku sluajnu veliinu koeficijent spljotenosti je vei ili jednak -2
Mod
Neka je data diskretna sluajna veliina X svojim zakonom raspodele P|X = x
]
| = p
]
, ] e [ L H. Svaka
vrednost sluajne veliine X ije su odgovarajue vrednosti vee od susednih je mod raspodele.
Neka je date neprekidna sluajna veliina X svojim gustinom raspodele g(x), x e R. Apcisa svake
takelokalnog maksimuma funkcije g(x) je mod raspodele.
Na osnovu definicije zakljuuje se da raspodela moe imati jedan mod i tada za nju kaemo da je
unimodalna, dva (bimodalna), ili vie (polimodalna).
Medijana
Neka je F(x) funkcija raspodele sluajne veliine X. Medijana je vrednost H
c
argumenta funkcije
raspodele za koju je F(H
c
) = u.S
19. Funkcije sluajnih veliina i njihove raspodele
vidi pitanje 9 i 10
20. Meavine sluajnih veliina i njihove raspodele
Od datih sluajnih veliina se mogu formirati nove sluajne veliine i na sledei nain:
Neka su X
1
,X
2
,,X
n
sluajne veliine, a p,,p
2
,...,p
n
verovatnoe tako da je p
1
+ p
2
,...+p
n
=1. Sluajna
veliina Y za koju vai: P{ = X
1
] = p
1
, P{ = X
2
] = p
2
, , P{ = X
n
] = p
n
je konana meavina
sluajnih veliina X
1
,X2,...,X
n
, koje su njene komponente.
Ako su F
j
(x), j =1,2,,n funkcije raspodele sluajnih veliina X
j
, j = 1,2,...,n tada, po formuli potpune
verovatnoe, nalazimo da je funkcija raspodele sluajne veliine Y jednaka
F

(x) = p
]
F
]
(x)
n
]=1
(*)
Izraz na desnoj strani jednakosti predstavlja konveksnu kombinaciju funkcija F
j
(x), j = 1,2,...,n.
Ukoliko su g
j
(x) gustine raspodela sluajnih veliina X
j
, j = 1,2,...,n, tada je gustina raspodele sluajne
veliine Y:
g

(x) = p
]
g
]
(x)
n
]=1
(**)
Vai i obrnuto: ako su g
j
(x) gustine raspodela, a p
}
nenegativni brojevi takvi da je p
1
+ p
2
,...+p
n
=1, tada
je izrazom (**) odreena gustina raspodele neke sluajne veliine.
Svaka funkcija koja jeste funkcija raspodele moe se predsta-viti u obliku konveksne kombinacije
diskretne, apsolutno neprekidne i singularne funkcije raspodele.
Meavine sluajnih veliina se, naravno, inogu formirati samo od diskretnih ili samo od neprekidnih
sluajnih veliina, a takoe i od diskretnih i neprekidnih sluajnih veliina.

22

21. Aproksimacije sluajnih veliina zaseene sluajne veliine
Neka je X diskretna sluajna veliina sa prebrojivo mnogo vrednosti i neka je poznat njen zakon
raspodele:
X: [
x
1
x
2
x
3
p
1
p
2
p
3
x
n

p
n

, p
k
= 1, x
1
< x
2
<

k=1

Neka je n prirodni broj takav da je P
n+1
+ p
n+2
+ < o, gde je o proizvoljno mali (unapred izabrani)
pozitivan realan broj. Umesto sluaje veliine X posmatra se zaseena sluajna veliina:
X
z
: [
x
1
p
1
-
x
2
p
2
-
x
3
p
3
-

x
n
p
n
-

gde je p
1
-
= p
1
, , p
n-1
-
, p
n
-
= 1 -p
1
--p
n-1
. Vrednost ove sluajne veliine se modelira na nain
koji je ve opisan za modeliranje vrednosti diskretne sluajne veliine sa konano mnogo vrednosti.
Neka je y jedan (pseudo)sluajan broj. Ako je y p
1
-
, smatra se da se realizovala vrednost x
1
sluajne
veliine X
z
, odnosno sluajne veliine X. Ako je p
1
-
y p
1
-
+ p
2
-
, smatramo da se realizovala
vrednost x
2
sluajne veliine X
z
, odnosno sluajne veliine X, i tako dalje do vrednosti x
n
. Na taj nain
se nee dobiti ni jedna od vrednosti sluajne veliine X koja je vea od x
n
. Meutim, verovatnoa
dobijanja bilo koje vrednosti vee od x
n
je manja od o, a kako je o kao mali pozitivan broj, to su i
verovatnoe dobijanja vrednosti sluajne veliine X koje su vee od x
n
zanemarljivo male. Npr,
o = u.uu1 znai da se sa verovatnoom manjom od 0.001, tj. U manje nego 1 od 1000 sluajeva, moe
oekivati neka od vrednosti koje su vee od x
n
. U zavisnosti od zadatka koji se reava i broja vrednosti
koje je potrebno modelirati bira se o.
22. Zakoni velikih brojeva. Bernujijev, i jo neki
Def 1: Zakon velikih brojeva
Neka je X
1
, X
2
, niz nezavisnih sluajnih veliina definisanih nad istim prostorom verovatnoa. Ako za
svaki pozitivan broj e vai:
P __
1
n
X
]
-
1
n
EX
]
n
]=1
n
]=1
_ e_ - u, n -
Oznaka
P
- se koristi za ovu vrstu konvergencije koja se naziva konvergencija u verovatnoi.
Jedan od zakona velikih brojeva je i Bernulijev zakon velikih brojeva:
P __
X
n
-p_ e_ - u, n -
Bernulijev zakon se dokazuje primenom nejednakosti ebieva:
P __
X
n
-p_ e_ = P __
X - np
n
_ e_ = P{|X - np| ne] = P{|X - E(X) ne|]
(X)
(ne)
2
=
np(1 -p)
n
2
e
2
- u, n -
Sledee teoreme daju dovoljne uslove pri kojima vai slabi zakon velikih brojeva:
Teorema 1: Teorema Hinina
Neka je dat niz X
1
, X
2
, niz nezavisnih sluajnih veliina sa istom raspodelom sa konanim
matematikim oekivanjem jednakim m. Tada za posmatrani niz sluajnih veliina vai slabi zakon
velikih brojeva, tj.
1
n
X
]
P
------m, n -
n
]=1

Teorema 2: Teorema ebieva
Neka je dat niz X
1
, X
2
, niz nezavisnih sluajnih veliina sa konanim matematikim oekivanjima i
neka postoji konstanta c tako da vai:
X
n
c < , n = 1,2,
23

Tada za posmatrani niz sluajnih veliina vai slabi zakon velikih brojeva.
Teorema 3: Teorema Markova
Neka je dat niz X
1
, X
2
, niz nezavisnih sluajnih veliina sa konanim matematikim oekivanjima i
neka vai:
lim
n-
1
n
2
_X
]
n
]=1
_ = u
Tada za posmatrani niz sluajnih veliina vai slabi zakon velikih brojeva.

