Vjerojatnost Zadaci

Sadraj
1 Pojam i osnovna svojstva vjerojatnosti

1.1 Prostor elementarnih dogaaja . . . . .
1.2 Klasian pristup . . . . . . . . . . . . .
1.3 Statistiki pristup . . . . . . . . . . . .
1.4 Denicija vjerojatnosti . . . . . . . . .
1.5 Osnovna svojstva vjerojatnosti . . . . .
1.6 Vjerojatnost na diskretnom . . . . .
1.7 Primjeri vjerojatnosti na R . . . . . . .
1.8 Primjeri vjerojatnosti na R2 i R3 . . .
1.9 Uvjetna vjerojatnost. Nezavisnost . . .
1.10 Zadaci . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Sluajna varijabla
2.1 Diskretna sluajna varijabla . . . . . . . . . . . . . . . .
2.2 Neprekidna sluajna varijabla . . . . . . . . . . . . . . .
2.3 Funkcija distribucije sluajne varijable . . . . . . . . . .
2.3.1 Funkcija distribucije diskretne sluajne varijable .
2.3.2 Funkcija distribucije neprekidne sluajne varijable
2.4 Primjeri parametarski zadanih diskretnih distribucija . .
2.4.1 Empirijska distribucija . . . . . . . . . . . . . . .
2.4.2 Bernoullijeva distribucija . . . . . . . . . . . . . .
2.4.3 Binomna distribucija . . . . . . . . . . . . . . . .
2.4.4 Poissonova distribucija . . . . . . . . . . . . . . .
I
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
2
4
8
10
14
25
30
34
37
48
.
.
.
.
.
.
.
.
.
.
63
64
68
72
75
76
79
80
80
82
84
SADRAJ
II
2.5
2.6
2.7
2.8
2.9
2.4.5 Geometrijska distribucija . . . . . . . . . . . . . . . .

2.4.6 Hipergeometrijska distribucija . . . . . . . . . . . . .
Primjeri parametarski zadanih neprekidnih distribucija . . .
2.5.1 Uniformna distribucija na intervalu (a, b) . . . . . . .
2.5.2 Eksponencijalna distribucija . . . . . . . . . . . . . .
2.5.3 Dvostrana eksponencijalna distribucija . . . . . . . .
2.5.4 Normalna distribucija . . . . . . . . . . . . . . . . .
Numerike karakteristike sluajne varijable . . . . . . . . . .
2.6.1 Oekivanje diskretne sluajne varijable . . . . . . . .
2.6.2 Varijanca i ostali momenti. Vane nejednakosti . . .
2.6.3 Oekivanje i varijanca nekih parametarskih diskretnih
distribucija . . . . . . . . . . . . . . . . . . . . . . .
2.6.4 Oekivanje i momenti neprekidne sluajne varijable .
2.6.5 Oekivanje i varijanca nekih parametarskih neprekidnih distribucija . . . . . . . . . . . . . . . . . . . . .
Neke transformacije sluajnih varijabli . . . . . . . . . . . .
2.7.1 Postupak standardizacije . . . . . . . . . . . . . . . .
2.7.2 Bijektivna transformacija sluajne varijable . . . . .
2.7.3 Primjeri transformacija koje nisu bijektivne . . . . .
Generiranje sluajnih varijabli . . . . . . . . . . . . . . . . .
Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
88
89
91
91
92
94
96
99
99
104
. 109
. 116
.
.
.
.
.
.
.
118
122
122
124
127
128
130
3 Dodatak
141
3.1 Osnove algebre skupova . . . . . . . . . . . . . . . . . . . . . 141
3.2 Osnovni kombinatorni rezultati . . . . . . . . . . . . . . . . . 142
3.3 Ponovljeni red . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Poglavlje 1
Pojam i osnovna svojstva
vjerojatnosti
Pojam vjerojatnosti nastao je u pokuaju brojanog izraavanja stupnja vjerovanja da e se dogoditi neki zamiljeni dogaaj. Na primjer, esto moemo
uti ili proitati: "vjerojatnost da e sutra padati kia je 75%", "vjerojatnost
da dobijem prolaznu ocjenu na ispitu mi je oko 50%", "100% sam siguran u
pobjedu Blanke Vlai na ovom natjecanju", itd. Pitanje je: kako nastaju
brojevi kojima je izraen stupanj vjerovanja da se dogodi neki dogaaj i kako
ih moemo iskoristiti. Teorija vjerojatnosti dio je matematike koji se bavi
ovom problematikom.
Nastanak teorije vjerojatnosti tradicionalno se stavlja u 17. stoljee iako postoje dokazi da su se ve indijski matematiari (3. st. pr. Kr.) bavili pitanjima
koja pripadaju dananjoj teoriji vjerojatnosti te da je u 14. stoljeu postojala
praksa pomorskog osiguranja koja je omoguila srednjovjekovnim trgovcima
da ocjenjuju razliite faktore rizika koji se pojavljuju prilikom prekomorskog
trgovanja. Prvi matematiki rezultati koji se mogu jasno prepoznati kao
temelj teorije vjerojatnosti vezani su uz igre na sreu i uz izradu tablica smrtnosti. Vie detalja o nastanku teorije vjerojatnosti pogledajte npr. na internetskoj adresi http://www.economics.soton.ac.uk/sta/aldrich/Figures.htm.
1
Prostor elementarnih dogaaja
Povijesno gledano, koncept vjerojatnosti dogaaja temelji se na ideji odnosa

dijela i cjeline. Pri tome se odnos dijela i cjeline koristi na dva naina:
klasian pristup i
statistiki pristup.
U sljedeim poglavljima opisat emo detaljno oba povijesna koncepta vjerjatnosti kao i aksiomatsku deniciju vjerojatnosti kojom emo se koristiti u
ovom kolegiju ali prije toga trebamo upoznati temeljni objekt koji se koristi
prilikom matematikog modeliranja vjerojatnosti. Zvat emo ga prostor
elementarnih dogaaja.
1.1
Prostor elementarnih dogaaja
Bacanje igrae kocke jedan je od klasinih i jednostavnih pokusa kojim emo

se koristiti u ovom kolegiju za ilustraciju mnogih novih pojmova. Prilikom
bacanja igrae kocke kao rezultat jednog bacanja pojavljuje se tono jedan
broj iz skupa {1, 2, 3, 4, 5, 6}. Pri tome je opravdano pretpostaviti jednaku
mogunost pojavljivanja bilo kojeg od navedenih est brojeva. Koristei se
idejom vjerojatnosti dogaaja kao odnosa dijela i cjeline, moemo zakljuiti
da je vjerojatnost pojavljivanja parnog broja pri bacanju igrae kocke ista
kao i vjerojatnost pojavljivanja neparnog broja obzirom da je parnih brojeva
isto koliko i neparnih u cjelini koju ini navedeni skup. Takoer, vjerojatnost
pojavljivanja broja dva mora biti ista kao i vjerojatnost pojavljivanja broja
pet jer oni ine po veliini jednake dijelove cjeline.
Na osnovu principa odnosa dijela i cjeline, uoavamo da je prvi korak prema
deniranju vjerojatnosti dogaaja spoznavanje cjeline. Naime, da bismo
imali mjeru za vjerojatnost da se dogodi ono to nas konkretno zanima,
moramo prvo znati to je to "sve" to se moe dogoditi za na pokus ili promatranje, tj. to ini "cjelinu". Zato emo, da bismo poeli graditi matematiki
Pojam i osnovna svojstva vjerojatnosti
model, uz jedan pokus (odnosno promatranje) vezati skup koji kao elemente
sadri sve to se moe realizirati kad izvedemo pokus (promatranje) i zvat
emo ga skup svih moguih ishoda ili skup elementarnih dogaaja.
Najee takav skup oznaavamo . Jedina pretpostavka na skup elementarnih dogaaja je da je neprazan i da zaista sadri sve to se moe realizirati
u pokusu (odnosno promatranju) koje nas zanima.
Ako skup svih moguih ishoda sadri samo jedan element, onda pokus ima
samo jednu moguu realizaciju pa tono znamo to e se dogoditi kad ga
izvedemo. Zbog toga takav pokus zovemo deterministiki pokus.
Primjer 1.1 (Deterministiki pokus).
a) Rezultat zagrijavanja vode pod normalnim atmosferskim tlakom na temperaturu od
100 C ima samo jedan ishod: voda isparava, tj. voda iz tekueg prelazi u plinovito
agregatno stanje.
b) Mijeanje vode i jestivog ulja pri normalnim atmosferskim uvjetima ima jedinstveni
ishod - stvara se emulzija ulja i vode pri emu ulje pliva na vodi.
c) Pritiskanje papuice "gasa" pri vonji tehniki ispravnog automobila ima jedinstveni
ishod - brzina automobila se poveava. Analogno, pritiskanje konice u istim uvjetima ima za ishod smanjenje brzine kretanja automobila.
Prostore elementarnih dogaaja koji imaju vie elemenata (barem dva, a

moe i beskonano mnogo!) koristimo ako ne moemo sa sigurnou znati
realizaciju pokusa (promatranja). Za takav pokus kaemo da ima sluajne
ishode, tj. da je pokus sluajan.
Primjer 1.2 (Sluajan pokus).
a) Bacanje igrae kocke - ako nas zanima ishod jednog bacanja igrae kocke, "sve",
tj. prostor elementarnih dogaaja je skup {1, 2, 3, 4, 5, 6}.
b) Sluajan izbor znamenke - ako nas zanima ishod sluajnog izbora jedne znamenke u dekadskom sustavnu, prostor elementarnih dogaaja je skup {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}.
c) Loto 6 od 45 - ako nas zanima rezultat izvlaenja u igri "Loto 6 od 45", prostor
elementarnih dogaaja je skup {{i1 , . . . , i6 )} : i1 , . . . , i6 {1, . . . , 45}}.
Klasian pristup
d) Ako prognoziramo sutranju temperaturu zraka u Osijeku (u hladovini), prostor elementarnih dogaaja moemo postaviti na razliite naine. Jedna mogunost je, npr.
= [50, 50], ili = [100, 100]. Zapravo, moemo pretpostaviti i da je = R.
Vano je da bude neprazan skup i da stvarno sadri sve mogue realizacije prognoziranja. Naravno da je ponekad praktino ugraditi ve u to vie informacija
o pokusu koji modeliramo, tj. suziti , ali to nije nuno za modeliranje.
Jednom kad smo odredili skup elementarnih dogaaja sluajnog pokusa, tj.
, treba izraziti stupanj vjerovanja da se neki dogaaj dogodi. Meutim,
kako opisujemo dogaaj kao matemtiki objekt? Do sada znamo da skup
elementarnih dogaaja sadri sve mogue ishode pokusa. Sadri li i sve
dogaaje koji su nama interesantni? Na primjer, u pokusu bacanja igrae
kocke zanima nas da li e se okrenuti paran broj. Oigledno je da e se
dogoditi paran broj ako se realizira bilo koji od ishoda 2, 4 ili 6. Dakle, ovaj
dogaaj je prirodno modelirati kao podskup od i to kao skup {2, 4, 6}.
Oigledno je da emo dogaaje vezane uz neki sluajan pokus modelirati kao
podskupove od . Openito u teoriji vjerojatnosti neki podskupovi skupa
nisu prikladni da ih zovemo dogaajima ali za sada neemo detaljno opisivati
familiju dogaaja, to emo ostaviti za poglavlje 1.4. Bit e nam dovoljno
znati da je dogaaj vezan uz dani sluajan pokus uvijek podskup skupa
elementarnih dogaaja tog pokusa.
U nastavku navodimo povijesne pristupe za modeliranje vjerojatnosti dogaaja (klasian i statistiki) kao i deniciju vjerojatnosti koja se danas
standardno koristi u matematikoj teoriji.
1.2
Klasian pristup
U praksi esto sreemo primjere pokusa u kojima je skup elementarnih

dogaaja konaan i svaki pojedini ishod je jednako mogu. Veliki broj
klasinih igara na sreu odgovara ovim pretpostavkam. Na primjer:
za bacanje novia (idealan sluaj, tj. nema varanja!) skup elementarnih dogaaja je = {pismo, glava} i svaki od tih ishoda je jednako
mogu,
za bacanje igrae kocke (idealan sluaj, tj. nema varanja!) skup elementarnih dogaaja je = {1, 2, 3, 4, 5, 6} i svaki od tih ishoda je
jednako mogu,
za "Loto 6 od 45" skup elementarnih dogaaja je = {{i1 , . . . , i6 )} :
i1 , . . . , i6 {1, . . . , 45}} i realizacija svake estorke iz je jednako mogua,
za rulet je skup elementarnih dogaaja = {0, 1, 2, . . . , 36} i svaki od
tih ishoda je jednako mogu.
Kod takvih pokusa mogue je prebrojati sve ishode koji su povoljni za dogaaj i sve ishode koji nisu povoljni za dogaaj pa se omjer ta dva broja esto
u praksi koristi za izraavanje stupnja vjerovanja u realizaciju dogaaja. Evo
nekoliko primjera.
Primjer 1.3. U sluajnom pokusu bacanja igrae kocke, na temelju pretpostavke o istoj
mogunosti da se okrene bilo koji broj, kae se da je ansa 3 : 3 da se okrene paran broj.
Dakle, stupanj vjerovanja u pojavu dogaaja je izraen stavljanjem u omjer broja ishoda
koji su povoljni i broja ishoda koji su nepovoljni. Meutim, isti omjer se moe iskazati i
na mnogo drugih naina, npr. 1 : 1.
Primjer 1.4. U skupini ljudi iz koje se sasvim sluajno bira jedna osoba nalazi se 30
mukaraca i 60 ena. U tom pokusu ansa da izaberemo enu je 60 : 30. Ovaj omjer se
takoder moe prikazati na mnogo drugih naina, tj. kao 6 : 3 ili 2 : 1.
Omjer broja povoljnih i nepovoljnih dogaaja ilustriran u ovim primjerima

ne stavlja u odnos dio i cjelinu nego dva dijela iste cjeline - dio koji znai realizaciju dogaaja koji nas zanima i dio koji znai da se taj dogaaj nije realizirao. Klasian pristup modeliranju vjerojatnosti ne rauna vjerojatnost na
taj nain nego odreuje vjerojatnost kao mjeru koja dio suprotstavlja cjelini,
tj. dijeli broj ishoda povoljnih za dogaaj brojem svih moguih ishoda.
Klasian pristup
Klasian nain raunanja vjerojatnosti
Pretpostavke na pokus
konaan skup elementarnih dogaaja
svi ishodi jednako mogui
Dogaaj
A
Vjerojatnost dogaaja A kvocijent broja elemenata skupa A
i broja elemenata skupa , tj.
P (A) = k(A)
k()
Ovdje je P (A) oznaka za vjerojatnost dogaaja A, dok je k(A) oznaka za

broj elemenata skupa A.
Problem odreivanja vjerojatnosti po klasinom pristupu sada se svodi na
problem prebrojavanja elemenata skupova. Dakle, da bismo mogli raunati
vjerojatnost na ovaj nain, morat emo neto znati o rjeavanju kombinatornih problema.
Primjer 1.5. Skup svih moguih ishoda bacanja igrae kocke je skup = {1, 2, 3, 4, 5, 6}.
Budui je konaan skup i kocka je za igru (pa je pretpostavka da je pravilno izraena,
tj. mogunost realizacije bilo kojeg od brojeva jedan do est je jednaka) ovdje moemo
primijeniti klasian pristup odreivanja vjerojatnosti. Na primjer, vjerojatnost dogaaja
"na kocki se realizirao paran broj", koji predstavljamo skupom A = {2, 4, 6} svih parnih
elemenata skupa , jednaka je vjerojatnosti dogaaja "na kocki se realizirao neparan broj",
koji predstavljamo skupom B = {1, 3, 5} svih neparnih elemenata skupa . Osim toga,
vjerojatnosti dogaaja A i B jednake su vjerojatnosti bilo kojeg dogaaja koji moemo
predstaviti nekim trolanim podskupom skupa .
Primjer 1.6. Pretpostavimo da se u eiru nalazi sedam kuglica jednakih karakteristika

(od istog su materijala, jednake mase i promjera). Poznato je da su kuglice numerirane
brojevima od jedan do sedam te da su dvije kuglice crvene, a pet kuglica zelene boje. Promotrimo pokus nasuminog izvlaenja jedne kuglice iz eira. Na temelju naina provoenja
postavljenog pokusa i sadraja eira moemo promatrati sljedee sluajeve:
a) Zanimaju nas ishodi sluajnog pokusa temeljeni na broju kojim je kuglica

numerirana - u ovom sluaju skup elementarnih dogaaja je skup
= {1, 2, 3, 4, 5, 6, 7}.
Primjenom klasinog pristupa raunanja vjerojatnosti svi dogaaji koji se mogu
predstaviti jednakobrojnim podskupovima skupa su jednako vjerojatni. No, kako
u eiru ima vie kuglica numeriranih neparnim brojevima, vjerojatnost dogaaja
"izvuena je kuglica numerirana neparnim brojem", koji predstavljamo skupom A =
{1, 3, 5, 7}, vea je od vjerojatnosti dogaaja "izvuena kuglica numerirana je parnim
brojem", koji predstavljamo skupom B = {2, 4, 6}.
b) Zanimaju nas ishodi sluajnog pokusa temeljeni na boji kuglice - u ovom
sluaju skup elementarnih dogaaja je skup
= {C, Z},
pri emu C oznaava dogaaj "izvuena kuglica je crvene boje", a Z dogaaj "izvuena
kuglica je zelene boje". Budui u eiru ima dvije crvene i pet zelenih kuglica, vidimo
da elementarni dogaaji C i Z nisu jednako vjerojatni, tj.
P (C) =
2
,
7
P (Z) =
5
.
7
Klasian koncept pripisivanja vjerojatnosti pojedinim dogaajima odigrao je

veliku ulogu u razvoju teorije vjerojatnosti ali nije uvijek primjenjiv. ak
i ako je prostor elementarnih dogaaja konaan, ne moraju biti svi ishodi
jednako mogui. Zamislimo samo da igramo 1000 igara s kockom te da se
u 90% bacanja okrenuo broj 6. Tko je od nas sklon vjerovati da su u tom
pokusu svi ishodi jednako mogui?
Primjer 1.7. Sluajni pokusi u kojima nije ispunjen uvjet jednake vjerojatnosti svih
elementarnih dogaaja su npr.
a) bacanje nepravilno izraenog (tzv. nestandardnog) novia (tj. novia pri ijem je
bacanju favorizirana realizacija ili pisma ili glave),
b) bacanje nepravilno izraene (tzv. nestandardne) igrae kocke (tj. kocke pri ijem je
bacanju favorizirana realizacija jednog ili vie brojeva).
1.3
Statistiki pristup
Statistiki pristup
Ideja odreivanja stupnja vjerovanja u pojavu dogaaja kao dijela od cjeline

ili kao omjer dijela povoljnog za dogaaj i dijela nepovoljnog za dogaaj moe
se iskoristiti i u drugom kontekstu. Klasian primjer za to je prognoziranje
pobjednika nekog sportskog susreta na temelju rezultata prethodnih natjecanja istih suparnika. Npr., ako je uzajamnim natjecanjima u tenisu igra
A dobio igraa B u 9 od 11 susreta, njegova ansa za pobjedu u sljedeem
susretu najee se prognozira kao 9 : 2. Princip primijenjen u ovom primjeru temelji se na mogunosti nezavisnog ponavljanja uvijek istog pokusa, a
stupnj vjerovanja u pojavu dogaaja izraava se na temelju broja pojavljivanja i nepojavljivanja dogaaja prilikom ponavljanja. Izraavanje stupnja
vjerovanja u pojavu dogaaja moglo bi se numeriki izraziti takoer stavl9
.
janjem u omjer dijela i cjeline tj. kao 11
Za raunanje vjerojatnosti koja slijedi ovu logiku iskoristit emo pojmove
frekvencije i relativne frekvencije dogaaja.
Denicija 1.1. Pokus je ponovljen n puta. Ako se pri tome dogaaj A
dogodio nA puta, broj nA zovemo frekvencija dogaaja A. Broj
fA (n) =
nA
n
zovemo relativna frekvencija dogaaja A.

Iz denicije frekvencije slijedi da je frekvencija nA cijeli broj za koji vrijedi
0 nA n,
a relativna frekvencija fA (n) racionalan broj takav da je:
0
nA
1.
n
Primjer 1.8. Promotrimo sluajan pokus bacanja pravilno izraenog novia kojemu
je pridruen dvolani skup elementarnih dogaaja = {p, g}, gdje je p oznaka za dogaaj
"palo je pismo", a g oznaka za dogaaj "pala je glava". U pokuaju deniranja vjerojatnosti
da e pri jednom bacanju pasti pismo moemo koristiti klasian pristup. Na taj nain
odreujemo vjerojatnost da padne pismo kao
P (p) =
1
.
2
Meutim, kako znamo da je novi pravilno izraen? Iskustveno znamo da to moemo

provjeriti na sljedei nain: ako isti pokus ponovimo n puta, gdje je n N velik broj, kod
pravilno izraenog se novia pismo i glava realiziraju priblino jednak broj puta. U tom
sluaju e biti np n/2 i ng n/2. Prema tome, relativna frekvencija realizacije pisma
iznosit e
1
np
.
n
2
U ovakvom sluaju razumno je uzeti 1/2 kao vjerojatnost pojavljivanja pisma pri jednom
bacanju novia, tj. prihvatiti pretpostavku da je novi pravilno izraen.
Slika 1.1: Relativna frekvencija pojave pisma u ovisnosti o broju bacanja n za jedan
niz bacanja.
Iskustvo nas ui da se kod nezavisnog ponavljanja istog pokusa puno puta

relativna frekvencija nekog dogaaja stabilizira u okolini nekog broja. To
svojstvo zovemo statistika stabilnost relativnih frekvencija. Na primjer, ako za niz relativnih frekvencija dogaaja A (fA (n), n N) (n predstavlja
broj ponavljanja pokusa) vrijedi
lim fA (n) = pA ,
pA [0, 1],
10
Definicija vjerojatnosti
tada je taj niz statistiki stabilan.

Statistiki pristup odreivanja vjerojatnosti baziran je upravo na tom pricipu.
Naime, ako sluajan pokus ima svojstvo statistike stabilnosti relativnih
frekvencija, tada za vjerojatnost proizvoljnog dogaaja A vezanog uz taj
pokus uzimamo realan broj P (A) = pA oko kojeg se grupiraju relativne
frekvencije fA (n) tog dogaaja.
1.4
Denicija vjerojatnosti
Oba navedena povijesna pristupa u odreivanju vjerojatnosti imaju veliku

ulogu u primjeni rezultata teorije vjerojatnosti u praksi, ali ni jedan od
njih ne daje openitu deniciju vjerojatnosti. Iz dosadanjih razmatranja
jasno je da vjerojatnost treba denirati za podskupove skupa elementarnih
dogaaja. Zapravo, vjerojatnost emo denirati kao jednu mjeru skupova
(podskupova od ) slino kao to je duljina jedna mjera skupova na pravcu
ili povrina jedna mjera skupova u ravnini. Iz teorijskih razloga (zainteresirani itatelj dodatne informacije moe pronai u svakoj knjizi iz teorije mjere,
npr. [3], [14]) neemo vjerojatnost denirati uvijek za svaki podskup od
prostora elementarnih dogaaja nego emo denitari dovoljno bogatu familiju podskupova od koja e initi temelj za deniciju vjerojatnosti. Takvu
familiju podskupova od zvat emo familijom dogaaja, a zahtjev koji
mora ispunjavati je dan denicijom 1.2.
Denicija 1.2. Neka je dan neprazan skup . Familija F podskupova skupa
je -algebra skupova na ako vrijedi:
i) F,
ii) ako je A F onda je i Ac F,
iii) ako je dana prebrojiva familija skupova (An , n N) F, onda F
11
sadri i njihovu uniju, tj.
An F.
n=1
Ako je skup elementarnih dogaaja nekog pokusa, bilo koja -algebra na

njemu moe igrati ulogu familije dogaaja tog pokusa.
Svojstvo ii) naziva se zatvorenost -algebre na komplementiranje (tj. ako
sadri neki skup, sadri i njegov komplement), a svojstvo iii) zatvorenost
-algebre na prebrojivu uniju (tj. ako imamo prebrojivo mnogo skupova iz
dane -algebre, onda e i njihova unija biti element te -algebre).
Iako je -algebra denirana samo s tri zahtjeva, ona moe biti vrlo bogata.
Zapravo, ona sadri sve skupove koji e nam biti interesantni u primjenama,
tj. skupove koji nastaju primjenom konano ili prebrojivo mnogo standardnih skupovnih operacija nad skupovima koji su njeni elementi. Prije svega,
uoimo da je cijeli sigurno element -algebre, obzirom da je on komplement praznog skupa. Nadalje, -algebra sigurno sadri i sve konane unije
svojih elemenata jer se konana unija uvijek moe nadopuniti do prebrojive
koritenjem prebrojivo mnogo praznih skupova. Primjerom 1.9 ilustriran je
nain na koji moemo provjeriti zatvorenost -algebre i za neke druge sluajeve.
Primjer 1.9.
a) Ako su A, B F, prema svojstvu zatvorenosti -algebre na konanu uniju je skup
A B takoer iz F. Prema De Morganovom zakonu za komplementiranje konane
unije skupova i svojstvu ii) iz denicije -algebre, vrijedi
Ac B c = (A B)c F.
Dakle, -algebra sadri i presjek komplemenata svoja dva elementa. Obzirom da za
svaki skup vrijedi (Ac )c = A, onda slijedi da -algebra sadri i presjeke svaka svoja
dva elementa.
12
Definicija vjerojatnosti
b) Pokaimo da je -algebra zatvorena i na prebrojive presjeke svojih elemenata. Naime,
ako je (An , n N) F prebrojiva familija skupova, prema De Morganovom zakonu
za komplementiranje prebrojive unije skupova i svojstvu ii) iz denicije -algebre
vrijedi

c

Acn =
An
F.
n=1
n=1
Time je dokazana zatvorenost -algebre na prebrojivo mnogo presjeka svojih elemenata.

c) Ako su A, B F, prema svojstvu zatvorenosti -algebre na komplementiranje slijedi
da su Ac i B c elementi -algebre F. Zbog zatvorenosti -algebre na konane presjeke
slijedi da je
A \ B = A B c F.
Dakle, -algebra sadri i razliku svoja dva elementa.
Obzirom na vezu koja postoji izmau povezivanja reenica jezika i skupovnih

operacija, -algebra zadovoljava potrebe koje nastaju u primjeni. Naime, im
sadri neke skupove, sadri i one skupove koji nastaju primjenom uobiajenih
reenica za njihovo kombiniranje. U sljedeem primjeru ilustrirana je ova
tvrdnja na najee koritenim reenicama.
Primjer 1.10. Od svih nastavnika zaposlenih u nekoj srednjoj koli biramo jednu osobu
te promatramo sljedee dogaaje:
A = izabrana osoba predaje matematiku,
B = izabrana osoba je enskog spola.
Standardne skupovne operacije ilustrirane na primjeru ovih dvaju dogaaja opisujemo
sljedeim reenicama:
A B = izabrana osoba predaje matematiku ili je enskog spola,
A B = izbrana osoba predaje matematiku i enskog je spola
(izabrana osoba je nastavnica matematike),
A \ B = izabrana osoba predaje matematiku i nije enskog spola
(izabrana osoba je nastavnik matematike),
B \ A = izabrana osoba je enskog spola i ne predaje matematiku
(izabrana ena ne predaje matematiku),
13
Ac = izabrana osoba ne predaje matematiku,

B c = izabrana osoba nije enskog spola, tj. izabrana osoba je mukog spola.
Najmanja -algebra na nekom skupu je tzv. trivijalna -algebra F0 =

{, }, dok je najvea ona koja sadri sve podskupove od , tj. partitivni
skup skupa , oznaavamo ga P().
Kad smo denirali skup elementarnih dogaaja sluajnog pokusa, odabrat
emo neku -algebru na njemu. Zvat emo je familija dogaaja tog pokusa.
Pojedine elemente familije dogaaja zovemo jednostavno dogaaji. Na
odabranoj familiji dogaaja denirat emo vjerojatnost aksiomatskom denicijom 1.3.
Denicija 1.3. Neka je neprazan skup elementarnih dogaaja i F algebra dogaaja na njemu. Funkciju
P:F R
koja zadovoljava sljedea tri svojstva zovemo vjerojatnost na . Traena
svojstva su:
A1. nenegativnost vjerojatnosti: P (A) 0, za sve A F,
A2. normiranost vjerojatnosti: P () = 1,
A3. -aditivnost vjerojatnosti: ako je dana prebrojiva familija meusobno disjunktnih skupova (Ai , i I) F, I N, tj. Ai Aj = im
je i = j, tada vrijedi

P

iI

Ai
P (Ai ).
iI
Svojstva A1. - A3. nazivamo aksiomima vjerojatnosti.
14
Osnovna svojstva vjerojatnosti
Na temelju rezultata poglavlja 1.2 vidimo da vjerojatnost koja je denirana

na konanom skupu elementarnih dogaaja koritenjem klasinog pristupa
udovoljava svim zahtjevima iz denicije (1.3)1 .
Aksiomatski pristup daje puno vee mogunosti u nainu zadavanja vjerojatnosti. Vidimo da je mogue zadati vjerojatnost ne samo na konanom
skupu, nego na bilo kojem nepraznom skupu s pripadnom -algebrom, a na
konanom skupu moemo jasno zadati vjerojatnost i u sluaju da nemamo
jednako mogue ishode. Na primjer, ukoliko smo dugo biljeili rezultate
bacanja jedne igrae kocke te utvrdili da se niti jednom nije okrenuo broj
3, dok se broj 2 pojavljuje priblino dvostruko ee nego brojevi 1, 4, 5
i 6, koristei statistiki pristup logino bi bilo pretpostaviti da ishodi nisu
jednako mogui te denirati vjerojatnost kao funkciju P koja zadovoljava zahtjeve iz denicije vjerojatnosti ali ujedno ima sljedea svojstva: P ({3}) = 0,
P ({2}) = 2P ({1}), P ({1}) = P ({4}) = P ({5}) = P ({6}).
Denicija 1.4. Neka je neprazan skup, F -algebra dogaaja na njemu,
a P vjerojatnost na . Ureenu trojku (, F, P ) zovemo vjerojatnosni
prostor.
1.5
Na temelju zahtjeva navedenih u aksiomatskoj deniciji vjerojatnosti mogu

se dokazati mnoga druga svojstva koja e automatski biti zadovoljena im
znamo da je zadanom funkcijom denirana vjerojatnost. U ovom poglavlju
navedena su i dokazana neka od njih koja se najee koriste u praksi.
S1. Vjerojatnost suprotnog dogaaja
Neka je (, F, P ) dani vjerojatnosni prostor i A F dogaaj. Suprotni
dogaaj dogaaju A je njegov komplement, tj. dogaaj Ac . Vrijedi:
P (Ac ) = 1 P (A).
1
Prvu aksiomatsku deniciju vjerojatnosti dao je Kolmogorov 1933. godine
15
Dokaz. Skup moemo prikazati kao uniju disjunktnih skupova A i Ac

(slika 1.2).
=AA
Slika 1.2: Skup kao unija disjunktnih skupova A i Ac .

