Verovatnoca i Statistika

I deo. Verovatnoca
Beleske Prof. Aleksandra Ivica
0.1 Slucajni doga
-
daji i osnovni pojmovi verovatnoce
Matematicka teorija verovatnoce je grana ciste matematike. Teorija verovatnoce se bavi
izucavanjem zakonitosti raznih slucajnih procesa i doga
-
daja. Kao i u svakoj matematickoj
disciplini i ovde se polazi od skupa nedenisanih objekata, a zatim se pomocu odre
-
denih ak-
sioma razvija matematicka teorija koja odgovara nasem intuitivnom poimanju verovatnoce.
Dalje, Teorija verovatnoce je polazna osnova za Matematicku Statistiku, jednu od oblasti
matematike sa najvise primena. Matematicka Statistika cini drugi deo ovih beleski. Osnovni
pojam u teoriji verovatnoce (koji se kao takav ne denise) je elementaran doga
-
daj, a skup
mogucih ishoda (realizacija) nekog opita ili pojave nazivamo skup elementarnih doga
-
daja i
oznacavamo sa Q. Slucajan doga
-
daj A je neki podskup Q i sadrzi sve elementarne doga
-
daje
koji imaju svojstvo kojim se A denise. Doga
-
daj Q je siguran (ili izvestan) doga
-
daj, a prazan
podskup (u oznaci , tj. skup bez elemenata) je nemoguc doga
-
daj.
Ako su A
1
i A
2
doga
-
daji, onda je i A
1
A
2
(unija doga
-
daja) tako
-
de doga
-
daj koji se
realizuje kada se realizuje barem jedan od doga
-
daja A
1
, A
2
. Tako
-
de

_
i=1
A
i
= A
1
A
2
A
3

je doga
-
daj ako su A
1
, A
2
, . . . doga
-
daji.
Ako su A
1
i A
2
doga
-
daji, onda je A
1
A
2
(presek doga
-
daja) tako
-
de doga
-
daj koji se realizuje
ako se realizuje istovremeno i doga
-
daj A
1
i doga
-
daj A
2
. Doga
-
daji A
1
i A
2
su disjunktni ako
je A
1
A
2
= , tj. A
1
i A
2
nemaju zajednickih elemenata.
Razlika dva doga
-
daja A
1
i A
2
(u oznaci A
1
\A
2
) je doga
-
daj koji se realizuje ako se realizuje
doga
-
daj A
1
, a ne realizuje doga
-
daj A
2
.
Svakom doga
-
daju A moze da se dodeli suprotan doga
-
daj

A, koji se realizuje ako se A ne
realizuje.
Primer 1
Kocka cije su strane oznacene od 1 do 6 baca se jedanput. Eksperiment se sastoji u
bacanju kocke. Elementarni doga
-
daji ovog eksperimenta su

1
= pad jedinice,
2
= pad dvojke, . . . ,
6
= pad sestice.
Skup elementarnih doga
-
daja Q je Q = {
1
,
2
,
3
,
4
,
5
,
6
}. Neka je A = pad parnog
broja, B = pad neparnog broja, C = pad broja veceg od 4, tada je
A = {
2
,
4
,
6
}, B = {
1
,
3
,
5
}, C = {
5
,
6
},
1
a na osnovu gornjih denicija je

A = {
1
,
3
,
5
} = B, B C = {
5
},
B C = {
1
,
3
,
5
,
6
}, A B = Q.
Svakom elementu A iz Q dodeljuje se jedan realan broj koji se oznacava sa P(A) i zove se
verovatnoca slucajnog doga
-
daja A. Za verovatnocu P(A) uvek vazi 0 P(A) 1, pri cemu
je P() = 0 i P(Q) = 1, tj. nemoguc i siguran doga
-
daj imaju verovatnoce 0 odnosno 1, sto je
uostalom u skladu sa nasim intuitivnim predstavama o verovatnoci. Dalja osobina kojom se
denise verovatnoca je
P(A
1
A
2
) = P(A
1
) P(A
2
), (za A
1
A
2
= ),
odakle je
P(A
1
A
2
A
n
) = P(A
1
) +P(A
2
) + +P(A
n
),
(za A
i
A
j
= , 1 i = j n).
Tako
-
de sledi
P(A) P(B), ako je A B,
tj. ako je A podskup (sadrzano u) B. Vazi i
P(

A) = 1 P(A), P(A B) = P(A) +P(B) P(A B).
Dokaz prve relacije je:
B = B (B\A), A (B\A) = ,
pa je stoga
P(B) = P(A) +P(B\A) P(A).
Pored ove (tzv. aksiomatske) denicije verovatnoce, postoji i klasicna (tzv. Laplasova)
denicija verovatnoce, koja se sastoji u sledecem. Neka je prostor elementarnih doga
-
daja,
vezanih za dati eksperiment, sastavljen od elemenata {
1
,
2
, . . . ,
n
} koji imaju istu sansu
da se realizuju, odnosno radi se o prostoru jednako verovatnih elementarnih doga
-
daja. Ako
se doga
-
daj A realizuje ako se realizuje m (bilo kojih) doga
-
daja
k
, onda je P(A) = m/n, tj.
verovatnoca je uprosceno broj povoljnih ishoda podeljen brojem svih mogucih ishoda.
Primer 2.1
Neka je Q skup iz Primera 1. Kako se obicno pretpostavlja da se pri bacanju kocke
svaki broj pojavljuje sa jednakom sansom, to je P(
i
) = 1/6 (i = 1, 2, . . . , 6). Ako se kocka
uzastopno baca tri puta onda je verovatnoca da se sva tri puta dobije 6 jednaka 1/216.
Naime, broj mogucih (jednako verovatnih) doga
-
daja predstavljaju trocifreni brojevi cije su
cifre brojevi od 1 do 6 (sto odgovara brojevima koji se dobijaju prilikom tri bacanja kocke)
kojih ima ukupno 6
3
= 216, a jedini povoljan doga
-
daj je broj 666.
Primer 2.2
U preduzecu je zaposleno 8 ekonomista i 11 pravnika. Od njih se bira nasumce delegacija
od 5 clanova. Kolika je verovatnoca da se u delegaciji nalaze 3 ekonomiste i 2 pravnika?
2
Moguci slucajevi su svi izbori 5 od ukupno 19 = 8+11 elemenata. Povoljni slucajevi su
da se izaberu 3 od 8 ekonomista i 2 od 11 pravnika. Verovatnoca da se u delegaciji nalaze 3
ekonomiste i 2 pravnika zato iznosi
_
11
3
__
8
2
_
_
19
5
_ .
Primer 2.3
Cifre 0, 1, . . . , 9 pore
-
dane su na slucajan nacin u niz. Kolika je verovatnoca da nula i
jedinica nisu susedne?
Ukupan broj rasporeda je 10!. Neka je A doga
-
daj da nula i jedinica nisu susedne. Doga
-
daj

A se realizuje kao svaka permutacija devet simbola X, 2, . . . , 9 ili Y, 2, . . . , 9, gde je X =

01, Y = 10, jer samo tako su 0 i 1 jedno pored drugoga u nizu od 10 cifara. Takvih permutacija
ima ukupno 9! + 9!, pa je
P(