U teoremi Hinina i teoremi ebieva uslov nezavisnosti se moe zameniti nezavisnou u parovima.
Zakljuci ostaju isti. Uslov nezavisnosti se moe drugim uslovom, kao to je dato u sledeoj teoremi.
Kovarijansa sluajnih veliina X
k
i X
n
je oznaena sa co:(X
k
,X
n
).
Teorema 4: Teorema Berntajna
Neka je dat niz X
1
, X
2
, niz sluajnih veliina sa konanim matematikim oekivanjima i neka postoji
konstanta c tako da vai:
X
n
c < , n = 1,2,
Takoe, neka co:(X
k
, X
n
) - u ravnomerno kad |k -n| - .
Tada za posmatrani niz sluajnih veliina vai slabi zakon velikih brojeva.
Osim konvergencije u verovatnoi, definiu se i druge vrste konvergencije. U sledeoj definiciji se
navodi jo jedna od konvergencija koje se razmatraju u teoriji verovatnoe.
Definicija 2: Konvergencija u zakonu raspodele
Neka je dat niz X
1
, X
2
, niz sluajnih veliina i neka je F
1
(x), F
2
(x), niz njegovih funkcija raspodele.
Ako F
n
(x) - F(x), za svako x e R, kad n - , gde je F(x) funkcija raspodele, tada se kae da niz
X
1
, X
2
, konvergira u zakonu raspodele (ili u raspodeli) ka sluajnoj veliini X kojoj je F(x) f-ja
raspodele. Oznaka za ovu vrstu konvergencije je:
X
n
z
------X, n - .
23. Konvergencija u zakonu raspodele i centralna granina teorema
Ako za niz cluajnih veliina X
1
, X
2
, , X
n
, vai
P __
1
n
x
]
n
]=1
-
1
n
E(x
]
)
n
]=1
_ e_ - u, n - +, ve > u
Onda za niz sluajnih veliina vai zakon velikih brojeva.
1
n
x
]
n
]=1
p
- E _
1
n
x
]
n
]=1
_, n - +
Teo. 1 Ako su sluajne veliine X
1
, X
2
, , X
n
, nezavisne, i E(x
]
) = m = const, (x
]
) = o
2
= const
onda x
n

p
-m, n - +
Teo. 2 Ako su sluajne veliine X
1
, X
2
, , X
n
, nezavisne sa istom raspodelom, matemetikim
oekivanjem m i konanom disperzijom, onda x
n

p
-m, n - +
Teo. 2 Ako su sluajne veliine X
1
, X
2
, , X
n
, nezavisne sa istom raspodelom, matemetikim
oekivanjem m i uniformno ogranienim disperzijama (v] e H)(x
]
) c onda x
n

p
- m, n - +
Centralnagraninateorema
Teo. 1 Neka je dat niz nezavisnih sluajnih veliina X
1
, X
2
, , X
n
, sa istom raspodelom,
matematikim oekivanjem m i konanom disperzijom o
2
. Tada raspodela cluajne veliine x
n
=
1
n
x
]
n
]=1
konvergira ka normalnoj raspodeli J[m,
c
2
n

24

24. Populacija. Uzorak. Grafiko predstavljanje. Reprezentativnost.
Prost sluajni uzorak. Uzorak sa vraanjem i uzorak bez vraanja.
Skup objekata koji posmatramo naziva se populacija (osnovni skup ili generalna kolekcija) u odnosu na
izvesnu varijablinu kvantitativnu ili kvalitativnu osbinu koju nazivamo obeleje.
Podatke moemo prikupljati iz cele populacije i tako izuavati populaciju u celini. Meutim ako
populacija sadri veliki broj elemenata, izuavanje moe predugo trajati ili prouzrokovati vee
materijalne trokove (posebno ako pri prouavanju elemenat moe biti uniten). Stoga iz populacije na
sluajan nain uzima jedan deo koji se dalje prouava uzorak. Broj elemenata u uzorku je obim
uzorka.
Uzorak se najee dobija na jedan od sledeih naina:
a) Izabrani element se posle beleenja vraa u populaciju, da bi se zatim iz celokupne populacije na
sluajan nain uzimao sledei element (izbor sa vraanjem)
b) Izabrani element se posle beleenja ne vraa u populaciju, a sledei element uzorka se bira meu
preostalim elementima populacije (izbor bez vraanjem)
Kako je krajnji cilj statistike odreivanje raspodele obeleja na populaciji na osnovu obeleja na uzorku,
od velike je vanosti obezbeivanje reprezentativnosti uzorka. Neophodno je obezbediti uzorak koji
dobro predstavlja populaciju, tj. predstavlja njenu umanjenu, a nikako iskrivljenu niti uvelianu
sliku jednog dela populacije.
Prostsluajanuzorak
Def. 1 Neka se u populacije posmatra neko obeleje X. Prost sluajan uzorak obima n za posmatrano
obleje je n-dimenziona sluajna promenjiva (X
1
, , X
n
) pri emu suX
1
, , X
n
nezavisne i sve imaju
istu raspodelu kao posmatrano obleje X.
Realizovan uzorak predstavlja konkretan niz vrednosti obeleja dobijenih na elementima populacije koji
su izabrani u uzorak.
Grafikopredstavljanjepodataka
Neka je dat uzorak obima n. Kada u koordinatnom sistemu redom predstavimo take I

(x

, n

), i = 1, n

i spojimo linijom potujui redosled dobija se poligon apsolutnih frekvencija. Ako se take (x

,
n

n
,
)
redom spoje linijom dobija se poligon relativnih frekvencija.
Za konstrukciju histograma koristimo slian postupak samo sto nad svakom takom konstruiemo
pravouganik ija je povrina jednaka apsolutnoj (odnosno relativnoj frekvrnciji) datog intervala.
Postoje i drugi naini za prikaz podataka kao to su piktogrami, i kruni diragrami.
Visina i irina grafika bi trebalo da budu u odnosu 1: 2
25. .
. .
:
(
1
, ,
n
) n .
:
X

=
1
n
(X
1
+ ... + Xn)
:
(Xn

) = E(X) = m

2
:
D(Xn

) =
1
n
D(X) =
2
/ n

1
, ...,
n

:
=
1
n
( x
1
+ + x
n
)
25


1
, ...,
n
,
X
n

:
=
1
n
( n
1
x
1
++ n
k
x
k
)
(
1
,
2
),
[a
j
, a
j+1
), ,
j

X
n

(
1

+1
):
=
1
n
( n
1
x'
1
+ + n
k
x'
k
)

1
, ...,
n
.