Primjenom -aditivnosti i normiranosti vjerojatnosti slijedi:
1 = P () = P (A Ac ) = P (A) + P (Ac ) P (Ac ) = 1 P (A).
Primjer 1.11. U eiru se nalazi dvadeset crvenih i dvije zelene kuglice. Sluajan pokus
sastoji se od izvlaenja jedne kuglice iz eira. Pokus se ponavlja, ali tako da se nakon
svakog izvlaenja kuglica vraa u eir i pomijea s ostalim kuglicama u eiru. Odredimo
koliko je puta potrebno ponoviti izvlaenje da bi vjerojatnost barem jednog pojavljivanja
zelene kuglice u tim ponavljanima bila vea od 0.5. U tu svrhu praktino je koristiti svojstvo
vjerojatnosti suprotnog dogaaja. Naime, denirajmo dogaaj A kao
A = "u n ponavljanja sluajnog pokusa barem je jednom izvuena zelena kuglica".
Njemu suprotan dogaaj je: Ac = "u n ponavljanja sluajnog pokusa niti jednom nije
izvuena zelena kuglica", tj. Ac = "u n ponavljanja sluajnog pokusa svaki puta je izvuena
crvena kuglica".
Vjerojatnost dogaaja Ac jednostavno je izraunati principom uzastopnog prebrojavanja.
Ako smo izvukli n kuglica, broj moguih ishoda je 22n , a broj povoljnih, tj. broj ishoda u
kojima su sve izvuene kuglice crvene, je 20n . Odavde slijedi da je
n
10
P (Ac ) =
.
11
Primjenom svojstva vjerojatnosti suprotnog dogaaja vidimo da je
n
10
P (A) = 1
.
11
16
Sada emo rjeavanjem nejednadbe

1
10
11
n
> 0.5
vidjeti da za P (A) > 0.5 treba ponoviti pokus barem 8 puta.
S2. Vjerojatnost praznog skupa

Neka je (, F, P ) dani vjerojatnosni prostor. Tada vrijedi P () = 0.
Dokaz. Obzirom da je = c , primjena svojstva normiranosti vjerojatnosti
i vjerojatnosti suprotnog dogaaja dokazuje ovu tvrdnju.
S3. Monotonost vjerojatnosti
Neka je (, F, P ) vjerojatnosni prostor te A, B F takvi da je A B. Tada
je P (A) P (B).
Dokaz. Ako je A B, tada se B moe prikazati kao unija disjunktnih
skupova A i (B \ A) (slika 1.3).
B\A
B=A(B \ A)
Slika 1.3: Skup B kao unija disjunktnih skupova A i (B \ A).

Obzirom da je vjerojatnost nenegativna funkcija, slijedi da je
P (B) = P (A) + P (B \ A) P (A).
Iz ovog dokaza takoer se moe zakljuiti da je mogue izraunati vjerojatnost razlike skupova B i A kao razliku njihovih vjerojatosti, tj. ako je A B
tada je
P (B \ A) = P (B) P (A).
17
Primjer 1.12. Odredimo vjerojatnost da iz skupa svih dvoznamenkastih brojeva na

sluajan nain izvuemo broj djeljiv s tri koji istovremeno nije djeljiv s devet. U tu svrhu
promotrimo sljedee skupove/dogaaje:
skup svih dvoznamenkastih brojeva, koji u ovom sluaju ima ulogu skupa elementarnih dogaaja:
= {10x + y : x {1, . . . , 9}, y {0, . . . , 9}} ,
k() = 90,
skup svih dvoznamenkastih brojeva djeljivih brojem tri:

T = {(10x + y) : 3|(x + y)} ,
k(T ) = 30,
skup svih dvoznamenkastih brojeva djeljivih brojem devet:

D = {(10x + y) : 9|(x + y)} ,
k(D) = 10.
Budui je svaki broj koji je djeljiv brojem devet ujedno djeljiv i brojem tri, zakljuujemo
da je D T . Primjenom klasine denicije vjerojatnosti sada slijedi da je
P (D) =
k(D)
1
k(T )
1
= , P (T ) =
= .
k()
9
k()
3
Odavde moemo izraunati vjerojatnost skupa koji nas zanima. Naime, skup T \ D sadri
sve dvoznamenkaste brojeve djeljive brojem tri koji nisu djeljivi brojem devet.
P (T \ D) = P (T ) P (D) =
2
1 1
= .
3 9
9
S4. Vjerojatnost unije dogaaja

O vjerojatnosti unije skupova govori trei zahtjev iz denicije vjerojatnosti,
tj. -aditivnost vjerojatnosti. Meutim, tim zahtjevom su obuhvaene samo
familije disjunktnih skupova. Ovo svojstvo daje formulu za izraun vjerojatnosti unije dva skupa i u sluaju kada skupovi nisu disjunktni.
Neka je (, F, P ) dani vjerojatnosni prostor te A, B F. Tada vrijedi
P (A B) = P (A) + P (B) P (A B).
18
A \ (AB) AB B \ (AB)
Slika 1.4: Skup (A B) kao unija disjunktnih skupova.

Dokaz. Unija skupova A i B moe se prikazati kao unija disjunktnih skupova
na sljedei nain (slika 1.4):
A B = (B \ (A B)) (A \ (A B)) (A B) .
Odavde slijedi:
P (A B) = P (B \ (A B)) + P (A \ (A B)) + P (A B).
Obzirom da je (A B) A i (A B) B, vrijedi:
P (A B) = P (A) P (A B) + P (B) P (A B) + P (A B)
= P (A) + P (B) P (A B).
Primjer 1.13. elimo izraunati vjerojatnost sluajnog odabira dvoznamenkastog broja
koji je djeljiv brojem tri ili brojem sedam. Sada uz skup elementarnih dogaaja
= {10x + y : x {1, . . . , 9}, y {0, . . . , 9}} ,
k() = 90
i skup dvoznamenkastih brojeva djeljivih brojem tri:

T = {(10x + y) : 3|(x + y)} ,
k(T ) = 30,
promatramo i skup svih dvoznamenkastih brojeva djeljivih brojem sedam, tj. skup
S = {(10x + y) : 7|(2x + 3y)} ,
k(S) = 13.
Dogaaj koji nas zanima je (T S), a njegovu emo vjerojatnost odrediti primjenom formule za vjerojatnost unije. U tu svrhu trebamo odrediti i kardinalni broj skupa svih dvoznamenkastih brojeva djeljivih i brojem tri i brojem sedam, tj. skupa
T S = {(10x + y) : 3|(x + y), 7|(2x + 3y)} .
19

Budui je (T S) = {21, 42, 63, 84}, tj. k(T S) = 4, slijedi:
P (T S) = P (T ) + P (S) P (T S) =
4
39
13
1 13
+
=
=
.
3 90 90
90
30
Formula za raunanje vjerojatnosti unije vie skupova moe se dati i openito,

tj. za uniju konano mnogo skupova. Ta formula poznata je pod imenom
Sylvesterova formula. Njen dokaz mogue je provesti koristei formulu za
vjerojatnost unije dva skupa i princip matematike indukcije (vidi [30]).
Vezano uz vjerojatnost unije dva skupa valja uoiti da vrijedi nejednakost
P (A B) P (A) + P (B),
gdje su A, B F, a (, F, P ) dani vjerojatnosni prostor. Ovakva nejednakost takoer se moe generalizirati i to ne samo na uniju konano mnogo
dogaaja nego i na uniju prebrojivo mnogo dogaaja. To generalizirano svojstvo zove se -subaditivnost vjerojatnosti.
S5. -subaditivnost vjerojatnosti
Neka je (, F, P ) dani vjerojatnosni prostor i neka je (Ai , i I) F, I N,
prebrojiva familija dogaaja tog prostora. Tada je

P
Ai
P (Ai ).
iI
iI
Dokaz. Iz zadane familije dogaaja (Ai , i I), I N, formirat emo novu

familiju meusobno disjunktnih dogaaja na sljedei nain (slika 1.5, slika
1.6):
n1

Ai , . . . .
B1 = A1 , B2 = A2 \ A1 , . . . , Bn = An \
i=1
Tako denirani skupovi su meusobno disjunktni, ali takoer vrijedi:

Bi Ai ,
Bi =
Ai .
iI
iI
20
A2
A1
An
A3
Slika 1.5: Familija dogaaja (An , n N).
B3
B2
B1
Bn
Slika 1.6: Familija disjunktnih dogaaja (Bn , n N).

Dakle,

P

Ai

=P
iI

Bi
iI
P (Bi )
iI
P (Ai ).
iI
Primjer 1.14. Automat za igre na sreu programiran je tako da je vjerojatnost pojavljivanja prirodnog broja jednaka 2n , tj.
P ({n}) =
1
,
2n
n N.
Odredimo vjerojatnost pojavljivanja bilo kojeg prirodnog broja manjeg ili jednakog od (n+1),
tj. vjerojatnost dogaaja
S = {1, 2, . . . , n + 1}, n N.
Skup S moe se na razliite naine prikazati kao konana unija familije disjunktnih ili
nedisjunktnih skupova, npr. ako deniramo skupove
A1
A2
A3
An
=
=
=
..
.
=
{1, 2},
{2, 3},
{3, 4},
{n, n + 1},
n N,
vidimo da za konanu familiju skupova (Ai , i n), n N, vrijedi:

S=
n

i=1
Ai ,
P (Ai ) =
1
1
3
+ i+1 = i+1 ,
2i
2
2
i n.
21
Meutim, P (S) ne moemo dobiti samo sumiranjem svih P (Ai ) jer oni nisu disjunktni.
Ako S prikaemo kao konanu uniju jednolanih skupova (uoimo da su oni ujedno disjunktni!), onda lako moemo izraunati P (S):
n

n
n

1
2n 1
S=
{i}, P (S) = P
{i} =
=
.
2i
2n
i=1
i=1
i=1
Svojstvo -aditivnosti vjerojatnosti primijenjeno na uniju skupova Ai u ovom primjeru
moemo potvrditi na osnovu oigledne nejednakosti:
n

3(2n 1)
2n 1
P
Ai = P (S) =
, n N.
2n
2n+1
i=1
Naime,
3(2n 1)
=
P (Ai ).
2n+1
i=1
S6. Neprekidnost vjerojatnosti u odnosu na rastuu familiju

dogaaja
Ovo svojstvo omoguava raunanje vjerojatnosti unije rastue familije dogaaja kao limesa niza vjerojatnosti pojedinanih dogaaja u familiji. Preciznije, neka je (, F, P ) dani vjerojatnosni prostor i neka je (An , n N) F
rastua familija dogaaja, tj. An F za sve n N i
A1 A2 . . . An An+1 . . .
Tada vrijedi da je

P

nN

An
= lim P (An ).
n
Dokaz. Prvo uoimo da lim P (An ) postoji. Naime, zbog monotonosti vjeron
jatnosti, niz brojeva (P (An ), n N) je monotono rastui. Obzirom da se

radi o nizu vjerojatnosti, taj niz brojeva je sadran u segmentu [0, 1], tj.
ogranien je. Budui je monoton i ogranien niz realnih brojeva konvergentan navedena granina vrijednost zaista postoji. Od zadane rastue familije
22
dogaaja (An , n N) formirat emo novu familiju dogaaja (Bn , n N)

meusobno disjunktnih dogaaja na sljedei nain (slika 1.7):
B1 = A1 ,
B2 = A2 \ A1 ,
. . . Bn = An \ An1 , . . . .
A 3 A2 A1
An
B3 B2 B1
Bn
Slika 1.7: Rastua familija (An , n N) i disjunktna familija (Bn , n N).

Osim to je (Bn , n N) familija disjunktnih dogaaja, vrijedi i sljedee:
An =
n
Bi ,
i=1
i=1
Dakle, vrijedi:
P (An ) =

i=1

Ai
=P

i=1
n

Ai =
Bi .
i=1
P (Bi ),
i=1

Bi

i=1
P (Bi ) = lim
n

i=1
P (Bi ) = lim P (An ).

n
Primjer 1.15. Pretpostavimo da se radi o istom automatu za igre na sreu kao u primjeru 1.14, ali zanima nas vjerojatnost pojavljivanja bilo kojeg neparnog broja, tj. vjerojatnost skupa
N = {2n 1 : n N}.
Vjerojatnost skupa N moemo izraunati na nekoliko naina. Ovdje ilustriramo pristup
koji koristi neprekidnost vjerojatnosti u odnosu na rastuu familiju dogaaja.
23
Ako N prikaemo kao prebrojivu uniju familije skupova (An , n N), gdje su skupovi An
denirani na sljedei nain:
A1
A2
A3
An
=
=
=
..
.
=
..
.
{1},
{1, 3},
{1, 3, 5},
,
{1, 3, 5, . . . , 2n 1},
n N,
oito je A1 A2 A3 . . . An . . ., tj. (An , n N) je rastua familija skupova i

vrijedi:

Ai ,
N =
i=1
P (An )
n

i=1
22i1
22n 1
,
3 22n1
n N,
to znai da je
P (N ) = lim P (An ) = lim
n
22n 1
2
= .
3 22n1
3
S7. Neprekidnost vjerojatnosti u odnosu na padajuu familiju

dogaaja
Ovo svojstvo omoguava raunanje vjerojatnosti presjeka padajue familije
skupova kao limesa niza vjerojatnosti pojedinanih skupova u familiji. Preciznije, neka je (, F, P ) dani vjerojatnosni prostor i neka je (An , n N) F
padajua familija dogaaja, tj. An F za sve n i
A1 A2 . . . An An+1 . . . .
Tada vrijedi da je

P

nN

An
= lim P (An ).
n
Dokaz. Prikaimo slikom padajuu familiju dogaaja iz F:
24
A1
A2
A3
An
Slika 1.8: Padajua familija dogaaja (An , n N).

Od zadane padajue familije dogaaja (An , n N) formirat emo novu familiju (Cn , n N) koja e biti monotono rastua te emo u dokazu iskoristiti
svojstvo neprekidnosti vjerojatnosti u odnosu na monotono rastue familije
dogaaja (svojstvo S6). Familiju (Cn , n N) deniramo na sljedei nain
(slika 1.8 i slika 1.9):
C1 = , C2 = A1 \ A2 , C3 = A1 \ A3 , . . . , Cn = A1 \ An , . . .
C2=A1 \ A2
Cn=A1 \ An
C3=A1 \ A3
Slika 1.9: Rastua familija dogaaja {C1 = , (Cn , n 2, n N)}.

Za ovako deniranu rastuu familiju dogaaja vrijedi sljedee:

Ci = A1 \
Ai ,

P
A1 \

i=1

Ai
i=1
=P

i=1

Ci
i=1
= lim P (Ci ) = lim [P (A1 ) P (Ai )].

i
25
Dakle, vrijedi:

P A1 \
Ai
Ai = P (A1 ) lim P (Ai ),
= P (A1 ) P
i=1
i=1
odakle slijedi tvrdnja.

Primjer 1.16. Pretpostavimo da se radi o istom automatu za igre na sreu kao u
primjeru 1.14. Odredimo s kojom se vjerojatnou pojavljuje bilo koji paran broj vei ili
jednak od unaprijed zadanog prirodnog broja n. Skupove An deniramo na sljedei nain:
A1
A2
A3
An
=
=
=
..
.
=
..
.
{2, 4, 6, 8, 10, . . .},

{4, 6, 8, 10, . . .},
{6, 8, 10, . . .},
{2n, 2(n + 1), 2(n + 2), . . .},
n N,
To znai da treba odrediti P (An ). Osim toga, odredimo vjerojatnost presjeka prebrojive
familije (An , n N). Oito je A1 A2 A3 . . . An . . ., tj. (An , n N) je
padajua familija skupova sa svojstvom da je
P (An ) =

1
1
=
.
22k
3 4n1
k=n
Koritenjem neprekidnosti vjerojatnosti u odnosu na padajuu familiju dogaaja vidimo da

je

1
P
Ai = lim P (An ) = lim
= 0,
n
n 3 4n1
i=1
to je i logino obzirom da je presjek svih skupova Ai zapravo prazan (ne postoji paran broj
koji je vei od svakog prirodnog broja.)
1.6
Vjerojatnost na diskretnom
Neka je konaan ili prebrojiv skup elementarnih dogaaja. Takve skupove

oznaavat emo na sljedei nain:
= {i : i I , I N}.
26
Ovdje je I skup indeksa. Iz denicije vjerojatnosti znamo da je vjerojatnost funkcija kojoj je domena -algebra dogaaja. Dakle, da bismo zadali
konkretnu vjerojatnost na , potrebno je zadati vrijednosti te funkcije na
svakom skupu A sadranom u pridruenoj -algebri. Kod konanih i prebrojivih skupova elementarnih dogaaja pretpostavit emo da je
pridruena -algebra tono jednaka partitivnom skupu od , tj.
F = P(). U nastavku e se pokazati da je to, za nae potrebe, prirodno i
mogue ispotovati. Vjerojatnosni prostor kod kojega je konaan ili prebrojiv skup, a pridruena -algebra je P(), zvat emo diskretan vjerojatnosni prostor.
U ovom poglavlju pokazat emo kako se funkcija na P(), kojom je zadana
vjerojatnost, moe odrediti zadavanjem vrijednosti samo na jednolanim
podskupovima od , tj. elementima od . Obzirom da P() ima mnogo
vie elemenata nego (ako ima k() elemenata, onda je 2k() broj elemenata od P()) na taj nain smo u velikoj mjeri pojednostavili zadavanje
vjerojatnosti.
Preciznije, ako imamo zadan diskretan vjerojatnosni prostor (, P(), P ),
tada za svaki pojedini i znamo izraunati vjerojatnost
pi = P ({i }).
Koristei svojstvo -aditivnosti vjerojatnosti, pomou ovako dobivenog niza
brojeva (pi , i I ), I N, moemo izraunati vjerojatnost bilo kojeg
dogaaja A = {i , i IA }:

{i } =
P ({i }) =
pi .
P (A) = P
iIA
iIA
iIA
Dakle, poznavanje vrijednosti vjerojatnosti na jednolanim podskupovima od

automatski odreuje vjerojatnost bilo kojeg dogaaja tog vjerojatnosnog
prostora. Time niz brojeva koji predstavljaju vjerojatnosti jednolanih podskupova od preuzima kljunu ulogu u opisivanju i zadavanju vjerojatnosti
na diskretnom vjerojatnosnom prostoru.
27
Valja uoiti da navedeni niz brojeva (pi , i I ) ima sljedea dva svojstva:
1. pi 0 za sve i I ,
2.

iI
pi = 1.
Ovaj rezultat moemo iskoristiti prilikom zadavanja vjerojatnosti na diskretnom vjerojatnosnom prostoru, kao to je ilustrirano sljedeim primjerima.
Primjer 1.17 (Konano mnogo jednako moguih ishoda). Pretpostavimo
da sluajan pokus ima konano mnogo jednako moguih ishoda te neka je = {1 , . . . , n },
tj. k() = n. Denirajmo funkciju P : P() [0, 1] na sljedei nain:
P ({i }) =
1
,
n
i {1, . . . , n},
A = {j : j IA , IA {1, . . . , n}},
P (A) =
P ({i }).
iIA
Na ovaj nain je zadana funkcija na P() koja zadovoljava sve zahtjeve denicije vjerojatnosti (provjerite!). Osim toga, ovako denirana vjerojatnost podudara se s klasinim
pristupom odreivanja vjerojatnosti.
Primjer 1.18. Neka je skup elementarnih dogaaja sluajnog pokusa = N. Denirajmo funkciju na -algebri P(N) na sljedei nain:
P ({i}) = 2i ,
A = {i1 , i2 , . . . , in , . . .},
i N,
P (A) =
P ({ij }).
ij A
Dokaimo da je na ovaj nain denirana vjerojatnost na N.

1. Oigledno je P (A) 0 za sve A P(N).
2. Provjerimo je li P (N) = 1. Koristimo formulu za sumu geometrijskog reda s kvoci1
1
jentom i prvim lanom :
2
2
P (N) =

iN
(2i ) =
1
2
1
2
= 1.
28
3. Da bismo provjerili -aditivnost uzmimo familiju {A1 , A2 , . . . , An , . . .} disjunktnih

podskupova skupa N. Neka je
A1
A2
An
=
=
..
.
=
..
.
{a11 , a12 , . . . , a1j , . . .} N,

{a21 , a22 , . . . , a2j , . . .} N,
{an1 , an2 , . . . , anj , . . .} N,
Pri tome je
P (An ) =
n N,
(2anj ) 1.
j=1
Uoimo takoer da, zbog disjunktnosti skupova Ai , meu brojevima anj N nema
istih pa se njihova unija moe prikazati kao
An = {a11 , a12 , . . . , a1j , . . . , a21 , a22 , . . . , a2j , . . . , an1 , an2 , . . . , anj , . . .}.
n=1
An .
Vjerojatnost unije dobije se sumiranjem brojeva oblika (2k ) po svim k
n=1

Obzirom da je
An N, niz 2k , k
An je podniz geometrijskog niza s
n=1
n=1
kvocijentom 1/2. Time je i red koji se dobije sumiranjem lanova tog niza konvergentan i vrijedi (vidi poglavlje 3.3 u Dodatku):

An =
2anj =
P (An ).
P
n=1
n=1 j=1
n=1
Ovakav nain zadavanja vjerojatnosti na diskretnom vjerojatnosnom prostoru moe se primijeniti uvijek. Ako je s = {i , i I N} dan prostor
elementarnih dogaaja, potreban je samo niz brojeva (pi , i I ) sa svojstvima
1. pi 0 za sve i I ,

2.
pi = 1
iI
da bismo denirali vjerojatnost na tom diskretnom kao

P (A) =
P ({i }) =
pi .
iIA
iIA
29
Naime, vrijedi sljedea tvrdnja:

Neka je s (pi , i I), I N zadan niz realnih brojeva sa svojstvima:
1. pi 0 za sve i I,
2.

iI
pi = 1,
te neka je bilo koji skup koji ima k(I) elemenata. Tada je izrazom

pi , A ,
(1.1)
P (A) =
iIA
gdje je IA skup indeksa elemenata iz koji pripadaju skupu A,

dobro denirana vjerojatnost na (, P()).
Dokaz. Neka je = {i , i I} dan neprazan skup. Dokaimo da je funkcijom (1.3) dobro denirana vjerojatnost.
1. Oigledno je P (A) 0 za sve A P().
2. P () =

iI
pi = 1.
3. Neka su A1 , A2 , . . . , An , . . . disjunktni podskupovi od i A =
i=1
Ai .
Tada familija skupova {A1 , A2 , . . . , An , . . .} ini jednu particiju skupa

A. Koristei rezultate teorije ponovljenih redova (poglavlje 3.3 u Dodatku) moemo zakljuiti da vrijedi:

P (A) =
pj =
pj =
P (Ai ),
jIA
iN jIAi
iN
pa vrijedi -aditivnost.
Primjer 1.19. Dan je niz od tri broja: 16 , 15 i 13 . Moemo li ovaj niz nadopuniti etvrtim
brojem tako da ta etiri broja dobro deniraju vjerojatnost na diskretnom vjerojatnosnom
prostoru u smislu ovog poglavlja? Odgovor je potvrdan. Naime, navedena tri broja su
pozitivna i manja od 1, a suma im iznosi
21
30 ,
to je jo uvijek manje od 1. Dakle, ako za
Primjeri vjerojatnosti na R
30
etvrti broj izaberemo razliku 1
21
30
9
30 ,
rezultati ovog poglavlja garantiraju da moemo
nai vjerojatnosni prostor i pomou ovih brojeva konstruirati vjerojatnost. Npr. uzmemo
= {1, 2, 3, 4}, F = P() i P ({1}) = 16 , P ({2}) = 15 , P ({3}) = 13 , P ({4}) =
1.7
9
30 .
Postoji mnotvo sluajnih pokusa za koje je prirodno pretpostaviti da prostor

elementarnih dogaaja sadri neki interval.
Primjer 1.20. Vrijeme (mjereno u sekundama) koje postie atletiar u utrci na 100
metara moe se modelirati kao rezultat sluajnog pokusa s vrijednostima iz intervala [0, 13].
Obzirom da se vrijeme na utrkama danas mjeri vrlo precizno, nije mudro modelirati rezultate ovakvog pokusa kao diskretan skup. Zbog toga uzimamo npr. = [0, 13] ili neki vei
skup koji sadri interval [0, 13].
Vjerojatnost u ovakvim vjerojatnosnim prostorima ne moe se odrediti koristei niz vrijednosti koje ona postie na pojedinaim ishodima ve i zbog injenice da skup elementarnih dogaaja nije prebrojiv. Jedan od naina kako
je mogue zadati vjerojatnost na intervalima, a koji je prikladan za raunanje, je koritenje nenegativne realne funkcije denirane na skupu R koja
s osi apscisa zatvara jedininu povrinu. Naime, odaberemo takvu nenegativnu realnu funkciju i zadamo vjerojatnost nekog skupa A kao povrinu koju
zatvara graf te funkcije s osi apscisa nad skupom A.
Primjer 1.21. Ako raunalo izvodi neku numeriku proceduru s tonou na 6 decimanih mjesta i daje rezultat 1.234567, onda je stvaran rezultat izrauna zapravo neki
broj koji je element intervala [1.234567, 1.234568) pa je skup elementarnih dogaaja =
[1.234567, 1.234568). Osim toga, s jednakom vjerojatnou to moe biti bilo koji broj iz
navedenog intervala. U skladu sa shvaanjem vjerojatnosti kao dijela od cjeline (ako su svi
ishodi jednako mogui), vjerojatnost da je stvaran rezultat iz intervala A se u ovom
primjeru moe zadati kao kvocijent duljine intervala A i duljine cijelog :
P (A) =
d(A)
.
d()
31
Ovako denirana funkcija na -algebri koja sadri sve podintervale od zadovoljavat e zahtjeve postavljene u deniciji vjerojatnosti ([30])2 te je time dobro denirana vjerojatnost.
Zovemo je geometrijska vjerojatnost na = [1.234567, 1.234568).
Geometrijska vjerojatnost iz ovog primjera moe se zadati i na drugi nain, pomou nenegativne realne funkcije i povrine koju zatvara graf te funkcije s osi apscisa nad intervalom
A. Neka je zadana funkcija (slika 2.14)

f (x) =
1
106
,
,
x [1.234567, 1.234568)
.
x
/ [1.234567, 1.234568)
1
106
1.234567
1.234568
Slika 1.10: Graf funkcije f (x) =
1
106
I[1.234567,1.234568) (x).
Povrina koju zatvara graf ove funkcije s osi x nad nekim intervalom A jednaka je duljini
1
intervala A pomnoenoj s visinom pravokutnika tj.
to upravo odgovara geometrijski
106
zadanoj vjerojatnosti intervala A.
Prednost zadavanja vjerojatnosti pomou nenegativne funkcije u odnosu na

vjerojatnost kao kvocijent duljina intervala je u tome to se moe generalizirati i na probleme u kojima nema razloga pretpostavljati da su svi ishodi
jednako mogui.
2
Provjeriti da vrijede prva dva zahtjeva iz denicije vjerojatnosti, te trei zahtjev za

konano mnogo disjunktnih intervala.
32
Primjer 1.22. U primjeru 1.20 nije razumno oekivati istu vjerojatnost da atletiar
postigne vrijeme u intervalu [0, 5] kao u intervalu [8, 13] iako su duljine tih intervala jednake. Naime, poznato je da srednjokolci uobiajeno postiu vrijeme od oko 12 sekundi
pri tranju na 100 metara, a rezultati atletiara se uglavnom kreu izmeu 9 i 10 sekundi.
Vjerojatnost koja je denirana na intervalu [0, 13] koritenjem principa jednako moguih
ishoda imala bi pripadni graf funkcije kao to je prikazano na slici 1.11.
y
1
13
13
Slika 1.11: Graf funkcije koja uniformno denira vjerojatnost na [0, 13]
Preferiranje intervala [8, 13] nad ostatkom moemo npr. predoiti grafom funkcije prikazanim
slikom 1.12.
y
3
20
1
32
13
Slika 1.12: Graf funkcije koja denira vjerojatnost na [0, 13] uz preferiranje
intervala [8, 13].
33
Da bi realnom funkcijom mogli modelirati vjerojatnost na opisani nain bitno je da povrina

to je zatvara njen graf s osi x iznad cijelog bude jednaka 1, a graf funkcije moe rasti
i padati na tako da odraava stupanj vjerovanja da se pojedini intervali realiziraju u
stvarnom pokusu. Ako elimo neki interval preferirati nad ostalim podrujem, iznad njega
i vrijednosti funkcije kojom opisujemo vjerojatnost trebaju biti vee.
U ovom trenutku neemo se baviti odgovorom na pitanje je li vjerojatnost odreena funkcijom iji je graf dan na slici 1.12 u skladu s problemom opisanim u primjeru ili treba
raditi dodatne modikacije. O usklaenosti modela sa stvarnim problemima bit e rijei u
drugom dijelu knjige koji se bavi statistikom.
Openito, neka je dana realna funkcija f realne varijable, tj. f : R R takva

da je
f (x) 0,

f (x) dx = 1.
Neka je B najmanja -algebra podskupova od R koja sadri sve intervale.

