H USE FATKI

V J E R O VAT N O A I S TAT I S T I K A

PRVI DIO

TEORIJA VJEROVATNOE

SARAJEVO, 2008.
1

Huse Fatki: VJEROVATNOA I STATISTIKA, I. DIO

______________________________________________________________________________________________
TEORIJA VJEROVATNOE, 1. SVEZAK

Huse FATKI

VJEROVATNOA I STATISTIKA
PRVI DIO

TEORIJA VJEROVATNOE
PRVI SVEZAK1

Ovaj rad je pomognut od strane Plana za podrku istraivanja (Research Support Scheme)
Centralnoevropskog univerziteta, SOROS fondacije-FOND OTVORENO DRUTVO Bosna i
Hercegovina, Potprojekat Grupnog projekta ,,Savremeni problem: matemaikkih nauka* (odgovorni
istraziva prof. dr. Muharem Avdispahi), br. RSS-43/96, od 31.10.1996.

SADRAJ/CONTENTS
Strana/Page

1. UVOD U TEORIJU VJEROVATNOE

1.1.Pojam, predmet, poeci i znaaj teorije vjerovatnoe................................................................ ..........1

1.2. Stanovita u teoriji vjerovatnoe. Prosta vjerovatnoa i skupne vjerovatnoe.................................. 3
1.3. Sluajni dogaaji. Prostor elementarnih dogaaja .........................................................................4
1.4. Klasina definicija apriorne vjerovatnoe............................................................................... ..........7
1.5. Klasina definicija vjerovatnoe a posteriori (statistika definicija vjerovatnoe)............... ........10
1.6. Jo o prostoru elementarnih dogaaja (O prvom pogledu na teoriju vjerovatnoe, jednako
mogui dogaaji, prostor uzoraka i vjerovatnoa dogaaja)....................................................... 13
1.7. Neke osnovne teoreme klasine teorije vjerovatnoe....................................................................... 14
1.8. Nezavisni dogaaji. Multiplikativna teorema u sluaju kad su dogaaji nezavisni................... 17
1.9. Uslovna (relativna) vjerovatnoa. Multiplikativna teorema u sluaju kad su dogaaji zavisni..20
1.10. Formula totalne (potpune) vjerovatnoe ....................................................................................22
1.11. Bayesova formula.......................................................................................................................... 23
1.12. Geometrijska definicija vjerovatnoe........................................................................................... 25
2. OPSTA TEORIJA VJEROVATNOE
2.1.Aksiomatska definicija vjerovatnoe...................,.....................................................,......................28
2.2. Neke osnovne teoreme opte teorije vjerovatnoe........................................................................... 30
2.3. Diskretni vjerovatnosni prostor .......................................................................................................35
2.4. Uslovna vjerovatnoa i nezavisnost dogaaja u optem prostoru vjerovatnoe ...........................36
3. SLUAJNE VELIINE
3.1. Pojam sluajne veliine ....................................................................:..............................................42
3.2. Sluajne veliine na konanom prostoru vjerovatnoe (Uvodni pojmovi, funkcija
vjerovatnoe, oekivanje i varijansa)...........................................................................................44

3.3.Funkcijedistribucije...........................................................................................................................51
3.4. Klasifikacija sluajnih veliina....................................................................................................... 57
3.5. Vanije klase distribucija.................................................................................................................59
3.6. Jo o binomnoj distribuciji. Bernoullijevi pokuaji (Bernoullijeva ema).................................... 64
LITERATURA (ZA GLAVE 1-3)...................................................................................................74
4. VJEROVATNOSNI UNITARNI PROSTORI
4.1. Uvod (u teoriju vjerovatnosnih metrikih prostora i vjerovatnosnih unitarnih prostora)..........75
4.2. Vjerovatnosni unitarni prostori ......................................................................................................79

4.3. Relacije izmeu konveksnih vjerovatnosnih metrikih prostora generisanih

distribucijom i vjerovatnosnih unitarnih prostora....................................................................... 82
LITERATURA (ZA GLAVU 4) ..........................................................................................................8
4

1. UVOD U TEORIJU VJEROVATNOE

1.1. Pojam, predmet, poeci i znaaj teorije vjerovatnoe

U novije vrijeme teorija vjerovatnoe (teorija vjerovatnosti) jedno je od najvanijih i

najsadrajnijih podruja savremene matematike, koje se mnogo primjenjuje i u drugim matematikim
disciplinama, posebno u (matematikoj statistici, kao i u raznim podrujima fizikalnih i biolokih
nauka, tehnike (elektrotehnike, saobraaja i dr.), genetike, u izuavanju razliitih sluajnih pojava,
njihovih zakonitosti, njihove prirode i uinka, i drugdje. Teorija vjerovatnoe, a i teorije koje se
zasnivaju na pojmovima vjerovatnoe odnosno, koje crpe osnovne ideje iz teorije vjerovatnoe, vrlo su
znaajne grane matematike i imaju primjenu u irokom podruju savremenih djelatnosti. Manje je
poznata injenica da se pojmovi vjerovatnoe sve vie koriste i u drutvenim naukama. Stohastike
metode, npr., primjenjuju psiholozi u istraivanju procesa uenja. Statistikom teorijom se koriste
ekonomisti u ispitivanju nasljednih rizika u raznim poslovnim planiranjima. Teorija igara.
vjerovamoa i statistika su vrlo znaajne i u vojnim disciplinama. Spisak svih oblasti u kojima teorija
vjerovatnoe i statistika analiza se primjenjuju je suvie dug da bismo ga pokuavali izloziti.
Dovoljno je samo istai da su teorija vjerovatnoe, njeni pojmovi, ideje i metode danas vrlo iroko
rasprostranjeni da se procjenjuje da ce njihov uticaj u budunosti biti jo daleko vei..
Poznato nam je da su idealne linije i trouglovi, u geometriji ravni, matematiki predstavnici ili
,,matematiki modeli", odgovarajuih fizikih objekata u stvarnom svijetu. Na isti nain moemo,
govoriti o matematikim modelima problema iz teorije vjerovatnoe i moemo izuavati te modele
slino kao sto dokazujemo teoreme u geometriji na osnovu Euklidovih aksioma. Teorija vjerovatnoe je
matematika disciplina koja se bavi zakonitostima u sluajnim pojavama, odnosno teorija .
vjerovatnoe je zasnovana na modelima koji odrazavaju pitanja i pojave stvarnoga svijeta, na osnovu
odreivanja zakonitosti i predvianja dogaaja. Zapravo moemo rei da je statistika nauka
sakupljanja i analiziranja podataka, a teorija vjerovatnoe-matematika struktura na kojoj su
zasnovane statistike metode.
Teorija vjerovatnoe spada u red najmlaih grana matematike. U starom vijeku antiki narodi nisu
poznavali teoriju vjerovatnoe. Kao i u mnogim drugim disciplinama i vjerovatnoa je nastala iz motiva
koji nisu bili vezani za nauku, niti su imali ikakve veze sa njom. Takoe postoji veliko arenilo meu
gleditima matematiara o .pitanju ko i kada je prvi zapoeo prouavanje problema vjerovatnoe na
sistematian nain. U mnogim dostupnim izvorima (udbenici, radovi i dr.) navodi se da je 1654.
godine poeo razvoj teorije vjerovatnoce. Ovaj datum zapravo oznaava poetak vrlo opsene
korespondencije izmeu dvojice velikih francuskih matematiara Blejza Paskala (Blaise Pascal,
matematiar, fiziar i astronom, 1623-1662.) i Pjera Ferme (Pierre cle Fermat- po zanimanju pravnik,
matematikom se bavio iz hobija, 1601-1665), u kojoj su razmjenjivali miljenja o nekim problemima
kockanja2 koje je Pascalu postavio pariki graanin Sevalie /Sevaljer/ d'Mere' (Chevalier de Mere). Iz
ove prepiske potiu mnogi poetni rezultati iz teorije vjerovatnoe. Pascal i Fermat su pokuali da
utvrde neke zakonitosti koje vladaju u hazardnim igrama. Oni su tako savjesno prihvatili ovaj posao, da
su ubrzo i sami zapazili da se ovdje otvara jedan potpuno novi pristup prouavanju mnogih dogaaja
iji se tok ne moe tano predvidjeti i koji se pod odreenim okolnostima mogu ali

.Napomenimo da je jedan od prvih problema u teoriji vjerovatnoe (kojeg je 1654. godine /to se najee uzima
za poetak teorije vjerovatnoe/ De Mere postavio Pascalu) bio:,,Da li je preporuljivo kladiti se da e u 24
uzastopna bacanja para igraih kocaka bar jednom pasti dvostruka estica?"

ne moraju dogoditi. Takvi dogaaji nazivaju se sluajnim, za razliku od onih dogaaja iji se tok
zbivanja moze tano predvidjeti (tzv. deterministikih dogaaja odnosno deterministikih pojava) jer se
ovi pokoravaju odreenim zakonima uzrone povezanosti u drugom obliku sa nekim drugim
dogaajima ili faktorima. Raanje teorije vjerovatnoe u XVII vijeku, osim za Pascala i Fermata,
vezano je i za ime holandskog matematiara Hajgensa (Huyghens, 1625-1695). No, prvi znaajniji
rezultati u teoriji vjerovatnoce postignuti su u XVIII vijeku i pocetkom XIX vijeka, a vezani su za
imena Jakoba Bernoullija (vajcarski matematiar holandskog porijekla, 1654-1705), De Moivrea
(francuski matematiar, 1667-1754), Pierre-Simon de Laplacea (1749-1827, francuski matematiar,
astronom i fiziar), Poasona (S. D. Poisson, 1781-1840, francuski fiziar i matematiar) i dr.
Medu prvim njemaki matematiar Carl Friedrich Gauss (1777-1855) doprinio je mnogo u
praktinoj primjeni teorije vjerovatnoe. Ruski matematiari P.L. CebiSev (1821 -1894), A. A. Markov
(1856-1922) i M. Ljapunov (1857-1918) dali su krupne doprinose u razvoju klasine teorije
vjerovatnoe. Sovjetski matematiari A.N.KoJmogorov, Sergej Natanovi Bernstajn (1880-1968),
Hincini Gnedenko dali su znaajne doprinose u savremenom razvoju teorije vjerovatnoe.
Zanimljiva je injenica da se teorija vjerovatnoe gotovo tri vijeka razvijala bez strogo
utvrenih aksioma. Veina neuspjelih pokuaja strogog zasnivanja teorije vjerovatnoe sastojala se u
tome da se pojam vjerovatnoe definie pomou intuitivno bliskog pojma relativne frekvencije.
Opteprihvaenu aksiomatiku uveo je u teoriju vjerovatnoe godine 1933. veliki ruski matematiar
Andrej Nikolajev Kolmogorov. Njegova aksiomatika obuhvatala je sve dotadanje rezultate iz
teorije vjerovatnoe, a takoe se pokazalo da ona adekvatno reprezentira nae prirodne ideje,
odnosno intuitivne predodbe o vjerovatnoi, tj. da postoji veza izmeu vjerovatnoe i relativne
frekvencije. Osim toga Kolmogorovljeva aksiomatika je dobra osnova za razvoj novih sadraja teorije
vjerovatnoe. Poslije uvoenja ove aksiomatike, teorija vjerovatnoe je doivjela izuzetan razvoj i
danas je jedna od vodeih matematikih disciplina.
Vjerovatnoa i statistika postale su vrlo opirne matematike discipline i dijele se na vise
raznih oblasti, odnosno novih grana, kao to su:
-Klasina i opta teorija vjerovatnoe
-Praktina teorija vjerovatnoe
-Matematika statistika
-Statistiko modeliranje
-Teorija masovnih opsluivanja
-Teorija pouzdanosti
-Stohastiki procesi
-Teorija informacija
-Statistika kontrola i dr.

Najnovije oblasti TEORIJE VJEROVATNOE su TEORIJA VJEROVATNOSNIH METRIKIH

PROSTORA i TEORIJA DISTRIBUCIONOG HAOSA. (U etvrtom poglavlju donekle emo razmatrati
samo neke specijalne klase vjerovatnosnih metrikih prostora-tzv. vjerovatnosne unitarne prostore).
Kao teorija i kao praktina matematika nauka, u posljednje vrijeme, teorija vjerovatnoe postie
ubrzani razvoj i sve vee primjene u veini nauka (kako pnrodnih tako i tehnikih, biotehnikih i drutvenih
nauka).
Na emu se zasniva teorijski i praktian znaaj vjerovatnoe?
Pri analiziranju, opaanju i eksperimentu uvijek se trai uzrona veza izmeu kompleksnih uslova,
recimo uslova a, i dogaaja (D) u cilju odreivanja matematikih zakona koji vae za dogaaj
6

D. U veini sluajeva ne moemo uspostaviti sigurnu vezu izmeu kompleksnih (sloenih) uslova a i
dogaaja (D). Naime, postoji jo uvijek i uslovi, recimo (3, koje mi ne znamo, a od koji takoe zavisi
nastajanje dogaaja (D). Teorija vjerovatnoe je, dakle, i matematiki aparat za prouavanje
masovnih pojava s nepoznatim kompleksnim uzrokom. Takve pojave zovu se stohastike pojave.
Rije stohastian je grkog porijekla a znai ,,koji se nasluuje", pa se ta rije upotrebljava umjesto
rijei ,,vjerovatnoa". Gotovo u svim masovnim pojavama umijean je stohastiki elemenat i time se
objanjava principijelna mogunost teorije vjervatnoe za teoriju prouavanja stohastikih pojava.
Vjerovatnoa je u stvari dobila svoje mjesto u matematici i u nauci uopte kada je poela njena
matematika obrada, kada je na toj osnovi izgradeno nauno saznanje da se mnoge pojave i procesi, koji
su stohastikog karaktera, mogu nauno istrazivati bez krutih matematikih formula. Takve pojave
nauka procjenjuje, koristei pri tome sve savrenije metode da te procjene budu to priblinije, sto tanije.
Greke koje se pri tome javljavju ili nastaju u manjoj ili veoj mjeri, po prirodi stvari, nisu vie nepoznate
i neuhvatljive za nauku. U svakom istraivanju moemo unaprijed da se opredijelimo za odreen stepen
tog odstupanja ili greke, zavisno od cilja istraivanja i od stepena naunosti kojeg pri istraivanju elimo
da postignemo.
Pojam i raun vjerovatnoe uao je i u na svakodnevni ivot. Termini kao to su: vjerovatno,
nevjerovatno, ,,moda", sigurno itd.. nisu nita drugo nego naa procjena oekivanja dogaaja sa vie ili
manje osnova i saznanja. Ali da bi se pravilno sluili tim terminima, potrebno je da znamo ta oni znae,
kada se mogu upotrijebiti i kako ih treba koristiti da bismo vjerno izrazili ili saoptili ono sto zelimo, a
da pri torn ne bi upali u greku.
1.2. Stanovita u teoriji vjerovatnoe. Prosta vjerovatnoa i skupne vjerovatnoe

Po pitanju koju vrstu problema rjeava teorija vjerovatnoe, uobiajena su dva stanovita:
,,objektivno" i ,,lino".
Gledano sa objektivnog stanovita, koje je popularnije od linog, teorija vjeovatnoe se moe
primjenjivati samo na one pojave i dogaaje koji se mogu ponavljati vie puta pri istim uslovima.
Prema torn stanovitu moe se govoriti o vjerovatnoi u problemima kao to su bacanje novia ili
kocke. Oni koji zastupaju ovo gledite ne zele pripisivati neku vjerovatnou pojavama koje se
dogaaju samo jedanput. (npr. oni odbijaju da govore o vjerovatnoi udaje njihove sestre za mladia po
imenu Mahmud).
Zastupnici tzv. ,,Linog" gledita smatraju da je vjerovatnoa izraz linog uvjerenja u
odreenoj propoziciji i vjerovatnou primjenjuju na sve probleme koje obuhvata objektivno gledite, ali
i na veliku klasu drugih problema koji se sa prvog stanovita ne uzimaju u obzir. (Npr., teoretski
gledano, zastupnici licnog gledita smatraju da se moe govoriti o vjerovatnoi udaje njihove sestre za
mladia po imenu Mahrnud.).
Razliiti autori daju razne podjele vjerovatnoe. Najjednostavnija podjela vjerovatnoe, s
obzirom na namjenu i mjesto vjerovatnoe u statistici, je podjela na prostu vjerovatnou i skupne
vjerovatnoe.
Prostu vjerovatnou imamo u sluajevima kad se radi o masi prostih dogaaja, tj. onih dogaaja
koji ne zavise i nisu uslovljeni nekim drugim dogaajima. Takav sluaj imamo kad se radi o masi
dogadaja, medu kojim ima odreen broj onih za koje kaemo da su povoljni (oekivani), a zatim broj onih
za koje kaemo da su nepovoljni (ne elimo njihovo deavanje).
Skupne vjerovatnoe su vjerovatnoe u svim onim sluajevima kada se pomou rauna
vjerovatnoe (odnosno formula i pravila teorije vjerovatnoe) iznalaze razultati odnosa dvije ili vie
7

grupa (elementarnih) dogaaja, bilo da su ti dogaaji meusobno zavisni ili nezavisni, bilo da su uslovljeni
jedni drugim ili ne.

