Professional Documents
Culture Documents
Vjerojatnost Zadaci
Vjerojatnost 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
.
.
.
.
.
.
.
.
.
.
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
1.1
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.
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
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.
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()
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 .
2
,
7
P (Z) =
5
.
7
1.3
Statistiki pristup
Statistiki pristup
nA
n
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
Slika 1.1: Relativna frekvencija pojave pisma u ovisnosti o broju bacanja n za jedan
niz bacanja.
pA [0, 1],
10
Definicija vjerojatnosti
1.4
Denicija vjerojatnosti
11
An F.
n=1
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
13
iI
Ai
P (Ai ).
iI
14
1.5
15
=AA
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
10
11
n
> 0.5
B\A
B=A(B \ A)
17
k() = 90,
k(T ) = 30,
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
18
A \ (AB) AB B \ (AB)
k() = 90
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
4
39
13
1 13
+
=
=
.
3 90 90
90
30
iI
iI
20
A2
A1
An
A3
B3
B2
B1
Bn
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,
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
P
nN
An
= lim P (An ).
n
Dokaz. Prvo uoimo da lim P (An ) postoji. Naime, zbog monotonosti vjeron
22
B2 = A2 \ A1 ,
. . . Bn = An \ An1 , . . . .
A 3 A2 A1
An
B3 B2 B1
Bn
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
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,
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
P
nN
An
= lim P (An ).
n
24
A1
A2
A3
An
C2=A1 \ A2
Cn=A1 \ An
C3=A1 \ A3
Ci = A1 \
Ai ,
P
A1 \
i=1
Ai
i=1
=P
i=1
Ci
i=1
25
Dakle, vrijedi:
P A1 \
Ai
Ai = P (A1 ) lim P (Ai ),
= P (A1 ) P
i=1
i=1
=
=
=
..
.
=
..
.
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
1.6
Vjerojatnost na diskretnom
Vjerojatnost na diskretnom
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
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
iN
(2i ) =
1
2
1
2
= 1.
Vjerojatnost na diskretnom
28
=
=
..
.
=
..
.
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
iIA
29
iI
pi = 1,
te neka je bilo koji skup koji ima k(I) elemenata. Tada je izrazom
pi , A ,
(1.1)
P (A) =
iIA
iI
pi = 1.
i=1
Ai .
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 ,
Primjeri vjerojatnosti na R
30
etvrti broj izaberemo razliku 1
21
30
9
30 ,
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 .
Primjeri vjerojatnosti na R
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
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.
Primjeri vjerojatnosti na R
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
f (x) dx = 1.
3 (1 x2 )
f (x) =
4
x [1, 1]
x
/ [1, 1]
Primjeri vjerojatnosti na R2 i R3
34
3
4
1
3
(1 x2 ) I[1,1] (x).
4
1.8
Primjeri vjerojatnosti na R2 i R3
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
0.4
0.3
0.2
0.1
4
2
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
Primjeri vjerojatnosti na R2 i R3
36
sljedee svojstvo:
f (x) dx = 1.
f (x) dx.
A
3 (x2 + y)
f (x, y) =
5
za ostale (x, y) 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
37
1 z 2 (x + y)
f (x, y, z) =
8
za ostale (x, y, z) R3
1
f (x, y, z) dx dy dz =
8
0 1 2
2 0
z 2 (x + y) dx dy dz = 1.
1.9
1 0
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
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
40
3
,
5
P (L2 | L1 ) = P (L2 ) =
2
,
5
3
,
5
P (L2 | D1 ) = P (L2 ) =
2
.
5
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
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
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
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
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
iI
P (A | Hi )P (Hi ).
(1.3)
44
H2
H3
H4
...
Hn-1 Hn
A
AH1 AH2 AH3 AH4
...
AHn-1 AHn
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
=
=
1
.
2
1
1 1
= ,
2 2
4
P (A | H2 ) = 1 1 = 1.
45
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
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)
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)
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
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
51
52
Zadaci
53
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,
500 18 .
20
54
Zadaci
=
=
b
a+b 2 ,
2
ab
P (B) = a+b .
2
120
.
210
10!
.
4 611
55
2
.
n1
n!(m + 1)!
m+1
= m+n .
(m + n)!
n
26
26
56
Zadaci
a) tri asa,
b) tri kralja,
c) tri asa ili tri kralja.
4 48
3
52 ,
P (A B) =
4 48
3
2 44
43
2
52
.
8
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
57
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.