Izrazom

P (A) = f (x) dx, A B,
A
denirana je vjerojatnost na B. Matematika teorija koja omoguava dokaz

ove injenice moe se nai npr. u [30].
Ukoliko je skup elementarnih dogaaja samo jedan interval koji je pravi

podskup od R, potrebno je da f (x) dx bude jednak 1. To moemo lako
zadovoljiti tako da na c stavimo vrijednosti funkcije f (x) na nulu.

Primjer 1.23. Pokaimo da pomou funkcije f : R R (slika 1.13) denirane formulom
3 (1 x2 )
f (x) =
4
x [1, 1]
x
/ [1, 1]
moemo denirati vjerojatnost na skupu R, tj. da je funkcija f nenegativna i normirana:
Primjeri vjerojatnosti na R2 i R3
34
Nenegativnost - iz analitike denicije funkcije f slijedi da je f (x) 0, x R,

Normiranost - povrina ispod grafa funkcije f (pogledati sliku) nad skupom R
iznosi:
1

3
3 4
(1 x2 ) dx = = 1.
f (x) dx =
4
4 3
1
3
4
1
Slika 1.13: Graf funkcije f (x) =
3
(1 x2 ) I[1,1] (x).
4
Primjer 1.24. Vaan primjer nenegativne funkcije f : R R pomou koje moemo

denirati vjerojatnost na R je funkcija denirana formulom (slika 1.14)
x2
1
f (x) = e 2 .
2
1.8
Ukoliko je prostor elemetarnih dogaaja pravokutnik ili neki drugi geometrijski lik, pri modeliranju vjerojatnosti moe se prenijeti logika nastala pri
modeliranju vjerojatnosti na intervalima. Slino se moe primijeniti i na
prostore koji su zadani kao geometrijska tijela.
35

y
0.4
0.3
0.2
0.1
4
2
Slika 1.14: Gaussova krivulja - graf funkcije f (x) =
1
2
x2
e 2 .
Primjer 1.25. U pokusu sluajnog izbora toke iz krunog podruja radijusa r vjerojatnost moemo zadati pomou kvocijenta dijela i cjeline. Tako je vjerojatnost da bude
izabrana toka iz krunog odsjeka A, povrine s(A), dana izrazom:
P (A) =
s(A)
.
r2
Naime, s() = r2 predstavlja povrinu cijelog kruga, a povrina dijela koji nas zanima
oznaena je sa s(A).
Primjer 1.26. Pri sluajnom izboru toke iz kugle radijusa r vjerojatnost takoer
moemo zadati pomou kvocijenta dijela i cjeline. Tako je vjerojatnost da bude izabrana
toka iz kuglinog isjeka A volumena v(A) dana izrazom:
P (A) =
obzirom da je v() =
v(A)
4 3
3r
4 3
r volumen cijele kugle.
3
Za modeliranje vjerojatnosti koje preferiraju neke dijelove skupa elementarnih dogaaja u odnosu na druge dijelove istih dimenzija (povrine odnosno
volumena) takoer se moe prenijeti logika zadavanja vjerojatnosti pomou
nenegativne realne funkcije. U sluaju kad je = R2 ( = R3 ) radi se o
nenegativnoj realnoj funkciji f : R2 R (f : R3 R) koja mora zadovoljati
36
sljedee svojstvo:

f (x) dx = 1.
Uoimo da je za dvodimenzionalne ovo dvostruki integral, pa postavljeni

zahtjev zapravo znai da volumen tijela koje je omeeno grafom funkcije f
i ravninom (x1 , x2 ) na dijelu za koji vrijedi (x1 , x2 ) mora iznositi 1. Za
trodimenzionalne ovo je trostruki integral. Vjerojatnost skupa3 A je
tada dana izrazom

P (A) =
f (x) dx.
A
Primjer 1.27. Pokaimo da pomou funkcije f : R2 R denirane formulom
3 (x2 + y)
f (x, y) =
5
(x, y) [1, 1] [0, 1]
za ostale (x, y) R2
moemo denirati vjerojatnost na R2 , tj. da je funkcija f nenegativna i normirana:

nenegativnost - iz analitike denicije funkcije f slijedi da je f (x, y) 0, (x, y)
R2 ,
normiranost - volumen kojeg graf funkcije f zatvara sa skupom R2 , tj. volumen
ispod grafa funkcije f nad pravokutnikom [1, 1] [0, 1] iznosi

R2
3
f (x, y) dx dy =
5
1 1
(x2 + y) dx dy = 1.
0 1
Prema tome, vjerojatnost skupa A = [0, 1] [0, 0.5] R2 raunamo na sljedei nain:

f (x, y) dx dy =
P (A) =
A
3
5
0.51
0
(x2 + y) dx dy =
7
.
40
O obliku -algebre na kojoj se moe denirati vjerojatnost pogledati [30]. Specijalno,

u dvodimenzionalnom sluaju vjerojatnost se na ovaj nain moe denirati na najmanjoj
-algebri koja sadri sve skupove oblika (a, b) (c, d), gdje su a, b, c, d R, a < b, c < d.
37
Primjer 1.28. Pokaimo da pomou funkcije f : R3 R denirane formulom
1 z 2 (x + y)
f (x, y, z) =
8
(x, y, z) [0, 2] [0, 1] [2, 0]
za ostale (x, y, z) R3
moemo denirati vjerojatnost na R3 , tj. da je funkcija f nenegativna i normirana:

nenegativnost - iz analitike denicije funkcije f slijedi da je f (x, y, z) 0, (x, y, z)
R3 ,
normiranost - volumen kojeg graf funkcije f zatvara sa skupom R3 iznosi

R2
1
f (x, y, z) dx dy dz =
8
0 1 2
2 0
z 2 (x + y) dx dy dz = 1.
Prema tome, vjerojatnost skupa B = [0, 1] [0, 1] [1, 0] R2 raunamo na sljedei

nain:
0 1 1

1
1
z 2 (x + y) dx dy dz =
.
P (B) = f (x, y, z) dx dy dz =
8
24
B
1.9
1 0
Uvjetna vjerojatnost. Nezavisnost
Primjer 1.29. Nakon izleta napravili smo 5 kopija istog CD-a s fotograjama izleta ali
su pri tome samo tri kopije uspjele, a na CD-ove nismo stavili nikakve oznake!? Moramo
izabrati jedan od njih i imamo vremena za provjeru jednog CD-a. Izabrali smo jedan, provjerili i utvrdili da je neispravan. Meutim, u urbi nam se taj provjereni CD pomijeao s
ostalima i sada moramo uzeti jedan bez provjere, pa kako bude. Mislite li da bi vjerojatnost
odabira ispravnog CD-a u drugom biranju bila vea da se provjereni CD nije pomijeao s
ostalima? Analizirajmo ove sluajeve odvojeno.
1. Pomijeani sluaj. Oznaimo D={Ako znam da je u prvom pokuaju izvuen lo
CD, u drugom je izvuen dobar}. Obzirom da je nakon prvog izvlaenja sve ponovo
pomijeano, pri drugom uzimanju CD-a ponovo smo na poetku, tj. rezultat prvog
izvlaenja uope nema utjecaja na rezultat drugog izvlaenja. Dakle,
P (D) =
3
.
5
2. Nepomijeani sluaj. Ovaj puta je drugi pokus bitno promijenjen u odnosu na prvi.
Sada znamo da u drugom pokuaju biramo od etiri CD-a, od kojih su tri ispravna,
pa je
3
P (D) = .
4
38
U oba sluaja prethodnog primjera pojavljuju se dva izvlaenja CD-a. U

pomijeanom sluaju vjerojatnost u drugom izvlaenju ne ovisi o rezultatima
prvog izvlaenja i zapravo je ista kao u prvom izvlaenju. Kaemo da drugo
izvlaenje ne ovisi o prvom izvlaenju i moemo ih promatrati odvojeno.
U nepomijeanom sluaju rezultat prvog izvlaenja utjee na vjerojatnost
u drugom izvlaenju i nije mudro ta dva izvlaenja promatrati kao sasvim
odvojene cjeline. Da bismo mogli prouavati ovakve probleme denirat emo
tzv. uvjetne vjerojatnosti koje e opisivati rezultate drugog izvlaenja i
to: uvjetnu vjerojatnost uz uvjet da je u prvom pokuaju izvuen dobar CD
i uvjetnu vjerojatnost uz uvjet da je u prvom pokuaju izvuen lo CD.
Denicija 1.5. Neka je dan vjerojatnosni prostor (, F, P ) i dogaaj A F
koji ima pozitivnu vjerojatnost, tj. P (A) > 0. Funkcija P ( | A) denirana
na F izrazom
P (A B)
, B F,
(1.2)
P (B | A) =
P (A)
je uvjetna vjerojatnost uz uvjet da se dogodio dogaaj A.
Ovako denirana funkcija zadovoljava sve zahtjeve postavljene u deniciji
vjerojatnosti, tj. na taj nain je denirana jedna vjerojatnost na (provjerite svojstva iz aksiomatske denicije vjerojatnosti!). Ova injenica ima za
posljedicu da se na P (B | A) mogu primijeniti sva svojstva vjerojatnosti koja
su dana u potpoglavlju 1.5. Tako npr. vrijedi:
P ( | A) = 0,
P (B c | A) = 1 P (B | A),
za B1 B2 je P (B1 | A) P (B2 | A), itd.
U pojedinim sluajnim pokusima uvjetne vjerojatnosti se modeliraju po istom principu kao i sve vjerojatnosti.
Primjer 1.30. Vratimo se primjeru 1.29 i oznaimo Di (Li ), i = 1, 2, dogaaj koji znai
da je u i-tom izvlaenju izvuen dobar (lo) CD. Odredimo uvjetne vjerojatnosti ishoda
drugog pokuaja nepomijeanog sluaja uvjetovane na mogue ishode prvog pokuaja.
39
Prvo uoimo da vjerojatnost P (D) iz primjera 1.29 predstavlja zapravo P (D2 |L1 ). Dakle,
imamo:
3
1
P (D2 | L1 ) = , P (L2 | L1 ) = ,
4
4
1
1
2
2
P (D2 | D1 ) = = , P (L2 | D1 ) = = .
4
2
4
2
Vjerojatnost presjeka.
Izraz iz denicije uvjetne vjerojatnosti esto se koristi za izraun vjerojatnosti
presjeka. To omoguuje jednakost (1.2) napisana na drugi nain (pri emu
je P (A) > 0):
P (A B) = P (B | A)P (A).
Primjer 1.31. Ako u primjeru 1.29, u nepomijeanom sluaju, elimo odrediti vjerojatnost da su u oba izvlaenja izvueni loi CD-ovi moemo primijeniti ovaj izraz, pa
dobijemo:
1
1 2
.
P (L2 L1 ) = P (L2 | L1 )P (L1 ) = =
4 5
10
Pojam nezavisnosti dogaaja.

Intuitivno je jasno da bi pojam nezavisnosti dvaju dogaaja A i B, P (A) > 0,
morao odraavati injenicu da realizacija jednog od njih ne utjee na realizaciju drugog. To bi se na uvjetnu vjerojatnost trebalo odraziti tako da
je
P (B | A) = P (B),
tj. da za vjerojatnost presjeka vrijedi
P (A B) = P (B | A)P (A) = P (B)P (A).
Primjer 1.32. Za sluaj u kojemu smo pomijeali provjereni CD s ostalima takoer

moemo odrediti uvjetnu vjerojatnost uz uvjet da je u prvom izvlaenju izvuen lo CD
kao i uvjetnu vjerojatnost uz uvjet da je u prvom izvlaenju izvuen dobar CD. Meutim,
40
te dvije uvjetne vjerojatnosti e biti jednake. Uvjetna vjerojatnost uz uvjet da je u prvom

izvlaenju izvuen lo CD iznosi
P (D2 | L1 ) = P (D2 ) =
3
,
5
P (L2 | L1 ) = P (L2 ) =
2
,
5
a uvjetna vjerojatnost uz uvjet da se je u prvom izvlaenju izvuen dobar CD iznosi

P (D2 | D1 ) = P (D2 ) =
3
,
5
P (L2 | D1 ) = P (L2 ) =
2
.
5
Sada vjerojatnost da su u oba izvlaenja izvueni loi CD-ovi iznosi

P (L1 L2 ) =
4
2 2
=
.
5 5
25
Denicija 1.6. Neka je (, F, P ) vjerojatnosni prostor. Kaemo da su dogaaji A, B F nezavisni ako vrijedi:
P (A B) = P (A) P (B).
Sljedea denicija pojam nezavisnosti dogaaja generalizira na proizvoljnu
familiju dogaaja.
Denicija 1.7. Neka je (, F, P ) vjerojatnosni prostor. Kaemo da je
proizvoljna familija dogaaja (Ax , x I) F nezavisna ako za svaki konaan
skup indeksa {i1 , . . . , in } I vrijedi

n
n

Aij =
P (Aij ).
P
j=1
j=1
Vano je napomenuti da komplementiranje dogaaja nee promijeniti njegovo stanje nezavisnosti od nekog drugog dogaaja. Naime, vrijedi sljedea
tvrdnja:
Ako su A i B nezavisni dogaaji, onda su
a) Ac i B,
takoer nezavisni dogaaji.
b)
A i Bc,
c)
Ac i B c ,
41
Dokaz. Dokaimo samo prvu tvrdnju, ostale se dokazuju analogno. Zbog

nezavisnosti dogaaja A i B je P (A B) = P (A)P (B). Upotrebom tog
svojstva slijedi:
P (Ac B) = P (B \ (A B)) = P (B) P (A B) =
= P (B) P (A)P (B) = P (B)(1 P (A)) =
= P (Ac )P (B),
tj. dogaaji Ac i B su nezavisni.
Primjer 1.33. Pojam nezavisnosti dogaaja olakava raunanje vjerojatnosti kod nezavisnog ponavljanja istog pokusa. Promotrimo pokus izvlaenja kuglice iz eira koji sadri
20 crvenih i 2 zelene kuglice. Odredimo vjerojatnost izvlaenja tono dvije zelene kuglice
u 30 ponavljanja tog pokusa. Prilikom ponavljanja prethodno izvuena kuglica se vraa u
eir i sve se dobro promijea.
Da bi rijeili ovaj problem prvo emo uoiti da je vjerojatnost izvlaenja zelene kuglice u
2
1
= 11
, dok je vjerojatnost izvlaenja
svakom pojedinom izvlaenju uvijek ista i iznosi 22
20
10
crvene kuglice 22 = 11 . Prostor elementarnih dogaaja ovih 30 ponavljanja pokusa sastoji
se od ureenih 30-torki slova "c" i "z" koja oznaavaju boju kuglice izvuene u pojedinom
izvlaenju.
Vjerojatnost da su u prva dva pokuaja izvuene zelene kuglice, a u svim ostalima crvene,
1 2
moemo izraunati kao vjerojatnost presjeka nezavisnih dogaaja, pa ona iznosi ( 11
)
10 28
( 11 ) . Meutim, isto toliko iznosi vjerojatnost pojave svake ureene 30-torke ovog pokusa

u kojoj su tono dva slova "z". Obzirom da u ima 30
2 elemenata koji imaju "z" na tono
1 2
28
dvije pozicije, a svaki od njih ima vjerojatnost ( 11 ) ( 10
11 ) , onda vjerojatnost izvlaenja
tono dvije zelene kuglice u ovih 30 ponavljanja pokusa iznosi

30
10
1
( )2 ( )28 .
2
11
11
Formula potpune vjerojatnosti

Koritenje uvjetnih vjerojatnosti moe olakati raunanje vjerojatnosti u
sloenijim sluajevima.
42
Primjer 1.34. Student je pristupio pismenom ispitu no ne moe doi pogledati rezultate
pa ne zna je li proao ili pao. Zamolio je svog prijatelja da to uini umjesto njega i da mu
poalje poruku po bratu. Meutim, svjestan je da obojica govore istinu samo s vjerojatnou
2/3. Kolika je vjerojatnost da e student dobiti tonu informaciju?
Oznaimo A dogaaj koji znai da je student dobio tonu informaciju, Lp injenicu da je
slagao prijatelj, a Lb injenicu da je slagao brat. Dogaaje da su brat i prijatelj govorili
istinu oznait emo Ip i Ib .
Ovaj primjer moemo rijeiti tako da prebrojimo sve mogunosti i izraunamo vjerojatnosti
presjeka iz skupa
{Lp Lb , Ip Lb , Lp Ib , Ip Ib }.
Student moe uti tonu informaciju u dva od navedenih sluajeva: Lp Lb i Ip Ib . Ako
mu brat i prijatelj lau neovisno jedan od drugoga, onda je
P (Lp Lb ) = P (Lp )P (Lb ) =
P (Ip Ib ) = P (Ip )P (Ib ) =
1
,
9
4
,
9
pa je vjerojatnost da uje tonu informaciju

P (A) = P (Lp Lb ) + P (Ip Ib ) =
5
.
9
Problem je jednostavan. Meutim, sljedei nain rjeavanja istog primjera sugerira princip
koji se moe generalno primijeniti te olakati raunanje u mnogo sloenijim situacijama.
Uoimo da prijatelj moe samo lagati ili rei istinu. Dakle, dogaaji Lp i Ip meusobno se
isljuuju (disjunktni su) i opisuju sve to se moe dogoditi u odnosu na informaciju koju
prenosi prijatelj. Takoer je
P (A)
P (A Ip ) + P (A Lp ) =
P (A | Ip )P (Ip ) + P (A | Lp )P (Lp ) =
5
2 2 1 1
+ = .
3 3 3 3
9
Denicija 1.8. Konana ili prebrojiva familija dogaaja (Hi , i I), I

N, u vjerojatnostnom prostoru (, F, P ) je potpun sustav dogaaja ako
vrijedi:
43
1. Hi za sve i I,
2. Hi Hj = za sve i = j, i, j I,
3.
iN
Hi = .
Napomena 1.1. Potpun sustav dogaaja ini jednu particiju skupa elementarnih dogaaja . U sluaju particije skupa na n skupova, potpun sustav
dogaaja predstavljen familijom (Hi , i I), I = {1, . . . , n} N, moemo
prikazati slikom 1.15.
H1 H 2
H4
H3
...
Hn-1 Hn
Slika 1.15: Potpun sustav dogaaja s konano mnogo lanova.

Prema tome, bilo koji dogaaj A mogue je prikazati kao uniju presjeka
dogaaja A s elementima Hi , I = {1, . . . , n} N, potpunog sustava dogaaja,
tj.
n

A = (A Hi ),
i=1
to prikazujemo slikom 1.16

Teorem 1.1 (Formula potpune vjerojatnosti). Neka je (, F, P ) vjerojatnosni prostor i (Hi , i I), I N, potpun sustav dogaaja na njemu. Tada
za proizvoljan dogaaj A F vrijedi
P (A) =

iI
P (A | Hi )P (Hi ).
(1.3)
44

H1
H2
H3
H4
...
Hn-1 Hn
A
AH1 AH2 AH3 AH4
...
AHn-1 AHn
Slika 1.16: Prikaz dogaaja A kao unije dogaaja A Hi .

Dokaz. Uoimo da dogaaj A F moemo predstaviti na sljedei nain:

A=
A Hi .
iI
Prema tome slijedi da je

P (A Hi ) =
P (A | Hi )P (Hi ).
P (A) =
iI
iI
Primjer 1.35. Ulini kockar ima dva novia od jedne kune: jedan je pravilno izraen
(tzv. standardan novi), a drugi s obje strane ima slavuja (tj. nepravilno je izraen, tzv.
nestandardan novi). Vama je ponudio da na sluajan nain odaberete jedan novi koji
e on baciti dva puta. Kolika je vjerojatnost da je u oba bacanja odabrani novi pao na
slavuja?
Oito traena vjerojatnost ovisi o tome koji smo od dva ponuena novia odabrali. Dakle,
kao potpun sustav dogaaja promatramo familiju {H1 , H2 } gdje su dogaaji H1 i H2 denirani na sljedei nain:
H1
H2
=
=
odabran je standardan novi,

odabran je nestandardan novi.
Budui da novi izvlaimo sasvim sluvajno, vjerojatnosti dogaaja H1 i H2 iznose

P (H1 ) = P (H2 ) =
1
.
2
Dogaaj iju vjerojatnost elimo izraunati je

A = u dva bacanja odabrani novi je oba puta pao na slavuja.
Iz denicije promatranog problema slijedi:
P (A | H1 ) =
1
1 1
= ,
2 2
4
P (A | H2 ) = 1 1 = 1.
45
Prema formuli potpune vjerojatnosti slijedi traena vjerojatnost:

5
1 1
P (A) = P (H1 )P (A | H1 ) + P (H2 )P (A | H2 ) =
+1 = .
2 4
8
Primjer 1.36 (Monty Hall problem 4 ). Pretpostavite da igra sudjeluje u igri

u kojoj bira jedna od trojih vrata. Iza jednih vrata je automobil, a iza preostalih dvojih
vrata nalaze se koze. Npr. ako igra izabere prva vrata, voditelj igre (koji zna iza kojih
vrata se nalazi automobil, a iza kojih koze) otvorit e ona od preostalih dvojih vrata za koja
zna da kriju kozu (slika 1.17).
(a) Poetni izbor
(b) Potez voditelja
Slika 1.17: Monty Hall problem

Nakon toga voditelj pita igraa: "elite li promjeniti va izbor vrata?". Mi se pitamo je li
mudro da igra promijeni izbor?
Promotrimo situaciju u kojoj se automobil nalazi iza drugih vrata, a igra je odabrao prva
vrata - to znai da e voditelj otvoriti trea vrata jer zna da se iza njih nalazi koza. Uvedimo
sljedee oznake za promatrane dogaaje:
Ai - automobil se nalazi iza i-tih vrata,
Ii - igra je izabrao i-ta vrata,
Vi - voditelj je otvorio i-ta vrata,
Vi | Ij - ako je igra odabrao j-ta vrata, voditelj je otvorio i-ta vrata, i = j,
4
Monty Hall problem prvi put je postavljen 1975. u pismu Stevea Selvina uredniku
asopisa American Statistician, a nazvan je prema voditelju amerikog kviza Lets make a
deal.
46
gdje su i, j {1, 2, 3}. Budui igra ne zna iza kojih se vrata nalazi automobil, dogaaji
Ai i Ij su nezavisni za svaki izbor i i j. Odgovor na pitanje je li mudro da igra promijeni
izbor vrata moemo dobiti tako da izraunamo vjerojatnost da se automobil nalazi iza
drugih vrata AKO je igra odabrao prva vrata I voditelj potom otvorio trea vrata. Tu
vjerojatnost raunamo primjenom denicije uvjetne vjerojatnosti:
P (A2 |I1 V3 ) =
P (V3 | I1 A2 )P (A2 )
P (V3 (I1 A2 ))
=
.
P (I1 V3 )
P (V3 | I1 )
Kako e u promatranoj situaciji voditelj otvoriti trea vrata jer zna da se iza njih nalazi
koza, slijedi da je P (V3 | I1 A2 ) = 1. Dogaaji A1 , A2 i A3 ine potpun sustav dogaaja i
P (A1 ) = P (A2 ) = P (A3 ) = 1/3. Preostaje izraunati P (V3 | I1 ). Prema formuli potpune
vjerojatnosti slijedi da je
P (V3 | I1 ) =
3

P (Ai )P ((V3 | I1 ) | Ai ) ,
i=1
pa budui je P ((V3 | I1 ) | A1 ) = 1/2, P ((V3 | I1 ) | A2 ) = 1 i P ((V3 | I1 ) | A3 ) = 0, slijedi

da je P (V3 | I1 ) = 1/2. Sada lako slijedi da je P (A2 |I1 V3 ) = 2/3 te zakljuujemo da je
u opisanoj situaciji promjena izbora vrata mudar potez za igraa (slika 1.18).
(a) Vjerojatnosti bez sudjelovanja voditelja
(b) Vjerojatnosti sa sudjelovanjem voditelja
Slika 1.18: Vjerojatnosti ishoda u Monty Hall problemu

Analizirajte probleme vezane uz druge odabire vrata i smjetaje automobila.
U primjenama esto elemente potpunog sustava dogaaja (Hi , i I) F,

I N, tj. skupove Hi zovemo hipotezama. U tom sluaju kaemo da analiza nekog dogaaja A uvjetno na Hi zapravo predstavlja analizu dogaaja
47
A pod hipotezom Hi . Ponekad je korisno razmoljati o raunanja vjerojatnosti da je postavljena hipoteza istinita ako utvrdimo da se realizirao neki
dogaaj. Npr. ako u prethodnom primjeru utvrdimo da se u oba pokuaja
okrenuo slavuj, moemo se pitati kolika je vjerojatnost da je izvueni novi
standardan, a kolika da nije standardan. Za izraunavanje vjerojatnosi ovog
oblika moe se koristiti rezultat poznat pod nazivom Bayesova formula.
Teorem 1.2. Neka je (Hi , i I), I N, potpun sustav dogaaja na vjerojatnosnom prostoru (, F, P ) i neka je A F dogaaj s pozitivnom vjerojatnosti, tj. P (A) > 0. Tada za svaki i I vrijedi:
P (Hi | A) =
P (Hi )P (A | Hi )
.
P (A)
(1.4)
Dokaz. Primjenom denicije uvjetne vjerojatnosti slijedi:

P (Hi | A) =
P (Hi A)
P (Hi )P (A | Hi )
=
.
P (A)
P (A)
Primjer 1.37. Za problem opisan u primjeru 1.35 pomou Bayesove formule izraunajmo vjerojatnosti P (H1 | A) i P (H2 | A), pri emu dogaaje (H1 | A) i (H2 | A)
interpretiramo na sljedei nain:
(H1 | A)
(H2 | A)
ako je u oba bacanja novi pao na slavuja,

odabran je standardan novi.
ako je u oba bacanja novi pao na slavuja,
odabran je nestandardan novi.
Primjenom Bayesove formule slijedi:

1 1
1
P (H1 | A) = 2 4 = ,
5
5
8
1
1
4
P (H2 | A) = 2
= .
5
5
8
Uoimo da je
P (H1 | A) + P (H2 | A) =
1 4
+ = 1.
5 5
48
Zadaci
1.10
Zadaci
Zadatak 1.1. Konstruirajte prostor elementarnih dogaaja za sljedee sluajne pokuse:

a) uzastopno bacanje pravilno izraenog novia dva puta,
b) bacanje jedne pravilno izraene igrae kockice,
c) istovremeno bacanje dviju pravilno izraenih igraih kockica,
d) uzastopno bacanje pravilnom izraene igrae kockice n puta, n N,
e) sluajan izbor delegacije od dva lana is skupa osoba {A, B, C, D, E, F }.
Rjeenje:
a) = {(P, P ), (P, G), (G, P ), (G, G)},
b) = {1, 2, 3, 4, 5, 6},
c) = {(i, j) : i, j {1, . . . , 6}},
d) = {(i1 , . . . , in ) : i1 , . . . , in {1, . . . , 6}},
e) = {(i, j) : i, j {A, B, C, D, E, F }}.
Zadatak 1.2. Sluajan pokus sastoji se od bacanja pravilno izraenog novia

i pravilno izraene igrae kockice, tim redom, pri emu se kao ishod registriraju pojava pisma ili glave na noviu i broj na gornjoj strani kockice, redom.
Modelirajte prostor elementarnih dogaaja.
Rjeenje: = {(i, j) : i {P, G}, j {1, . . . , 6}}.
Zadatak 1.3. U kutiji se nalaze etiri papiria numerirana brojevima 1, 2,

3 i 4. Iz kutije se na sluajan nain izvlai jedan po jedan papiri i to:
a) bez vraanja,
49
b) sa vraanjem,
sve dok se ne izvue papiri na kojem je neparan broj. Ako se kao ishod ovog
sluajnog pokusa registriraju izvueni brojevi, modelirajte pripadni prostor
elementarnih dogaaja.
Rjeenje:
a) = {1, 3, (2, 1), (4, 1), (2, 3), (4, 3), (2, 4, 1), (2, 4, 3), (4, 2, 1), (4, 2, 3)},
b) = {1, 3, (2, 1), (2, 2, 1), (2, 2, 2, 1), . . .}.
Zadatak 1.4. Strijelac gaa metu 4 puta, pri emu se registriraju pogoci
(oznaeni nulom) i promaaji (oznaeni jedinicom). Modelirajte prostor elementarnih dogaaja i sljedee dogaaje:
a) A = gaanje je zapoelo promaajem,
b) B = rezultat svih gaanja je isti,
c) C = cilj je pogoen dva puta,
d) D = cilj je pogoen barem dva puta.
Rjeenje:
= {(0, 0, 0, 0), (1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1), (1, 1, 0, 0),
(0, 1, 1, 0), (0, 0, 1, 1), (1, 0, 1, 0), (1, 0, 0, 1), (0, 1, 0, 1), (1, 1, 1, 0),
(0, 1, 1, 1), (1, 0, 1, 1), (1, 1, 0, 1), (1, 1, 1, 1)}.
Zadatak 1.5. Strijelac gaa cilj oblika krune mete polumjera R, pri emu
se mjeri udaljenost od mjesta pogotka do sredita mete. Modelirajte pripadni
prostor elementarnih dogaaja.
Rjeenje: = [0, T ] {promaaj}.
50
Zadaci
Zadatak 1.6. Neka je prostor elementarnih dogaaja pridruen nekom

sluajnom pokusu, te neka su A, B i C dogaaji (A, B, C ). Pomou
dogaaja A, B i C izrazite sljedee dogaaje:
a) realizirao se samo dogaaj A,
b) realizirali su se dogaaji A i B,
c) realizirala su se sva tri dogaaja,
d) realizirao se barem jedan od dogaaja A, B i C,
e) realizirao se tono jedan od dogaaja A, B i C,
f) realizirali su se barem dva od dogaaja A, B i C,
g) realizirali su se tono dva od dogaaja A, B i C,
h) realizirali su se najvie dva od dogaaja A, B i C,
i) nije se realizirao niti jedan od dogaaja A, B i C.
Rjeenje:
a) A B c C c ,
b) A B,
c) A B C,
d) A B C,
e) (A B c C c ) (Ac B C c ) (Ac B c C),
f) (A B) (A C) (B C),
g) (A B C c ) (A B c C) (Ac B C),
h) Ac B c C c ,
i) (A B C)c .
Zadatak 1.7. Meu studentima okupljenima na predavanju sluajno se bira

jedan student. Promatramo sljedee dogaaje:
51
A = student je mukog spola,

B = student je vegetarijanac,
C = student ivi u studentskom domu.
a) Opiite dogaaj A B C.
b) Kada e vrijediti A B C = A?
c) Kada e vrijediti C C B?
d) Kada e vrijediti AC = B? Vrijedi li nuno ova jednakost ako su svi
studenti mukog spola vegetarijanci?
Rjeenje:
a) Student je mukog spola, vegetarijanac je i ivi u studentskom domu.
b) Vrijedi kad su svi studenti mukog spola vegetarijanci i ive u studentskom
domu.
c) Vrijedi kad su svi studenti koji ne ive u studentskom domu vegetarijanci.
d) Vrijedi ako su svi studenti vegetarijanci enskog spola. Jednakost ne mora
vrijediti jer ako su svi studenti mukog spola vegetarijanci ne znai da meu
vegetarijancima nema studentica.
Zadatak 1.8. Dokaite sljedee jednakosti:

a) B A P (A \ B) = P (A) P (B),
b) P (A B) = P (A) + P (B) P (A B).
52
Zadaci
Zadatak 1.9. Neka je (, F, P ) vjerojatnosni prostor. Ako su A, B F t.d.

je P (A B) = 0, dokaite da je P (A) = P (B).
Uputa: A B = (A \ B) (B \ A).
Zadatak 1.10. Neka je (, F, P ) vjerojatnosni prostor, te neka za A, B F

vrijedi da je P (A B) = 0 i P (A) = p. Izraunajte:
a) P (A B) i P (A B),
b) P (A \ B) i P (B \ A).
Zadatak 1.11. Dokaite da nezavisnost dokaaja A i B, A, B F, povlai

nezavisnost
a) dogaaja A i B c ,
b) dogaaja Ac i B c .
Zadatak 1.12. Na raspolaganju nam je kutija u kojoj se nalazi 100 papiria

numeriranih brojevima 1, 2, . . . , 100. Sluajan pokus sastoji se od izvlaenja
jednog papiria iz kutije. Upotrebom klasine denicije vjerojatnosti odredite
vjerojatnosti sljedeih dogaaja:
a) A = izvueni broj je jednoznamenkast,
b) B = izvueni broj je dvoznamenkast,
c) C = izvueni broj je manji ili jednak broju k, k {1, 2, . . . , 100},
d) D = izvueni broj je strogo vei od k, k {1, 2, . . . , 100},
e) E = suma znamenaka izvuenog broja je 3,
53
f) F = umnoak znamenaka izvuenog broja je 6.