. :
.
1)

1
, ...,
n

*
=

, = 1, 2, ..., k, .
.
:
x
n
-
=
1
n
( n
1
x
1
-
+ + n
k
x
k
-
) =
1
n
( n
1
x
1
++ n
k
x
k
) - o = x
n
- o
:
x
n
= x
n
-
+ o
.
2)

1
, ...,

*
= b

, = 1, 2, ..., k, b a .
:
x
n
-
=
1
n
( n
1
x
1
-
++ n
k
x
k
-
) =
b
n
( n
1
x
1
+ + n
k
x
k
) - o = bx
n
- o
:
x
n
= (x
n
-
+ o)b

. b=1, .

: (
1
, ,
n
) n .
()=m,
:
S

n
2
=
1
n
((X
1
- m)
2
+ + (X
n
- m)
2
)
, :
S

n
2
=
1
n
((X
1
- X

n
)
2
+ + (X
n
- X

n
)
2
)
,
S
`
n
2
=
1
n -1
((X
1
- X

n
)
2
+ + (X
n
- X

n
)
2
)

S

n
2
= ((
1
n
(X
1
2
+ +X
n
2
)) - ( X

n
)
2
)
:
S
`
n
2
=
n
n -1
S

n
2

:
E(S

n
2
) = E( (X
1
- m)
2
+ + (X
n
- m)
2
) = (X) = o
2
,
E(S

n
2
) = E(
1
n
(X
1
2
+ + X
n
2
) - ( X

n
)
2
) =
n - 1
n
(X),
26

E(S
`
n
2
) = E [
n
n - 1
S

n
2
= (X)
.
.
3)

: n
j
> n
j-1

n
j
> n
j+1
.
,
[a
j
, a
j+1
) ( , : n
j
> n
j-1
n
j
> n
j+1
) ,
m
o
:
m
o
= o
]
+
oc
o +

o = n
]
- n
]-1
, = n
]
- n
]+1
.
( ),
() .

. :
y
1
y
2
y
n
m
e
:
m
c
= _
y
k+1
, oko ]c n = 2k +1
1
2
(y
k
+ y
k+1
), oko ]c n = 2k

,
[a
j
, a
j+1
) , :
m
c
= o
]
+ _
n
2
- n
]
]+1
k=1
_ -
c
n
]

4) ,
(
1
, ...,
n
) n .
k :
1
n
x
]
k
n
=1

k :
1
n
(x
]
- x
n
)
k
n
=1


:
c

=
S

n
x
n

:
c
3
(S

n
)
3

:
c
4
(S

n
)
4
-S =
c
4
(S

n
2
)
2
- S
5) :
(
1
, ,
n
). X

n
=
1
n
X
]
n
]=1

:
27

C

=
_
1
n
(X
]
- X

n
)
2 n
]=1
X

n

:
n
1
=
1
n
(X
]
- X

n
)
3 n
]=1
(
_
1
n
(X
]
- X

n
)
2 n
]=1
)
3


n
3
=
1
n
(X
]
- X

n
)
4 n
]=1
(
_
1
n
(X
]
- X

n
)
2 n
]=1
)
4
-S
:

1
= min
1<]<n
X
]


n- :

n
= mox
1<]<n
X
]

(), , ..., n- () , ,
, n- .
n- .
R. n X
min
X
max

n- , :
R= X
min
- X
max

Y
1
, ..., Y
n
. Y
1
Y
n
.
:
H
c
= _

k+1
, oko ]c n = 2k +1
1
2
(
k
+
k+1
), oko ]c n = 2k

26. Empirijska fukcija raspodele. Centralna teorema matematike
statistike.
Definicija: Neka je (X
1
, ..., X
n
) prost sluajni uzorak obima n za posmatrano obeleje. Funkcija
F
n
-
(x) = I|X
k
x]
n
k=1

gde je I indikator dogaaja je empirijska funkcija raspodele.
Neka je n
x
broj elemenata uzorka za koje je vrednost obeleja X manja od realnog broja x. Tada se
realizovana vrednost empirijske raspodele u taki x dobija po formuli:
F
n
-
(x) =
n
x
n

I esto se, takoe, zove empirijska funckija raspodele obeleja X.Empirijska funckija raspodele je
jednaka relativnoj uestalosti dogaaja [X<x]. To je jedna stepenasta funckija koja uzima vrednosti sa
segmenta [0, 1], neopadajua je za svako x, levo od najmanje varijante i u njoj jednaka je nuli, a desno
od najvee varijante jednaka je jedinici.
Posmatrana kao sluajna promenljiva empirijska funckija raspodele ima binomni zakon raspodele
P jF
n
-
(x) =
m
n
[ = [
n
m
|F(x)]
m
|1 -F(x)]
n-m
, m = u, 1, , n
Ovde je F(x) odgovarajua teorijska funckija raspodele za posmatrano obeleje.
28

Iz Bernilijevog zakona velikih brojeva sleda da empirijska funkcija raspodele konvergira u verovatnoi
ka funkciji raspodele obeleja:
F
n
-
(x)
p
-F(x), n -
Centralna teorema matemati;ke statistike: Ako je F(x) teorijska funkcija raspodele obeleja X, a
F
n
*
(x) empirijska funkcija raspodele dobijena na osnovu prostog sluajnog uzorka obima n, tada,
uniformno po x, funkcija F
n
*
(x) tei ka F(x) sa verovatnoom 1, tj.:
P jsup |F
n
-
(x) -F(x)|
n-
----u[ = 1
Teorema Kolmogorova: Ako je funkcija raspodele F posmatranog obeleja neprekidna i ako je

n
= sup
xeR
| F
n
-
(x) -F(x)|,
Onda za svaki realan broj t vai:
P|n
n
t]
n-
---- 1 +2 (-1)
k
c
-2k
2
t
2