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
2l
.
a
59
60
Zadaci
A = {u obitelji je barem jedna kerka},
B = {u obitelji su jedna kerka i jedan sin}.
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.
1
a) P (A) =
k+m
ak
cm
+
a+b c+d
61
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.
64
2.1
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
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
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
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.
(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
i=1
pi = 1.
pi =
i=1
P {X = xi } = P
i=1
{X = xi }
= P {X R(X)} = 1.
i=1
i=1
pi = 1,
i N,
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
1
2
3
4
5
+
+
+
=
.
36 36 36 36
18
2.2
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
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
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.
f (x) dx = 1.
f (x) dx moemo prikazati kao
Dokaz.
n
f (x) dx = lim
f (x) dx.
71
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.
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
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
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
nN
74
Sluajna varijabla
Dokaz. Slino dokazu prethodne tvrdnje.
4. Funkcija distribucije je neprekidna s desna, tj.
lim F (x) = F (x0 ).
xx0
F (x + hn ) F (x) = P {x < X x + hn },
lim (F (x + hn ) F (x)) = P
{x < X x + hn } = P () = 0.
nN
xx0
x<0
0 ,
1
F (x) = P {X x} =
, x [0, 1)
2
1 , x [1, )
1
2
i ostaje
75
0.5
3
2
1
n=1
{a
1
n
< X a}
2.3.1
76
Sluajna varijabla
Za svaki x R vrijedi:
F (x) = P {X x} =
pi .
xi x
X=
2 1 0
0.1 0.2 0.4
1
0.2
2
0.1
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, )
2.3.2
x
f (t) dt, x R.
P {X x} =
77
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
78
Sluajna varijabla
Za x 0,
je
2
F (x) = P {X x} =
f (x)dx +
Za x >
x
f (x)dx =
je oigledno F (x) = F ( 2 ) = 1.
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
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
80
Sluajna varijabla
takvih familija.
2.4.1
Empirijska distribucija
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
81
0.15
0.10
0.05
0 1
X= 5 1
6
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
2.4.3
Binomna distribucija
83
pi = P {X = xi } =
100 i
p (1 p)100i , i {0, 1, . . . , 100}.
i
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
2
10
k=0
1
10
k=0
2.4.4
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
i
.
i!
10 11 12 13 14 15
e i
i=0
i!
=e
i
i=0
i!
= e e = 1.
i=0
pi = 1.
86
Sluajna varijabla
15i 15
e , i R(X).
i!
1520 15
e
= 0.0418103;
20!
14
15i
i=0
i!
e15 = 0.465654;
10
15i
i=0
i!
e15 = 0.881536.
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
1 i
e .
i!
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
c c
k1
P {X = k} = P
A
Ac A
A
= (1 p) p,
(k1) puta
i=1
pi =
i=1
p(1 p)i1 = p
i=1
1
= 1.
1 (1 p)
89
1
1
86
14
= 0.00987161.
2.4.6
Hipergeometrijska distribucija
k=0
pk =
90
Sluajna varijabla
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
11
.
42
2.5
91
2.5.1
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, )
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
2.5.3
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
1
3
10
10
10
10
F (x) =
1 x
e
2
, x0
1 1 ex , x > 0
2
1
prikazani su slikom 2.16.
3
1
6
10
10
10
96
Sluajna varijabla
2.5.4
Normalna distribucija
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
t2
e 2 dt.
98
Sluajna varijabla
y
1
2
4
4
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
X()P {}
100
Sluajna varijabla
iN
apsolutno konvergiraju ili apsolutno divergiraju. U sluajnu apsolutne konvergencije sume su im jednake, tj. vrijedi
X()P {} =
xi pi .
EX =
iN
iN {X()=xi }
iN
xi
iN {X()=xi }
P {} =
xi pi .
iN
{X()=xi }
6
1
i=1
i=
21
.
6
101
iN
vanja).
Osim navedenih svojstava, oekivanje ima i svojstvo linearnosti. Naime vrijedi sljedei teorem:
102
Sluajna varijabla
X()P {} i
Y ()P {}
Dokaz. Iz apsolutne konvergencije redova
Xi ,
i,
i=1
100
i=1
EXi =
100
i=1
(0 0.3 + 1 0.7) =
100
i=1
103
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=
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).
104
Sluajna varijabla
y
y
0.25
1
8
2 2.5 3
3 3.5 4
2.6.2
105
a
0.3
a
0.3
a2
0.4
1
,
k2
106
Sluajna varijabla
Eg(X)
.
107
= 2 2 = 2.