U kategoriju skupnih vjerovatnoa spadaju: parcijalna vjerovatnoa, totalna vjerovatnoa,

sloena vjerovatnoa, uslovna vjerovatnoa, relativna vjerovatnoa, vjerovatnoa uzorfca, vjerovatnoca
ponovljenih pokuSaja (binofnya/navjerovatnocsi), vjerovatnoca skupa \ vjerovatnoa izbora u uzorak.
Parcijalna vjerovatnoa izraunava se u onim sluajevima kada imamo vie dogaaja ali se
svaki od njih moe posebno posmatrati, odnosno kada se za svaku vrstu tih dogaaja mogu
izraunati odvojeno vjerovatnoe nastajanja ili nenastajanja. Totalna vjerovatnoa predstavlja oblik
vjerovatnoe kod koga se deavanje nekog dogaaja, recimo A, povezuje sa deavanjem druga dva
dogaaja, recimo B i C. Od oblika meusobne veze i uslovljenosti ovih dogaaja zavisi i metod
izraunavanja (koji moe biti uz primjenu teoreme mnoenja /multiplikativne teoreme/ ili uz primjenu
teoreme sabiranja /aditivne teoreme/).
Napomenimo (kasnije e se to pitanje detaljno obraditi) da za dva dogaaja kaemo da su
nezavisni ako nastajanje jednog od njih ne zavisi od nastajanja drugog. Zavisni dogaaji su oni kod
kojih deavanje ili ostvarivanje jednog zavisi od predhodnog ostvarenja ili deavanja drugog.
Dogaaji koji se iskljuuju (disjunktni su, ne presijecaju se) su oni dogaaji kod kojih nastajanje ili
nenastajanje jednog dogaaja iskljuuje nastajanje ili nenastajanje drugog.
Dogaaji koji se deavaju ili ne deavaju po odreenom redu su oni dogaaji kod ijeg
deavanja postoji, poznat je ili moe da postoji ili ne postoji red njihovog nastajanja.
Uslovna vjerovatnoa izraunava se onda kada nastajanje nekog dogaaja A predstavlja
predhodno deavanje nekog drugog dogaaja B.
Relativna vjerovatnoa predstavlja odnos pojedinih vjerovatnoa prema sumi drugih
pojedinih vjerovarnoa srodnih dogaaja koji su rneusobno vezani nekom vezom, pri emu se taj
odnos izraunava kao prioritet po nastajanju ili oekivanju nastajanja.
Primjer 1. U jednoj kutiji nalazi se 20 komada proizvoda iste vrste i to: 10 komada I vrste, 6 II
vrste i 4 III vrste. Kolika je vjerovatnoa da ce se pri jednom izvlaenju dobiti komad II vrste prije
komada I ili III vrste?
Rjeenje. Imamo

(Vidi, u t.1.4., Laplaceovu klasinu definiciju vjerovatnoe!)

1.3. Sluajni dogaaji. Prostor elementarnih dogaaja

Svaka nauka polazi od nekog skupa osnovnih pojmova i na osnovu njih dalje se razvija (npr., u
elementarnoj (euklidskoj) geometriji se polazi od osnovnih pojmova - taka, prava, ravan). Slino i u
teoriji vjerovatnoe se polazi od nekih osnovnih pojmova: pojava. U teoriji vjerovatnoe izuavamo
sluajne pojave i to izuavaanje je vezano za neki eksperiment. U tzv. raunu vjeorvatnoe (tj. u
elementarnom prilazu pojmovima vjerovatnoe), esto se kae da se pojmovi pokus (opit,
eksperiment, ogled) i dogaaj ne definiu. Kae se da se svaki opit zavrava nekim ishodom ili
dogaajem.
Pod sluajnim pokusom ili sluajnim eksperimentom podrazumijeva se takav pokus iji
ishodi, tj. rezultati nisu jednoznano odreeni uslovima u kojima izvodimo pokus. Teorija
8

vjerovatnoe je matematika disciplina iji je zadatak formiranje i prouavanje matematikog modela

sluajmh pokusa.
Kod svakog pokusa osnovno je da se ustanovi odnos izmeu uzroka i posljedice. Samo
poznavanje tog odnosa omoguuje definisanje uslova pokusa i predvianje ishoda pri svakom
realiziranju tih uslova. Vezano za to, pokuse dijelimo u dvije osnovne grupe: deterministike i sluajne
pokuse. Kod deterministikih pokusa ishod je jednoznano odreen uslovima pokusa. Primjer

deterministikih pokusa je zagrijavanje vode pod normalnim atmosferskim pritiskom na temperaturu

viu od 100C (rezultat je promjena agregatnog stanja vode).
Pri prouavanju sluajnih pokusa u teoriji vjerovatnoe vano je pretpostaviti da je kompleks
uslova u kojima se pokus izvodi tano odreen u smislu da svaka realizacija tog kompleksa uslova
omoguuje da se pokus moe ponoviti tako da je ponovljeni pokus identian datom pokusu. Dakle,
doputamo mogunost ponavljanja datog sluajnog pokusa proizvoljno konano mnogo puta.
Prilikom razmatranja pojedinog sluajnog pokusa potrebno je na poetku dogovoriti se o
tome ta se smatra moguim ishodom tog pokusa.
Svaki sluajni pokus zavrava se nekim ishodom ili dogaajem. Rezultati sluajnih pokusa
zovu se sluajni dogaaji (ili krae dogaaji). Dakle, sluajni dogaaj je svaka injenica koja se kao
rezultat izvoenja nekog pokusa desi (dogodi) ili da se ne desi (ne dogodi). Dogaaji se najee
oznaavaju sa velikim slovima (sa ili bez indeksa) latinice (npr., A, B, C...; A, , A2 ,...).
Primjer 1. Pokus se sastoji u bacanju novia uvis iznad ravne plohe. Napomenimo da se
pod noviem u teoriji vjerovatnoe podrazumijeva idealan homogen novi tako da kad se baci mogu
da se realizuju jedina dva mogua dogaaja (da padne na grb ili pismo tj, nakon to je novi pao na
plohu, na njegovoj gonjoj strani je grb (G) ili pismo(P), jer, na osnovu iskustva, razumno je
pretpostaviti da druge mogunosti ne dolaze u obzir (npr., da padne na rub).
Primjer 2. Neka se pokus sastoji u bacanju igrae kocke. I ovdje kocku zamiljamo da je
idealno napravljena i sa idealnim stranama (1 ,2, ...,6 - broj taaka). Moe se desiti jedan od 6
sluajeva. Pri tome ne moemo predvidjeti koji e to sluaj biti.
Razlikovaemo sloene (razloive) dogaaje i elementarne (nerazloive) dogaaje. Naime, u
optem sluaju kad izvodimo eksperiment onda kao rezultat tog eksperimenta moe da se desi jedan i
samo jedan dogaaj, od vie njih eventualno, a pri tome svaki od tih dogaaja ima istu ansu da se
pojavi. Upravo te dogaaje zovemo elementarnim dogadajima. Proizvoljni elementarni dogaaj
oznaavat emo esto sa (ili sa {}, u skupovnoj terminologiji), a skup svih elementarnih dogaaja sa
, tzv. prostor elementarnih dogaaja. Dakle, prostor je skup svih elementarnih dogaaja koji se mogu
dogoditi pri izvoenju nekog pokusa.
Tako, npr., bacanje novia (u primjeru 1 .) je pokus kod kojeg e svaki ishod biti element
dvolanog skupa = {P,G}, ali unaprijed ne znamo koji e to element biti.
Elementarni dogaaji se, dakle, ne mogu dogoditi istovremeno, tj. oni se iskljuuju (disjunktni
su), dok se sloeni dogaaji mogu dogoditi istodobno tj. mogu da se uzajamno ne iskljuuju (npr., pri
sluajnom pokusu bacanja dviju igraih kocki, ako kao ishod dobijemo (3,3), tada se dogodio i
dogaaj ,,suma brojeva na obje kocke je 6" i dogaaj ,,na obje kocke pao je isti broj").
Svaki sloeni dogaaj moemo razloiti na elementarne dogaaje.
Sada emo uvesti pojmove koji e nam trebati u ,,konstrukciji matematike teorije
vjerovatnote. Osnovni polazni objekat u teoriji vjerovatnoe je neprazan skup koji zovemo prostor
elementarnih dogaaja i koji reprezentira skup svih ishoda sluajnog pokusa.
Skup i njegove elemente (koje emo zvati i takama skupa ) nadalje emo smatrati da su
dati, tj. oni su osnovni i nedefinisani pojmovi u teoriji vjerovatnoe.
9

Take (odnosno, jednolane skupove {}) cemo zvati elementarni dogaaji.

Prostor elementarnih dogaaja slui modelu idealiziranja sluajnog pokua u smislu da po
definiciji svako rjeenje pokusa mora dati ishod koji odgovara jednom i samo jednom elementarnom
dogaaju, tj. jednoj i samo jednoj taki u . Dakle, je jednostavno skup taaka (za sada nema
matematikih uslova za ).

Primjer 3. Ako novi bacamo jednom, moemo uzeti ={P,G}. Ako novic bacamo dvaput to
je drugi pokus, pa treba drugi , recimo ={PP,PG,GP,GG}.
Primijetimo da istome sluajnom pokusu moemo pridruiti razne prostore elementarnih
dogaaja. Npr., ako jednom bacamo igrau kocku onda je prirodno uzeti ={1,2,...,6}. Ali, ovom
pokusu moemo pridruiti drugi prostor elementarnih dogaaja koji ima samo dva elementa: ,,n je
paran" i ,,n je neparan", gdje je n broj koji padne na kocki. Meutim, ako nas pri datom rjeenju ovog
pokusa zanima da li je n 4, ovaj drugi prostor elementarnih dogaaja nee biti od koristi. Prema
tome priroda konkretnog problema koji nas zanima u datom trenutku odreuje kojim emo se
prostorom elementarnih dogaaja koristiti.
Prostor elementarnih dogaaja moe biti konaan, tj. moe imati oblik ={1,,...,n}, moe biti
beskonaan ali prebrojiv, tj. ={1,,..., n ,...}, ali moze biti beskonaan i neprebrojiv
(,,neprekidan"), ={ |P()}.
Svaka taka (elementarni dogaaj) koja pripada dogaaju A zove se povoljna za A. Dogaaj A
dogodit e se u datom vrenju pokusa ako ishodu pokusa odgovara jedna od taaka iz A, tj. taka
povoljna za A.
Dakle, na skupu elementarnih dogaaja moemo definisati i druge sloenije dogaaje. Npr., pri
opitu bacanja kocke neka se dogaaj A desi kad padne paran broj, a dogaaj B se desi kad padne broj
manji od 5. Tadaje A={2,4,6}, B={ 1,2,3,4}.
U skupu elementarnih dogaaja posebno se izdvajaju ova dva dogaaja:
1) Siguran ili pouzdan dogaaj. Cijeli prostor zove se siguran ili pouzdan dogaaj i on
se realizuje kada se realizuje bilo koji od elementarnih dogaaja, tj. on se mora
dogoditi u svakom vrenju opita. Dakle, ako neki opit a priori izaziva pojavu dogaaja
A, onda se taj dogaaj zove pouzdan. Obino ih oznaavamo sa U.
2) Nemogu dogaaj. Prazan skup zovemo nemogu dogaaj. On se nikada ne desi.
Njega ne realizuje ni jedan elementarni dogaaj. Dakle, ako se dogaaj A sigurno ne
desi datim opitom onda se on zove nemogu dogaaj. Sve nemogue dogaaje
oznaavamo sa ili V.
Dogaaj se, dakle, zove sluajan ako se on moe, a ne mora, pojaviti kao rezultat nekog opita.
Dogaaje moemo okarakterizirati na dva naina: ili tako da navedemo sve njihove take ili tako da
opiemo uslove uz koje e se oni dogoditi. Tako na gornjem primjeru imamo A= {2,4,6} ili A={na
kocki pao paran broj}.
Definiimo sada operacije sa dogaajima pomou kojih se od datih dogaaja dobivaju svi
dogaaji. Za sve dogaaje smatramo da su podskupovi istog prostora elementarnih dogaaja , pa je
prirodno operacije nad dogaajima definisati pomou operacija nad odgovarajuim skupovima.
Za dogaaj A kaemo da povlai (implicira, ili A je specijalan sluaj od B) dogaaj B ako je
AB. Ako A B i B A onda kaemo da su dogaaji A i B ekvivalentni i piemo A=B.
10

Za dogaaje A stavimo Ac = \A, tj. Ac je komplement od A. Dogaaj Ac se zove suprotan

(komplementaran) dogaaj od A. Dogaaj Ac se oznaava esto i sa A' ili i on se dogodi u datom
vrenju pokusa ako i samo ako se A ne dogodi.
Za dogaaje A, B skup A U B (ili A+B) zove se unija (ili zbir) dogaaja A i B, tj. dogaaj AuB je
dogaaj koji se dogodi sko i samo ako se dogodi bar jedan od dogaaja A i B. Analogno se
definie i unija ili zbir konano mnogo dogaaja A1,...,An kao

ili

odnosno od

prebrojivo mnogo dogaaja (An, n N) kao

Za dogaaje A, B skup A B (ili A B) zovemo presjek (ili proizvod) dogaaja A i B, tj. dogaaj
A B je dogaaj koji se sastoji u tome da se A i B pojavljuju skupa (dogaaj A B dogodi se ako i
samo ako se dogode oba dogaaja A i B). Analogno se definie presjek od konano ili prebrojivo
mnogo dogaaja.
Za dogaaje A i B kaemo da se uzajamno iskljuuju (disjunktni, nespojivi) ako je A B=0 (A
B=V). U torn sluaju A i B ne mogu se istovremeno dogoditi.
Za konano ili prebrojivo mnogo dogaaja (An) kaemo da se uzajamno iskljuuju ako je
Ai

= za i j.

Za dogaaje A, B skup A\B zovemo razlika dogaaja A i B. Jasno, A\B= A Bc, pa otuda
slijedi da se dogaaj A\B dogodi ako i samo ako se A dogodi i B ne dogodi, tj. razlika dva dogaaja A i B
se zove dogaaj koga realizuju elementarni dogaaji koji pripadaju A a ne pripadaju B.
Kako su operacije nad dogaajima definisane pomou operacija nad odgovarajuim
podskupovima prostora elementarnih dogaaja, to za njih vrijede sva (odgovarajua) pravila iz teorije
skupova. Npr., za niz dogaaja (An, n N) vrijede de Morganove formule (zakoni):
)c=

pa otuda vrijedi Ai=(

, (An)c=

)c.

Primjer 4. Neka je =R + ={x|x0} i {An: neN} niz dogadaja u , dat sa

An=[0,1- ], (n=1,2,...)
Lako se vidi da je

= [0,1),

={0}.