k=1

Teorema Kolmogorova odreuje raspodelu maksimalnog odstupanja empirijske funkcije raspodele od
funkcije raspodele obeleja i posebno je vana jer pokazuje da rezultat ne zavisi od raspodele obeleja!
Ona se primenjuje pri proveri (testiranju) saglasnosti empirijske funkcije raspodele obeleja i neke
funkcije raspodele da koju pretpostavljamo da bi mogla biti funkcija raspodele posmatranog obeleja.
27. Ocenjivanje parametra. Osobine ocena.
Pri prouavanju obeleja sreemo se sa dva osnovna zadatka:
1. Odrediti na osnovu uzorka raspodelu obeleja na populaciji
2. Ako je tip raspodele poznat, odrediti nepoznate parametre raspodele (na osnovu uzorka, pomou
realizovanih vrednosti statistika)
Neka je (x
1
,x
2,
... , x
n
) prost sluajan uzorak obima n. Statistika Y=f(x
1
,x
2,
... , x
n
) f-ja uzorka, zavisi od
nepoznatog parametra raspodele obeleja X. Ako se parametar ocenjuje statistikom Y=f(x
1
,x
2,
... ,
x
n
), kae se da je statistika Y ocena parametra i jo se oznaava sa 0
`
.
Poto je realizovana vrednost statistike Y=f(x
1
,x
2,
... , x
n
) neki realan broj, odnosno taka na realnoj
pravoj, statistika Y se naziva takasta ocena parametra .
Def1. (Nepristrasna ocena) Neka je (x
1
,x
2,
... , x
n
) prost sluajan uzorak obima n i nepoznati parametar
raspodele obeleja X. Statistika Y=f(x
1
,x
2,
... , x
n
) je nepristrasna ocena parametra ako vai E(Y)= .
Ako ocena nema osobinu nepristrasnosti, ona je pristrasna i veliina njene pristrasnosti se meri razlikom
E(Y)- .
Ako je lim
n-
E() = lim
n-
E(f(x
1
, x
2
, , x
n
)) = 0 onda se statistika Y=f(x
1
,x
2,
... , x
n
) naziva
asimptotski nepristrasna ocena parametra .
Def2. (Postojanost ili stabilnost) Neka je (x
1
,x
2,
... , x
n
) prost sluajan uzorak obima n i nepoznati
parametar raspodele obeleja X. Statistika Y=f(x
1
,x
2,
... , x
n
) je postojana ocena parametra ako je
nepristrasna i vai P{ | - 0| e ]
n-
---- u ili
n-
----0 .
Postojanost oznaava da kako se poveava obim uzorka razlika izmeu realizovane vrednosti statistike i
stvarne vrednosti parametra se smanjuje.
Def3. (Efikasnost) Neka je (x
1
,x
2,
... , x
n
) prost sluajan uzorak obima n i nepoznati parametar obeleja
X. Neka su statistike Y=f(x
1
,x
2,
... , x
n
) i Z=g(x
1
,x
2,
... , x
n
) nepristrasne ocene parametra . Statistika Y je
efikasnija ocena parametra od statistike Z ako vai: D(Y) D(Z)
Ako za bilo koje Z (nepristrasna ocena parametra ) vai D(Y) D(Z) (i vai E(X)=E(Y)= ) onda se
statistika Y naziva najefikasnija ocena parametra .
29

28. Ocenjivanje matematikog oekivanja, disperzije, koeficijenta
korelacije.
Neka obeleje X ima N(m,
2
) raspodelu i neka je dat prost sluajni uzorak obima n za posmatrano
obeleje: (X
1
, ..., X
n
).
Statistika X
n

=
1
n
X
]
n
]=1
je nepristrasna i stabilna ocena za m, a njena raspodela je N(m,
c
2
n
), a
statistika
X

n
-m
c

n ima N(0, 1) raspodelu.
Statistika
nS

n
2
c
=
1
c
(X
]
- m)
2
n
]=1
ima
n
2
raspodelu, pa je matematiko oekivanje za S

n
2
jednako

2
, a disperzija za S

n
2
jednaka
2c
4
n
. Donja granica za ocenu disperzije u sluaju poznatog matetatikog
oekivanja je
2c
4
n
, to znai da je S

n
2
najbolja ocena za disperziju, ako je matematiko oekivanje
poznato.
Statistika
nS

n
2
c
=
1
c
(X
]
- X
n

)
2
n
]=1
ima
n-1
2
raspodelu, pa je matematiko oekivanje za S

n
2

jednako (n-1)
2
/n, a disperzija S

n
2
jednaka
2c
4
n-1
.
Statistike X
n

i S
`
n
2
su nezavisne sluajne promenljive.
Statistika _
n
2

1
n
|X
]
- m|
n
]=1
je nepristrasna ocena za , ako je m poznato.
Statistika _
n
2

1
n-1
|X
]
- X

n
|
n
]=1
je nepristrasna ocena za , ako m nije poznato.
29. Metoda maksimalne verodostojnosti
Neka je (x
1
, x
2
, ..., x
n
) prost sluajan uzorak obima n i nepoznat parametar raspodele obeleja X. Neka
je g(X, ) gustina raspodele. F-ja
I(X, 0) = g(x
1
, 0) g(x
2
, 0) g(x
n
, 0)
Se naziva f-ja verodostojnosti.
Parametar emo oceniti statistikom za iju vrednost f-ja L (ili lnL) postie supremum (u nekim
sluajevima to e biti i maksimum f-je L).
Ako je L diferencijabilna
J
J0
I(X, 0) = u ili
J
J0
lnI(X, 0) = u
Reavanjem ove jednaine biramo vrednost u kojoj f-ja L dostie supremum.
Diskretni sluaj:
I(X, ) = p(x
1
, ) - p(x
2
, ) p(x
n
, )
p(x

, 0) = P{X = x

], i = 1, n

Zatim odreujemo ekstremnu vrednost f-je L.
30. Intervali poverenja. Definicija. Primeri za intervale poverenja za
matematiko oekivanje kod obeleja sa normalnom raspodelom
Realizovana vrednost takaste ocene parametra moe dosta odstupati od stvarne vrednosti parametra, a
da pri tom ne znamo koliko je to odstupanje. Stoga se, na osnovu prostog sluajnog uzorka odreuje
sluajni interval koji, sa unapred zadatom verovatnoom sadri nepoznati parametar. Neka je
nepoznati parametar u raspodeli obeleja X i neka je (X
1
, ..., X
n
) prost sluajni uzorak obima n za to
obeleje. Na osnovu posmatranog uzorka definiu se statistike f(X
1
, ..., X
n
) i g(X
1
, ..., X
n
) tako da vee
uslovi:
30