A) =
2 9!
10!
=
1
5
, P(A) = 1 P(

A) =
4
5
.
Doga
-
daji A i B su zavisni ako realizacija doga
-
daja A utice na verovatnocu realizacije
doga
-
daja B. Sa P(B|A) se oznacava verovatnoca doga
-
daja B pod uslovom da se realizovao
doga
-
daj A i ta verovatnoca se denise kao
P(B|A) =
P(A B)
P(A)
,
odakle je
P(A B) = P(A)P(B|A) = P(B)P(A|B).
Doga
-
daji A i B su nezavisni ako je
P(A B) = P(A)P(B).
Ako je za doga
-
daje A
1
, A
2
, . . . , A
n
zadovoljena relacija
P(A
k
1
A
k
2
A
k
m
) = P(A
k
1
)P(A
k
2
) . . . P(A
k
m
) (1)
za svaki skup indeksa {k
1
, k
2
, . . . , k
m
} {1, 2, . . . , n} (2 m n), onda se za doga
-
daje
A
1
, A
2
, . . . , A
n
kaze da su nezavisni u ukupnosti.
Ako je Q = B
1
B
2
B
n
, a doga
-
daji B
1
, . . . , B
n
se me
-
dusobno iskljucuju (tj.
B
i
B
j
= za 1 i = j n) onda je
P(A) = P(A B
1
) +P(A B
2
) + +P(A B
n
).
Dalje vazi
A = A Q = A (B
1
. . . B
n
) = (A B
1
) . . . (A B
n
)
po zakonu distributivnosti za skupove. Kako su skupovi
A B
1
, . . . , A B
n
3
disjunktni, to se dobija
P(A) = P(B
1
)P(A|B
1
) +P(B
2
)P(A|B
2
) + +P(B
n
)P(A|B
n
), (2)
sto se naziva formula totalne verovatnoce. Kako je
P(B
i
|A) =
P(B
i
A)
P(A)
=
P(B
i
)P(A|B
i
)
P(A)
,
onda ako se iskoristi (2), dobija se za i = 1, . . . , n
P(B
i
|A) =
P(B
i
)P(A|B
i
)
P(B
1
)P(A|B
1
) +P(B
2
)P(A|B
2
) + +P(B
n
)P(A|B
n
)
, (3)
sto je poznato u literaturi kao tzv. Bajesova formula.
Primer 3.1 Ako su B
1
, B
2
proizvoljni doga
-
daji i P(A) > 0, pokazati da je
P ((B
1
B
2
)|A) = P(B
1
|A) +P(B
2
|A) P ((B
1
B
2
)|A) .
Na osnovu denicije uslovne verovatnoce vazi
P ((B
1
B
2
)|A) =
P ((B
1
B
2
) A)
P(A)
=
P ((B
1
A) (B
2
A))
P(A)
=
P(B
1
A) +P(B
2
A) P((B
1
B
2
) A)
P(A)
= P(B
1
|A) +P(B
2
|A) P ((B
1
B
2
)|A) .
Primer 3.2
Posmatrajmo tri ormana od kojih svaki ima dve oke. Prvi orman sadrzi po zlatan novcic
u svakoj oci, drugi orman u jednoj oci sadrzi srebrni novcic, a u drugoj zlatan, a treci
orman u svakoj oci sadrzi po srebrni novcic. Nasumice je odabran orman i otvorena jedna
oka. Ako ta oka sadrzi zlatan novcic, kolika je verovatnoca da i druga oka istog ormana
sadrzi tako
-
de zlatan novcic?
Neka su A
1
, A
2
, A
3
doga
-
daji koji oznacavaju izbor prvog, drugog odnosno treceg ormana,
a B doga
-
daj da je iz oke izvucen zlatan novcic. Nas ustvari interesuje P(A
1
|B), jer samo
prvi orman sadrzi i u drugoj oci zlatan novcic. Iz postavke zadatka je P(A
1
) = P(A
2
) =
P(A
3
) = 1/3, P(B|A
1
) = 1, P(B|A
2
) = 1/2, P(B|A
3
) = 0, pa (3) daje
P(A
1
|B) =
P(A
1
)P(B|A
1
)
P(A
1
)P(B|A
1
) +P(A
2
)P(B|A
2
) +P(A
3
)P(B|A
3
)
=
2
3
.
Primer 4.1
Neka je u preduzecu zaposleno 60% muskaraca i 40% zena, i neka fakultetsko obrazovanje
ima 60% muskaraca i 55% zena. Kolika je verovatnoca da je nasumce odabrana osoba, za
koju se zna da ima fakultetsko obrazovanje, zena?
4
Neka je F doga
-
daj da osoba ima fakultetsko obrazovanje, M da je muskarac, a Z da je
zena. Trazi se
P(Z|F) =
P(Z F)
P(F)
=
P(F|Z)P(Z)
P(F|M)P(M) +P(F|Z)P(Z)
,
jer je
M Z = Q, F = F Q = F (M Z) = (F M) (F Z).
Kako je P(M) = 3/5, P(Z) = 2/5, P(F|M) = 3/5, P(F|Z) = 0, 55, to sledi
P(Z|F) =
11
29
= 0, 379310 . . . .
Primer 4.2
Neka se stanovnistvo grada sastoji od 40% muskaraca i 60% zena. Neka 50% muskaraca
i 30% zena pusi. Kolika je verovatnoca da je nasumce odabran pusac muskarac?
Neka je M doga
-
daj da je izabrana osoba muskarac, a Z da je zena. Neka P oznacava
pusaca, a N nepusaca. Date informacije su:
P(P|M) = 0, 5, P(P|Z) = 0, 3, P(M) = 0, 4, P(Z) = 0.6.
Tada je
P(P) = P(P M) +P(P Z).
Ali P(P Z) = P(Z)P(P|Z) = 0, 18, P(M P) = P(M)P(P|M) = 0, 2, tako da je P(P) =
0, 38 i najzad
P(M|P) =
P(M P)
P(P)
=
0, 2
0, 38
= 0, 5263 . . . .
0.2 Diskretne slucajne promenljive
Diskretna slucajna promenljiva X nad skupom elementarnih doga
-
daja Q(prostorom verovatno-
ce) je funkcija koja svakom slucajnom doga
-
daju Aiz Qdodeljuje jedan od brojeva x
1
, x
2
, x
3
, . . . ,
pri cemu su x
i
realni brojevi kojih ima prebrojivo mnogo. Tada je funkcija f denisana nad
skupom realnih brojeva pomocu f(x) = P(X = x) ( za x R funkcija gustine diskretne
slucajne promenljive X. Ocigledno je f(x) = 0 ako x nije jedan od brojeva x
1
, x
2
, x
3
, . . . , a
skup { : X() = x} je slucajan doga
-
daj za x R.
Primer 5
Neka novcic pada pismo (P) sa verovatnocom p, a glava (G) sa verovatnocom 1 p.
Recimo da za svaki pad P dobijamo dinar, a za svaki pad G placamo (gubimo) dinar.
Ako je novcic pao tri puta, nas ukupni dobitak je 3, 1, -1 ili -3 dinara, koji mozemo
oznaciti sa X. Tabelarno to izgleda ovako:
5
X() P()
PPP 3 p
3
PPG 1 p
2
(1 p)
PGP 1 p
2
(1 p)
GPP 1 p
2
(1 p)
PGG -1 p(1 p)
2
GPG -1 p(1 p)
2
GGP -1 p(1 p)
2
GGG -3 (1 p)
3
Jasno je da je X diskretna slucajna promenljiva sa funkcijom gustine f(x) za koju je
f(x) =
_