Rjeenje:
a) P (A) = 0.09,
d) P (D) = (100 k)/100,
b) P (B) = 0.01, c) P (C) = k/100,

e) P (E) = 0.04, f) P (F ) = 0.04.
Zadatak 1.13. Pravilno izraena igraa kockica baca se dva puta. Upotrebom klasine denicije vjerojatnosti odredite vjerojatnosti sljedeih dogaaja:
a) A = pali su jednaki brojevi,
b) B = suma brojeva koji su pali je 8,
c) C = produkt brojeva koji su pali je 8,
d) D = suma brojeva koji su pali vea je od produkta brojeva koji su pali,
e) E = produkt brojeva koji su pali vei je od sume brojeva koji su pali.
Rjeenje:
a) P (A) = 1/6,
b) P (B) = 5/36,
d) P (D) = 11/36, e) P (E) = 2/3.
c) P (C) = 1/18,
Zadatak 1.14. Pretpostavimo da u poiljci od ukupno 500 jabuka ima 2%

prezrelih jabuka. Kolika je vjerojatnost da sluajan uzorak od 20 jabuka uzet
iz te poiljke sadri tono dvije prezrele jabuke?
10 490
Rjeenje: P (A) =
500 18 .
20
54
Zadaci
Zadatak 1.15 (Problem roendana). Kolika je vjerojatnost da izmeu

n, n 365, osoba barem dvije osobe imaju roendan istog dana?
364 (366 n)
. Pretpostavljamo da svaka od n osoba
Rjeenje: P (A) = 1
365n1
moe biti roena s jednakom vjerojatnou bilo kojeg dana u godini i zanemarujemo postojanje prijestupnih godina.
Zadatak 1.16. U kutiji se nalazi a crvenih i b zelenih kuglica (a 2, b 2).

Iz kutije na sluajan nain istovremeno izvadimo dvije kuglice. Denirajmo
sljedee dogaaje:
A
B
=
=
izvuene kuglice su iste boje,

izvuene kuglice su razliitih boja.
Koji je od dogaaja A i B vjerojatniji?

a
Rjeenje: P (A) =
b
a+b 2 ,
2
ab
P (B) = a+b .
2
Zadatak 1.17. Pravilno izraen novi bacamo 10 puta za redom. Kolika

je vjerojatnost da se pismo realizira tono tri puta?
Rjeenje: P (A) =
120
.
210
Zadatak 1.18. Pravilno izraenu igrau kockicu bacamo 10 puta. Kolika

je vjerojatnost da se kao rezultat bacanja brojevi 1, 2, 3, 4, 5, 6 pojave redom
2, 3, 1, 1, 1, 2 puta?
Rjeenje: P (A) =
10!
.
4 611
55
Zadatak 1.19. U autobusu se nalazi 15 ljudi. Do kraja putovanja ostale su

4 stanice. Kolika je vjerojatnost da svi putnici izau na istoj stanici?
Rjeenje: P (A) = 414 .
Zadatak 1.20. Pretpostavimo da n ljudi na sluajan nain sjeda za okrugli

stol. Izraunajte vjerojatnost da e dva unaprijed odabrana ovjeka sjediti
zajedno.
Rjeenje: P (A) =
2
.
n1
Zadatak 1.21. m mukaraca i n ena rasporeuju se na slucajan nain u

kazalitu na (m + n) sjedala sloenih u redu. Kolika je vjerojatnost da sve
ene sjede zajedno (tj. jedna do druge)?
Rjeenje: P (A) =
n!(m + 1)!
m+1
= m+n .
(m + n)!
n
Zadatak 1.22. pil od 52 karte podijeli se na dva jednakobrojna dijela.

Odredite vjerojatnost sljedeih dogaaja:
a) A = u svakom dijelu nalaze se po dva kralja,
b) B = u jednom dijelu ne nalazi se ni jedan kralj,
c) C = u jednom dijelu nalazi se jedan, a u drugom dijelu tri kralja.
4 48

2 48
8 48
2
24
26
Rjeenje: P (A) = 52 , P (B) = 52 , P (C) = 5225 .
26
26
26
Zadatak 1.23. Iz pila od 52 karte na sluajan nain biramo 8 karata.

Izraunajte vjerojatnost da su izvuena
56
Zadaci
a) tri asa,
b) tri kralja,
c) tri asa ili tri kralja.
4 48
3
52 ,
Rjeenje: P (A) = P (B) =
P (A B) =
4 48
3
2 44
43
2
52
.
8
Zadatak 1.24. Student je doao na ispit znajui odgovore na 90 od 100

pitanja. Izvlai se pet pitanja.
a) Kolika je vjerojatnost da e student znati odgovore na svih pet pitanja?
b) Kolika je vjerojatnost da e student znati odgovore na barem tri od pet
izvuenih pitanja?
Rjeenje:
90
P (A) =
5
100

5
90
0.584.,
P (B) =
+ 10
90
4100
5
10 90
2
0.99.
Zadatak 1.25. Iz eira u kojem se nalazi n kuglica na sluajan nain izaberemo nekoliko kuglica. Kolika je vjerojatnost da smo izvukli paran broj
kuglica?
Rjeenje: P (A) =
2n1 1
.
2n 1
Zadatak 1.26 (De Mereov paradoks). Bacamo tri pravilno izraene

igrae kockice. Zanima nas vjerojatnost sljedeih dogaaja:
(a) A = zbroj brojeva na svim trima kockicama jednak je 11,
(b) B = zbroj brojeva na svim trima kockicama jednak je 12.
57

Rjeenje: P (A) =
27
,
63
P (B) =
25
.
63
Zadatak 1.27. Odredite vjerojatnost da je sluajno odabrana toka iz segmenta [0, 1] racionalna?
Rjeenje: vjerojatnost odabira racionalne toke iz segmenta [0, 1] je nula, tj.
sluajno odabrana toka iz segmenta [0, 1] e gotovo sigurno biti iracionalna.
Zadatak 1.28. Za ksiranu toku c [a, b] i sluajno odabranu toku x

[a, b] odredite vjerojatnosti sljedeih dogaaja:
a) x c,
b) x < c,
c) x = c,
d) x je blie toki a nego toki b.
Rjeenje:
a) P (A) =
ca
,
ba
b) P (B) =
ca
,
ba
c) P (C) = 0,
d) P (D) = 0.5.
Zadatak 1.29. Neka su x i y dva sluajno odabrana broja iz segmenta [0, 1].
Odredite vjerojatnost da za njih vrijedi:
a) x > y,
b) x + y < 3/2,
c) x = y,
d) xy 2/9 i x + y < 1.
Rjeenje:
P (A) = 1/2, P (B) = 7/8, P (C) = 0, P (D) =
1 2
+ ln 2.
3 9
58
Zadaci
Zadatak 1.30. Trenutak u kojem e neki signal stii do prijemnika je sluajno odabrani trenutak iz intervala [0, T ]. Prijemnik nee registrirati drugi
signal ako je razlika izmeu dva uzastopna signala manja od , < T .
Odredite vjerojatnost da prijemnik nee registrirati drugi signal.
Rjeenje: P (A) =
(2T )
.
T2
Zadatak 1.31 (Buonov problem). Ravnina je podijeljena paralelnim

pravcima koji su jedan od drugog udaljeni za 2a. Na tu se ravninu na sluajan nain baca igla duljine 2l, l < a. Odredite vjerojatnost da igla sijee neki
od pravaca.
Rjeenje: P (A) =
2l
.
a
Zadatak 1.32. Pokaite da sljedeim realnim funkcijama realne varijable

moemo denirati vjerojatnost na R:

3
(1 x2 ) , x [1, 1]
4
a) f (x) =
0
, x = [1, 1]

ex , x (0, )
b) f (x) =
0
, x (, 0]
c) Koristei funkcije iz zadataka a) i b) odredite vjerojatnost dogaaja
A = {x R : 1/2 < x 1/2} = (1/2, 1/2].
Rjeenje: Obje funkcije su nenegativne i normirane pa pomou njih moemo
denirati vjerojatnost na R. Vjerojatnost dogaaja A je: a) P (A) = 11/16,
b) P (A) = 1 e/2 .
59
Zadatak 1.33. Pokaite da funkcijom f : R2 R deniranom formulom

3
(x2 + y) , (x, y) [1, 1] [0, 1]
5
f (x, y) =
0
, (x, y) =
[1, 1] [0, 1]
moemo denirati vjerojatnost na R2 . Izraunajte vjerojatnost da sluajno
odabrana toka iz R2 pripada pravokutniku
A = [0, 1] [0, 1/2].
Rjeenje: funkcija f je nenegativna i normirana pa pomou nje moemo denirati
vjerojatnost na R2 . Vjerojatnost dogaaja A je P (A) = 7/40.
Zadatak 1.34. Sluajan pokus sastoji se od bacanja pravilno izraenog

novia tri puta za redom. elimo nai vjerojatnost dogaaja A uz dani
dogaaj B kada su A i B sljedei dogaaji:
A = {glava je pala vie puta nego pismo},
B = {prvo je palo pismo}.
Rjeenje: P (A|B) = 0.25.
Zadatak 1.35. Iz kutije u kojoj se nalazi m crvenih i n zelenih kuglica na
sluajan nain izvueno je k kuglica. Uz pretpostavku da su sve izvuene
kuglice iste boje, kolika je vjerojatnost da su sve zelene?
n
Rjeenje: P (A|B) = m k n .
+ k
k
Zadatak 1.36. Sluajan pokus sastoji se od sluajnog odabira obitelji koja
ima dvoje djece (uz pretpostavku da su vjerojatnosti roenja kerke i sina
jednake (to priblino odgovara stvarnoj situaciji), te da znamo redoslijed
raanja djece u obitelji). Treba provjeriti jesu li sljedei dogaaji nezavisni:
60
Zadaci
A = {u obitelji je barem jedna kerka},
B = {u obitelji su jedna kerka i jedan sin}.
Rjeenje: A i B nisu nezavisni dogaaji.
Zadatak 1.37. Cilj se gaa iz tri topa. Topovi pogaaju cilj nezavisno
jedan od drugoga s vjerojatnou 0.4. Ako jedan top pogodi cilj unitava ga
s vjerojatnou 0.3, ako ga pogode dva topa unitavaju ga s vjerojatnou
0.7, a ako ga pogode tri topa unitavaju ga s vjerojatnou 0.9. Naite vjerojatnost unitenja cilja.
Rjeenje: P (A) = 0.3888.
Zadatak 1.38. Imamo dvije kutije. U prvoj se nalazi a bijelih i b crnih

kuglica, a u drugoj c bijelih i d crnih kuglica. Iz prve kutije na sluajan nain
biramo k kuglica, a iz druge m kuglica. Ovih (k + m) kuglica izmijeamo i
stavimo u treu kutiju.
a) Iz tree kutije na sluajan nain izvuemo jednu kuglicu. Kolika je
vjerojatnost da ona bude bijele boje?
b) Iz tree kutije na sluajan nain izvuemo tri kuglice. Kolika je vjerojatnost da je barem jedna kuglica bijele boje?
Rjeenje:
1
a) P (A) =
k+m
ak
cm
+
a+b c+d
b) Pomou FPV odrediti vjerojatnost suprotnog dogaaja.
61
Zadatak 1.39. Na usmenom ispitu iz Uvoda u vjerojatnost i statistiku

ponueno je 10 pitanja od kojih je student nauio njih n, 0 n 10.
Student e poloiti ispit ako bude tono odgovorio na dva sluajno odabrana
pitanja ili ako tono odgovri na jedno od njih i na tree, dodatno postavljeno pitanje. Na koliko pitanja student treba znati tono odgovoriti da bi s
vjerojatnou veom od 0.8 poloio ispit?
Rjeenje: Student treba znati tono odgovoriti na bar sedam pitanja.
Zadatak 1.40. Ptica slijee u sluajno izabrano gnijezdo od ukupno tri gnijezda koja su joj na raspolaganju. Svako gnijezdo sadri dva jaja i to: u
prvom gnijezdu su oba jaja zdrava, u drugom je jedno zdravo i jedan muak,
a u treem su oba jaja muka. Naite vjerojatnost da ptica sjedi na muku.
Ako je sjela na muak, kolika je vjerojatnost da sjedi u drugom gnijezdu?
Rjeenje: P (H2 |A) = 1/3.
Zadatak 1.41. Neki izvor emitira poruke koje se sastoje od znakova 0 i 1.
Vjerojatnost emitiranja znaka 1 je 0.6, vjerojatnost emitiranja znaka 0 je 0.4.
Na izlazu iz kanala 10% znakova se pogreno interpretira. Ako je primljena
poruka 101, kolika je vjerojatnost da je ona i poslana?
Rjeenje: P (D) = 0.743.
Zadatak 1.42. Iz eita u kojem se nalazi n kuglica izvlaimo na sreu
jednu kuglicu. Kolika je vjerojatnost da e ta kuglica biti bijela, ako su sve
pretpostavke o prethodnom broju kuglica jednako vjerojatne? Nakon to je
izvuena bijela kuglica, kolika je vjerojatnost da su sve kuglice u eiru bijele?
Rjeenje: P (Hn |A) =
2
.
n+1
62
Zadaci
Poglavlje 2
Sluajna varijabla
Prouavanje cijelog skupa elementarnih dogaaja nekog sluajnog pokusa i
vjerojatnosti zadane na njemu moe biti vrlo sloen zadatak. Skupovi elementarnih dogaaja mogu sadravati razne objekte, npr. brojeve, ureene
parove, ureene n-torke, nizove brojeva, slova, nizove slova, boje, itd. Meutim, vrlo esto se na interes za sluajan pokus svodi samo na prouavanje
jedne ili nekoliko karakteristika koje moemo opisati (ili kodirati) numeriki.
Primjer 2.1. Ispit se sastoji od 10 pitanja viestrukog izbora. Pristupanje ispitu za

kandidata je sluajan pokus. Skup elementarnih dogaaja ovakvog pokusa je skup ureenih desetorki s oznakama koje se koriste za "toan odgovor" odnosno "netoan odgovor".
Meutim, prilikom polaganja ispita kandidata prvenstveno zanima koliko e ukupno imati
tonih odgovora, a ne i koji e po redu odgovor biti toan. Dakle, njega zanima modeliranje
na skupu moguih ishoda {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. Osim toga, zanima ga i koliku ocjenu
e postii, to znai da ga zanima i skup moguih ishoda {1, 2, 3, 4, 5}.
Da bismo za dani sluajan pokus analizirali i modelirali pojedinane sluajne

karakteristike ili vie njih, u ovom poglavlju emo denirati pojam sluajne
varijable, a u sljedeem pojam sluajnog vektora.
63
64
2.1
Sluajna varijabla
Diskretna sluajna varijabla
Kao to je ve reeno, diskretan vjerojatnosni prostor karakteriziran je injenicom da ima konano ili prebrojivo mnogo elemenata. U poglavlju 1.6
oznaili smo ga = {i : i I , I N}. Pridruena -algebra tada je
tono jednaka partitivnom skupu od , tj. F = P(), a vjerojatnost se moe
odrediti zadavanjem vrijednosti samo na jednolanim podskupovima od .
Ako nije diskretan (npr. = R), nije mogue denirati vjerojatnost samo
zadavanjem vrijednosti na elementima od . Zbog toga emo i izuavanje
sluajne varijable razdvojiti na takozvane diskretne i apsolutno neprekidne
sluajne varijable. Pri tome emo diskretne sluajne varijable prirodno vezati
uz diskretan vjerojatnosni prostor (iako to nije openito nuno).
Denicija 2.1. Neka je dan diskretan vjerojatnosni prostor (, P(), P ).
Svaku funkciju X : R zvat emo diskretna sluajna varijabla.
Prostor
elementarnih
dogaaja
Slika 2.1: Prikaz djelovanja sluajne varijable.
Primjer 2.2. Neka se na skladitu nalaze etiri istovrsna proizvoda. Vjerojatnost prodaje jednog od ponuenih proizvoda u jednom danu iznosi 1/2. Broj prodanih proizvoda u
jednom danu je jedna sluajna varijabla. Oznaimo je X.
Uoimo da se u ovom primjeru sastoji od ureenih etvorki nula i jedinica koje oznaavaju da li je taj dan pojedini proizvod prodan ili ne, tj. = {(i, j, k, l) : i, j, k, l
{0, 1}}. Vjerojatnost svakog elementa iz iznosi 1/24 . Meutim, nama je interesantno
samo koliko je proizvoda prodano, a ne koji su to. Zato koristimo sluajnu varijablu
X : R, X(i, j, k, l) = i + j + k + l.
65
Skup {(i, j, k, l) : X(i, j, k, l) = 2} predstavlja mogue ishode iz kod kojih su prodana

tono 2 proizvoda. Obzirom da nas zapravo zanima vjerojatnost realizacije takvih skupova,
a njihovo oznaavanje je komplicirano, ovdje emo koristiti oznaku za skup:
{(i, j, k, l) : X(i, j, k, l) = 2} = {X = 2},
a za vjerojatnost
P ({(i, j, k, l) : X(i, j, k, l) = 2}) = P {X = 2}.
Oznake analogne onima iz primjera 2.2 koristimo openito kad raunamo sa

sluajnim varijablama. Tako emo, za A R uvesti sljedeu oznaku:
{X A} = { : X() A},
a za vjerojatnost tog skupa
P {X A} = P ({ : X() A}) .
Tako, npr. za dani x R koristimo oznaku
{ : X() = x} = {X = x}.
Primjer 2.3. Vratimo se primjeru 2.2
Skup svih moguih realizacija sluajne varijable X koja broji prodane proizvode (njezina
slika) je skup
R(X) = {0, 1, 2, 3, 4}.
Vjerojatnosti dogaaja vezanih uz ovu sluajnu varijablu moemo raunati i bez prouavanja osnovnog vjerojatnosnog prostora na kojem je denirana. Tako npr. moemo raunati vjerojatnost da e biti prodano vie od dva proizvoda i slino.
Naime, vjerojatnosna svojstva ove sluajne varijable odreena su ako ulogu prostora elementarnih dogaaja preuzme R(X) = {0, 1, 2, 3, 4}. Na njemu vjerojatnost zadajemo
nizom brojeva:
p1 = P {X = 1},
p2 = P {X = 2},
p0 = P {X = 0},
p4 = P {X = 4}.
p3 = P {X = 3},
66
Sluajna varijabla
Tada vrijedi:
p1 =
1
,
2
p2 =
1
1 1
= ,
2 2
4
p3 =
3
1
1
= ,
2
8
p0 = 1 (p1 + p2 + p3 + p4 ) =
Radi preglednosti, ovu diskretnu sluajnu
0
X= 1
16
p4 =
1
.
16
4
1
1
,
=
2
16
varijablu zapisat emo pomou sljedee tablice:
1 2 3 4
1 1 1 1 .
2 4 8 16
Pregledan zapis sluajne varijable prezentiran u prethodnom primjeru koristit emo i openito. Dakle, ako je X dana diskretna sluajna varijabla na
vjerojatnosnom prostoru (, P(), P ) oznaimo skup svih vrijednosti koje
ona moe primiti kao R(X) = {xi , i I}, I N, a pripadne vjerojatnosti
nizom brojeva (pi , i I) za koji vrijedi:
pi = P ({ : X() = xi }) = P {X = xi },
i I.
Bez smanjenja openitosti, u nastavku razmatranja emo pretpostaviti da je

I = N.
Sluajnu varijablu X prikazujemo u obliku tablice:

x 1 x2 x3 xn
X=
p1 p2 p3 pn
(2.1)
i ovaj prikaz zovemo zakon razdiobe, tablica distribucije ili krae distribucija sluajne varijable X.
Dakle, za svaku diskretnu sluajnu varijablu moemo istaknuti dva bitna
skupa brojeva. Jadan ine sve vrijednosti koje sluajna varijabla X moe
primiti tj. R(X) = {xi : i N}, a drugi je niz pripadnih vjerojatnosti, tj.
(pi , i N) takav da vrijedi pi = P {X = xi }, i N.
67
Uoimo da za elemente od R(X) vrijedi xi = xj za i = j obzirom da je to

skup, dok u nizu (pi , i N) moe biti istih elemenata, ali on ima druga dva
bitna svojstva:
1. 0 pi 1 za svaki i N,
2.
i=1
pi = 1.
Zaista, budui da je X sluajna varijabla koja prima vrijednosti iz skupa

R(X) to je P {X R(X)} = P () = 1, pa iz svojstava vjerojatnosti slijedi:
0 pi = P {X = xi } 1.
Osim toga je:
pi =
i=1
P {X = xi } = P
i=1

{X = xi }
= P {X R(X)} = 1.
i=1
Koristei rezultate poglavlja 1.6 znamo da je pomou niza realnih brojeva

(pi , i N) koji zadovoljava svojstva
1. 0 pi 1 za svaki i N,
2.
i=1
pi = 1,
dobro denirana vjerojatnost na diskretnom vjerojatnosnom prostoru koji za

skup elementarnih dogaaja ima skup R(X) = {xi , i N}.
Ako brojevi pi ujedno zadovoljavaju svojstvo
P {X = xi } = pi ,
i N,
vjerojatnost deniranu na R(X) = {xi , i N} oznaavat emo PX , a novonastali

vjerojatnosni prostor (R(X), P(R(X)), PX ) zovemo vjerojatnosni prostor
induciran sluajnom varijablom X.
68
Sluajna varijabla
Primjer 2.4. Zbroj brojeva koji su se okrenuli prilikom dva bacanja kockice je diskretna
sluajna varijabla sa sljedeom tablicom
2
3
4
5
X= 1
2
3
4
36 36 36 36
distribucije:
6
5
36
7
6
36
8
5
36
9
4
36
10
3
36
11
2
36
12
1 .
36
Ako nas zanima vjerojatnost dogaaja

A = zbroj brojeva na kockicama je manji od 6,
za izraun emo iskoristiti prethodnu tablicu distribucije:
P (A) = P {X < 6} = P { : X() < 6} =
1
2
3
4
5
+
+
+
=
.
36 36 36 36
18
Openito, za raunanje vjerojatnosti skupova (dogaaja) oblika {X A},

gdje je A R, moemo iskoristiti tablicu distribucije sluajne varijable X
(tablica 2.1) na sljedei nain:

P {X A} =
pi .
xi A
Graki prikaz distribucije

Za graki prikaz distribucije diskretne sluajne varijable koja ima konaan
skup moguih vrijednosti R(X) koristimo histogram. Histogram se sastoji
od niza stupia, svaki za jednu vrijednost iz R(X), s visinom pi = P {X =
xi }.
Primjer 2.5. Na temelju tablice distribucije diskretne sluajne varijable denirane u
primjeru 2.2, moemo napraviti histogram prikazan na slici 2.2.
2.2
Neprekidna sluajna varijabla
Ukoliko prostor elementarnih dogaaja nije diskretan skup, funkcije denirane na njemu ne moraju nuno imati prebrojiv skup svih moguih vrijednosti, iako to nije iskljueno. Ako je za neku funkciju X, deniranu na koji
69

y
1
2
0.5
0.4
0.3
4
1
0.2
1
0.1
16
1
16
Slika 2.2: Graki prikaz distribucije diskretne sluajne varijable iz primjera 2.2.
nije diskretan, skup R(X) diskretan skup1 , moi emo napraviti konstrukciju
diskretnog vjerojatnosnog prostora induciranog tom sluajnom varijablom tj.
prouavanje takve sluajne varijable svest emo na diskretan sluaj. Meutim, ako prostor elementarnih dogaaja sadri neki interval, esto nas zanimaju i sluajne karakteristike s neprebrojivim skupom vrijednosti.
Primjer 2.6. Pretpostavimo da promenadom uz rijeku Dravu elimo proetati od Tvre
do hotela Osijek. Taj put dug je oko 2 km. Zbog razliite brzine hoda i ostalih subjektivnih
utjecaja na trajanje etnje jasno je da put koji osoba pri tome prijee u prvih 5 minuta
moemo modelirati kao sluajnu karakteristiku s neprebrojivim skupom moguih ishoda
[0, 2].
Primjer 2.7. Praenje vremena koje protekne od dana stavljanja stroja u upotrebu do
prvog kvara je jedno promatranje sa sluajnim ishodima. Pretpostavimo da dobit ostvarena
na tom stroju iskljuivo ovisi o vremenu rada stroja. Time je dobit ostvarena do njegovog
prvog stavljanja izvan pogona zbog kvara (koji e uz to uzrokovati dodatne trokove!) sluajna karakteristika za koju je prirodno pretpostaviti da njen skup moguih realizacija sadri
neki interval.
U ovom poglavlju denirat emo jedan tip sluajne varijable ija je slika
R(X) podskup od R i sadri interval.
Denicija 2.2. Neka je dan vjerojatnosni prostor (, F, P ) i funkcija X:
R za koju vrijedi:
1
Za deniciju diskretne sluajne varijable u openitom sluaju pogledati [30]
70
Sluajna varijabla
{ : X() x} = {X x} F za svaki x R,
postoji nenegativna realna funkcija realne varijable, f (t), takva da vrijedi:
x
P { : X() x} = P {X x} =
f (t) dt.
Funkciju X zovemo apsolutno neprekidna sluajna varijabla na ili,

krae, neprekidna sluajna varijabla. Funkciju f (t) tada zovemo funkcija
gustoe vjerojatnosti sluajne varijable X ili krae funkcija gustoe
sluajne varijable X.
Valja napomenuti da nisu sve sluajne varijable, koje nisu diskretne, apsolutno neprekidne u ovom smislu. Za opu teoriju pogledati npr. [30], [4],
[6].
Bitna svojstva funkcije gustoe neprekidne sluajne varijable
1. Nenegativnost: f (x) 0 za sve x R.
2. Normiranost:

f (x) dx = 1.

f (x) dx moemo prikazati kao
Dokaz.
n
f (x) dx = lim
f (x) dx.
Koristei neprekidnost vjerojatnosti u odnosu na monotono rastuu

familiju skupova imamo:
n
lim
f (x) dx = lim P {X (0, n]} = P () = 1.

n
71
3. Vjerojatnost da sluajna varijabla X, ija je funkcija gustoe f (x),

primi vrijednost iz intervala (a, b] moe se izraunati koritenjem funkcije
gustoe na sljedei nain (vidi sliku 2.3):
b
f (x) dx.
P {a < X b} = P {X (a, b]} =

a
Dokaz. Koristei svojstva vjerojatnosti i svojstva integrala slijedi:

P {a < X b} = P {X b} P {X a} =
b
a
b
=
f (x) dx
f (x) dx = f (x) dx.
Prostor
elementarnih
dogaaja
Dogaaj
{a<Xb}
f(x)
P{a<Xb}
Slika 2.3: Vjerojatnost kao povrina od osi x do grafa funkcije gustoe nad
izabranim skupom.
Primjer 2.8. Analizirajmo da li funkcija f : R R denirana izrazom (vidi sliku 2.8)

f (x) =
sin x
0
,
,

x 0, 2

x
/ 0, 2
moe posluiti
kao funkcija
gustoe neke neprekidne sluajne varijable X. Ako moe, odred

<X
.
imo P
4
2
Iz denicije funkcije f oito je da se radi o nenegativnoj funkciji:
72
Sluajna varijabla
y
Slika 2.4: Funkcija gustoe sluajne varijable iz primjera 2.8.

je f (x) = sin x, a funkcija sinus je na tom intervalu strogo
na intervalu 0,
2
pozitivna,
na (, 0] (/2, ) je f (x) = 0.
Pokaimo da je funkcija f normirana:

f (x) dx =
2
f (x) dx +

f (x) dx +
2
f (x) dx =
sin x dx = 1.
0
Budui je funkcija f nenegativna i normirana zakljuujemo da ona moe biti koritena kao funkcija gustoe neprekidne sluajne varijable.
Traenu vjerojatnost raunamo na sljedei nain:
P
2.3

<X
=
4
2
sin x dx =
2
.
2
Funkcija distribucije sluajne varijable
Diskretna i neprekidna sluajna varijabla samo su dva tipa sluajnih varijabli koje se najee koriste u praksi. Openito, ako je dan bilo kakav
vjerojatnosni prostor (, F, P ), svaku funkciju X deniranu na sa
skupom vrijednosti iz R koja zadovoljava svojstvo
{X x} F,
x R,
73
zovemo sluajna varijabla na . Vjerojatnosna svojstva za sve sluajne

varijable opisana su tzv. funkcijom distribucije o kojoj e biti rijei u
ovom poglavlju.
Denicija 2.3. Neka je (, F, P ) vjerojatnosni prostor i neka je X sluajna
varijabla. Funkciju F : R [0, 1] koja realnom broju x pridruuje vjerojatnost
da dana sluajna varijabla bude manja ili jednaka tom broju:
F (x) = P { : X() x} = P {X x},
zovemo funkcija distribucije sluajne varijable X.
Svojstva funkcije distribucije:
1. Funkcija distribucije sluajne varijable je monotono rastua funkcija,
tj.
x1 < x2 F (x1 ) F (x2 ).
Dokaz. Ako je x1 < x2 tada je {X x1 } {X x2 }. Primjenom
svojstva monotonosti vjerojatnosti na prethodnu injenicu slijedi tvrdnja.
2. Neka je F (x) funkcija distribucije neke sluajne varijable. Tada vrijedi:
lim F (x) = F () = 0.
Dokaz. Neka je (an , n N) monotono padajui niz koji divergira u

. Tada vrijedi:

lim F (an ) = lim P {X an } = P
{X an } = P () = 0.
n
nN
Odavde lako slijedi tvrdnja.