P{ g] = 1,
P| 0 g] = [, [e|u, 1].
Tada kaemo da je [f, g] interval poverenja za nepoznat parametar sa nivoom poverenja .
Postoje dva sluaja za interval poverenja za matematiko oekivanje kod obeleja sa normalnom
raspodelom.
1. Sluaj
Interval poverenja za matematiko oekivanje m obeleja X, sa normalnom raspodelom i
poznatom disperzijom
Taj interval emo odreujemo polazei od injenice da se statistikom X

n
ocenjuje matematiko
oekivanje obeleja. Kako je, u sluaju normalne raspodele, gustina raspodele simetrina u odnosu na
pravu x = m, statistike f i g biramo simetrino u odnosu na X

n
u obliku = X

n
- e, g = X

n
+ e. Treba
odrediti iz uslova
P|X

n
- e m X

n
+ e] = [,
Odnosno iz uslova: P||X

n
-m| e] = [.
Poto statistika X

n
ako je
2
poznato, ima normalnu raspodelu N(n,
2
/n) iz toga sledi
X

n
-m
o
n
Ima noimalnu iaspouelu N(u, 1), pa se moe ouieuiti z
[
iz:
P||
X

n
-m
o
n | z
[
] = [
uue je z
[
=
c
c

n . Koiistei tablice za noimalnu iaspouelu za uato nalazimo z

[
i tako uobijamo
inteival poveienja za matematiko oekivanje obeleja X:
|X

n
-
z
[
n
, X

n
+
z
[
n
]
Posle toga na osnovu vieunosti n i iealizovane vieunosti x
n
uzoiake sieuine X

n
uobijamo
iealizovani inteival poveienja:
|x
n
-
z
[
n
, x
n
+
z
[
n
]
2. Inteival poveienja za matematiko oekivanje m obeleja koje ima noimalnu iaspouelu i
nepoznatu uispeiziju
Taj inteival se nalazi na slian nain kao i u piethounom sluaju s tim to se sau koiisti sluajna
piomenljiva
X

n
- m
S

n
n - 1
Koja ima Stuuentovu iaspouelu (ili t iaspouelu) sa n1 stepeni sloboue. Stoga iz tablica za
Stuuentovu iaspouelu nalazimo tn1; tako ua za uato vai:
P _
X

n
-m
S

n
n - 1 _ = [
I na osnovu vieunosti iz uzoika za n, X

n
i S

n
uobijamo inteival poveienja za m:
|X

n
-
t
n-1;[
n -1
S

n
, X

n
+
t
n-1;[
n - 1
S

n
]
31. Testiranje hipoteza. Osnovni pojmovi: nulta i alternativna hipoteza,
kritina oblast, prag znaajnosti, greka prve i druge vrste.
Zakljuci o posmatranom obeleju se donose na osnovu uzorka. S obzirom da su podaci iz dva uzorka,
istog obima n i za isto obeleje X, mogu znatno razlikovati, jer predstavljaju realizacije n
dimenzionalnih sluajnih promenljivih, to zakljuci do kojih dolazimo moraju biti formulisani i
interpretirani u terminima teorije verovatnoe.
31

Svaka pretpostavka (hipoteza) o parametru raspodele zove se parametarska hipoteza, a postupak njenog
potvrivanja ili odbacivanja na osnovu podataka iz uzorka je parametarski test. Ako hipoteza u
potpunosti odreuje raspodelu obeleja kae se da je to prosta hipoteza. Na primer, hipoteza da je
nepoznati parametar jednak broju
0
, to oznaavamo H
0
(=
0
), je primer proste hipoteze. Ako
hipoteza nije prosta, onda je sloena, kao to su hipoteze >
0
, <
0
ili
0
.
Obino imamo dve hipoteze: hipoteza koju testiramo H
0
(tzv. nulta hipoteza) i hipoteza H
1
(alternativna
hipoteza), koja na neki nain protivrei hipotezi H
0
. Alternativna hipoteza moe, takoe, biti prosta ili
sloena. Ako se odbacuje nulta hipoteza H
0
kada ona jeste tana, ini se greka prvog tipa, a ako se
prihvata H
0
kada je tana hipoteza H
1
, ini se greka drugog tipa.
Verovatnoa odbacivanja hipoteze H
0
, ako je ona zaista tana treba da bude mala. Broj je
verovatnoa greke prvog tipa i naziva se prag znaajnosti ili nivo znaajnosti. U primenama je to
veliina bliska nuli.
Postupak testiranja neke hipoteze samo ukzuje na stepen saglasnosti te hipoteze i podataka iz uzorka, ali
ne daje dokaz da li je postavljena hipoteza zaista tana ili ne.
32. Testiranje hipoteze o matematikom oekivanju obeleja koje ima
normalnu raspodelu (poznata disperzija i nepoznata disperzija)
1. Testiranje hipoteze H
0
(m=m
0
) o matematikom oekivanju obeleja X koje ima normalnu raspodelu
N(m,
2
), ako je
2
poznato.
Neka je alternativna hipoteza H
1
(mm
0
).
Ako je H
0
tana, statistika X

n
ima N(m
0
,
2
/n) raspodelu. Stoga nalazimo iz uslova:
P
H
0
||X

n
- m
0
| e] = P
H
0
_
|X

n
-m
0
|
o
n
e
o
n_ = o.
Gde je P
H
0
(. ) oznaava verovatnou izraunatu pri hipotezi H
0
.
Pomou tablica za normalnu raspodelu za dato nalazimo A =
c
c
n i izraunamo , pa ako je |x
n
-
m
0
| e hipotezu H
0
odbacujemo. Ovde je x
n
realizovana vrednost statistike X

n
. Znai, ako je
x
n
e(-, m
0
] U |m
0
+ e, ), onda hipotezu H
0
odbacujemo. Oblast
K = (-, m
0
- e] U |m
0
+e, )
Je kritina oblast za hipotezu H
0
(m=m
0
) pri alternativi H
1
(mm
0
).
Drugi nain je da pomou tablica za normalnu raspodelu izraunamo
*
iz uslova:
P
H
0
||X

n
-m
0
| |x
n
-m
0
|] = P
H
0
|
|X

n
- m
0
|
o
n
|x
n
-m
0
|
o
n]
I ako je
*
< hipotezu H
0
odbacujemo.
2. Testiranje hipoteze H
0
(m=m
0
) ako obeleje ima normalnu raspodelu N(m,
2
), ako disperzija
2
nije
poznata.
Neka je alternativna hipoteza H
1
(mm
0
). Ako je H
0
tana, onda statistika:
X

n
- m
0
S

n
n -1
Ima t
n-1
raspodelu. Pomou tablica za t-raspodelu nalazimo iz:
P
H
0
||X

n
-m
0
| e] = P
H
0
_
|X

n
- m
0
|
S

n
n - 1
e
S

n
n - 1_ = o.
I H
0
odbacujemo ako je manje ili jednako od realizovane vrednosti |x
n
-m
0
| iz uzorka.
33. Testiranje hipoteze o jednakosti matematikih oekivanja za 2
nezavisna obeleja sa normalnom raspodelom.
Obeleja X i nezavisna.
(X
1
, , X
n
), (
1
, ,
n
)
X: J(m
1
, o
2
), : J(m
2
, o
2
), o
2
poznato
32