1. 4. Klasina definicija apriorne vjerovatnoe

Prije nego to preciziramo intuitivna, neformalna razmatranja uvodnih pojmova teorije

vjerovatnoe, naglasimo da je pri prouavanju sluajnih eksperimenata u teoriji vjerovatnoe nuno na
poetku dogovoriti se o tome koji su elementarni (nerazloivi) dogaaji mogui ishodi datog
sluajnog eksperimenta. Svi dogaaji vezani uz taj eksperiment mogu se opisati pomou elementarnih
dogaaja.
Ako se poe isto od iskustva onda je jasno da se dogaaji mogu uporeivati po stepenu
njihove mogunosti pojavljivanja. Npr., jasno je da pri gaanju nekog cilja, cilj e se prije pogoditi na
11

manjem rastojanju, nego sa dueg. Ili ako na nekoj lutriji imamo 50 televizora, 5 motocikla, 20
automobila, onda je vea ansa da e se dobiti televizor a manja motocikl. Ako bacamo novi anse da se
pojavi grb ili pismo su potpuno jednake. Postavlja se pitanje da li postoji neka numerika
vrijednost koja se moe da pripie svakom dogaaju i koja bi nam sluila kao objektivna mjera
realizacije nekog dogaaja pri izvoenju nekog sluajnog pokusa. Takva brojna vrijednost postoji i ona
se zove vjerovatnoa dogaaja.
Da bi definisali pojam vjerovatnoe sa klasinog, elementarnog aspekta, treba pretpostaviti
sljedee: Kada izvodimo ogled svaki prostor elementarnih dogaaja je konaan i taj prostor
elementarnih dogadaja moemo odrediti. i u torn smislu pretpostavimo da imamo neki sluajni opit i da
su dogovorno ustanovljeni svi elementarni dogaaji (tj. mogui nerazloivi ishodi) tog opita. Neka je A
proizvoljan dogaaj vezan uz taj sluajni opit. Kae se da je neki elementarni dogaaj povoljan za
dogaaj A ako pojavljivanje tog elementarnog dogaaja kao ishoda opita povlai i realizaciju
dogaaja A (da se dogodio dogaaj A).
8

Vjerovatnoa ,,a priori' . ili apriorna vjerovatnoa (ponekad se zove i matematika vjerovatnoa)
je teorijska vjerovatnoa kqja govori jezikom odreenih matematikih cifara o tome kakva je mogunost
nastajanja oekivanog dogaaja s obzirom na unaprijed poznate podatke o ukupnom broju svih moguih
dogaaja i o broju povoljnih, oekivanih dogaaja koji u tom ukupnom broju mogu nastupiti. Zbog
toga se ova vjerovatnoa zove teorijska, jer u praksi se ne mora ostvariti onaj rezultat kojega nam je
unaprijed davala apriorna vjerovatnoa. Tako, npr., ako bacimo novi" apriorna vjerovatnoa nam
govori da je 50% mogunosti da padne glava ili pismo jer su to dvije mogunosti od kojih jedna
mora da se ostvari. Meutim, u vie ponavljanja bacanja ne mora da se ostvari takav odnos, nego e
tek u veoma velikom broju bacanja da se zapazi pribliavanje odnosa 50% : 50%. Slian je sluaj kod
igranja lutrije, izvlaenja karata, bacanja kocke itd.
Jedna od moguih verzija klasine (Laplaceove) definicije vjerovatnoe a priori glasi: Neka je dat
sluajni opit s konano mnogo elementarnih dogaaja i neka su svi ti elementarni dogaaji jednako
mogui. Tada se vjerovatnoa proizvoljnog dogaaja vezanog uz taj opit definie kao kolinik broja svih
elementarnih dogaaja povoljnih za taj dogaaj i broja svih moguih (ukupnog broja) elementarnih
dogaaja (koji mogu nastupiti pri tom pokusu).
Primijetimo odmah slabosti ove klasine definicije vjerovatnoe (koju je u teoriju vjerovatnoe uveo
Pierre-Simon de Laplace}. Ona je prije svega restriktivna u smislu da se odnosi samo na eksperimente s
konano mnogo elementarnih dogaaja. S druge strane, Laplaceova definicija vjerovatnoe je kruna jer
ona u sebi sadri pojam jednako mogu, koji zapravo znai jednako vjerovatan. Otuda ova definicija nije
dobra kao baza aksiomatske teorije vjerovatnoe. Napomenimo da je vrlo interesantna injenica da je od
poetka teorija vjerovatnoe (za taj poetak se uzima 1654. godina) pa do uvoenja aksiomatike u tu teoriju
(koju je uveo veliki ruski matematiar A N D R E J N I K O L A J E V I KOLMOGOROV 1933. godine u svom
fundamentalnom radu: " Grundbegriffe der Wahrscheinlichkeitsrechnung, Berlin, 1933.") bilo potrebno da
prou gotovo tri stoljea.
Primjer 1 .. U posudi se nalazi 6 bijelih i 4 crne kuglice. Ako se sluajno izvue jedna kuglica,
nai vjerovatnou da izvuena kuglica bude bijele boje.
Rjesenje: Neka je A dogaaj da je kuglica bijele boje. Tada je, prema klasinoj definiciji
vjerovatnoe a priori, vjerovatnoa P(A) dogaaja A data sa
,3

(*)

gdje je m broj svih elementarnih dogaaja povoljnih za A (tj. koji realizuju dogaaj A), a n ukupan broj
svih elementarnih dogaaja (moguih dogaaja za posmatrani pokus).
3

Ovdje ( a i nadalje) P(A) znai vjerovatnoa (francuski probabilite odnosno engleski probability) dogaaja A.

12

Kakoje, oigledno, m=6, n=10, to je P(A)= (=60%)

Iz klasine definicije vjerovatnoe a priori, odnosno iz formule (*), odmah slijede ove osnovne
osobine vjerovatnoe:
(i)
Vjerovatnoa je nenegativna, tj. P(A) > 0, (za svaki dogaaj A),
(ii)

Vjerovatnoa nije vea od 1 , tj. P(A) < 1 , jer je m < n.

Otuda (za svaki dogaaj A)

0

(**)

Ako se radi o sigurnom dogaaju, onda svaki elementarni dogaaj realizuje taj dogaaj, tj.
m=n, pa je njegova vjerovatnoa jednaka 1 . Vjerovatnoa nemogueg dogaaja je 0 (jer je sada m=0,
budui da nemogu dogaaj ne realizuje ni jedan elementarni dogaaj).

9
Ako je vjerovatnoa manja od 1 , onda se za taj dogaaj kae da nije vjerovatan (ili da je
nevjerovatan), ako je P(A)= , kae se da je A neizvestan ili sumljiv dogaaj, a ako je P(A)
kae se da je A vjerovatan dogaaj (kao to je dogaaj A u primjeru 1).
U prethodnoj taki smo uveli pojmove koji trebaju u ,,konstrukciji" matematike teorije
vjerovatnoe. Pri tome smo ukazali na injenicu da je osnovni polazni objekt u teoriji vjerovatnoe
neprazan skup, kojeg smo oznaili sa i nazvali prostor elementarnih dogaaja, a koji reprezentira
skup svih ishoda sluajnog pokusa. Skup i njegove elemente smatramo kao date, oni su osnovni i
nedefinisani pojmovi u teoriji vjerovatnoe. Elemente co (esto emo elemente skupa zvati i
takama) zovemo elementarni dogaaji. Prostor elementarnih dogaaja slui modelu idealiziranog
sluajnog ogleda u smislu da po definiciji svako vrenje ogleda mora dati ishod koji odgovara jednom
jedinom elementarnom dogaaju, tj. jednoj i samo jednoj taki iz .
Prostor elementarnih dogaaja nije uvijek konaan. Uzmimo, npr., da se ogled sastoji u
registriranju broja razgovora koje u toku jednog dana obavi jedna automatska telefonska centrala.
Tadaje za prostor elementarnih dogaaja prirodno uzeti skup
=

Ovaj skup je (oigledno) prebrojiv. Ovdje je za uzet beskonaan skup, iako se zna da e broj
razgovora biti konaan, da bi se izbjegla pitanja u vezi s tim koji je prirodan broj mogu kao ishod
ogleda, a koji nije.
No, prostor elementarnih dogaaja moe biti i neprebrojiv. Naime, uzmimo da se ogled
sastoji od mjerenja temperature zraka tokom jednog dana. Tada se radi o mjerenju funkcije
neprekidnog parametra (vremena). Kao prostor elementarnih dogaaja moemo uzeti skup svih
moguih rezultujuih funkcija, ali i iri skup, recimo skup svih realnih funkcija na datom vremenskom
intervalu ili skupu svih realnih neprekidnih funkcija. U ovom sluaju smo svjesno poveali, jer
znamo da medu svim realnim funkcijama na datom intervalu sigurno ima takvih funkcija koje ne
mogu predstavljati kretanje temperature kao funkcije vremena tokom jednog dana. No, u sluaju
jednostavnih ogleda s konano mnogo ishoda izbjegava se dodavanje suvinih elemenata.
O dogaaju A vezanom uz neki opit moemo govoriti samo u sluaju da je za svaki mogui
ishod opita poznato da li se A dogodilo ili nije, tj. svaki dogaaj A vezan uz neki sluajni opit
13

odgovara pitanju u vezi s tim opitom koji ima odgovor ,,DA" ili ,,NE", i to u smislu da poslije svakog
vrenja opita na pitanje ,,da li se A dogodio" moe odgovoriti sa ,,da" ili ne". Ako je pri tome
prostor elementarnih dogaaja tog sluajnog opita, onda skup taaka koji reprezentuje sve ishode opita
za koje je odgovor ,,da" u potpunosti opisuje dogaaj A. Obratno, proizvoljan podskup A prostora
elementarnih dogaaja moemo tretirati kao dogaaj (koji se dogodi ili ne dogodi ovisno o tome da li
ishod opita reprezentira taku koja je u A ili koja nije u A).
Zato u daljnjem neemo razlikovati dogaaj A vezan uz sluajni pokus i odgovarajui
podskup skupa elementarnih dogaaja koji se sastoji od svih taaka iz koje reprezentuju one
ishode pokusa ije pojavljivanje vodi na pojavljivanje dogaaja A. Dakle, dogaaj podskup prostora
elementarnih dogaaja . Cijeli prostor zovemo siguran (pouzdan) dogaaj (on se mora dogoditi u
svakom vrenju opita), a prazan skup , zovemo nemogu dogaaj (on se nikad nee dogoditi).
Za sve dogaaje smatramo da su podskupovi istog prostora elementarnih dogaaja , pa se
prirodno operacije nad dogaajima definiraju pomou operacija nad odgovarajuim skupovima, to za
njih vrijede sva pravila iz teorije skupova, tj. sva pravila iz algebre skupova vrijede i u algebri
dogaaja (npr., vrijede DeMorganovi zakoni).
Aksiomatsku definiciju vjerovatnoe na prostoru elementarnih dogaaja obradiemo u
treem poglavlju (ukazujui na injenicu da nije uvijek mogue sve podskupove od uzeti za
dogaaje, jer se moe dogoditi da za neki podskup A od ne moemo decidno odgovoriti na pitanje:
,,Da li je
A?}.

10
Sem klasinie Laplaceove definicije vjerovatnoe a priori i aksiomatske definicije vjerovatnoe
uvodi se jo i klasina definicija vjerovatnoe a posteriori (statistika definicija vjerovatnoe), to
emo obraditi u narednoj taki, te geometrijska definicija vjerovatnoe koju emo takoe obraditi u
okviru ovog (drugog) poglavlja.
1.5. Klasina definicija vjerovatnoe a posteriori
(statistika definicija vjerovatnoe)

S obzirom na to da li se vjerovatnoa, izraena u matematikom obliku, izraunava na bazi

posmatranja rezultata nekog veeg broja eksperimenata (opita, pokusa, ogleda ili dogaaja) ili se to
unaprijed odreuje na bazi datih i poznatih struktura u okviru neke mase dogaaja, razlikujemo
,,vjerovatnou a posteriori" i ,,vjerovatnou a priori". Vjerovatnou a priori smo razmatrali ranije, a
sada emo obraditi aposteriornu vjerovatnou.
Vjerovatnoa ,,a posteriori" ili aposteriorna vjerovatnoa je ona koja se izraava na bazi
iskustva, pokusa, prakse (na temelju izvrenih pokusa ili prikupljenih statistikih podataka). Ova
vjerovatnoa se najee koristi u nauno-istraivakoma radu, na bazi podataka o frekvenciji
deavanja ili nedeavanja oekivanog dogaaja. Zbog toga je ova vjerovatnoa dobila naziv statistika ili
empirijska vjerovatnoa. Oigledno je da se aposteriorna vjerovatnoa razlikuje od apriorne, zavisno
od prirode i vrste dogaaja i pojava koje se posmatraju. Meutim, treba zapamtiti da se aposteriorna
vjerovatnoa uvijek sve vie pribliava apriornoj, ako broj pokusa ili posmatranja poveavamo. Taj
zakljuak glasi: Vjerovatnoa a posteriori tei ka vjerovatnoi a priori ako se broj pokusa poveava ka
beskonanosti(to je formulisao JAKOB BERNULI 4 kao Zakon velikih brojeva}.
Znaaj aposteriorne vjerovatnoe je u tome to pomou nje priblino tano moemo
izraunati i apriornu Vjerovatnou koju ranije nismo poznavali. Zatim, pomou aposteriorne
vjerovatnoe, sa malom grekom moemo da odredimo strukturu pojave koju ranije nismo poznavali. Sve
se ovo dokazuje ako je broj opita veliki. Prema tome, pri velikom broju opita ili posmatranja
4

JAKOB BERNOULLI

(1654-1705)-vajcarski matematiar holandskog porijekla.

14

ustanovljavamo zakonitost koja vlada u strukturi pojave, pa je u ovome osnov teorije ili zakona velikih
brojeva.
Primjena aposteriorne vjerovatnoe naroito je znaajna u oblasti osiguranja, u ekonomiji, a isto
tako i u svim oblicima naunog istraivanja u vezi sa masovnim pojavama s nepoznatim
kompleksom uzroka (stohastikih pojava; rije ,,stohastian" je grkog porijekla a znai ,,koji se
nasluuje", pa se ta rije upotrebljava i umjesto rijei vjerovatnoa"; gotovo u sve masovne pojave
umijean je stohastian element i time se objanjava principijelna vanost teorije vjerovatnoe kao
teorije prouavanja stohastikih pojava}.
Neka je A proizvoljan dogaj vezan za neki sluajni opit, tj. mogu rezultat tog sluajnog
opita. Pretpostavimo da smo taj pokus ponovili (pod istim okolnostima) n puta, da se u tih n
ponavljanja dogaaj A pojavio tano nA puta. Tada broj nA zovemo (apsulutna) frekvendja
(uestanost) dogaaja A, a broj

relativna frekvencija dogaaja A (u datih n ponavljanja opita).

Iz ove definicije relativne frekvencije slijedi da je

(*)

Kada broj pokusa raste onda relativna frekvencija tei ka vjerovatnoi dogaaja A, tj.

(**)

11
Znak "lim" se ovdje ne smije shvatiti u klasinom smislu granine vrijednosti, jer nam
analitiki nije poznata veza izmeu nA i n, niti ona postoji. Naime ako poveamo broj pokusa
primjeujemo da omjer stvarno tei ka jednoj granici. Stoga se u praksi izvede odreeni broj pokusa i tako
odredi vjerovatnoa dogaaja, jer mi ne moemo izvesti beskonano mnogo pokusa.
Poistovjeivanje relativne frekvencije i vjerovatnoe dogaaja bazira se na pomenutom Zakonu
velikih brojeva koji vai u prirodi a smisao mu je ovaj: Kada broj opita raste onda apsulutna razlika
izmeu relativne frekvencije i vjerovatnoe uglavnom opada. Ovaj zakon kae da ono to pojedinano
moramo smatrati sluajnim u velikoj masi gubi karakter sluajnosti i ponaa se kao neto uzrono,
zakonito. Napomenimo, da nije iznimka da ne moemo da odredimo broj povoljnih ishoda nekog
pokusa, ve da je to u praktinom pogledu vrlo esto sluaj bez obzira to je taj broj konaan.5 Da bi
provjerili Zakon velikih brojeva ljudi su izvrili veliki broj eksperimenata.
Primjer 1. Neka je sluajni pokus bacanje para igrah kocaka i pitamo se: Kolika je
vjerovatnoa dogaaja A. "brojevi koji su pali meusobno su razliiti"?
Bacanje para kocaka je pokus kod kojeg e svaki ishod biti jedan od elemenata skupa ={(i, j): i,
j = 1,..., 6}, kojih ima ukupno 36, ali zbog pretpostavljene simetrije unaprijed ne moemo rei koji e to
elemenat biti. Povoljnih dogaaja ima 30 (svi osim (1,1), (2,2), (3,3), (4,4), (5,5), (6,6)). Prema tome
vjerovatnoa a priori je:

U takvim sluajevima vjerovatnou odreujemo eksperimentalno, tj. umijesto apriorne odreujemo

aposteriornu vjerovatnou.

15

Da to potvrdi i u praksi vajcarski astronom R. WOLF ponavljao je 1850. godine ovaj pokus i
biljeio je relativne frekvencije uoenog dogaaja. Dobio je sljedee rezultate:
Broj n pokusa:
100 1000
10000
100000
Relativna frekvencija

0,88

Vidi se da relativna frekvencija f(A)=

0,836

0,8351

0,83533

sve vie tei ka vjerovatnoi P(A).

Teorija vjerovatnoe prouava samo one sluajne opite koji imaju svojstvo tzv. statistike stabilnosti relativnih
frekvencija. U cilju objanjenja ovog pojma, posmatrajmo proizvoljan dogaaj A vezan uz neki sluajni pokus.
Svojstvo statistike stabilnosti relativnih frekvencija sastoji se u tome da se prilikom ponavljanja pokusa veliki broj
(n) puta relativne frekvencije dogaaja A grupiraju oko nekog fiksnog (vrstog) broja. Pretpostavimo dalje da vrimo
nekoliko serija opita. Neka je, pri tome, ni, ukupan broj opita u i-toj seriji, a nA (i) broj pojavljivanja dogaaja A u i-toj
seriji. Svojstvo stabilnosti relativnih frekvencija zahtjeva takoe da su relativne frekvencije

dogaaja A u i toj

seriji opita meusobno dovoljno blizu za razne vrijednosti i, tj. za razne serije, ako su svi brojevi ni, dovoljno veliki.