_
p
3
, x = 3
3p
2
(1 p), x = 1
3p(1 p)
2
, x = 1
(1 p)
3
, x = 3
0, za ostale x.
Najcesce funkcije gustine diskretnih slucajnih su sledece:
1. Binomna respodela. Funkcija gustine (koja poopstava funkciju iz Primera 5) je
f(x) =
_

_
_
n
x
_
p
x
(1 p)
nx
, x = 0, 1, 2, . . . , n,
0, za ostale x,
(4)
gde je n 1 prirodan broj, 0 p 1. Broj p je parametar binomne raspodele.
Raspodela (4) nastaje npr. prilikom bacanja novcica sa verovatnocom p da padne pismo.
Ako f(x) oznacava verovatnocu da je, prilikom bacanja novcica n puta, x (x = 0, . . . , n) puta
palo pismo, onda se lako vidi da je f(x) dato bas preko formule (4) za binomnu raspodelu.
2. Hipergeometrijska raspodela. Funkcija gustine je
f(x) =
_

_
_
r
1
x
__
rr
1
nx
_
_
r
n
_ , x = 0, 1, 2, . . . , n,
0, za ostale x,
(5)
gde su n r, r
1
r dati prirodni brojevi.
Pretpostavimo da imamo populaciju of r predmeta, od kojih je r
1
prve, a r
2
= r r
1
druge vrste. Recimo da je iz populacije izvucen uzorak od n( r) predmeta. Neka je X broj
objekata prve vrste u uzorku. Tada je X diskretna slucajna promenljiva koja uzima vrednosti
0, 1, . . . , n. Ukupan broj nacina (povoljni slucajevi) izbora n od r predmeta je
_
r
n
_
. Ako se
trazi P(X = x), onda imamo
_
r
1
x
_
nacina da izaberemo x predmeta prve vrste, i jos
_
rr
1
nx
_
nacina da izaberemo da presotalih n x predmeta bude druge vrste. Sledi da je gustina X
hipergeometrijska raspodela (5).
6
3. Geometrijska raspodela. Funkcija gustine je
f(x) =
_
p(1 p)
x
, x = 0, 1, 2, . . . ,
0, za ostale x,
(6)
gde je 0 < p < 1 dati parametar raspodele.
4. Uniforma raspodela. Funkcija gustine je
f(x) =
_
1
n+1
, x = 0, 1, 2, . . . , n,
0, za ostale x,
(7)
gde je n dati prirodni broj.
5. Puasonova raspodela. Funkcija gustine je
f(x) =
_

x
e

x!
, x = 0, 1, 2, 3, . . . ,
0, za ostale x,
(8)
gde je > 0 dati parametar raspodele.
6. Konstanta slucajna promenljiva
Neka je c realan broj. Tada je funkcija X() = c diskretna slucajna promenljiva, sa
gustinom f(c) = 1 i f(x) = 0 za x = c. Ovakva slucajna promenljiva se zove konstantna
slucajna promenljiva. Sa ove tacke gledista numericka konstanta moze da se posmatra kao
slucajna promenljiva.
Osobine koje karakterisu gustinu f(x) neke diskretne slucajne promenljive su:
a) f(x) 0 za svako x R,
b) Skup {x|f(x) = 0} je konacan ili prebrojiv podskup R. Ako je taj podskup x
1
, x
2
, x
3
, . . . ,
tada je
c) f(x
1
) +f(x
2
) +f(x
3
) + = 1.
Osobine a) i b) su ocigledne iz denicije diskretne funkcije gustine X. Da se vidi da c)
vazi, primetimo da su doga
-
daji { | X( = x
i
} uzajamno disjunknti, i da je njihova unija
ceo prostor verovatnoce . Stoga je

i
f(x
i
) =

i
P(X = x
i
) = P
_
_
i
[X = x
i
]
_
= P() = 1.
Ostavlja se citaocu da proveri da je za primere 1-6 osobina c) ispunjena. Obrnuto, ako
neka funkcija f(x) zadovoljava osobine a)c), onda postoji slucajna promenljiva X i prostor
verovatnoce cija je gustina upravo f(x).
7
U slucaju da je dato n diskretnih slucajnih promenljivih X
1
, X
2
, X
3
, . . . , X
n
nad istim pros-
torom verovatnoce Q moze se govoriti o diskretnom slucajnom vektoru

X, gde je

X() = (X
1
(), X
2
(), . . . , X
n
())
ili krace

X = (X
1
, X
2
, . . . , X
n
) ,
tj. X dodeljuje svakom jednu n-torku brojeva po navedenom pravilu.
n dimenzionalna gustina f(x
1
, x
2
, . . . , x
n
) diskretnog vektora X denise se kao
f(x
1
, x
2
, . . . , x
n
) = P(X
1
= x
1
, X
2
= x
2
, . . . , X
n
= x
n
). (9)
Ako su X
1
, X
2
, . . . , X
n
diskretne slucajne promenljive sa gustinama
f
1
(x
1
), f
2
(x
2
), . . . , f
n
(x
n
),
onda se kaze da su te promenljive nezavisne ako je
f(x
1
, x
2
, . . . , x
n
) = f
1
(x
1
)f
2
(x
2
) . . . f
n
(x
n
), (10)
a u protivnom su zavisne. U posebno slucaju n = 2 sledi da su X i Y nezavisne slucajne
promenljive ako je
f(x, y) = P(X = x)P(Y = y).
Zajedno sa diskretnim slucajnim promenljivama X i Y moze se posmatrati i diskretna
slucajna promenljiva Z = X+Y , koja je zbir promenljivih X i Y . Ako su f
X
, f
Y
, f
Z
gustine
X, Y odnosno Z, tada je
f
Z
(z) = f
X+Y
(z) =

x
f(x, z x),
no ako su X i Y nazavisne onda (10) daje
f
X+Y
(z) =

x
f
X
(x)f
Y
(z x). (11)
0.3 Matematicko ocekivanje diskretnih slucajnih promenljivih
Neka je X diskretna slucajna promenljiva gustine f koja uzima vrednosti x
1
, x
2
, . . . Ako
je suma |x
1
| f(x
1
) + |x
2
| f(x
2
) + |x
3
| f(x
3
) + . . . ogranicena, kaze se da X ima konacno
matematicko ocekivanje (srednju vrednost) EX koje se denise kao
EX = x
1
f(x
1
) +x
2
f(x
2
) +x
3
f(x
3
) + =