E
0
(m
1
= m
2
), E
1
(m
1
= m
2
), ili m
1
> m
2
, m
1
< m
2

P
H
0
(X
n
-
m
e K) = o
X
n
- m
1
o
n
: J(u,1),

m
-m
2
o
n
: J(u,1)
X
n
-
m
: J(H,
2
)
H =. ,
2
=.
E(X
n
-
m
) = m
1
- m
2

(X
n
-
m
) = (X
n
) +(
m
) =
o
2
n
-
o
2
m

P
H
0
(X
n
-
m
e K) = o, k = (c, +)
P
H
0
`

X
n
-
m
_
o
2
n
-
o
2
m
>
c
_
o
2
n
-
o
2
m/

= o
Ako je X
n
-
m
> c, odbacujemo E
0
, inae prihvatamo.
34.
2
- test. Test frekvencija (primena
2
testa za proveru tablica
suajnih cifara).
Neka je potrebno, sa pragom znaajnosti o, testirati hipotezu E
0
da obeleje X za koje imamo prost
sluajni uzorak (X
1
, , X
n
) ima datu funkciju raspodele F
0
(x). Tada piemo E
0
(X: F
0
(x)) ili
E
0
(F(x) = F
0
(x)). Neka je u raspodeli obeleja X nepoznato s parametara. Te parametre emo oceniti
na osnovu datog uzorka, kao to je opisano u Poglavlju 13 (oh fuck). Skup moguih vrednosti obeleja
se razbija na r disjunktnih delova S
1
, S
2
, , S

, tako da je broj m
]
elemenata iz uzorka koji su u skupu S
]

najmanje 5. Brojevi m
]
se realizovane vrednosti sluajnih veliina H
]
, ije su raspodele B(n, p
]
), ] =
1, r. Prema postavljenoj hipotezi se nalaze verovatnoe p
]
= P
H
0
|x e S
]
]. Statistika kojom se testira
postavljena hipoteza (test statistika) je:
_
0
2
=
(H
]
- np
]
)
2
np
]

]=1
=
H
]
2
np
]
-n

]=1

i moe se dokazati, ako je hipoteza E
0
tana, da ta statistika ima _
-s-1
2
raspodelu. Na osnovu datog
uzorka izraunamo realizovanu vrednost test-statistike. Test statistika je oznaena sa _
0
2
da bi se
naglasilo njeno odreivanje na osnovu uzorka. Za dati nivo znaajnosti itamo vrednost _
-s-1;u
2
iz
uslova
P(_
-s-1
2
_
-s-1;u
2
) = o
u tablicama. Ako je u uzorku registrovana vrednost test-statistike vea od tabline, hipoteza se odbacuje;
u suprotnom se na osnovu datih podataka i za dati prag znaajnosti, hipoteza prihvata.

!!!IZ SVESKE!!!:
Primenljiv na:
Diskretne parametre
Neprekidne parametre
Primenljiv ako su:
Svi parametri poznati
Neki parametri nepoznati
(J(S, o
2
); J(m, 1); J(m, o
2
))
Uzorak X
1
, , X
n
se deli na klase S
1
, S
2
, , S

(disjunktne, S
]
obuhvata sve mogue vrednosti za X)
33

H
]
- broj elemenata uzorka u S
]

P
]
verovatnoa pri E
0
da X e S
]
: P
H
0
(x e S
]
) = P
]
= nP
]
je oekivana vrednost broja elemenata iz
uzorka u S
]

Test statistika kada n - :

(H
]
- np
]
)
2
np
]

]=1

P
H
0
_
(H
]
- np
]
)
2
np
]

]=1
> c_ = o
Osobine:
H
]
: B(n, p
]
) raspodela test statistike
Uslov: np
]
S, ] = 1 r (H
]
S)
Primena: provera ispravnosti tablica slucajnih cifara
E
o
= X_
u
u.1
1
u.1
2
u.1

u.1
9
u.1
]

[m
]
-
n
1u

2
n
1u
9
]=0
: _
9
2

35.
2
- test. Testiranje nezavisnosti. (tabele kontigencije)
Ispitivanje da li su dva obeleja X i Y nezavisna ili zavisna je est zadatak u matematikoj statistici.
Odgovor treba dati na osnovu dvodimenzionalnog prostog sluajnog uzorka obima
n: (X
1
,
1
), , (X
n
,
n
).
Podsetimo se prvo definicije nezavisnosti dve sluajne promenljive X i Y: ako je F
X,
zajednika
funkcija raspodele para (dvodimenzionalne sluajne promenljive) (X i Y), a F
X
i F

funkcije raspodele
njenih koordinata, tada je F
X,
(u, :) = F
X
(u)F

(:) za sve (u, :) e R

2
potreban i dovoljan uslov
nezavisnosti. Na osnovu toga se formulie i hipoteza o nezavisnosti. Hipoteza E
0
(F
X,
= F
X
F

) bie
hipoteza nezavisnosti, a testira se protiv alternativne hipoteze E
1
(F
X,
= F
X
F

).
Ako dvodimenzionalno obeleje (X,Y) ima normalnu raspodelu, tada testiranje hipoteze o nezavisnosti
moe biti preformulisano na sledei nain: testirati hipotezu o jednakosti sa nulom koeficijenta
korelacije sluajnih promenljivih X i Y, protiv alternativne hipoteze da je koeficijent korelacije razliit
od 0.
Testiranje hipoteze o nezavisnosti se moe ostvariti i tzv. testom rangova o kome e kasnije biti rei.
Sada e najpre biti rei o jednom nainu testiranja nezavisnosti koji se zasniva na primeni
2
testa.
Koristei ideje iz
2
testa moe se testirati hipoteza o nezavisnosti dva obeleja X i Y, koja, ak ne
moraju ni biti kvantitatvna obeleja. Neka su podaci iz dvodimenzionalnog uzorka obima n poreani u r
kategorija po vrednostima obeleja X, a u s kategorija po vrednostima obeleja Y. Ti podaci se onda
daju u tabeli kontigencije (tabeli povezanosti):
X/Y y
1
y
2
y
s
zbir
x
1
n
11
n
12
n
1s
n(x
1
)
x
2
n
21
n
22
n
2s
n(x
2
)

x

n
1
n
2
n
s
n(x

)
zbir n(y
1
) n(y
2
) n(y
s
) n
Broj n
]
oznaava da se par (x

, y
]
) pojavio n
]
puta u uzorku. Zbir n = n
]
je jednak obimu uzorka.
Neka su marginalni zbirovi po vrstama (tj. po vrednostima obeleja X): n(x
1
), n(x
2
), , n(x