3. Neka je F (x) funkcija distribucije neke sluajne varijable. Tada vrijedi:
lim F (x) = F () = 1.
74
Sluajna varijabla
Dokaz. Slino dokazu prethodne tvrdnje.
4. Funkcija distribucije je neprekidna s desna, tj.
lim F (x) = F (x0 ).
xx0
Dokaz. Neka je x R i (hn , n N) monotono padajui niz brojeva

takvih da je lim hn = 0. Tada vrijedi:
n
F (x + hn ) F (x) = P {x < X x + hn },

lim (F (x + hn ) F (x)) = P
{x < X x + hn } = P () = 0.
nN
Napomenimo da se moe dogoditi da je

lim F (x) = F (x0 ),
xx0
tj. funkcija distribucije ne mora nuno biti neprekidna i s lijeva.

Primjer 2.9. Neka je dana diskretna sluajna varijabla X kojom moemo modelirati
bacanje pravilnog novia ako oznaimo "uspjeh" (npr. palo je "pismo") brojem 1, a
"neuspjeh" brojem 0. Tablica distribucije ove sluajne varijable je

0 1
X=
.
1
1
2
Funkcija distribucije je 0 za sve x koji su manji od 0. U broju 0 prima vrijednost

na toj vrijednosti sve do broja 1 kada prima vrijednost 1 (slika 2.9), tj.
x<0
0 ,
1
F (x) = P {X x} =
, x [0, 1)
2
1 , x [1, )
1
2
i ostaje
Uoimo da ova funkcija distribucije nije neprekidna s lijeva.
Koristei funkciju distribucije i svojstva vjerojatnosti moemo lako raunati

vjerojatnost da sluajna varijabla primi vrijednost iz nekog skupa A, gdje je
75

y
0.5
3
2
1
Slika 2.5: Funkcija distribucije za sluajnu varijablu bacanja pravilnog novia.

skup A neki interval, prebrojiva unija ili presjek intervala, njihova razlika i
slino. Tako, npr. za a, b R, a < b, vrijedi:
P {a < X b} = P {X b} P {X a} = F (b) F (a),

P {X = a} = P

n=1

{a
1
n
< X a}
= lim (F (a) F (a n1 )),

n
P {a X b} = P {X = a} + P {a < X b} = F (b) lim F (a n1 ), itd.

n
Specijalno, ako je sluajna varijabla diskretna, funkcija distribucije se moe

izraziti koristei tablicu distribucije sluajne varijable, a ako je neprekidna,
koristei pripadnu funkciju gustoe.
2.3.1
Funkcija distribucije diskretne sluajne varijable
Neka je dana diskretna sluajna varijabla

x 1 x2 x3 xn
X=
,
p1 p2 p3 pn
76
Sluajna varijabla
tj. R(X) = {xi , i N} je dani skup vrijednosti sluajne varijable, a (pi , i
N) niz pripadnih vjerojatnsti, pi = P {X = xi }, pi 0,

pi = 1.
iN
Za svaki x R vrijedi:
F (x) = P {X x} =
pi .
xi x
Uoimo da je ovakva funkcija distribucije stepenasta funkcija, tj. funkcija

sa skokovima u tokama xi , dok na intervalu (xi , xi+1 ) prima stalno istu
vrijednost koja je jednaka F (xi ) (vidi npr. sliku 2.5).
Primjer 2.10. Neka je diskretna sluajna varijabla zadana sljedeom tablicom distribucije:

X=
2 1 0
0.1 0.2 0.4
1
0.2
2
0.1
Prema deniciji funkcije distribucije slijedi da je funkcija distribucije sluajne varijable X

denirana formulom
0
,
0.1 ,
0.3 ,
F (x) =
0.7 ,
0.9 ,
1
,
x (, 2)
x [2, 1)
x [1, 0)
.
x [0, 1)
x [1, 2)
x [2, )
Njen graf prikazan je slikom 2.10.
2.3.2
Funkcija distribucije neprekidne sluajne varijable
Neka je X neprekidna sluajna varijabla s funkcijom gustoe f (x). Dakle,

f (x) 0 za sve x R,
f (x) dx = 1 i
x
f (t) dt, x R.
P {X x} =
77

y
1
0.9
0.7
0.3
0.1
2
1
Slika 2.6: Graf funkcije distribucije diskretne sluajne varijable X iz primjera 2.10.
Odavde direktno slijedi da za funkciju distribucije sluajne varijable X vrijedi
(slika 2.7):
x
F (x) = P {X x} =
f (t) dt, x R.
F (x0 )
f (x)
x0
Slika 2.7: Funkcija gustoe (linijski graf) i vrijednost funkcije distribucije u

x0 (osjenana povrina) neprekidne sluajne varijable.
Iz dobro poznatih svojstava integrala oigledno je da je, za razliku od diskretnog
sluaja, funkcija distribucije neprekidne sluajne varijable neprekidna funkcija
78
Sluajna varijabla
u svakoj toki x R. Takoer, funkcija gustoe neprekidne sluajne varijable

X moe se dobiti kao derivacija pripadne funkcije distribucije, tj.
f (x) = F (x).
Odavde slijedi i sljedee vano svojstvo za neprekidne sluajne varijable.
Neka je X neprekidna sluajna varijabla. Tada za svaki x0 R
vrijedi:
P {X = x0 } = 0.
Dokaz. Zbog neprekidnosti funkcije distribucije vrijedi:

1
P {X = x0 } = P
{x0 < X x0 }
n
n=1

1
= lim F (x0 ) F x0
= 0.
n
n
Primjer 2.11. Odredimo funkciju distribucije neprekidne sluajne varijable s funkcijom
gustoe deniranom sljedeim izrazom:

sin x , x 0, 2
.
(2.2)
f (x) =
0
, x
/ 0, 2
Ako je x (, 0], tada je
x
F (x) = P {X x} =
f (x)dx = 0.

Za x 0,
je
2
F (x) = P {X x} =
f (x)dx +
Za x >
x
f (x)dx =
sin xdx = 1 cos x.

0
je oigledno F (x) = F ( 2 ) = 1.
Dakle, funkcija distribucije neprekidne sluajne varijable X je
0
, x (, 0]

F (x) =
1 cos x , x 0, 2

1
, x 2 ,
Iz grafa funkcije distribucije (slika 2.11) vidimo daje F neprekidna funkcija.
79
Primjeri parametarski diskretnih distribucija

y
Slika 2.8: Graf funkcije distribucije neprekidne sluajne varijable X s gustoom (2.2).
Intuitivno znaanje naziva "gustoa sluajne varijable", za neprekidne sluajne varijable, moe se prepoznati iz injenice da je funkcija gustoe neprekidne
sluajne varijable zapravo derivacija funkcije distribucije. Naime, iz denicije
derivacije slijedi:
F (x + x) F (x)
P {x < X x + x}
= lim
.
x0
x0
x
x
f (x) = lim
Dakle, f (x) je granina vrijednost, po duljini intervala, kvocijenta vjerojatnosti da se X nae u intervalu (x, x + x] i duljine intervala, to intuitivno
odgovara pojmu gustoe vjerojatnosti.
2.4
Primjeri parametarski zadanih diskretnih

distribucija
Neki tipovi tablica distribucije diskretnih sluajnih varijabli koji se esto

koriste u praksi daju se jednostavno opisati koristei jedan ili nekoliko realnih brojeva (parametara). Za takve distribucije kaemo da se mogu zadati
parametarski i svrstavamo ih u parametarske familije distribucija s prepoznatljivim imenima i svojstvima. U ovom poglavlju denirat emo nekoliko
80
Sluajna varijabla
takvih familija.
2.4.1
Empirijska distribucija
Za sluajnu varijablu X kaemo da ima empirijsku distribuciju ako je njen

skup svih moguih vrijednosti konaan podskup skupa realnih brojava, tj.
R(X) = {x1 , x2 , . . . , xn } R, a pripadni niz vjerojatnosti je deniran kao
1
pi = P {X = xi } = , i = 1, 2, . . . , n.
n
Ovakve distribucije koriste se ako sluajna varijabla X moe primiti samo vrijednosti iz skupa R(X) = {x1 , x2 , . . . , xn } i to tako je vjerojatnost realizacije
svakog pojedinog ishoda ista, tj. P {X = xi } za svaki i {1, . . . , n}.
Uoimo da je na ovaj nain dobro denirana tablica distribucije obzirom da
n
pi = 1. Takoer, pripadni niz vjerojatnosti ovisi samo o broju elemenata

je
i=1
skupa R(X), tj. o broju n.

Primjer 2.12 (Bacanje igrae kockice.). Neka sluajna varijabla X daje broj koji se
okrenuo pri bacanju igrae kockice. Tada ona ima empirijsku distribuciju
1 2 3 4 5 6
X = 1 1 1 1 1 1 .
6 6 6 6 6 6
Histogram distribucije bacanja igrae kockice prikazan je slikom 2.9.
Primjer 2.13. Pretpostavimo da na ispitu na sreu biramo jedno od m ponuenih
pitanja. Rezultate tog sluajnog pokusa moemo opisati sluajnom varijablom X kojoj
pripada sljedea tablica distribucije (tj. empirijska distribucija):
1
2
3 ... m 1 m
X= 1
1
1
1
1 .
...
m m m
m
m
2.4.2
Bernoullijeva distribucija
Neka je X sluajna varijabla koja moe primiti tono dvije vrijednosti, i to

R(X) = {0, 1}. Njena tablica distribucije tada ima oblik:

0 1
X=
, p (0, 1), q = 1 p.
q p
81

y
1
0.15
0.10
0.05
Slika 2.9: Histogram distribucije bacanja igrae kockice.

Za takvu sluajnu varijablu rei emo da ima Bernoullijevu distribuciju s
parametrom p. Ovdje parametar p ima znaenje vjerojatnosti da X primi
vrijednost 1.
Bernoullijev tip distribucije koristi se pri modeliranju sluajnih karakteristika
koje mogu imati tono dvije vrijednosti. Te mogue vrijednosti uglavnom
zovemo "uspjeh" i "neuspjeh" te koristimo oznake 1 za "uspjeh", a 0 za
"neuspjeh". Dakle, parametar p Bernoulijeve distribucije ima znaenje vjerojatnosti pojavljivanja "uspjeha".
Primjer 2.14. Igramo kockarsku igru u kojoj ostvarujemo dobitak ako se na igraoj
kocki okrene estica (to interpretiramo kao uspjeh i oznaavamo s 1). Ishod ove igre
modeliramo Bernoullijevom sluajnom varijablom s tablicom distribucije
0 1
X= 5 1
6
Histogram distribucije prikazan je slikom 2.10.
Primjer 2.15. Izvlaimo jedan proizvod iz velike poiljke u kojoj je 2% loih. Rezultat izvlaenja moemo modelirati koristei Bernoullijevu distribuciju ako nas zanima je li
82
Sluajna varijabla
y
5
6
0.8
0.6
0.4
1
0.2
Slika 2.10: Histogram Bernullijeve distribucije iz primjera 2.14.

izvuen ispravan ili lo proizvod. Neka je 1 oznaka dobrog proizvoda, tada je:

0
1
X=
0.02 0.98
2.4.3
Binomna distribucija
Binomna distribucija vezana je uz nezavisno ponavljanje uvijek istog pokusa.

Ako nas pri svakom izvoenju pokusa zanima samo je li se dogodio neki
dogaaj (uspjeh!) ili ne (neuspjeh!), onda svako izvoenje pokusa moemo
modelirati istom Bernoullijevom distribucijom:

0 1
Y =
, p (0, 1), q = 1 p,
q p
gdje p predstavlja vjerojatnost uspjeha.
Pretpostavimo da pokus ponavljamo nezavisno n puta i pri tome nas zanima
broj uspjeha. Za sluajnu varijablu X koja opisuje broj uspjeha u n nezavisnih ponavljanja sluajnog pokusa modeliranog Bernoullijevog sluajnom
varijablom Y kaemo da ima binomnu distribuciju s paramtrima n i p.
83
Primjer 2.16. Stroj proizvodi CD-ove. Vjerojatnost da bude proizveden defektan CD je

p. Zanima nas broj defektnih CD-ova ako s beskonane trake uzimamo njih 100. Sluajna
varijabla koja daje broj defektnih CD-ova je:

0 1 100
,
X=
p1 p2 p100
gdje je:

pi = P {X = xi } =

100 i
p (1 p)100i , i {0, 1, . . . , 100}.
i
Denirajmo sluajnu varijablu s binomnom distribucijom.

Denicija 2.4. Neka je n N i p (0, 1). Za sluajnu varijablu koja prima
vrijednosti u skupu {0, 1, 2, ..., n} s vjerojatnostima

n i
pi = P {X = i} =
p (1 p)ni
i
kaemo da ima binomnu distribuciju s parametrima n i p i piemo:
X B(n, p).
Znaenje parametara u X B(n, p):
p je vjerojatnost uspjeha u jednom izvoenju pokusa,
n je broj nezavisnih ponavljanja pokusa.
Provjerimo je li na ovaj nain dobro denirana distribucija, tj. je li
Vrijedi:
n

i=0
pi =
n

n
i=0
i=0
pi = 1.
pi q ni = (p + q)n = 1.
Primjer 2.17. Pretpostavimo da iz velikog skladita slatkia (u kojem se nalaze okolade, bomboni, keksi, . . . ) 10 puta nezavisno izvlaimo po jedan slatki. Ako je vjerojatnost izvlaenja okolade u jednoj iteraciji p = 0.3, tada sluajna varijabla koja opisuje
broj izvuenih okolada u 10 nezavisnih izvlaenja ima binomnu distribuciju s parametrima
n = 10 i p = 0.3, tj. X B(10, 0.3). Tablica distribucije sluajne varijable X je:
0
1
2
...
10

.
X=
10
10
0.710
0.3 0.79
0.32 0.78 . . . 0.310
1
2
84
Sluajna varijabla
y
0.20
0.15
0.10
0.05
10
Slika 2.11: Histogram binomne distribucija iz primjera 2.17.

Histogram ove distribucije prikazan je slikom 2.11.
Sada lako moemo odrediti npr. sljedee vjerojatnosti:
a) vjerojatnost da smo okoladu izvukli tono 5 puta:

10
P {X = 5} =
0.35 (1 0.3)5 = 0.102919;
5
b) vjerojatnost da smo okoladu izvukli manje od 3 puta:
P {X < 3} = P {X 2} =
2

10
k=0
0.3k (1 0.3)10k = 0.382783;
c) vjerojatnost da smo okoladu izvukli barem 2 puta:

P {X 2} = 1 P {X < 2} = 1
1

10
k=0
2.4.4
0.3k (1 0.3)10k = 0.850692.
Poissonova distribucija
Ova distribucija, slino kao i binomna, moe se primijeniti kod sluajne varijable koja broji uspjehe. Meutim, ne pri nezavisnom ponavljanju pokusa
nego u jedininom vremenskom intervalu ili intervalu volumena, mase, itd.
ako pokus zadovoljava sljedee uvjete:
85
vjerojatnost da se pojavi uspjeh ne ovisi o tome u kojem e se jedininom intervalu dogoditi,

broj uspjeha u jednom intervalu neovisan je o broju uspjeha u nekom
drugom intervalu,
oekivani broja uspjeha je isti za sve jedinine intervale i dan je pozitivnim realnim brojem .
Denicija 2.5. Sluajna varijable X ima Poissonovu distribuciju s parametrom > 0, ako prima vrijednosti iz skupa {0, 1, 2, . . .} s vjerojatnostima
pi = P {X = i} = e
Tada piemo X P().
i
.
i!
Histogram distribucija Poissonove sluajne varijable s parametrom 3 za skup

realizacija {0, 1, 2, . . . , 15} prikazan je slikom 2.12.
y
0.20
0.15
0.10
0.05
0
10 11 12 13 14 15
Slika 2.12: Histogram Poissonove distribucija s parametrom 3 za skup realizacija

{0, 1, 2, . . . , 15}.
Provjerimo je li na ovaj nain dobro denirana distribucija, tj. je li

Vrijedi:

e i
i=0
i!
=e

i
i=0
i!
= e e = 1.
i=0
pi = 1.
86
Sluajna varijabla
Primjer 2.18. Pretpostavimo da neki ka u toku jednog sata posjeti prosjeno 15

ljudi. Sluajna varijabla koja broji posjetitelje kaa tijekom jednog sata je Poissonova
sluajna varijabla s parametrom = 15, tj. X P(15). Ona prima vrijednosti iz skupa
R(X) = {0, 1, . . .} s pripadnim vjerojatnostima
pi =
15i 15
e , i R(X).
i!
Na temelju navedenih informacija moemo npr. odrediti sljedee vjerojatnosti:

a) vjerojatnost da je ka u toku jednog sata posjetilo tono 20 ljudi:
P {X = 20} =
1520 15
e
= 0.0418103;
20!
b) vjerojatnost da je ka u toku jednog sata posjetilo manje od 15 ljudi:

P {X < 15} = P {X 14} =
14

15i
i=0
i!
e15 = 0.465654;
c) vjerojatnost da je ka u toku jednog sata posjetilo vie od 10 ljudi:

P {X > 10} = 1 P {X 10} = 1
10

15i
i=0
i!
e15 = 0.881536.
Poissonova distribucija se moe dobiti i kao aproksimacija binomne ako je

parametar n binomne jako velik. Ilustracija ove tvrdnje dana je primjerom
2.19.
Primjer 2.19. Na neku telefonsku centralu u pola sata stie 600 poziva uglavnom
ravnomjerno rasporeenih u tom vremenu (tj. prosjeno 600
30 = 20 po minuti). Broj poziva u
prvoj minuti moemo modelirati binomnom distribucijom. Naime, vjerojatnost da se poziv
1
(jer su pozivi uglavnom jedoliko rasporeeni u
dogodi u prvoj od tih 30 minuta je p = 30
vremenu). Meutim, broj poziva u minuti je sluajna varijabla pa, iako je prosjean broj
poziva po minuti 20, u modelu moramo pretpostaviti da se u prvoj minuti moe dogoditi od
0 do 600 poziva, dakle, n = 600 za ovu binomnu sluajnu varijablu. Uoimo da prosjean
broj poziva po minuti iznosi np.
Problem s binomnom distribucijom u ovom primjeru je prvenstveno taj da moramo pretpostaviti maksimalan broj poziva u minuti, to u modelu telefonske centrale nije razumno.
1
malen pa vjerojatnosti zadane po binomnoj
Meutim, ovdje je n = 600 velik, a p = 30
87
distribuciji moemo dobro aproksimirati izrazima kojima su zadane vjerojatnosti po Poissonovoj distribuciji s parametrom koji odgovara prosjenom broju poziva po minuti, tj.
= np = 20.
Oznaimo np = i pokaimo da se, pod pretpostavkom velikog n, vjerojatnosti po binomnoj
distribuciji mogu dobro aproksimirati vjerojatnostima po Poissonovoj. Zaista, za binomnu
sluajnu varijablu X B(n, p), te za i {0, . . . , n} je

n
n(n 1)(n 2) (n i + 1) i
p (1 p)ni .
pi (1 p)ni =
pi (n) = P {X = i} =
i!
i
Stavimo: = np, tj. p = /n i dobijemo:
n(n 1)(n 2) (n i + 1)
pi (n) =
i!
=
1
i!

1
1
n
i
ni
=
1
n
n

n
i
2
i1
1
1
1
i 1
n
n
n
n
Pustimo li da broj n neogranieno raste vidimo da je:

lim pi (n) =
1 i
e .
i!
Slikom 2.13 prikazan je graf binomne distribucije s parametrima p = 30 i n = 600 i

Poissonove s parametrom = 20 koji ilustrira kvalitetu aproksimacije.
y
0.08
0.06
0.04
0.02
0
20
40
60
80
Slika 2.13: Graf binomne (B(600, 301 ), crvene tokice) i Poissonove (P(20), zelene tokice)
distribucije za i = 0, . . . , 100.
88
2.4.5
Sluajna varijabla
Geometrijska distribucija
Ova distribucija takoer je vezana uz nezavisno ponavljanje istog pokusa s

ishodima "uspjeh" i "neuspjeh", kao i binomna. Meutim, ona se ne koristi za opisivanje broja uspjeha ve za opisivanje broja ponavljanja pokusa
do prvog uspjeha. Preciznije govorei, neka je vjerojatnost pojavljivanja
dogaaja A u svakom od nezavisnih ponavljanja istog pokusa p (0, 1).
Geometrijskom distribucijom opisana je sluajna varijabla koja daje broj
potrebnih pokusa da bi se realizirao taj dogaaj. Budui da je, pod ovim
pretpostavkama, vjerojatnost pojavljivanja dogaaja A u k-tom pokusu

c c
k1
P {X = k} = P
A
Ac A
A
= (1 p) p,

(k1) puta
geometrijsku distribuciju moemo denirati na slijedei nain:

Denicija 2.6. Sluajna varijabla X ima geometrijsku distribuciju s
parametrom p, p (0, 1), ako prima vrijednosti iz skupa {1, 2, 3, . . .} s
vjerojatnostima
pk = P {X = k} = p(1 p)k1 .
Pokaimo da je na ovaj nain dobro denirana distribucija, tj. da je

pi = 1.
Koristei formulu za sumu geometrijskog reda imamo:

i=1
pi =

i=1
p(1 p)i1 = p
i=1
1
= 1.
1 (1 p)
Primjer 2.20. Tipkovnica na prijenosnom raunalu nekog proizvoaa sastoji se od

86 tipki. Pretpostavimo da zatvorenih oiju trebamo stisnuti tipku za slovo A. Budui je
vjerojatnost pogotka bilo koje tipke jednaka 1/86 (pretpostavimo da pri svakom pokuaju
pogodimo neku tipku, tj. da nikada ne promaimo tipkovnicu), zakljuujemo da sluajna
varijabla koja opisuje broj stisnutih tipki do uspjenog stiskanja tipke za slovo A ima geometrijsku distribuciju s parametrom p = 1/86. Tako denirana sluajna varijabla prima
vrijednosti iz skupa R(X) = {1, 2, . . .} s pripadnim vjerojatnostima

k1
1
1
.
pk = P {X = k} =
1
86
86
89

Sada moemo izraunati sljedee vjerojatnosti:
a) vjerojatnost da je tipka za slovo A stisnuta u petnaestom pokuaju:
1
P {X = 15} =
86
1
1
86
14
= 0.00987161.
b) vjerojatnost da je tipka za slovo A stisnuta u manje od 5 pokuaja:

k1
4

1
1
P {X < 5} = P {X 4} =
= 0.0457066.
1
86
86
k=1
c) vjerojatnost da niti nakon 20 pokuaja jo nismo uspjeli stisnuti tipku za slovo A:

k1
20

1
1
= 0.791424.
P {X > 20} = 1 P {X 20} = 1
1
86
86
k=1
2.4.6
Hipergeometrijska distribucija
Neka je skup iz kojeg vrimo odabir elemenata konaan i neka se sastoji od

tono N elemenata od kojih je M tipa 1, a (N M ) tipa 2. Pretpostavimo
da smo na sluajan nain iz tog skupa odabrali n < N elemenata, i to bez
vraanja prethodno izvuenih elemenata. Tada broj izvuenih elemenata tipa
1 modeliramo hipergeometrijskom distribucijom s parametrima N , M i
n.
Denicija 2.7. Diskretna sluajna varijabla X ima hipergeometrijsku
distribuciju s parametrima N , M i n, N, M, n N, ako prima vrijednosti iz skupa R(X) = {k N : max (0, n N + M ) k min (n, M )} s
vjerojatnostima

M
N M
k
nk

.
pk = P (X = k) =
N
n
Pokaimo da je na ovaj nain dobro denirana distribucija, tj. da je
k=0
pk =
90
Sluajna varijabla
1. Primjenom gornje Van der Mondeove konvolucije slijedi:

M
N M
N

n
n
n

k
N M
1 M
nk
n

= = 1.
=
pi =
N
N
N
k
nk
k=0
k=0
k=0
n
n
n
Primjer 2.21. Na polici se nalazi 10 knjiga od kojih su 4 kriminalistiki romani. Na
sluajan nain biramo 5 knjiga. Sluajna varijabla X koja modelira broj kriminalistikih
romana od 5 odabranih knjiga ima hipergeometrijsku distribuciju s parametrima N = 10,
M = 4 i n = 4. Slika sluajne varijable X je skup R(X) = {0, 1, 2, 3, 4}. Na temelju
poznatih informacija odredite:
a) vjerojatnost da su odabrana tono 3 kriminalitika romana:

4
10 4
5
3
53

.
P {X = 3} =
=
10
21
5
b) vjerojatnost da su odabrana najvie 3 kriminalitika romana:
P {X 3} = P {X = 0} + P {X = 1} + P {X = 2} + P {X = 3} =
41
.
42
c) vjerojatnost da su odabrana najmanje 3 kriminalitika romana:

P {X 3} = 1 P {X < 3} = 1 (P {X = 0} + P {X = 1} + P {X = 2}) =
11
.
42
Neka je X hipergeometrijska sluajna varijabla s parametrima N , M i n.