x
i
x
i
f(x
i
). (12)
Ukoliko suma

i
|x
i
| f(x
i
) nije ogranicena kaze se da X ne poseduje konacno matematicko
ocekivanje, i onda je EX nedenisano.
Ako su X i Y dve diskretne slucajne promenljive sa konacnim ocekivanjem onda vazi:
1. Ako je c konstantna i P(X = c) = 1, tada je EX = c.
2. Ako je c konstantna onda je E(cX) = cEX.
8
3. X +Y ima konacno ocekivanje i E(X +Y ) = EX +EY .
4. Ako su X i Y nezavisne slucajne promenljive, onda XY ima konacno ocekivanje i
E(XY ) = EX EY .
5. Ako je P(X Y ) = 1 onda je EX EY , a ako je EX = EY onda je P(X = Y ) = 1.
6. |EX| E |X|.
Ove osobine se lako pokazuju koristeci deniciju EX. Naprimer, osobina 3 sledi jer je
E(cX) =

i
cx
i
f(x
i
) = c

i
x
i
f(x
i
) = cEX,
a 6. sledi jer je
|EX| =

i
x
i
f(x
i
)

i
|x
i
f(x
i
)|
=

i
|x
i
|f(x
i
) = E|X|.
Vazan pojam verovatnoce su tzv. momenti slucajnih promenljivih. Ako je r 0 ceo broj,
a X diskretna slucajna promenljiva kaze se da X poseduje momenat reda r, ako X
r
ima
konacno matematicko ocekivanje. Centralni momenat reda r je momenat reda r za X ,
gde je = EX cesta oznaka u teoriji verovatnoce. Za te momente vaze formule
EX
r
=

x
x
r
f(x), (13)
odnosno,
E(X )
r
= E(X EX)
r
=

x
(x )
r
f(x). (14)
Posebno znacajan je drugi centralni momenat X, koji se naziva varijansa X i oznacava sa
Var X =
2
. Vazi

2
= Var X = E(X EX)
2
= E(X
2
) (EX)
2
. (15)
Varijansa predstavlja meru odstupanja promenljive X od svoje ocekivane vrednosti EX,
i kao takva ima veliki znacaj. Ocevidno Var X 0 za svaku slucajnu promenljivu X. Osim
toga, Var X = 0 ako i samo ako je X = const. sa verovatnocom 1. Zaista, ako vazi relacija
P{X = c} = 1, onda je EX = 1 c = c, pa je
Var X = (c EX)
2
= (c c)
2
= 0.
Obrnuto, neka promenljiva X uzima bar dve vrednosti x
1
i x
2
sa verovatnocama p
1
i p
2
. Tada
ili EX = x
1
ili EX = x
2
, pa sledi da je
Var X (x
1
EX)
2
p
1
+ (x
2
EX)
2
p
2
> 0.
Tako
-
de vazi i osobina (A, B su konstante)
Var (AX +B) = E(AX +B AEX B)
2
= E
_
A(X EX)
_
2
= A
2
Var X.
9
Ako imamo dve slucajne promenljive X i Y sa konacnim drugim momentom, onda je
Var (X +Y ) = Var X + Var Y + 2Cov (X, Y ), (16)
gde se Cov (X, Y ) zove kovarijansa X i Y i racuna po formuli
Cov(X, Y ) = E(XY ) EX EY, (17)
tako da je Cov(X, Y ) = 0 ako su X i Y nezavisne slucajne promenljive, kada je Var(X+Y ) =
VarX + VarY . Opstije, ako su X
1
, X
2
, . . . , X
n
nezavisne slucajne promenljive, tada je
Var (X
1
+X
2
+ +X
n
) = Var X
1
+ Var X
2
+ + Var X
n
. (18)
Vazi i nejednakost
[E(XY )
2
] (EX
2
)(EY
2
) (19)
ako X i Y imaju konacan drugi momenat, sto je u literaturi poznato kao nejednakost Kosi

Svarca. Dokaz sledi iz cinjenice da je, za realno ,

0 E[(X Y )
2
] = E(X
2
) 2E(XY ) +
2
E(Y
2
).
Ovo je kvadratna funkcija po , ciji je minimum za
=
0
=
E(XY )
E(Y
2
)
.
Sledi da je
0 E[(X
0
Y )
2
] = E(X
2
)
E(XY )
E(Y
2
)
,
a to daje (19). Ovde se pretpostavilo da E(Y
2
) = 0, jer je u protivnom tvr
-
denje trivijalno.
Neka je X nenegativna slucajna promenljiva sa konacnim ocekivanjem, a t realan broj.
Neka je Y = 0 ako je X < t i Y = t ako je X t. Tada je Y diskretna slucajna promenljiva
koja uzima vrednosti 0 i t sa verovatnocom P(Y = 0) = P(X < t) i P(Y = t) = P(X t).
Onda je
EY = tP(Y = t) + 0 P(Y = 0) = tP(X t).
Jasno je da je X Y , pa je i EX EY . Stoga je EX tP(X t), odnosno
P(X t)
EX
t
(t > 0), (20)
tj. u ekvivalentnom obliku
P(X < t) 1
EX
t
(t > 0).
Iz (20) se mogu izvesti dalje relacije, izme
-
du kojih se izdvaja tzv. nejednakost

Cebiseva
P(|X | t)

2
t
2
(t > 0), (21)
10
ako je X slucajna promenljiva sa EX = i VarX =
2
. Da se dobije (21), primenjuje se (20)
na promenljivu (X )
2
i t
2
, pa je
P(|X |
2
t
2
)
E|X |
2
t
2
=

2
t
2
.
Kako je |X |
2
t
2
ako i samo ako je |X | t, to (21) sledi.
Na kraju dajemo matematicko ocekivanje i varijansu za diskretne slucajne promenljive iz
odeljka 3.1.2 u sledecoj tabeli.
Matematicko
Raspodela Gustina ocekivanje Varijansa
EX Var X
Binomna (4) np npq
Geometrijska (6) (1 p)/p (1 p)/p
2
Uniformna (7) n/2 n(n + 2)/12
Puasonova (8)
Recimo za binomnu raspodelu (4) vazi
EX =
n

j=0
j
_
n
j
_
p
j
(1 p)
nj
.
Me
-
dutim
j
_
n
j
_
=
j n!
j!(n j)!
=
n (n 1)!
(j 1)![(n 1) (j 1)]!
= n
_
n 1
j 1
_
,
Ako se sad uvede smena i = j 1 i iskoristi binomna teorema
(a +b)
m
=
m