2
2
k
k
k
Interpretacija varijance i oekivanja koritenjem ebievljeve nejednakosti
1
.
k2
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
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
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
2.6.3
110
Sluajna varijabla
V ar X =
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
n
i
i=0
i
i=1
n
ai ti bni
n
i
i
i=1
n
ai ti1 bni
n
i
ai bni
i(i 1)
i=2
n
i=2
n
i
i(i 1)
(2.3)
ai ti2 bni
n
i
ai bni
(2.4)
112
Sluajna varijabla
n
2 n
pi (1 p)ni (np)2
V ar X = EX (EX) =
i
i
i=0
2
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
26 i 50i
50
1
2
i=7
= 0.999054.
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!
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
+
= 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
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
|x| < 1,
(2.5)
i=1
1
ip(1 p)i1 .
p
1p
.
p2
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
5
i=1
116
Sluajna varijabla
2.6.4
= EX =
za uvjete na funkciju g koji osiguravaju da je g(X) neprekidna sluajna vrijabla pogledati npr. [30]
117
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]
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
(x)2
1
e 22 ,
2
x R.
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
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 .
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
121
distribucija (gustoa)
0
1
1p p
p(1 p)
np
np(1 p)
1
p
1p
p2
a+b
2
(b a)2
12
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
122
2.7
2.7.1
Sluajna varijabla
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,
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,
123
X np
Y =$
.
np(1 p)
Primjer 2.40. Neka je X P(), > 0. Postupkom standardizacije dobivamo sluajnu varijablu
Y =
X
.
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
0
,
x + a
,
FY (x) = FX (x + ) =
ba
1
,
Ovaj oblik funkcije distribucije ekvivalentan je
x a
FY (x) =
b
a
1
obliku
,
x<
x<
a b
,
, tj. postupak standardizacije zadrao je slua
124
Sluajna varijabla
X
N (0, 1)
2.7.2
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
125
ygx
2.5
2
1.5
1
0.5
g1 y
-4
-3
-2
-1
d
d
FY (y) =
FX (g 1 (y)) = fX (g 1 (y)) [g 1 (y)] .
dy
dy
126
Sluajna varijabla
ygx
2.5
2
1.5
1
0.5
1
g y
-2
-1
(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
P {Y x} =
h(u) du,
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
X=
x1
p1
x2
p2
...
...
xn
pn
...
...
pi 1,
pi = 1.
P {} =
{|g(X)=wk }
pi .
{i|g(xi )=wk }
X=
a
0.4
0
0.2
a
0.4
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
P {Y x} = P {X 2 x} = P { x X
x
x} =
Supstitucijom t =
x
f (t) dt =
(f (t) + f (t)) dt.
0
1
f ( u) + f ( u) du.
2 u
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
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.
129
, 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
2.9
Zadaci
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:
Tablica distribucije:
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.
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.
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, )
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
1 0
1
3 4 8
a 1/8 a b2 b2 1/4 b
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
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)
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
P {X 2} = 0.1554.
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
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
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
139
Zadaci
Y = eX ,
c)
Y =
X, X > 0,
b) Y = eX ,
d) Y = shX =
eX eX
.
2
140
Sluajna varijabla
Poglavlje 3
Dodatak
3.1
142
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
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
143
Dodatak
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?
145
Dodatak
3.3
Ponovljeni red
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}.
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
aj =
iN jMi
Ai .
iN
A=
..
..
..
..
.
.
.
.
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:
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
|aj |
iN jMi
nN
lanovima i oigledno je njegov niz parcijalnih suma ogranien realnim brojem L. Dakle, i ovaj red je konvergentan (pogledati npr. [13]). Nadalje,
149
Dodatak
an konvergentan.
gentan (pogledati npr. [13]) slijedi da je i red
Pretpostavimo sada da konvergira red
nN
|an |
nN
Dokaimo da i red
Ai
iN
l
lim
b1i + lim
i=1
l
i=1
l
b2i + + lim
i=1
b1i + +
l
l
bni
i=1
bni < L.
i=1
150
Ponovljeni red
Ai
k
|ai |.
i=1
iN jMi
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
aj te da je tada
iN jMi
an =
aj .
nN
iN jMi
nN
zakljuiti:
an je konvergentan. Oznaimo:
nN
V =
nN
an .
|an | moemo
151
Dodatak
jMi
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
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
bik
i=1 k=1
jN
k0
aj
j=1
k0
l
n
bik
aj < ,
i=1 k=1
j=1
j=1
152
Ponovljeni red
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