Klasina definicija vjerovatnoe a posteriori (statistika, stohostika definicija vjerovatnoe):

Ako sluajni opit zadovoljava uslov statistike stabilnosti relativnih frekvencija onda se vjerovatnoa a
posteriori proizvoljnog dogaaja A vezanog uz taj opit definie kao realan broj P(A), 0 P(A) 1, oko
kojeg se grupiraju odnosno kojemu tee relativne frekvencije tog dogaaja.
I ova klasina definicija vjerovatnoe nije matematiki precizna. Naime, postavlja se pitanje
(problem) kako za konkretan sluajni opit provjeriti hipotezu o statistikoj stabilnosti relativnih
frekvencija.
Npr., za sluajni pokus bacanja novia oekuje se da

(gdje je nA aposolutna frekvencija dogaaja A: da

padne pismo), no shvatljiv rezultat ponavljanja tog opita je da novi

12
stalno pada na pismo, tj. da
da {

Slino moemo oekivati da

, ili

uopte ne konvergira.

Meutim, jo je sloeniji problem statistike stabilnosti u serijama opita. To je osnovni

problem u tome kako nainiti te serije. Jedna od mogunosti je da se odjednom naini vrlo veliki broj opita
pa da se onda rezultati razbiju na serije. No, ako u obzir treba uzeti sve mogue serije, onda se mora
razmotriti i takva podjela kod koje u prvu seriju ulaze oni opiti kod kojih se dogaaj A dogodio, a u drugu
seriju oni kod kojih se A nije dogodio. U tom sluaju, u prvoj seriji relativna frekvencija je 1, a u drugoj 0,
pa nema govora o stabilnosti relativnih frekvencija.
No, unato matematike nepreciznosti u ovoj definiciji (yjerovatnoe a posteriori) matematiari
su uspjeli pomou nje dobiti niz vrijednih i korisnih rezultata. Ova definicija se koristi i dalje (kako u
statistici, odnosno u matematikim disciplinama koje koriste teoriju vjerovatnoe i statistiku, tako i
u mnogim prirodnim, drutvenim i tehnikim naukama) u sluajevima kada se ne moe upotrijebiti
vjerovatnoa a priori.
U navedenom primjeru 1. provjerena je statistika stabilnost relativnih frekvencija.
16

Primjer 2. Nakon: N1=600, N2=6000, N3=60000 i N4= 120000 bacanja, kocka je pokazala
broj6:f 1 =84, f2=957, f3=9847 i f4=19936 puta.
Statistike vjerovatnoe

(i=1,...,4) daju vrijednosti

p1=0,14, p2=0,1595 0,16, p3 0,164116666 0,164 i p4=0,166133333 0,166

koje tee matematikoj vjerovatnoi

Primjer 3. Rulet (a) je okrugla posuda koja je sa unutranje strane razdijeljena na 37 polja numerisanih od 0
do 36 od kojih je 18 polja obojeno crveno, a 18 crno i jedno polje nije obojeno.*' Vjerovatnoa apriori
(matematika vjerovatnoa) da kuglica padne u crveno polje iznosi 18/37=0,48649, da padne na crno polje
iznosi 18/37=0,48649, a na nulu 1/37=0,02703. U martu 1953. godine u Monte Carlu kuglica je pala na crno
polje 2 396 puta, na crveno polje 2 360 puta, a na nulu, koja je bezbojna, 138 puta. Izraunajmo statistiku
vjerovatnou.

Odgovor: Broj svih moguih sluajeva iznosi:

n=2360+2396+ 138=4894.
Vjerovatnoa a posteriori za crno, odnosno crveno i bezbojno polje, iznosi (respektivno):
Vidimo da se rezultati prilino poklapaju sa oekivanim i kad bismo registrovali vie igara ti bi se
rezultati jo vise pribliavali.

Napomena: Kod malog broja ogleda mogu se vjerovatnoe a posteriori i a priori znatno
razlikovati, pa je Van der Waerden dao pogodniju formulu za statistiku vjerovatnou p:

13
gdje je f broj pojavljivanja jednog dogaaja A vezanog uz neki pokus, a N ukupan broj ponavljanja
toga pokusa.
Kod manjeg broja pokusa N ova formula je pogodnija nego prvobitna (

), jer daje vrijednosti

blie logikoj vjerovatnoi, a za velike brojeve N svodi se na isto.

1.6. Jo o prostoru elementarnih dogaaja

(O prvom pogledu na teoriju vjerovatnoe, jednako mogui dogaaji, prostor uzoraka i
vjerovatnoe dogaaja)

Rulet ima 36 brojeva, zatim nulu, a ponekad i dvostruku nulu. Za svaku marku stavljenu na broj koji dobija, igra dobije 35
maraka. Meutim, krajnje uporan igra moe samo da izgubi novac, jer ima 35 prema 37 ili prema 38 ansi da dobije. (Jedini sigurni
dobitnik je kasa /organizator igre/, jer ona, na dui rok, prikuplja praktino 5,5% svih uloga.!)

17

U ovoj taki, a i nadalje u ovom poglavlju, posmatraemo stvarne ill zamiljene eksperimente i
mogue ishode tih eksperimenata (pokusa, ogleda, opita). Svaki pokus koji emo promatrati imat e
konacno mnogo ishoda, za koje emo pretpostaviti da su svi jednako mogui.
U taki 1.3. smo uveli pojam prostora elementarnih dogaaja, (koji se jo zove, ponekad, i prostor
uzoraka) i to opisno (intuitivno) a i formalno. No, primijetimo da se prostor uzoraka, u
matematikoj terminologiji, moe i ovako definisati: Prostor uzoraka jednog pokusa je skup sa
osobinom da postoji bijektivno preslikavanje skupa svih ishoda na skup . Bilo koji podskup E
prostora uzoraka zove se dogaaj. Jednolani podskupovi skupa zovu se elementami dogaaj.
Sada se i ranije uvedeni pojam vjerovatnoe dogaaja moe definisati na ovaj nain: Ako je
prostor uzoraka (prostor elementarnih dogaaja) nekog pokusa koji ima konano mnogo Jednako
moguih ishoda, onda je vjerovatnoa (vjerovatnost, vjerojatnost) dogaaja E, tj. podskupa E od ,
simbolino P(E), definisana sa

odnosno,

Primjer 1. Neka su baene tri kocke. Kolika je vjerovatnost daje broj koji se pojavi na svakoj od
tri kocke - neparan broj?
Rjeenje: Za prostor uzoraka . u ovom pokusu se moe uzeti skup svih ureenih trojki
(i,j,k,) prirodnih brojeva i,j,k { 1,2,3,4,5, 6}. Otuda . ima 63=216 elemenata. Dogaaj E, da broj
koji se pojavi na svakoj od tri kocke bude neparan, sastoji se od svih trojki (i,j,k) prirodnih brojeva
izmeu 1 i 6, takvih da su i,j,k, svi neparni. Otuda E ima 33=27 elemenata, pa je

Primjer 2. (Problem roendana): Odaberimo r ljudi i zabiljeimo njihove dane roenja,

bez podataka o godini roenja. Oznaimo dane u godini brojevima 1,2,..., 365, ne uzimajui u obzir ljude
roene 29. februara prestupne godine. Tada je prostor uzoraka ovog pokusa:

S={ (x1, x2,..., xr) :x1 { 1, 2, ..., 365} za i= 1, 2, ..., r),

koji ima 365r elemenata.
Lako se pokazuje daje vjerovatnoa dogaaja E da najmanje dvoje od r odabranih ljudi ima
roendan istog dana, data sa

14
Koristei se logaritamskim tablicama ili depnim raunarima, lako se provjeri da je za r=23 u
ovom primjeru P(E)=0,51.
Napomena. Neki dogaaji su mnogo vjerovatniji nego to bi se moglo vjerovati. Kada se
okupi 25 osoba, postoji jedna ansa prema dvije da su dvije od njih roene istog dana u godini. Ovo
podudaranje je skoro izvjesno kada se na okupu nalazi 60 osoba. (Npr., za 40 Clanova Francuske
akademije (nauka), zabiljeena su slijedea tri podudaranja. Paster Valeri-Rado i Pol Moran roeni su
13. maja, Rene Ig i Pjer Emanuel roeni su 23. maja, Marse lAar i Marse lArlan imaju isto lino
ime i roeni su tano istog dana: 5. jula 1899. godine.)
18

1.7. Neke osnovne teoreme klasine teorije vjerovatnoe

Teorema 1. Vjerovatnoa zbira dva dogaaja koji se meusobno iskljuuju jednaka je zbiru
vjerovatnoa ovih dogaaja, tj.
P(A+B)=P(A)+P(B)

(1)

Dokaz. Poto se dogaaji A i B meusobno iskljuuju to nema elementarnih dogaaja koji bi

istovremeno realizovali i dogaaj A i dogaaj B. Zbog toga, ako je n ukupan broj svih (moguih)
elementarnih dogaaja za neki pokus, m broj elementarnih dogaaja koji realizuju dogaaj A i p broj
elementarnih dogaaja koji realizuju dogaaj B, onda je broj elementarnih dogaaja koji realizuju
zbir A +B (uniju A-jB) jednak m +p. Otuda je traena vjerovatnoa jednaka

Napomena: U optem sluaju ako se A1, A2,..., An meusobno iskljuuju, tj. ako vrijedi Ai ...
Aj= (
a radi se o konanom prostoru elementarnih dogaaja, onda je vjerovatnoa od
zbira (unije) ovih dogaaja jednaka

(2)

Teorema 2. Za dogaaje A i B (u konanom prostoru uzoraka) vrijedi

(3)
Dokaz. Kako je (sl. 1.)

Teorema 3. Ako su A i B dva proizvoljna dogaaja (u konanom prostoru

uzoraka) onda je vjerovatnoa razlike tih dogaaja data sa
P(A\B)=P(A)-P(A B).
Dokaz. Oigledno je (sl. 2):
19

A=(A\B) u (A B), (A\B) n (A-B)=

=>P(A\B)=P(A)-P(A B)=P(A\B)=P(A)-P(A B),.t.d.
Posljedica. Ako je

je
SI. 2.

15
Dokaz. Jasno je da vrijedi (si. 3):

B A => B=A B, (B=A B) =>(4) P (A\B)=P(A) - P(B).

Teorema 4. Ako su A i B dva proizvoljna dogaaja (u konanom prostoru
elementarnih dogaaja), ondaje vjerovatnoa zbira tih dogaaja data sa

P(A+B)=P(A)+P(B)-P(A B).
Dokaz. Kako je (sl.4) A+B=A+(
A),A (

A)= ,

to na osnovu Teoreme

1. slijedi

P(A +B) =P(A) +P(B A) = P(A) +P(B) -P(A B).

Definicija. Za skup dogaaja A1, A2,..., An kaemo da ini
potpun sistem dogaaja (potpunu grupu dogaaja) ako se ti dogaaji
meusobno iskljuuju i ako je njihov zbir jednak sigurnom dogaaju, tj.

SI. 3.

A-B

Sl.4.
(esto se uzima da su svi A, razliiti od 0)
Teorema 5. Ako dogaaji A1, A2,..., An ine potpun sistem dogaaja, onda vrijedi

B\A

Dokaz. Budui da A,,..., An ine potpun sistem dogaaja, to je njihov zbir siguran dogaaj pa imamo da je

20

No, kako se dogaaji A,,..., An meusobno iskljuuju to je

SI. 5.

Definicija. Za dva dogaaja kaemo da su suprotni ako oni ine potpun sistem dogaaja.
Suprotan dogaaj dogaaju A oznaavat emo sa ili A' ili non A ili Ac ili c(A) i sl. (kao to smo i
ranije rekli). Npr., ako A oznaava pogodak u metu onda oznaava promaaj (sl. 5).

No, suprotan dogaaj se moe definisati u smislu kako smo to i ranije uinili (tj. suprotan
dogaaj dogaaju A je dogaaj u oznaci , koji se realizuje ako se ne desi dogaaj A, odnosno
suprotan dogaaj je dogaaj kojeg realizuju elementarni dogaaji koji ne realizuju dogaaj A).
Teorema 6. Vjerovatnoe suprotnog dogaaja

jednaka je P ( )=1-P(A).

Dokaz. Ovo je neposredna posljedica teoreme 5. Naime, definicija dogaaja A i

ine potpun

sistem dogaaja, pa je P (A)+P( )=1.

Primjer. Kruna meta podijeljena je u tri zone: I, II, i III. Pri jednom
gaanju vjerovatnoa pogotka u prvu metu (zonu) je 0,15, a u drugu 0,23 i u
treu 0,17. Kolika je vjerovatnoa da se meta ne pogodi?
Rjeenje. Oznaimo sa A dogaaj da se meta pogodi, a sa da se
promai. Neka je Ai (i= 1,2,3) dogaaj da se pogodi i-ta zona (sl.6). Kako se Sl.6.
dogaaji A1, A2, i A3 iskljuuju meusobno, to je A=A1+A2+A3, Ai Aj=

16
(i j), odakle je P(A)=P(A1)+P(A2)+P(A3)=0,15+0,23+0,17=0,55.. Otuda je P( ) = l-P(A)= 10,55=0,45, (=45%).
Napomena. Razmotrimo navedene rezultate (u ovoj taki) sa skupovno-teoretskog aspekta. U tom smislu
pretpostavimo da je konaan skup i da je za svaki podskup E od , tj. za svaki
, gdje je ()
partitivni skup skupa , vjerovatnoa od E simbolino P(E) definisana formulom

gdje su

k(E) i k() brojevi elemenata skupova E i , respektivno.

Tada vrijede slijedee dvije teoreme.-\

Teorema A.

P 1. (normalnost, normiranost): P()=1.

P2.(nenegativnost):P(E) 0 za svaki E

().

P3. (aditivnost):P(E F)=P(E)+P(F) ako su E i Fiskljuivi podskupovi od .

Dokaz. P1 je oito, budui da je P()
21

P 2 je takoer oito, jer je

svaki E iz

Ako su E i F iskljuivi podskupovi od , onda je jasno k(E F)=k(E)+k(F), pa je

Time je teorema A dokazana.

Teorema B.
a)P(

=0.

b)Ako su E,F
c) Za svako E
d) Za svako E

()
0 P(E) l.
, P( )=1 - P(E), gdje je

=\E (kompkment odE).

e) Za svaki E

,P(E F)=P(E)+P(F) -P(E F)

f) Za svaki E

, P(E F)=P(E)+P(F).

g) Za svaki n skupova E1,E2,...,En koji pripadaju familiji

Dokaz. Sve osobine a) - g) mogu se dokazati samo na osnovu osobina P 1-P3. Iz teoreme A
(a, naravno, mogu se dokazati i direktno na osnovu definicije vjerovatnoe; neke od tih osobina smo ve
dokazali i u prethodnim teoremama). Dakle, funkcija P :
(R-skup svih realnih
brojeva), definisana gore ispred teoreme A, ima ne samo osobine P1 - P 3. ve i osobine navedene u
teoremi B. A otuda svaka funkcija Q:
koja ima osobine P 1. - P 3. takoer zadovoljava i
osobine a)-g) u teoremi B.
a) Neka je E= i F= . Onda su E i Fiskljuivi jer je E F= . Zato iz P 3. slijedi da je
P(E F)=P(E)+P(F), tj. P( )=P( )+P( ), jer je
. Otuda P( )=2P( ) pa kako
je P realna funkcija, to moe vrijediti samo ako je P( )=0.
b) Slijedi iz P2 i P2., jer je E F,

a E i F E iskljuivi.

c) Za svaki E
je
. Iz osobine b) slijedi
prema P1, P() = 1 i prema dokazanoj osobini a), P( )=0, to imamo 0 P(E) 1.

. Kako je

17
Otuda iz P3 slijedi da je P)=P(E

)=P(E)+P( ), pa iz P1imamo

1=P(E)+P( ),tj.P( )=1-P(E).

22

e) Neka su E,F
(). Qnda je E F= E (F\E), gdje su E i F E disjunktni (sl. 7).
Prema P 3 je P(E (F\E)) =P(E) +P(F E), tj.

P(E F)=P(E)+P(F\E).

(*)

S druge strane, kako je oigledno (a to se lako i dokae)

F=(F E) (E F) i

=(F\E) (E

), to P3 povlai

P(F)=P(F E)+P(E F).

(**)

Iz (*) i (**) slijedi P(E F) =P(E) +P(F) - P(E F). .t.d.

SI. 7.
f) Ova osobina slijedi odmah iz dokazane osobine e) ako se iskoristi da je P(E F)

0 prema

P3.
g) Ova osobina dokazuje se metodom matematike indukcije, koristei da je osobina tana za n=2
prema f).
Naime, iz pretpostavke da je tvrdnja tana za svakih k skupova E1, E2,..., Ek ,
na osnovu f), za svaki k+ 1 skupova iz () : El; E2,...,Ek vrijedi

(), onda,

Na osnovu principa matematike indukcije, zakljuujemo da g) vrijedi za sve n (neN).