Ako N i M tako da M/N p, gdje je p pozitivna konstanta,
tada

M
N M

n k
k
nk

lim
=
p (1 p)nk , k {0, 1, . . . , n}.
N
N
k
n
Ova tvrdnja daje aproksimaciju hipergeometrijske distribucije binomnom distribucijom u sluaju kad je n malen u odnosu na N i M , a intuitivno se moe
opravdati time da se odabir n elemenata iz N -lanog skupa bez vraanja
prethodno izvuenih elemenata (hipergeometrijska distribucija) moe za velik
N "aproksimirati" odabirom n elemenata s vraanjem izvuenih elemenata
u skup (binomna distribucija).
Primjeri parametarski zadanih neprekidnih distribucija
2.5
91
Primjeri parametarski zadanih neprekidnih

distribucija
Slino kao u diskretnom sluaju, i meu neprekidnim sluajnim varijablama

postoje parametarski zadane familije sluajnih varijabli koje se esto koriste.
Ovdje emo uvesti samo etiri takve familije. Jo neke od njih, koje emo
koristiti u statistici, denirat emo naknadno.
2.5.1
Uniformna distribucija na intervalu (a, b)
Ova distribucija vee se uz pokuse za koje je poznato da mogu primiti vrijednost iz ogranienog intervala (a, b) ali pri tome nema razloga preferirati
neko podruje, tj. vjerojatnost realizacije intervala (x1 , x2 ) e ovisiti samo o
njegovoj duljini sve dok je on sadran u (a, b).
Denicija 2.8. Za neprekidnu sluajnu varijablu X kaemo da ima uniformnu distribuciju na intervalu (a, b), a < b, ako joj je funkcija gustoe
vjerojatnosti dana izrazom
1
, x (a, b)
ba
f (x) =
.
0
, x
/ (a, b)
Obzirom da za svaku neprekidnu sluajnu varijablu X vrijedi P {X = x0 } =
0, vidimo da u vjerojatnosnom smislu ne treba praviti bitnom razliku izmeu
uniformne distribucije na (a, b) i uniformne distribucije na [a, b] odnosno na
nekom od intervala (a, b], [a, b).
Funkcija distribucije neprekidne uniformne sluajne varijable denirana je na
sljedei nain:
0
, x (, a)
xa
,
x [a, b) .
F (x) =
ba
1
, x [b, )
92
Sluajna varijabla
Primjer 2.22. Pretpostavimo da imamo posudu u koju stane najvie 2 litre vode te da
smo iz slavine u nju sluajno natoili nepoznatu koliinu vode. Sluajna varijabla kojom
opisujemo koliinu vode natoenu u posudu moe se modelirati kao neprekidna uniformna
sluajna varijabla na intervalu (0, 2). Prema tome, njezina funkcija gustoe dana je izrazom
1 , x (0, 2)
f (x) =
,
2
0 , x
/ (0, 2)
a funkcija distribucije izrazom
x
F (x) =
2
x (, 0]
x (0, 2)
x [2, )
Graki prikazi funkcije gustoe i funkcije distribucije dani su slikom 2.14.

y
1
2
2
1
Slika 2.14: Graf funkcije gustoe i funkcije distribucije uniformne distribucije na intervalu
(0, 2).
Npr. vjerojatnost da smo na sluajan nain iz slavine u posudu natoili vie od pola litre,
ali najvie jednu litru, raunamo na sljedei nain:

1 1
1
P {0.5 < X 1} = P {X 1} P {X 0.5} =
dx = .
2 0.5
4
2.5.2
Eksponencijalna distribucija
Ovaj tip distribucije esto se javlja kod sluajnih varijabli koje imaju znaenje
vremena ekanja do pojave nekog dogaaja ako se karakteristike ne mijenjaju
93
tijekom vremena, npr. vrijeme do kvara (tj. vrijeme trajanje) jedne arulje,
vrijeme do pojave neke nesree, itd.
Naime, analizirajmo sluajnu varijablu X koja modelira vrijeme potrebno do
pojave danog dogaaja pod sljedeim pretpostavkama:
vjerojatnost pojave dogaaja u trenutku t ne ovisi o t,
uvjetna vjerojatnost pojavljivanja dogaaja u nekom kratkom intervalu
(t, t + t), uz uvijet da se nije dogodio prije t, proporcionalna je duljini
tog intervala, tj.
P ({X t + t}|{X > t}) = t, > 0.
Vjerojatnost da je vrijeme do pojave dogaaja vea od t + t je
P {X > t + t} = P ({X > t + t}|{X > t}) P {X > t}.
Meutim, pod ovim pretpostavkama je
P ({X > t + t}|{X > t}) = 1 P ({X t + t}|{X > t}) = 1 t,
pa vrijedi
P {X > t + t} = (1 t)P {X > t}.
Oznaimo funkciju S(t) = P {X > t}. Ova funkcija, za male t, treba zadovoljavati svojstvo
S(t + t) = (1 t)S(t),
tj.
S(t + t) S(t)
= S(t),
t
to u limesu, za t 0, znai da mora zadovoljavati diferencijalnu jednadbu
S (t) = S(t).
94
Sluajna varijabla
Rjeenje ove diferencijalne jednadbe je S(t) = Cet , a konstantu moemo

odrediti iz prirodnog uvjeta S(0) = P {X > 0} = 1. Dakle,
S(t) = P {X > t} = et ,
to znai da funkcija distribucije sluajne varijable X ima oblik
F (t) = 1 P {X > t} = 1 et .
Ovo je upravo funkcija distribucije sluajne varijable koju zovemo eksponencijalna s parametrom > 0.
Denicija 2.9. Neprekidna sluajna varijabla X ima eksponencijalnu distribuciju s parametrom > 0 ako je funkcija gustoe dana izrazom

0
, x<0
f (x) =
.
x
e
, x0
Funkcija distribucije ove sluajne varijable dana je izrazom

0
, x<0
.
F (x) =
x
, x0
1e
Primjer 2.23. Vrijeme u sekundama koje protekne od servisa do prvog udara teniske
loptice u tlo modelirano je eksponencijalnom sluajnom varijablom s parametrom = 1/3.
Grafovi funkcije gustoe i funkcije distribucije ove sluajne varijable dani su na slici 2.15
Npr. vjerojatnost da e od servisa do prvog udara teniske loptice u tlo proi vie od dvije,
ali najvie etiri sekunde, raunamo na sljedei nain:

1 4 x/3
e dx = e2/3 (e2/3 1) 1.84593.
P {2 < X 4} = P {X 4} P {X 2} =
3 2
2.5.3
Dvostrana eksponencijalna distribucija
Denicija 2.10. Neprekidna sluajna varijabla X ima dvostranu eksponencijalnu distribuciju s parametrom > 0 ako je funkcija gustoe dana
izrazom
1
f (x) = e|x| , x R.
2
95

y
1
3
10
10
10
10
Slika 2.15: Graf funkcije gustoe i funkcije distribucije eksponencijalne s parametrom

= 1/3.
Funkcija distribucije ove sluajne varijable denirana je sljedeim izrazom:
F (x) =
1 x
e
2
, x0
1 1 ex , x > 0
2
Primjer 2.24. Grafovi funkcije gustoe i funkcije distribucije sluajne varijable X s

dvostranom eksponencijalnom distribucijom s parametrom =
1
prikazani su slikom 2.16.
3
1
6
10
10
10
Slika 2.16: Graf funkcije gustoe i distribucije dvostrane eksponencijalne s parametrom

= 1/3.
96
Sluajna varijabla
2.5.4
Normalna distribucija
Ova sluajna varijabla se najvie koristi u statistikoj teoriji i primjeni.

Teorija je pokazala da ona vrlo dobro opisuje pokuse iji su ishodi posljedica
sume mnogo meusobno nezavisnih i jednako distribuiranih utjecaja. Objasnimo ovu injenicu primjerom.
Primjer 2.25 (Galtonova daska2 ). U dasku ubodemo pribadae kao to je prikazano
na slici 2.17 i iz izvora pri vrhu konstrukcije pustimo da pada mnotvo malih kuglica.
U podnoju ih zaustavljamo podlogom i odreujemo funkciju koja opisuje gustou kuglica
na toj podlozi. Jasno je da su kuglice mnogo puta udarile u pribadae prije nego su pale i
svaki puta su promjenile smjer kretanja. Njihov pomak u stranu od mjesta s kojeg su baene
nastao je kao suma mnogo malih jednako distribuiranih i nezavisnih pomaka uzrokovanih
sudarima. Dobivena gustua kuglica na dasci ima upravo zvonoliki oblik Gaussove krivulje
koja je funkcija gustoe normalne sluajne varijable.
Slika 2.17: Galtonova daska.
Denicija 2.11. Za neprekidnu sluajnu varijablu kaemo da ima Gaussovu

ili normalnu distribuciju s parametrima i 2 ako je njena funkcija gustoe
dana izrazom
(x)2
1
f (x) = e 22 , x R,
2
2
Ovim eksperimentom engleski znanstvenik Sir Francis Galton (1822-1911) demonstrirao je centralni granini teorem. Eksperiment je poznat i pod nazivima "bean machine",
"quincunx" i " Galtonova kutija". Pretraite Internet na tu temu!
97
gdje su i realni brojevi i > 0 (slika 2.18). Ako sluajna varijabla X ima
normalnu distribuciju s parametrima i koristimo oznaku X N (, ).
y
y
5
1
2
10
5
10
Slika 2.18: Graf funkcije gustoe i funkcije distribucije sluajne varijable

X N (4, 2).
Funkcija distribucije normalne sluajne varijable (slika 2.18) denirana je
izrazom
x
(t)2
1
e 22 dt, x R.
F (x) =
2
Specijalno, normalna distribucija s parametrima = 0 i = 1 zove se
jedinina ili standarna normalna distribucija. Gustoa jedinine normalne distribucije dana je izrazom
1
2
f (x) = ex /2 .
2
Vrijednosti funkcije distribucije za ovakve sluajne varijable moraju se raunati koritenjem metoda numerikog integriranja obzirom da se integrali
uglavnom ne daju rijeiti eksplicitno. U veini knjiga koje primjenjuju statistiku dane su tablice vrijednosti funkcije distribucije standardne normalne
sluajne varijable koja je denirana sljedeim izrazom:
1
F (x) =
2
t2
e 2 dt.
98
Sluajna varijabla
y
1
2
4
4
Slika 2.19: Graf funkcije gustoe i funkcije distribucije standardne normalne

sluajne varijable.
U dananje vrijeme se za raunanje vjerojatnosti po normalnoj distribuciji
najee koriste naprednija depna raunala ili korisniki programi za raunala.
Primjer 2.26. Vrijeme (u satima) koje student tree godine studija matematike provede
uei u jednom danu moe se opisati sluajnom varijablom X koja ima normalnu distribuciju s parametrima = 5.43 i = 0.7. Koritenjem programskog paketa Mathematica i
ugraene funkcije CDF [ ] 3 odredite:
a) vjerojatnost da student uei provede manje od 5 sati:
P {X < 5} = CDF [ndist, 5] = 0.269513,
gdje je ndist = N ormalDistribution[5.43, 0.7].
b) vjerojatnost da student uei provede barem 3 sata:
P {X 3} = 1 P {X < 3} = 1 CDF [ndist, 3] = 0.999741.
c) vjerojatnost da student uei provede izmeu 3 i 7 sati:
P {3 < X < 7} = CDF [ndist, 7] CDF [ndist, 3] = 0.987288.
CDF = cumulative distribution function.
Numerike karakteristike sluajne varijable
2.6
99
Iz prethodnih razmatranja jasno je da za opisivanje neke jednodimenzionalne veliine, koja ima sluajan karakter, kao model moe posluiti sluajna
varijabla. Za njeno zadavnje potrebno je zadati distribuciju pa su tada u potpunosti odreena vjerojatnosna svojstva. Distribucije mogu biti jednostavne
ali i vrlo sloenog karaktera i nije uvijek jednostavno predoiti zakonitosti
ponaanja sluajne karakteristike ispisivanjem njene distribucije. Razvojem
teorije vjerojatnosti postalo je jasno da je esto za sluajnu varijablu mogue
denirati nekoliko karakteristinih brojeva koji mogu, zbog svojih generalnih
svojstava, dodatno pomoi u opisivanju sluajne varijable. Takve karakteristine brojeve zvat emo numerike karakteristike sluajne varijable.
2.6.1
Oekivanje diskretne sluajne varijable
Osnovna numerika karakteristika sluajne varijable je matematiko oekivanje.

Denicija 2.12. Neka je (, P(), P ) diskretan vjerojatnosni prostor i X
sluajna varijabla na njemu. Ako red

X()P {} apsolutno konvergira
(tj. ako konvergira red

|X()|P {}), onda kaemo da sluajna varijabla
X ima matematiko oekivanje i broj

EX =
X()P {}
zovemo matematiko oekivanje (oekivanje) sluajne varijable X.

Ova denicija matematikog oekivanja ne moe se jednostavno primijeniti
za njegovo raunanje obzirom da je dana zadavanjem sluajne varijable na
temeljnom vjerojatnosnom prostoru. Za raunanje matematikog oekivanja
puno je prikladnija formula koja se moe dati na osnovu tablice distribucije
diskretne sluajne varijable, o emu upravo govori sljedei teorem.
100
Sluajna varijabla
Teorem 2.1. Neka je (, P(), P ) diskretan vjerojatnosni prostor i

x 1 x2 xn
X=
p1 p2 pn
sluajna varijabla na njemu. Redovi

X()P {} i
xi pi istovremeno ili
iN
apsolutno konvergiraju ili apsolutno divergiraju. U sluajnu apsolutne konvergencije sume su im jednake, tj. vrijedi

X()P {} =
xi pi .
EX =
iN
Dokaz. Koristei injenicu da familija skupova {{X = xi }, i N} ini

particiju skupa (jer je s X zadana funkcija!) vidimo da se jedan red moe
dobiti iz drugog "preslagivanjem lanova" u smislu teorije ponovljenih redova,
tj.

X()P {} =
X()P {} =
xi P {} =
iN {X()=xi }

iN
xi
iN {X()=xi }
P {} =
xi pi .
iN
{X()=xi }
Koritenjem rezultata poglavlja 3.3 (Dodatak) zakljuujemo da ovi redovi

istovremeno ili apsolutno konvergiraju ili apsolutno divergiraju, a u sluaju
apsolutne konvergencije sume su im jednake.
Primjer 2.27. Neka sluajna varijabla X opisuje rezultate bacanja igrae kockice.
Oekivanje ove sluajne varijable je broj
EX =
6

1
i=1
i=
21
.
6
Ako je zadana sluajna varijabla X na (, P(), P ) i funkcija g : R(X)

R, onda je kompozicijom g(X) takoer dana sluajna varijabla na istom
vjerojatnosnom prostoru. Npr. X 2 , 2X + 3, eX ,... su tako nastale sluajne
varijable. Za raunanje njihovih oekivanja (ako postoje) nee biti potrebno
specicirati njihove distribucije ve se moe iskoristiti distribucija sluajne

varijable X. Naime, ako red
101
g(X())P {} apsolutno konvergira onda
postoji oekivanje Eg(X). Meutim, uobiajenim "preslagivanjem" koristei

particiju {{X = xi }, i N} od i teoriju ponovljenih redova, vidimo da
vrijedi:

g(X())P {} =
g(xi )pi .
iN
Time smo dokazali sljedei koristan rezultat:

Teorem 2.2. Neka je (, P(), P ) diskretan vjerojatnosni prostor,

x1 x2 xn
X=
p1 p2 pn
sluajna varijabla na njemu i g : R(X) R funkcija takva da postoji Eg(X).
Tada vrijedi:

g(xi )pi .
Eg(X) =
iN
Koristei ovaj rezultat i deniciju oekivanja moemo dokazati da vrijede

sljedea korisna svojstva oekivanja:
1. Neka su a i b realni brojevi, a X sluajna varijabla koja ima oekivanje.
Tada i sluajna varijabla aX + b ima oekivanje i vrijedi:
E(aX + b) = aEX + b.
2. Ako su X i Y dvije sluajne varijable koje imaju oekivanja i ako
vrijedi X() Y () za sve onda je i EX EY (monotonost
oekivanja).
3. Ako je X sluajna varijabla koja ima svojstvo X() 0 i ako je red
X()P {} konvergentan, tada je EX 0 (pozitivnost oeki
vanja).
Osim navedenih svojstava, oekivanje ima i svojstvo linearnosti. Naime vrijedi sljedei teorem:
102
Sluajna varijabla
Teorem 2.3. Neka su X i Y dvije sluajne varijable na vjerojatnosnom

prostoru (, P(), P ) koje imaju oekivanja EX, odnosno EY . Tada za
proizvoljne a, b R, sluajna varijabla aX + bY takoer ima oekivanje i
vrijedi
E(aX + bY ) = aEX + bEY.
X()P {} i
Y ()P {}
Dokaz. Iz apsolutne konvergencije redova
slijedi apsolutna konvergencija reda

(aX() + bY ())P {}. Tvrdnja teo
rema slijedi iz poznatih rezultata o sumi konvergentnih redova (vidi npr.

[13]).
Koristei princip matematike indukcije moe se dokazati i generalizacija
teorema 2.3 na linearnu kombinaciju konano mnogo diskretnih sluajnih
varijabli koje imaju oekivanje. Formulirajte tvrdnju i dokaite je!
Primjer 2.28. Pretpostavimo da izvodimo sluajan pokus bacanja nepravilno iskovanog
novia kod kojega je relizacija pisma favorizirana i odgovarajua vjerojatnost iznosi 0.7 (
koristit emo oznake: 1=realizacija pisma; 0=realizacija glave). Tada sluajna varijabla
X kojom modeliramo ovaj pokus ima Bernoullijevu distribuciju s parametrom p = 0.7, tj.

0
1
X=
.
0.3 0.7
Sluajna varijabla Y koja opisuje broj realiziranih pisama nakon 100 nezavisnih bacanja
ovog novia ima binomnu distribuciju s parametrima n = 100 i p = 0.7, tj. Y
B(100, 0.7). Kako binomnu sluajnu varijablu moemo predstaviti kao sumu n Bernoullijevih sluajnih varijabli, tj.
Y =
Xi ,
Xi jednako distribuirana kao X,
i,
i=1
raunanje matematikog oekivanja od Y znatno je pojednostavljeno i svodi se na primjenu

svojstva aditivnosti oekivanja:
EX =
100

i=1
EXi =
100

i=1
(0 0.3 + 1 0.7) =
100

0.7 = 100 0.7 = 70.
i=1
Za oekivanje obino kaemo da je jedna mjera centralne tendencije sluajne

varijable. Naime, ako se pitamo postoji li realan broj koji je na neki nain
103
"najblii" sluajnoj varijabli, onda je to u jednom nainu mjerenja udaljenosti

upravo oekivanje. Pri tome udaljenost izmeu sluajne varijable i broja mjerimo kao oekivano kvadratno odstupanje: E(X a)2 .4 Zaista, deniramo li
funkciju g(a) = E(X a)2 = EX 2 2aEX + a2 na R, koritenjem tehnika
diferencijalnog rauna lako vidimo da ona postie minimum upravo u vrijednosti a = EX.
Primjer 2.29. Ilustrirajmo znaenje oekivanog kvadratnog odstupanja sluajne varijable od konstante na primjerima.
Neka je dana sluajna varijabla

X=
E(X a)2 = (1 a)2
1
4
1
4
1
4
1
4
1
1
1
1
+ (2 a)2 + (3 a)2 + (4 a)2 .
4
4
4
4
Minimum ove funkcije po a je tono prosjek vrijednosti koje sluajna varijabla moe
postii, tj. 2.5. Uoimo da se ovdje sve vrijednosti reliziraju s istom vjerojatnou
(vidi sliku 2.20).
Neka je dana sluajna varijabla

X=
E(X a)2 = (1 a)2
1
8
1
8
1
8
5
8
1
1
1
5
+ (2 a)2 + (3 a)2 + (4 a)2 .
8
8
8
8
Minimum ove funkcije po a vie nije prosjek vrijednosti koje sluajna varijabla moe
primiti jer vrijednost 4 ima bitno veu vjerojatnost (teinu) nego ostale. Ovdje je
minimum za a = 3.5, tj. "povuen" je prema 4 (vidi sliku 2.20).
Minimalno oekivano kvadratno odstupanje sluajne varijable od konstante,

koje se postie u oekivanju, takoer ima svoje znaenje. Zove se varijanca i
tema je sljedeeg poglavlja.
4
Ve o ovoj temi moete pogledati npr. u [30].
104
Sluajna varijabla
y
y
0.25
1
8
2 2.5 3
3 3.5 4
Slika 2.20: Grafovi distribucija sluajnih varijabli iz primjera 2.29.
2.6.2
Varijanca i ostali momenti. Vane nejednakosti
Koristei deniciju oekivanja, za sluajnu varijablu deniramo momente i

centralne momente.
Denicija 2.13. Neka je X sluajna varijabla na diskretnom vjerojatnosnom
prostoru (, P(), P ) i r > 0.
Ako postoji E(X r ), onda broj r = E(X r ) zovemo moment r-tog
reda ili r-ti moment od X.
Ako postoji E(|X|r ), onda broj E(|X|r ) zovemo apsolutni moment
r-tog reda ili r-ti apsolutni moment od X.
Ako postoji EX i E(|X EX|r ) onda broj E(|X EX|r ) zovemo r-ti
centralni moment od X.
Ako postoji E(X EX)2 onda taj nenegativan broj zovemo varijanca
2
ili 2 .
sluajne varijable X i oznaavamo V ar X, X
Uoimo:
Oekivanje sluajne varijable X je njen moment prvog reda. Oekivanje
uobiajeno oznaavamo umjesto 1 .
Varijanca je drugi centralni moment. Ona predstavlja oekivano kvadratno
odstupanje sluajne varijable od njenog oekivanja.
105
Primjer 2.30. Neka je sluajna varijabla X zadana tablicom distribucije

X=
a
0.3
a
0.3
a2
0.4
Izraunajmo sljedee momente ove diskretne sluajne varijable: EX, EX 2 , EX 3 , V ar X,

E(X E(X))3 .
EX = 0.3a + 0.3a + 0.4a2 = 0.4a2 .
EX 2 = 0.6a2 + 0.4a4 = 0.2a2 (2a2 + 3).
EX 3 = 0.3a3 + 0.3a3 + 0.4a6 = 0.4a6 .
V ar X = E[(X E(X))2 ] = EX 2 [EX]2 = 0.24a2 (a2 + 2.5).
E(X E(X))3 = EX 3 3EX 2 EX + 2[EX]3 = 0.464a6 0.6a2 (2a2 + 3).
Propozicija 2.1. Neka je r > 0 i E(|X|r ) postoji. Tada postoji i E(|X|s )

za svaki 0 < s < r.
Dokaz. Za svaki realan broj x i 0 < s < r vrijedi nejednakost:
|x|s < 1 + |x|r .
Odavde i iz monotonosti oekivanja vidimo da vrijedi:
|X|s 1 + |X|r = E(|X|s ) 1 + E(|X|r ) < ,
pa postoji oekivanje od X s .
Kao ilustraciju moguih interpretacija momenata navodimo tzv. ebievljevu nejednakost koja daje korisnu interpretaciju oekivanja i varijance svake
sluajne varijable za koju je varijanca denirana.
Propozicija 2.2 (ebievljeva nejednakost). Neka je X sluajna vrijabla
koja ima varijancu 2 te neka je dan broj k > 0. Tada vrijedi:
P {|X | k}
gdje je oekivanje sluajne varijable X.
1
,
k2
106
Sluajna varijabla
U dokazu ove propozicije iskoristit emo sljedeu nejednakost koja je openito

vrlo korisna u teoriji vjerojatnosti.
Teorem 2.4. Neka je X sluajna varijabla na vjerojatnosnom prostoru (, P()P )
i g nenegativna funkcija denirana na R(X) takva da postoji Eg(X). Tada
za svaki > 0 vrijedi:
P {g(X) }
Eg(X)
.
Dokaz. Prije svega, uoimo jednu openito korisnu injenicu: ako je A

P() neki skup, oznaimo li

1 , A
IA () =
,
0 ,
/A
IA je sluajna varijabla na koju moemo iskoristiti za povezivanje vjerojatnosti skupa A i pojma oekivanja sluajne varijable. Naime, distribucija ove
sluajne varijable ima oblik

0
1
IA =
, p = P {IA = 1} = P (A).
1p p
Dakle, vrijedi:
EIA = P (A).
Koritenjem ovog naina oznaavanja, monotonosti i linearnosti oekivanja
te nenegativnosti funkcije g vidimo da za svaki > 0 vrijedi:
Eg(X) = E(g(X)I{g(X)} + g(X)I{g(X)<} )
= E(g(X)I{g(X)} ) + E(g(X)I{g(X)<} )
E(g(X)I{g(X)} ) EI{g(X)}
= P {g(X) },
to dokazuje tvrdnju.
107
Dokaz (ebievljeva nejednakost). Iz prethodnog teorema slijedi:

P {|X EX| k} = P {|X EX|2 k 2 2 }
E|X EX|2
V ar X
1
= 2 2 = 2.
2
2
k
k
k
Interpretacija varijance i oekivanja koritenjem ebievljeve nejednakosti
zapravo se temelji na drugom korijenu iz varijance. Tu veliinu, tj. V ar X

zovemo standardna devijacija sluajne varijable i oznaavamo X ili .
Dakle, vidimo da ebievljeva nejednakost tvrdi: vjerojatnost da odstupanje sluajne varijable X od njenog oekivanja bude po apsolutnoj vrijednosti vee ili jednako k standardnih devijacija, manja je
ili jednaka od 1/k 2 .
Primjer 2.31. Neka je X sluajna varijabla kojom je modeliran broj kinih dana u
Osijeku tijekom jedne godine. Poznato je da je oekivani broj kinih dana 128, a pripadna
standardna devijacija 4. Ako elimo ocijeniti P {|X EX| < 5}, tj. vjerojatnost da broj
kinih dana u Osijeku tijekom jedne godine odstupa od oekivanog broja za manje od pet
dana, koristimo ebievljevu nejednakost. Iz ebievljeve nejednakosti dane u propoziciji
2.2 primjenom svojstva vjerojatnosti suprotnog dogaaja slijedi da je
P {|X EX| k} 1
1
.
k2
Budui je u ovom primjeru EX = 128, = 4 i k = 5, tj. k = 5/4, slijedi da je

P {|X 128| < 5} 0.36.
Primjer 2.32. Broj komaraca na kvadratnom metru travnate povrine tijekom lipnja u
gradu Osijeku modeliran je sluajnom varijablom X. Poznato je da je u opisanim uvjetima
oekivani broj komaraca po metru kvadratnom 50, a pripadna varijanca 64. Ako je poznato
da je
P {|X 50| < 8k} 0.5,
tada moemo odrediti donju i gornju granicu broja komaraca na kvadratnom metru u
zadanim uvjetima. Iz
1
1 2 = 0.5
k
slijedi da je k = 2. Prema tome je

0.5 P 50 8 2 < X < 50 + 8 2 0.5.
108
Sluajna varijabla
Budui je (50 8 2) 38.6863 i (50 + 8 2) 61.3137 i broj komaraca mora biti prirodan
broj, gornji rezultat moemo interpretirati na sljedei nain: s vjerojatnou barem 0.5 e
tijekom mjeseca lipnja na kvadratnom metru travnate povrine u Osijeku biti vie od 38,
ali najvie 61 komarac.
Na primjer, vjerojatnost je manja ili jednaka 1/9 11.1% da sluajna varijabla odstupa od svog oekivanja za vie od 3 standardne devijacije. Koritenjem statistike interpretacije vjerojatnosti moemo tada zakljuiti da
e se, prilikom puno nezavisnih realizacija sluajne varijable X, u ne vie
od 11,1% slujeva realizirati vrijednosti izvan intervala [ 3, + 3], a u
barem 88.9% sluajeva vrijednosti unutar tog intervala. Kao to se moe vidjeti iz ovih objanjenja, ima smisla standardnu devijaciju smatrati jednom od
mjera koja govori o rasprenosti realizacija sluajne varijable oko oekivanja,
tj. mjerom rasprenja.
Primjer 2.33. Neka je dana sluajna varijabla X koja ima oekivanje 0.7 i standardnu
devijaciju 0.458. Tada ebievljeva nejednakost garantira: vjerojatnost odstupanja ove
sluajne varijable od 0.7 za vie od dvije standardne devijacije iznosi najvie 0.25. Naime
P {|X 0.7| 2}
1
.
4
Koritenjem statistike interpretacije vjerojatnosti moemo zakljuiti da e se, prilikom

puno nezavisnih realizacija ove sluajne varijable, najvie u 25% slujeva realizirati vrijednosti izvan intervala [0.7 2 0.458, 0.7 + 2 0.458] = [0.2417, 1.1583], a u barem 75%
sluajeva vrijednosti unutar tog intervala. (Odredite to krai interval koji e sadravati
barem 88% realizacija!)
Dakako, ova ocjena nije jako precizna obzirom da se odnosi na sve sluajne
varijable sa zadanim iznosom oekivanja i standardne devijacije, bez obzira
na tip distribucije. Ukoliko je tono poznata distribucija sluajne varijable
ovakve vjerojatnosti se mogu izraunati i puno preciznije, to e biti ilustrirano u narednim poglavljima.
Obzirom da je varijanca moment koji emo esto koristiti, dokaimo nekoliko
korisnih svojstava.
Vana vojstva varijance
109
Neka je X sluajna varijabla koja ima varijancu, te a i b proizvoljni

realni brojevi. Tada vrijedi
V ar (aX + b) = a2 V ar X.
Dokaz.
V ar (aX + b) = E ((aX + b) (aEX + b))2 =
= E (aX aEX)2 = a2 E(X EX)2 = a2 V ar X.
Ako za sluajnu varijablu X vrijedi V ar X = 0, onda ona zapravo
nema karakter sluajnosti, tj. P {X = konst} = 1. Oigledno je da
vrijedi i drugi smjer ove tvrdnje, tj. ako za sluajnu varijablu X vrijedi
P {X = konst} = 1, onda je V ar X = 0.
Dokaz. Neka je V ar X = 0. Tada vrijedi: E(X )2 = 0. Obzirom
da je (X )2 0, na skupu na kojemu je (X )2 > 0 mora biti
pripadna vjerojatnost 0, tj. P {(X )2 > 0} = 0. Odavde slijedi da je
P {(X )2 = 0} = 1, tj. P {X = } = 1, to dokazuje prvu tvrdnju.
Za dokaz druge tvrdnje pretpostavimo P {X = c} = 1. Tada je EX = c,
a V ar X = E(X c)2 = 0.
Varijancu moemo raunati takoer primjenom formule
V ar X = EX 2 (EX)2 .
Dokaz. Neka je EX = . Vrijedi:
V ar X = E(X )2 = E(X 2 2EX + 2 ) = EX 2 2 .
2.6.3
Oekivanje i varijanca nekih parametarskih diskretnih distribucija
Parametarski dane familije distribucija esto se koriste u praksi, a njihovi

parametri nerijetko se mogu iskazati u terminima momenata. U ovom poglavlju
110
Sluajna varijabla
izraunat emo oekivanje i varijancu za diskretne parametarske familije

denirane u poglavlju 2.4.
Empirijska distribucija
Za sluajnu varijablu X rekli smo da ima empirijsku distribuciju ako je
njen skup vrijednosti konaan podskup skupa realnih brojava , tj. R(X) =
{x1 , x2 , . . . , xn } R, a pripadni niz vjerojatnosti je deniran na sljedei
nain:
1
pi = P {X = xi } = , i = 1, 2, . . . , n.
n
Oekivanje ove sluajne varijable je aritmetika sredina elemenata skupa
R(X), tj.
n
n

1
xi pi =
xi = xn .
EX =
n
i=1
i=1
Za varijancu tada vrijedi:
1
(xi xn )2 .
n i=1
n
V ar X =
Specijalno, ako je skup vrijednosti {1, 2, 3, . . . , n}, tada je:

EX =
n+1
,
2
V ar X =
n2 1
.
12
Bernoullijeva distribucija
Za sluajnu varijablu rekli smo da ima Bernoullijevu distribuciju ako je
zadana tablicom distribucije

0
1
X=
, p (0, 1).
1p p
Za oekivanje i varijancu lako se dobije:
EX = p, V ar X = p(1 p).
111

Binomna distribucija
Binomna sluajna varijabla B(n, p), n N i p (0, 1), denirana je skupom

vrijednosti {0, 1, 2, ..., n} s pripadnim vjerojatnostima

n i
pi = P {X = i} =
p (1 p)ni .
i
Oznaimo q = 1 p.
Prije nego izraunamo oekivanje i varijancu binomne sluajne varijable
uoimo da za ksne realne brojeva a i b vrijede slijedei izrazi:
g(t) = (at + b)n =
n
i
i=0
g (t) = n(at + b)n1 a =

i
i=1
n

g (1) = n(a + b)n1 a =
g (t) = n(n 1)(at + b)n2 a2 =
ai ti bni
n
i

i
i=1
n

ai ti1 bni
n
i

ai bni

i(i 1)
i=2
g (1) = n(n 1)(a + b)n2 a2 =
n

i=2
n
i

i(i 1)
(2.3)

ai ti2 bni
n
i

ai bni
Primjenom izraza (2.3) dobivamo:

n

n i
EX =
i
p (1 p)ni = np(p + 1 p)n1 = np.
i
i=0
Primjenom izaza (2.3) i (2.4) dobivamo:
(2.4)
112
Sluajna varijabla

n

2 n
pi (1 p)ni (np)2
V ar X = EX (EX) =
i
i
i=0
2
= n(n 1)p2 + np (np)2 = npq.
Dakle, oekivanje i varijanca binomne sluajne varijable dani su sljedeim

izrazima:
E(X) = np, V ar X = npq.
Primjer 2.34. Oekivanje i varijanca binomne sluajne varijable X s parametrima
n = 50 i p =
1
3
iznose:
= np = 16.6667,
2 = np(1 p) = 11.1111,
dok je standardna devijacija = 3.33. Slikom 2.21 prikazana je distribucija ove sluajne
varijable s oznaenim oekivanjem i granicama intervala [ 3, + 3] = [6.67, 26.67].
y
0.12
0.10
0.08
0.06
0.04
0.02
6.67
16.67
26.67
Slika 2.21: Distribucija sluajne varijable X B(50, 13 ).