j=0
_
m
j
_
a
j
b
mj
,
onda se dobija
EX = n
n

j=1
_
n 1
j 1
_
p
j
(1 p)
nj
= np
n1

i=0
_
n 1
i
_
p
i
(1 p)
ni1
= np [p + (1 p)]
n1
= np.
0.4 Neprekidne slucajne promenljive
U mnogim slucajevima primene desava se da slucajna promenljiva nije diskretna vec neprekidna
u smislu da kao vrednosti ima sve tacke nekog (konacnog ili beskonacnog) intervala. Tada
mora biti
P({|X() = x}) = 0 ( < x < ), (22)
11
ili drugim recima verovatnoca da slucajna promenljiva X ima za vrednost neko dato x je uvek
nula. Stoga ima vise smisla posmatrati verovatnocu
F(x) = P(X x) ( < x < ), (23)
koja je funkcija od x i naziva se funkcija raspodele promenljive X. Naravno, ta funkcija je
denisana i ima smisla i za diskretne slucajne promenljive, ali je od posebnog znacaja za
neprekidne slucajne promenljive, koje zadovoljavaju (22). Osnovne osobine svake funkcije
raspodele neprekidne slucajne promenljive su:
1. 0 F(x) 1,
2. F() = 0, F() = 1,
3. F(x
1
) F(x
2
) za x
1
x
2
,
4. P(a < X b) = F(b) F(a),
5. lim
xx
0
+
F(x) = F(x
0
).
(24)
Primer 6
Posmatrajmo eksperiment slucajnog biranja tacke iz kruga poluprecnika R sa centrom
u koordinatnom pocetku. Neka je X slucajna promenljiva koja oznacava rastojanje iz-
abrane tacke od koordinatnog pocetka. Ako je 0 x R, doga
-
daj {|X() = x} je
krug poluprecnika x sa centrom u koordinatnom pocetku, cija je povrsina x
2
. Po klasicnoj
deniciji verovatnoce vazi
P(X() x) =
x
2
R
2
=
x
2
R
2
, 0 x R.
X je ocevidno neprekidna slucajna promenljiva sa funkcijom raspodele
F(x) =
_

_
0, x < 0,
x
2
R
2
, 0 x R,
1, x > R.
Gustina raspodela neprekidne slucajne promenljive je nenegativna funkcija f(x) za koju je
_

f(x) dx = 1 i
F(x) =
_
x

f(y) dy. (25)

Stoga je
P(a X b) =
_
b
a
f(x) dx, (26)
a u tackama u kojima je f(x) neprekidno vazi
dF(x)
dx
= F

(x) = f(x), (27)

tj. F(x) je primitivna funkcija za f(x).
12
Kao i u slucaju diskretnih slucajnih promenljivih, i kod neprekidnih slucajnih promenljivih
se denise matematicko ocekivanje = EX, varijansa Var X =
2
i centralni momenti. Neka
je X neprekidna slucajna promenljiva sa gustinom f(x). Ako je
_

|x| f(x) dx
konacno, onda se kaze da X ima konacno matematicko ocekivanje EX koje se denise kao
EX =

xf(x) dx. (28)

Tako
-
de se denise r-ti moment EX
r
kao
EX
r
=

x
r
f(x) dx, (29)
odnosno centralni r-ti moment kao ( = EX)
E(X EX)
r
= E(X )
r
=

(x )
r
f(x) dx. (30)
Isto kao kod diskretnih promenljivih varijansa se denise kao drugi centralni moment, tj.

2
= Var X =

(x EX)
2
f(x) dx =

(x )
2
f(x) dx. (31)
Na kraju odeljka dajemo nekoliko najcescih gustina neprekidnih slucajnih promenljivih.
U poglavlju o Statistici bice date jos neke osnovne gustine vezane za raspodele iz Statistike
(log-normalna, Studentova, itd.).
1. Uniformna raspodela. Funkcija gustine je
f(x) =
_

_
1
ba
, a x b (a < b)
0, za x < a ili x > b.
(32)
Slucajna promenljiva X sa gustinom f(x) ima uniformnu raspodelu nad intervalom [a, b],
gde je = EX = (a +b)/2, a
2
= Var X = (b a)
2
/12.
2. Normalna raspodela. Funkcija gustine je
f(x) =
1

2
e

(x)
2
2
2
( < x < ), (33)
gde su i dati parametri normalne raspodele, gde je upravo EX = , Var X =
2
za dato
i
2
, te se stoga cesto i koriste oznake i
2
za ocekivanje, odnosno varijansu, jer su te
13
vrednosti upravo one koje se i dobijaju kod normalne raspodele. Ove relacije se dokazuju uz
pomoc klasicnog integrala
_

e
x
2
dx =

.
Da se ovo pokaze, ako se integral oznaci sa I, onda se prelaskom na polarne koordinate
x = r cos , y = r sin,
I
2
= 4
_

0
e
x
2
dx
_

0
e
y
2
dy = 4
_
/2
0
_

0
e
r
2
r ddr = 2
_
/2
0
d
_

0
d
_
e
r
2
_
= .
Grak krive normalne raspodele je zvonastog oblika, simetrican u odnosu na pravu x =
i sa maksimumom 1/

2 za x = . Levo, odnosno desno od x = funkcija veoma brzo

opada i tezi nuli. Znacaj normalne raspodele ogleda se i u sledecem tvr
-
denju, koje se u teoriji
verovatnoce naziva centralna granicna teorema:
Neka su X
1
, X
2
, X
3
, . . . slucajne promenljive (diskretne ili neprekidne) koje su nezavisne (v.
(51)) i imaju istu raspodelu sa konacnim matematickim ocekivanjem i varijansom
2
. Ako
je S
n
= X
1
+X
2
+X
3
+ +X
n
, tada je
lim
n
P
_
S
n
n

n
x
_
=
x
_

2
e

y
2
2
dy. (34)
Jednacina (36) kazuje ustvari da raspodela slucajne velicine (S
n
n)/(

n) tezi ustvari
normalnoj raspodeli sa parametrima = 0 i = 1. Funkcija
(x) =
1

2
x
_

y
2
2
dy, (35)
koja se pojavljuje u (36) je izracunata za razne vrednosti x i njene vrednosti se nalaze u
posebnim tablicama. Valja napomenuti da (36) obuhvata i diskretne i neprekidne slucajne
promenljive.
Osim centralne granicne teoreme, postoji jos puno rezultata slicnog tipa iz Teorije verovatnoce
koji su od velikog teorijskog kao i prakticnog znacaja. Ovde izdvajamo samo dva takva
rezultata, koja kao i (36) dajemo bez dokaza, koji vaze i za diskretne i za neprekidne slucajne
promenljive.
Teorema Hincina. Neka je {X
k
}
n
k=1
niz nezavisnih slucajnih promenljivih sa uniformnim
ogranicenim disperzijama i istim matematickim ocekivanjem . Tada za svako > 0 vazi
lim
n
P
_

1
n
n

k=1
X
k

<
_
= 1.
Bernulijeva Teorema. Neka slucajna promenljiva X ima binomnu raspodelu sa parametrima
n i p. Tada za svako > 0 vazi
lim
n
P
_

X
n
p

<
_
= 1.
14
3. Gama raspodela. Funkcija gustine je
f(x) =
_

_
a
n
(n)
x
n1
e
ax
, 0 x ,
0, x < 0,
(36)
gde su a, n > 0 parametri raspodele, a gama-funkcija (n) je za u > 0 denisana kao
(u) =

_
0
x
u1
e
x
dx,
i zadovoljava funkcionalnu jednacinu (u + 1) = u(u). U slucaju da je n 1 prirodan broj,
(n) = (n 1)! = 1 2 . . . (n 1), a 0! = 1 po deniciji. Tako
-
de je, smenom x = y
2
, i
(
1
2
) =
_

0
x
1/2
e
x
dx = 2
_

0
e
y
2
dy =

,
odakle je matematickom indukcijom

_
n +
1
2
_
=
1 3 5 (2n 1)
2
n

(n N).
Za gama raspodelu vazi EX = n/a, Var X = n/a
2
.
4. Eksponencijalna raspodela. Funkcija gustine je
f(x) =
_
a e
ax
, 0 x ,
0, x < 0.
(37)
gde je a > 0 parametar raspodele. U ovom slucaju je EX = 1/a, Var X = 1/a
2
.
5. Beta raspodela. Funkcija gustine je
f(x) =
_

_
(n+m)
(n)(m)
x
n1
(1 x)
m1
, 0 x 1,
0, x > 1 ili x < 0,
(38)
gde su m, n > 0 parametri raspodele. Ovde je EX = n/(n +m).
6. Kosijeva raspodela. Funkcija gustine je
f(x) =
1
(1 +x
2
)
( < x < ).
Funkcija raspodele ovde je
F(x) =
1
2
+
1

arc tg x ( < x < ).