1.8. Nezavisni dogaaji. Multiplikativna teorema u sluaju kad su dogaaji nezavisni

Za dva dogaaja A i B, koji nastupaju jednovremeno (ili jedan iza drugog) kazat emo da su
nezavisni ako nastupanje dogaaja A ne zavisi od toga da li se odigrao dogaaj B i obratno,
nastupanje B ne zavisi od toga da li se odigrao dogaaj A. Polazei od ove opisne (intuitivne)
definicije nezavisnih dogaaja lako se dokazuje slijedea teorema:
Teorema 1 . Vjerovatnoa dogaaja koji se sastoji u zajednikom nastupanju dva meusobno
nezavisna dogaaja jednaka je proizvodu vjerovatnoa svakog dogaaja posebno.
Dokaz. Pretpostavimo da su A i B nezavisni dogaaji (uzmimo npr. vjerovatnou a priori). U
kategoriji ogleda (pokusa, opita, eksperimenta) meu ijim rezultatima se pojavljuje dogaaj A neka ima
svega m mogunosti (moguih sluajeva) od kojih k povoljnih za A i u kategoriji ogleda meu ijim
rezultatima dolazi dogaaj B neka ima svega n moguih sluajeva od kojih l povoljnih za B. Pri
izvoenju prve i druge kategorije ogleda svaki mogui sluaj prve kategorije moe da nastupi sa svakim
moguim sluajem druge kategorije. Dakle, u ogledima meu ijim rezultatima dolazi dogaaj A^B
(dogaaj A B, odnosno u skupovnoj notaciji, A B) ima svega m n moguih sluajeva. Kako svaki
sluaj povoljan za A sa svakim sluajem povoljnim za B daje sluaj za povoljan A B. Prema tome je (za
tzv. dogaaj (i-i"):
23

18
Napomena. Teorema 1. se moe proiriti na dogaaj koji se sastoji u simultanom nastupanju
vie nezavisnih dogaaja (za konano mnogo):

(Dokazuje se analogno).

Kao to smo ranije rekli, dogaaji kad nastupaju istovremeno ili sukcesivno dva ili vie prostih
dogaaja zove se sloeni dogaaj.
Posljedica. Neka su vjerovatnoe nezavisnih dogaaja A i B : p i q, respektivno. Tadaje
vjerovatnoa:
a) da seoba dogaaja dese simultano. ................................................ p-q ;
b) da se ne desi ni jedan dogaaj......................................................... (1-p) (1-q) ;
c) da e se desiti A a nee B... ............................................................... p (l-q) ;
d) da e se desiti B a nee A..... .......................................................... ...q (l-p) ;
e) da se bar jedan od njih nee desiti. .................................................. 1-p q ;
f) da e se bar jedan od njih desiti. ...... ................................................. l-(l-p) (1-q) ;
g) da dogaaj A nastupi svaki put u k uzastupnih ogleda .................. pk ;
h) d a u k uzastopnih ogleda dogaaj A ne nastupi ni jednom .......... p k=(l-p)k ;
i) da dogaaj u k pokusa nastupi bar jedanput......... .......................... 1-(1-p)k
(ona je suprotna vjerovatnoi da dogaaj A ne nastupi nijednom).
Primjer. 1. Koliko puta moramo baciti kocku da moemo sa vjerovatnoom 2/3 oekivati da e se
bar jednom pojaviti broj5?
Rjeenje.
Moemo kazati da je potrebno 6 puta baciti kocku da bismo s vjerovatnoom 2/3 oekivali da bar
jednom dobijemo broj 5.

Primjer 2. Vjerovatnoa nekog dogaaja je p. Koliko puta treba ponoviti ogled pa da

vjerovatnoa da taj dogadaj nastupi bude jednaka q?
Rjeenje.
Umjesto navedenog intuitivnog pristupa pojmu nezavisnih dogaaja (kao dogaaja koji u
neformalnom, svakodnevnom jeziku) oznaavaju dogaaje koji jedan sa drugim nemaju nita zajedniko,
odnosno dogaaja kod kojih pojava jednog od njih ne mijenja vjerovatnou pojave onog drugog), imamo i ovaj
(formalni) pristup:

Definicija. Kaemo da su dva dogaaja A i B nezavisni ako vrijedi

P(A B)=P(A) P(B).
24

Iz ove definicije slijedi da ako je A

, gdje je konaan (ili prebrojiv) prostor elementarnih
dogaaja, takav da je P (A)=0, onda su A i B nezavisni dogaaji za svako B . Takoder, i Bsu
nezavisni dogaaji za svako B
.
Teorema 2. Ako su A i B nezavisni dogaaji, onda su slijedei parovi dogaaja takeer
nezavisni.

19
i)A i B'; ii)A' i B; iii) A' i B';
Dokaz. 1 Dogaaji A B i A B' (sl. 8) su iskljuivi (jer x A B implicira x B tako
da x B' i otuda x
A B'). Pokaimo da je (A B)
(A B') = A. Da bismo ovo uoili,
pretpostavimo da je x A. Onda je x B ili x B' tako da je x A B ili x A B' pa je,
naravno x (A
(A
). Dakle, za svako x A zakljuujemo da je x (A B) (A B'),
tj. A c (A^i^) u (A~v#0. Obratno, ako je x e (A^ u (A-^0 onda je jasno x A Dakle, (A v?)

(A
B')

i otuda A = (A B

(A B'). Skicirajmo odgovarajuu sliku (Venov6 dijagram)!

Iz osobine aditivnosti (odnosno, iz P 3) imamo

P(A)=P(A B)+P(A B'),
B

odakle, budui da su A i B nezavisni,

P (A) = P(A) P(B) + P(A B') ili
P(A B')= P(A) (1-P(B))= P(A) P(B'),

tj. dogaaji A i B'su nezavisni.

2 Nezavisnost dogaaja A i B se dobije zamjenjivanjem uloga od A i B u gornjoj diskusiji.
Naime, ako su A i B nezavisni dogaaji, onda su, jasno B i A nezavisni tako da su, prema onom to je
gore dokazano dogaaji B i A' nezavisni.
Konano, B i A' nezavisni implicira da su A' i B nezavisni. Time su dokazane izjave i) i ii). Na
kraju, iz nezavisnosti od A' i B zakljuujemo, primjenjujui i), da su A' i B' nezavisni.
Time je teorema 2. dokazana. No, primijetimo da smo u 1 mogli postupiti krae; npr. da prvo
dokaemo (ili smatramo poznatim, a to se vidi i sa odgovarajue slike) da je A B'=A\B, pa
primijenimo teoremu po kojoj je P (A\B)=P(A) - P(A B). Zatim iskoristimo da iz nezavisnosti A i B
6
2

'JOHN VENN (1 834-1 923) - engleski logiar.

AUGUSTUS DE MORGAN (1 8O6-1 87 1 ) - engleski matematiar i logiar.

25

slijedi: P(A B)=P(A) P(B). Takoer, izjava iii) se moe i neposredno dokazati; koristei tzv. de
Morganove2 zakone za dogaaje:
(A ' B') = (A B)'
(ili =
), (A' B') = (A B)'
(ili + =
),
koji se lako dokazuju (kao i za skupove, a mogu se smatrati i poznatim u skladu sa ranije reenom o
analogiji izmeu algebre dogaaja i algebre skupova).
Teorema 3. Ako su dogaaji A i B nezavisni, P(A)>0 i P(B)>0, onda se oni meusobno ne
iskljuuju.
Dokaz. Pretpostavimo suprotno, tj. pretpostavimo da se dogaaji A i B iskljuuju. Tada je
njihov proizvod (presjek) jednak nemoguem dogaaju: A B= , pa imamo P (A B)=0. No, budui da
su A i B nezavisni dogaaji to imamo da je P(A B)=P(A) P(B), pa bi dobili da je P(A) P(B)=0,
tj. P(A)=0 ili P(B)=0, a ovo je suprotno pretpostavci teoreme.
Primjer. Raunarska maina sastoji se iz n-blokova pouzdanosti, tj. vjerovatnoa rada bez
kvara u toku rada, p1 p2,..., pn. Blokovi se kvare nezavisno jedan od drugog. Ako se pokvari bilo koji
blok pokvari se i cijela maina. Nai vjerovatnou da se maina pokvari u toku vremena t.
Rjeenje. Neka Ai, oznaava dogaaj da blok i radi u toku vrmena t (i= 1,2,...,n). Tada je
P(Ai)=p, ( i = 1,2,...,n). Dogaaj A da maina radi u toku vremena t je: A=Al-A2-...-An. Njegova

20
vjerovatnoa je
P(A)=P(A1) P(A2).....P(An)=

pa je traena vjerovatnoa data sa P( )= 1-P(A)=

U ovom smo primjeru primijenili (napomenu poslije teoreme 1.) formulu za vjerovatnou
proizvoda (presjeka) konano mnogo nezavisnih dogaaja koja se moe dokazati polazei od
intuitivne definicije nezavisnosti vie dogaaja. No, mi emo upravo tu formulu iskoristiti za
formalnu definiciju nezavisnosti vie dogaaja, tj. dajemo slijedeu definiciju:
Definicija. Kaemo da su dogaaji A1, , A2 ,..., An (n 2) nezavisni (da je familija (Ai,- :
i=1.2,...,n) familija nezavisnih dogaaja), ako ,,pravilo mnoenja" vrijedi za sve kombinacije od dva ili
vie dogaaja, tj. ako je

za svaki podskup razliitih indeksa i1, i2,..., ik {l, 2, ..., n}, gdjeje k 2. (Umjesto: ,,razliitih indeksa,
i1,i2,...,in
" moe se rei ,,indeksi
Sljedei primjer pokazuje da jedna familija dogaaja ne mora biti nezavisna, ak iako je svaki par
dogaaja u familiji nezavisan.
Primjer. Nekaje ={1, 2, 3, 4} prostor elementarnih dogaaja (jednako moguih) A1= {1,
4}A2={2,4}iA3={3,4}.Tada je

tj. A1, i A2 su nezavisni dogaaji. Slino se pokazuje da je i svaki od parova A1 i A3, A2 i A3 nezavisan.
Meutim, kako je
to familija dogaaja A 1,A2 i A3 nije nezavisna.
26

1.9. Uslovna (relativna) vjerovatnoa. Multiplikativna

teorema u sluaju kada su dogaaji zavisni

esto u praktinim zadacima dolazimo u situaciju da traimo vjerovatnou nekog dogaaja A

znajui ili pretpostavljajui da se desio dogaaj B. Dakle, vjerovatnoa nastupanja dogadaja A moe da
zavisi od toga da li se desio ili nije dogaaj B, kao i obratno, vjerovatnoa od B moe da zavisi od
realizacije dogaaja A. Vjerovatnou dogaanja A koju raunamo pod uslovom da se desio dogaaj B
nazivamo uslovnom ili relativnom (kondicionalnom, ove do sada su bile apsolutne ili neuslovne
vjerovatnoe) vjerovatnoom i oznaavamo najee sa P (A \ B) ili PB (A). (Kod uslovne vjerovatnoe PB
(A) dogaaj B mora predhoditi da nastane dogaaj A, ali moe da bude nezavisan.) Sa P(B\A)
odnosno PA(B) oznaavamo uslovnu vjerovatnou dogaaja B u odnosu na dogaaj A.
Polazei od navedene opisne definicije (u klasinoj vjerovatnoi) pojma uslovne vjerovatnoe,
dokazuje se da za uslovnu vjerovatnou vrijedi relacija data sljedeom teoremom:

Teorema 1. Vjerovatnoa da se jednovremeno dese dva zavisna dogaaja jednaka je

proizvodu vjerovatnoe jednog dogaaja i vjerovatnoe drugog dogaaja u odnosu na prvi:

21
P(AB)=P(A) P(B\A)=P(A\B) P(B),

(1)

odnosno ,

(P(A)>0,P(B)>0),(gdje(AB)=(A^B)=(i A i B)=(A B)
oznaava nastajanje dogaaja A i dogaaja B poto se desio A ili obratno).
Dokaz. Neka se u n ogleda dogaaj A realizuje k puta. Tada je P(A) = k/n i neka se u k
ovih sluajeva i dogaaj B desi r puta (ovdje dogaaj A igra ulogu sigurnog dogaaja). Otuda je
P(B\A) = r/k. Meutim, vjerovatnoa da se desi A i B je P (A B) = r/k , poto se A i B odigravaju u n
ogleda svega r puta. Kako je

, to imamo P(AB)=P(A) P(B\A). Analogno se dokae da je

i P(AB) = P(B) P(A \ B).

Time je teorema 1. i dokazana. Ova teorema, odnosno relacija (1) je poznata pod imenom teorema o
proizvodu dva dogaaja (odnosno, multiplikaciona teorema u sluaju kad su dogaaji zavisni) .
Primjedba 1. Pravilo (1) se moe proiriti na dogaaj ABC ili uopte A1, A2 ... Ak, Naime,
vjerovatnoa da e se istovremeno desiti dogaaj (AB) i (C) bie
P(ABC) = P(AB) P(C\ AB) = P(A) P(B \ A) P(C\ AB).
Primjedba 2. Iz P(A+B)=P(A)+P(B)-P(AB) i

(1) dobijamao neposredno opti

obrazac za totalnu vjerovatnou za dogaaje koji nisu nezavisni:

27

P(A B) = P(A) + P(B) - P(A) P(B\ A) = P(A ili / i B),

odnosno P(A B) = P(A) + P(B) - P (B) P (A B) = P (A ili / i B).
Primjer. Bacaju se 2 kocke. Kolika je vjerovatnoa da e ili zbir biti 6 ill proizvod 8?
Rjeenje. I nain. Povoljni sluajevi za zbir 6 (dogaaja A) su: 1,5; 2,4; 3,3; 4,2; 5,1, a za
dogaaj B, da e proizvod biti 8, su: 2,4; 4,2. Zato je P(A) = 5/36, P(B) = 2/36, P(B\ A) = 2/5, pa je
traena vjerovatnoa
II nain. Prostor elementarnih dogaaja je ={(i,j) : i,j {l, ..., 6}},a odgovarajui dogaaj, u
oznaci E, je E= {(1,5), (2,4), (3,3), (4,2), (5,1)} pa imamo P(E) = 5/36.
Analogno, kao i u sluaju nezavisnih dogaaja, pojam uslovne vjerovatnoe uvodi se i
formalno (u optoj teoriji vjerovatnoe) i to upravo tako to se relacija (1) u teoremi 1. uzima po
definiciji; tj. imamo:
Definicija. Neka je prostor elementarnih dogaaja i A takav da je P(A)>. Broj
P(B\A), dat sa P(B\A)=P(AB)/P(A) zovemo uslovna (uvjetna) vjerovatnoa (vjerojatnost) od B uz
uslov (uvjet) da se A dogodio ili krae, (uslovna) vjerovatnoa od B uz uslov A.
Primijetimo da je P(A\A)=1, P(B\A)=0 ako A B= , P(B1\A)=P(B2\A) ako je A B1=A
B2.
Teorema 2. Neka su A i B dogaaji pozitivnih vjerovatnoa, tj. P(A)>0 i P(B)>0. Tada su
dogaaji A i B nezavisni ako i samo ako je P(A \ B) = P(A) i P(B\ A) = P(B).
otuda

Dokaz. 1 Pretpostavimo da su dogaaji A i B nezavisni. Tada je P(A B) = P(A) P(B), pa

22

2 Obratno, pretpostavimo da je P(A \ B) - P(A). Tada je

tj, P(A B) = P(A) P(B), odakle slijedi da su dogaaji A i B nezavisni, ime je teorema 2. dokazana.
Iz teoreme 2. slijedi da se nezavisnost dogaaja moe definisati i tako da se kae da su dva
dogaaja A i B nezavisna ako vrijedi
P(B\A)=P(B)iP(A\B)=P(A),

tj. ako su apsolutne vjerovatnoce jednake njihovim uslovnim vjerovatnoama. Ako je P(B\ A) P(B),
onda kaemo da izmeu A i B postoji stohastika zavisnost.
Primjer. Nai vjerovatnou da padne broj 5 prilikom bacanja kocke, ako se zna da je pao neparni
broj.
Rjeenje. Neka je A dogaaj da padne broj 5, tj. A = {5}, a B dogaaj da je pao neparan broj, tj.
B = { I , 3, 5 }. Tada je uslovna vjerovatnoa P(A \ B) jednaka:
28

P(A\B)= . Kako je P(A) = , to su A i B zavisni dogaaji.

1.10. Formula totalne (potpune) vjerovatnoe

Teorema 1. Vjerovatnoa dogaaja B koji moe nastupiti samo pod uslovom pojave
potpunog sistema dogaaja A1, A2, ..., An, jednakaje sumi proizvoda vjerovatnoa svakog dogaaja
Ai uslovnih vjerovatnoa dogaaja B, tj.

Dokaz. Pretpostavimo da su prilikom izvoenja nekog opita dogaaji A1 A2 ..., An ine

potpun sistem dogaaja (u konanom prostoru uzoraka), tj. pretpostavimo da mogu nastupiti
dogaaji A1, A2, ..., An jedan za drugim, koji se meusobno iskljuuju i ija je suma vjerovatnoa

Posmatrajmo proizvoljni dogaaj koji se moe desiti prilikom opita (ili, matematiki reeno,
dogaaj koji se odigra na istom prostoru elementarnih dogaaja ).