Odredimo vjerojatnost realizacije ove sluajne varijable unutar intervala (6.67, 26.67), tj.
vjerojatnost realizacije sluajne varijable udaljene od oekivanja za manje od tri standardne
devijacije:
P {X (6.67, 26.67)} =
26 i 50i

50
1
2
i=7
= 0.999054.
Dakle, ova sluajna varijabla e se s vjerojatnou 0.997402 realizirati unutar intervala

[ 3, + 3]. Koritenjem statistike interpretacije vjerojatnosti moemo zakljuiti da
113
e, prilikom puno nezavisnih realizacija ove sluajne varijable, njih 99.7% pasti unutar tog
intervala.
Odredite najkrai simetrian interval oko oekivanja za koji moemo tvrditi da e sadrati
barem 95% realizacije ove sluajne varijable prilikom puno nezavisnih ponavljanja pokusa.
(Iskoristite raunalo!)
Poissonova distribucija
Sluajna varijabla X ima Poissonovu distribuciju s parametrom > 0 ako
prima vrijednosti iz skupa {0, 1, 2, . . .} s vjerojatnostima
pi = P {X = i} = e
i
.
i!
Izraunajmo oekivanje i varijancu Poissonove sluajne varijable:

e i
i
i1
EX =
=e
= e e = .
i
i =e
i!
i!
(i 1)!
i=0
i=0
i=1
EX 2 =

e i
i
= e
=
i2
i
i!
(i
1)!
i=0
i=1
= e

i=1

= e
(i 1 + 1)
i1
=
(i 1)!

i2
i1
+
(i 2)! i=1 (i 1)!

i=2
= e [e + e ] = ( + 1),
V ar X = EX 2 (EX)2 = 2 + 2 = .
Dakle, oekivanje i varijanca Poissonove sluajne varijable dani su sljedeim
izrazom:
EX = V ar X = .
114
Sluajna varijabla
y
0.20
0.15
0.10
0.05
4
Slika 2.22: Distribucija sluajne varijable X P(4).

Primjer 2.35. Oekivanje i varijanca Poissonove sluajne varijable X s parametrom
4 jednaki su vrijednosti parametra, tj. 4, dok je standardna devijacija = 2. Slikom
2.22 prikazana je distribucija ove sluajne varijable s oznaenim oekivanjem i granicama
intervala [ 2, + 2] = [0, 8].
Odredimo vjerojatnost realizacije ove sluajne varijable unutar intervala [0, 8], tj. vjerojatnost realizacije sluajne varijable udaljene od oekivanja za manje ili tono dvije standardne
devijacije:
8

4i
e4 = 0.978637.
P {X [0, 8]} =
i!
i=0
[ 2, + 2]. Koritenjem statistike interpretacije vjerojatnosti moemo zakljuiti da
intervala.
Odredite najkrai simetrian interval oko oekivanja za koji moemo tvrditi da e sadrati
barem 95% realizacije ove sluajne varijable prilikom puno nezavisnih ponavljanja pokusa.
(Iskoristite raunalo!)
Geometrijska distribucija
Sluajna varijabla X ima geometrijsku distribuciju s parametrom p, p
(0, 1), ako prima vrijednosti iz skupa {1, 2, 3, . . .} s vjerojatnostima
pk = P {X = k} = p(1 p)k1 .
115

Izraunajmo oekivanje i varijancu ove distribucije.
Deriviranjem jednakosti

1
=
xi ,
1x
i=0
|x| < 1,
(2.5)
po x i primjenom dobivenog izraza uz x = 1 p slijedi

EX =

i=1
1
ip(1 p)i1 .
p
Primjenom druge derivacije izraza 2.5 uz x = 1 p dobivamo

V ar X =
1p
.
p2
Primjer 2.36. Oekivanje i varijanca geometrijske sluajne varijable X s parametrom

p=
1
3
iznose
1
1p
= 3, 2 =
= 6,
p
p2
dok je standardna devijacija = 2.45. Slikom 2.23 prikazana je distribucija ove sluajne
varijable s oznaenim oekivanjem i granicama intervala [ , + ] = [0.55, 5.45].
=
0.3
0.2
0.1
5.45
Slika 2.23: Distribucija geometrijske sluajne varijable s parametrom p = 13 .

Odredimo vjerojatnost realizacije ove sluajne varijable unutar intervala (0.55, 5.45), tj.
vjerojatnost realizacije sluajne varijable udaljene od oekivanja za manje od jedne standardne devijacije:
P {X (0.55, 5.45)} =
5

i=1
ip(1 p)i1 = 0.578875.
116
Sluajna varijabla

[ , + ]. Koritenjem statistike interpretacije vjerojatnosti moemo zakljuiti da
intervala.
Odredite jedan logian interval oko oekivanja za koji moemo tvrditi da e sadrati barem
95% realizacije ove sluajne varijable prilikom puno nezavisnih ponavljanja pokusa. (Iskoristite raunalo!)
2.6.4
Oekivanje i momenti neprekidne sluajne varijable
Za neprekidne sluajne varijable oekivanje se denira koritenjem pripadne

funkcije gustoe.
Denicija 2.14. Neka je X neprekidna sluajna varijabla s funkcijom gustoe f (x). Ako je konaan integral

|x|f (x) dx,
onda kaemo da sluajna varijabla X ima oekivanje i broj

xf (x) dx,
= EX =
zovemo matematiko oekivanje neprekidne sluajne varijable X.
Valja naglasiti da sva spomenuta svojstva oekivanja (vidi poglavlje 2.29)

koja vrijede za diskretne sluajne varijable, vrijede i ovdje. Takoer, ako je
dana realna funkcija realne varijable g, onda oekivanje sluajne varijable5
5
za uvjete na funkciju g koji osiguravaju da je g(X) neprekidna sluajna vrijabla pogledati npr. [30]
117
g(X) moemo raunati analogno diskretnom sluaju ali koristei funkciju

gustoe i integral umjesto sume, tj.

g(x)f (x) dx.
Eg(X) =
Denicija momenata je onda identina deniciji momenata u diskretnom

sluaju, ali se drugaije rauna obzirom da se denicije oekivanja razlikuju.
Tako je npr. drugi centralni moment, odnosno varijanca, deniran na sljedei
nain:

V ar X =
x EX 2 f (x) dx.
Takoer se moe pokazati da pri ovoj deniciji ostaju sauvana sva svojstva
varijance dokazana u poglavlju 2.6.2 za diskretan sluaj, kao i navedene korisne nejednakosti (vidi npr. [30]).
Primjer 2.37. Funkcija gustoe sluajne varijable denirana je sljedeim izrazom:

f (x) =
sin x
0
,
,
x (0, /2]
.
x
/ (0, /2]
Izraunajmo sljedee momente ove neprekidne sluajne varijable: EX, EX 2 , EX 3 , V ar X,

E[X E(X)]3 .
/2
E(X) =
x sin x dx = 1
0
EX 2 =
/2
x2 sin x dx = 2
EX 3 =
/2
x3 sin x dx =
3
( 8)
4
V ar X = EX 2 (EX)2 = 3
/2
3 2
E[X E(X)] =
3 + 2.
(x E(X))3 sin x dx =
4
3
118
2.6.5
Sluajna varijabla
Oekivanje i varijanca nekih parametarskih neprekidnih distribucija
Analogno parametarskim diskretnim distribucijama, za nastavak kolegija e

biti korisno izraunati i zapamtiti izraze za oekivanje i varijancu nekih
parametarskih neprekidnih distribucija koje se esto koriste. U tu svrhu
je samo potrebno rijeiti zadane integrale. Obzirom da je normalna sluajna
vrijabla najvanija u klasi neprekidnih sluajnih varijabli, ovdje emo navesti
samo izraun oekivanja i varijance te distribucije, a za ostale navodimo eksplicitne izraze u tablici 2.1.
Oekivanje i varijanca normalne distribucije
Neka je X N (, ), tj.
f (x) =
(x)2
1
e 22 ,
2
x R.
Da bismo lake rijeili potrebne integrale uoimo prvo da je funkcija

x2
1
g(x) = x e 2
2
neparna funkcija, pa je

g(x) dx = 0.
Osim toga,
Primjenom supstituciije t =
1
EX =
2
x2
1
e 2 dx = 1.
2

xe
dobijemo:
(x)2
2 2
1
dx =
2
t2
(t + ) e 2 dt
119

1
=
2
= ,
EX 2
1
=
2
2
=
2
2
=
2

t e
x2 e
1
dt +
2
(x)2
2 2
2 t2
te
t2
1
dx =
2
2
dt +
2
t2
e 2 dt

te
t2
(t + )2 e 2 dt
t2
2
dt +
2
t2
e 2 dt
t2
t2 e 2 dt + 2 .
Gornji integral rjeavamo parcijalnom integracijom:

2
2
2
te

2 t2
te
2 t2
dt =
2

te
2
dt = 0 +
2
t2
t2

dt ,
t2
e 2 dt = 0 + 2 .
Dakle, V ar X = 2 .
Uoimo da su parametri i 2 normalne distribucije upravo njezino matematiko oekivanje i varijanca, redom.
Primjer 2.38. Graf funkcije gustoe normalne sluajne varijable s oekivanjem 5 i
varijancom 1 prikazan je slikom 2.24.
Vidimo da funkcija gustoe ima maksimum u oekivanju, a za vrijednosti nezavisne varijable x1 = i x2 = + ima toke ineksije. Odredimo vjerojatnost realizacije ove
sluajne varijable unutar intervala [, +] = [4, 6], tj. vjerojatnost realizacije sluajne
120
Sluajna varijabla
y
0.4
0.3
0.2
0.1
Slika 2.24: Graf funkcije gustoe normalne distribucije s oekivanjem 5 i varijancom 1.

varijable udaljene od oekivanja za manje ili tono jednu standardnu devijaciju (koristite
raunalo!).
P {X [4, 6]} = 0.682689.
Provjerite da vrijedi:
P {X [ 2, + 2]} = 0.9545.
P {X [ 3, + 3]} = 0.9973.
121

Naziv distribucije
Bernoullijeva, p (0, 1)
distribucija (gustoa)

0
1
1p p
p(1 p)
np
np(1 p)
1
p
1p
p2
a+b
2
(b a)2
12
f (x) = ex I[0,) (x)
1
2
f (x) = 12 e|x|
2
2
Geometrijska
R(X)=
{0, 1, 2, . . . , n}
n i
pi =
p (1 p)ni
i
R(X) = N0
1
pi = e
i!
R(X) = N
G(p), p (0, 1)
pi = p(1 p)i1
Binomna
B(n, p), n N, p (0, 1)
Poissonova
P(), > 0
Uniformna na (a, b)
U (a, b), a < b
f (x) =
1
I(a,b) (x)
ba
Eksponencijalna
E(), > 0
Laplaceova
>0
Normalna
N (, 2 ), R, > 0
oekivanje varijanca
f (x) =
(x)2
1
e 22
2
Tablica 2.1: Tablica distribucija ili funkcija gustoa te oekivanja i varijanci

vanijih parametarskih familija distribucija.
122
2.7
2.7.1
Sluajna varijabla
Neke transformacije sluajnih varijabli

Postupak standardizacije
Koritenjem svojstava oekivanja i varijance dokazat emo da svaku sluajnu varijablu koja ima varijancu moemo ano transformirati (dodavanjem
konstante i mnoenjem s konstantom razliitom od 0) tako da novonastala
sluajna varijabla ima oekivanje 0 i varijancu 1. Takav postupak transformiranja sluajne varijable u statistici se naziva postupak standardizacije.
Propozicija 2.3. Neka je X sluajna varijabla s oekivanjem R i varijancom 2 > 0. Tada sluajna varijabla
Y =
X
, = 2,
ima oekivanje 0 i varijancu 1.

Dokaz. Koritenjem rezultata poglavlja 2.6 vidimo da vrijedi:
EY =
1
(EX ) = 0,
V ar Y =
1
V ar X = 1.
2
Vidimo da smo postupkom standardizacije lako promijenili varijancu i oekivanje sluajne varijable, ali ovdje je ostalo nejasno to se pri toj transformaciji
dogodilo s njenom funkcijom distribucije tj. na koji nain je ona promijenjena.
Propozicija 2.4. Neka je X sluajna varijabla s funkcijom distribucije FX (x),
oekivanjem R i varijancom 2 > 0. Tada sluajna varijabla
Y =
X
, = 2,
ima funkciju distribucije FY (x) = FX (x + ).
123
Dokaz. Obzirom da je > 0, vrijedi:

#
"
X
x = P {X x + } = FX (x + ).
FY (x) = P {Y x} = P
Primjer 2.39. Neka je X B(n, p), n N, p (0, 1). Postupkom standardizacije

dobivamo sluajnu varijablu
X np
Y =$
.
np(1 p)
Uoimo da Y vie nema distribuciju u binomnoj familiji!
Primjer 2.40. Neka je X P(), > 0. Postupkom standardizacije dobivamo sluajnu varijablu
Y =
X
.
Uoimo da Y vie nema distribuciju u Poissonovoj familiji!
Primjer 2.41. Neka je X U (a, b). Funkcija distribucije sluajne varijable X dana
je izrazom
x
F (x) =
0
xa
f (x) dx =
ba
x<a
ax<b .
xb
Postupkom standardizacije dobivamo sluajnu varijablu Y

cije
0
,
x + a
,
FY (x) = FX (x + ) =
ba
1
,
Ovaj oblik funkcije distribucije ekvivalentan je
x a
FY (x) =
b
a
1
sa sljedeom funkcijom distribux + < a

a x + < b .
x + b
obliku
,
x<
x<

a b
,
, tj. postupak standardizacije zadrao je slua
jnu varijablu u istoj klasi, ali s drugim paramterima.

odakle vidimo da je Y U
124
Sluajna varijabla
Primjer 2.42. Neka je X N (, 2 ). Postupkom standardizacije dobivamo sluajnu

varijablu
Z=
X
N (0, 1)
(Provjerite ovu tvrdnju!)
2.7.2
Bijektivna transformacija sluajne varijable
Postupkom standardizacije transformiramo sluajnu varijablu anom funkcijom s pozitivnim koecijentom smjera. Naime, u postupku standardizacije
x
novonastala sluajna varijabla Y kompozicija je ane funkcije g(x) =
i sluajne varijable X, tj. Y = g(X). Pokazali smo da se, kod ovako jednostavne funkcije g, moe lako odrediti funkcija distribucije novonastale sluajne varijable. Slian postupak moe se primijeniti kod svih transformacija
bijektivnim funkcijama g. Ako je sluajna varijabla X diskretna opisanim
postupkom dobivamo sluajnu varijablu Y = g(X) koja je takoer diskretnog
tipa. Meutim, ako je X apsolutno neprekidna, Y = g(X) e biti apsolutno
neprekidna samo ako je mogue izraziti njenu funkciju distribucije pomou
funkcije gustoe.
Primjer 2.43. Neka je dana diskretna sluajna varijabla X tablicom distribucije

X=
x1
p1
x2
p2
...
...
xn
pn
...
...
0 pi 1,
pi = 1
i neka je g : R(X) R bijekcija. Tada sluajna varijabla Y = g(X) ima tablicu distribucije sljedeeg oblika:

g(x1 ) g(x2 ) . . . g(xn ) . . .
Y =
pi = 1.
, pi 1,
p2
...
pn
...
p1
i
Neka je sada X neprekidna sluajna varijabla s funkcijom gustoe fX (x),

a g: R R funkcija. Traimo funkciju distribucije FY sluajne varijable
Y = g(X) :
FY (y) = P {Y y} = P {g(X) y} = P {g(X) (, y]} =
= P {X g 1 ((, y])} = P {X Ay },
125
gdje je Ay = g 1 ((, y]) = {x R : g(x) (, y]} oznaka za original

intervala (, y] obzirom na funkciju g.
Kako je svaka bijektivna funkcija monotona, promatramo sljedee sluajeve:
g : R R je monotono rastua funkcija (slika 2.7.2).
ygx
2.5
2
1.5
1
0.5
g1 y
-4
-3
-2
-1
Slika 2.25: Monotona rastua funkcija g: R R

Uoimo da je za ksni y original intervala A = (, y] jednak intervalu
Ay = g 1 ((, y]) = (, g 1 (y)]. Odavde slijedi:
FY (y) = P {Y y} = P {X Ay } = P {X (, g 1 (y)]} =
= P {X g 1 (y)} = FX (g 1 (y)).
Deriviranjem funkcije distribucije dobivamo funkciju gustoe:
fY (y) =
d
d
FY (y) =
FX (g 1 (y)) = fX (g 1 (y)) [g 1 (y)] .
dy
dy
g : R R je monotono padajua funkcija (slika 2.7.2).

Uoimo da je za ksni y original intervala A = (, y] jednak intervalu
Ay = g 1 ((, y]) = [g 1 (y), +). Odavde slijedi:
FY (y) = P {Y y} = P {X Ay } = P {X [g 1 (y), +)} =
= P {X g 1 (y)} = 1 P {X < g 1 (y)} =
= 1 P {X g 1 (y)} = 1 FX (g 1 (y)).
126
Sluajna varijabla
ygx
2.5
2
1.5
1
0.5
1
g y
-2
-1
Slika 2.26: Monotona padajua funkcija g: R R

Funkcija gustoe je sljedeeg oblika:
fY (y) = fX (g 1 (y)) [g 1 (y)] .
Zajedniki zapis funkcije gustoe sluajne varijable Y = g(X) za monotonu
funkciju g: R R je sljedei
% 1 %
%
% dg %
%
1
% = fX (g 1 (y)) %(g 1 (y)) % .
fY (y) = fX (g (y)) %%
dy %
Primjer 2.44. Neka je dana neprekidna sluajna varijabla X funkcijom gustoe f (x)
i g(x) = ex . Tada je Y = g(X) = eX neprekidna sluajna varijabla s funkcijom gustoe
1
h(x) = f (ln x) za x > 0 i h(x) = 0 za x 0.
x
Zaista,

0
, x0
FY (x) = P {Y x} = P {g(X) x} =
.
P {X g 1 (x)} , x > 0
Nadalje, za x > 0 vrijedi:
P {X g

(x)} =
g 1 (x)
Uz supstituciju t = ln u imamo:
P {X g
Deniranjem funkcije
h(u) =

f (t) dt =

(x)} =
1
f (ln u)
u
x
0
ln x
1
f (ln u) du.
u
,
u0
u>0
f (t) dt.
127

vidimo da je ona nenegativna i vrijedi
P {Y x} =
h(u) du,
pa je time pokazano da je h(u) funkcija gustoe sluajne varijable Y .
Primjer 2.45. Neka je neprekidna sluajna varijabla X zadana funkcijom gustoe f (x)
i g(x) = ex . Tada je Y = g(X) = eX neprekidna sluajna varijabla s funkcijom gustoe
1
h(x) = f ( ln(x)) za x > 0 i h(x) = 0 za x 0.
x
2.7.3
Primjeri transformacija koje nisu bijektivne
Primjer 2.46. Neka je diskretna sluajna varijabla X dana tablicom distribucije

X=
x1
p1
x2
p2
...
...
xn
pn
...
...
pi 1,
pi = 1.
Neka je g : R(X) R proizvoljna funkcija te neka je sluajna varijabla Y denirana

kao Y = g(X). Oznaimo R(Y ) = {w1 , w2 , . . . , wk , . . .}. Tada sluajna varijabla Y ima
tablicu distribucije

w1 w2 . . . w k . . .
Y =
qk = 1,
, qk 1,
q1 q2 . . . qk . . .
k
gdje je
qk =
P {} =
{|g(X)=wk }
pi .
{i|g(xi )=wk }
Primjer 2.47. Neka je sluajna varijabla X zadana tablicom distribucije

X=
a
0.4
0
0.2
a
0.4
Tada sluajna varijabla Y = X 2 , koja je dobivena kompozicijom sluajne varijable X i

nebijektivne funkcije g(t) = t2 , g: R R, ima distribuciju zadanu tablicom

0
a2
X=
.
0.2 0.8
Primjer 2.48. Neka je X neprekidna sluajna varijabla zadana funkcijom gustoe f (x).
Tada je Y = X 2 neprekidna sluajna varijabla s funkcijom gustoe
0
, x<0

1
h(x) =
.
f ( x) + f ( x) , x 0
2 x
128
Sluajna varijabla
Zaista, za x < 0 je P {Y x} oigledno jednako 0. Za x 0 je
P {Y x} = P {X 2 x} = P { x X
x
x} =
Supstitucijom t =
x
f (t) dt =
(f (t) + f (t)) dt.
0
u u ovom integralu vidimo da, za x 0, vrijedi:

x
P {Y x} =

1
f ( u) + f ( u) du.
2 u
Dakle, funkcija distribucije neprekidne sluajne varijable Y = X 2 dana je izrazom
0
, x<0

1
F (x) =
.
f ( u) + f ( u) , x 0
2 u
Odredite funkciju distribucije neprekidne sluajne varijable Y = X 2 , ako je X standardna
normalna sluajna varijabla, tj. X N (0, 1).
2.8
Generiranje sluajnih varijabli
Vaan nain ispitivanja istinitosti tvrdnji koje se odnose na sluajne varijable

je provjera tih tvrdnji na podacima. Meutim, podaci koji se u tu svrhu
trebaju koristiti su realizacije sluajne varijable. Pitanje je, kako prikupiti
podatke iz sluajne varijable zadane distribucije. Radi ilustracije problema
zamislimo da elimo dobiti 30 podataka koji su realizacije Bernoullijeve sluajne varijable

0 1
X=
.
1
1
2
Za to postoji nekoliko jednostavnih naina. Npr., bacimo pravilno iskovan novi 30 puta i pri tome biljeimo 0 ako je palo pismo, a 1 ako se
okrenula glava. Ili, uzmemo kutijicu s istim brojem bijelih i crnih kuglica
pa iz nje nasumino izvlaimo jednu kuglicu 30 puta ali tako da svaki puta
izvuenu kuglicu vratimo u kutijicu i promijeamo. Pri tome biljeimo 0 ako
je izvuena bijela kuglica, a 1 ako je izvuena crna kuglica.
Generiranje sluajnih varijabli
129
Meutim, kako emo dobiti podatke iz npr. normalne distribucije sa zadanim

oekivanjem i varijancom?
Posebno koristan rezultat koji se koristi u tu svrhu odnosi se na distribuciju
sluajne varijable F (X), gdje je F (x) funkcija distribucije sluajne varijable
X.
Naime, pretpostavimo da je X neprekidna sluajna varijabla s funkcijom
distribucije F (x). Obzirom da je X neprekidna sluajna varijabla, F je
neprekidna, rastua bijekcija. Za funkciju distribucije FU sluajne varijable
U = F (X) vrijedi:
, u<0
0
1
FU (u) = P {U u} = P {F (X) u} =
P {X F (u)} , u [0, 1) .
1
, ,u 1
Obzirom da je P {X F 1 (u)} = F (F 1 (u)) = u, vidimo da je U U (0, 1)
i to neovisno o funkciji distribucije F sve dok je ona funkcija distribucije
neprekidne sluajne varijable.
Pogledajmo i drugi smisao ovog rezultata. Poimo od sluajne varijable
U U(0, 1). Odaberimo funkciju distribucije F neprekidne sluajne varijable
X koju elimo modelirati. Oigledno je da se distribucija sluajne varijable
X moe dobiti kao distribucija kompozicije F 1 (U ). Naime, vrijedi:
P {F 1 (U ) x} = P {U F (x)} = F (x).
Dakle, ako trebamo generirati n podataka iz neprekidne sluajne varijable
s distribucijom F , dovoljno je da imamo niz podataka (ui , i = 1, . . . , n) iz
U (0, 1). Traene podatke tada dobijemo kao (F 1 (ui ), i = 1, . . . , n).
Za generiranje realizacija uniformne distribucije na (0, 1) danas se koriste
takozvani generatori sluajnih brojeva koji su ugraeni u sve naprednije raunalne programe.
130
Sluajna varijabla
Uniformna distribucija na intervalu (0, 1) moe se takoer iskoristiti i za

generiranje realizacija diskretnih distribucija. Zainteresirani itatelj moe
vie informacija o tome pronai npr. u [8].
2.9
Zadaci
Zadatak 2.1. Promotrimo sluajan pokus koji se sastoji od bacanja simetrinog

novia dva puta za redom. Neka je X sluajna varijabla ija je vrijednost
broj realiziranih pisama. Naite zakon razdiobe i gustou diskretne sluajne
varijable X, te graki prikaite gustou.
Rjeenje.
Tablica distribucije:
0
X= 1
4
Gustoa:
1
1
2
2
1 .
4
1/4 , x {0, 2}
f (x) =
1/2 , x = 1
0 , inae.
Zadatak 2.2. Strijelac na raspolaganju ima tri metka i gaa metu dok je ne
pogodi ili dok ne potroi sva tri metka. Neka je X sluajna varijabla ija je
vrijednost broj potroenih metaka. Uz pretpostavku o nezavisnosti gaanja
naite zakon razdiobe i gustou od X ako je vjerojatnost pogotka mete pri
svakom gaanju jednaka 0.8.
Rjeenje:

X=
1
2
3
0.8 0.16 0.04
131
Zadaci
Gustoa:
0.8
0.16
f (x) =
0.04
,
,
,
,
x=1
x=2
x=3
inae.
Zadatak 2.3. Promotrimo sluajan pokus koji se sastoji od bacanja simetrine

igrae kockice dva puta za redom. Neka je X sluajna varijabla ija je vrijednost zbroj realiziranih brojeva u oba bacanja. Naite zakon razdiobe i
gustou diskretne sluajne varijable X, te graki prikaite gustou.
Rjeenje:
2
3
X= 1
1
36 18
Gustoa:
4
1
12
5 6
1 5
9 36
1/36
1/18
1/12
f (x) =
1/9
5/36
1/6
7
1
6
,
,
,
,
,
,
,
8
5
36
9
1
9
10
1
12
11
1
18
12
1 .
36
x {2, 12}
x {3, 18}
x {4, 10}
x {5, 9}
x {6, 8}
x=7
inae.
Zadatak 2.4. Iz kutije u kojoj se nalazi 7 kuglica numeriranih brojevima od

1 do 7 izvlae se istovremeno tri kuglice {i, j, k}. Odredite zakon razdiobe,
gustou i funkciju distribucije sluajne varijable X denirane na sljedei
nain:
X({i, j, k}) = max(i, j, k), i, j, k {1, . . . , 7}.
Rjeenje:
3
X= 1
35
4
3
35
5
6
35
6
10
35
7
15 .
35
132
Sluajna varijabla
Gustoa:
1/35
3/35
6/35
f (x) =
10/35
15/35
,
,
,
,
,
,
x=3
x=4
x=5
x=6
x=7
inae.
Funkcija distribucije:
1/35
4/35
F (x) =
10/35
20/35
,
,
,
,
,
,
x (, 3)
x [3, 4)
x [4, 5)
x [5, 6)
x [6, 7)
x [7, )
Zadatak 2.5. U smjeru kretanja automobila nalaze se redom tri semafora

koji rade nezavisno jedan od drugog. Na svakom se s vjerojatnou p = 0.5
pojavljuje crveno i s vjerojatnou q = 0.5 zeleno svjetlo. Sluajna varijabla X predstavlja broj semafora pored kojih prolazi automobil do prvog
zaustavljanja. Odredite distribuciju, gustou i funkciju distribucije diskretne
sluajne varijable X. Skicirajte grafove gustoe i funkcije distribucije.
Rjeenje:
0
X= 1
2
Gustoa:
1/2
1/4
f (x) =
1/8
1
1
4
2
1
8
,
,
,
,
3
1 .
8
x=0
x=1
x {2, 3}
inae.
133
Zadaci
Funkcija distribucije:
1/2
F (x) =
3/4
7/8
,
,
,
,
,
x (, 0)
x [0, 1)
x [1, 2)
x [2, 3)
x [3, )
Zadatak 2.6. Odredite matematiko oekivanje i varijancu sluajne varijable zadane sljedeom tablicom distribucije:

X=
0
1
2
3
4
1/2 1/4 1/8 1/16 1/16
Rjeenje:
E(X) =
15
,
16
V ar X =
367
.
256
Zadatak 2.7. Sluajna varijabla X zadana je tablicom distribucije