15
Ukoliko se zna da slucajna promenljiva X ima konacno ocekivanje EX = i varijansu
Var X =
2
, onda vazi nejednakost (21), tj.
P(|X | > t)

2
t
2
za svako t > 0. Ovo je tzv. nejednakost

Cebiseva, koja kazuje koliko X odstupa od svakog
matematickog ocekivanja . Mada je dosta gruba, ova nejednakost ima tu prednost da se
lako primenjuje. Dokaz koji je dat za diskretne slucajne promenljive (kao i za (20)) vazi i u
slucaju neprekidnih promenljivih. U ovom slucaju moze se nejednakost izvesti i na sledeci
direktan nacin:
P(|X | > t) =
_
|x|>t
f(x) dx
_
|x|>t
|x |
2
t
2
f(x) dx
Var X
t
2
=

2
t
2
.
Ako je X neprekidna slucajna promenljiva sa gustinom f(x), onda se gustina slucajne
promenljive Y = X
2
moze naci pomocu tzv. metode smene, koja ce na sledecem primeru biti
prikazana. Naime neka su F, G funkcije raspodele X tj. Y . Tada je G(y) = 0 za y 0. Za
y > 0
G(y) = P(X
2
y) = P(

y X

y) = F(

y) F(

y).
Diferenciranje daje
g(y) = G

(y) =
1
2

y
_
f(

y ) +f(

y )
_
,
cime je odre
-
dena gustina g(y) od Y , pod uslovom da je G(y) diferencijabilno. Ako to nije
slucaj, gornja formula opet vazi, sto sledi smenom promenljivih, direktnom proverom (x > 0):
_
x

g(y) dy =
_
x
0
1
2

y
_
f(

y) +f(

y)
_
dy.
Smenom z =

y dobija se
_

x

x
f(z)dz = F(

x) F(

x) = G(x).
0.5 Raspodela dvodimenzionalnih slucajnih promenljivih
Neka su X i Y slucajne promenljive nad istim prostorom verovatnoce. Tada se njihova
zajednicka funkcija raspodele F(x, y) denise kao
F(x, y) = P(X x, Y y), ( < x, y < ) (39)
tj. kao verovatnoca da istovremeno X nije vece od x i Y nije vece od y. Iz ove denicije
neposredno sledi
P(a < X b, c < Y d) = F(b, d) +F(a, c) F(a, d) F(b, c)
za a < b, c < d. Jednodimenzionalne raspodele F
X
i F
Y
promenljivih X odnosno Y denisu
se kao
F
X
(x) = P(X x) odnosno F
Y
(y) = P(Y y) (40)
16
i nazivaju marginalne funkcije raspodele za X i Y . Vazi
F
X
(x) = lim
y
F(x, y), F
Y
(y) = lim
x
F(x, y). (41)
Ako su X i Y diskretne slucajne promenljive, dvodimenzionalna gustina od X i Y je
P(X = x, Y = y) := f(x, y),
pri cemu je
f(x, y) 0,

x
i
,y
i
f(x
i
, y
i
) = 1,
gde su x
i
tacke u kojima P(X = x
i
) = 0, a y
i
tacke u kojima P(Y = y
i
) = 0.
U slucaju da su X i Y neprekidne slucajne promenljive, razmatranje je sledece. Ako
postoji nenegativna funkcija f(u, v) od dve promenljive u i v tako da je
F(x, y) =
_
x

__
y

f(u, v) dv
_
du, ( < x, y < y) (42)
tada je f(u, v) funkcija gustine za par neprekidnih slucajnih promenljivih X i Y , pri cemu se
podrazumeva postojanje integrala u (42). Ako F poseduje gustinu f, onda je:
P(a < X b, c < Y d) =
_
b
a
_
_
d
c
f(x, y) dy
_
dx, (43)
f
X
(x) =
_

f(x, y) dy, f
Y
(y) =
_

f(x, y) dx, (44)

gde su f
X
(x) odnosno f
Y
(y) (obicne) gustine slucajnih promenljivih X i Y . U tackama u
kojima je dvodimenzionalna gustina f(x, y) neprekidna vazi
f(x, y) =

2
xy
F(x, y), (45)
tj. gustina je drugi mesoviti izvod funkcije raspodele.
Ako su X i Y neprekidne slucajne promenljive sa zajednickom gustinom f(x, y), onda se
uslovna gustina f
Y |X
denise kao
f
Y |X
(y|x) =
_

_
f(x,y)
f
X
(x)
, 0 < f
X
(x) < ,
0, f
X
(x) = 0,
(46)
a uslovna verovatnoca P(a Y b

X = x) kao
P(a Y b

X = x) =
b
_
a
f
Y |X
(y|x) dy, (a < b)
sto predstavlja verovatnocu da je Y izme
-
du a i b, ako se zna da je X = x. Vazi
f
Y |X
(x, y) =
f
X
(x)f
Y |X
(y|x)

f
X
(x)f
Y |X
(y|x) dx
, (47)
17
sto je ustvari formula analogna Bajesovom pravilu (3) za uslovnu verovatnocu kod diskretnih
promenljivih.
Slicno kao kod jednodimenzionalne slucajne promenljive mozemo denisati matematicko
ocekivanje E[g(X, Y )] funkcije g(X, Y ) od slucajnih promenljivih X i Y kao
E[g(X, Y )] =

g(x, y) f(x, y) dxdy, (48)

pod uslovom da dvostruki integral u (48) apsolutno konvergira. Promenljive X i Y su neza-
visne ako je
F(x, y) = F
X
(x) F
Y
(y), (49)
odnosno ako je
f(x, y) = f
X
(x) f
Y
(y),
te se u slucaju nezavisnih promenljivih integral u (48) obicno znatno uproscava. U statistici
je od znacaja kovarijansa X i Y koja se denise kao (videti (16) i (17))
Cov(X, Y ) = E[(X E(X))(Y E(Y ))] = E(XY ) EX EY (50)
=

(x E(X))(y E(Y )) f(x, y) dxdy.