Kako dogaaji A1, A2, ..., An ine potpun sistem dogaaja, to se

dogaaj B(B
) (sl. 9.) moe dogoditi u kombinaciji dogaaja (Ai B), tj.

Kako se dogaaji Ai (i = 1, 2, ..., n) meusobno iskljuuju, i kombinovani dogaaji Ai -B

meusobno se iskljuuju, te moemo primijeniti adicionu teoremu za dogaaje koji se meusobno
iskljuuju (teoremu o zbiru vjerovatnoa):

23

odakle, na osnovu teoreme o proizvodu vjerovatnoa (multiplikacione teoreme za zavisne dogaaje),

imamo da je
29

Ova formula poznata je pod imenom formula totalne ili potpune (ili pune) vjerovatnoe i primjenjuje se

Al

vrlo esto.

Napomena 1. Vjerovatnoe P(A) obino su poznate unaprijed (prije izvoenja opita), pa se

zbog toga nazivaju apriornim vjerovatnoama a sami dogaaji A, (koji se esto oznaavaju sa H)
obino nazivaju se nhipoteze" . Hipoteze se uzajamno iskljuuju a jedna meu njima mora se
dogoditi.
Primjer 1. Postoje 3 naizgled potpuno iste kutije. U prvoj kutiji se nalaze 2 bijele i 1 crna
kuglica, u drugoj se nalaze 3 bijele i 1 crna dok u treoj se nalaze 2 bijele i 2 crne kuglice. Ako se na
sreu izabere jedna kutija i iz nje se izyue jedna kuglica, nai vjerovatnou da se izvue bijela kuglica.
Rjeenje. Neka je A dogaaj da izvuena kuglica bude bijele boje, a Hi (i - 1,2,3) dogaaj da
je izabrana i - ta kutija. Ovi dogaaji H1, H2 H3 se meusobno iskljuuju i njihove (apriorne)
vjerovatnoe su:
P(H1,) = P(H2) = P(H3) = 1/3.
I nain. Uslovne vjerovatnoe dogaaja A su uslov da se desio dogaaj Hi (i = 1 ,2,3) su:
P(A \ H1) = 2/3, P(A H2) = 3/4, P(A \ H3) = 2/4 = 1/2.
Primjenom formule potpune vjerovatnoe, dobijamo

P(A) = P(H1) P(A | H1)+ P(H2) P(A | H2) + P(H3) P(A |H3)=
II nain. Ovaj zadatak moemo rijeiti i na drugi nacin: koristei
kombinatoriku, odnosno koristei jedan od njenih modernih pravaca istraivanja:
teoriju grafova.
Naime, u ovom sluaju moemo nacrtati graf dogaaja kao na sli. 10.
Nas interesuje dogaaj A kada je izvuena bijela kuglica, pa sa grafa imamo P

30

S1.10.

1.11. Bayesova formula

Iz formule potpune vjerovatnoe i teoreme mnoenja vjerovatnoa, dobije se jedan teorem o
uslovnoj vjerovatnoi; poznat pod imenom Beyesovo pravilo ili Beyesov teorem, a kojeg je dokazao
THOMAS BAYES u XVIII vijeku (1764. godine).

Teorema 1. (Bayesova formula). Neka je (Hi, i =1,2,...,n) potpun sistem dogaaja (u

konanom prostoru uzoraka ) i
takav da je P(A)>0. Tada za svako i vrijedi

Dokaz. Pretpostavimo da je A neki dogaaj koji nastupa ako nastupi bilo koji od dogaaja
H1, H2 ..., Hn (pozitivnih yjerovatnoa) koji se po dva meusobno iskljuuju i iji je zbir
Na osnovu teoreme mnoenja imamo.
odakle dobijemo ?
(
Ako izrazimo P(A) formulom potpune vjerovatnoe dobijemo

Time je teorema 1 dokazana.

Napomena 1. Bayesova formula ima veliku vanost, jer ona daje vjerovatnou hipoteze (hipoteze H, se
jo zovu i uzroci dogaaja A), ako znamo da se dogodio neki dogaaj, tj. njenom primjenom moemo
ispitivati koju vjerovatnou moemo pripisati hipotezi o stanovitom uzroku. Ona se esto interpretira na
sljedei nain: Pretpostavimo da se vri neki nauni opit i da na poetku imamo n hipotezu H1, H2 ..., Hn
o karakteru pojave koju prouavamo, pri emu hipotezama H, pridruujemo vjerovatnost P(Hi) (i=
1,2,. ..,n). Poslije izvrenog opita - ako se kao njegov rezultat dogodio dogaaj A - mi mijenjamo svoje
uvjerenja o ispravnosti hipoteza i pridruujemo im vjerovatnoe P(H-\A) (j= 1,2,..., n). Sada ponavljamo
opit dotle dok za jedan rezultat B i za neko i0 ne dobijemo P(

\B)=1 ili P(

\B) 1. Tada hipotezu H,

moemo smatrati ispravnom.

Ova interpretacija Bayesove formule ima slabosti u tome to ne daje nain kako da se odrede
poetne vjerovatnoe hipoteza P(H). No, ona se ipak u nekim sluajevima moe vrlo korisno
primijeniti (kao npr., u medicinskoj dijagnostici). Nije teko navesti primjere koji ilustriraju tekoe (bez
obzira to nema formalne smetnje za primjenu) pri praktinoj primjeni Bayesove formule, tj. gdje nije
mogue direktno primijeniti tu formulu, ve su, kao i prilikom direktne primjene nekih drugih
vjerovatnosnih metoda za dobijanje korisnih rezultata, potrebne mnoge dodatne netrivijalne
pretpostavke.
Primjer 1 . Neka se na nekoj klinici lijee bolesnici od kojih svaki moe imati jednu od bolesti
H1,H2, ..., Hn. Uoimo jednog bolesnika i neka je kod njega, poslije pregleda ustanovljen skup A
31

simptoma. Pretpostavimo da su na klinici tokom njena rada biljeeni statistiki podaci o broju
bolesnika od bolesti Hi (i = 1,2,...,n) tako da iz tih podataka moemo izraunati (koristei klasinu
definiciju vjerovatnoe a posteori - statistiku definiciju vjerovatnoe) P(Hi) i P(A \Hi). Pri tome je
P(Hi) relativna frekvencija bolesti Hi, meu svim bolesnicima lijeenim na klinici, a P(A \Hi) je
relativna frekvencija ustanovljavanja skupa simptoma A meu onim bolesnicima koji su imali bolest Hj.
Ovdje sada nemamo formalne smetnje za primjenu Bayeseve formule, ali imamo tekoca pri njenoj
praktinoj primjeni. Naime, pretpostavimo da na klinici za svaku bolest Hi (i = 1,2,...,n) postoje
statistiki podaci za 10 000 bolesnika. Odredimo broj moguih skupova simptoma. Ako se pregled
sastoji od, recimo, 50 raznih mjerenja i ako je rezultat svakog mjerenja ,,da li je simptom prisutan ili
nije", onda imamo 250 1015 moguih skupova simptoma i na svaki skup simptoma prosjeno dolazi
promatranja, tj. praktino 0 (nula) promatranja. No, tada ja P(A \Hi) = 0 ( 0)
za sve i , a to nam je beskoristan rezultat. Ovaj primjer ilustruje primjedbe date u

25
predhodnoj napomeni 1. Zato je u ovom primjeru potrebno imati neke dodatne netrivijalne
pretpostavke.
Primjer 2. U primjeru 1, u okviru take ,,Formula totalne vjerovatnoe", izvuena kuglica je bijele
boje. Nai vjerovatnou da je ona izvuena iz prve kutije.

Primjer 3. U nekoj fabrici 30% proizvoda otpada na mainu I, 25% na mainu II i ostalo na
mainu III. Maina I radi sa 1% karta, maina II sa 1,2 % karta i maina III sa 2 % karta. Kolika je
vjerovatnoa da e sluajno izabrani proizvod biti kart? Ako je izabrani proizvod kart, kolika je
vjerovatnoa da je on proizveden na I maini, odnosno na II, odnosno na III ?
Rjeenje. Oznaimo sa A dogadaj da izabrani proizvod bude kart, a sa Hi (/'= 1,2,3)
oznaimo dogaaj da je izabrani proizvod napravljen na i- toj maini.
Tada je
P(H1,) = 0,3, P(H2) = 0,25, P(H3 )= 0,45,
P(A \H1) = 0,01 , P(A \H2) = 0,012, P(A \H3) = 0,02,
odakle je, prema Bayesovoj formuli,

Primijetimo da je zbir vjerovatnoa:

(Zato?)

Napomena 2. Bayesova formula igra veliku ulogu u zadacima, posebno kad se radi o
zadacima veanim za kontrolu proizvoda. Naime, kad se vri kontrola proizvoda i nae kart, onda je od
interesa procjena ko pravi kart (ko vjerovatno pravi kart).
1.12. Geometrijska definicija vjerovatnoe

Mnogi elementarni problemi iz teorije vjerovatnoe ne mogu se rijeiti neposrednom

primjenom klasine Laplaceove (ili pak statistike) definicije vjerovatnoe (jer nisu zadovoljeni uslovi za
32

njenu primjenu), ali mogu primjenom tzv. geometrijskih vjerovatnosti. U tom smislu navest emo
definiciju geometrijske vjerovatnoe koja nee biti sasvim matematiki precizna (jer se koriste pojmovi
izmjeriv i ,,mjera", a trebalo bi ,,Lebesgue - izmjeriv i Lebesgueva mjera", ali je pogodna za
primjenu.
Naime, pojam vjerovatnoe, uveden klasinom Laplaceovom definicijom vjerovatnoe
formulom
(1)

prosiriemo na sljedei nain (na sluaj kada je broj elementarnih dogaaja beskonaan, pri
izvoenju nekog pokusa):
Neka se, npr., u nekoj oblasti G sadri druga oblast D ( G i /?mogu biti dui, povri ili tijela), \
neka se pokus sastoji u tome da se na sluajan nain bira taka u oblasti G, pa se postavlja pitanje:

26

kolika je vjerovatnoa da se taka izabere u oblasti D? Uz pretpostavku da je vjerovatnoa izbora taka u

nekom dijelu oblasti G proporcionalna mjeri m tog dijela (duini, povrini, zapremini) dobije se
vjerovatnoa da sluajno izabrana taka oblasti G pripada i oblasti D (D G):
(1)
gdje je m(D) mjera od D, a m(G) mjera od G (oznaka , potie otuda to na engleskom rije ,,measure" znai
mjera, a umjesto, ,,m" koristi se i oznaka mes" mes - mjera oblasti).

Ovom formulom je data geometrijska definicija vjerovatnoe (odnosno, definicija geometrijske

vjerovatnoe). No, malo formalnije se definicija geometrijske vjerovatnoe ovako moe uvesti:
Neka je . ogranien podskup od R" (n = 1 ,2,3) i neka je izmjeriv u smislu da postoji njegova
mjera m()< (pri emu je m duina za n = 1, povrina za n = 2, zapremina za n = 3; odnosno mjerni
brojevi duine, povrine i zapremine, respektivno).
Definicija. Kae se da se ima problem geometrijske vjerovatnoe ako je prostor elementarnih
dogaaja . ogranien izmjeriv podskup od R" (n= 1 ,2,3) i ako je vjerovatnoa proizvoljnog izmjerivog
podskupa A od data formulom
(3)

Neka se opit sastoji u biranju take unutar skupa i neka je

(4)
za svaki izmjerivi podskup A od . Tada se kae da se taka bira na sredu unutar skupa . Iz
formule (2) slijedi da je vjerovatnoa da taka bude izabrana unutar skupa A proporcionalna mjeri tog skupa.

Koristei geometrijske interpretacije odreenog (Riemannovog) integrala funkcije jedne

promjenljive, dvojnog integrala (Riemannovog, za funkcije dvije promjenljive) , i trojnog integrala
(Riemannovog, za funkcije tri promjenljive) , imamo sljedee formule;

33

i) Vjerovatnoa da sluajno izabrana taka dui AB (si. 11.) pripada dui CD ABje

(5)

Ovaj primjer ilustruje i najjednostavniji sluaj geometrijske vjerovatnoe.

ii) Vjerovatnoa da ce jedna taka, koja se nalazi unutar oblasti G u ravni

(sl. 12) pasti unutar oblasti D (D
je:
ogranien i izmjeriv). (6)

S1.12.
iii) Vjerovatnoa da e jedna taka, koja se nalazi unutar oblasti V(sl. 13) u prostoru ( V
ogranien izmjeriv skup, tj. ima konanu zapreminu), pasti unutar oblasti V1 (V1 V) je :

27

34

(7)

Primjer 1. Na kruzom ekranu radara, iji je poluprenik R, postoji takasta

slika objekta M koja zauzima sluajni poloaj na ekranu. Nai vjerovatnou da taka M
padne u oblast ekrana iji je poluprenik od centra manji od R/2 ?
Rjeenje. Imamo (sl. 14)

gdje je mes(D) povrina kruga radijusa R/2, a mes(G) povrina kruga radijusa R.

S1.13.

Primjer 2. Kolika je vjerovatnoa da suma dvaju pozitivnih sluajno

uzetih brojeva tako da svaki od njih ne bude vei od 1, nije vea od 1, a njihov
v
proizvod nije vei od 2/9 ?
t
Rjeenje. Iz pretpostavke, ako sa x i y oznaimo
sluajno uzete brojeve, imamo

Grafik funkcije y= f(x) date sa x + y = 1 je prava a grafik

funkcije y = g (x), date sa x y=2/9 je hiperbola (sl. 15) (u pravouglom
Dekartovom7 koord. sistemu x Oy): Sa slike je ogledno:

S1.14.
y =|X(x>0

S1.15.

PG(=mes(G)) = 1,

odakle je traena vjerovatna: P 0,49 (= 49 %).

Primjer 3. Dva lica A i B dogovore se da se susretnu na odreenom
mjestu, pri emu svaki od njih prolazi tuda nezavisno od drugoga izmedu 12 i
13sati;dogodi?
Rjeenje. Neka je x moment (trenutak) dolaska lica A na dogovoreno
mjesto, 12<^<13, /moment dolaska lica B, 12 y 3 (sl. 16). Kao prostor
elementarnih dogaaja ovog sluajnog dogaaja prirodno je uzeti skup
={(x,y): 12 x 13, 12 y<13} R2.
Lica A i B e se susresti ako i samo ako je

Stavimo D = {(x,y)

R E N E DESCARTES (Renatus Cartesius-latinsko ime i prezime Dekarta)

(1596-1650)-francuski filozof, matematiar i

fiziar
35

Tada je =1, mesD1-2P1=1-2

, pa je

28
2. OPTA TEORIJA VJEROVATNOE
2.1. Aksiomatska definicija vjerovatnoe

U dosadanjem izlaganju posmatrali smo, uglavnom, primjere pokusa na koje smo mogli
primijeniti klasinu definiciju (Laplaceovu) vjerovatnoe (vjerovatnoe a priori) ili statistiku
definiciju vjerovatnoe. Kao to smo rekli, ova klasina definicija je odigrala veliku ulogu u razvoju
teorije vjerovatnoe. Meutim, ova definicija ima i principijelne i praktine prirode nedostatke.
Principijelni nedostatak (a to je i ozbiljni nedostatak gledano sa matematske strane) sastoji se u tome to
je u toj definiciji pojam vjerovatnoe definisan preko pojma vjerovatan" (preciznije, preko pojma
Jednako mogu" ali to je isto to i jednako vjerovatan"). Meutim, praktini nedostatak definicije
klasicne vjerovatnoe je taj to se zahtijeva da
1 broj elementarnih dogaaja, koji se desi pri izvoenju nekog pokusa, bude konaan i
2 da se mogu odrediti ti elmentarni dogaaji. No, u praksi ak jednostavni
primjeri pokazuju da su narueni i jedan i drugi princip.
Kada nismo mogli odrediti broj povoljnih ishoda kod nekog pokusa, onda smo koristili
klasinu definiciju vjerovatnoe a posteriori (statistiku definiciju), a koristili smo i pojam
geometrijske vjerovatnoe kao pooptenje (proirenje) pojma vjerovarvoe na sluaj kada se pri
izvoenju nekog pokusa moe da javi beskonano mnogo elementarnih dogaaja.
Nije teko smisliti primjer pokusa sa konano mnogo ishoda koji nisu jednako mogui.
Sljedei primjer opisuje takav pokus.
Primjer 1. Neka je dat krug, iji je mjerni broj povrine jednak 1, sa tjemenom u taki C(sl.
17). Pretpostavimo da je unutranjost kruga podijeljena na n isjeaka, meusobno iskljuivih i takvih
da je njihova unija upravo cijela unutranjost kruga. Obiljeimo ih, kao na datoj
slici, sa A1,A2,...,An. Zamislimo da je jedna beskonana tanka igla i jednim
kraje vezana u centru C i zavrtimo je oko C. Treba odrediti vjerovatnou da e
se igla zaustaviti upravo u oblasti Ak (k=1,2...,n). Neka pk oznaava povrinu
te oblasti Ak (za k=1,2, ..., n). Primjetimo da je p1,+p2+... +pn=1. Jasno, da
je razumno oekivati da je vjerovatnoa zaustavljanja u Ak upravo pk
povrina isjeka Ak. Za prostor uzoraka (prostor elementarnih dogaaja
koji nisu svi jednako mogui) moemo uzeti skup ={ A,, A2,..., An}, gdje
Ak oznaava ishod eksperimenta da se igla i zaustavi na isjeku Ak Tada
imamoP({Ak})=pk
za
k=1,2,...,n.
Sl. 17.
Da bi funkcija P bila definisana na cijelom partitivnom skupu

, definiemo
36

za svaki skup cijelih brojeva i1, i2,..., ik takvih da je

A4})=p1+p2+p4.