), a po
34

kolonama n(y
1
), n(y
2
), , n(y
s
). Na osnovu pretpostavke da su X i Y nezavisne sluajne promenljive
moe se pokazati da je

[n n
]
-n(x

)n(y
]
)
2
n n(x

) n(y
]
)
s
]=1

=1

realizovana vrednost sluajne promenljive koja ima _
(-1)(s-1)
2
raspodelu. Na osnovu izraunate
vrednosti
e
2
koja se za gornji zbir dobija iz uzorka i tabline vrednosti e odreene pomou datog praga
znaajnosti o iz
P|_
(-1)(s-1)
2
] = o
odluujemo da se hipoteza o nezavisnosti odbacuje ako je _
c
2
e, odnosno ne odbacuje ako je _
c
2
e.
36. Test Kolomogrova
To je jedan od neparametarskih testova (slobodan, nezavisan od raspodele obeleja) i primenjuje se za
obeleja koja imaju neprekidne raspodele. Nulta hipoteza E
o
je da je raspodela F(x) posmatranog
obeleja X jednaka nekoj raspodeli F
0
(x), alternativna hipoteza je da je raspodela F(x) razliita od
raspodele F
0
(x).
Ako sa F
n
-
(x) oznaimo uzoraku funkciju raspodele za posmatrano obeleje, dobijenu na osnovu
jednog prostog sluajnog uzorka, tada e test statistika biti statistika Kolomogrova.

n
=
sup
- < x <
|F
n
-
(x) - F
0
(x)|
A.N. Kolomogrov je pokazao da za neprekidne funkcije raspodela vai
lim
n-
P{n
n
< z] = lim
n-
P{
n
<
z
n
] = K{z] = (-1)
k
c
-2k
2
x
2

k=-

za svako z > u
Konvergencija je brza i aproksimacija je zadovoljavajua ve za n 2u.
Naravno, K(z) = u za svako z u. Sa K(z) odreena je tzv. raspodela Kolomogrova.
Neka je
J
n
= sup
-<x<
|F
n
-
(x) - F
0
(x)|
realizovana vrednosti statistike Kolomogrova.
Jasno je da velike vrednosti J
n
govore u prilog nesaglasnosti raspodele F
n
-
(x) sa F
0
. Zato je kritina
oblast odreena uslovom
n
c. Dakle, C = |c, ) = |J
n,u
, ). Dakle, broj J
n,u
koji je granica
kritine oblasti nalazi se iz odgovarajuih tablica.
Ako je J
n
> J
n,u
, tada hipotezu E
0
odbacujemo (za dati prag znaajnosti i za dati uzorak).
37. Test Vilkinson-Man-Vitni
Neparametarski test (tj. Hipoteza je o raspodeli)
Dva obeleja X i Y
Uzorak (X
1
, , X
m
), uzorak (
1
, ,
n
), m n
Hipoteza E
0
[F
x
(x) = F

(x)
E
1
[F
x
(x) F

(y)
E
1
[F
x
(x) F

(y)
E
1
[F
x
(x) = F

(y)
35

Objedinjeni uzorak I varijacioni niz
x y x y x x y y
x
4
x
1
x
2
x
3

1 S 4 S
2 S S 6
a) Ukupan broj elemenata y ispred svih x
x y x y x x y y
3 x-a 2 x-a

b) Rangovi elemenata uzorka
x y x y x x y y
Rang 1 2 3 4 5 6 7 8
Vrednost 1 2 3 3 4 5 5 6
rang 1 2 3.5 3.5 5 6.5 6.5 8
I
x
zbir rangova svih x: 1 +S.S +S +6.S = 16
I

- zbir rangova svih y: 2 +S.S +6.S + 8 = 2u

I
x
+ I

= 1 +2 + + (m +n)
u = I
x
-
m(m +1)
2

Testiranje:
1. Odreivanje u
2. Odreivanje kritine oblasti
3. Korienje tablica
a. m, n < 8 sprecijalne tablice
b. m, n > 8
u: J(H,
2
) pri E
o

E(u) =
1
2
mn
(u) =
2

(F
x
> F

= vrednost x vrednosti za Y)
u - broj vrednosti ispred X
Velika vrednost za u odgovara F
x
< F

ako je alternativna hipoteza F

x
< F

= P
H
0
(u > c) = o

38. Jednofaktorska disperziona analiza
ANOVA (analysis of variance)
Uticaj razliitih faktora na neko obeleje (razliiti nivoi, isti faktor)
Primer: - isti proizvod iz razliitih fabrika
Uzorak:
Vrednost obeleja
Podpopulacija E
1
X
11
X
12
X
1n1

X
1

Podpopulacija E
2
X
21
X
22
X
2n2

X
2

... ...
Podpopulacija E
k
X
k1
X
k2
X
knk

X
k

X - prosek za objedinjeni uzorak
E
0
(m
1
= m
2
= = m
k
(= m)), m
]
= E
X
]
(x), ] = 1 k
E
1
((+
,]
)m

= m
]
)
(alternativa (
k
2
) tesova uporeivanja matematikog oekivanja)
36


39. Modeliranje diskretnih sluajnih veliina. Modeliranje sluajnih
dogaaja. Modeliranje meavina sluajnih veliina.
Modeliranje diskretnih sluajnih promenljivih sa konano mnogo vrednosti
Neka je X diskretna sluajna veliina sa konano mnogo vrednosti i neka je poznat zakon raspodele
X: [
x
1
p
1
x
2
p
2
x
3
p
3

x
n
p
n
, p
k
n
k=1
= 1, x
1
< x
2
< < x
n

Neka je y jedan (pseudo)sluajan broj. Ako je y p
1
, smatra se da se realizovala vrednost x
1
sluajne
veliine X. Ako je p

y p
1
+ p
2
, smara se da se realizovala vrednost x
2
sluajne veliine X, ako je
p
1
+p
2
< y p
1
+ p
2
+ p
3
, smatra se da se realizovala vrednost x
3
, i tako dalje do x
n
. Znai da se za
dobijanje jedne realizacije sluajne veliine koristi jedan (pseudo) sluajan broj.
Na osnovu ovog postupka se moe modelirati i realizacije sluajnih dogaaja. Ako je verovatnoa
dogaaja A jednaka p, tada je indikator dogaaja A sluajna promenljiva I
A
:
I
A
: _
u 1
1 -p p
]
Modeliranjem te sluajne veliine dobija se da se dogaaj A realizovao ako je dobijena modelirana
vrednost 1, a da se dogaaj A nije realizovao ako je dobijena modelirana vrednost 0.
Modeliranje diskretnih sluajnih veliina sa prebrojivo mnogo vrednosti.
Neka je X diskretna sluajna veliina sa prebrojivo mnogo vrednosti i neka je poznat njen zakon
raspodele:
X: [
x
1
x
2
x
3
p
1
p
2
p
3
x
n