Izraz
=
Cov(X, Y )

VarX

VarY
(51)
naziva se koecijent korelacije i koristi se u slucaju i diskretnih i neprekidnih slucajnih
promenljivih. Vazi 1 1, = 0 ako su X i Y nezavisne promenljive, = 1 ako
je Y = aX +b za neke konstante a, b (ovo ce biti dokazano u poglavlju o Statistici).
Gustina
f(x, y) =
_
2
x

y
_
1
2
_
1
e

Q
2
, ( < x, y < ), (52)
Q =
1
1
2
_
_
_
x
x

x
_
2
+
_
y
y

y
_
2
2
_
x
x

x
_
_
y
y

y
_
_
_
(53)
se zove gustina normalne raspodele dvodimenzionalne slucajne promenljive. Ovde su

x
,
y
,
x
,
y
,
dati parametri, pri cemu je upravo EX =
x
, EY =
y
, Var X =
2
x
, Var Y =
2
y
, a koecijent
korelacije X i Y je .
Ako je Z = X +Y , tada je gustina f
Z
(z) promenljive Z data pomocu
f
Z
(z) = f
X,Y
(z) =

f(x, z x) dx, ( < z < ), (54)

18
gde je f(x, y) gustina raspodele od X i Y .
Primer 1
Neka se uniformno bira tacka iz kruga poluprecnika R, sa centrom u O. Ako neprekidne
slucajne promenljive X, Y oznacavaju koordinate tako izabrane tacke (x, y), onda uslov uni-
formnosti kazuje da je
f(x, y) =
_

_
1
R
2
, x
2
+y
2
R
2
,
0, za ostale x, y.
(55)
Onda je, ako je A oblast koja lezi u krugu,
P((X, Y ) A) =
_ _
A
f(x, y) dxdy =
povrsina A
R
2
=
povrsina A
povrsina kruga
,
sto je saglasno i sa pojmom uniformnosti i sa pojmom geometrijske verovatnoce. Marginalna
gustina
f
X
(x) =
_

f(x, y)dy =
2

R
2
x
2
R
2
(R < x < R),
a za ostale x vazi f
X
(x) = 0. Slicna formula vazi i za f
Y
(y), pa se dobija
f
X
(x)f
Y
(y) =
4

R
2
x
2
_
R
2
y
2

2
R
4
=
1
R
2
= f(x, y),
sto znaci da X i Y nisu nezavisne slucajne promenljive.
Primer 2.
Data je funkcija
f(x, y) = c exp
_

1
2
(x
2
xy +y
2
)
_
( < x, y < ).
Da bi f(x, y) bila dvodimenzionalna gustina, potrebno je i dovoljno da je
_

f(x, y)dxdy = 1.
Uz pomoc integrala
_

e
x
2
dx =

izracunava se da je c =

3/(4).
Najzad, ako su X
1
, X
2
, . . . , X
n
slucajne promenljive nad istim prostorom verovatnoce,
onda je zajednicka funkcija raspodele F denisana kao
F(x
1
, x
2
, . . . , x
n
) = P(X
1
x
1
, X
2
x
2
, . . . , X
n
x
n
), (56)
< x
1
, x
2
, . . . , x
n
< ,
a marginalne funkcije distribucije F
X
m
(m = 1, 2, . . . , n) kao
F
X
m
(x
m
) = P(X
m
x
m
) ( < x
m
< ). (57)
19
Nenegativna funkcija f od n promenljivih je gustina n-dimenzionalne raspodele F ako je
F(x
1
, x
2
, . . . , x
n
) =
x
1
_

x
2
_

x
n
_

f(u
1
, u
2
, . . . , u
n
)du
1
du
2
. . . du
n
, (58)
sto je ocigledno poopstenje vec izucavanog slucaja kada je n = 2.
0.6 Karakteristicne funkcije i funkcije generatrisa momenta
Metod karakteristicnih funkcija, tj. metode Furijeove transformacije funkcije raspodele je
jedan od osnovnih metoda u teoriji verovatnoce. Ako je X slucajna promenljiva, tada je

X
(t) = E e
itX
=

e
itx
dF(x) (59)
njena karakteristicna funkcija, gde je F(x) funkcija raspodele slucajne promenljive X, t realan
broj i i =

1. Kompleksnu slucajnu promenljivu Z = X +iY mozemo shvatiti kao ure
-
den
par slucajnih promenljivih (X, Y ) koji prostor verovatnoce preslikava u kompleksnu ravan.
Tada se denise
EZ = EX +iEY,
i u opstem slucaju EZ
r
= E(X +iY )
r
(r > 0). Eksponencijalna funkcija se denise kao
e
z
=

n=0
z
n
n!
(z C).
Poznata relacija
e
z
1
+z
2
= e
z
1
e
z
2
ostaje u vaznosti za sve kompleksne brojeve z
1
, z
2
. Lako se dobijaju i tzv. Ojlerove formula
e
it
= cos t +i sint, cos t =
1
2
(e
it
+ e
it
), sint =
1
2i
(e
it
e
it
),
koje su prvobitno dokazane za realno t, ali vaze i za svako kompleksno t, te cesto sluze u
komplesknoj analizi za deniciju trigonometrijskih funkcija.
Gornja denicija
X
(t) vazi i za diskretne i za neprekidne promenljive, te ako X ima
gustinu f onda je u tackama neprekidnosti

X
(t) =

x
i
e
itx
i
f(x
i
), (60)
ako je X diskretna promenljiva, koja uzima vrednosti x
i
, odnosno

X
(t) =

e
itx
f(x) dx, (61)
u slucaju neprekidne promenljive X, jer je tada dF(x) = f

(x). Ako postoji nti momenat

slucajne promenljive X, onda je

(n)
X
(0) = i
n
EX
n
, (62)
20
tj. momenti se jednostavno izracunavaju preko izvoda karakteristicne funkcije. Za svaku
karakteristicnu funkciju
X
(t) vazi

X
(0) = 1, |
X
(t)| 1,
X
(t) =
X
(t), (63)
gde je z = x iy konjugovana vrednost kompleksnog broja z = x +iy. Ako je Y = c
1
X +c
2
za neke konstante c
1
, c
2
, onda je

Y
(t) = Ee
itY
= Ee
it(c
1
X+c
2
)
= Ee
itc
1
X
Ee
itc
2
= e
itc
2

X
(c
1
t),
te je za odre
-
divanje karakteristicne funkcije c
1
X + c
2
dovoljno znati samo karakteristicnu
funkciju X.
U opstem slucaju, Furijeova transformacija

f() F() (ovde F ne oznacava vise funkciju
raspodele) funkcije f(x) se denise kao
F() =

f() =
_

f(x) e
ix
dx ( R),
naravno pod pretpostavkon da integral na desnoj strani postoji. Pod odre
-
denim uslovima iz
gornje relacije vazi tzv. formula inverzije za Furijeove transformacije
f(x) =
1
2
_