. Npr., P({A1, A2,

Ovako proirenje funkcije P (vjerovatnoe) izgleda sasvim prirodno, jer su skupovi A1, A2, ..., An
meusobno iskljuivi, a njihova unija je cijela unutranjost kruga povrine 1.
29
Lako se uvjeravamo da ovako definisana funkcija vjerovatnoe P: () R, za gore dati prostor
uzoraka , iji elementi nisu jednako mogui, ima osobine (koje su ranije dokazane za sluaj prostora
uzoraka koji odgovaraju pokusima iji su ishodi jednaki mogui)
P1. P()=1,
P2. P(A)
za

P3 . Ako su E, F

(n) , takvi da je

F= onda je P(E F) =P(E) +P(F).

Ovakvi primjeri konanih prostora uzoraka koji odgovaraju pokusima iji ishodi nisu nuno
jednako mogui, navode na ovu definiciju:
Definicija 1 . Konaan prostor vjerovatnoe je par (Q.,P) gdje je Q konaan skup i P funkcija P:
(R skup realnih brojeva) koji zadovolajvaju osobine P1, P2. i P3. u (*).
Kao i ranije, skup fi zovemo prostor uzoraka (ili prostor elementarnih dogaaja), pod skupove od
dogaajima i jednolane podskupove od nazivamo: ekmentarnim dogaajima.
Odmah se vidi da vrijedi teorema B, navedena u okviru take : ,,Neke osnovne teoreme teorije
vjerovatnoe za konaan prostor uzoraka" , i sada za opti konaan prostor vjerovatnoe.
Pojam nezavisnih dogaja i pojam uslovne vjerovatnoe, u optem konanom prostoru
vjerovatnoe, definie se na potpuno isti nain kao to su date formalne definicije ovih pojmova za sluaj
konanog prostora uzoraka koji je odgovarao pokusu iji su ishodi bili jednako mogui: Takoe vae i
odgovarajue teoreme za nezavisne dogaaje odnosno za uslovnu vjerovatnou (ukljuujui i formulu
potpune vjerovatnoe i Bayesovu formulu) .
Meutim, razvoj teorije vjerovatnoe zahtijevao je da se teorija vjerovatnoe proiri i na
sluajeve kada prostor elementarnih dogaaja nije obavezno konaan skup.
Navedena aksiomatska definicija vjerovatnoe (def.l), koja se odnosi na konaan prostor
uzoraka koji odgovaraju pokusima iji ishodi nisu nuno jednako mogui, je specijalan sluaj opte
aksiomatske definicije vjerovatnoe, (koja se odnosi na proizvoljan prostor uzoraka) koju je predloio
A . N . KO LM O GO RO V 8 1933. godine. On je predloio aksiomatiku koja je obuhvatala sve dotadanje
rezultate iz teorije vjerovatnoe, a takoer se pokazalo da ona adekvatno reprezentira nae prirodne ideje,
odnosno intuitivne predodbe o vjerovatnoi, tj. da postaje veza izmeu vjerovatnoe i relativne
frekvencije. Osim toga, ova aksiomatika dala je dobru osnovu za razvoj novih podruja teorije
vjerovatnoe. Time je konano ostvaren zahtjev da se teorija vjerovatnoe zasnuje na aksiomatski nain,
slino kao to su zasnovane druge matematike discipline.
Ideja Kalmogorova se sastojala u tome da se posmatra proizvoljni neprazni skup i to je skup
bilo kakvih elemenata. Elemente skupa zovemo ekmentarni dogaaji. Na tom skupu se posmatra
kolekcija
={R eQ} i zahtijeva se da ova kolekcija bude bogata, tanije da ona ini aalgebru ( - polje), tj. da ona zadovoljava slijedee uslove:
F1.
F2.
F3.
8

Andrej Nikolajevi Kolmogorov (25. IV 1903-20.X 1987)- veliki ruski matematiar

37

Odmah se vidi da ako je

, da je

, te da je zatovorena

uodnosu na prebrojive presjeke i skupovne razlike.

Ako se umjesto uslova F3. zahtijeva slabiji uslov:
30

A3. A1,A2,...,An
onda se zove algrebra skupova (polje skupova). Otuda je (prema F1. i F3.) svaka - algebra
istovremeno i algebra.
Definicija 2. Neka je

- algebra na skupu . Ureen par (,

Definicija 3. Neka je (, ) izmjeriv prostor. Funkcija P:

vjerovatnosna mjera) (na na .) ako vrijedi:
P1. P(A)

0, A

) zove se izmjeriv prostor.

R zove se vjerovatnoa (ili

, (nenegativnost vjerovatnoe)

P2. P() =1, (normiranost vjerovatnoe);

P3.

meusobno disjunktni) / e N i
, (prebrojiva ili - adidvnost vjerovatnoe)
i=l

i=l

Definicija 4. Ureena trojka (, , P), gdje je^a-algebra na , P vjerovatnost na , zove

se prostor vjerovatnoe (ili vjerovatnosni prostor). Elemente -algebre zovemo dogaaji, a broj P(A),
A
zove se vjerovatnoa dogaaja A (ako je A
, a (,^ , P) prostor vjerovatnoe, za skup
A se kae da je P-izmjeriv skup ili da je A izmjeriv i odnosu na P-mjeru).
Primjedba: Pri davanju aksiomatske definicije vjerovatnoe na prostoru elementarnih
dogaaja treba primijetiti prvo (kao to je reeno i ranije u taki 2.4.) da nije uvijek mogue sve
podskupove od uzeti za dogaaje. U tome smislu oznaimo, npr., ogled koji se sastoji od bacanja
novia deset puta ali da moemo provjeriti rezultate samo za prvih est bacanja. Ako je A= {palo je
barem sedam pisama}, onda iz ovog to znamo o A ne moemo odgovoriti na pitanje da li je
ili
. Zato smo definisali neku familiju podskupova od koja je predstavljala familiju
dogaaja (koja je mogla biti i ua od

2.2. Neke osnovne teoreme vjerovatnosnog prostora

Prije nego to se detaljnije ne rasvijetle problemi vezani za konstrukciju vjerovatnosnog

prostora, tj. vjerovatnosne mjere na skupu (prostoru elementarnih dogaaja), navee se osnovne
teoreme koje neposredno slijede iz definicije opteg prostora vjerovatnoe.
Teorema 1. Nekaje ( ,
(a)
(b)

, P) prostor vjerovatnoe. Tada vrijedi:

P( )=0.
Ako je E1 E2 i E1, E2

, ondaje P(E1) P(E2), (svojstvo monotonosti

vjerovatnoe)
(c)
38

(d) Ako su A1 ,..., An meusobno disjunktni, onda je

(svojstvo konane aolitivnosti vjerovatnoe).

(e)

Ako je En

(n N),

..., ondaje

(neprekidnost vjerovatnoe u odnosu na neopadajui niz dogaaja).

31
(f) Ako je En

, (n N),

onda je

(neprekidnost vjerovatnoe u odnosu na nerastui niz dogaaja).

(g)

Ako je E1

( i=l, 2, ...), onda je

, (prebrojiva

ili - poluaditivnost vjerovatnoe).

(h)

Ako su E1 i E2 iz

(k)

Ako je E

, onda je P(E1 E2)=P(E1)+P(E2)-P(El E2).

,onda je P(

)=1-P(E), (

= E),(vjerovatnoa suprotnog

dogaaja).
Dokaz. 1 Primijetimo da sve osobine, izuzev (e)-(g) u ovoj teoremi (koja se odnosi na
proizvoljan, konaan ili beskonaan prostor vjerovatnoe pri emu elementarni dogaaji nisu nuno
jednako mogui) imaju isti oblik kao u sluaju klasine vjerovatnoe (za konaan prostor
elementarnih dogaaja koji su jednako mogui), tj. i u optem sluaju prostora elementarnih
dogaaja, uvedenog aksiomatski (tzv. aksiomama Kolmogorova za prostor vjerovatnoe: (Fl) -(F3) i
(PI) -(P3) vrijedi teorema B, navedena u okviru take: ,,Neke osnovne teoreme klasine teorije
vjerovatnoe", s tim to se u optem prostoru (koji nije nuno prebrojiv) uzimaju elementi (dogaaji) iz
- algebre ( ()) a ne bilo koji elementi iz (). Ovakvu primjedbu smo naveli i u prethodnoj
taki kada smo govorili o aksiomatski uvedenom optem konanom prostoru vjerovatnoe. Takoe,
budui da je dokaz pomenutog teorema B, kao specijalnog sluaja ovog teorema 1 za konaan
prostor uzoraka iji su elementarni dogaaji jednako mogui, zasnovan jedino na osobinama P1, P2 i P3
(koje predstavljaju teoremu A, u klasinoj vjerovatnoi, dok su to aksiome u optoj, aksiomatskoj teoriji
vjerovatnoe za konaan prostor vjerovatnoe), potpuno su isti dokazi svih izjava (a) - (c), (h) i (k) ovdje,
za sluaj konanog prostora vjerovatnoe kao analognih izjava u pomenutoj teoremi B. Izjava (d), u
sluaju konanog prostora vjerovatnosti se lako dokae metodom matematike indukcije, ako se poe od
aksioma P1, P2 i P3 za konaan prostor vjerovatnoe (tj. gdje je P3: P(E 1uE2)=P(E1)+P(E2) ako su E1 i E2
iskljuivi dogaaji).
2 U sluaju proizvoljnog (konanog, prebrojivog ili neprebrojivog) prostora vjerovatnoe,
polazei od aksioma (Fl) -(F3) i (PI) -(P3) dokaz osobina (b), (c), (h) i (k) se moe izvesti
pozivajui se na (d), na isti nain kao i dokaz odgovarajuih osobina za konaan prostor
vjerovatne (polazei od aksioma(Pl)-(P3)) odnosno kao i u teoremi B (za klasian sluaj).
39

Meutim, u sluaju opteg proizvoljnog prostora vjerovatnoe, u kome se uzima aksiom (P3)
umjesto (P3) dokaz osobina (a) i (d) moe se izvesti na ovaj nain:
(a) U aksiomi (aP3) uzmimo Aj=0, zai =l, 2 , ...
Tada je

. Ali

prema (P3), pa je, dakle, P( )=0. (Ako je P( )>0, onda

nemogue zbog (P1).)

je konvergentan red
divergira, a P( )<0 je

(d) U aksiomi ( P3) stavimo Ai= , za i>n i koristimo se osobinom (a).

3 Osobine (e)-(g) nemaju smisla (u klasinoj vjerovatnoi) a ni u optoj teoriji vjerovatnoe za
konaan prostor uzoraka (Zato?):
(e) Stavimo F1 = E1, Fn=En\En-1, za n 2. Tada je F
, (n N) i Fi Fj= za i j.
Kako je jo

32
to imamo
(na osnovu definicije konvergentnog reda).

(f)StavimoFn=E1\En za n N. Tada je Fn

, Fn Fn+1 (n N) i E1\

. Otuda

je P(Fn)=P(E1)-P(En), pa iz (e) slijedi

tj.vrijedi

Napomenimo da se izjava (e) moe dokazati na osnovu (f) polazeci od E C1 EC2 ... (Naime, tada je
dakle 1-

i osobina (k) ( u ovoj teoremi 1)

impliciraju da je
(g)Neka je
F1=E1, Fn=En
Tada je

niz disjunktivnih dogaaja sa osobinom Fn En (n N) i

. Zato je
40

Ovaj rezultat zove se i Booleova nejednakost. Time je teorema 1 . dokazana.

Teorema 2. Sistem aksioma (F1l, F2, F3, P1, P2, P3) i sistem aksioma (F1, F2, F3, PI,
P2, P3* P4) su ekvivalentni (tj. trojka (, ,P) zadovoljava prvi sistem aksioma akko zadovoljava
drugi sistem aksioma), gdje je P3*:Akoje E1
za i=1, 2, .., n i Ei Ej= ,
, onda je

(tj. P3*je aksiom konane aditivnosti i osobina (d) u teoremi 1).

P4:Akoje E1

za i=1, 2, .., i E1 E2 .., ondaje

Dokaz. 1 Ako (, , P) zadovoljava (Fl, F2, F3, PI, P2, P3) onda (,
zadovoljava (Fl, F2, F3, P1, P2, P3*, P4) po teoremi 1. (d) i (f).

, P)

2 Pretpostavimo da (, , P) zadovoljava (Fl, F2, F3, P1, P2, P3*, P4). Neka je Et
za sve i=l, 2, .., tako da je Ei Ej= , i j, onda za svaki prirodni broj n, imamo

33
prema Fl, F2, F3 i F3. Dalje je

i otuda, prema, P4,

(Ovdje je potrebno dokazati daje P( )=0 u sistemu aksioma (Fl, F2, F3, P1, P2, P3*, P4),
ali to se lako izvodi, jer je =
pa je P( )=P( )+P( ) prema P3* ili P( )=0. Kao to smo
vidjeli, umjesto
u aksiomi Fl moe se uzeti
, to se ak ee i radi, pa ako se tako postupi,
C
onda je, i u ovom sistemu aksioma,
, jerje = ).
Otuda je
po definficiji konvergencije
reda.

Time je teorema 2 dokazana.

Napomena. esto se primjenjuje specijalan sluaj teoreme. Neka je (, ) izmjeriv prostor i
P:
konano aditvna funkcija, P() = 1. Tada je P vjerovatnoa ako i samo ako za
oo

proizvoljan niz {An}"=1 u ^za koji je A n 2 An+,(neN) i P|A n =0 vrijedi limP(A n) = 0.

n -*-'-**

..

41

n=l

Neka je
tog niza sa

niz dogaaja u prostoru vjerovatnoe (,

, P). Definiimo limes superior

i limes inferiortog niza sa

Iz ove definicije slijedi

i vrijedi:

={ : An za beskonano mnogo n},

={ : An za sve n osim eventualno konano mnogo njih},

Lako se vidi da vrijedi:

Propozicija 1. Za proizvoljan niz dogaanja

u prostoru vjerovatnoe (,

, P)

vrijedi:

34
Propozicija 2. (a) (Princip inkluzije - ekskluzije):
Neka su A1 A2,..., An podskupovi konanog skupa .
Neka #(B) oznaava broj elemenata skupa B.
Tada je
#

(b) (Sylvesterova teorema) Nekaje (n,^~, P) prostor vjerovatnoe i Ais$r(i=l,2,...,n). Tada

vrijedi

42

Dokaz. a) Osobina (a) se lako dokaze metodom matematiCke indukcije, a moe se dokazati i primjenom
pojma tzv. karakteristine funkcije skupa. Funkcija fi, data sa

zove se karakteristina funkcija skupa A, (i obino se oznaava sa

). Sada se lako vidi da je

karakteristina funkcija od
Sada se primjeti da je
#

(b) Sylvesterova teorema se lako dokazuje metodom matematike indukcije (koristei da

tvrdnja vrijedi za n=2 na osnovu teoreme 1. (h).).

Definicija. Prostor vjerovatnoe (, , P) jest potpun ili kompletan (ili P se zove potpuna ili
kompletna mjera na ) ako vrijedi
tj. ako je svaki podskup dogaaja ija je vjerovatnoa 0 i sam dogaaj.
esto se u samoj definiciji prostora vjerovatnoe uzima da je on potpun. No, to nije bitno
ogranienje jer se svaki prostor vjerovatnoe moe upotpuniti, tj. preciznije vrijedi sljedea teorema:
Teorema 3. Neka je (,
je sadrano u
je

, P) prostor vjerovatnoe i

* i definiimo funkciju P*:

-algebra i (,

* [0, 1] tako da stavimo P*(A C)=P(A). Tada

*, P*) potpun prostor vjerovatnoe. Osim toga vrijedi daje P*=P i ( *)*=

Dokaz: Iz
* slijedi ,
*. Neka je Di
Ai
, Ci Bi, Bi
, P(Bi)=0, pa je

* odnosno

tj.

35
* (i=l, 2,...). Tada je Di=Ai Ci,

* je zatvorena u odnosu na prebrojive unije. Kako je jo, za A C

tj.
za A ^ ,C B, B
je - algebra.