p
n

, p
k
= 1, x
1
< x
2
<

k=1

Neka je n prirodni broj takav da je P
n+1
+ p
n+2
+ < o, gde je o proizvoljno mali (unapred izabrani)
pozitivan realan broj. Umesto sluaje veliine X posmatra se zaseena sluajna veliina:
X
z
: [
x
1
p
1
-
x
2
p
2
-
x
3
p
3
-

x
n
p
n
-

gde je p
1
-
= p
1
, , p
n-1
-
, p
n
-
= 1 -p
1
--p
n-1
. Vrednost ove sluajne veliine se modelira na nain
koji je ve opisan za modeliranje vrednosti diskretne sluajne veliine sa konano mnogo vrednosti.
Neka je y jedan (pseudo)sluajan broj. Ako je y p
1
-
, smatra se da se realizovala vrednost x
1
sluajne
veliine X
z
, odnosno sluajne veliine X. Ako je p
1
-
y p
1
-
+ p
2
-
, smatramo da se realizovala
vrednost x
2
sluajne veliine X
z
, odnosno sluajne veliine X, i tako dalje do vrednosti x
n
. Na taj nain
se nee dobiti ni jedna od vrednosti sluajne veliine X koja je vea od x
n
. Meutim, verovatnoa
dobijanja bilo koje vrednosti vee od x
n
je manja od o, a kako je o kao mali pozitivan broj, to su i
verovatnoe dobijanja vrednosti sluajne veliine X koje su vee od x
n
zanemarljivo male. Npr,
o = u.uu1 znai da se sa verovatnoom manjom od 0.001, tj. U manje nego 1 od 1000 sluajeva, moe
oekivati neka od vrednosti koje su vee od x
n
. U zavisnosti od zadatka koji se reava i broja vrednosti
koje je potrebno modelirati bira se o.
40. Modeliranje neprekidnih sluajnih veliina: metoda inverzne f-je,
Nojmanova metoda i modeliranje normalne raspodele.
Metoda inverzne f-je:
Neka je X neprekidna sluajna veliina sa funkcijom raspodele F(x), za koju se moe odrediti inverzna
f-ja. Modeliranjem vrednosti slujane veliine X se moe ostvariti na osnovu sledee teoreme:
Neka je data sluajna veliina X ija je funkcija raspodele F(x) strogo monotona i neprekidna i
neka je F
-1
njena inverzna funkcija. Neka je sluajna veliina sa uniformnom raspodelom
u(u,1). Tada sluajna veliina F
-1
() ima funkciju raspodele F(x).
37

Dakle, realizovana vrednost x sluajne veliine X se dobija pomou jednog (pseudo) sluajnog broja y,
po formuli x = F
-1
(y).
Metoda inverzne f-je je primenjljiva i ako f-ja raspodele ima skok ili ako ima interval konstantnosti, ali
se ne primenjuje ako se ne moe odrediti inverzna f-ja raspodele sluajne veliine koja se modelira.
Nojmanova metoda:
Za sluajne veliine ija je gustina raspodele razliita od nule i ograniena na konanom intervalu,
modeliranje se moe ostvariti na osnovu sledee teoreme:
Neka je gustina raspodele (x) sluajne veliine X definisana na konanom intervalu (o, [) I
neka je (x) H, x e (o, [). Neka su x
1
i y
1
modelirane vrednosti nezavisnih sluajnih
promenljivih ije su raspodele, redom u(o, [) i u(u, H). Ako je y
1
< (x
1
), tada je realizovana
vrednost sluajne veliine X jednaka x
1
.
Da bi se Nojmanovom metodom dobila jedna realizacija sluajne veliine koja se modelira, potrebna su
bar dva (pseudo) sluajna broja. Ako nejednakost y
1
< (x

) nije zadovoljena, treba modelirati sledei

par vrednosti x
1
i y
1
, itd. dok se ne dobije par vrednosti x
1
i y
1
koji zadovoljava uslove teoreme.
Nojmanova metoda se moe primeniti i na sluajne veliine ija je gustina raspodele razliita od 0 na
beskonanom intervalu, ali prvo je potrebno formirati odgovarajuu zaseenu sluajnu veliinu. Neka
sluajna veliina X ima gustinu raspodele (x), o < x < b, tj. Neka je ] (x)Jx = 1
b
u
. Za sluajnu
veliinu X
z
se kae da ima zaseenu raspodelu (x) ako se sve vrednosti sluajne veliine X
z
nalaze u
intervalu (o
i
, b
i
), za koji vai (o
i
, b
i
) c (o, b), i tu se poklapaju sa vrednostima X. Ako se sa
z
(x)
oznai gustina raspodele sluajne veliine X
z
bie:

z
(x) = (x) _ _ (t)Jt
b
|
u
|
_
-1
, o
i
< x < b'
Primeuje se da vai
z
(x) > (x), x e (o
i
, b
i
). Interval (o
i
, b
i
) se bira tako da unapred izabrani mali
pozitivan broj o vai:
1 - _ (x)Jx < o
bi
ui

Modeliranje normalne raspodele:
Postoje razliite metode za modeliranje normalne raspodele, jer je modeliranju vrednosti normalne
raspodele posveena posebna panja zbog znaaja i este primene normalne raspodele. S obzirom na
tvrenje:
Ako sluajna veliina X ima normalnu raspodelu N(m, o
2
), tada sluajna veliina (X -m)o ima
normalnu normiranu raspodelu N(u,1),
dovoljno je navesti postupke modeliranja sluajne veliine koja ima normalnu normiranu raspodelu
N(u,1).
Metoda inverzne f-je nije pimenljiva za modeliranje normalne raspodele jer je f-ja raspodele sluajne
veliine X sa normalnom raspodelom N(m, o
2
), iji su parametri m i o
2
, oblika:
F(x) =
1
o2n
_c
-
(1-m)
2
2c
2

Jt
x
-

pa se njena inverzna f-ja ne moe izraziti preko elementarnih f-ja.
Postoji mogunost modeliranja normalne raspodele korienjem gustine raspodele ako se formira
odgovarajua zaseena veliina i primeni Nojmanova metoda.
Neke od metoda modeliranja normalne raspodele: Modeliranje normalne raspodele na osnovu
centralne granine teoreme, modeliranje normalne raspodele korienjem tablica sa vrednostima f-je
raspodele, modeliranje normalne raspodele korienjem polarnih koordinata, modeliranje normalne
raspodele korienjem jedne (ili dve) eksponencijalne raspodele.