F(t)e
itx
dt.
Funkcija

f() je neprekidna za svako realno , predstavlja linearan operator (H je linearan
operator ako je
H(
1
u +
2
v) =
1
H(u) +
2
H(v)
za skalare (brojeve)
1
,
2
i vektore (funkcije itd.) u, v). Ako je f parno, onda je

f parno, a
ako je f neparno, onda je i

f tako
-
de neparno. Ako se konvolucija dveju funkcija f i g denise
kao
(f g)(x) =
_

f(x y)g(y)dy (x R),

onda je operacija konvolucije (f g)(x) komutativna, asocijativna i distributivna u odnosu
na obicno sabiranje funkcija. Tako
-
de vazi i teorema o konvoluciji

f g =

f g,
koja ima veliki znacaj u primenama, a vazi za siroku klasu funkcija f, g. Naime smenom
x y = u sledi

f g() =
_

e
ix
_

f(x y)g(y) dy dx
=
_

g(y)
_

e
ix
f(x y) dx dy
=
_

g(y)e
iy
_

e
iu
f(u) dy du
=

f() g().
Na kraju ove kratke diskusije o Furijeovim transformacijama, valja pomenuti i tzv. Par-
sevalovu (ili Plansarelovu) formulu:
21
_

|f(x)|
2
dx =
1
2
_

f()|
2
d.
Naime, primenom formule inverzije vazi
_

|f(x)|
2
dx =
_

f(x)f(x) dx =
1
2
_

f(x)
__

F(t)e
itx
dt
_
dx
=
_

F(t)
__

f(x)e
itx
dx
_
dt =
_

|F(t)|
2
dt =
1
2
_

f()|
2
d.
Primer 7
Neka X ima uniformnu raspodelu (31). Tada je za t = 0

X
(t) =
b
_
a
e
itx
b a
dx =
e
ibt
e
iat
it(b a)
. (64)
Primer 8
Neka X ima eksponencijalnu raspodelu sa gustinom (37). Tada je

X
(t) =

_
0
e
itx
ae
ax
dx =
a
a it
, (65)

X
(t) =
d
X
(t)
dt
=
ia
(a it)
2
,

X
(0) =
i
a
,
pa je po formuli (61) EX = 1/a, a slicno se nalazi i Var X = 1/a
2
. Kako je
_

|f(x)|
2
dx = a
2
_

0
e
2ax
dx =
a
2
,
_

f()|
2
d =
_

a
2
|a i|
2
d = a
2
_

d
a
2
+
2
,
to Parsevalova formula daje
_

dt
a
2
+t
2
=

a
(a > 0),
sto se moze lako i neposredno proveriti.
Primer 9
Neka je X slucajna promenljiva normalne raspodele sa gustinom (33). Tada je

X
(t) =
1

e
itx
(x)
2
2
2
dx = e
1
2

2
t
2
+it
, (66)
22
sto sledi primenom klasicnog integrala
_

e
x
2
dx =

.
Ako su X i Y nezavisne slucajne promenljive (nad istim prostorom verovatnoce), tada su
e
itX
i e
itY
tako
-
de nezavisne promenljive, pa vazi

X+Y
(t) = E
_
e
it(X+Y )
_
= E
_
e
itX
e
itY
_
,
tj.

X+Y
(t) =
X
(t)
Y
(t) ( < t < ), (67)
dakle karakteristicna funkcija zbira je proizvod karakteristicnih funkcija. Ovo jednostavno
pravilo lako se prenosi i na slucaj zbira n nezavisnih slucajnih promenljivih: ako su X
1
, . . . , X
n
nezavisne slucajne promenljive, onda je karakteristicna funkcija njihovog zbira proizvod nji-
hovih karakteristicnih funkcija
X
1
(t), . . . ,
X
n
(t).
Karakteristicna funkcija je po deniciji (58) odre
-
dena funkcijom raspodele, ali je i obr-
nuto, funkcija raspodele odre
-
dena karakteristicnom funkcijom. Ako su a i b (a < b) tacke
neprekidnosti funkcije raspodele F(x) slucajne promenljive X sa karakteristicnom funkcijom

X
(t), onda je
F(b) F(a) = lim
T
1
2
T
_
T
e
itb
e
ita
it

X
(t) dt, (68)
sto je poznato u literaturi kao Teorema inverzije Levija. Tako
-
de vazi i relacija
P(X = x) = lim
T
1
2T
T
_
T
e
itx

X
(t) dt, (69)
sto je interesantno u slucaju diskretnih promenljivih. Tako
-
de vazi stav: ako dve slucajne
promenljive imaju istu karakteristicnu funkciju, onda one imaju i istu funkciju raspodele.
Mogu se denisati i visedimenzionalne karakteristicne funkcije. Naprimer, neka je F(x, y)
funkcija raspodele za dvodimenzionalnu sluajnu promenljivu (X, Y ). U tom slucaju (t, s e)
karakteristicna funkcija je
(s, t) = E(e
isX+itY
) =
_

e
isx+ity
d
2
F(x, y),
ukoliko integral konvergira.
Druga funkcija od znacaja u teoriji verovatnoce je funkcija generatrisa momenta M
X
(t).
Ova funkcija se za realno t i slucajnu promenljivu X denise kao
M
X
(t) = Ee
tX
=

e
tx
dF(x), (70)
pa vazi
M
X
(it) =
X
(t), (71)
23
gde je
X
(t) karakteristicna funkcija X. Teskoca sa M
X
(t) je sto integral u (70) vrlo cesto
ne postoji, dok
X
(t) uvek postoj. Kada M
X
(t) postoji, onda iz (70) zbog linearnosti
matematickog ocekivanja sledi
M
X
(t) =

n=0
EX
n
n!
t
n
, (72)
pa je onda
EX
n
=
d
n
dt
n
M
X
(t)

t=0
, (73)
a relacija (72) jasno kazuje zasto se M
X
(t) zove funkcija generatrisa momenta.
Primer 10
Neka X ima gamaraspodelu sa funkcijom gustine (36). Onda je
M
X
(t) =

_
0
e
tx
a
n
(n)
x
n1
e
ax
dx =
_
a
a t
_
n
,
za < t < a. Stoga je M

X
(t) = na
n
(a t)
n1
, pa je po formuli (72)
EX = M

X
(0) =
n
a
,
a slicno se nalazi da je Var X = E(X EX)
2
=
n
a
2
.
Primer 11
Neka X ima normalnu raspodelu sa parametrima i
2
. Onda je
M
X
(t) = Ee
tX
=
_

e
tx
1

2
exp((x )
2
/(2
2
))dx (74)
=
_

e
t(y+)
1

2
e
y
2
/(2
2
)
dy = e
t
_

2
e
tyy
2
/(2
2
)
dy.
(75)
Ali kako je
ty
y
2
2
2
=
(y
2
t)
2
2
2
+
1
2

2
t
2
,
to je
M
X
(t) = e
t
e

2
t
2
/2
_

2
exp
_
(y
2
t
2
)
2
/(2
2
)
_
dy = e
t
e

2
t
2
/2
(t Re),
jer je gornji integral upravo integral gustine od normalne raspodele (sa parametrima
2
t,
2
).
Primer 12
Pokazati da, ako X ima binomnu raspodelu sa parametrima n, p, onda je
M
X
(t) = (p e
t
+ 1 p)
n
.
Primer 13
Pokazati da, ako X ima Poasonovu raspodelu sa parametrom , onda je
M
X
(t) = exp
_
(e
t
1)
_
.
24