, P(B)=0, (A C)c=Ac Cc=(Ac Bc) Ac (B\Q)

*, jer Ac (B\C) B, to

Dokazimo da je funkcija P* dobro definisana: Neka je A1 C1= A2 C2

A1 A C2vrijedi

. Tada zbog

c
2

43

P(A1)=P(A1 A2)+P(A1 Ac2)=P(A1 A2) P(A2).

Kako je zbog simetrije P(A2)
dobro definisana funkcija na *.

P(A1), to je P(A2) = P(A1) tj. (P* ne zavisi od predstavnika) P* je

Lako se vidi da P* zadovoljava aksiome o nenegativnosti, normiranosti i prebrojivoj

aditivnosti, pa je P* vjerovatnoa na . Osim toga je oigledno, P* =P.
Dokaimo jo daje (., , P*) potpun prostor vjerovatnoe. Pretpostavimo daje D A C
*, A
,P(A)=0, C B, B
, P(B)=0. Tada je D A B, A B
i P(A B)=0, pa je D
,
tj. (, , P*) je potpun. Oito je *)*= *.
Time je teorema 3. dokazana.
2.3. Diskretni vjerovatnosni prostor

Pojam vjerovatnosnog prostora (prostora vjerovatnoe) je aksiomatski uveden (aksiomama

Kolmogorova), i to prvo smo uveli pojam konanog prostora vjerovatnoe, a onda i pojam
proizvoljnog (opteg) prostora vjerovatnoe. To je osnovni objekt u teoriji vjerovatnoe u smislu da se kao
matematiki 'model 'pridruuje (idealiziranom) sluajnom opitu.
Najjednostavniji prostor vjerovatnoe dobijemo u sluaju da je osnovni skup (tj. prostor
elementarnog dogaaja) konaan ili prebrojiv skup. Takav sluaj emo zvati diskretnim.
Za skup A sa k(A) oznait emo kardinalni broj skupa A.
Neka je ={b ..., n, odakle k()=n. Tada je k( ())=2n, pa svaka -algebra
ima konano mnogo elemenata, tj. je agebra na .

()

Jednostavnost konstrukcije prostora vjerovatnoe u sluaju konanog skupa slijedi iz

jednostavne (tzv. atomarne) strukture algebri skupova na konanom skupu. To ima za posljedicu da je u
tom sluaju dovoljno posmatrati vjerovatnoe koje su definfisane na itavom partitivnom skupu (),
to, zapravo, znai da se proizvoljna vjerovatnoa na algebri
() ( konaan skup) moe
proiriti do vjerovatnoe na (). Preciznije moe se dokazati sljedea teorema:
Teorema 1. Neka je konaan skup, algebra skupova na i P:
Tada postoji vjerovatnoa P*: () [0,1] takva da je P* =P.

[0,1] vjerovatnoa.

Napomenimo, da ako je k()=n, onda prostor vjerovatnoe (, (), P) zovemo ndimenzionalni diskretni prostor vjerovatnoe i esto se krae oznaava sa (,P) (to smo i inili ranije u
definiciji konanog prostora vjerovatnoe, a tek se iz ove teoreme vidi daje to bilo opravdano, tj. da je bilo
opravdano umjesto trojke (, , P), (
()), u sluaju da je konaan skup, uzeti ureen par
(,P) u definiciji konanog prostora vjerovatnoe).
36
Neka je sada ={n : n N}. prebrojiv skup. Kao i u sluaju konanog skupa dovoljno je
posmatrati vjerovatnoe koje su definisane na itavom partitivnom skupu (. Zapravo, moe se
dokazati da proizvoljnu vjerovatnou definisanu na a-algebri
() moemo proiriti do
vjerovatnoe na P( ), tj. moe se dokazati da vrijedi sljedea teorema:

Teorema 2. Neka je prebrojiv skup i (,

vjerovatnoa P': P() [0, 1] takva daje P'\ =P.
Primijetimo da je algebra

, P) prostor vjerovatnoe. Tada postoji

openito neprebrojiva, da je () primjer neprebrojive -algebre na .

Ako je prebrojiv, onda se prostor vjerovatnoe (, (),P) zove prebrojiv diskretni prostor
vjerovatnoe.
44

esto se zajedniki tretira sluaj kada je ili konaan ili prebrojiv. U tom sluaju se koristi za
zajedniki termim diskretni sluaj ili diskretni prostor vjerovatnoe. U sluaju konanog ili
prebrojivog skupa take iz zvat emo elementami dogaaji (u skladu sa ranije reenim).
Ideje vezane za posmatranje konanih i prebrojivih skupova H, pooptavaju se na sluaj
proizvoljnog skupa i to u smislu da se dobije tzv. koncentrisana mjera vjerovatnoe, tj. takva mjera
koja je jednaka nuli izvan nekog konanog ili prebrojivog podskupa od . Naime, neka je
proizvoljan skup i {n : n N} prebrojiv podskup od Stavimo = ), i neka je
niz
realnih brojeva takav daje pn 0 (n N) i
=1 . Definiimo P : () [0,1] formulom

Tada se moe dokazati (slino kao i teorema 2) da je (, () ,P) prostor vjerovatnoe i P je

koncentrisana na skupu {n: n N}.
Konstrukcija optih prostora vjerovatnoe, odnosno konstrukcija vjerovatnosnih mjera na
neprebrojivom skupu je mnogo kompliciranije, i mnoge detalje o tome razmotriemo kasnije (v.
npr., i u [Nikola Sarapa, Teorija vjerovatnosti, kolska knjiga, Zagreb, 1987]). Uoimo, u okviru ove
take, jo ovo svojstvo vjerovatnosnog prostora: vjerovatnoa P ,,ivi" na najvie prebrojivo mnogo
taaka. Naime, neka je neprebrojiv skup i (, P) prostor vjerovatnoe takav daje
,
Stavimo:
A={ :P({})>0}.
Tada je skup A najvie prebrojiv, jer za

imamo daje

i skupovi Ai meusobno su disjunktni. Kako je P() = 1, to je svaki od

skupova An konaan (gdje je k(A n)<n+l), tj. A je najvie prebrojiv.

2.4. Uslovna vjerovatnoa i nezavisnost dogaaja (za opti prostor vjerovatnoe)

Neka je (,
funkciju PA na sa

, P) proizvoljan prostor vjerovatnoe i A

PA(B)=P(B\A=

takav d a j e P(A)>0. Definiimo

, (B

(I)

37
Tada je PA vjerovatnoa na

, tj. (,

, PA) je prostor vjerovatnoe. Zaista,

zadovoljava

uslove (aksiome -algebre) Fl, F2, F3. Aksiom P1. je zadovoljen jer je PA(B)=
Aksiom P2 je zadovoljen jer je
45

Akoje

niz meusobno iskljuivih dogaaja i svaki Ei

, onda je

tako da je zadovoljen i aksiom P3.

Funkcija PA, definisana sa (1), zove se uslovna vjerovatnoa uz uslov A. Broj P(B\A) zove se
vjerovatnoa od B uz uslov da se A dogodi ili krae, vjerovatnoa od B uz uslov A.
Kako je PA vjerovatnoa , to iz teoreme 1. iz take: ,,Neke osnovne teoreme opteg
vjerovatnosnog prostora", slijedi:
Propozicija 1. Neka je (,
P(A)>0. Tada vrijedi:
(a)P( \A)=0.

, P) (proizvoljan, opti) prostor vjerovatnoe iAe^takav da je

(b)P(Bc\A)=1-P(B\A),B
(c)E1,E2

P(E1 E2\A)=P(E,\A)+P(E2\A)-P(E1 E2\A).

(d) E1 ,E2

E1 E2

P(E1 \A) P(E2 \A).

(e)E1,E2,...

Vrijede li analogoni ostalih izjava u pomenutoj teoremi 1. za sluaj uslovne vjerovatnoe PA?).
Primjer 1. Neka je ={b ..., n} i nekaje P vjerovatnoa na P() takva da su elementarni
dogaaji jednako vjerovatni. Tada iz P() = 1 slijedi nP({i}) = l, tj. P({i}) = l/n za i=l,2,...,n. Neka
je sada E

Tada iz konane aditivnosti od P slijedi

, to

predstavlja ranije navedenu formulu u klasinoj. vjerovatnoi. Tako smo dobili primjer (konstrukcije)
prostora vjerovatnoe (,P(),P), tj. n-dimenzionalni diskretan prostor vjerovatnoe iji su svi
elementarni dogaaji jednako vjerovatni. Neka je, u tom prostoru, k(A)=m, k(A B)=r, tj.
Onda iz definicije uslovne vjerovatnoe, tj. iz formule (1) slijedi da je

Otuda slijedi da vjerovatnou od B uz uslov A dobijamo prebrojavanjemelementarnih

dogaaja ,,povoljnih" za A i onih meu njima koji su istovremeno povoljni i za B. To znai da pri
raunanju uslovne vjerovatnoe uz uslov A ulogu prostora elementarnih dogaaja preuzima dogaaj A, a to
opravdava termin uslovna vjerovatnoa uz uslov A.
Definicija 1. Neka je (,
nezavisni ako vrijedi

P) prostor vjerovatnoe i E, F
P(A B) = P(A) P(B).

kae se da su dogaaji A i B
(2)

Dakle, pojmove uslovne vjerovatnoe i nezavisnosti dogaaja smo i ovdje, u sluaju optih (pa i
neprebrojivih) prostora vjerovatnoe, definisali na isti nain kao i u sluaju klasine vjerovatnoe

46

38

(preciznije, pri formalnom definisanju ovih pojmova, polazei sa skupovno-teoretskog aspekta, za

razliku od opisnog definisanja ovih pojmova, a to je, jasno, istorijski predhodilo davanju formalnih
definicija). Na isti nain se definie i pojam familije (sada proizvoljne) nezavisnih dogaaja Ai
ii I
(gdje je I proizvoljan, pa i neprebrojiv skup indeksa), te pojam potpunog sistema dogaaja (H i,
i=l,2,...) (konano ili prebrojivo mnogo). Takoer se na isti nain dokazuju: Pravilo mnoenja, teorema
(formula) totalne ili potpune vjerovatnoe i Bayesova formula, a vaze i ostale osobine i teoreme o
uslovnoj vjerovatnoi i nezavisnim dogaajima (koje smo imali ranije u sluaju klasine vjerovatnoe).
(Ako proirimo definiciju uslovne vjerovatnoe uz uslov A (A
) na sluaj kad je P(A)=0, stavljajui
P(B | A)=P(B) ako je P(A)=0 i B
, onda odavde i iz (1) slijedi
P(A B)=P(A) P(B|A)=P(B) P(A|B),A,B
No, ova relacija, a i njeno pooptenje dato u sljedeoj propoziciji 2, vrijedi neovisno o tome
kako definiemo P(B\A) u sluaju P(A)=0, jer iz P(A)=0 ili P(B)=0 slijedi P(A B)=0.)
Propozicija 2. (Pravilo mnoenja) Za svaki n+1 dogaaja A0 ,A1, ..., An (gdje su dogaaji
elementi od ) vrijedi
P(A0 A1 ... An)=P(A0) P(Al\A0) P(A2\A0 Al):.. P(An\A0 Al ... An) (3)
Dokaz. (Kako je A0
to je navedenih n uslovnih
vjerovatnoa definisano; ovo je potrebno konstatovati ako bi koristili formulu (1) za uslovnu
vjerovatnou, bez proirenja na sluaj P(A)=0.) Dokaz emo dati metodom matematike indukcije
(koristei asocijativnost skupovne operacije presjeka).
Formula (3) virijedi za n=l, jer je P(A0 A1)=P(A0) P(A1 | A0). Pretpostavimo da formula vrijedi n=k pa
dokaimo da vrijedi za n=k+ 1 .
Zaista, po definiciji uslovne vjerovatnoe imamo
P(Ao A1 ... Ak Ak+1,)= P(Ao A1

Ak) P(A k+1 |A0 A 1 ... A k ). Po

induktivnoj pretpostavci imamo

P(Ao A1 ... Ak) =P(Ao)-P(A1 | AO) ... P(Ak I AQO A, n...n Ak.,).
Konbinirajui posljednje dvije jednakosti dobijamo:
A,n...n Ak+1)=P(Ao)-P(A, |Ao) -...-P(Ak+1

A1 ... Ak).

(Dokaz pravila mnoenja u sluaju kada su dogaaji A0, A1, A2, ..., An zavisni, nismo izvodili u
klasinoj teoriji vjerovatnoe, ve smo naznaili da ono vrijedi i naveli ga u sluaju n=2, tj. za tri
dogaaja.)
Teorema 1. (Formula potpune vjerovatnoe.) Neka je
(N konaan ili + ) potpun
sistem dogaaja u prostoru vjerovatnoe (, , P) (diskretnom ili neprebrojivom). Tada za
proizvoljno A
vrijedi
(4)
Propozicija 3. Neka je
, (N konaan ili + ) potpun sistem dogaaja u prostoru
vjerovatnoe (, ,P). Tada za sve A,B iz vrijedi
(5)
47

39
Dokaz. Za P(A)=0 Relacija (5) prelazi u P(B)=

. Za P(A)>0 imamo
i=l

da je PA vjerovatnoa na

pa iz formule potpune vjerovatnoe (4) slijedi

Meutim, za one Hi za koje je PA(Hi) >0 vrijedi

Otuda slijedi (5), pa je propozicija 3 dokazana.
Teorema 2. (Bayesova formula). Neka je

, (N konaan ili + ) potpun sistem

dogaaja u (proizvoljnom fiksiranom) prostoru vjerovatnoe (,

za svakoj vrijedi

, P) i A

takav da je P(A)>0. Tada

(6)

Definicija 2. Neka je T
i neka je za svako t T, A1
gdje je (, , P) fiksiran
prostor vjerovatnoe. Kae se da je familija ( t : t T} nezavisna ako za svaki konaan neprazan
podskup U T vrijedi
(7)

i to za proizvoljan izbor dogaaja At tako da je At

, za sve t U.

Propozicija 4. Ako je proizvoljna familija nezavisnih dogaaja i ako za svaki dogaaj

iz nekog poskupa od zamijenimo njegovim komplementom, onda je rezultujua (tj. ova nova)
familija takoer familija nezavisnih dogaaja.

(Ovo je pooptenje odgovarajue teoreme u klasinoj vjerovatnoi.)

Dokaz. Neka je A1 ..., An, B1..., Bm proizvoljnih m+n dogaaja iz
proizvoljni. Treba dokazati da vrijedi
P(A1 ... An B1 ... Bm)=P(A1)...P(An)P(Bc1)...P(Bcm).

pri emu su m i n
(8)

Formula (8) se lako dokaze metodom matematike indukcije po m za sve n. Naime, za m= 1, imamo
P(A1 ...

An Bc1)=P((Al ... An)\(A1 ...

An B1)) =

=P(A1 ... An)-P(A1 ... An B1) = [l-P(B1)] P(A1) ... P(An)=P(A1) ... P(An) P(BC1),
tj. formula (8) vrijedi zam=l
Pretpostavimo sada da (1) vrijedi za neko (fiksno) m ( 1) i sve n. Tada imamo (koristei
analogan prikaz presjeka, kao u dokazu za m = 1, gore):
48

Odakle slijedi dokaz propozicije 4.

Primjer 2. Neka su A1,..., An nezavisni dogaaji; T={1, 2, ..., n} i
Tada je, prema (8), (
) nezavisna familija.

= {At ,Act , , } (t T).

40

Teorema 3. (Leme Borel-Cantellia)

1) Nekaje

niz dogaaja u prostoru vjerovatnoe (, , P). Akoje

,
n=l

onda je
2) Neka je

.
niz nezavisnih dogaaja u prostoru vjerovatnoe (,

, P). Ako je

, onda je
Dokaz. 1) U skladu sa ranije reenim, imamo da je
dogaaj (iz

to, prema osobini neprekidnosti vjerovatnoe u odnosu na nerastui niz dogaaja, imamo

Prema Booleovoj nejednakosti je

slijedi

,a iz konvergencije reda

= 0, tako da je

, .t.d.

2) Za svaki par pozitivnih cijelih brojeva n i k imamo

Otuda je

Posljedna nejednakost vrijedi jer je log (1-x)

vidi i sa sljedee slike (sl. 18).

-x, x

1, to je dobro poznata relacija, a to se

49

Otuda je

=- , za cve n iz N, jer red

divergira.
Dakle,

za sve n, tako da je
za sve n iz N.
S1.18.

41

Kakoje
to otuda imamo
prema osobini neprekidnosti vjerovatnoe u odnosu na neopadajui niz dogaaja. Ovdje je

pa je otuda
50

prema osobini neprekidnosti vjerovatnoe za nerastui niz dogaaja. Time

su dokazane obje leme Borel-Canteilia.
Obje leme Borel-Cantellija mogu se izrei zajedno:

Teorema 3'. (Borelov zakon nula-jedan). Neka je

prostoru vjerovatnoe (, , P). Tada je

niz nezavisnih dogaaja u

51