X=
1 0
1
3 4 8
a 1/8 a b2 b2 1/4 b
gdje su a i b nepoznati parametri. Ako oekivanje od X iznosi 25/8 , odredite:

a) Vrijednosti parametara a i b;
b) Varijancu sluajne varijable X;
c) Funkciju distribucije sluajne varijable X.
Rjeenje:
a) a =
1
3
,b= ;
16
4
b) V ar X =
719
64
134
Sluajna varijabla
c) Funkcija distribucije:
3/16
5/16
F (x) =
7/16
8/16
12/16
,
,
,
,
,
,
,
x (, 1)
x [1, 0)
x [0, 1)
x [1, 3)
x [3, 4)
x [4, 8)
x [8, )
.
Zadatak 2.8. Odredite vjerojatnost da smo od 2007 kuglica numeriranih
brojevima od 1 do 2007, koje se nalaze u istoj kutiji, izvukli kuglicu:
a) numeriranu brojem 6,
b) numeriranu brojem veim ili jednakim 3,
c) numeriranu brojem strogo manjim od 4.
Rjeenje:
a) P {X = 6} =
1
,
2007
b) P {X 3} =
2005
,
2007
c) P {X < 4} =
3
.
2007
Zadatak 2.9. Poznato je da je u velikom skladitu trgovine informatikom

opremom vjerojatnost pojavljivanja prijenosnog raunala s grekom nastalom
u proizvodnji jednaka 0.02. Pretpostavimo da iz tog skladita biramo 10
prijenosnih raunala. Odredite sljedee vjerojatnosti:
a) vjerojatnost da je tono 5 prijenosnih raunala sa grekom,
b) vjerojatnost da su s grekom najvie 3 prijenosna raunala;
c) vjerojatnost da je s grekom barem 6 prijenosnih raunala.
135
Zadaci
Rjeenje:
a) P {X = 5} = 0.000000728,
b) P {X 3} =,
c) P {X 4} =.
Zadatak 2.10. U Bernoullijevoj shemi (n nezavisnih ponavljanja Bernoullijevog pokusa) zadana vjerojatnost uspjeha iznosi p, p [0, 1]. Odredite
potreban broj pokusa koje treba provesti da bismo s vjerojatnou r imali
barem jedan uspjeh.
Rjeenje:
n=
ln (1 r)
.
ln (1 p)
Zadatak 2.11. Poznata osjeka pizzeria primi u prosjeku 240 narudbi

tijekom jednog sata. Odredite vjerojatnost da u vremenskom periodu od
jedne minute:
a) nije primljena niti jedna narudba;
b) primljene su barem dvije narudbe.
Rjeenje:
a) P {X = 0} = e4 ,
b) P {X 2} = 1 5e4 .
Zadatak 2.12. Neka telefonska centrala primi u prosjeku 120 poziva tijekom
jednog sata. Zbog iznenadnog kvara na centrali tijekom jedne minute pozivi
nisu primani. Kolika je vjerojatnost da u tom periodu centrali nije bilo
upueno vie od 4 poziva?
Rjeenje:
19e2
.
3
Zadatak 2.13. Proizvodi u tvornici, meu kojima se neispravan proizvod
nalazi s vjerojatnou 0.007, pakuju se u kutije po 100 komada. Kolika je
P {X < 4} =
136
Sluajna varijabla
vjerojatnost da kutija ne sadri niti jedan pokvaren proizvod, a kolika da

sadri dva ili vie pokvarenih proizvoda?
Rjeenje:
P {X = 0} = 0.4954,
P {X 2} = 0.1554.
Zadatak 2.14. U skladitu se nalazi m proizvoda od kojih je r loih. Na

sluajan nain izvlaimo n proizvoda.
a) Kolika je vjerojatnost da je tono 5 proizvoda loih?
b) Kolika je vjerojatnost da su barem 2 proizvoda loa?
Zadatak 2.15. U velikom skladitu nalazi se 20000 proizvoda od kojih je
20 loih. Na sluajan nain izvlaimo 10 proizvoda. Odredite vjerojatnost
da su meu njima najvie 3 loa.
Zadatak 2.16. Za zadane realne funkcije realne varijable odredite vrijednost nepoznate konstante tako da svaka od njih bude funkcija gustoe neke
neprekidne sluajne varijable:

ax , 0 x < 1
1. f (x) =
0 , inae

b cos 2x , x [/4, /4)
2. g(x) =
0
, inae
3. skicirajte grafove funkcija f i g.
Zadatak 2.17. Zadana je funkcija gustoe sluajne varijable X:
3 , 0x<1
2
f (x) =
, 1x<2
3
0 , inae
Izraunajte funkciju distribucije sluajne varijable X, te skicirajte grafove
funkcije gustoe i funkcije distribucije.
137
Zadaci
Zadatak 2.18. Neka je X neprekidna sluajna varijabla zadana funkcijom

gustoe

2x , 0 x < 1
f (x) =
0 , inae
b) odredite funkciju distribucije sluajne varijable X i skicirajte njezin
graf,
c) izraunajte P (0.25 < X 2).
Zadatak 2.19. Neka je X neprekidna sluajna varijabla zadana funkcijom
gustoe

cos 2x , x [/4, /4)
f (x) =
0
, inae
b) odredite funkciju distribucije sluajne varijable X i skicirajte njezin
graf,
c) izraunajte P (0 < X /8).
Zadatak 2.20. Unutar kruga radijusa R na sluajan nain biramo toku.
Naite funkciju distribucije i funkciju gustoe sluajne varijable koja je denirana kao udaljenost odabrane toke od sredita kruga.
Napomena: promatrajte krug proizvoljnog radijusa sa sreditem u ishoditu
koordinatnog sustava.
Zadatak 2.21. Sluajna varijabla X zadana je funkcijom gustoe:
x + 1 , 1 x < 0
f (x) =
1x , 0x<1
0
, inae.
Odredite funkciju distribucije sluajne varijable X, te izraunajte njezino
matematiko oekivanje i varijancu.
138
Sluajna varijabla
Zadatak 2.22. Sluajna varijabla X zadana funkcijom gustoe
1
, x (a, b)
ba
f (x) =
0
, x
/ (a, b)
zove se uniformna sluajna varijabla s parametrima a i b, a < b. Odredite
funkciju distribucije sluajne varijable X, te izraunajte njezino matematiko
oekivanje i varijancu.
Zadatak 2.23. Sluajna varijabla X zadana funkcijom gustoe

0
za x < 0
f (x) =
x
e
za x 0
zove se eksponencijalna sluajna varijabla s parametrom > 0. Odredite
funkciju distribucije sluajne varijable X, te izraunajte njezino matematiko
oekivanje i varijancu.
Zadatak 2.24. Diskretna sluajna varijabla zadana je tablicom distribucije:

2 1 0
1
2
X=
.
0.1 0.1 0.2 0.3 0.3
Odredite zakon razdiobe sluajne varijable Y = 3X 2 3.
Zadatak 2.25. Diskretna sluajna varijabla zadana je tablicom distribucije:

X=
2
3
5
6
0.25 0.2 0.3 0.15 0.1
Odredite zakon razdiobe sluajne varijable Y = 3 2 cos2 X.

Zadatak 2.26. Sluajna varijabla X ima binomnu distribuciju s parametrima
n i p, tj. X B(n, p). Odredite zakon razdiobe sluajne varijable Y = 3X +1
te izraunajte njezino matematiko oekivanje i varijancu.
Zadatak 2.27. Neka je FX funkcija distribucije neprekidne sluajne varijable
X. Odredite funkciju distribucije sluajne varijable Y = X.
139
Zadaci
Zadatak 2.28. Sluajna varijabla X uniformno je distribuirana na intervalu

(0, 1), tj. X U(0, 1). Odredite funkciju gustoe i funkciju distribucije
sluajne varijable
a) Y = aX + b, a, b R, a = 0,
b) Z = ln X.
Zadatak 2.29. Sluajna varijabla X ima Cauchyjevu distribuciju s funkcijom gustoe
1
fX (x) =
, x R.
(1 + x2 )
Odredite funkciju gustoe i funkciju distribucije sluajne varijable
a) Y = X 2 ,
b) Z = 1/X.
Zadatak 2.30. Sluajna varijabla X ima uniformnu distribuciju na intervalu
(/2, /2), tj. X U(/2, /2). Odredite funkciju distribucije i funkciju
gustoe sluajne varijable
Y = cos X.
Zadatak 2.31. Sluajna varijabla X ima funkciju gustoe fX (x). Odredite
funkcije gustoa sljedeih sluajnih varijabli:
a)
Y = eX ,
c)
Y =
X, X > 0,
b) Y = eX ,
d) Y = shX =
eX eX
.
2
Zadatak 2.32. Sluajna varijbla X zadana je funkcijom gustoe

x2 /3 , 1 < x < 2
fX (x) =
.
0
,
inae
Odredite funkciju gustoe sluajne varijable Y = X 2 .
140
Sluajna varijabla
Poglavlje 3
Dodatak
3.1
Osnove algebre skupova
Skup A je podskup skupa B (A B) ako je svaki element skupa A

ujedno element i skupa B.
Skup A jednak je skupu B ako je A B i B A.
Unija skupova A i B je skup A B = { : A B}.
Presjek skupova A i B je skup A B = { : A B}.
Razlika skupova A i B je skup A \ B = { : A
/ B}.
Simetrina razlika skupova A i B je skup AB = (A B) \ (A B) =
(A \ B) (B \ A).
Komplement skupa (dogaaja) A je skup AC = { :
/ A}
kojeg nazivamo suprotan dogaaj dogaaja A.
Komplement prostora elementarnih dogaaja je prazan skup, tj. C = .
Cijeli prostor elementarnih dogaaja nazivamo siguran dogaaj,
a njegov komplement nemogu dogaaj.
141
142
Osnovni kombinatorni rezultati

1.
2.
3.
4.
5.
6.
7.
8.
AB =BA
AB =BA
(A B) C = A (B C)
(A B) C = A (B C)
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
(A B)C = AC B C
(A B)C = AC B C
Komutativnost
Asocijativnost
Distributivnost
De Morganovi zakoni
Tablica 3.1: Osnovna svojstva skupovnih operacija.
Konana unija skupova (dogaaja) A1 , A2 , . . . An je skup

A1 A2 . . .An =
n
Ai = { : A1 A2 . . . An } =
i=1
= { : i {1, 2, . . . , n} t.d. Ai }.
Konaan presjek skupova (dogaaja) A1 , A2 , . . . An je skup
A1 A2 . . .An =
n
Ai = { : A1 A2 . . . An } =
i=1
= { : Ai , i {1, 2, . . . , n}}.
Osnovna svojstva skupovnih operacija
3.2
Osnovni kombinatorni rezultati
Najpoznatiji kombinatorni principi prebrojavnja su:

Princip jednakosti - Neka su S i T konani skupovi. Ako postoji bijekcija
meu njima, tada je k(S) = k(T ).
143
Dodatak
Princip sume - Neka su n N i S1 , . . . , Sn konani skupovi takvi da je

Si Sj = , i = j (dakle, disjunktni su). Tada je (S1 S2 . . . Sn )
konaan skup i vrijedi:
k(S1 S2 . . . Sn ) = k(S1 ) + k(S2 ) + . . . + k(Sn ).
Princip produkta - Neka su n N i S1 , . . . , Sn konani skupovi (ne
nuno disjunktni). Tada je njihov Kartezijev produkt konaan skup i
vrijedi:
k(S1 S2 . . . Sn ) = k(S1 ) k(S2 ) . . . k(Sn ).
O uzastopnom prebrojavanju - Neka su A1 , . . . , An konani skupovi i
neka je T (A1 . . . An ) skup ureenih n-torki (a1 , . . . , an ) deniranih na sljedei nain: prva komponenta a1 moe se birati na k1 naina
(dakle, meu k1 razliitih elemenata skupa A1 ); za svaku ve izabranu
prvu komponentu, drugu komponentu a2 moemo birati na k2 razliitih
naina itd. Za svaki izbor komponenata a1 , a2 , . . . an1 , n-tu komponentu an moemo odabrati na kn razliitih naina. Tada je kardinalni
broj skupa T jednak :
k(T ) = k1 . . . kn .
Primjer 3.1. Trebamo odabrati jedan par, mladia i djevojku, iz razreda koji se sastoji
od 21 djevojke i 2 mladia. Na koliko naina to moemo uiniti?
Ureeni razmjetaji nazivaju se permutacije, a neureeni razmjetaji kombinacije.

Denicija 3.1. Neka je A = {a1 , . . . an } skup koji se sastoji od n elemenata i
neka je r N, r n. Varijacija r-tog razreda u skupu A je svaka ureena rtorka meusobno razliitih elemenata iz skupa A. Broj varijacija r-tog razreda
n-lanog skupa je:
Vnr = n (n 1) . . . (n r + 1) =
n!
.
(n r)!
144
Ponovljeni red
Primjer 3.2. Koliko ima meusobno razliitih ureenih trojki elemenata skupa A, ako
je k(A) = 10?
Denicija 3.2. Svaku ureenu n-torku skupa od n elemenata zovemo permutacija. Broj permutacija n-lanog skupa je:
pn = Vnn = n (n 1) . . . 2 1 = n!.
Denicija 3.3. Permutacija u n-lanom skupu je svaka varijacija n-tog
razreda tog skupa, odnosno permutacija n-lanog skupa je svaka bijekcija tog
skupa na samog sebe.
Primjer 3.3. Na koliko naina pet ljudi moe stati u red?
Denicija 3.4. Neka je A = {a1 , . . . an } skup koji se sastoji od n elemenata
i neka je r N, r n. Kombinacija r-tog razreda u skupu A je svaki r-lani
podskup skupa A. Broj kombinacija r-tog razreda skupa od n elemenata je:

n
n!
Cnr =
.
=
r! (n r)!
r
Primjer 3.4. U razredu ima 15 djeaka i 10 djevojica. Na koliko naina moemo
odabrati:
a) tri djeaka,
b) tri djeaka i dvije djevojice,
c) jednak broj djeaka i djevojica?
Denicija 3.5. Neka je A = {a1 , . . . an } skup koji se sastoji od n elemenata.

Varijacija r-tog razreda s ponavljanjem skupa od n-elemenata je svaka ureena r-torka elemenata iz skupa A. Broj takvih varijacija s ponavljenjem je
nr .
Primjer 3.5. Koliko ima binarnih nizova duljine 7?
Denicija 3.6. Broj permutacija s ponavljenjem skupa od n elemenata meu
kojima je n1 elemenata prve vrste, n2 elemenata druge vrste, . . . , nk elemenata k-te vrste (pri emu je n1 + n2 + . . . + nk = n) je:
n!
.
Pnn1 ,n2 ,...,nk =
n1 ! n2 ! . . . nk !
145
Dodatak
3.3
Ponovljeni red
U diskretnoj teoriji vjerojatnosti esta je potreba za raunanjem sume tzv.

ponovljenog reda. Da bismo pojasnili razliku izmeu ponovljenog reda i
obinog reda, podsjetimo se da je red ureeni par dva niza ((an ), (sn )) od
kojih drugi niz nastaje sumiranjem prvih n lanova prvog niza, tj.
sn = a1 + a2 + . . . an .
Pri tome kaemo da red konvergira ako konvergira niz parcijalnih suma (sn )
[13].
Ponovljeni red nastaje tako da prvo napravimo jednu particiju1 skupa prirodnih brojeva (Mi , i N) pa posebno zbrojimo one lanove niza iji indeksi
pripadaju u Mi , a zatim sve tako dobivene sume, ako takve sume postoje.
Primjer 3.6. Neka je zadan geometrijski red s kvocijentom
n

1
i=1
1
1
i prvim lanom . tj.
2
2
Ovaj red je konvergentan i suma mu je 1. Isti rezultat dobit emo ako podijelimo skup
indeksa N na parne i neparne brojeve, tj. ako promatramo particiju {N, P } skupa prirodnih
brojeva pri emu je
N = {2n 1 : n N},
P = {2n : n N}.
Budui je N = P N sumu spomenutog geometrijskog reda moemo izraunati tako da

prvo zbrojimo sve lanove niza s parnim eksponentima, zatim sve lanove niza s neparnim
eksponentima, a zatim te dvije sume:
1
1

1
2
=
=
2n1
2n
2
1
n=1
nN
1
1
4
2
,
3
Familija skupova {Mi , i N} ini particiju skupa A ako su zadovoljena sljedea svojstva:
1. Mi A, i N,
2. Mi Mj = za sve i = j,

Mi = A.
3.
iN
146
Ponovljeni red
1
1

1
4
=
=
2n
2n
2
1
n=1
nP
Oito vrijedi:
1
4
1
.
3
1
1
1
2 1
=
+
= + = 1.
n
n
n
2
2
2
3 3
nN
nN
nP
Za zadavanje ponovljenog reda treba nam niz (an ) i particija skupa N: {Mi , i
aj i sume im oznaimo
N}. Ako za svaki i N konvergiraju redovi
jMi
Ai =
aj ,
jMi
tada denramo ponovljeni red kao

aj =
iN jMi
Ai .
iN
Primjer 3.7. Neka je zadana beskonana matrica realnih brojava:
A=
a11 a12 a13 a14 . . .
a21 a22 a23 a24 . . .

.
a31 a32 a33 a34 . . .
..
..
..
..
.
.
.
.
Ovakve matrice esto koristimo za zadavanje ponovljenih redova obzirom da se particije skupa N esto mogu lake prikazati koritenjem dva indeksa. Iz beskonane matrice
moemo denirati mnogo ponovljenih redova. Navedimo nekoliko primjera:
Sumirajmo prvo lanove matrice po redovima:
Ai =
aij .
j=1
Ako te sume postoje, tj. ako je Ai < , i N, moemo denirati ponovljeni red

i=1 j=1
aij .
147
Dodatak
Sumirajmo prvo lanove matrice po stupcima:
Aj =
aij .
i=1
Ako te sume postoje, tj. ako je Aj < , j N, moemo denirati ponovljeni red

aij .
j=1 i=1
Osim zbrajanja po stupcima ili recima, moemo particiju praviti i na druge naine,
npr. po pavilima koji su slikovito prikazani u sljedeoj matrici:
Obzirom da se iz istog niza (an ) brojeva moe denirati mnogo razliitih

ponovljenih redova, pitanje je koliko se toga u konanici "preslagivanjem"
mijenja. Npr. ako jedan ponovljeni red konvergira, moe li se "preslagivanjem" dogoditi da novonastali ponovljeni red ne konvergira, moe li se uope
denirati ponovljeni red za bilo koju particiju skupa indeksa, itd. Da ovako
postavljena pitanja imaju smisla, potvruje sljedei primjer:
Primjer 3.8. Neka je zadana beskonana realna matrica
A=
0 1
1 1
1 1 . . .
1
0 1
1 1
1 ...
1
1
0 1
1 1 . . . .
1 1
1
0 1
1 ...
..
..
..
..
..
..
.
.
.
.
.
.
Svi redovi koji nastaju sumiranjem elemenata iz jednog retka ove matrice su divergentni,
tj. za svaki i N divergentni su redovi

j
aij .
148
Ponovljeni red
Dakle, ponovljeni red se ne moe denirati tako da se prvo sumira po redovima zadane
beskonane matrice. Slino vrijedi i ako se prvo sumira po stupcima. Meutim, ako particiju pravimo po bilo kojoj od dvije sheme oznaene u matricama:
vidimo da sume uvijek postoje. Dakle, ponovljene redove po tim particijama moemo denirati i njihova suma je 0.
Sljedei teorem daje nune i dovoljne uvjete koji jame da se "preslagivanjem" nee promijeniti suma ponovljenog reda.
Teorem 3.1. Neka je s (an , n N) dan niz realnih brojeva i neka je {Mi , i
N} jedna particija skupa prirodnih brojeva. Red

|an |
nN
konvergira onda i samo onda ako konvergira red

|aj |.
iN jMi
U sluaju konvegencije sume su im iste.

Dokaz. Pretpostavimo da red

|aj |
iN jMi
konvergira i oznaimo njegovu sumu L. Red
nN
|an | je red s pozitivnim
lanovima i oigledno je njegov niz parcijalnih suma ogranien realnim brojem L. Dakle, i ovaj red je konvergentan (pogledati npr. [13]). Nadalje,
149
Dodatak
obzirom da je apsolutno konvergentan red realnih brojeva ujedno i konver
an konvergentan.
gentan (pogledati npr. [13]) slijedi da je i red
Pretpostavimo sada da konvergira red

nN
|an |
nN
i njegovu sumu oznaimo L. Tada, za svaki element Mi particije skupa

prirodnih brojeva, pripadni red

|aj |
jMi
predstavlja red realnih brojeva s pozitivnim lanovima iji je niz parcijalnih

suma ogranien. Dakle, za svaki i N, takav red je konvergentan. Oznaimo:

|aj | = Ai , i N.
jMi
Dokaimo da i red
Ai
iN
konvergira, te da mu je suma L. U tu svrhu oznaimo (b1i , i N) podniz

niza (|ai |, i N) koji ine oni elementi s indeksima iz M1 . Analogno, za
svaki k N denirajmo odgovarajui podniz (bki , i N) niza (|ai |, i N)
koji ine oni elementi s indeksima iz Mk . Uoimo da je ovako nastali skup
podnizova od (|ai |, i N) pokupio sve njegove lanove te da se niti jedan lan
ne pojavljuje vie od jednom. Obzirom da se radi o pozitivnim brojevima,
posljedica toga je da za svaki n N vrijedi:
A1 + A2 + An = lim
l

lim
b1i + lim
i=1
l

i=1
l

b2i + + lim
i=1
b1i + +
l

l

bni
i=1
bni < L.
i=1
Dakle, red s pozitivnim lanovima je ogranien, pa je time i konvergentan.

Oznaimo njegovu sumu V . Oigledno je da je i V L obzirom da je L
150
Ponovljeni red
gornja mea pripadnog niza parcijalnih suma. Pokaimo da je istovremeno

k
|ai | moemo nai

i V L. Naime, za svaku k-tu parcijalnu sumu reda
i=1
dovoljno veliki n tako da je

n

i=1
Ai
k

|ai |.
i=1
Pripadne granine vrijednosti e onda takoer zadovoljavati istu nejednakost,

to znai da je V L. Dakle, mora biti V = L.
Teorem 3.2. Neka je s (an , n N) dan niz realnih brojeva i neka je {Mi , i
N} jedna particija skupa prirodnih brojeva. Ako jedan od redova

|an |,
|aj |
nN
iN jMi
konvergira onda konvergiraju i redovi

an ,
aj
nN
iN jMi
i sume su im iste.
Dokaz. Koristei prethodni teorem i injenicu da je apsolutno konvergentan
red realnih brojeva ujedno i konvergentan, da bismo dokazali tvrdnju teorema
|an | povlai konvergenciju reda

dovljno je dokazati da konvergencija reda
nN
aj te da je tada
iN jMi

an =
aj .
nN
iN jMi
U tu svrhu uoimo da iz pretpostavke o konvergenciji reda
nN
zakljuiti:
an je konvergentan. Oznaimo:
nN
V =

nN
an .
|an | moemo
151
Dodatak
jMi
|aj | je konvergentan za svaki i N pa je time i
tan. Oznaimo:
jMi
aj konvergen-
aj = A i .
jMi
Slino kao u dokazu prethodnog teorema, za svaki i N denirajmo odgovarajui podniz (bik , k N) niza (aj , j N) koji ine elementi s indeksima iz
Mi , tj.

bik = Ai .
kN
Uoimo da je ovako nastali skup podnizova od (aj , j N) pokupio sve njegove

lanove te da se niti jedan lan ne pojavljuje vie od jednom.
Iz apsolutne konvergencije reda

an znamo da za svaki > 0 postoji k0 N
nN
takav da je
|aj | < ,
(3.1)
j=k0 +1
odakle slijedi da je

k0

aj =
aj
|aj | < .
V

j=1
j=k0 +1
j=k0 +1
Neka su n0 i l0 dovoljno veliki prirodni brojevi da izraz

n0
l0

bik
i=1 k=1
predstavlja sumu lanova reda

n n0 i l l0 vrijedi:
jN
k0

aj
j=1
aj s indeksima veim od k0 . Tada za svaki

k0
l
n

bik
aj < ,

i=1 k=1
j=1
pa prijelazom na limes po l vidimo da je

n
k0

Ai
aj < .

i=1
j=1
152
Ponovljeni red
Koristei prethodnu nejadnakost i nejadnakost (3.1) vidimo da je

n

Ai V < 2, n > n0 ,

i=1
Dakle, red
iN jMi
aj konvergira i suma mu je V .
Bibliograja
[1] Anderson, T.W. An introduction to Multivariante Statistical Analysis,
J. Wiley, 1958.
[2] Bain, L.E, Engelhardt, M. Introduction to Probability and Mathematical statistics, Duxbury, 2009.
[3] Cohn, D.L. Measure Theory, Birkhuser, Boston-Basel-Stuttgart,
1980.
[4] Chow, Y.S, Teicher, H. Probability Theory, Spronger, New YorkHeidelberg-Berlin, 1978.
[5] Daniel, W.W., Terrell, J.C. Business Statistics, Houghton Miin
Company, Boston, 1989.
[6] Durrett, R. Probability: Theory and Examples, Duxbury Press, 1995.
[7] Elezovi, N. Diskretna vjerojatnost, Element, Zagreb, 2007.
[8] Elezovi, N. Sluajne varijable, Element, Zagreb, 2007.
[9] Elezovi, N. Statistika i procesi, Element, Zagreb, 2007.
[10] Glii, Z., Perunii, P. Zbirka reenih zadataka iz verovatnoe i
matematike statistike, Nauna knjiga, Beograd, 1982.
[11] Ilijaevi, M., Paue, . Rijeeni primjeri i zadaci iz vjerojatnosti i
statistike, "Zagreb", Samobor, 1990.
153

Vjerojatnost Zadaci

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Vjerojatnost Zadaci

Uploaded by

Copyright:

Available Formats

Sadraj

1 Pojam i osnovna svojstva vjerojatnosti

2.4.5 Geometrijska distribucija . . . . . . . . . . . . . . . .

Prostor elementarnih dogaaja

Povijesno gledano, koncept vjerojatnosti dogaaja temelji se na ideji odnosa

Prostor elementarnih dogaaja

Bacanje igrae kocke jedan je od klasinih i jednostavnih pokusa kojim emo

Pojam i osnovna svojstva vjerojatnosti

Prostore elementarnih dogaaja koji imaju vie elemenata (barem dva, a

U praksi esto sreemo primjere pokusa u kojima je skup elementarnih

Pojam i osnovna svojstva vjerojatnosti

Omjer broja povoljnih i nepovoljnih dogaaja ilustriran u ovim primjerima

Ovdje je P (A) oznaka za vjerojatnost dogaaja A, dok je k(A) oznaka za

Primjer 1.6. Pretpostavimo da se u eiru nalazi sedam kuglica jednakih karakteristika

Pojam i osnovna svojstva vjerojatnosti

a) Zanimaju nas ishodi sluajnog pokusa temeljeni na broju kojim je kuglica

Klasian koncept pripisivanja vjerojatnosti pojedinim dogaajima odigrao je

Ideja odreivanja stupnja vjerovanja u pojavu dogaaja kao dijela od cjeline

zovemo relativna frekvencija dogaaja A.

Pojam i osnovna svojstva vjerojatnosti

Meutim, kako znamo da je novi pravilno izraen? Iskustveno znamo da to moemo

Iskustvo nas ui da se kod nezavisnog ponavljanja istog pokusa puno puta

tada je taj niz statistiki stabilan.

Oba navedena povijesna pristupa u odreivanju vjerojatnosti imaju veliku

Pojam i osnovna svojstva vjerojatnosti

sadri i njihovu uniju, tj.

Ako je skup elementarnih dogaaja nekog pokusa, bilo koja -algebra na

Time je dokazana zatvorenost -algebre na prebrojivo mnogo presjeka svojih elemenata.

Obzirom na vezu koja postoji izmau povezivanja reenica jezika i skupovnih

Pojam i osnovna svojstva vjerojatnosti

Ac = izabrana osoba ne predaje matematiku,

Najmanja -algebra na nekom skupu je tzv. trivijalna -algebra F0 =

Svojstva A1. - A3. nazivamo aksiomima vjerojatnosti.

Osnovna svojstva vjerojatnosti

Na temelju rezultata poglavlja 1.2 vidimo da vjerojatnost koja je denirana

Osnovna svojstva vjerojatnosti

Na temelju zahtjeva navedenih u aksiomatskoj deniciji vjerojatnosti mogu

Prvu aksiomatsku deniciju vjerojatnosti dao je Kolmogorov 1933. godine

Pojam i osnovna svojstva vjerojatnosti

Dokaz. Skup moemo prikazati kao uniju disjunktnih skupova A i Ac

Slika 1.2: Skup kao unija disjunktnih skupova A i Ac .

Osnovna svojstva vjerojatnosti

Sada emo rjeavanjem nejednadbe

vidjeti da za P (A) > 0.5 treba ponoviti pokus barem 8 puta.

S2. Vjerojatnost praznog skupa

Slika 1.3: Skup B kao unija disjunktnih skupova A i (B \ A).

Pojam i osnovna svojstva vjerojatnosti

Primjer 1.12. Odredimo vjerojatnost da iz skupa svih dvoznamenkastih brojeva na

skup svih dvoznamenkastih brojeva djeljivih brojem tri:

skup svih dvoznamenkastih brojeva djeljivih brojem devet:

S4. Vjerojatnost unije dogaaja

Osnovna svojstva vjerojatnosti

Slika 1.4: Skup (A B) kao unija disjunktnih skupova.

i skup dvoznamenkastih brojeva djeljivih brojem tri:

Pojam i osnovna svojstva vjerojatnosti

Formula za raunanje vjerojatnosti unije vie skupova moe se dati i openito,

Dokaz. Iz zadane familije dogaaja (Ai , i I), I N, formirat emo novu

Tako denirani skupovi su meusobno disjunktni, ali takoer vrijedi:

Osnovna svojstva vjerojatnosti

Slika 1.5: Familija dogaaja (An , n N).

Slika 1.6: Familija disjunktnih dogaaja (Bn , n N).

vidimo da za konanu familiju skupova (Ai , i n), n N, vrijedi:

Pojam i osnovna svojstva vjerojatnosti

S6. Neprekidnost vjerojatnosti u odnosu na rastuu familiju